Efficiently Solving Constraint Optimization Problems Using Pattern and Learning-Based Techniques

par Romaissa Ghlib

mardi 12 mai 2026, 14:15 → 15:15 Europe/Paris

S3 351 (Sciences 3)

De nombreux problèmes d'optimisation sont modélisés à l'aide de Réseaux de Fonctions de Coût (CFN), une extension des réseaux de contraintes intégrant des coûts sur les relations entre variables. Dans ce cadre, nous cherchons à améliorer la méthode UDGVNS, basée sur une recherche à voisinage variable, qui vise à trouver une solution minimisant la somme des fonctions de coût. Notre approche repose sur l'apprentissage contrastif appliqué aux solutions et voisinages générés durant la recherche, afin d'identifier les variables les plus pertinentes pour construire de nouveaux voisinages. Nous utilisons des réseaux de neurones sur graphes (GNN), en particulier un modèle de type Graph Attention Network (GAT), opérant sur des graphes bipartis enrichis par des caractéristiques statiques et dynamiques. Le modèle appris permet de guider efficacement l'exploration de l'espace de recherche en privilégiant les voisinages prometteurs, améliorant ainsi le compromis entre exploration et exploitation en fonction de la solution courante.