DS0702 -

Optimisation Multiobjectif Big – BigMO

Résumé de soumission

En pleine évolution de l'informatique moderne, l'optimisation évolutionnaire se dirige rapidement vers l'ère du "big", où la nature grande échelle des applications implique des modèles d'optimisation plus larges, avec un nombre élevé de variables et d’objectif contradictoires. L'optimisation multi-objectif big peut être considérée suivant trois axes interdépendants : la scalabilité, l'hétérogénéité et l'incertitude. Ces axes de recherche donnent lieu à des défis difficiles, qui requièrent d'outrepasser la capacité des algorithmes d'optimisation courants. En particulier, nous soutenons que les techniques classiques de l'optimisation évolutionnaire multi-objectif, bien que parmi les méthodes les plus efficaces, doivent être profondément rénovées afin d'accélérer leur adoption au sein d'applications actuelles. Le but de ce projet est d’anticiper la prochaine génération de méthodes d'optimisation, de contribuer à la conception intelligente d'approches avancées et efficaces afin d'être en mesure d'attaquer des problèmes d'optimisation multi-objectif big, et de mettre en place une compréhension solide, fondamentale et innovante et de leurs caractéristiques. Plus précisément, notre objectif est d'étudier de nouveaux fondements algorithmiques basés sur le concept de la décomposition évolutionaire, avec pour défi principal de concevoir des mécanismes autonomes tirant parti des techniques à la croisée du calcul évolutionnaire et de l'apprentissage automatique, tout en exploitant la puissance de calcul offerte par les plateformes parallèles modernes, ceci afin de surmonter la difficulté inhérente à la dimension et à la complexité de ces problèmes.

Ce projet adoptera et instaurera les bases d'un cadre algorithmique de décomposition évolutionaire faisant face à l'optimisation multi-objectif big. Le principe directeur consiste à systématiquement décomposer un problème multi-objectif en un ensemble de sous-problèmes mono- ou multi-objectif simples. Ainsi, différentes procédures inter-communicantes peuvent être utilisées pour optimiser ces sous-problèmes de façon coopérative. Des outils avancés issus de l'analyse de paysage et du réglage automatique des paramètres sont donc nécessaires pour comprendre la dynamique et la performance du cadre algorithmique visé et l'impact de la coopération. Nous envisageons aussi la conception de techniques adaptatives, inspirées par l'apprentissage statistique et par renforcement, et visant à ajuster le comportement de chaque procédure dynamiquement lors de l'exécution. Ceci permettra de rendre le cadre algorithmique à même d'abriter différentes méthodes d'optimisation existantes, réduisant ainsi le coût de développement pour les utilisateurs tout en étant le plus générique possible.

Bien qu'un tel cadre algorithmique est déterminant pour réduire la complexité, il s'avère néanmoins nécessaire de faire face au nombre élevé de sous-problèmes et au coût inhérent à l'évaluation de nouvelles solutions générées simultanément pour chaque sous-problème. Afin d'aborder ces questions, nous considérons deux pistes interdépendantes. Tout d'abord, nous nous appuierons sur des méta-modèles de substitution afin de prédire la qualité des solutions, sans avoir à systématiquement calculer leur qualité (gourmande en temps de calcul). Dans ce contexte, la décomposition ouvre de nouvelles opportunités, telles que l'incorporation d'ensemble de méta-modèles pouvant capturer les caractéristiques différentes des sous-problèmes. Ensuite, la nature décentralisée de la décomposition rend très attrayante l'utilisation du calcul haute performance, ceci afin de distribuer l’effort computationel sur des plateformes de calcul de plus en plus démocratisées. Tout en restant un défi en raison de la nature hétérogène des plateformes de calcul modernes, l’intégration du parallélisme est une caractéristique forte et unique du projet BigMO, d'autant que cette intégration sera étroitement liée à la conception même du cadre algorithmique cible.

Coordination du projet

Bilel Derbel (Centre de Recherche en Informatique, Signal et Automatique de Lille)

L'auteur de ce résumé est le coordinateur du projet, qui est responsable du contenu de ce résumé. L'ANR décline par conséquent toute responsabilité quant à son contenu.

Partenaire

CityU City University of Hong Kong, Department of Computer Science
CRIStAL UMR 9189 - Univ Lille 1 Centre de Recherche en Informatique, Signal et Automatique de Lille

Aide de l'ANR 240 192 euros
Début et durée du projet scientifique : mars 2017 - 48 Mois

Liens utiles

Explorez notre base de projets financés

 

 

L’ANR met à disposition ses jeux de données sur les projets, cliquez ici pour en savoir plus.

Inscrivez-vous à notre newsletter
pour recevoir nos actualités
S'inscrire à notre newsletter