Shahin Gelareh, Maître de conférences à l’université d’Artois, présentera ses travaux de recherche au laboratoire le vendredi 29 mars à 10h en salle C005.
Abstract: The primary objective of this presentation is to share our experiences and illustrate how two distinct classes of machine learning algorithms can be seamlessly integrated into decomposition frameworks to expedite the solution process’s convergence. We exemplify this through the truck dock assignment and scheduling problem, an operational issue that requires frequent resolution throughout the day whenever the existing plan is disrupted by unforeseen events. The operational nature of this problem is crucial as the data distribution remains relatively stable over a considerable period, facilitating the accumulation of ample training data without issues caused by distribution shifts. Our focus is predominantly on two exact methods: Cut-and-Benders and Dantzig-Wolfe. However, given enough time, we also demonstrate that the same trained deep learning model can assist in constructing feasible solutions and can be incorporated into a reinforcement learning model to function as a very efficient heuristic.
Résumé : L’objectif principal de cette présentation est de partager nos expériences et d’illustrer comment deux classes distinctes d’algorithmes d’apprentissage automatique peuvent être intégrées dans des cadres de décomposition pour accélérer la convergence du processus de résolution. Nous exemplifions ceci à travers le problème d’attribution et de planification de quais pour camions, un problème opérationnel nécessitant une résolution fréquente au cours de la journée, chaque fois que le plan existant est interrompu par des événements imprévus. La nature opérationnelle de ce problème est essentielle car la distribution des données reste relativement stable sur une période considérable, facilitant ainsi l’accumulation d’une quantité suffisante de données d’entraînement sans les problèmes causés par les changements de distribution. Notre attention se porte principalement sur deux méthodes exactes : Cut-and-Benders et Dantzig-Wolfe. Cependant, si le temps nous permet, nous démontrons également que le même modèle d’apprentissage profond entraîné peut aider à construire des solutions réalisables et peut être intégré dans un modèle d’apprentissage par renforcement pour fonctionner comme une heuristique très efficace.
