Archive - Le GDR RO 2012-2020

Outre un Conseil Scientifique, entité délibérative, et un Comité de Direction, entité opérationnelle, le GDR R.O structure principalement son activité autour de trois pôles scientifiques et de groupes de travail (GT). Le texte ci-dessous rappelle ce que sont les contenus correspondant à ces entités.

Un GT se dote d’une gouvernance adaptée à ces besoins et d’un représentant ; la gouvernance d’un pôle du GDR est dès lors assurée par ses deux responsables et par les représentants des groupes de travail relevant de ce pôle.

Les Pôles : ils correspondent à un découpage de l’activité relevant de la R.O, cohérent en termes scientifique, et exhaustif au regard de l’existant sur le territoire national. Ils ont vocation à être pérenne pour toute la période correspondant à la labellisation du GDR par le CNRS, et se déclinent comme suit :

Leur rôle est de :

  • Aider les groupes de travail à se construire, à se coordonner entre eux, et à se coordonner avec les autres GDR du CNRS;

  • Formuler, auprès du Conseil Scientifique du GDR, les propositions de soutien à ces GT;

  • Organiser des actions d’animation à l’échelle du pôle, en direction notamment des jeunes ;

  • Mener une réflexion prospective sur les tendances et les thèmes innovants.

 

Les Groupes de Travail : un groupe de travail constitue un espace de travail ouvert, sorte de laboratoire hors murs, regroupant des chercheurs intéressés par une même thématique. Il est le creuset d’échanges scientifiques récurrents et de projet collaboratifs, et associe des chercheurs issus aussi bien du monde académique que de celui des entreprises. Un chercheur peut émarger à l’activité de plusieurs groupes de travail, qui eux même peuvent relever de plusieurs pôles du GDR R.O ou de plusieurs GDR du CNRS. La labellisation et le soutien d’un GT par le GDR R.O supposent :

  • le caractère ouvert de ce groupe : tout chercheur intéressé doit pouvoir y participer ;
  • que ce groupe atteigne une certaine masse critique que l’on peut estimer à au moins une quinzaine de permanents ;
  • une activité récurrente du groupe, concrétisée par au moins deux réunions annuelles et la participation à l’organisation de projets ou d’évènements, le rendu d’un rapport d’activité annuel, et la mention des logos CNRS et GDR dans sa communication ; cette activité doit être en cohérence avec le schéma global d’organisation du GDR et avec celui du CNRS.

Un GT se dote d’une gouvernance adaptée à ces besoins et d’un représentant ; la gouvernance d’un pôle du GDR est dès lors assurée par ses deux responsables et par les représentants des groupes de travail relevant de ce pôle.

A terme, la structuration des listes de diffusion du GDR devrait permettre une communication directe entre le GDR et un groupe de travail spécifique, ainsi qu’entre deux groupes de travail.

La gouvernance du GDR RO est structurée selon deux niveaux, celui du Conseil Scientifique, entité délibérative, et celui du Comité de Direction, entité opérationnelle.

 


Comité de Direction

Le comité de direction a pour charge principale : l’animation du Conseil Scientifique et la supervision des activités du Comité de Direction; les relations avec les autres GDR, avec les tutelles et institutions et avec la ROADEF; la Gestion Budgétaire; l’International.

Le comité de direction est  composé de:

Directeur :

2012-2019: Alain Quilliot (LIMOS)

2020: Christian ARTIGUES (LAAS)

Directeurs Adjoints (2020) Nadia BRAUNER (G-SCOP)
Pierre FOUILHOUX (LIP6)
Responsables de l’Axe MMOCM : Mourad BAIOU (LIMOS)
Vangelis PASCHOS (LAMSADE)
Responsables de l’Axe POOPT : Imed KACEM (LCOMS, METZ)
Frédéric SEMET (Ecole Centrale LILLE, CRISTAL)
Responsables de l’Axe DMPE : Alain JEAN-MARIE (LIRMM)
Patrice PERNY (LIP6)
Responsables de la Relation Industrielle : Christelle GUERET (LARIS ANGERS)
Claude LEPAPE (SCHNEIDER ELECTRIC)
Responsable Jeune Chercheur et Doctorants : Lucie GALAND (LAMSADE)
Responsable Communication : Pierre FOUILHOUX (LIP6)
Représentant Permanent de la ROADEF :

Aziz MOUKRIM (Heudyasic)

 

Conseil Scientifique

Le Conseil Scientifique supervise l’ensemble des actions du GDR R.O, discute des enjeux scientifique et de la nature des actions, et prend les décisions d’orientation budgétaire. Il comprend 25 membres, incluant un représentant permanent de la ROADEF, et est ouvert géographique en direction des grands laboratoires de province ainsi que des différents axes.

Au printemps 2013, il se présente comme suit :

Membres Académiques :

NOM
Prénom
Grade
Laboratoire
ALAIN Jean-Marie

DR2 INRIA

LIRMM, Montpellier
ARTIGUES Christian DR2 CNRS LAAS-CNRS, Toulouse
BAIOU Mourad CR1 CNRS LIMOS, Clermont-Ferrand
BAPTISTE Philippe DR2 LIX, ex-Directeur INS2I
BILLAUT Jean-Charles PR 27 LI, Tours
CARLIER Jacques PR 27 HEUDYASIC, Compiègne
CHRETIENNE Philippe PR 27, Emérite LIP6, Paris
DEMANGE Michel PR 27 ESSEC, Paris
DHAENENS Clarisse PR 27 LIFL, Lille
FOUILHOUX Pierre MCF 27 LIP6, Paris
FOURNEAU Michel PR 27 PRISM, Paris
GALAND Lucie MCF 27 LAMSADE, Paris
GUERET Christelle PR 27 LARIS, université d'Angers
HYON Emmanuel MCF 27 LIP6, Université Nanterre
JEAN-MARIE Alain PR 27 LIRMM, Montpellier
JUSSIEN-GUERET Christelle PR 27 LARIS, Université d'Angers
KACEM Imed PR 27 LCOMS, Metz
KEDAD-SIDHOUM Safia PR 27 CEDRIC, CNAM, Paris
MOUKRIM Aziz PR 27 HEUDYASIC, Compiègne
PASCHOS Vangelis PR 27 LAMSADE, Paris
PERNY Patrice DR2 LIP6, Paris
QUILLIOT Alain PR 27 LIMOS, Clermont-Ferrand
SEMET Frédéric PR 27 LAGIS, EC Lille
SEVAUX Marc PR 27 LAB-STICC, Université de Bretagne-Sud
TRYSTRAM Denis PR 27 G-SCOP, Grenoble
VAXES Yann PR 27 LIF, Marseille

Membres Industriels :

NOM
Prénom
Entreprise
GARDI Frédéric Innovation 24
GOURDIN Eric ORANGE
LEPAPE Claude SCHNEIDER-ELECTRIC
SOURD Francis SNCF

 

Pôle  : Modèles et Méthodes de l’Optimisation Combinatoire et Programmation Mathématiques (MMOCPM).

  • Programmation Mathématique, Méthodes Polyédrales

  • Heuristiques et Métaheuristiques

  • Schémas d’Approximation

  • Programmation Dynamique, Programmation Quadratique

  • Optimisation On Line, Optimisation Collaborative

  • Complexité, Robustesse, Performances

  • Structures Discrètes

  • Optimisation de réseaux : flots, multi-flots, localisation…

  • Techniques de Décomposition, Intégration, Optimisation Multi-Niveaux

Tendances et Priorités Scientifiques

Aujourd’hui, l’Optimisation Combinatoire reste un champ de recherche très actif tant en France qu’au niveau international. Le nombre croissant des domaines d’application et le besoin toujours renouvelé de solutions efficaces induisent une course sans fin pour l’amélioration des algorithmes existants, la mise au point de nouvelles techniques et paradigmes et l’étude de nouveaux problèmes. Au-delà, le domaine doit faire face à plusieurs enjeux, tant théoriques qu’appliqués. Sont mis ici en évidence ici les pôles d’études qui semblent actuellement les plus importants et que le GDR RO cherchera à impulser (on pourra constater qu’ils sont, globalement, en adéquation avec la nomenclature générale présentée en section 1 dans le descriptif des mots clés de l’pôle et que certains de ces pôles se retrouvaient dans les projets soutenus par le GDR entre 2007 et 2012).

  • Sur le plan méthodologique :

    • Extension de la notion de Complexité en tant qu’outil d’évaluation des algorithmes

Il s’agit là d’un champ très important car il concilie d’une part des enjeux pratiques et des enjeux théoriques en créant un cadre visant à l’étude, en prolongement de la théorie de la complexité, de la structure des problèmes combinatoires en fonction de leur difficulté intrinsèque. Différents paradigmes illustrent différents types de compromis entre complexité algorithmique (temps de calcul) et qualité des solutions. Plusieurs paradigmes nouveaux ont été développés ces dernières années, qui visent à rapprocher complexité théorique (plus mauvais cas) et performances/difficultés réelles : algorithmique modérément exponentielle, complexité paramétrique, complexité en moyenne. Ils doivent à présent être approfondis tant dans la collecte de résultats pour de nouveaux problèmes combinatoires que du point de vue de la formalisation (mesure de performance, réductions, complétude, classes de difficulté, …).

    • Formalisation et approfondissement des paradigmes intégrant la dynamicité

Il s’agit ici de prendre en compte les situations réelles impliquant une information dégradée, partielle, dynamique ou incertaine : cadres on-line ou dynamiques, algorithmes embarqués, algorithmes distribués, optimisation robuste, optimisation combinatoire probabiliste, etc. Ces situations, de plus en plus fréquentes du fait des avancées technologiques (systèmes embarqués, internet, communication mobiles…), induisent une rupture avec les approches statiques traditionnelles, et exigent des innovations au niveau formalisme (définition de mesures de performances, de classes de difficulté, de réductions …).

    • Optimisation sur données de très grandes tailles et des données implicites

Des applications telles que le parcours de robots, des web services… impliquent de ne travailler à chaque instant que sur une petite partie des données ou des données compressées, ce qui change radicalement la nature des problèmes combinatoires. Le besoin apparait alors de concevoir des schémas d’approximation ad hoc pour des problèmes en théorie simples (polynomiaux-temps), mais néanmoins inefficaces dans de tels contextes.

    • Formalisation et approfondissement des paradigmes collaboratifs et coopératifs. Cette question, qui tend à devenir centrale, compte tenu des mutations dans la structure des processus de décisions à l’intérieur de la sphère socio-économique, pose la question des liens entre l’optimisation combinatoire et la théorie des jeux ou la théorie du choix social.

    • Intégration, décomposition, généricité, flexibilité

Il s’agit ici de l’étude, tant formelle que pratique, de schémas algorithmiques génériques permettant de mettre au point très rapidement et de manière semi-automatisée des méthodes efficaces pour de nouveaux problèmes ou des méthodes très simples à mettre en œuvre en situation d’urgence. Cette problématique, rendue cruciale au niveau des entreprises par les coûts de développement et les délais imposés, inclut la recherche de schémas algorithmiques très flexibles permettant de prendre en compte l’interaction homme/machine, les dialogues entre machines ou la collaboration entre différentes méthodes. On y retrouve aussi la question de la conception de schémas de décomposition des problèmes et des solutions logicielles qui épousent la structure des processus décisionnels, et se prêtent donc à l’intégration en un seul processus algorithmique de niveaux décisionnels distincts. In fine, un défi majeur concernera alors l’unification, au moins partiellement, dans un même cadre formel, de ces différents paradigmes, via par exemple des réductions entre différents cadres qui permettraient de les comparer et de transférer des résultats de l’un à l’autre.

    • Approximation, heuristiques et métaheuristiques

Une scission s’est faite, au fil des années entre l’algorithmique à garantie de performances et les heuristiques, deux champs visant pourtant à résoudre de manière efficace des problèmes difficiles. Un enjeu important et très fructueux serait de nouer plus de liens entre ces domaines pour permettre d’une part des études structurelles et de difficulté liées aux heuristiques (réductions adaptées, classification des problèmes, résultats d’impossibilité, …) et d’autre part la mise en œuvre de méthodes à garanties de performance plus efficaces en situation réelle.

    • La gestion de l’hétérogénéité en Programmation Mathématiques.

L’expérience montre que, malgré les progrès considérables enregistrés chez les bibliothèques d’optimisation (CPLEX, XPRESS, SCIIP, …), celles-ci ont énormément de difficultés à traiter des problèmes (par exemple des problèmes d’ordonnancement) présentant des variables de types et sémantiques très distinctes, articulées entre elles par des contraintes logiques. Il y a là un défi majeur, dont le fondement est de nature conceptuelle, si on veut rendre ces outils aptes au traitement efficace de certains problèmes pratiques.

  • Au niveau des champs d’application, l’évolution déjà en cours qui tend à élargir le champ d’application des méthodes d’Optimisation Combinatoire va se poursuivre. Au-delà des domaines d’application phare, qui resteront très importants avec notamment l’apparition de nouveaux challenges dus aux nouvelles technologies, les Modèles et Méthodes de l’Optimisation Combinatoire se projetteront sur de nouveaux domaines, intégrant de façon prononcée des problématiques sociétales nouvelles :

    • celles dérivées des préoccupations croissantes liées à l’environnement, la gestion de l’énergie et des ressources naturelles.

    • celles issues des sciences sociales : économie, management, assurances, marketing, ressources humaines, innovation et transfert technologique …

    • celles issues de la demande croissante en services à la personne : AAL, pilotage de réseaux de capteurs, guidage de robots, … ainsi qu’en sciences de la Vie et de la Santé : Bioinformatique, management des situations d’urgence (EOR, stratégies d’évacuation, intégration des réseaux de communication en situation d’urgence, gestion des risques, …

    • celles issues de la projection des modèles d’optimisation vers des niveaux décisionnels apanages jusque-là des seuls managers : décision financière, design stratégique de réseaux, tarification, localisation, urbanisation, gestion centralisée d’un aéroport, d’une centrale nucléaire, etc.

Stratégie

Le développement de l’Optimisation Combinatoire s’est fait à partir d’un premier noyau thématique, par élargissement de la surface couverte et par approfondissement et sophistication des domaines recouvrés. Cette tendance rapproche l’Optimisation Combinatoire d’autres disciplines parmi lesquelles les mathématiques, l’informatique théorique, le Génie Logiciel, le Big Data Analytics. Cet élargissement a concerné les méthodes, mais aussi des domaines applicatifs de plus en plus nombreux : ingénierie, biologie, sciences sociales, management, …, et même les paradigmes de programmation : dynamique, collaboratif, interactif. De toute évidence, cette tendance va se poursuivre, voire se renforcer. Elle pourrait être vue comme induisant une difficulté de positionnement, voire un flou thématique mais au contraire, d’un point de vue positif, c’est la marque d’une grande richesse et l’occasion de nouer des liens avec d’autres champs thématiques.

Dans cette perspective, l’pôle Modèles et Méthodes de l’Optimisation Combinatoire et de la Programmation Mathématique du GDR RO cherchera :

  • à se rapprocher d’autres GDR (IM, MOA, MACS…) ;

  • à interagir avec les autres pôles du GDR sur certains sujets potentiellement partagés (Jeux Algorithmiques, Techniques PLNE pour le Transport ou l’Ordonnancement, Heuristiques et Métaheuristiques…) ;

  • à structurer de façon efficace les communautés concernées, et à faciliter les regroupements collaboratifs et la circulation de l’information ;

  • à promouvoir l’Innovation.

Pour ce faire, il affirmera une structuration en groupes de travail, de façon à développer des actions communes avec ses partenaires potentiels autour de ces groupes de travail. Il cherchera aussi, en interaction avec les acteurs industriels et avec la ROADEF, à identifier de nouveaux champs d’applications. Au plan international enfin, il s’efforcera de dessiner la carte des collaborations existantes, déjà très riches et nombreuses, et de fonctionner à l’image d’une plateforme pour la mutualisation des partenariats, l’émergence de nouvelles collaborations et la mise en place de consortiums en vue d’intégrer programmes nationaux et internationaux.

 


 

Pôle : Problèmes Opérationnels : Ordonnancement, Planification, Transport (POOPT)

  • Ordonnancement Déterministe

  • Ordonnancement On Line

  • Lot Sizing

  • Modèles de Gestion de Production

  • Tournées de Véhicules

  • Services de Mobilité Innovante

  • Optimisation de Procédés : Placement, Découpe…

  • Planification sur architectures Cloud Computing, GPGPU, Réseaux Informatiques…

Tendances et Priorités Scientifiques

Les grandes tendances et enjeux scientifiques pour le pôle POOPT du GDR RO tendent à être impulsées par les applicatifs. Parmi ceux-ci, on évoquera les champs suivants, sur lesquels le GDR RO s’efforcera de mettre l’accent (là encore, on pourra constater la présence anticipative de ces thèmes dans nombre de projets soutenus par le GDR RO entre 2007 et 2012):

  • Les applications de la R.O.au management de l’Energie.

Celui-ci induit grande diversité de problèmes de natures différentes (pilotage technique et opérationnel de systèmes de production de l’Energie, planification moyen terme et long terme, gestion des systèmes, modélisation des marchés, etc.). Toutes les énergies sont concernées, qu’il s’agisse du pétrole, du gaz, de l’électricité ou des nouvelles formes d’énergie. L’optimisation peut porter sur l’amélioration du fonctionnement des réseaux énergétiques existants, sur la gestion de l’énergie dans les grilles de calcul, ou encore sur la gestion thermique de grands bâtiments. Elle tend alors, au plan des méthodes, à mettre en jeu de grands réseaux dynamiques ou temporisés, dont la gestion algorithmique est complexe. La gestion des ressources énergétiques est portée par une préoccupation de société et il n’existe plus aujourd’hui d’entreprise utilisant des Data Centers qui n’affiche pas cette préoccupation. Notons que si ces préoccupations peuvent conduire à minimiser la consommation énergétique, elles peuvent aussi pousser à l’augmenter (pour produire de l’eau chaude par exemple). Le développement des énergies renouvelables peut également donner lieu à des études où la R.O. pourrait apporter des éléments d’aide à la décision, qu’il s’agisse de décisions de nature stratégique ou opérationnelle.

  • La prise en compte, dans les modèles de planification, de la notion de Durabilité.

En rapport avec la gestion d’énergie, le développement durable est aussi un domaine d’application de la R.O. très en vogue dans les pays anglo-saxons. Par exemple, comment prendre en compte les problèmes économiques et environnementaux dans la planification de la production, comment maximiser la production, tout en réduisant les émissions de gaz, et en minimisant les consommations de ressources ? Sur ce sujet du développement durable, Microsoft Research, l’Institut des sciences et technologies de l’information et de l’ingénierie (INS2I) du CNRS et l’Ecole Polytechnique ont mis en place une chaire intitulée Optimisation et Développement Durable. L’équipe en charge d’ODD réunit à la fois des spécialistes du développement durable et des chercheurs en optimisation.

  • Le pilotage de grands systèmes informatiques distribués, gérant de très grandes masses de données (Cloud Computing, réseaux de capteurs, Big Data, …). Les problèmes induits combinent des questions relatives au dimensionnement, à l’optimisation des ressources et à l’ordonnancement/routage, avec des critères et contraintes très spécifiques, liées à la Fiabilité et à la gestion de l’Energie. Certains sujets sont d’ores et déjà très abordés :

    • Ordonnancement dans le HPC (High Performance Computing) : le sujet est traité depuis de nombreuses années mais on intègre aujourd’hui de nombreuses contraintes supplémentaires comme la prise en compte des aléas, ou des coprocesseurs, l’intégration de plusieurs clusters au sein d’un gestionnaire commun (mise en place de files d’attentes communes et le traitement du problème posé par leurs interférences avec les files d’attentes locales à chaque cluster), etc.

    • L’affectation de serveurs virtualisés (Cloud Computing) : le problème d’affectation sur des serveurs (“Consolidation Server Problem“) est traité intensément depuis une dizaine d’années. Cette problématique correspond à un besoin concret : les loueurs d’infrastructures permettent à leurs clients de démarrer à la demande des machines virtuelles plus ou moins gourmandes en ressources. Les premières solutions ne se préoccupaient que des ressources processeurs. On aborde aujourd’hui des problèmes plus fins en tenant compte des différentes ressources des machines (cpu, ram, I/O, co-processeur, …).

    • Le Big Data : la problématique du traitement rapide de gros volumes de données (plusieurs Téra octets) va croitre dans les prochaines années. Elle intéresse à la fois les spécialistes de Bases de Données et les administrateurs systèmes. Différentes disciplines doivent alors collaborer pour construire une architecture matérielle et logicielle optimale pour le traitement spécifique de données d’une entreprise.

    • La conception d’architectures dédiées : La démarche des gestionnaires de Data Centers a consisté jusqu’ici à assembler des machines “standards” (i.e. des machines serveurs, plus ou moins gonflées). On constate aujourd’hui de nombreux travaux des constructeurs en association avec ces entreprises pour la conception d’infrastructures spécifiques à un traitement donné. La Recherche Opérationnelle intervient alors pour apporter des solutions à l’élaboration de logiciels dédiés à l’utilisation la plus efficace de cette architecture. Les outils habituels, construits pour des architectures standards s’avèrent en effet efficaces, et l’on assiste par ailleurs à une montée en force de la préoccupation énergétique, liée au très fort besoin en dispositifs de refroidissement de ces architectures.

  • Le pilotage de systèmes de mobilité et transport innovants : un des problèmes centraux et historiques en distribution de marchandises et, de façon générale en logistique, est le problème de tournées de véhicules (PTV), ou Vehicle Routing Problem selon la terminologie anglaise. Ce problème consiste à déterminer un ensemble optimal de circuits de distribution ou de ramassage à partir d’un ou plusieurs dépôts afin de desservir un ensemble de clients ou de fournisseurs. Plus qu’un problème unique, le PTV constitue une classe de problèmes, en constante mutation. En effet, l’évolution des contextes et des technologies (Internet, géolocalisation, communications mobiles ou embarquées, Impact des préoccupations énergétiques ou environnementales…) induisent un renouvellement permanent de cette classe de problèmes et en font sa richesse. Le PTV est l’objet d’un intérêt sans cesse renouvelé aussi bien de la part des éditeurs de logiciels que de celle des chercheurs. Dans son survol bisannuel de l’offre logicielle pour le PTV, l’article de « OR-MS Today » d’INFORMS, la société américaine de recherche opérationnelle, comparait une quinzaine de solutions et mettait en avant les nouveaux services liés à l’intégration de bases de données de traffic et aux terminaux mobiles sous smartphones. La communauté de recherche dans ce domaine est très active tant au niveau national qu’au niveau international. Ainsi le prochain congrès de la ROADEF ne comptera pas mois de 9 sessions invitées consacrées au PTV.

L’étude algorithmique du PTV relève, dans sa version statique, de l’Optimisation Combinatoire. Toutefois un point essentiel tient au caractère dynamique et globalement incertain des systèmes réels, qui confère aux modèles de décision et évaluation sous-jacents une texture très spécifique. Si, par le passé, focus a été mis sur le traitement statique, exact ou très finement approché, de problèmes de grandes tailles, des versions plus complexes sont à présent abordées, qui intègrent davantage la dynamicité de ces systèmes et la possibilité de contrôle qu’offrent les récentes avancées technologiques. On mettra plus particulièrement l’accent dans les années à venir, au niveau du GDR R.O, sur les points suivants :

  1. Résoudre des PTV « encapsulés » d’un point de vue de la chaîne logistique: Il s’agit ici de considérer des variantes dans lesquelles le PTV apparaît comme sous-problème d’un problème logistique plus global. Cette classe d’extension du PTV reste très largement à défricher.

  2. Résoudre des variantes riches du PTV : de telles variantes sont des versions du PTV où un nombre important de contraintes hétérogènes sont considérées simultanément. Plus proches de la réalité, les solutions méthodologiques efficaces pour traiter de telles variantes ne sont encore pas bien maîtrisées.

  3. Considérer des variantes stochastiques du PTV : le PTV est défini comme un problème déterministe. Toutefois, les paramètres sont le plus souvent stochastiques surtout lors d’une planification tactique. Les travaux dans ce domaine, s’ils existent, sont encore aujourd’hui trop peu nombreux.

  4. Considérer des variantes dynamiques ou collaboratives du PTV, associés à de nouveaux services de mobilité réactifs ou collaboratifs (co-voiturage, véhicule partagé, transport à la demande…)

  • Les problèmes de planification liés au management de l’Hôpital et du Système de Santé. Celui-ci recèle une grande diversité de processus de décision qui interpellent le spécialiste de Recherche Opérationnelle et d’Aide à la Décision. Que ce soit au regard de l’objectif d’efficacité (progression de la qualité des soins) ou de l’efficience (assurer la mission au moindre coût), de nombreuses améliorations sont possibles. Plusieurs travaux ont déjà démarré ponctuellement dans le secteur hospitalier sur des problématiques d’optimisation de flux (flux logistiques, circuits de stérilisation, flux de patients, …) ou d’optimisation de ressources (gestion des blocs opératoires, planification du personnel, …). Des collaborations ont aussi vu le jour avec des associations par exemple liées à l’Hospitalisation à Domicile (définition des tournées, …). Sur le plan décisionnel et organisationnel dans le système de santé, la Recherche Opérationnelle et l’Aide à la Décision ont énormément à apporter. Les retombées dans ce domaine peuvent avoir un fort impact au niveau du confort du patient ou du personnel de santé, au niveau de la qualité des soins, mais aussi sur un plan purement économique.

Si les applicatifs tendent à fixer le tempo dès lors qu’il s’agit d’identifier les grandes tendances scientifiques au niveau de cet pôle du GDR, certaines problématiques de nature fondamentales se font jour, dont l’étude sera a priori impulsée au niveau du GDR :

    • La prise en compte de l’incertitude (notion de robustesse) ;

    • La prise en compte de la dynamicité et l’intégration des méthodes de R.O. au sein de systèmes fortement robotisés (véhicules autonomes .. .) ;

    • Les défis posés par le besoin d’intégration et de généricité : les logiciels propres aux applicatifs OPT sont le plus souvent complexes, et doivent être régulièrement adaptés aux changements de contextes. Par ailleurs, les gains en capacité des ordinateurs et des systèmes d’information tendent à rendre davantage possible l’intégration, au sein d’un seul modèle, de différents niveaux décisionnels (routage et chargement, routage et ordonnancement, tarification et dimensionnement…) Un enjeu concerne alors la mise en évidence de modèles génériques, et la conception de schémas algorithmiques de décomposition qui épousent la structure des processus de décision.

Stratégie.

Dans cette perspective, l’pôle POOPT concentrera une partie de ses actions à venir sur le renforcement de ses groupes de travail et sur l’émergence de nouveaux groupes de travail, correspondant à des tendances scientifiques nouvelles. Il le fera en synergie avec les autres pôles du GDR, avec certains GDR partenaires naturels, tels que, notamment le GDR MACS, et aussi avec la ROADEF, qui parraine certains groupes de travail.

Il cherchera à se définir comme un support de veille technologique et scientifique, ainsi que comme un vecteur de tendances, en termes à la fois scientifiques et socio-économiques. Dans cette perspective, il travaillera en étroite interaction avec les industriels et avec la ROADEF.

Il s’efforcera aussi d’impulser la mise en œuvre de manifestations de proximité (Journées Thématiques…) et d’Ecole Thématiques ciblées sur les jeunes chercheurs et doctorants. Il cherchera enfin, en articulation avec l’ensemble des acteurs du GDR, à promouvoir des liens à l’International avec les pays proches au sein de l’UE et en pointe sur ces problématiques (on pensera à l’Italie, à l’Espagne, à l’Allemagne), ainsi qu’avec le Quebec, (leader sur la problématique « Transport »).


Pôle : Décision : Modélisation, Prévision, Evaluation (DMPE)

  • Modélisation Stochastique

  • Modèles de Simulation

  • Réseaux de Files d’Attente, Systèmes de Transition

  • Analyse de Préférences, de Demandes

  • Modèles de Choix, Apprentissage

  • Théorie des Jeux et Tarification, Revenue Management

  • Décision Collaborative

  • Analyse Multi-Critères

Tendances et Priorités Scientifiques

Au plan scientifique, l’pôle Décision : Modélisation, Prévision, Evaluation du GDR RO cherchera à s’inscrire à promouvoir les thèmes suivants, qui lui paraissent particulièrement porteurs d’enjeux et d’innovation :

  • Les aspects algorithmiques de l’Aide à la Décision.

Les problèmes sous-jacents se distinguent de l’optimisation classique du fait que les préférences qui guident la recherche sont souvent très complexes (fonctions non-linéaires, objectifs multiples, ordres partiels sur les solutions). De grands défis subsistent sur l’évaluation de la complexité des problèmes de calcul des solutions préférées, sur la conception d’algorithmes efficaces pour la détermination exacte ou approchée de telles solutions, sur l’approximation de l’ensemble des solutions Pareto-optimales. et sur la détermination directe de compromis spécifiques dans l’ensemble de Pareto.

Egalement, il s’avère essentiel, compte tenu de la « démocratisation » des processus de décision, y compris des processus liés à l’Entreprise, de revisiter les problèmes classiques de RO sous l’angle de l’optimisation multi-objectifs, et d’étendre ce point de vue à des ensembles de solutions continus.

  • La prise en compte de l’Incertitude et de la notion d’Incertain.

Le traitement des modèles décisionnels dans un contexte de décision dynamique est NP-difficile et la communauté s’attache actuellement à développer une algorithmique spécifique pour manipuler ces modèles dans les problèmes de décision séquentielle ou de planification dans l’incertain. Le lien avec les problématiques liées au Stochastique est alors naturel, puisque l’évaluation de processus de décision conçus pour des contextes dynamiques et réactifs passe par la simulation.

  • La théorie des jeux algorithmique

On enregistre actuellement beaucoup d’intérêt dans la communauté décision et bien au-delà à propos de cette articulation Jeux/Décision. Celui-ci dérive d’une évolution à la fois du tissu économique (externalisation et délocalisation) et de la société (exigence démocratique, multiplication des règlementations…). On cherchera notamment à :

  1. Approfondir l’étude des procédures de votes via des reformulations sous forme de problèmes combinatoires de grandes tailles, cela dans la perspective des applications STIC de la notion de « Démocratie Participative en Temps Réel ». Ces problèmes sont à présent au cœur de la communauté ComSoc qui travaille sur le choix social computationnel.

  2. L’étude des équilibres que l’on peut installer entre des acteurs/joueurs à la fois collaboratifs et compétitifs, agissant au sein d’un processus de décision distribué.

  • L’utilisation de la Théorie des Jeux pour le contrôle de systèmes distribués.

Il s’agit principalement de générer des algorithmes de coordination distribués (schémas d’incitation/punition, pricing), avec application à l’économie des réseaux et des systèmes de transport.

  • L’articulation entre Modélisation Stochastique et gestion de la robustesse dans des systèmes de décision dynamique.

Il s’agit de formaliser la prise en compte de l’Incertain et les modes d’évaluation des performances pour des problèmes d’ordonnancement en présence d’incertitudes, de gestion des stocks et de la chaine d’approvisionnement, de pilotage de systèmes de transport réactifs.

Stratégie.

La stratégie de l’pôle DMPPE sera d’abord d’essayer de structurer, au travers de groupes de travail, les communautés concernées, et à faciliter les regroupements collaboratifs et la circulation de l’information. Ceci se fera en interaction avec d’autres GDR, et notamment avec le GDR Théorie des Jeux, et avec les autres pôles du GDR RO.

Elle sera aussi de promouvoir l’Innovation, en se focalisant sur les thèmes mentionnés ci-dessus et sur les possibilités de partenariats que ces thèmes offrent avec les autres pôles du GDR.


Les Groupes de Travail