Amélioration des techniques d'optimisation combinatoire par utilisation d'un mécanisme de retour d'expérience : Application à la sélection de scénarios Tuteurs : Laurent Geneste (LGP/ENIT - directeur de thèse) laurent.geneste@enit.fr Thierry Coudert (LGP/ENIT) thierry.coudert@enit.fr Claude Baron (LESIA/INSA Toulouse) claude.baron@insa-toulouse.fr Allocation MENESR

Présentation de l’étude Plan de la présentation Présentation de l’étude Principe Le projet CoDeM Le retour d’expérience : une méthode de Gestion des Connaissances Objectif Principe du retour d’expérience Modélisation des connaissances Intégration REX / méthode de recherche Conclusion

a. Principe : 1. Présentation 2. Retour d’expérience 3. Intégration Rex / optimisation 4. Conclusion a. Principe : Projet CoDeM [Michalski 00], [Lereno 00], [Huyet 03] [Rochet & Baron 05]

Méthode SPEA ( Strength Pareto Evolutionary Algoritm) 1. Présentation 2. Retour d’expérience 3. Intégration Rex / optimisation 4. Conclusion b. Le projet CoDeM Couplage entre conception et conduite de projet Méthode de recherche utilisée : Algorithmes évolutionnaires Méthode de la roulette biaisée Méthode SPEA ( Strength Pareto Evolutionary Algoritm) Front de Pareto

Classification conceptuelle des paramètres 1. Présentation 2. Retour d’expérience 3. Intégration Rex / optimisation 4. Conclusion a. Objectif : Recherche des liens entre les différents espaces Buts : Limiter l’explosion combinatoire Orienter la recherche vers les zones prometteuses Deux types de connaissance Connaissances conceptuelles Connaissances structurelles Classification conceptuelle des paramètres Deux sources de connaissances exploitables : Issues du retour d’expérience opérationnel Issues des évaluations de l’AE

b. Principe du retour d’expérience 1. Présentation 2. Retour d’expérience 3. Intégration Rex / optimisation 4. Conclusion b. Principe du retour d’expérience Une démarche indirecte de constitution de la connaissance Représentation du processus

Intérêt des D.I. : résolution problème dual 1. Présentation 2. Retour d’expérience 3. Intégration Rex / optimisation 4. Conclusion c. Modélisation des connaissances Les diagrammes d’influence : une extension des réseaux bayésiens relations probabilistes entre les critères, les décisions, les objectifs et l’environnement Intérêt des D.I. : résolution problème dual Conséquence S(X) d’un événement X par rapport à l’objectif O : S(X)=P(non O/X) Criticité C(X) de l’événement X : C(X)= P(X).S(X)= P(X et non O) Facteur d’importance de X : IF(X)=P(X/non O)

Classification conceptuelle Connaissances structurelles 1. Présentation 2. Retour d’expérience 3. Intégration Rex / optimisation 4. Conclusion a. Utilisation du modèle de connaissances Capitalisation des expériences et des connaissances Généralisation/Spécialisation basées sur la contextualisation Utilisation par la méthode de recherche Classification conceptuelle Chromosome du projet Connaissances structurelles Deux types de réutilisation Composants et assemblages précédemment utilisés Connaissances pures : intégration de nouveaux composants

Spécification de l’adaptation des connaissances par contextualisation 1. Présentation 2. Retour d’expérience 3. Intégration Rex / optimisation 4. Conclusion Conclusion Travaux : Spécification de l’adaptation des connaissances par contextualisation Réalisation d’un prototype informatique Compilation de l’information Mécanismes de vérification et d’amélioration des modèles

Projet conception d’un stylo bille : Annexe Exemple Projet conception d’un stylo bille : Bi-Classification génotypes / objectifs / environnement Classification conceptuelle