Soutenance de thèse de David Redon

Contributions à la parallélisation à large échelle d'algorithmes d'optimisation boîte noire

4 décembre 2026 à 13h30 (Bâtiment ESPRIT - Atrium)

Les problèmes d'optimisation consistent à déterminer les meilleures valeurs de variables de décision afin de minimiser une fonction objectif. Dans le cadre de l'optimisation boîte noire, cette fonction est uniquement accessible par des évaluations ponctuelles. L'augmentation massive du nombre de cœurs disponibles sur les processeurs et les supercalculateurs offre des opportunités et défis importants pour accélérer la résolution de ces problèmes. Nous cherchons ainsi à croiser optimisation boîte noire et calcul haute performance, afin de concevoir des méthodes capables d'exploiter efficacement un grand nombre de cœurs CPU en mémoire partagée et en mémoire distribuée. Notre étude s'appuie sur deux algorithmes de référence : SOO (Simultaneous Optimistic Optimization), méthode d'optimisation globale bénéficiant de garanties théoriques de convergence sous des hypothèses relativement faibles, et CMA-ES (Covariance Matrix Adaptation Evolution Strategy), méthode locale reconnue pour ses excellentes performances pratiques. Nous parallélisons d'abord SOO en mémoire partagée, en proposant plusieurs stratégies. La simple parallélisation des évaluations offrant des gains limités, nous présentons une approche exploitant un niveau de parallélisme plus subtil, dont les accélérations peuvent atteindre ×174 sur 128 cœurs avec SMT (Simultaneous Multi-Threading), tout en conservant exactement le comportement de SOO et donc ses garanties théoriques. Nous étendons ensuite cette approche aux architectures à mémoire distribuée. Nous proposons un modèle de communication théorique dont nous montrons qu'il permet, sous certaines hypothèses, une accélération proportionnelle au nombre de processus P. Nous développons également une version distribuée de SOO reposant sur des communications pair-à-pair et intégrant notre parallélisation en mémoire partagée. Cet algorithme est implémenté en MPI+OpenMP puis évalué sur le supercalculateur Fugaku en utilisant jusqu'à 6144 cœurs. Cette approche atteint des accélérations significatives, parfois superlinéaires, tout en obtenant de meilleures solutions finales que la version séquentielle. Enfin, pour IPOP-CMA-ES (CMA-ES with Increasing Population), une variante de CMA-ES qui exécute plusieurs fois la méthode avec des nombres d’évaluations croissants, et donc un degré de parallélisme croissant, nous proposons deux stratégies de parallélisation à large échelle, implémentées et évaluées comme la version distribuée de SOO. L'une reproduit l'ordre d'exécution d'IPOP-CMA-ES, tandis que l'autre organise au contraire la progression simultanée de méthodes de tailles hétérogènes. Les résultats montrent des accélérations de trois ou quatre ordres de grandeur par rapport à l'algorithme original, et la seconde stratégie se révèle la plus performante avec des accélérations superlinéaires pouvant atteindre ×18080 sur 6144 cœurs. Nous menons également un travail d'évaluation empirique rigoureux de chaque algorithme sur les différentes fonctions du benchmark BBOB (Black-Box Optimization Benchmarking), en faisant varier la dimension, le grain de calcul et le matériel utilisé. Les performances sont analysées au regard du temps d'exécution et de la qualité des solutions, afin d'identifier les avantages et les limites de chaque approche selon le contexte.

Jury

  • M. Pierre FORTIN Professeur des universités Université de Lille Directeur de thèse,
  • M. Frédéric SAUBION Professeur des universités Université d’Angers Rapporteur,
  • M. Abdou GUERMOUCHE Maître de conférences Université de Bordeaux Rapporteur,
  • Mme Elisabeth BRUNET Maîtresse de conférences Télécom SudParis Examinatrice,
  • M. Bilel DERBEL Professeur des universités Université de Lille Co-directeur de thèse,
  • M. Philippe PREUX Professeur des universités Université de Lille Examinateur.

Voir l'agenda complet »