Quentin Renau soutiendra sa thèse intitulée Landscape-Aware Selection of Metaheuristics for the Optimization of Radar Networks lundi 24/01 à 11h.

La soutenance se fera en vidéoconférence. avec le lien Zoom suivant :

https://ecolepolytechnique.zoom.us/j/6879654754?pwd=VG5ZaVF5ZjAyaDQ5cWkvSk15WlpsQT09

La soutenance se fera en anglais.

Jury:

• Bilel Derbel (Université de Lille) - Rapporteur
• Günter Rudoplh (Technical University of Dortmund) - Rapporteur
• Rémy Chevrier (SNCF Innovation & Recherche) - Examinateur
• Claudia D’Ambrosio (CNRS - École Polytechnique) - Examinatrice
• Marc Schoenauer (INRIA Saclay - Île de France) - Examinateur
• Benjamin Doerr (École Polytechnique) - Directeur de thèse
• Carola Doerr (CNRS - Sorbonne University) - Co-directrice de thèse
• Johann Dreo (Institut Pasteur) - Invité
• Yann Semet (Thales Research & Technology) - Invité

Résumé: Les réseaux de radars sont des systèmes complexes dont l’efficacité doit être optimisée. L’optimisation du réseau se fait par la maximisation de la couverture radar ou par la maximisation de la probabilité de détection d’une cible. Configurer un réseau de radars est une tâche complexe souvent réalisée par des experts à l’aide de simulateurs.

La résolution de ce type de problème s’appuie sur l’optimisation boîte noire. De nombreuses métaheuristiques ont été développés dans le but de résoudre des problèmes d’optimisation boîte noire. Ces métaheuristiques ont montré une certaine complémentarité dans leur performance qui est liée à la structure du problème à résoudre. Choisir l’algorithme le plus approprié pour résoudre un problème est donc crucial.

L’objectif de cette thèse CIFRE est de réaliser une sélection automatique de métaheuristiques guidée par le paysage de recherche dans le but d’optimiser un problème de configuration de réseau de radars. Les contributions de cette thèse sont doubles. Dans un premier temps, nous avons défini six propriétés que les mesures caractérisant un problème d’optimisation boîte noire devraient satisfaire. Nous avons également étudié à quel point les mesures satisfont ces propriétés. L’une de ces propriétés est la sensibilité à la méthode d’échantillonnage. Contrairement aux préconisations dans la littérature, nous avons remarqué que la méthode d’échantillonnage importait car une grande partie des mesures y est sensible. Nous avons trouvé d’importantes différences entre les distributions des mesures provenant de différentes méthodes d’échantillonnage. Globalement, aucune des mesures ne satisfait les six propriétés.

La résolution des problèmes radar avec différentes métaheuristiques montre ces dernières ont des performances similaires. Le gain d’une sélection automatique de métaheuristiques est par conséquent faible. Les performances de notre sélection automatique de métaheuristiques guidée par le paysage de recherche sont similaires aux performances du meilleur algorithme sur les instances d’entraînement (SBS).