Plateforme hyperheuristique adaptative distribuée pour la résolution de problèmes d’optimisation

Notice brève
dc.contributor.authorBENZINEB Walid
dc.date.accessioned2026-06-14T08:14:01Z
dc.date.available2026-06-14T08:14:01Z
dc.date.issued2026-05-13
dc.description.abstractLa résolution de problèmes d’optimisation combinatoire repose fréquemment sur l’emploi de métaheuristiques, qui fournissent des solutions de haute qualité dans des temps de calcul raisonnables. Cependant, l’efficacité de ces méthodes est intrinsèquement liée au choix de l’algorithme et à la configuration fine de ses paramètres, un processus qui dépend fortement de l’expertise humaine et d’une phase de réglage empirique. Cette dépendance limite la généralisation des solveurs à de nouvelles instances ou à de nouveaux problèmes, posant un défi majeur en termes d’autonomie et d’adaptabilité. Ce travail aborde cette problématique en proposant le développement d’une plateforme hyperheuristique qui automatise la sélection de stratégies algorithmiques via l’apprentissage par renforcement. La démarche est incrémentale : une première contribution établit la faisabilité de l’intégration de l’apprentissage par renforcement pour guider une recherche locale sur le problème d’affectation quadratique en 3 dimensions (Q3AP), ce qui se traduit par une amélioration des performances. Ensuite, une hyperheuristique de sélection, GRASP-HH, est développée pour gérer un portefeuille de configurations de la métaheuristique GRASP, montrant qu’une orchestration de stratégies hétérogènes est plus efficace qu’une approche monolithique. La contribution centrale de ce travail est l’évolution de cette plateforme vers un système adaptatif, RL-GRASP-HH, intégrant un agent d’apprentissage par renforcement profond basé sur une architecture Acteur-Critique. Cet agent apprend une politique de sélection qui choisit dynamiquement la configuration la plus appropriée en fonction de l’état courant de la recherche. Les résultats expérimentaux confirment la validité de l’approche : le modèle RL-GRASP-HH montre une amélioration significative de la qualité moyenne des solutions et de la robustesse par rapport à sa version non-apprenante et aux métaheuristiques de référence. Cette synergie entre apprentissage automatique et optimisation pose les bases pour la conception de systèmes d’optimisation plus autonomes et généralistes.
dc.formatPDF
dc.identifier.urihttps://dspace.univ-oran1.dz/handle/123456789/5305
dc.language.isofr
dc.publisherUniversité oran1
dc.subjectHyperheuristique ; Optimisation Combinatoire ; Apprentissage par Renforcement ; Métaheuristiques ;Apprentissage Profond ; Problème d’Affectation Quadratique en 3 Dimensions ; Heuristique ; Recherche locale ; GRASP ; Architecture distribuée
dc.titlePlateforme hyperheuristique adaptative distribuée pour la résolution de problèmes d’optimisation
dc.typeThesis
grade.ExaminateurLOUGMIRI Zekri, Professeur, Université Oran 1
grade.ExaminateurLEBBAH Yahia, Professeur, Université Oran 1
grade.ExaminateurBELKADI Khaled, Professeur, USTO-M.B
grade.ExaminateurBENSLIMANE Sidi Mohammed, Professeur, ESI SBA
grade.GradeDoctorat
grade.InviteAMRANE Bakhta , MAB, Université Oran 1
grade.OptionIngénierie des systèmes embarqués et parallélisme
grade.PrésidentABDI Mustapha Kamel, Professeur, Université Oran 1
grade.RapporteurLOUKIL Lakhdar, Professeur, Université Oran 1
l'article.1.DateParution20 juin 2025
l'article.1.RevueRAIRO - Operations Research
l'article.1.RéférenceBenzineb W., Loukil L., Amrane B. and Benyamina A.E.H. Reinforcement learning-based local search for solving the quadratic 3-dimensional assignment problem. RAIRO-Oper. Res. 59 (2025) 1569–1586. https://doi.org/10.1051/ro/2025055
l'article.1.TitreReinforcement learning-based local search for solving the quadratic 3-dimensional assignment problem
la.MentionTrès Honorables
la.SpécialitéInformatique
la.coteTH5653
Fichiers
Bundle original
Voici les éléments 1 - 1 sur 1
Vignette d'image
Nom :
TH5653.pdf
Taille :
2.01 MB
Format :
Adobe Portable Document Format
Description :
Télécharger
Collections
Thèses de Doctorat "Informatique"