Français Anglais
Accueil Annuaire Plan du site
Accueil > Production scientifique > Thèses et habilitations
Production scientifique
Doctorat de

Doctorat
Equipe : Apprentissage et Optimisation

Traitement de l'Incertitude en Optimisation

Début le 01/09/2013
Direction : TEYTAUD, Olivier

Financement :
Etablissement d'inscription : Université Paris-Sud
Lieu de déroulement : LRI-TAO

Soutenue le 30/09/2016 devant le jury composé de :
Rapporteurs
-Thomas Jansen, Senior Lecturer, Aberystwyth University
-Dirk Arnold, Professeur, Dalhousie University

Examinateurs
-Sylvain Arlot, Professeur, Université Paris-Sud
-Emilie Kaufman, chargée de recherche, Université de Lille
-Vianney Perchet, Professeur, ENS Cachan
-Louis Wehenkel, Professeur, Université de Liège

Co-encadrant de thèse
Marc Schoenhauer, Directeur de recherche, Université Paris-Sud

Directeur de thèse
Olivier Teytaud, chargé de recherche, Université Paris-Sud

Activités de recherche :

Résumé :
Ces recherches s'inscrivent dans la nécessité de développer de nouvelles méthodes d'optimisation
des systèmes électriques. Dans ce domaine, les méthodes usuelles de contrôle et d'investissement
sont à présent limitées de par les problèmes comportant une grande part d'aléa, qui interviennent
lors de l'introduction massive d'énergie renouvelables. Après la présentation des différentes facettes
de l'optimisation d'un système électrique, nous discuterons le problème d'optimisation continue
bruitée de type boîte noire puis des cas bruités comprenant des caractéristiques supplémentaires.

Concernant la contribution à l'optimisation continue bruitée de type boîte noire, nous nous intéresserons
aux bornes inférieures et supérieures du taux de convergence de différentes familles d'algorithmes.
Nous étudierons la convergence d'algorithmes basés sur les comparaisons, en particuliers les Stratégies
d'Evolution, face à différents niveaux de bruit (faible, modéré et fort). Nous étendrons également les
résultats de convergence des algorithmes basés sur les évaluations lors d'un bruit faible. Finalement,
nous proposerons une méthode de sélection pour choisir le meilleur algorithme, parmi un éventail
d'algorithme d'optimisation bruitée, sur un problème donné.

Pour ce qui est de la contribution aux cas bruités avec des contraintes supplémentaires, les cas délicats,
nous introduirons des concepts issus de l'apprentissage automatique, de la théorie de la décision
et des statistiques. L'objectif est de proposer des méthodes d'optimisation plus proches de la réalité
(en termes de modélisation) et plus robustes. Nous rechercherons également des critères de fiabilité
des systèmes électriques moins conservatifs.