Algorithmes de Décomposition Haute performance pour l'Optimisation Combinatoire et l'Apprentissage Automatique – ADHOC

Les techniques de décompositions en programmation mathématiques (Dantzig-Wolf, Benders) sont parmi les méthodes les plus efficaces à ce jour pour résoudre des problèmes combinatoires de grande taille. De tels problèmes sont typiquement rencontrés en logistique et notamment pour les problèmes de tournées dans le cas de la décomposition de Dantzig-Wolf ou bien pour le design de réseaux de services dans le cadre de celle de Benders. Bien que ces techniques permettent de considérer des problèmes de plus grande taille qu’à l’accoutumée, elles demandent une plus grande puissance de calcul que les méthodes classiques telles que les approches polyédriques, les heuristiques et méta-heuristiques. Dans la lignée de récents travaux, le projet cherche à mettre en exergue l’utilisation d'algorithmes d’apprentissage profond pour guider et accélérer la convergence des méthodes de décomposition tout en s’appuyant sur le calcul de haute performance grâce aux supercalculateurs et à l’accélération matérielle (GPU, FPGA). L'objectif principal de ce projet sera donc d'identifier les facteurs et critères essentiels permettant l'hybridation des techniques de décomposition avec les récentes avancées en matière d’apprentissage automatique et de proposer des solutions innovantes permettant de s’attaquer à des instances de bien plus grande taille qu’actuellement grâce au calcul massivement parallèle.