Présentation

Dans de nombreux domaines d'application, l’optimisation big requiert des modèles de plus en plus larges pour gérer une quantité croissante de variables de décision et d’objectifs contradictoires, et sujets à de multiples sources d'incertitude. Dans ce contexte, la résolution de problèmes nécessite de relever notamment les défis de la large échelle (scalability) et du traitement de l’incertitude. Cela requiert souvent de revisiter non seulement la conception et l’implémentation des algorithmes d’optimisation traditionnels mais aussi leur parallélisation sur supercalculateurs massivement multi-cœurs et hétérogènes (ultra-scale) intégrant en plus des processeurs multi-cœurs des accélérateurs (ex. GPU) et des coprocesseurs (ex. MIC) .

L'objectif de BONUS est de proposer des approches avancées basées sur trois plans d’attaque constituant la roadmap du projet et qui font l’objet de plusieurs collaborations actuelles et à venir de l’équipe : l’optimisation basée sur la décomposition, l’optimisation sous incertitude et l’optimisation ultra-scale. L’utilisation conjuguée des trois plans d’attaque est rarement adressée dans la littérature. D’un point de vue logiciel, il s’agira notamment d’intégrer les approches proposées dans le framework ParadisEO. Sur le plan applicatif et du transfert industriel, nous ciblons l’ordonnancement de systèmes énergétiques tels que les smart grids ainsi que l’engineering design.

Membres

Permanents

  • Professeurs
    • Nouredine Melab (Responsable)
    • El-Ghazali Talbi
  • Maîtres de conférences
    • Omar Abdelkafi
    • Bilel Derbel
    • Arnaud Liefooghe

Non permanents

  • Post Doctorant
    • Mohammad Rahimi
  • Doctorants
    • Nicolas Berveglieri
    • Sohrab Faramarzi Oghani
    • Ali Hebbal
    • Julien Pelamatti
    • Geoffrey Pruvost

Nicolas Berveglieri

Méta-modèles et apprentissage automatique pour l'optimisation massive

Sohrab Faramarzi Oghani

Optimisation de laboratoires d'analyse : de la modélisation à la résolution du problème

Ali Hebbal

Methodologies for multiobjective parallel optilisatio, application to acrospace vehicle design

Julien Pelamatti

Optimisation multidisciplinaire de lanceurs avec prise en compte de choix technologiques

Geoffrey Pruvost

Machine Learning and Decomposition Technique for Large-scale Multi-objective Optimization

Jan Gmys

Optimisation massivement multi-tâche sur grappes de calcul hétérogènes – Application aux problèmes de permutation 2017-12-19

Bilel Derbel

Contributions to single- and multi- objective optimization: towards distributed and autonomous massive optimization 2017-12-11

Les autres équipes de ' OPTIMA : OPTImisation : Modèles et Applications '

INOCS ORKAD OSL