Thèses en cours

Joseph Thompson (2023-) "Intégration de méthodes d'apprentissage automatique dans des méta-heuristiques : un système de sélection-coopération d'algorithmes pour résoudre des problèmes d'optimisation combinatoire"

Joseph Thompson est un étudiant au doctorat en cotutelle avec Polytechnique Montréal et IMT Atlantique. Le sujet de sa recherche est l'incorporation de l'apprentissage automatique et des métaheuristiques pour résoudre les problèmes d'équilibrage de lignes d'assemblage à modèle mixte avec des travailleurs ambulants (MMABP-W). Ce problème concerne la planification de lignes de production avec plusieurs types de produits, que l'on trouve couramment dans les secteurs de l'automobile et de l'électronique. Le nombre de configurations possibles de travailleurs, d'équipements et de tâches rend le MMABP-W difficile à résoudre avec des méthodes exactes, telles que la programmation linéaire en nombres entiers mixtes. Joseph travaille sur des algorithmes approximatifs capables de résoudre de grandes instances de problèmes avec une mémoire et un traitement limité.

 

Matthieu Bachelot (2022-) " Fouille de données temporelles et hétérogènes pour la modélisation et la détection des informations fallacieuses"

L’objectif principal de ce projet de recherche est d’identifier les motifs récurrents accompagnant la propagation d’une information fallacieuse. Notre approche inédite se base sur des données en Français, en combinant différentes sources d'informations, à savoir des articles de presse en ligne et des posts Twitter. La première partie de la thèse porte sur la création et la validation du jeu de données en conduisant des analyses statistiques exhaustives, et de comparer ces résultats avec ceux de la littérature anglo-saxonne. Cela permet d'apporter les éléments déterminant pour la détection des informations fallacieuses via des méthodes d'apprentissage automatiques sur graphes. Ceci permettra de travailler sur la détection précoce de ces fausses informations, voir même la modélisation de la propagation d'information fallacieuse "générique".

 

Owein Thuillier (2022-) " Intelligence artificielle pour la configuration de réseaux de sonars multistatiques"

Dans le cadre de la lutte anti-sous-marine aéroportée, les sonars constituent l'un des moyens les plus efficaces de l'arsenal disponible afin de mener des actions de recherche, de pistage et de détection de cibles sous-marines. L'objectif de ce travail de thèse en collaboration avec Thales "Defence and Mission Systems (DMS)" s'articule ainsi autour de l'optimisation de la configuration spatiale et temporelle d'un réseau de sonars afin de maximiser la probabilité de détection d'une cible sous-marine (i.e. insonification idéale de la zone). Plus particulièrement, cette thèse se focalise sur les réseaux de sonars multistatiques composés d'un ensemble de systèmes sonars actifs, i.e. avec émission et réception d'une onde acoustique. De tels systèmes peuvent être en configuration monostatique et/ou bistatique. Un système sonar est dit monostatique lorsque l'émetteur et le récepteur sont colocalisés et bistatique lorsqu'ils sont délocalisés, c'est-à-dire situés à deux endroits géographiques distincts et potentiellement sur deux plans d'immersion disjoints. Finalement, le cas d'application retenu concerne les bouées acoustiques, également appelées "sonobuoys". Ces dernières sont déployées et parachutées depuis un porteur aérien tel qu'un avion de patrouille maritime, un hélicoptère ou encore un drone sur la zone d'intérêt. À l'impact avec la surface de l'eau, ces dernières s'immergent à une profondeur prédeterminée et commencent leur cycle de vie pendant une durée donnée (émission/réception et communication UHF/VHF avec le porteur). En outre, elles peuvent-être émettrices-seulement (Tx), réceptrices-seulement (Rx) ou encore éméttrices-réceptrices (TxRx).

 

Bachtiar Herdianto (2022-) "Combiner Machine Learning et Matheuristiques pour des problèmes de logistique urbaine"

Ces derniers temps, l'utilisation d'algorithmes d'apprentissage pour améliorer les méthodes d'optimisation est devenue de plus en plus intéressante. Par exemple, le problème d'acheminement des véhicules (VRP) auquel les entreprises de logistique peuvent être confrontées quotidiennement. Le problème principal se pose lorsque les itinéraires de livraison ne sont pas optimaux, ce qui entraîne une augmentation des coûts de livraison. Pour réduire ces coûts, il faut optimiser l'itinéraire de livraison. Cependant, la plupart des algorithmes d'optimisation résolvent toujours le problème à partir de zéro, même pour le même type de problème, et rien d'utile n'est extrait des solutions antérieures. Or, les données historiques pourraient être utiles pour obtenir des solutions de manière efficace et efficiente. En termes d'algorithme d'optimisation, l'utilisation de l'intelligence artificielle (IA) pour résoudre le VRP promet d'apprendre des solutions antérieures ou en temps réel, puis de guider l'algorithme pour résoudre le problème. En outre, l'algorithme d'optimisation peut apprendre de ses propres décisions et ajuster son comportement en conséquence pour obtenir de meilleurs résultats. Par conséquent, l'objectif de cette recherche est divisé en deux buts : (1) comprendre le lien entre la qualité des solutions, leurs caractéristiques et les instances de problèmes associées, et (2) développer un processus d'apprentissage efficace consolidé avec un algorithme d'optimisation puissant pour résoudre les problèmes rapidement et efficacement.

 

Dubon Rodrigue (2022-) "Simplification de l'architecture des réseaux énergétiques par agrégation de nœuds à base d'IA"

Le réseau de chauffage urbain facilite l'intégration des producteurs de chaleur renouvelable et permet un transport efficace de l'énergie avec un pilotage optimal. Pour profiter de ces avantages, il est nécessaire d'optimiser et de simuler le réseau, ce qui est coûteux en temps de calcul. Dubon a rejoint l'équipe du Lab-STICC DECIDE en octobre 2022. A partir de la formulation du réseau de chaleur sous forme de graphe connecté, dans sa thèse, Dubon étudie une nouvelle méthode pour réduire ce coût de simulation en agrégeant des nœuds consommateurs similaires en utilisant les architectures les plus récentes en Intelligence Artificielle. Son objectif est de développer deux modèles complémentaires : un modèle non supervisé pour identifier des nœuds consommateurs similaires et un modèle supervisé dépendant du temps pour apprendre la dynamique physique de ces nœuds consommateurs.

 

Erwan Alincourt (2022-) "Cartographie, détection d’anomalies et réaction suite à une détection sur des systèmes industriels : application aux navires militaires et civils"

Les bateaux modernes sont beaucoup plus performants que leurs ancêtres du 19e ou du 20e siècle. À l'instar des usines, ces améliorations ont été permises par la forte automatisation des systèmes. Ces systèmes, hybrides entre informatique et mécanique sont appelés systèmes cyber physiques. Les automates (ICS / SCADA) qui pilotent les machines, les systèmes de navigation, comme l'AIS sont quelques exemples de ces CPS. Comme tous les systèmes informatiques, ils sont vulnérables aux attaques cyber, mais un dysfonctionnement sur ces systèmes peut conduire à une catastrophe dans le monde réel. En outre, il est très difficile de modifier ces systèmes afin de les rendre "cyber by design". C'est pourquoi il est important de pouvoir détecter rapidement la survenue d'une attaque cyber sur ces systèmes. Plusieurs méthodes permettent de le faire : des bases de signature, des règles expert ou encore l'IA. Les questions de recherche identifiées à ce stade sont les suivantes : Quelle est la place de l'IA pour la détection d'attaque sur des systèmes cyber physiques des bateaux ? Comment évaluer les performances d'un algorithme de détection d'attaque cyber dans un contexte de CPS maritime ? Comment permettre au décideur de choisir l'algorithme ou la combinaison d'algorithme la plus efficiente dans ce contexte ?

 

Antoine Mallégol (2020-) "Optimisation multi-objectif de systèmes énergétiques couplés"

L'objectif du travail de thèse d'Antoine Mallégol est de proposer une méthode d'optimisation d'un système énergétique couplé, composé d'un réseau électrique et d'un réseau de chaleur pouvant interagir entre eux. Le principal défi de ce travail est la résolution d'un modèle complexe avec un long horizon temporel. Différentes méthodes de modélisation et d'optimisation sont proposées : programmation linéaire en nombres mixtes, heuristique, et métaheuristique. Une approche multi-objectif permet d'améliorer les coûts et l'impact environnemental du système.

 

Fred Gonsalves (2020-) "Fouille de données et aide à la décision pour la supervision et la prévision court-terme de l'efficacité énergétique d'un paquebot"

Intégré à l'équipe DECIDE du Lab-STICC depuis 2020 et à l'équipe ECORIZON des Chantiers de l'Atlantique depuis 2019, Fred Gonsalves mène une thèse centrée sur la réduction de la consommation énergétique et l'empreinte environnementale des paquebots de croisière. Les défis scientifiques de son travail comprennent l'intégration de données issues de diverses sources (capteurs, archives météorologiques, données fournies par les fournisseurs, etc.), l'application de techniques d'apprentissage automatique, la modélisation des systèmes et sous-systèmes constituant le paquebot, et le développement d'outils d'aide à la décision, du design à l'opération. Son travail s'effectue dans le cadre d'une thèse CIFRE, en partenariat avec l'IMT Atlantique et les Chantiers de l'Atlantique.

 

Quentin Perrachon (2020-) "Ordonnancement intelligent pour l'industrie du futur"

Quentin Perrachon est en thèse CIFRE dans le cadre d'une collaboration entre l'équipe DECIDE du Lab-STICC à l'Université Bretagne Sud et la société Herakles basée à Vannes. Herakles développe et distribue un logiciel ERP-GPAO et souhaite proposer un outil complémentaire proposant des solutions à des problèmes d'ordonnancement d'atelier de manufacture de petite à moyenne taille. Une modélisation générique est proposée pour résoudre les problèmes d'une grande variété d'industries, cette modélisation est basée sur le flexible job shop scheduling problem à laquelle est ajoutées plusieurs contraintes industrielles telles que par exemple des indisponibilité de ressource ou la nécéssité potentiellement partielle de ressources pour certaines opérations. L'objectif étant de ne maintenir qu'un modèle et outil capable de répondre aux demandes de différentes industries. Issue du domaine de la recherche opérationelle, des approches exacte et metaheuristiques basées sur des techniques de voisinages sont explorées et proposées pour résoudre ce problème.