Doctorant en optimisation (H/F)

Sujet de thèse :
(L'offre d'emploi en anglais est la version de référence, le texte suivant est traduit automatiquement)
Les algorithmes d'optimisation de type boîte noire sont des solveurs à usage général. Ils fonctionnent de manière itérative, alternant entre la génération de solutions candidates, leur évaluation et l'ajustement de la stratégie par laquelle les prochaines solutions candidates sont générées. Les algorithmes d'optimisation de type boîte noire n'ont pas besoin d'accéder à une formulation explicite du problème ni à des données d'instance ; il suffit que la qualité des solutions candidates puisse être évaluée en externe, par exemple via des simulations numériques ou des expériences physiques. Cette caractéristique rend les algorithmes d'optimisation de type boîte noire particulièrement utiles pour de larges gammes de problèmes d'optimisation où le temps ou les connaissances disponibles pour développer des stratégies de résolution adaptées au problème sont limités.
Il existe une pléthore d'algorithmes d'optimisation de type boîte noire, qui se complètent en termes de forces et de faiblesses pour différents types de problèmes et pour différentes étapes du processus d'optimisation. Bien que cette complémentarité soit largement reconnue, nous manquons d'approches efficaces pour en tirer parti, ce qui se traduit par des solutions sous-optimales qui entraînent une utilisation inefficace de nos ressources limitées. Avec le projet dynaBBO, financé par un ERC Consolidator grant, nous avons entrepris de combler cette lacune importante. En nous appuyant sur une approche hybride synergétique des connaissances sur les algorithmes d'optimisation de type boîte noire avec des techniques d'apprentissage automatique automatisé, nous obtenons un système efficace, capable de basculer dynamiquement entre différents algorithmes d'optimisation de type boîte noire « à la volée ».

Contexte :
La thèse sera réalisée au département Informatique du LIP6 de Sorbonne Université. L'étudiant sera encadré par Carola Doerr, directrice de recherche CNRS. L'étudiant intégrera l'équipe de Recherche Opérationnelle (RO) du LIP6.
La thèse de doctorat est financée via la bourse ERC Consolidator « dynaBBO : Dynamic Selection and Configuration of Black-box Optimization Algorithms ». Des fonds de voyage et des ressources pour un séjour de recherche d'une durée maximale de trois mois avec l'un de nos collaborateurs internationaux sont disponibles. Le doctorant aura accès aux installations informatiques du laboratoire Informatique du LIP6 et de Sorbonne Université.
Notre langue de travail est l'anglais. Aucune connaissance du français n'est requise.