Après une description du schéma général de résolution et
 d'optimisation non convexe basé sur les méthodes à intervalles, les
principes des algorithmes les plus efficaces issus de la
 programmation par contraintes seront détaillés. On esquissera ensuite
 sur deux exemples didactiques comment ces mêmes algorithmes peuvent
fournir de manière élégante une approche novatrice dans des stratégies
dédiées.
 Le dernier exemple résume l'approche de base proposée Luc Jaulin, et
 reprise, entre autres, par des chercheurs de Angers et de l'UTC
Compiègne, pour traiter le problème de l'estimation de paramètres basé
sur des mesures aux erreurs bornées, mais parfois aberrantes (!),
alternative prometteuseaux approches statistiques.

 Les modèles graphiques probabilistes sont classiquement définis comme
étant le mariage entre la théorie des probabilités et la théorie des
graphes. Les probabilités permettent à ces modèles de prendre en compte
l’aspect incertain présent dans les applications réelles. La partie
graphique offre un outil intuitif inégalable et attractif dans de nombreux
domaines d’applications où les utilisateurs ont besoin de "comprendre" ce
que raconte le modèle qu’ils utilisent. Réciproquement, cela permet aussi
à un expert des modèles graphiques de pouvoir construire plus facilement
un modèle pour une application précise en s’appuyant sur les avis des
spécialistes de ce domaine. L’utilisation conjointe des probabilités et
des graphes nous offre une famille de modèles de connaissance très riche,
avec par exemple les réseaux bayésiens, les modèles de Markov cachés et
leurs dérivés, les filtres de Kalman, etc ...

Nous nous concentrerons dans cet exposé sur les réseaux bayésiens, avec
une introduction générale au raisonnement probabiliste, en situant les
travaux de J. Pearl, qui a obtenu il y a quelques semaines le prix Turing
2011, équivalent du prix Nobel en Informatique. Nous décrirons ensuite
plus particulièrement la problématique de l'apprentissage de ces modèles à
partir de données. Nous conclurons en tissant quelques liens entre ces
modèles et d'autres modèles de connaissance de type ontologie.

Je propose un cadre pour la mise en oeuvre de dialogues de persuasion, où les agents peuvent échanger des "arguments". Ici un argument est un couple (Support,Conclusion) de formules propositionnelles dont le Support est une preuve minimale de la Conclusion. Un enthymème est un argument imparfait c'est à dire que son support est insuffisant pour inférer la conclusion. Le protocole présenté vérifie la cohérence des arguments échangés et autorise les enthymèmes. 

Cette présentation est basée sur l'article : "Handling enthymemes in time-limited persuasion dialogs.  In : International Conference on Scalable Uncertainty Management (SUM 2011), Dayton, Ohio, Salem Benferhat, John Grant (Eds.), Springer-Verlag, LNAI 6929, p. 149-162, octobre 2011."

Après cette présentation je présenterai mon domaine de recherche ainsi que mes projets en lien avec les axes du LERIA.

We present a multi-objective local search, where the selection is realized according to the hypervolume contribution of solutions. Our proposed hypervolume-based multi-objective local search algorithm (HBMOLS) is inspired from an indicator-based multi-objective evolutionary algorithm (IBEA) proposed by Zitzler and Kunzli in 2004, where the optimization goal is established in terms of a binary indicator defining the selection operator. In our algorithm, we use the indicator optimization principle, and we apply it to a local search algorithm, using hypervolume contribution indicator as selection mechanism. We carry out a range of experiments on the multi-objective flow shop problem using the hypervolume contribution selection as well as two different binary indicators which were initially proposed in the IBEA algorithm. Experimental results indicate that the HBMOLS algorithm is highly effective in comparison to the algorithms based on binary indicators.

 15h salle G208

Metaheuristics have been largely adopted as efficient solving methods for combinatorial optimization. However, they often require a fair amount of knowledge both of the problem and of the solving method from end-user. A recent development has been to consider generic high level control strategies (autonomous search) to make optimization techniques easier to use.
Our work focuses on building a generic autonomous local search method which manages a population of operators and selects a suitable operator to use at each iteration.
This talk will give an overview of autonomous search and present some of the work we have carried out.

14h salle G208