Survol

[ English ]

Atelier reporté à l'hiver 2021

23-27 mars 2020
Optimisation sous incertitude

Dans un contexte de prise de décision organisationnelle, il est rare que le planificateur possède une information parfaite concernant tous les paramètres du problème, que ce soit dans le futur ou même dans le présent. Dans ce contexte, les actions de recours doivent être ajustées au fur et à mesure que l'information est révélée. En général, cela conduit à des problèmes où des séquences décisionnelles sont prises sur différents horizons temporels, et où l'on doit faire des compromis entre les bénéfices immédiats des décisions présentes et leur impact sur les bénéfices futurs. Le défi consiste alors à développer des techniques d'optimisation permettant de produire des solutions de grande qualité, dans un environnement caractérisé par l'incertitude des différents paramètres. Ceci dit, l'accès actuel à des bases de données détaillées et exhaustives précisant les activités des organisations, des gouvernements et des populations, combiné aux techniques d'apprentissage automatique utilisées pour extraire des informations de ces bases de données, a grandement augmenté la capacité d'analyse des sources d'incertitude et de leur impact sur la performance des algorithmes d'optimisation. Les progrès récents en informatique et en recherche opérationnelle ont ouvert la voie à des recherches portant sur des méthodologies d'optimisation spécialisées permettant de traiter des problèmes réels de grande taille. L'objectif de cet atelier est d'en présenter certains des développements les plus récents associés à trois importants champs d'étude : optimisation stochastique combinatoire, méthodes de Monte Carlo, et optimisation robuste.

Frais d'Inscription:

(Places limitées, date limite d'inscription: 16 mars 2020)

-Étudiants : 75$

-Stagiaires postdoctoraux :115$

-Professeurs chercheurs sans subvention : 150$

-Professeurs chercheurs avec subvention : 220$

-Chercheurs industriels : 380 $