ALGORITHMES ROBUSTES À PERFORMANCE GARANTIE POUR LA RÉSOLUTION DES PROBLÈMES D'OPTIMISATION COMBINATOIRE AVEC DES DONNÉES IMPRÉCISES ET CHANGEANTES
GUARANTEED-PERFORMANCE OF ROBUST ALGORITHMS FOR SOLVING COMBINATORIAL OPTIMIZATION PROBLEMS WITH IMPRECISE AND CHANGING DATA
Jury
Directeur de these_KACEM_Imed_Université de Lorraine
Rapporteur_NICOD_Jean-Marc_École Nationale Supérieure de Mécanique et des Microtechniques
Rapporteur_CHU_Feng_Université d'Evry
Co-encadrant de these_LUCARELLI_Giorgio_Université de Lorraine
Examinateur_MöNCH_Lars_Université de hagen
Examinateur_LI_Minming_Université de Hong Kong
Examinateur_KOUKAM_Abderrafiaa_Université de Technologie de Belfort Montbéliard
école doctorale
IAEM - INFORMATIQUE - AUTOMATIQUE - ELECTRONIQUE - ELECTROTECHNIQUE - MATHEMATIQUES
Laboratoire
LCOMS - Laboratoire de Conception, Optimisation et Modélisation des Systèmes
Mention de diplôme
Informatique
Salle de réunion du LCOMS
Université de Lorraine
LCOMS - UFR MIM,
3 rue Augustin Fresnel, 57000 METZ
Mots clés
Algorithmes d'approximation,Classification et apprentissage automatique,Performance garantie,Optimisation Combinatoire,Intelligence artificielle et Industrie 4.0,Données incertaines,
Résumé de la thèse
Les problèmes d'ordonnancement constituent un domaine important de l'optimisation combinatoire, avec une grande variété d'applications dans divers secteurs. Pour de nombreux problèmes, des algorithmes efficaces, sur le plan théorique ou pratique, ont été développés sous l'hypothèse d'une connaissance complète de toutes les données d'entrée du problème, autrement dit, dans le cadre déterministe du problème. Cependant, cette hypothèse n'est pas toujours valide dans les applications du monde réel, où les données d'entrée sont fréquemment soumises à des incertitudes.
Keywords
clustering and learning algorithms,guaranteed performance,Combinatorial Optimization,imprecise data,artificial intelligence ; Industry 4.0,Approximation algorithms,
Abstract
Scheduling problems constitute a substantial area of combinatorial optimization with extensive applications across various domains. For many of these problems, analytically and computationally fast algorithms have been developed under the assumption of complete knowledge of all input data, which defines the deterministic version of the problem. However, this assumption often does not hold in real-world applications, where input data are frequently subject to uncertainty.
