Search

This thesis addresses two distinct problems: Professional Timetabling and Recommender Systems. Both issues take place at Mandarine Academy, a french educational technology company that specializes in innovative corporate training techniques such as personalized e-learning platforms, training logistics, web conferences, etc. We start with the timetabling problem related to handling training logistics, the company proposes a tool named “Dileap Logistic” that automatically handles the assignment of resources (rooms, teachers, and equipment) to time-slots (days/hours) at specific locations. Previously, this was done manually, which took a long time and resulted in inaccurate results (wrong trainers, days, or equipment). Despite being an NP-Complete problem, a mathematical formulation of the problem has been developed after reviewing both literature works and company requirements. It includes 18 constraints (hard/soft) and 5 objectives, two of which are competing. We evaluate five state of the art Multi-Objective Evolutionary Algorithms (MOEA's) starting with the non-dominated sorting genetic algorithm (NSGA II and NSGA III), the Multi-objective Evolutionary Algorithm Based on Decomposition (MOEA/D), the indicator-based Evolutionary Algorithm (IBEA) and finally the Strength Pareto Evolutionary Algorithm (SPEA 2). Two custom genetic operators (for Mutation and Crossover) were proposed and compared against classical operators (PMX and Swap mutation). A tuning phase involving all the above-mentioned algorithms is performed to obtain elite configurations. Experiments are divided by each problem size (small, medium, and large instances) with 3 to 5 objectives tested. We discuss results such as comparing the performance of each algorithm using various metrics, as well as convergence graphs and population evolution. Aside from proposing solutions to training logistics, the company creates online pedagogical content (videos, quizzes, documents, etc.) on daily basis to support the digitization of work environments and to keep up with current trends. With more than 550K users spread across 100 active e-learning platforms. However, with an overgrowing catalog, problems like information overload can increase the lack of motivation among users. Mandarine Academy provided us with access to one of its public e-learning platform to conduct our research. After literature review and extended data analysis of user interactions. We propose enhancements to the overall user experience and interface. Similar steps taken in the previous timetabling work are also applied on the recommendation engine. This includes the mathematical formulation of a multi-objective optimization problem having 5 objectives (Similarity, Diversity, Novelty, Root Mean Square Error (RMSE), and Normalized Discounted Cumulative Gain (NDCG)) and the implementation of different recommendation techniques to generate initial solutions. All of the above-mentioned evolutionary algorithms (NSGA II, NSGAIII, IBEA, SPEA2, and MOEA/D) are assessed in our experiments. Real-world implicit interactions in the form of view portions are selected to conduct predictions. Tests were run on two different groups based on user behavior. Both groups are used in the parameter tuning and experimentation phase. Initial findings under various objectives show promising results considering production mode scenarios and the choice of genetic operators. We further discuss performance graphs and conclude with future work.; Cette thèse aborde deux problèmes distincts : les emplois du temps des formations professionnelles et les systèmes de recommandation. Les deux problèmes ont lieu à Mandarine Academy, une société française de technologie éducative qui se spécialise dans les techniques de formation d'entreprise innovantes telles que les plateformes d'apprentissage en ligne personnalisées, la logistique de formation, conférences Web, etc.Nous commençons par le problème des emplois du temps lié à la gestion de la logistique de formation, l'entreprise propose un outil nommé « Dileap Logistic» qui gère automatiquement l'affectation des ressources (salles, enseignants et équipement) aux créneaux horaires (jours et heures) à des endroits précis. Auparavant, cela se faisait manuellement, ce qui prenait beaucoup de temps et donnait des résultats inexacts (mauvais formateurs, mauvais jours ou mauvais équipement).Bien qu'il s'agisse d'un problème NP-Complete, une formulation mathématique du problème a été élaborée après avoir examiné les ouvrages de littérature et les exigences de l'entreprise. Il comprend 18 contraintes (hard/soft) et 5 objectifs, dont deux sont concurrents. Nous évaluons 5 algorithmes évolutifs multi-objectifs (AEMO) en commençant par l'algorithme génétique de tri non dominant (NSGA II et NSGA III), l'algorithme évolutif multi-objectif basé sur la décomposition (MOEA/D), l'algorithme évolutif basé sur des indicateurs (IBEA) et enfin l'algorithme évolutif de Pareto Strength (SPEA 2). Deux opérateurs génétiques personnalisés (pour Mutation et Crossover) ont été proposés et comparés à des opérateurs classiques (PMX et Swap mutation).Une phase de réglage impliquant tous les algorithmes mentionnés ci-dessus est effectuée pour obtenir des configurations d'élite. Les expérimentations sont divisées par taille de problème (petites, moyennes et grandes instances) avec 3 à 5 objectifs testés. Nous discutons de résultats tels que la comparaison de la performance de chaque algorithme ainsi que des graphes de convergence.En plus de proposer des solutions à la logistique de la formation, l'entreprise crée quotidiennement du contenu pédagogique en ligne (vidéos, quiz, documents, etc.) pour soutenir la numérisation des environnements de travail et suivre les tendances actuelles. Avec plus de 550K utilisateurs répartis sur 100 plateformes d'apprentissage. Cependant, avec un catalogue en croissance excessive, des problèmes comme la surcharge d'information peut augmenter le manque de motivation chez les utilisateurs. Mandarine Academy nous a donné accès à l'une de ses plateformes publiques d'apprentissage pour mener nos recherches. Après une analyse de la littérature et une analyse approfondie des données d'utilisateurs. Nous proposons des améliorations à l'expérience utilisateur globale et à l'interface graphique.Des mesures similaires ont été prises dans le cadre des travaux antérieurs de planification du temps sur le moteur de recommandation. Ceci inclut la formulation mathématique d'un problème d'optimisation multi-objectif ayant 5 objectifs (Similarité, Diversité, Nouveauté, Erreur quadratique moyenne racine (RMSE) et Gain cumulé actualisé normalisé (NDCG) et la mise en œuvre de différentes techniques de recommandation pour générer des solutions initiales. Tous les algorithmes évolutifs mentionnés ci-dessus (NSGA II, NSGAIII, IBEA, SPEA2 et MOEA/D) sont évalués dans nos expériences.Les interactions implicites du monde réel sous forme de temps de visionnage sont choisies pour effectuer des prédictions. Les tests ont été exécutés sur deux groupes différents en fonction du comportement de l'utilisateur. Les deux groupes sont utilisés dans la phase de réglage des paramètres et les expérimentations finales. Les premiers résultats de divers objectifs sont prometteurs, compte tenu des scénarios de mode de production et du choix des opérateurs génétiques. Nous discutons davantage des graphes de performance et concluons avec les travaux futurs.

Cette thèse aborde deux problèmes distincts : les emplois du temps des formations professionnelles et les systèmes de recommandation. Les deux problèmes ont lieu à Mandarine Academy, une société française de technologie éducative qui se spécialise dans les techniques de formation d'entreprise innovantes telles que les plateformes d'apprentissage en ligne personnalisées, la logistique de formation, conférences Web, etc.Nous commençons par le problème des emplois du temps lié à la gestion de la logistique de formation, l'entreprise propose un outil nommé « Dileap Logistic» qui gère automatiquement l'affectation des ressources (salles, enseignants et équipement) aux créneaux horaires (jours et heures) à des endroits précis. Auparavant, cela se faisait manuellement, ce qui prenait beaucoup de temps et donnait des résultats inexacts (mauvais formateurs, mauvais jours ou mauvais équipement).Bien qu'il s'agisse d'un problème NP-Complete, une formulation mathématique du problème a été élaborée après avoir examiné les ouvrages de littérature et les exigences de l'entreprise. Il comprend 18 contraintes (hard/soft) et 5 objectifs, dont deux sont concurrents. Nous évaluons 5 algorithmes évolutifs multi-objectifs (AEMO) en commençant par l'algorithme génétique de tri non dominant (NSGA II et NSGA III), l'algorithme évolutif multi-objectif basé sur la décomposition (MOEA/D), l'algorithme évolutif basé sur des indicateurs (IBEA) et enfin l'algorithme évolutif de Pareto Strength (SPEA 2). Deux opérateurs génétiques personnalisés (pour Mutation et Crossover) ont été proposés et comparés à des opérateurs classiques (PMX et Swap mutation).Une phase de réglage impliquant tous les algorithmes mentionnés ci-dessus est effectuée pour obtenir des configurations d'élite. Les expérimentations sont divisées par taille de problème (petites, moyennes et grandes instances) avec 3 à 5 objectifs testés. Nous discutons de résultats tels que la comparaison de la performance de chaque algorithme ainsi que des graphes de convergence.En plus de proposer des solutions à la logistique de la formation, l'entreprise crée quotidiennement du contenu pédagogique en ligne (vidéos, quiz, documents, etc.) pour soutenir la numérisation des environnements de travail et suivre les tendances actuelles. Avec plus de 550K utilisateurs répartis sur 100 plateformes d'apprentissage. Cependant, avec un catalogue en croissance excessive, des problèmes comme la surcharge d'information peut augmenter le manque de motivation chez les utilisateurs. Mandarine Academy nous a donné accès à l'une de ses plateformes publiques d'apprentissage pour mener nos recherches. Après une analyse de la littérature et une analyse approfondie des données d'utilisateurs. Nous proposons des améliorations à l'expérience utilisateur globale et à l'interface graphique.Des mesures similaires ont été prises dans le cadre des travaux antérieurs de planification du temps sur le moteur de recommandation. Ceci inclut la formulation mathématique d'un problème d'optimisation multi-objectif ayant 5 objectifs (Similarité, Diversité, Nouveauté, Erreur quadratique moyenne racine (RMSE) et Gain cumulé actualisé normalisé (NDCG) et la mise en œuvre de différentes techniques de recommandation pour générer des solutions initiales. Tous les algorithmes évolutifs mentionnés ci-dessus (NSGA II, NSGAIII, IBEA, SPEA2 et MOEA/D) sont évalués dans nos expériences.Les interactions implicites du monde réel sous forme de temps de visionnage sont choisies pour effectuer des prédictions. Les tests ont été exécutés sur deux groupes différents en fonction du comportement de l'utilisateur. Les deux groupes sont utilisés dans la phase de réglage des paramètres et les expérimentations finales. Les premiers résultats de divers objectifs sont prometteurs, compte tenu des scénarios de mode de production et du choix des opérateurs génétiques. Nous discutons davantage des graphes de performance et concluons avec les travaux futurs. This thesis addresses two distinct problems: Professional Timetabling and Recommender Systems. Both issues take place at Mandarine Academy, a french educational technology company that specializes in innovative corporate training techniques such as personalized e-learning platforms, training logistics, web conferences, etc. We start with the timetabling problem related to handling training logistics, the company proposes a tool named “Dileap Logistic” that automatically handles the assignment of resources (rooms, teachers, and equipment) to time-slots (days/hours) at specific locations. Previously, this was done manually, which took a long time and resulted in inaccurate results (wrong trainers, days, or equipment). Despite being an NP-Complete problem, a mathematical formulation of the problem has been developed after reviewing both literature works and company requirements. It includes 18 constraints (hard/soft) and 5 objectives, two of which are competing. We evaluate five state of the art Multi-Objective Evolutionary Algorithms (MOEA's) starting with the non-dominated sorting genetic algorithm (NSGA II and NSGA III), the Multi-objective Evolutionary Algorithm Based on Decomposition (MOEA/D), the indicator-based Evolutionary Algorithm (IBEA) and finally the Strength Pareto Evolutionary Algorithm (SPEA 2). Two custom genetic operators (for Mutation and Crossover) were proposed and compared against classical operators (PMX and Swap mutation). A tuning phase involving all the above-mentioned algorithms is performed to obtain elite configurations. Experiments are divided by each problem size (small, medium, and large instances) with 3 to 5 objectives tested. We discuss results such as comparing the performance of each algorithm using various metrics, as well as convergence graphs and population evolution. Aside from proposing solutions to training logistics, the company creates online pedagogical content (videos, quizzes, documents, etc.) on daily basis to support the digitization of work environments and to keep up with current trends. With more than 550K users spread across 100 active e-learning platforms. However, with an overgrowing catalog, problems like information overload can increase the lack of motivation among users. Mandarine Academy provided us with access to one of its public e-learning platform to conduct our research. After literature review and extended data analysis of user interactions. We propose enhancements to the overall user experience and interface. Similar steps taken in the previous timetabling work are also applied on the recommendation engine. This includes the mathematical formulation of a multi-objective optimization problem having 5 objectives (Similarity, Diversity, Novelty, Root Mean Square Error (RMSE), and Normalized Discounted Cumulative Gain (NDCG)) and the implementation of different recommendation techniques to generate initial solutions. All of the above-mentioned evolutionary algorithms (NSGA II, NSGAIII, IBEA, SPEA2, and MOEA/D) are assessed in our experiments. Real-world implicit interactions in the form of view portions are selected to conduct predictions. Tests were run on two different groups based on user behavior. Both groups are used in the parameter tuning and experimentation phase. Initial findings under various objectives show promising results considering production mode scenarios and the choice of genetic operators. We further discuss performance graphs and conclude with future work.

Les problèmes d'optimisation multi-objectifs, pour lesquels plusieurs objectifs doivent être optimisés, peuvent survenir dans de nombreux scénarios réels, par exemple lorsque l'on essaie de minimiser à la fois le coût et le temps nécessaires pour se déplacer entre deux emplacements. Au cours des dernières décennies, de nombreux algorithmes ont été proposés afin de résoudre des problèmes d'optimisation multi-objectifs. Ces algorithmes peuvent avoir des comportements très distincts et leurs performances sont souvent affectées de manière significative par l'instance du problème à résoudre, le budget temps disponible pour la résolution, ou encore la qualité de solution souhaitée. Ainsi, l'algorithme qui fonctionne le mieux dépend souvent du scénario envisagé.Cela donne lieu au problème de sélection d'algorithme, qui concerne la sélection automatique du meilleur algorithme pour un scénario donné. Dans cette thèse, nous étudions le cas de la sélection automatique du meilleur algorithme d'optimisation multi-objectifs pour résoudre une instance de problème non-rencontrée auparavant, en tenant compte du fait que le budget temps disponible et la qualité de solution souhaitée peuvent être incertains, et ne sont connus qu'à l'étape de la sélection de l'algorithme. Nous apportons plusieurs contributions dans cette voie.Dans un premier temps, nous proposons des modèles théoriques et empiriques pour caractériser la performance "anytime" d'un algorithme, c'est-à-dire comment la qualité de solution s'améliore au fil du temps, pour des instances de problème non-rencontrées auparavant. Ensuite, en considérant ces modèles, nous développons une méthodologie de sélection hors ligne afin de sélectionner le meilleur algorithme étant donné une fonction d'utilité qui décrit le budget temps et la qualité de solution souhaités. Nous proposons également une méthodologie de sélection en ligne qui peut basculer entre des stratégies de branch and bound multi-objectifs pour améliorer les performances "anytime". Enfin, nous proposons une technique de scalarisation et une stratégie de branch and bound pour l'optimisation multi-objectifs afin d'obtenir une meilleure performance "anytime" que les approches précédentes. Chaque contribution est étayée par une étude expérimentale sur un problème de sac à dos multi-objectifs, et les résultats mettent en évidence la qualité des modèles, des méthodologies de sélection et des algorithmes proposés. Multi-objective optimization problems, which consider multiple objective functions to be optimized, can arise in many real-life scenarios, e.g., when trying to minimize both the cost and the time needed for traveling between two locations. In the last few decades, several algorithms have been proposed to solve multi-objective optimization problems. These algorithms can have very distinct behaviors, and their performance is often significantly affected by the problem instance to be solved, the time budget available, or the desirable solution quality. As such, which algorithm performs best often depends on the scenario that is being considered.This gives rise to the algorithm selection problem, which is concerned with the automatic selection of the best algorithm for a given scenario. In this thesis, we investigate the case of automatically selecting the best multi-objective optimization algorithm to solve a previously unseen problem instance, taking into account that the available time budget and desirable solution quality may be uncertain, and are only known when selecting the algorithm. We make several contributions in this line.First, we propose theoretical and empirical models to characterize the anytime performance of an algorithm, i.e., how solution quality improves over time, for previously unseen problem instances. Then, considering these models, we develop an offline selection methodology to select the best algorithm for a previously unseen problem instance given a utility function that describes the desirable time budget and solution quality. We also propose an online selection methodology that can swap between multi-objective branch and bound strategies to improve anytime performance. Lastly, we propose a scalarization technique and a branch and bound search strategy for multi-objective optimization problems to achieve a better anytime performance than previous approaches. Each contribution is backed by an experimental study on a multi-objective knapsack problem, and the results highlight the quality of the proposed models, selection methodologies, and algorithms.

Récemment, les stockages thermiques de type thermocline ont été considérés comme une alternative prometteuse au stockage de la chaleur, notamment pour valoriser les chaleurs fatales. Dans un tel stockage sensible, un fluide caloporteur circule à travers un lit de solides de garnissage. Pendant la phase de charge, le fluide chaud est injecté par le haut du réservoir, transmet sa chaleur aux solides et est extrait froid par le bas. Trois zones distinctes apparaissent : deux à températures quasi-uniformes (l'une chaude et l'autre froide) séparées par une zone à fort gradient, appelée thermocline. Durant la décharge, le sens d'écoulement du fluide est inversé. Les périodes de charge et de décharge sont stoppées lorsque le fluide extrait atteint une température seuil. Ces températures de cut-off correspondent à un compromis entre la capacité énergétique du stockage et les niveaux acceptables des températures de sortie pour les procédés amont et aval. $T_{cutoff_{ch}}=T_L+x.(T_H-T_L),~ T_{cutoff_{dech}}=T_H-x.(T_H-T_L),$ où $T_H$ et $T_L$ sont les températures opérationnelles du stockage, et x le pourcentage de cut-off (0

Le secteur résidentiel représente environ 45 \% de la consommation d'énergie finale en France. Il est donc important de rendre nos bâtiments moins énergivores et plus autonomes. Une des solutions possibles est d'utiliser un système énergétique basé sur les énergies renouvelables. Cependant, le dimensionnement d'un tel système est difficile à mettre en \oe uvre, c'est pour cela que les outils de simulation et d'optimisation doivent être envisagés afin d'estimer la configuration optimale. La modélisation du système est constituée d'un bâtiment résidentiel et d'un système énergétique qui permet de répondre aux besoins de chauffage en hiver et d'eau chaude sanitaire (ECS) tout au long de l'année. Le système est capable de collecter l'énergie solaire à l'aide de ses panneaux solaires thermiques afin de la stocker soit dans un stockage de chaleur inter-saisonnier (IS) soit dans un ballon d'ECS. Le stockage IS permet de conserver l'énergie solaire pendant l'été et de la réutiliser pendant l'hiver, lorsque les besoins en chauffage sont les plus importants. Le but de cette étude est d'utiliser une méthodologie d'optimisation multicritère à ce système énergétique complexe. Cette procédure est appliquée aux variables de dimensionnement tels que les caractéristiques des capteurs solaires et des stockages de chaleur, ainsi qu'aux paramètres de régulation tels que la différence entre les températures d'entrée et de sortie des capteurs solaires et le volume de consigne. Les objectifs du problème d'optimisation sont simultanément de maximiser la fraction solaire, de minimiser le coût de l'énergie et les émissions de CO2. La méthodologie est composée d'une analyse de sensibilité pour sélectionner les paramètres influents, d'une optimisation multi-objectif pour déterminer le front de Pareto et d'une aide à la décision multicritère pour sélectionner le meilleur compromis. Les résultats montrent que les objectifs sont contradictoires et n'évoluent pas dans le même sens, ce qui permet d'identifier l'ensemble des bons compromis pour les objectifs considérés. La méthodologie d'optimisation permet d'obtenir un système énergétique rentable et autonome. Dans ces travaux, une étude de la stratification du stockage de chaleur est prise en compte afin de voir l'impact sur la solution optimale.

In this thesis, we are interested in multi-objective combinatorial optimization, and in particular in evolutionary algorithms based on decomposition. This type of approaches consists in decomposing the original multi-objective problem into multiple single-objective sub-problems that are then solved cooperatively. In this context, we consider the design and the analysis of new algorithmic components contributing to the establishment of the foundations of an optimization framework based on decomposition for multi-objective combinatorial problems known as "black box", i.e., for which the analytical form of the objective functions is not available to the solving algorithm. First of all, we investigate the key components for a better distribution of the computational efforts during the optimization process. To this end, we study the joint impact of the population size and of the number of solutions generated at each iteration, while proposing different strategies for selecting one ore multiple sub-problem(s) to be optimized at each stage. We then study different mechanisms allowing to escape from local optima. They are inspired by techniques from single-objective optimization, and we show they can significantly improve the convergence profile of the considered approaches. Finally, we consider the context of expensive optimization, where the evaluation of each solution is particularly intensive in terms of computational resources. This hence drastically restrict the budget allocated to the optimization process. As such, we investigate new components based on combinatorial meta-models, and we consider their integration within decomposition-based multi-objective evolutionary approaches.; Dans cette thèse, nous nous intéressons à l'optimisation combinatoire multi-objectif, et en particulier aux algorithmes évolutionnaires à base de décomposition. Ce type d'approches consiste à décomposer le problème multi-objectif original en plusieurs sous-problèmes mono-objectif, qui sont alors résolus de façon coopérative. Dans ce cadre, nous considérons la conception et l'analyse de nouveaux composants algorithmiques contribuant à la mise en place des fondations d'un framework d'optimisation à base de décomposition pour les problèmes combinatoires multi-objectif dits "boîte-noire", pour lesquels la forme analytique des fonctions objectif n'est pas connue de l'algorithme de résolution. Tout d'abord, nous étudions les éléments clés pour une meilleure répartition des efforts de calculs tout au long du processus d'optimisation. Pour cela, nous étudions l'impact conjoint de la taille de la population et du nombre de solutions générées par itération, tout en proposant différentes stratégies de sélection du ou des sous-problèmes à optimiser à chaque étape. Nous étudions ensuite différents mécanismes permettant de s'échapper des optima locaux. Ceux-ci s'inspirent de techniques issues de l'optimisation mono-objectif, et permettent d'améliorer considérablement le profil de convergence des approches considérées. Nous nous plaçons pour finir dans un contexte d'optimisation coûteuse, où l'évaluation de chaque solution s'avère particulièrement gourmande en temps de calcul, ce qui limite considérablement le budget alloué à l'optimisation. Pour cela, nous étudions de nouveaux composants s'appuyant sur des méta-modèles combinatoires, et nous considérons leur intégration au sein d'approches évolutionnaires multi-objectif basée sur la décomposition.

In this thesis, we are interested in multi-objective combinatorial optimization, and in particular in evolutionary algorithms based on decomposition. This type of approaches consists in decomposing the original multi-objective problem into multiple single-objective sub-problems that are then solved cooperatively. In this context, we consider the design and the analysis of new algorithmic components contributing to the establishment of the foundations of an optimization framework based on decomposition for multi-objective combinatorial problems known as "black box", i.e., for which the analytical form of the objective functions is not available to the solving algorithm. First of all, we investigate the key components for a better distribution of the computational efforts during the optimization process. To this end, we study the joint impact of the population size and of the number of solutions generated at each iteration, while proposing different strategies for selecting one ore multiple sub-problem(s) to be optimized at each stage. We then study different mechanisms allowing to escape from local optima. They are inspired by techniques from single-objective optimization, and we show they can significantly improve the convergence profile of the considered approaches. Finally, we consider the context of expensive optimization, where the evaluation of each solution is particularly intensive in terms of computational resources. This hence drastically restrict the budget allocated to the optimization process. As such, we investigate new components based on combinatorial meta-models, and we consider their integration within decomposition-based multi-objective evolutionary approaches.; Dans cette thèse, nous nous intéressons à l'optimisation combinatoire multi-objectif, et en particulier aux algorithmes évolutionnaires à base de décomposition. Ce type d'approches consiste à décomposer le problème multi-objectif original en plusieurs sous-problèmes mono-objectifs, qui sont alors résolus de façon coopérative. Dans ce cadre, nous considérons la conception et l'analyse de nouveaux composants algorithmiques contribuant à la mise en place des fondations d'un framework d'optimisation à base de décomposition pour les problèmes combinatoires multi-objectifs dits "boîte-noire", pour lesquels la forme analytique des fonctions objectif n'est pas connue de l'algorithme de résolution. Tout d'abord, nous étudions les éléments clés pour une meilleure répartition des efforts de calculs tout au long du processus d'optimisation. Pour cela, nous étudions l'impact conjoint de la taille de la population et du nombre de solutions générées par itération, tout en proposant différentes stratégies de sélection du ou des sous-problèmes à optimiser à chaque étape. Nous étudions ensuite différents mécanismes permettant de s'échapper des optima locaux. Ceux-ci s'inspirent de techniques issues de l'optimisation mono-objectif et permettent d'améliorer considérablement le profil de convergence des approches considérées. Nous nous plaçons pour finir dans un contexte d'optimisation coûteuse, où l'évaluation de chaque solution s'avère particulièrement gourmande en temps de calcul, ce qui limite considérablement le budget alloué à l'optimisation. Pour cela, nous étudions de nouveaux composants s'appuyant sur des méta-modèles combinatoires, et nous considérons leur intégration au sein d'approches évolutionnaires multi-objectifs basées sur la décomposition.

Dans cette thèse, nous nous intéressons à l'optimisation combinatoire multi-objectif, et en particulier aux algorithmes évolutionnaires à base de décomposition. Ce type d'approches consiste à décomposer le problème multi-objectif original en plusieurs sous-problèmes mono-objectifs, qui sont alors résolus de façon coopérative. Dans ce cadre, nous considérons la conception et l'analyse de nouveaux composants algorithmiques contribuant à la mise en place des fondations d'un framework d'optimisation à base de décomposition pour les problèmes combinatoires multi-objectifs dits "boîte-noire", pour lesquels la forme analytique des fonctions objectif n'est pas connue de l'algorithme de résolution. Tout d'abord, nous étudions les éléments clés pour une meilleure répartition des efforts de calculs tout au long du processus d'optimisation. Pour cela, nous étudions l'impact conjoint de la taille de la population et du nombre de solutions générées par itération, tout en proposant différentes stratégies de sélection du ou des sous-problèmes à optimiser à chaque étape. Nous étudions ensuite différents mécanismes permettant de s'échapper des optima locaux. Ceux-ci s'inspirent de techniques issues de l'optimisation mono-objectif et permettent d'améliorer considérablement le profil de convergence des approches considérées. Nous nous plaçons pour finir dans un contexte d'optimisation coûteuse, où l'évaluation de chaque solution s'avère particulièrement gourmande en temps de calcul, ce qui limite considérablement le budget alloué à l'optimisation. Pour cela, nous étudions de nouveaux composants s'appuyant sur des méta-modèles combinatoires, et nous considérons leur intégration au sein d'approches évolutionnaires multi-objectifs basées sur la décomposition. In this thesis, we are interested in multi-objective combinatorial optimization, and in particular in evolutionary algorithms based on decomposition. This type of approaches consists in decomposing the original multi-objective problem into multiple single-objective sub-problems that are then solved cooperatively. In this context, we consider the design and the analysis of new algorithmic components contributing to the establishment of the foundations of an optimization framework based on decomposition for multi-objective combinatorial problems known as "black box", i.e., for which the analytical form of the objective functions is not available to the solving algorithm. First of all, we investigate the key components for a better distribution of the computational efforts during the optimization process. To this end, we study the joint impact of the population size and of the number of solutions generated at each iteration, while proposing different strategies for selecting one ore multiple sub-problem(s) to be optimized at each stage. We then study different mechanisms allowing to escape from local optima. They are inspired by techniques from single-objective optimization, and we show they can significantly improve the convergence profile of the considered approaches. Finally, we consider the context of expensive optimization, where the evaluation of each solution is particularly intensive in terms of computational resources. This hence drastically restrict the budget allocated to the optimization process. As such, we investigate new components based on combinatorial meta-models, and we consider their integration within decomposition-based multi-objective evolutionary approaches.

L’automatisation et l’intelligence constituent des préoccupations majeures dans le domaine de l’Informatique. Avec l’évolution accrue de l’Intelligence Artificielle, les chercheurs et l’industrie se sont orientés vers l’utilisation des modèles d’apprentissage automatique et d’apprentissage profond pour optimiser les tâches, automatiser les pipelines et construire des systèmes intelligents. Les grandes capacités de l’Intelligence Artificielle ont rendu possible d’imiter et même surpasser l’intelligence humaine dans certains cas aussi bien que d’automatiser les tâches manuelles tout en augmentant la précision, la qualité et l’efficacité. En fait, l’accomplissement de tâches informatiques nécessite des connaissances, une expertise et des compétences bien spécifiques au domaine. Grâce aux puissantes capacités de l’intelligence artificielle, nous pouvons déduire ces connaissances en utilisant des techniques d’apprentissage automatique et profond appliquées à des données historiques représentant des expériences antérieures. Ceci permettra, éventuellement, d’alléger le fardeau des spécialistes logiciel et de débrider toute la puissance de l’intelligence humaine. Par conséquent, libérer les spécialistes de la corvée et des tâches ordinaires leurs permettra, certainement, de consacrer plus du temps à des activités plus précieuses. En particulier, l’Ingénierie dirigée par les modèles est un sous-domaine de l’informatique qui vise à élever le niveau d’abstraction des langages, d’automatiser la production des applications et de se concentrer davantage sur les spécificités du domaine. Ceci permet de déplacer l’effort mis sur l’implémentation vers un niveau plus élevé axé sur la conception, la prise de décision. Ainsi, ceci permet d’augmenter la qualité, l’efficacité et productivité de la création des applications. La conception des métamodèles est une tâche primordiale dans l’ingénierie dirigée par les modèles. Par conséquent, il est important de maintenir une bonne qualité des métamodèles étant donné qu’ils constituent un artéfact primaire et fondamental. Les mauvais choix de conception, ainsi que les changements conceptuels répétitifs dus à l’évolution permanente des exigences, pourraient dégrader la qualité du métamodèle. En effet, l’accumulation de mauvais choix de conception et la dégradation de la qualité pourraient entraîner des résultats négatifs sur le long terme. Ainsi, la restructuration des métamodèles est une tâche importante qui vise à améliorer et à maintenir une bonne qualité des métamodèles en termes de maintenabilité, réutilisabilité et extensibilité, etc. De plus, la tâche de restructuration des métamodèles est délicate et compliquée, notamment, lorsqu’il s’agit de grands modèles. De là, automatiser ou encore assister les architectes dans cette tâche est très bénéfique et avantageux. Par conséquent, les architectes de métamodèles pourraient se concentrer sur des tâches plus précieuses qui nécessitent de la créativité, de l’intuition et de l’intelligence humaine. Dans ce mémoire, nous proposons une cartographie des tâches qui pourraient être automatisées ou bien améliorées moyennant des techniques d’intelligence artificielle. Ensuite, nous sélectionnons la tâche de métamodélisation et nous essayons d’automatiser le processus de refactoring des métamodèles. A cet égard, nous proposons deux approches différentes: une première approche qui consiste à utiliser un algorithme génétique pour optimiser des critères de qualité et recommander des solutions de refactoring, et une seconde approche qui consiste à définir une spécification d’un métamodèle en entrée, encoder les attributs de qualité et l’absence des design smells comme un ensemble de contraintes et les satisfaire en utilisant Alloy., Automation and intelligence constitute a major preoccupation in the field of software engineering. With the great evolution of Artificial Intelligence, researchers and industry were steered to the use of Machine Learning and Deep Learning models to optimize tasks, automate pipelines, and build intelligent systems. The big capabilities of Artificial Intelligence make it possible to imitate and even outperform human intelligence in some cases as well as to automate manual tasks while rising accuracy, quality, and efficiency. In fact, accomplishing software-related tasks requires specific knowledge and skills. Thanks to the powerful capabilities of Artificial Intelligence, we could infer that expertise from historical experience using machine learning techniques. This would alleviate the burden on software specialists and allow them to focus on valuable tasks. In particular, Model-Driven Engineering is an evolving field that aims to raise the abstraction level of languages and to focus more on domain specificities. This allows shifting the effort put on the implementation and low-level programming to a higher point of view focused on design, architecture, and decision making. Thereby, this will increase the efficiency and productivity of creating applications. For its part, the design of metamodels is a substantial task in Model-Driven Engineering. Accordingly, it is important to maintain a high-level quality of metamodels because they constitute a primary and fundamental artifact. However, the bad design choices as well as the repetitive design modifications, due to the evolution of requirements, could deteriorate the quality of the metamodel. The accumulation of bad design choices and quality degradation could imply negative outcomes in the long term. Thus, refactoring metamodels is a very important task. It aims to improve and maintain good quality characteristics of metamodels such as maintainability, reusability, extendibility, etc. Moreover, the refactoring task of metamodels is complex, especially, when dealing with large designs. Therefore, automating and assisting architects in this task is advantageous since they could focus on more valuable tasks that require human intuition. In this thesis, we propose a cartography of the potential tasks that we could either automate or improve using Artificial Intelligence techniques. Then, we select the metamodeling task and we tackle the problem of metamodel refactoring. We suggest two different approaches: A first approach that consists of using a genetic algorithm to optimize set quality attributes and recommend candidate metamodel refactoring solutions. A second approach based on mathematical logic that consists of defining the specification of an input metamodel, encoding the quality attributes and the absence of smells as a set of constraints and finally satisfying these constraints using Alloy.

Dans le contexte sociétal et écologique actuel, il devient urgent de reconcevoir nos systèmes industriels de manière à ce qu’ils puissent concilier gains économiques et respect de l’environnement. C’est précisément la vocation des parcs éco-industriels (EIP) qui reposent sur le fait de rassembler différentes industries au sein d’un même site. Cette proximité permet aux industries de créer un réseau afin d’optimiser l’usage de leurs ressources, en échangeant différents flux (matières, énergies, déchets) et en mutualisant leurs équipements. Néanmoins, ce concept popularisé dans les années 1990, en plein essor dans de nombreux pays industrialisés, peine encore à se pérenniser en France. Les principaux freins limitants ce développement sont identifiés dans le premier chapitre de ces travaux de thèse, parmi lesquels : - Des avantages financiers méconnus ; - Une complexité du système industriel accrue ; - Une dépendance forte avec les autres industries du réseau ; - Une dépendance forte avec les autres industries du réseau ; - Les risques liés aux défaillances et perturbations qui se propagent à travers le réseau ; A l’heure actuelle, les EIP existants se sont principalement construits, au fur à mesure, de manière auto-évolutive et sous optimale. De plus, parmi les études scientifiques qui traitent du développement des EIP, seulement une minorité porte sur les méthodes d’optimisation. Ainsi, en apportant des outils de conception basés sur la programmation mathématique, cette thèse vise à développer une procédure de modélisation et d’optimisation multi-objectif, pour la conception d’EIP durables, en prenant en compte les freins identifiés. Pour ce faire, un modèle mathématique multi-période permettant la conception optimale du réseau d'énergies (électricité, vapeurs) d’un EIP est développé, selon une approche systémique. Ce modèle se veut générique puisqu’il peut être adapté tant à la conception initiale d'un nouvel EIP qu’à la re-conception d'un réseau existant. La formulation linéaire du modèle (MILP) permet de traiter des problèmes de grande taille. Sur un premier cas d’étude, le coût du réseau est minimisé. Sur un second, l’optimisation est multiobjectif et l’impact environnemental (quantifié par Analyse du Cycle de Vie) de la production d’électricité est également minimisé. La suite des travaux se consacre à l’élaboration de différentes procédures d’optimisation multi-objectif qui visent à lever les freins au développement des EIP précédemment identifiés. Une première procédure minimise la complexité du réseau en réduisant le nombre d’interconnexions. Les solutions obtenues privilégient quelques interconnexions de forts débits, ce qui pose la question de l’interdépendance des industries. Ainsi, dans l’étude suivante, c’est une procédure est développée de manière à minimiser cette interdépendance à l’échelle du réseau. Enfin pour garantir que les réseaux conçus selon des conditions opératoires nominales puissent faire face à des perturbations non prévues initialement, une procédure est développée pour concevoir des réseaux flexibles. L’ensemble de ces procédures sont mises au point de manière à être adaptées à résoudre des problèmes de grandes tailles

En ingénierie, la conception de systèmes complexes, tels que les lanceurs aérospatiaux, implique l'analyse et l'optimisation de problèmes présentant diverses problématiques. En effet, le concepteur doit prendre en compte différents aspects dans la conception de systèmes complexes, tels que la présence de fonctions coûteuses en temps de calcul et en boîte noire , la non-stationnarité des performances optimisées, les multiples objectifs et contraintes impliqués, le traitement de multiples sources d’information dans le cadre de la multi-fidélité, et les incertitudes épistémiques et aléatoires affectant les modèles physiques. Un large éventail de méthodes d'apprentissage automatique est utilisé pour relever ces différents défis. Dans le cadre de ces approches, les processus Gaussiens, bénéficiant de leur formulation Bayésienne et non paramétrique, sont populaires dans la littérature et divers algorithmes d'état de l'art pour la conception de systèmes complexes sont basés sur ces modèles.Les processus Gaussiens, bien qu'ils soient largement utilisés pour l'analyse et l'optimisation de systèmes complexes, présentent encore certaines limites. Pour l'optimisation de fonctions coûteuses en temps de calcul et en boite noire, les processus Gaussiens sont utilisés dans le cadre de l'optimisation Bayésienne comme modèles de régression. Cependant, pour l'optimisation de problèmes non stationnaires, les processus Gaussiens ne sont pas adaptés en raison de l'utilisation d'une fonction de covariance stationnaire. En outre, dans l'optimisation Bayésienne multi-objectif, un processus Gaussien est utilisé pour chaque objectif indépendamment des autres objectifs, ce qui empêche de prendre en considération une corrélation potentielle entre les objectifs. Une autre limitation existe dans l'analyse multi-fidélité où des modèles basés sur les processus Gaussiens sont utilisés pour améliorer les modèles haute fidélité en utilisant l'information basse fidélité, cependant, ces modèles supposent généralement que les différents espaces d'entrée de fidélité sont définis de manière identique, ce qui n'est pas le cas dans certains problèmes de conception.Dans cette thèse, des approches sont développées pour dépasser les limites des processus Gaussiens dans l'analyse et l'optimisation de systèmes complexes. Ces approches sont basées sur les processus Gaussiens profonds, la généralisation hiérarchique des processus Gaussiens.Pour gérer la non-stationnarité dans l'optimisation bayésienne, un algorithme est développé qui couple l'optimisation bayésienne avec les processus Gaussiens profonds. Les couches internes permettent une projection Bayésienne non paramétrique de l'espace d'entrée pour mieux représenter les fonctions non stationnaires. Pour l'optimisation Bayésienne multiobjectif, un modèle de processus Gaussien profond multiobjectif est développé. Chaque couche de ce modèle correspond à un objectif et les différentes couches sont reliées par des arrêtes non orientés pour coder la corrélation potentielle entre objectifs. De plus, une approche de calcul de l'expected hyper-volume improvement est proposée pour prendre également en compte cette corrélation au niveau du critère d'ajout de point. Enfin, pour aborder l'analyse multi-fidélité pour différentes définitions d'espace d'entrée, un modèle de processus gaussien profond à deux niveaux est développé. Ce modèle permet une optimisation conjointe du modèle multi-fidélité et du mapping entre les espaces d'entrée des différentes fidélités.Les différentes approches développées sont évaluées sur des problèmes analytiques ainsi que sur des problèmes de conception de véhicules aérospatiaux et comparées aux approches de l'état de l'art. In engineering, the design of complex systems, such as aerospace launch vehicles, involves the analysis and optimization of problems presenting diverse challenges. Actually, the designer has to take into account different aspects in the design of complex systems, such as the presence of black-box computationally expensive functions, the complex behavior of the optimized performance (e.g., abrupt change of a physical property here referred as non-stationarity), the multiple objectives and constraints involved, the multi-source information handling in a multi-fidelity framework, and the epistemic and aleatory uncertainties affecting the physical models. A wide range of machine learning methods are used to address these various challenges. Among these approaches, Gaussian Processes (GPs), benefiting from their Bayesian and non-parametric formulation, are popular in the literature and diverse state-of-the-art algorithms for the design of complex systems are based on these models.Despite being widely used for the analysis and optimization of complex systems, GPs, still present some limitations. For the optimization of computationally expensive functions, GPs are used within the Bayesian optimization framework as regression models. However, for the optimization of non-stationary problems, they are not suitable due to the use of a prior stationary covariance function. Furthermore, in Bayesian optimization of multiple objectives, a GP is used for each involved objective independently, which prevents the exhibition of a potential correlation between the objectives. Another limitation occurs in multi-fidelity analysis where GP-based models are used to improve high-fidelity models using low-fidelity information. However, these models usually assume that the different fidelity input spaces are identically defined, which is not the case in some design problems.In this thesis, approaches are developed to overcome the limits of GPs in the analysis and optimization of complex systems. These approaches are based on Deep Gaussian Processes (DGPs), the hierarchical generalization of Gaussian processes.To handle non-stationarity in Bayesian optimization, a framework is developed that couples Bayesian optimization with DGPs. The inner layers allow a non-parametric Bayesian mapping of the input space to better represent non-stationary functions. For multi-objective Bayesian optimization, a multi-objective DGP model is developed. Each layer of this model corresponds to an objective and the different layers are connected with undirected edges to encode the potential correlation between objectives. Moreover, a computational approach for the expected hyper-volume improvement is proposed to take into account this correlation at the infill criterion level as well. Finally, to address multi-fidelity analysis for different input space definitions, a two-level DGP model is developed. This model allows a joint optimization of the multi-fidelity model and the input space mapping between fidelities.The different approaches developed are assessed on analytical problems as well as on representative aerospace vehicle design problems with respect to state-of-the-art approaches.

Sustainability issues are increasingly influencing customer behavior and corporate strategy. Consequently, the optimization of distribution networks through horizontal collaboration is becoming a necessity. After a comprehensive review of the literature, we found that most studies proposing quantitative approaches address the operational decision level through the optimization of transport planning. Therefore, in this thesis we deal with both strategic and tactical decision levels. The first level is studied by the collaborative distribution network design problem, while the second level is studied by the cost and CO2 emission allocation problem. Furthermore, we believe that reducing all sustainability dimensions to a single objective is not desirable. In this context, we address both problems by taking into account economic, environmental and social sustainability. We have developed mathematical models to design two- and three-echelon distribution networks. In addition, the inclusion of sustainability indicators in the profit-sharing process makes it possible to reward partners who best contribute to sustainability. In this context, we have developed two approaches that use the levels of sustainability and flexibility of each partner in order to distribute the benefits of the collaboration in a fair way. Furthermore, several scenarios are compared on the basis of the proposed indicators. Regarding the resolution of the mathematical models, the single-objective optimization is carried out in an exact way and by using the genetic algorithm and the simulated annealing, while the multi-objective optimization is carried out by the ε-constraint method and the NSGA-II. The results and analyses obtained show that collaboration always provides better performance compared to non-collaboration on all sustainability levels. Several managerial decisions are presented to properly apply horizontal collaboration and further improve its sustainability performance, Les préoccupations liées au développement durable influencent de plus en plus le comportement des clients ainsi que les stratégies des entreprises. Ainsi, l'optimisation des réseaux de distribution par la collaboration horizontale devient une nécessité. Après une analyse exhaustive de la littérature, nous avons constaté que la plupart des travaux proposant des approches quantitatives abordent le niveau de décision opérationnelle par le biais de l'optimisation de la planification du transport. Par conséquent, nous traitons dans cette thèse les deux niveaux de décision : stratégique et tactique. Le premier niveau est étudié à travers le problème de conception des réseaux de distribution collaboratifs, tandis que le deuxième niveau s'intéresse au problème de répartition des coûts et des émissions de CO2. En outre, nous pensons que réduire tous les aspects de la durabilité en un seul objectif n'est pas recommandé. Dans ce contexte, nous abordons les deux problèmes en tenant compte de la durabilité économique, environnementale et sociale. Nous proposons des modèles mathématiques pour concevoir des réseaux de distribution à deux et à trois échelons. Par ailleurs, l'implication des indicateurs de durabilité lors du partage des bénéfices permet de récompenser les partenaires qui participent au mieux à la durabilité. Dans ce contexte, nous avons développé deux approches qui utilisent les niveaux de durabilité et de flexibilité de chaque partenaire dans le but de répartir d'une manière équitable les bénéfices de la collaboration. D'autre part, plusieurs scénarios sont comparés sur la base des indicateurs proposés. Au niveau de la résolution des modèles mathématiques, l'optimisation mono-objectif est effectuée d'une façon exacte et en utilisant l'algorithme génétique et le recuit simulé, tandis que l'optimisation multi-objectif est réalisée par la méthode ε-contrainte et le NSGA-II. Les résultats et les analyses obtenus montrent que la collaboration offre toujours une meilleure performance par rapport à la non-collaboration sur tous les niveaux de durabilité. Plusieurs décisions managériales sont présentées pour appliquer correctement la collaboration horizontale et améliorer davantage sa performance en termes de durabilité

Mémoire dustage àEDF Lab Paris-Saclay, conjointement avec leLaboratoire des Signaux et Systèmes (L2S) à CentraleSupélec.

Supply chain structures are becoming increasingly complex, particularly as a result of globalization and decentralization. Several inhibitors accentuate the decentralized nature and prevent the improvement of the performance of decentralized channels. This thesis work is interested in a collaborative forecasting approach which aims to improve the performance of decentralized channels. This approach addresses the non-sharing of demand information in a serial supply chain and shows that an inference of this demand is possible under certain conditions. This inference brings the performance of a decentralized chain closer to that of a centralized chain. A relaxation of the hypothesis of non-sharing of information further increases the operational performance of the decentralized system. This research enriches the notion of supply chain performance by demonstrating that the operational performance of decentralized chains can be considerably increased thanks to a source of collaborative forecasting improvement., Les structures des chaînes d’approvisionnement connaissent de plus en plus une complexité croissante, notamment sous l'effet de la mondialisation et des manœuvres de décentralisation. Plusieurs inhibiteurs accentuent le caractère décentralisé et empêchent l’amélioration des performances des chaînes décentralisées. Ce travail de thèse s’intéresse à une approche de prévision collaborative qui a pour objectif l’amélioration des performances des chaînes décentralisés. Cette approche traite le non-partage de l’information de la demande dans une chaîne d’approvisionnement en série et montre qu’une inférence de cette demande est possible sous certaines conditions. Cette inférence permet de rapprocher les performances d’une chaîne décentralisée à celles d’une chaîne centralisée. Une relaxation de l’hypothèse du non-partage d’informations, permet encore d’augmenter les performances opérationnelles du système décentralisé. Cette recherche enrichit la notion de performance des chaînes d’approvisionnement en démontrant que la performance opérationnelle des chaînes décentralisées peut être considérablement augmentée grâce à une source d’amélioration collaborative de prévision.

Constant growth of urban population and property pressure tend to speed up real properties renewal. In building and civil engineering, buildings deconstruction is increasing. It produces 39.2 million tons of waste per year in France. However, only 45 % of waste are recovered. The European and French objective of 70 % recovery rate is not reached. In order to improve deconstruction waste management, this thesis studied two subjects. The first subject was for a better environmental assessment of a deconstruction strategy. To resolve this issue, we propose a double approach, with greenhouse gases (GHG) emission and life cycle analysis (LCA). It is relevant to consider waste management and deconstruction works together, because of their complementarity, whereas other existing tools often study only one of these two sides. The second subject was for deconstruction strategies optimization with operational (cost and delays) and environmental (recovery rate and impacts by GHG emissions or LCA) objectives. A Multi-Objective Optimization model is suggested with a metaheuristic resolution. The model application on study cases showed the model capacity to offer strategies that are well balanced between the objectives and that can be directly applied.; L’augmentation constante de la population urbaine et la pression foncière conduisent à un renouvellement accéléré des biens immobiliers. Parmi les travaux de génie civil, la déconstruction de bâtiments ne cesse de croître. De telles activités génèrent chaque année environ 39,2 millions de tonnes de déchets en France. Or les chiffres les plus récents attestent que seulement 45 % de ces déchets sont valorisés en matière, loin de l’objectif des 70 % portés par les lois européennes et françaises. Dans l’objectif d’améliorer la gestion des déchets, cette thèse s’est portée sur deux thèmes. Le premier thème porte sur une meilleure évaluation environnementale d’une stratégie de déconstruction. Pour répondre à cet enjeu, une double approche a été proposée, se basant sur le bilan de Gaz à Effet de Serre (GES) et sur l’Analyse de cycle de vie (ACV). Dans ce travail, en raison de leur interdépendance, la gestion des déchets et l’acte en lui-même de la déconstruction sont considérés conjointement, alors que la plupart des outils existants séparent ces deux aspects. Le deuxième thème consiste en l’optimisation des stratégies de déconstruction en tenant compte des objectifs opérationnels (coût et délais) et environnementaux (taux de valorisation matière et impacts via émissions de GES ou ACV). Un modèle d’optimisation multi-objectif a été proposé, permettant une résolution par une métaheuristique adaptée. L’application du modèle sur plusieurs cas d’études a démontré la capacité du modèle à offrir des stratégies qui concilient efficacement les différents objectifs et qui sont applicables directement sur le chantier de déconstruction.

Real-world problems involve several different criteria to take into account. For instance, a route may be associated with multiple features such as its cost, its ecological footprint, its duration, or its length. Resulting mathematical problems are addressed by multi-objective optimization. In general, there is no feasible solution able to maximize or minimize all objectives. Thus, decision makers want to examine the trade-off between the objectives in order to select the most suitable solution for them. Solving a multi-objective optimization problem consists of finding a set of points in the objective space, called non dominated points. No point in the objective space is better than a point of this set for all objectives. Few exact methods exist in literature to solve NP-hard multi- objective combinatorial problems, especially those with a NP-hard mono-objective variant. This thesis works on exact methods for such multi-objective problems, and the class of bi-objective vehicle routing problems is used as reference. The manuscript presents a column generation based-approach which aims to efficiently enumerate the set of non dominated points of the problems. We seek the best way to explore the objective space, and we propose different acceleration techniques based on structural properties. To show its generic aspect, the approach is applied to several bi-objective variants of the vehicle routing problem : the vehicle routing problem with time windows, the covering tour problem and the team-orienteering problem with time windows. Extensive computational experiments highlight the efficiency of the proposed method., De nombreux problèmes réels comportent plusieurs critères à considérer simultanément. À titre d’exemple, un trajet peut se caractériser par son coût, son impact écologique, son temps de parcours ou encore sa longueur. Les problèmes mathématiques résultants relèvent de l’optimisation multi-objectif. En général, il n’existe pas de solution réalisable optimisant tous les objectifs. Ainsi, les décideurs veulent analyser le compromis entre tous les objectifs pour pouvoir choisir la solution la plus adéquate. Par conséquent, résoudre un problème multi-objectif consiste à trouver un sous-ensemble de points, dits non dominés, dans l’espace des objectifs. Ces points sont associés à des solutions réalisables pour lesquelles il n’est pas possible d’améliorer un objectif sans en détériorer un autre. Peu de méthodes exactes existent dans la littérature pour traiter les problèmes combinatoires multi-objectif NP-difficiles, en particulier ceux dont la variante mono-objectif est déjà NP-difficile. Cette thèse s’inscrit dans l’étude des méthodes exactes pour de tels problèmes multi-objectif et utilise la classe des problèmes de tournées de véhicules bi-objectif comme référence. Les travaux se concentrent sur une approche basée sur la génération de colonnes et qui vise à énumérer efficacement l’ensemble des points non dominés de ces problèmes. Nous proposons notamment d’analyser diverses techniques d’exploration de l’espace des objectifs et de les améliorer grâce à des propriétés structurelles. Afin d’en démontrer la généricité, l’approche est appliquée à plusieurs variantes bi-objectif des problèmes de tournées de véhicules : le problème de tournées de véhicules avec fenêtre de temps, le problème de tournées couvrantes et le problème de course d’orientation par équipes avec fenêtre de temps. Les multiples tests numériques soulignent l’efficacité de la méthode proposée.

National audience; Real-world problems involve several different criteria to take into account. For instance, a route may be associated with multiple features such as its cost, its ecological footprint, its duration, or its length. Resulting mathematical problems are addressed by multi-objective optimization. In general, there is no feasible solution able to maximize or minimize all objectives. Thus, decision makers want to examine the trade-off between the objectives in order to select the most suitable solution for them. Solving a multi-objective optimization problem consists of finding a set of points in the objective space, called non dominated points. No point in the objective space is better than a point of this set for all objectives. Fewexact methods exist in literature to solve NP-hard multi-objective combinatorial problems, especially those with a NP-hard mono-objective variant.This thesis works on exact methods for such multi-objective problems, and the class of bi-objective vehicle routing problems is used as reference. The manuscript presents a column generation based-approach which aims to efficiently enumerate the set of non dominated points of the problems. We seek the best way to explore the objective space, and we propose different acceleration techniques based on structural properties. To show its generic aspect, the approach is applied to several bi-objective variants of the vehicle routing problem : the vehicle routing problem with time windows, the covering tour problem and the team-orienteering problem with time windows. Extensive computational experiments highlight the efficiency of the proposed method.; De nombreux problèmes réels comportent plusieurs critères à considérer simultanément.À titre d’exemple, un trajet peut se caractériser par son coût, son impact écologique, son temps de parcours ou encore sa longueur. Les problèmes mathématiques résultants relèvent de l’optimisation multi-objectif. En général, il n’existe pas de solution réalisable optimisant tous les objectifs. Ainsi, les décideurs veulent analyser le compromis entre tous les objectifs pour pouvoir choisir la solution la plus adéquate. Par conséquent, résoudre un problème multi-objectif consiste à trouver un sous-ensemble de points, dits non dominés, dans l’espace des objectifs. Ces points sont associés à des solutions réalisables pour lesquelles il n’est pas possible d’améliorer un objectif sans en détériorer un autre. Peu de méthodes exactes existent dans la littérature pour traiter les problèmes combinatoires multi-objectif NPdifficiles, en particulier ceux dont la variante mono-objectif est déjà NP-difficile.Cette thèse s’inscrit dans l’étude des méthodes exactes pour de tels problèmes multi-objectif et utilise la classe des problèmes de tournées de véhicules bi-objectif comme référence. Les travaux se concentrent sur une approche basée sur la génération de colonnes et qui vise à énumérer efficacement l’ensemble des points non dominés de ces problèmes.Nous proposons notamment d’analyser diverses techniques d’exploration de l’espace des objectifs et de les améliorer grâce à des propriétés structurelles. Afin d’en démontrer la généricité, l’approche est appliquée à plusieurs variantes bi-objectif des problèmes de tournées de véhicules : le problème de tournées de véhicules avec fenêtre de temps, le problème de tournées couvrantes (Covering Tour Problem) et le problème de course d’orientation par équipes avec fenêtre de temps (Team-Orienteering Problem with Time Windows). Les multiples tests numériques soulignent l’efficacité de la méthode proposée.

This thesis focuses on the simultaneous optimization of expensive-to-evaluate functions that depend on a high number of parameters. This situation is frequently encountered in fields such as design engineering through numerical simulation. Bayesian optimization relying on surrogate models (Gaussian Processes) is particularly adapted to this context.The first part of this thesis is devoted to the development of new surrogate-assisted multi-objective optimization methods. To improve the attainment of Pareto optimal solutions, an infill criterion is tailored to direct the search towards a user-desired region of the objective space or, in its absence, towards the Pareto front center introduced in our work. Besides targeting a well-chosen part of the Pareto front, the method also considers the optimization budget in order to provide an as wide as possible range of optimal solutions in the limit of the available resources.Next, inspired by shape optimization problems, an optimization method with dimension reduction is proposed to tackle the curse of dimensionality. The approach hinges on the construction of hierarchized problem-related auxiliary variables that can describe all candidates globally, through a principal component analysis of potential solutions. Few of these variables suffice to approach any solution, and the most influential ones are selected and prioritized inside an additive Gaussian Process. This variable categorization is then further exploited in the Bayesian optimization algorithm which operates in reduced dimension., Dans cette thèse, nous nous intéressons à l'optimisation simultanée de fonctions coûteuses à évaluer et dépendant d'un grand nombre de paramètres. Cette situation est rencontrée dans de nombreux domaines tels que la conception de systèmes en ingénierie au moyen de simulations numériques. L'optimisation bayésienne, reposant sur des méta-modèles (processus gaussiens) est particulièrement adaptée à ce contexte.La première partie de cette thèse est consacrée au développement de nouvelles méthodes d'optimisation multi-objectif assistées par méta-modèles. Afin d'améliorer le temps d'atteinte de solutions Pareto optimales, un critère d'acquisition est adapté pour diriger l'algorithme vers une région de l'espace des objectifs plébiscitée par l'utilisateur ou, en son absence, le centre du front de Pareto introduit dans nos travaux. Outre le ciblage, la méthode prend en compte le budget d'optimisation, afin de restituer un éventail de solutions optimales aussi large que possible, dans la limite des ressources disponibles.Dans un second temps, inspirée par l'optimisation de forme, une approche d'optimisation avec réduction de dimension est proposée pour contrer le fléau de la dimension. Elle repose sur la construction, par analyse en composantes principales de solutions candidates, de variables auxiliaires adaptées au problème, hiérarchisées et plus à même de décrire les candidats globalement. Peu d'entre elles suffisent à approcher les solutions, et les plus influentes sont sélectionnées et priorisées au sein d'un processus gaussien additif. Cette structuration des variables est ensuite exploitée dans l'algorithme d'optimisation bayésienne qui opère en dimension réduite.

This thesis deals with the tuning of the new Advanced Driving Assistance Systems (ADAS). The development of these systems has become nowadays a strategic line of research for the automotive industry towards the conception of safer and fuel-efficient vehicles.This thesis contributes to a multi-criterion, multi-modeland multi-scenario methodological vision of the tuning process. It is presented through a specific application of the tuning of the Lane Centering Assistance (LCA). It relies on vehicle and environment’s dynamical models of adequate complexity in the aim of formalizing and managing, in a H2/H∞ framework, the trade-off between performance, comfort and robustness. The formulated criteria are easy to compute and defined in a way to be understandable, closely linked to practical specifications. The whole methodology is driven by the research of a pertinent trade-off between realism (being as closest as possible to reality) and complexity (quick evaluation of the criterion). The efficiency and the robustness of the approach is demonstrated through high-fidelity simulations and numerous tests on real vehicles.; Cette thèse est dédiée à la pré-calibration des nouveaux systèmes d’aides à la conduite (ADAS). Le développement de ces systèmes est devenu aujourd’hui un axe de recherche stratégique pour les constructeurs automobiles dans le but de proposer des véhicules plus sûrs et moins énergivores. Cette thèse contribue à une vision méthodologique multi-critère, multi-modèle et multi-scénario. Elle en propose une instanciation particulière pour la pré-calibration spécifique au Lane Centering Assistance (LCA). Elle s’appuie sur des modèles dynamiques de complexité juste nécessaire du véhicule et de son environnement pour, dans le cadre du formalisme H2/H∞, formaliser et arbitrer les compromis entre performance de suivi de voie, confort des passagers et robustesse. Les critères élaborés sont définis de manière à être d’interprétation aisée, car directement liés à la physique, et facilement calculables. Ils s’appuient sur des modèles de perturbations exogènes (e.g. courbure de la route ou rafale de vent) et de véhicules multiples mais représentatifs, de manière à réduire autant que possible le pessimisme tout en embrassant l’ensemble des situations réalistes. Des simulations et des essais sur véhicules démontrent l’intérêt de l’approche.

Today, many production systems are managed in "pull" control system and used "card-based" methods such as: Kanban, ConWIP, COBACABANA, etc. Despite their simplicity and efficiency, these methods are not suitable when production is not stable and customer demand varies. In such cases, the production systems must therefore adapt the “tightness” of their production flow throughout the manufacturing process. To do this, we must determine how to dynamically adjust the number of cards (or e-card) depending on the context. Unfortunately, these decisions are complex and difficult to make in real time. In addition, in some cases, changing too often the number of kanban cards can disrupt production and cause a nervousness problem. The opportunities offered by Industry 4.0 can be exploited to define smart flow control strategies to dynamically adapt this number of kanban cards.In this thesis, we propose, firstly, an adaptive approach based on simulation and multi-objective optimization technique, able to take into account the problem of nervousness and to decide autonomously (or to help managers) when and where adding or removing Kanban cards. Then, we propose a new adaptive and intelligent approach based on a neural network whose learning is first realized offline using a twin digital model (simulation) and exploited by a multi-objective optimization method. Then, the neural network could be able to decide in real time, when and at which manufacturing stage it is relevant to change the number of kanban cards. Comparisons made with the best methods published in the literature show better results with less frequent changes.; De nos jours, de nombreux systèmes de production sont gérés en flux « tirés » et utilisent des méthodes basées sur des « cartes », comme : Kanban, ConWIP, COBACABANA, etc. Malgré leur simplicité et leur efficacité, ces méthodes ne sont pas adaptées lorsque la production n’est pas stable et que la demande du client varie. Dans de tels cas, les systèmes de production doivent donc adapter la tension de leur flux tout au long du processus de fabrication. Pour ce faire, il faut déterminer comment ajuster dynamiquement le nombre de cartes (ou de ‘e-card’) en fonction du contexte. Malheureusement, ces décisions sont complexes et difficiles à prendre en temps réel. De plus, dans certains cas, changer trop souvent le nombre de cartes kanban peut perturber la production et engendrer un problème de nervosité. Les opportunités offertes par l’industrie 4.0 peuvent être exploitées pour définir des stratégies intelligentes de pilotage de flux permettant d’adapter dynamiquement ce nombre de cartes kanban.Dans cette thèse, nous proposons, dans un premier temps, une approche adaptative basée sur la simulation et l'optimisation multi-objectif, capable de prendre en considération le problème de la nervosité et de décider de manière autonome (ou d'aider les gestionnaires) quand et où ajouter ou retirer des cartes Kanban. Dans un deuxième temps, nous proposons une nouvelle approche adaptative et intelligente basée sur un réseau de neurones dont l’apprentissage est d’abord réalisé hors ligne à l’aide d’un modèle numérique jumeau (simulation), exploité par une optimisation multi-objectif. Après l’apprentissage, le réseau de neurones permet de décider en temps réel, quand et à quelle étape de fabrication il est pertinent de changer le nombre de cartes kanban. Des comparaisons faites avec les meilleures méthodes publiées dans la littérature montrent de meilleurs résultats avec des changements moins fréquents.

In the last few years, Content Providers (CPs) have experienced a high increase in requests for video contents and rich media services. In view of the network scaling limitations and beyond Content Delivery Networks (CDNs), Internet Service Providers (ISPs) are developing their own caching systems in order to improve the network performance. These factors explain the enthusiasm around the Content-Centric Networking (CCN) concept and its in-network caching feature. The analytical quantification of caching performance is, however, not sufficiently explored in the literature. Moreover, setting up an efficient caching system within a network infrastructure is very complex and remains an open problem. To address these issues, we provide first in this thesis a fairly generic and accurate model of caching nodes named MACS (Markov chain-based Approximation of Caching Systems) that can be adapted very easily to represent different caching schemes and which can be used to compute different performance metrics of multi-cache networks. We tackled after that the problem of cache resources allocation in cache-enabled networks. By means of our analytical tool MACS, we present an approach that solves the trade-off between different performance metrics using multi-objective optimization and we propose an adaptation of the metaheuristic GRASP to solve the optimization problem.; Au cours des dernières années, les fournisseurs de contenu ont connu une forte augmentation des demandes de contenus vidéo et de services riches en média. Compte tenu des limites de la mise à l'échelle du réseau et au-delà des réseaux de diffusion de contenu, les fournisseurs de services Internet développent leurs propres systèmes de mise en cache afin d'améliorer la performance du réseau. Ces facteurs expliquent l'enthousiasme à l'égard du concept de réseau centré sur le contenu et de sa fonction de mise en cache en réseau. La quantification analytique de la performance de la mise en cache n'est toutefois pas suffisamment explorée dans la littérature. De plus, la mise en place d'un système de caching efficace au sein d'une infrastructure réseau est très complexe et demeure une problématique ouverte. Pour traiter ces questions, nous présentons d'abord dans cette thèse un modèle générique et précis de cache nommé MACS (Markov chain-based Approximation of Caching Systems) qui peut être adapté très facilement pour représenter différents schémas de mise en cache et qui peut être utilisé pour calculer différentes mesures de performance des réseaux multi-cache. Nous avons ensuite abordé le problème de l'allocation des ressources de cache dans les réseaux avec capacité de caching. Moyennant notre outil analytique MACS, nous présentons une approche permettant de résoudre le compromis entre différentes mesures de performance en utilisant l'optimisation multi-objectif et nous proposons une adaptation de la métaheuristique GRASP pour résoudre le problème d'optimisation.

This thesis presents research developed towards adaptable and effective optimization of controllers for humanoid robots’ locomotion. It addresses this goal by combining features of humanoid locomotion and the impact of different environments in its dynamics, along with mathematical optimization and statistical analysis techniques. Controllers for the locomotion of bipedal robots often face challenges regarding their optimization towards different objectives and different environments. We propose an architecture that uses the information gathered in an optimization/exploration phase to adapt to a terrain with partially unknown characteristics. In the exploration phase virtual simulations are used to optimize the parameters of the controller in different terrains. The results of these optimizations are used to identify the unknown terrain characteristics, and these values are used to select the best parameters for this particular environment. The approach was tested in the simulations of an iCub robot on terrains with variable friction, and of the DARwIn-OP robot in ramps with varying slopes. This work brings contributions to the problem of choosing the values for the open parameters of biped locomotion controllers in various situations. Specific issues that are covered relate to: 1) establishing an optimization framework that can be applied to any controller with open parameters, and which results in both safe and well performing behaviors; 2) finding locomotion behaviors that are effective in multiple and distinct environments; 3) adapting the locomotion to environments with varying characteristics, modeled in previous optimizations.; Cette thèse présente des recherches développées pour une optimisation adaptative et efficace des contrôleurs de locomotion des robots humanoı̈des. Elle répond à cet objectif en combinant les caractéristiques de la locomotion humanoı̈de et l’impact de différents environnements dans sa dynamique, ainsi que des techniques d’optimisation mathématique et d’analyse statistique. Les contrôleurs pour la locomotion des robots bipèdes font souvent face à des défis concernant leur optimisation vers différents objectifs et environnements. Nous proposons une architecture qui utilise les informations recueillies dans une phase d’optimisation / exploration pour s’adapter à un terrain avec des caractéristiques inconnues. Dans la phase d’exploration virtuelle des simulations sont utilisées pour optimiser les paramètres du contrôleur dans différents terrains. Les résultats de ces optimisations servent à identifier les caractéristiques inconnues du terrain et, en conséquence, à sélectionner les meilleurs valeurs des paramètres du contrôleur pour cet environnement. L’approche a été testée dans les simulations d’un robot iCub sur terrains avec un frottement variable, et du robot DARwIn-OP dans des terrains avec des pentes différentes. Ce travail s’intéresse donc au problème du choix des valeurs des paramètres des contrôleurs de locomotion bipède dans diverses situations. Les contributions apportées consistent à : 1) établir un cadre d’optimisation qui peut être appliqué à n’importe quel contrôleur avec des paramètres ouverts, et qui se traduit par des comportements à la fois sécurisés et performants ; 2) trouver des comportements de locomotion efficaces dans des environnements multiples et distincts ; 3) adapter la locomotion à des environnements aux caractéristiques variables, modélisés dans optimisations précédentes.

This thesis presents research developed towards adaptable and effective optimization of controllers for humanoid robots’ locomotion. It addresses this goal by combining features of humanoid locomotion and the impact of different environments in its dynamics, along with mathematical optimization and statistical analysis techniques. Controllers for the locomotion of bipedal robots often face challenges regarding their optimization towards different objectives and different environments. We propose an architecture that uses the information gathered in an optimization/exploration phase to adapt to a terrain with partially unknown characteristics. In the exploration phase virtual simulations are used to optimize the parameters of the controller in different terrains. The results of these optimizations are used to identify the unknown terrain characteristics, and these values are used to select the best parameters for this particular environment. The approach was tested in the simulations of an iCub robot on terrains with variable friction, and of the DARwIn-OP robot in ramps with varying slopes. This work brings contributions to the problem of choosing the values for the open parameters of biped locomotion controllers in various situations. Specific issues that are covered relate to: 1) establishing an optimization framework that can be applied to any controller with open parameters, and which results in both safe and well performing behaviors; 2) finding locomotion behaviors that are effective in multiple and distinct environments; 3) adapting the locomotion to environments with varying characteristics, modeled in previous optimizations.; Cette thèse présente des recherches développées pour une optimisation adaptative et efficace des contrôleurs de locomotion des robots humanoı̈des. Elle répond à cet objectif en combinant les caractéristiques de la locomotion humanoı̈de et l’impact de différents environnements dans sa dynamique, ainsi que des techniques d’optimisation mathématique et d’analyse statistique. Les contrôleurs pour la locomotion des robots bipèdes font souvent face à desdéfis concernant leur optimisation vers différents objectifs et environnements. Nous proposons une architecture qui utilise les informations recueillies dans une phase d’optimisation / exploration pour s’adapter à un terrain avec des caractéristiques inconnues. Dans la phase d’exploration virtuelle des simulations sont utilisées pour optimiser les paramètres du contrôleur dans différents terrains. Les résultats de ces optimisations servent à identifier les caractéristiques inconnues du terrain et, en conséquence, à sélectionner les meilleurs valeurs des paramètres du contrôleur pour cet environnement. L’approche a été testée dans les simulations d’un robot iCub sur terrains avec un frottement variable, et du robot DARwIn-OP dans des terrains avec des pentes différentes. Ce travail s’intéresse donc au problème du choix des valeurs des paramètres des contrôleurs de locomotion bipède dans diverses situations. Les contributions apportées consistent à : 1) établir un cadre d’optimisation qui peut être appliqué à n’importe quel contrôleur avec des paramètres ouverts, et qui se traduit par des comportements à la fois sécurisés et performants ; 2) trouver des comportements de locomotion efficaces dans des environnements multiples et distincts ; 3) adapter la locomotion à des environnements aux caractéristiques variables, modélisés dans optimisations précédentes.

Les produits logiciels sont, en général, évolués en introduisant des changements continus. Les tâches d’évolution et de maintenance sont fastidieuses et longues. Évidemment, il y a un besoin pour trouver de meilleures façons de faire évoluer les systèmes de logiciels. De la même manière que le code source, la conception est amenée à évoluer au fil du temps, en raison des changements des exigences et des contraintes techniques. Dans le développement dirigée par les modèles, l’évolution des métamodèles peut briser les relations avec les artefacts dépendants tels que les modèles, les règles de transformation et les contraintes OCL. Alors que plusieurs études de coévolution sont proposées, la plupart d’entre elles fournissent un support manuel ou semi-automatisé baser sur des modèles prédéfinis de scénarios d’évolution. En plus d’être prédéfinis, ces modèles sont spécifiques à l’artefact à coévoluer avec le métamodèle. L’objectif principal de notre recherche est de proposer un cadre de recherche générique qui automatise la dérivation de stratégies de coévolution sans utiliser de modèles prédéfinis pour des changements de métamodèles ou des types d’artefacts spécifiques. Pour qu’un artefact coévolue, le but est de produire une nouvelle version conforme à la nouvelle version du métamodèle. À cette fin, nous considérons la coévolution comme un problème d’optimisation multi-objectif. La recherche des solutions est guidée par trois objectifs, qui visent à minimiser la violation de la structure du métamodèle révisé, le nombre de modifications appliquées à l’artefact initial et la perte d’informations. Ensuite, le cadre recommande un sous-ensemble approprié de solutions de coévolution, avec la possibilité d’intégrer l’utilisateur dans la boucle pour fournir des commentaires et mettre à jour les modifications recommandées. Nous avons validé notre cadre générique en utilisant trois cas de coévolution de métamodèles, des modèles, des règles de transformation et des contraintes OCL, sur des ensembles de données réelles. Les résultats de l’évaluation montrent que notre approche est efficace en termes d’exactitude, et d’utilité par rapport aux approches de coévolution les plus récentes., Successful software products are evolved by introducing continuous changes at different levels. Thus, software industry is actively recruiting software engineers, not to create new software systems, but to evolve and maintain existing ones. Such evolution and maintenance tasks are tedious and time consuming. Thus, there is an urgent need to find better ways to evolve software systems and consequently, improve developers’ productivity. Like the source code, the design is subject to evolution due to changing requirements and technological constraints. Model-Driven Software Evolution is concerned with the changes related to the design of software systems, from initial development to maintenance. In model driven development, the evolution of metamodels may break the relationships to dependent artifacts like models, transformation rules and OCL constraints. While several coevolution studies are proposed, most of them are providing either a manual or semi-automated support based on pre-defined templates of evolution scenarios. In addition to be pre-defined, these templates are specific to the artifact to co-evolve with the metamodel. The main objective of our research is to propose a generic search-based framework for the automated recommendation of coevolution strategies without using pre-defined templates for specific metamodel changes or artifact types. For an artifact to co-evolve, the goal is to produce a new version that conforms to the new version of the metamodel. To this end, we view the co-evolution as a multi-objective optimization problem, and guide the search for solutions by three objectives, which aims at minimizing the violation of the structure of the revised metamodel, the number of changes applied to the initial artifact, and the loss of information. Then, the framework is able to recommend an appropriate subset of co-evolution solutions, with the possibility of integrating the user in the loop to provide feedback and update the recommended changes. We validated our generic framework using three metamodel co-evolution cases, models, transformation rules, and OCL constraints, on sets of real-world data. The evaluation results show that our approach is effective in terms of correctness and usefulness as compared to the state-of-the-art co-evolution approaches.

International audience; Dans un système de production, le processus de fabrication d’un produit est décomposé en tâches élémentaires, effectuées sur des stations de travail. La décision de la répartition de ces tâches sur les stations est un problème central de la conception des systèmes de production, puisqu’il détermine les caractéristiques de notre système de production, telles que le takt time(c’est-à-dire la cadence de la production), le nombre de stations (contribuant largement au coût), les conditions de travail des opérateurs... Les problèmes d’équilibrage de ligne d’assemblage consistent à déterminer cette répartition des tâches sur les stations, tout en respectant les contraintes de précédences entre les tâches. Parmi les nombreuses variantes des problèmes d’équilibrage de ligne [2], une des plus étudiée est le Simple Assembly Line Balancing Problem(SALBP) [6]. Ce problème considère une variante simple du problème d’équilibrage de ligne, dans lequel un seul type de produit est considéré, avec des temps opératoires pour chaque tâche déterministes et indépendants de la station sur laquelle les tâches sont effectuées. Les méthodes de résolution développées pour ce problème ont souvent servi de base pour des variantes plus complexes du problème d’équilibrage. Le SALBP est un problème NP-difficile [6]. Trois versions classiques du problème se retrouvent dans la littérature, différant par l’objectif optimisé :— SALBP-1 : minimise le nombre de stations, le takt time étant donné— SALBP-2 : minimise le takt time, le nombre de stations étant fixé— SALBP-E : minimise le produit du nombre de stations et du takt time.Les méthodes de résolutions exactes développées pour le résoudre sont généralement des algorithmes de branch-and-bound ou de programmation dynamique.

This work outlines the optimization of unproductive loading/unloading movements, called shiftings, in transport problems. in the first context, we introduce the shifting in the case of the traveling salesman problem. our goal is to find a hamiltonian circuit that optimizes both distance and shifting costs. we propose a mathematical modeling of the problem, and then we adapt the ant colony optimization metaheuristic in its sequential and parallel form to solve it. in the second context, we address the 3d container stowage planning problem of barges. this problem consists in finding the most suitable location of each container in the barge in order to facilitate its retrieval in the chronology of ports to be visited. firstly, we introduce a mathematical modeling of the problem in the case of a single barge where different ports are of non-uniform operational costs. the main objective is to optimize the total shiftings fees, the longitudinal stability of the barge and the transverse one. then, we generalize our problem to the case of barge convoy systems. we first propose a suitable mathematical modeling, in which, we consider the multi-objective aspect by optimizing the total number of shiftings, the convoy stability and the number of the real-used barges in the convoy. in order to solve this new variant, we propose a novel adaptation of the multi-objective evolutionary algorithm nsga-ii (non-dominated sorting genetic algorithm-ii) based on a set of heuristics introduced by the bin-packing problem resolution methods. the numerical results are evaluated using performance measures adapted to theproblem.; Dans ce mémoire, nous nous intéressons à l’optimisation des mouvements improductifs de chargement/déchargement, appelés shiftings, dans les problèmes de transport. Dans le premier contexte,nous introduisons le problème de shifting dans le cas du voyageur de commerce. Notre objectif est de chercher un circuit hamiltonien qui optimise à la fois le coût distance et le coût shifting. Nous proposons une modélisation mathématique du problème, puis, nous adaptons la métaheuristique d’optimisation par colonies de fourmis sous sa forme séquentielle et parallèle pour le résoudre. Dans le deuxième contexte, nous abordons le problème d’optimisation des plans de chargement et d’arrimage des conteneurs dans des barges. Ce problème consiste à chercher l’emplacement le plus convenable de chaque conteneur dans les barges de façon à faciliter son déchargement dans la chronologie des ports à visiter. D'abord, nous introduisons une modélisation mathématique du problème dans le cas d’une seule barge ou différents ports du trajet ont des coûts shiftings non-uniformes. L’objectif est d’optimiser le coût total de shiftings, la stabilitélongitudinale de la barge et celle transversale. Ensuite, nous généralisons le problème au cas d’un système de convoi de barges. Nous proposons, d’abord, un modèle mathématique en nombres entiers, dans lequel, nous considérons l’aspect multi-objectif en optimisant le nombre de shiftings, la stabilité du convoi et le nombre de barges utilisées dans le convoi. Puis, nous adaptons la méthode nsga-II en se basant sur les heuristiques du problème de bin-packing.L'ensemble des résultats obtenus est évalué en utilisant des mesures de performances adaptées au problème.

This thesis presents research developed towards adaptable and effective optimization of controllers for humanoid robots’ locomotion. It addresses this goal by combining features of humanoid locomotion and the impact of different environments in its dynamics, along with mathematical optimization and statistical analysis techniques. Controllers for the locomotion of bipedal robots often face challenges regarding their optimization towards different objectives and different environments. We propose an architecture that uses the information gathered in an optimization/exploration phase to adapt to a terrain with partially unknown characteristics. In the exploration phase virtual simulations are used to optimize the parameters of the controller in different terrains. The results of these optimizations are used to identify the unknown terrain characteristics, and these values are used to select the best parameters for this particular environment. The approach was tested in the simulations of an iCub robot on terrains with variable friction, and of the DARwIn-OP robot in ramps with varying slopes. This work brings contributions to the problem of choosing the values for the open parameters of biped locomotion controllers in various situations. Specific issues that are covered relate to: 1) establishing an optimization framework that can be applied to any controller with open parameters, and which results in both safe and well performing behaviors; 2) finding locomotion behaviors that are effective in multiple and distinct environments; 3) adapting the locomotion to environments with varying characteristics, modeled in previous optimizations., Cette thèse présente des recherches développées pour une optimisation adaptative et efficace des contrôleurs de locomotion des robots humanoı̈des. Elle répond à cet objectif en combinant les caractéristiques de la locomotion humanoı̈de et l’impact de différents environnements dans sa dynamique, ainsi que des techniques d’optimisation mathématique et d’analyse statistique. Les contrôleurs pour la locomotion des robots bipèdes font souvent face à desdéfis concernant leur optimisation vers différents objectifs et environnements. Nous proposons une architecture qui utilise les informations recueillies dans une phase d’optimisation / exploration pour s’adapter à un terrain avec des caractéristiques inconnues. Dans la phase d’exploration virtuelle des simulations sont utilisées pour optimiser les paramètres du contrôleur dans différents terrains. Les résultats de ces optimisations servent à identifier les caractéristiques inconnues du terrain et, en conséquence, à sélectionner les meilleurs valeurs des paramètres du contrôleur pour cet environnement. L’approche a été testée dans les simulations d’un robot iCub sur terrains avec un frottement variable, et du robot DARwIn-OP dans des terrains avec des pentes différentes. Ce travail s’intéresse donc au problème du choix des valeurs des paramètres des contrôleurs de locomotion bipède dans diverses situations. Les contributions apportées consistent à : 1) établir un cadre d’optimisation qui peut être appliqué à n’importe quel contrôleur avec des paramètres ouverts, et qui se traduit par des comportements à la fois sécurisés et performants ; 2) trouver des comportements de locomotion efficaces dans des environnements multiples et distincts ; 3) adapter la locomotion à des environnements aux caractéristiques variables, modélisés dans optimisations précédentes.

In this thesis, we propose new algorithms and tools to predict RNA and RNA complex secondary structures, including particular RNA motifs, difficult to predict, like pseudoknots. RNA structure prediction stays a difficult task, and the numerous existing tools don't always give good predictions. In order to predict structures that are as close as possible to the real ones, we propose to develop algorithms that:i) predict the k-best structures;ii) combine several models of prediction to take advantage of each;iii) are able to take into account user constraints and structural data like SHAPE.We developed three tools: BiokoP for predicting RNA secondary structures and RCPred and C-RCPred for predicting RNA complex secondary structures. The tool BiokoP proposes several optimal and sub-optimal structures thanks to the combination of two prediction models, the energy model MFE and the probabilistic model MEA. This combination is done with multi-objective mathematical programming, where each model is associated to an objective function.To this end, we developed a generic algorithm returning the k-best Pareto curves of a bi-objective integer linear program. The tool RCPred, based on the MFE model, proposes several sub-optimal structures. It takes advantage of the numerous existing tools for RNA secondary structure prediction and for RNA-RNA interaction prediction, by taking as input predicted secondary structures and RNA-RNA interactions. The goal of RCPred is to find the best combination among these inputs. The tool C-RCPred is a new version of RCPred, taking into account user constraints and structural data (SHAPE, PARS, DMS). C-RCPred is based on a multi-objective algorithm, where the different objectives are the MFE model, the fulfillment of the user constraints and the concordance with the structural data., Dans cette thèse, nous proposons de nouveaux algorithmes et outils pour la prédiction de structures secondaires d'ARN et de complexes d'ARN, incluant des motifs particuliers, difficiles à prédire, comme les pseudonoeuds. La prédiction de structures d'ARN reste une tâche difficile, et les outils existants, pourtant nombreux, ne donnent pas toujours de bonnes prédictions. Afin de prédire plus précisément ces structures, nous proposons ici des algorithmes qui :i) prédisent les k-meilleures structures;ii) combinent plusieurs modèles de prédiction, afin de bénéficier des avantages de chacun;iii) sont capables de prendre en compte des contraintes utilisateurs et des données biologiques structurales telles que le SHAPE.Nous avons développé trois outils: BiokoP pour la prédiction de structures secondaires d'un ARN, et RCPred et C-RCPred pour la prédiction de structures secondaires de complexes d'ARN. L'outil BiokoP propose plusieurs structures optimales et sous-optimales grâce à la combinaison de deux modèles de prédiction, le modèle énergétique MFE et le modèle probabiliste MEA. Cette combinaison est réalisée grâce à la programmation mathématique multi-objectif, où chaque modèle est assimilé à une fonction objectif. A cet effet, nous avons développé un algorithme générique retournant les k-meilleures courbes de Pareto d'un programme linéaire en nombres entiers bi-objectif. L'outil RCPred, basé sur le modèle MFE, propose plusieurs structures sous-optimales. Il tire parti des nombreux outils existants pour la prédiction de structures secondaires d'ARN seuls et d'interactions ARN-ARN, en prenant en compte des structures secondaires et interactions déjà prédites en entrée. L'objectif de RCPred est de trouver les meilleures combinaisons possibles parmi ces entrées. L'outil C-RCPred est une nouvelle version de RCPred, prenant en compte des contraintes utilisateurs et des données biologiques structurales (SHAPE, PARS et DMS). C-RCPred est basé sur un algorithme multi-objectif, où les différents objectifs correspondent au modèle MFE, au respect des contraintes utilisateurs et à l'accord avec les données biologiques structurales.

Because of the importance of multimodal transport for goods importation and exportation from Morocco to international customers, our goals are modeling and solving multimodal freight transportation problems by more focusing on some issues confronted by our country. After presenting the required mathematical background on robust and multiobjective optimization and surveying the literature works on multimodal transport problems, its variants and solution approaches; and instead of testing them only on traditional benchmarks; we dealt with new variants and methods. A multi-objective mathematical model is proposed to optimize the multimodal transport of agricultural products from Morocco to Europe. To solve this model adapted to a real network, two multiobjective version algorithms are presented in order to optimize simultaneously the total transportation cost and the over-time.Given the complexity of the global logistics chain by various operations and several stakeholders, the data of the problem may sometimes be ignored or uncompleted. That’s why we have developed a mathematical model for multimodal terminal location problem by integrating uncertainties of the transportation costs, the capacities and the using costs of terminals. A population based simulated annealing and a hybrid method combining an exact and a metaheuristic approaches are proposed to effectively solving the problem. The test is then performed on a real intermodal network. These contributions are concluded by remarks and highlights about the impact of perishability and robustness on flows, location strategies of ports, the choice of paths and transportation modes.; Ce travail porte sur la modélisation et la résolution de problèmes d’optimisation robuste et multi-objectifs du transport multimodal. Après une synthèse des travaux de la littérature et des concepts de base de l’optimisation robuste et l’optimisation multi-objectif, nous proposons un nouveau modèle d’optimisation multi-objectif du transport multimodal des produits agricoles marocains vers des clients européens. L’objectif est de déterminer la meilleure stratégie d’exportation qui minimise simultanément le coût total de transport multimodal et l’overtime maximal en prenant en considération des contraintes réalistes. Nous proposons également des nouvelles approches de résolution avec une application sur un réseau de transport multimodal réel.Nous avons étudié une autre problématique du transport multimodal avec localisation de terminaux intermodaux. Outre la version déterministe, une optimisation robuste qui tient compte des incertitudes sur les capacités, les coûts d’utilisation et les coûts de transport. Deux approches hybrides ont été proposées pour la résolution du problème.Dans ces contributions, des modèles et des méthodes sont présentés, des remarques et des interprétations sont tirées à propos de l’impact de la périssabilité des produits et de la robustesse sur les flux, le choix des ports, des trajets et des modes de transport.

District heating networks (DHN) arean efficient way of providing thermal energy to consumers. Current state of the art shows that DHNs are developing towards smart thermal networks in integrated energy systems while their design is based upon the principles of sustainability. Based on that, this thesis covers two main research areas: Operation and design of district heating systems. In part A of this thesis, advanced methods for DHN operation are developed with the help of exergetic and thermoeconomic analysis. This includes the formulation of exergetic cost balances for graph-based network models. Intrinsic part is the deployment of an algebraic matrix, which determines the exergetic costs for dynamic system modeling. A case study of areal-existing network provides evidence that the proposed methodology offers new insights into individual allocation of costs which helps to assess the feasibility of third-party integration and the integration of distributed energy sources. In part B of this thesis, a new indicator called “load deviation index (LDI)” is proposed to link demand side measures (DSM) with the sustainable design of DHN systems. For that, abusiness-focused design frameworks proposed which takes the critical influences of DHN into account while avoiding a too high detail. DSM behavior is analyzed from a system perspective and its impact on DHN design is studied in two case studies. While one focuses on benchmarks for different design options using a multi-criteria sustainability metric, another gives detailed insights into the usefulness of the proposed framework for design purposes through assessing the impact of DSM on possible design improvements using a multi-objective optimization approach.; Les réseaux de chauffage urbain (DHN) sont un moyen efficace de fournir de l'énergie thermique aux consommateurs. L'état actuel de la technique montre que les DHN évoluent vers des réseaux thermiques intelligents dans des systèmes énergétiques intégrés alors que leur conception est basée sur les principes de durabilité. Sur cette base, cette thèse couvre deux domaines de recherche principaux : Fonctionnement et conception des systèmes de chauffage urbain. Dans la partie A de cette thèse, des méthodes avancées pour le fonctionnement de la DHN sont développées à l'aide d'analyses exergétiques et thermoéconomiques. Cela inclut la formulation de bilans de coûts exergétiques pour les modèles de réseau basés sur des graphiques. La partie intrinsèque est le déploiement d'une matrice algébrique, qui détermine les coûts exergétiques pour la modélisation dynamique du système. Une étude de cas d'un réseau réel prouve que la méthodologie proposée offre de nouvelles perspectives sur l'allocation individuelle des coûts, ce qui aide à évaluer la faisabilité de l'intégration par des tiers et l'intégration des sources d'énergie distribuées. Dans la partie B de cette thèse, un nouvel indicateur appelé «load deviation index (LDI)» est proposé pour lier les mesures de la demande (DSM) à la conception durable des systèmes DHN. Pour cela, un cadre de conception axé sur les affaires est proposé, qui prend en compte les influences critiques dans le DHN tout en évitant un trop grand détail. Le comportement du DSM est analysé du point de vue du système et son impact sur la conception du DHN est étudié dans deux études de cas. Alors que l'un se concentre sur les benchmarks pour différentes options de conception en utilisant une métrique de durabilité multicritères, un autre donne des indications détaillées sur l'utilité du cadre proposé pour la conception en évaluant l'impact de DSM sur les améliorations de conception possibles.

The objective of this thesis is the development of multi-objective optimization methods for solving mechanical design problems. Indeed, most of the real problems in the field of mechanical structures have several objectives that are often antagonistic. For example, it is about designing structures by optimizing their weight, their size, and their production costs. The goal of multi-objective optimization methods is the search for compromise solutions between objectives given the impossibility to satisfy all simultaneously. Metaheuristics are optimization methods capable of solving multi-objective optimization problems in a reasonable calculation time without guaranteeing the optimality of the solution (s). In recent years, these algorithms have been successfully applied to solve the problem of structural mechanics. In this thesis, two metaheuristics have been developed for the resolution of multi-objective optimization problems in general and of mechanical structures design in particular. The first algorithm called MOBSA used the crossover and mutation operators of the BSA algorithm. The second one named NNIA+X is a hybridization of an immune algorithm and three crossover inspired by the original crossover operator of the BSA algorithm. To evaluate the effectiveness and efficiency of these two algorithms, tests on some problems in literature have been made with a comparison with algorithms well known in the field of multi-objective optimization. The comparison results using metrics widely used in the literature have shown that our two algorithms can compete with their predecessors.; L’objectif de cette thèse est le développement de méthodes d’optimisation multi-objectif pour la résolution de problèmes de conception des structures mécaniques. En effet, la plupart des problèmes réels dans le domaine de la mécanique des structures ont plusieurs objectifs qui sont souvent antagonistes. Il s’agit, par exemple, de concevoir des structures en optimisant leurs poids, leurs tailles, et leurs coûts de production. Le but des méthodes d’optimisation multi-objectif est la recherche des solutions de compromis entre les objectifs étant donné l’impossibilité de satisfaire tout simultanément. Les métaheuristiques sont des méthodes d’optimisation capables de résoudre les problèmes d’optimisation multi-objective en un temps de calcul raisonnable sans garantie de l’optimalité de (s) solution (s). Au cours des dernières années, ces algorithmes ont été appliqués avec succès pour résoudre le problème des mécaniques des structures. Dans cette thèse deux métaheuristiques ont été développées pour la résolution des problèmes d’optimisation multi-objectif en général et de conception de structures mécaniques en particulier. Le premier algorithme baptisé MOBSA utilise les opérateurs de croisement et de mutation de l’algorithme BSA. Le deuxième algorithme nommé NNIA+X est une hybridation d’un algorithme immunitaire et de trois croisements inspirés de l’opérateur de croisement original de l’algorithme BSA. Pour évaluer l’efficacité et l’efficience de ces deux algorithmes, des tests sur quelques problèmes dans littérature ont été réalisés avec une comparaison avec des algorithmes bien connus dans le domaine de l’optimisation multi-objectif. Les résultats de comparaison en utilisant des métriques très utilisées dans la littérature ont démontré que ces deux algorithmes peuvent concurrencer leurs prédécesseurs.

International audience; Cet article présente l'optimisation technico-économique d'une génératrice synchrone pentaphasée à aimants déposés et à FEM non sinusoïdale associée à un redresseur MLI. Afin de traiter l'interaction machine-convertisseur tout en garantissant le respect des contraintes technico-économiques, nous proposons une méthodologie d'optimisation multi-objectif du coût d'investissement et de l'énergie extraite par l'ensemble de la chaîne de conversion pour une durée d'exploitation de 20 ans avec prise en compte des probabilités d'apparition de vitesse des courants marins.

Cette thèse est consacrée à l’étude de deux problèmes complémentaires, soit la fusion de segmentation d’images et l’interprétation sémantique d’images. En effet, dans un premier temps, nous proposons un ensemble d’outils algorithmiques permettant d’améliorer le résultat final de l’opération de la fusion. La segmentation d’images est une étape de prétraitement fréquente visant à simplifier la représentation d’une image par un ensemble de régions significatives et spatialement cohérentes (également connu sous le nom de « segments » ou « superpixels ») possédant des attributs similaires (tels que des parties cohérentes des objets ou de l’arrière-plan). À cette fin, nous proposons une nouvelle méthode de fusion de segmentation au sens du critère de l’Erreur de la Cohérence Globale (GCE), une métrique de perception intéressante qui considère la nature multi-échelle de toute segmentation de l’image en évaluant dans quelle mesure une carte de segmentation peut constituer un raffinement d’une autre segmentation. Dans un deuxième temps, nous présentons deux nouvelles approches pour la fusion des segmentations au sens de plusieurs critères en nous basant sur un concept très important de l’optimisation combinatoire, soit l’optimisation multi-objectif. En effet, cette méthode de résolution qui cherche à optimiser plusieurs objectifs concurremment a rencontré un vif succès dans divers domaines. Dans un troisième temps, afin de mieux comprendre automatiquement les différentes classes d’une image segmentée, nous proposons une approche nouvelle et robuste basée sur un modèle à base d’énergie qui permet d’inférer les classes les plus probables en utilisant un ensemble de segmentations proches (au sens d’un certain critère) issues d’une base d’apprentissage (avec des classes pré-interprétées) et une série de termes (d’énergie) de vraisemblance sémantique., This thesis is dedicated to study two complementary problems, namely the fusion of image segmentation and the semantic interpretation of images. Indeed, at first we propose a set of algorithmic tools to improve the final result of the operation of the fusion. Image segmentation is a common preprocessing step which aims to simplify the image representation into significant and spatially coherent regions (also known as segments or super-pixels) with similar attributes (such as coherent parts of objects or the background). To this end, we propose a new fusion method of segmentation in the sense of the Global consistency error (GCE) criterion. GCE is an interesting metric of perception that takes into account the multiscale nature of any segmentations of the image while measuring the extent to which one segmentation map can be viewed as a refinement of another segmentation. Secondly, we present two new approaches for merging multiple segmentations within the framework of multiple criteria based on a very important concept of combinatorial optimization ; the multi-objective optimization. Indeed, this method of resolution which aims to optimize several objectives concurrently has met with great success in many other fields. Thirdly, to better and automatically understand the various classes of a segmented image we propose an original and reliable approach based on an energy-based model which allows us to deduce the most likely classes by using a set of identically partitioned segmentations (in the sense of a certain criterion) extracted from a learning database (with pre-interpreted classes) and a set of semantic likelihood (energy) terms

In this work, we present a novel framework to perform multi-objective optimization when considering expensive objective functions computed with tunable fidelity. This case is typical in many engineering optimization problems, for example with simulators relying on Monte Carlo or on iterative solvers. The objectives can only be estimated, with an accuracy depending on the computational resources allocated by the user. We propose here a heuristic for allocating the resources efficiently to recover an accurate Pareto front at low computational cost. The approach is independent from the choice of the optimizer and overall very flexible for the user.The framework is based on the concept of Bounding-Box, where the estimation error can be regarded with the abstraction of an interval (in one-dimensional problems) or a product of intervals (in multi-dimensional problems) around the estimated value, naturally allowing the computation of an approximated Pareto front. This approach is then supplemented by the construction of a surrogate model on the estimated objective values. We first study the convergence of the approximated Pareto Front toward the true continuous one under some hypotheses. Secondly, a numerical algorithm is proposed and tested on several numerical test-cases.; Dans ce travail, nous présentons un nouveau cadre pour la résolution de problèmes d'optimisation multi-objectif en considérant que le calcul de ces objectifs peut se faire avec une fidélité adaptable, et que la haute fidélité est extrêmement coûteuse. Ce genre de problème est souvent rencontré en ingénierie, avec des fonctions objectifs reposant sur des calculs Monte Carlo ou des solveurs itératifs. Ces objectifs ne peuvent être qu'estimés, avec une précision dépendant fortement des ressources allouées par l'utilisateur. Nous proposons ici une heuristique permettant d'allouer efficacement les ressources de calculafin d'obtenir une front de Pareto précis à moindre coût de calcul. Cette approche ne dépend pas du choix de l'algorithme d'optimisation et laisse une grande flexibilité à l'utilisateur.La strategie proposée est basée sur le concept de Boîtes conservatives, où l'erreur d'estimation est représentée par un intervalle (pour les problèmes mono-objectif) ou un produit d'intervalles (pour les problèmes multi-objectif) autour de la valeur estimée. Cela permet naturellement la création d'un front de Pareto approximé. Cette approche est de plus couplée à la construction d'un modèle de substitution sur les objectifs différents objectifs.La convergence du front de Pareto approximé vers le front réel est d'abord étudiée sous quelques hypothèses. Un algorithme est ensuite proposé et testé sur plusieurs cas-tests numériques.

International audience; Ce travail porte sur l’optimisation de l’efficacité et de la perte de charge totale d’un échangeur à plaques par variation de la forme d’une ailette. Une approche multiéchelle est proposée, liant une modélisation numérique de l’ailette à une méthode NUT. La méthode d’optimisation repose sur un algorithme génétique (NSGA-II) et un métamodèle (krigeage). Le métamodèle est construit itérativement à partir des maxima de variance et d’amélioration attendue. Une agrégation des résultats obtenus le long du front de Pareto met en évidence un nombre fini de formes optimales.

Critical infrastructures (CIs) provide essential goods and service for modern society. Their safety and reliability are primary concerns. The complexity of CIs calls for approaches of system analysis capable of viewing the problem from multiple perspectives. The focus of the present thesis is on the integration of the control perspective into the safety and reliability analysis of CIs. The integration is first approached by investigating the control properties of a small network system, i.e., an electric power microgrid. A simulation-based scheme is developed for the analysis from different perspectives: supply service, controllability and topology. An optimization-based model predictive control framework is proposed to analyze the microgrid under various failure scenarios. Then, a multi-perspective framework is developed to analyze CIs with respect to supply service, controllability and topology. This framework enables identifying the role of the CI elements and quantifying the consequences of scenarios of multiple failures, with respect to the different perspectives considered. To demonstrate the analysis framework, a benchmark network representative of a real gas transmission network across several countries of the European Union (EU) is considered as case study. At last, a multi-objective optimization framework is proposed for complex CIs design: design of network topology and allocation of link capacities are performed in an optimal way to minimize the non-supplied demand and the structural complexity of the system, while at the same time to maximize the system controllability. Investigation on the multiple objectives considered is performed to retrieve useful insights for system design. The findings of this thesis demonstrate the importance of developing frameworks of analysis of CIs that allow considering different perspectives relevant for CIs design, operation and protection., Les infrastructures critiques (CIs) sont essentielles au fonctionnement de la société moderne. Leur sécurité et leur fiabilité sont les principales préoccupations. La complexité des CIs exige des approches d'analyse de système capables de voir le problème de plusieurs points de vue. La présente thèse porte sur l'intégration de la perspective de contrôle dans l'analyse de sécurité et de fiabilité des éléments de configuration. L'intégration est d'abord abordée par examiner les propriétés de contrôle d'un microgrid d'alimentation électrique. Un schéma basé sur la simulation est développé pour l'analyse sous différentes perspectives : le service d'approvisionnement, la contrôlabilité et la topologie. Un cadre basé sur la commande prédictive (MPC) est proposé pour analyser le microrgrid dans divers scenarios de défaillance. Ensuite, un cadre multi-perspectif est développé pour analyser les CIs considérant le service d'approvisionnement, la contrôlabilité et la topologie. Ce cadre permet d'identifier le rôle des éléments de CIs et de quantifier les conséquences de scénarios de défaillances, par rapport aux différents perspectives considérées. Afin de présenter le cadre d'analyse, un réseau de transport de gaz réel à travers plusieurs pays de l'Union européenne est considéré comme une étude de cas. En fin, un cadre d'optimisation a trois objectifs est proposé pour la conception de CI : la topologie du réseau et l'allocation des capacités de liaison sont optimisées minimisant la demande non fournie et la complexité structurelle du système, et en même temps maximisant la contrôlabilité du système. Une investigation approfondie sur les multiples objectifs considérés est effectuée pour tirer des informations utiles pour la conception du système. Les résultats de cette thèse démontrent l'importance de développer du cadre d'analyse des CIs considérant de plusieurs perspectives pertinentes pour la conception, l'opération et la protection des CIs.

In this work, we study optimal strategies of wastewater reuse for refilling a large hydric reservoir (such as lake, pond, lagoon…) which shows an alarming volume reduction due to the human water intake. To grasp the multiple issues to ascertain the appropriate location for the reused water discharge, computational modelling is particularly adapted for testing different conditions (physical, meteorological) and optimizing the system to achieve targets (maximum allowable concentration of pollutant for drinking water and recreational uses). We focus on modelling the distribution of a generic pollutant in the reservoir, which is expected to vary with time and space. The model assumes that the reservoir volume stays constant (because the flow rates at the refilling and removal points are considered to be quasi-identical), the density of the pollutant is smaller than that of the reservoir water (so that the pollutant remains at the top level of the water column) and its dynamics is influenced by two main effects: wind and water currents. The model accounts for the reservoir geometry, the operating conditions of the transfer pipes (input and output) and real data regarding chronicles of wind velocity and river flow. Then, we tackle a multi-optimization problem which aims to find optimal refilling locations which reduce the pollutant concentration at two strategic regions of the reservoir. A Pareto front is presented as a decision-tool to choose the optimal strategy according to different water quality criteria. The methodology has been applied in the case of Jaunay Lake, a water reservoir located on the French western coast., Dans ce travail, nous étudions des stratégies optimales de réutilisation d’eaux usées pour le remplissage d’un grand réservoir d’eau (lac, étang, lagune…), qui montre une réduction de volume alarmante due à la consommation humaine. Afin d’appréhender les multiples difficultés pour déterminer l'emplacement approprié du point de rejet, la modélisation computationnelle est particulièrement adaptée pour tester différentes conditions (physiques, météorologiques) et optimiser le système pour atteindre des cibles (concentration maximale du polluant pour de l'eau potable et des activités récréatives). Nous nous concentrons sur la modélisation de la distribution d'un polluant générique dans le réservoir qui varie en temps et en espace. Le modèle suppose que le volume du réservoir reste constant (en considérant que les débits aux points du rejet et de la prise d’eau sont quasiment identiques). La densité du polluant est supposée inférieure à celle de l'eau (donc le polluant reste à la surface de la colonne d’eau) et sa dynamique est influencée par deux effets principaux: les courants d’eau et le vent. Le modèle tient compte de la géométrie du réservoir, des conditions du pompage (en entrée et en sortie) et des données réelles concernant les chroniques du vent et du débit de la rivière. Ensuite, nous abordons un problème d’optimisation multi-objectifs qui vise à trouver des emplacements optimaux de recharge qui réduisent la concentration du polluant dans deux régions stratégiques du réservoir. Un front de Pareto est présenté comme un outil de décision qui permet de choisir la stratégie optimale en fonction des différents critères sur la qualité de l'eau. La méthodologie a été appliquée dans le cas du Lac de Jaunay, un réservoir d'eau situé sur la côte ouest française.

The research of this thesis focuses on the application of the Operations Research (OR)methodology to design new optimization algorithms to enable low cost and efficient embeddedvision systems, or more generally devices for multimedia applications such as signal and imageprocessing.The design of embedded vision systems faces the “Memory Wall” challenge regarding thehigh latency of memories holding big image data. For the case of non-linear image accesses, onesolution has been proposed by Mancini et al. (Proc. DATE 2012) in the form of a software tool,called Memory Management Optimization (MMOpt), that creates an ad-hoc memory hierarchiesfor such a treatment. It creates a circuit called a Tile Processing Unit (TPU) that containsthe circuit for the treatment. In this context, we address the optimization challenge set by theefficient operation of the circuits produced by MMOpt to enhance the 3 main electronic designcharacteristics. They correspond to the energy consumption, performance and size/productioncost of the circuit.This electronic problem is formalized as a 3-objective scheduling problem, which is called3-objective Process Scheduling and Data Prefetching Problem (3-PSDPP), reflecting the 3 mainelectronic design characteristics under consideration. To the best of our knowledge, this problemhas not been studied before in the OR literature. A review of the state of the art, including theprevious work proposed by Mancini et al. (Proc.DATE, 2012) as well as a brief overview onrelated problems found in the OR literature, is then made. In addition, the complexity of someof the mono-objective sub-problems of 3-PSDPP problem is established. Several resolutionapproaches, including exact methods (ILP) and polynomial constructive heuristics, are thenproposed. Finally, the performance of these methods is compared, on benchmarks available inthe literature, as well as those provided by Mancini et al. (Proc.DATE, 2012), against the onecurrently in use in the MMOpt tool.The results show that our algorithms perform well in terms of computational efficiency andsolution quality. They present a promising track to optimize the performance of the TPUs producedby MMOpt. However, since the user’s needs of the MMOpt tool are contradictory, such aslow cost, low energy and high performance, it is difficult to find a unique and optimal solutionto optimize simultaneously the three criteria under consideration. A set of good compromisesolutions between these three criteria was provided. The MMOpt’s user can then choose thebest compromise solution he wants or needs., Les recherches de cette thèse portent sur la mise en oeuvre des méthodes de la rechercheopérationnelle (RO) pour la conception de circuits numériques dans le domaine du traitementdu signal et de l’image, plus spécifiquement pour des applications multimédia et de visionembarquée.Face à la problématique de “Memory Wall”, les concepteurs de systèmes de vision embarquée,Mancini et al. (Proc.DATE, 2012), ont proposé un générateur de hiérarchies mémoiresad-hoc dénommé Memory Management Optimization (MMOpt). Cet atelier de conception estdestiné aux traitements non-linéaires afin d’optimiser la gestion des accès mémoires de cestraitements. Dans le cadre de l’outil MMOpt, nous abordons la problématique d’optimisationliée au fonctionnement efficace des circuits de traitement d’image générés par MMOpt visantl’amélioration des enjeux de performance (contrainte temps-réel), de consommation d’énergieet de coût de production (contrainte d’encombrement).Ce problème électronique a été modélisé comme un problème d’ordonnancement multiobjectif,appelé 3-objective Process Scheduling and Data Prefetching Problem (3-PSDPP), reflétantles 3 principaux enjeux électroniques considérés. À notre connaissance, ce problème n’apas été étudié avant dans la littérature de RO. Une revue de l’état de l’art sur les principaux travauxliés à cette thèse, y compris les travaux antérieurs proposés par Mancini et al. (Proc.DATE,2012) ainsi qu’un bref aperçu sur des problèmes voisins trouvés dans la littérature de RO,a ensuite été faite. En outre, la complexité de certaines variantes mono-objectif du problèmed’origine 3-PSDPP a été établie. Des approches de résolution, y compris les méthodes exactes(PLNE) et les heuristiques constructives, sont alors proposées. Enfin, la performance de cesméthodes a été comparée par rapport à l’algorithme actuellement utilisé dans l’outil MMOpt,sur des benchmarks disponibles dans la littérature ainsi que ceux fournis par Mancini et al.(Proc.DATE, 2012).Les solutions obtenues sont de très bonne qualité et présentent une piste prometteuse pouroptimiser les performances des hiérarchies mémoires produites par MMOpt. En revanche, vuque les besoins de l’utilisateur de l’outil sont contradictoires, il est impossible de parler d’unesolution unique en optimisant simultanément les trois critères considérés. Un ensemble debonnes solutions de compromis entre ces trois critères a été fourni. L’utilisateur de l’outilMMOpt peut alors décider de la solution qui lui est la mieux adaptée.

The objective of this thesis is the development of multi-objective optimization methods for solving mechanical design problems. Indeed, most of the real problems in the field of mechanical structures have several objectives that are often antagonistic. For example, it is about designing structures by optimizing their weight, their size, and their production costs. The goal of multi-objective optimization methods is the search for compromise solutions between objectives given the impossibility to satisfy all simultaneously. Metaheuristics are optimization methods capable of solving multi-objective optimization problems in a reasonable calculation time without guaranteeing the optimality of the solution (s). In recent years, these algorithms have been successfully applied to solve the problem of structural mechanics. In this thesis, two metaheuristics have been developed for the resolution of multi-objective optimization problems in general and of mechanical structures design in particular. The first algorithm called MOBSA used the crossover and mutation operators of the BSA algorithm. The second one named NNIA+X is a hybridization of an immune algorithm and three crossover inspired by the original crossover operator of the BSA algorithm. To evaluate the effectiveness and efficiency of these two algorithms, tests on some problems in literature have been made with a comparison with algorithms well known in the field of multi-objective optimization. The comparison results using metrics widely used in the literature have shown that our two algorithms can compete with their predecessors., L’objectif de cette thèse est le développement de méthodes d’optimisation multi-objectif pour la résolution de problèmes de conception des structures mécaniques. En effet, la plupart des problèmes réels dans le domaine de la mécanique des structures ont plusieurs objectifs qui sont souvent antagonistes. Il s’agit, par exemple, de concevoir des structures en optimisant leurs poids, leurs tailles, et leurs coûts de production. Le but des méthodes d’optimisation multi-objectif est la recherche des solutions de compromis entre les objectifs étant donné l’impossibilité de satisfaire tout simultanément. Les métaheuristiques sont des méthodes d’optimisation capables de résoudre les problèmes d’optimisation multi-objective en un temps de calcul raisonnable sans garantie de l’optimalité de (s) solution (s). Au cours des dernières années, ces algorithmes ont été appliqués avec succès pour résoudre le problème des mécaniques des structures. Dans cette thèse deux métaheuristiques ont été développées pour la résolution des problèmes d’optimisation multi-objectif en général et de conception de structures mécaniques en particulier. Le premier algorithme baptisé MOBSA utilise les opérateurs de croisement et de mutation de l’algorithme BSA. Le deuxième algorithme nommé NNIA+X est une hybridation d’un algorithme immunitaire et de trois croisements inspirés de l’opérateur de croisement original de l’algorithme BSA. Pour évaluer l’efficacité et l’efficience de ces deux algorithmes, des tests sur quelques problèmes dans littérature ont été réalisés avec une comparaison avec des algorithmes bien connus dans le domaine de l’optimisation multi-objectif. Les résultats de comparaison en utilisant des métriques très utilisées dans la littérature ont démontré que ces deux algorithmes peuvent concurrencer leurs prédécesseurs.