– Proposal and implementation of decomposition algorithms of the column generation type for problems related to machine learning
– Use of machine learning methods and high performance computing to boost the proposed decomposition algorithms
– Strong algorithmic and programming skills (especially on efficiency issues of algorithms and programs)
– Proficiency in a programming language (C++, Julia, Python, etc.)Niveau de français requis: Avancé: Vous pouvez parler la langue de manière plus complexe, spontanée et sur des sujets variés.Niveau d’anglais requis: Avancé: Vous pouvez parler la langue de manière plus complexe, spontanée et sur des sujets variés.

L’utilisation de techniques d’apprentissage automatique pour améliorer les performances d’algorithmes et heuristiques pour l’optimisation combinatoire se propage de plus en plus. Parmi les méthodes pour résoudre les problèmes combinatoires, les algorithmes utilisant la génération de colonnes ont fait leur preuve sur de nombreux problèmes notamment les problèmes de tournées de véhicules. Par rapport à d’autres méthodes, notamment les méta-heuristiques, on relève moins d’études portant sur l’amélioration des algorithmes utilisant la génération de colonnes par l’apprentissage automatique. Pourtant, leur nature itérative et reposant sur des structures liées à la programmation linéaire ouvre la voie à de nombreuses possibilités. L’objectif de cette thèse est de proposer des méthodes d’apprentissage automatique pour améliorer les algorithmes de génération de colonnes. Les méthodes proposées seront appliquées à des problèmes rencontrés en apprentissage automatique et en optimisation combinatoire. L’utilisation du calcul haute- performance sera également envisagée pour permettre la résolution de problèmes de grandes tailles.

Projet sur financement ANR

Co-encadrement Université de Lorraine (LORIA et LCOMS)
Collaboration avec l’Université de Luxembourg dans le cadre d’un projet ANR/FNR
Déroulement sur le campus de Metz, laboratoires LCOMS et LORIA

– contrat doctoral ANR
– budget projet ANR

– publications
– conférences
– séminaires

Université de Luxembourg

L. Accorsi, A. Lodi, and D. Vigo. “Guidelines for the Computational Testing of Machine Learning Approaches to Vehicle Routing Problems”. In: Operations Research Letters 50 (2022), pp. 229–234.