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.