Optimisation stochastique

L'optimisation sous incertitude est cruciale en ingénierie et en gestion, englobant divers problèmes d'allocation de ressources et de décision. Ces problèmes se manifestent dans divers domaines, tels que la planification des investissements dans les infrastructures publiques, l'exploitation des systèmes électriques, la planification de la production, la planification de la maintenance, la gestion de flotte, la planification du trafic, la conception de réseaux, la gestion de projet, les télécommunications, le cloud computing et le contrôle des processus. Souvent, ces défis peuvent être présentés comme des problèmes d’optimisation. De plus, de nombreuses tâches de calcul et d’apprentissage automatique reposent sur des techniques d’optimisation.

Ce cours approfondit les concepts, principes et techniques fondamentaux de l'optimisation stochastique, en particulier dans des conditions d'incertitude. Les étudiants apprendront à modéliser des problèmes d'optimisation impliquant des risques et des incertitudes à l'aide de modèles analytiques et de logiciels spécialisés. Le programme couvre les modèles analytiques essentiels, notamment l'optimisation convexe, la programmation stochastique, le contrôle des risques dans l'optimisation stochastique, la programmation stochastique en deux étapes, les algorithmes de décomposition, les processus de décision de Markov et la programmation dynamique.

Le cours met l'accent sur un mélange d'analyse théorique (comprendre les principes et le raisonnement derrière les modèles et les algorithmes) et de compétences pratiques de mise en œuvre (appliquer ces méthodes pour résoudre des problèmes du monde réel). À la fin du cours, les étudiants seront équipés pour comprendre la théorie sous-jacente et utiliser efficacement les techniques d'optimisation stochastique dans des scénarios pratiques.