L’optimisation « boîte noire », la spécialité de la nouvelle équipe RandOpt

L’objectif est aujourd’hui de développer des méthodes d’optimisation numérique pour résoudre des problèmes d’optimisation difficiles “boîte noire” et répondant aux problématiques actuelles de l'industrie, l’aérospatiale, la biologie ou la médecine.

Randomized Optimization ou optimisation « boîte noire »

L’équipe RandOpt travaille à l’élaboration d’algorithmes d'optimisation stochastiques adaptatifs sans dérivées, c’est-à-dire des algorithmes d’optimisation qui d’une part dépendent d’aléas et d’autre part n’utilisent pas les dérivées de la fonction à optimiser. On parle d’optimisation « boîte noire » parce que cette fonction est vue par l’algorithme comme une « boîte noire » au sens où il ne peut pas exploiter ce qu’elle contient. « C’est le contexte typique des problèmes dans l’industrie où nous n’avons pas accès au code source, mais simplement à un exécutable du code, c’est à dire de la fonction à optimiser », nous précise Anne Auger, responsable de l’équipe RandOpt.

Des algorithmes en avance sur la théorie

Le travail de l’équipe consiste à développer de meilleurs algorithmes et de nouvelles méthodes d’optimisation pour de l’optimisation non convexe dans les contextes suivants:

• optimisation en grande dimension , c’est à dire lorsque les problèmes à optimiser ont un grand nombre de variables ;
• optimisation sous contraintes qui nécessite de prendre en considération des contraintes indispensables au calcul des solutions ;
• optimisation multiobjectif  quand on souhaite optimiser non pas un mais plusieurs critères contradictoires à la fois, comme par exemple minimiser les coûts tout en maximisant la qualité ou la durée de vie d’un produit.

Dans ce domaine, les développements algorithmiques et la pratique sont en avance sur la théorie. En parallèle du développement algorithmique, l’équipe se fixe donc comme priorité de développer et d’améliorer les aspects théoriques de ces méthodes. « Si la méthode CMA-ES, Covariance Matrix Adaptation Evolution Strategy, développée par Nikolaus Hansen, est d’ores et déjà considérée comme état de l’art en optimisation aléatoire, l’ambition de l’équipe est de la porter au rang de référence d’ici quinze ans en développant pour cela une théorie mathématique très forte », précise Anne Auger.

Enfin, l’équipe travaille également à l’actualisation et à l’amélioration de la plate-forme COCO (COmparing Continuous Optimisers) que les membres ont créée en 2008. Cette plate-forme open source vise à automatiser les tâches d'analyse comparative des performances d’algorithmes d’optimisation : de la collecte des données de benchmarking, à leur traitement et visualisation.

De nombreuses applications dans l’industrie, la biologie, la physique, la chimie ou la médecine

Si les travaux menés par RandOpt s’inscrivent d’abord dans une optique de recherche fondamentale, les résultats trouvent déjà de nombreuses résonances dans l'industrie, l’aérospatiale, la biologie ou la médecine .

Par exemple, l’équipe a collaboré sur des problèmes de dimensionnement de lanceurs ou sur des problèmes de design de panneaux photovoltaïques.

Les biologistes, physiciens, chimistes peuvent également être confrontés à des problèmes de calibration de modèles, ou calibration de paramètres. Face à ce genre de situation, les méthodes développées par RandOpt permettent d’optimiser le travail de ces scientifiques en ajustant les données du modèle à partir des données expérimentales.