TLATI Noureddine

Cette thèse s'inscrit dans une collaboration scientifique entre l’équipe de recherche BEAR de l’IUR et l’Axe IFLORSys du LCOMS. Dans ce cadre, notre objectif est de concevoir des algorithmes efficaces dédiés à la résolution des problèmes d’ordonnancement sur machines parallèles en tenant compte de la présence d’un serveur de transport commun. Ces algorithmes pourront être exacts ou approchés, selon le type et la difficulté de l’instance à résoudre. Dans tous les cas, nous visons des techniques algorithmiques permettant de « garantir la performance » des solutions données. Par la suite, une approche basée sur l’apprentissage automatique sera utilisée pour analyser les résultats récoltés après l’application des algorithmes conçus (programmation dynamique, recherche arborescente, heuristiques, algorithmes d’approximation, etc.) en fonction de certains paramètres des instances testées. Cela permettrait ensuite de prédire comment on peut résoudre efficacement chaque catégorie d’instance. De nombreux défis scientifiques sont rencontrés dans de nombreux
problèmes de décision complexes liés à la conception d’algorithmes d’optimisation à performance garantie et d’algorithmes d’analyse basés sur l’apprentissage automatique et à l’Informatique Décisionnelle au sens large.