Thèse de doctorat : Informatique : Tours : 2008. / Titre provenant de l'écran-titre.

Dans cette thèse nous proposons un outil d’aide à la décision multicritère qui permet aux décideurs de sélectionner un scénario optimal dans un graphe de projet qui contient toutes les alternatives de choix de conception et de réalisation d’un nouveau système, tout en tenant compte des risques inhérents aux choix réalisés. Le modèle du graphe est construit en considérant toutes les décisions collaboratives des différents acteurs impliqués dans le projet. Cet outil d’aide à la décision est basé principalement sur les techniques de l’optimisation combinatoire. En effet, nous avons choisi de travailler avec la métaheuristique ACO (algorithme d’optimisation par colonies de fourmis) vu sa capacité à fournir des solutions optimales dans un temps raisonnable. Les objectifs à minimiser sont le coût global du projet, sa durée totale de réalisation et l’incertitude sur ces critères (coût, durée). La modélisation des incertitudes a été abordée suivant deux approches différentes. La première approche consiste à modéliser l’incertitude en utilisant des intervalles simples et en la considérant comme un objectif à part entière à optimiser avec le coût et la durée. Quant à la deuxième approche, elle permet de modéliser l’incertitude sur les objectifs du projet (coût, durée) sous formes de distributions de probabilités. L’outil d’optimisation proposé dans la thèse fait partie d’un processus intégré et plus global qui se base sur les standards industriels (processus d’ingénierie système et de management de projet) qui sont largement connus et utilisés dans les entreprises. Ainsi, le travail développé dans cette thèse constitue un vrai guide pour les industriels dans leurs processus de conception et de réalisation des systèmes complexes innovants dans le domaine d’ingénierie système.

Dans cette thèse, nous nous intéressons à l'étude des capacités de la méta heuristique d'optimisation par colonie de fourmis (Ant Colony Optimization - ACO) pour résoudre des problèmes d'optimisation combinatoire multi-objectif. Dans ce cadre, nous avons proposé une taxonomie des algorithmes ACO proposés dans la littérature pour résoudre des problèmes de ce type. Nous avons mené, par la suite, une étude expérimentale de différentes stratégies phéromonales pour le cas du problème du sac à dos multidimensionnel mono-objectif. Enfin,nous avons proposé un algorithme ACO générique pour résoudre des problèmes d'optimisation multi-objectif. Cet algorithme est paramétré par le nombre de colonies de fourmis et le nombre de structures de phéromone considérées. Il permet de tester et de comparer, dans un même cadre,plusieurs approches. Nous avons proposé six variantes de cet algorithme dont trois présentent de nouvelles approches et trois autres reprennent des approches existantes. Nous avons appliqué et comparé ces variantes au problème du sac à dos multidimensionnel multi-objectif

Dans le cadre de cette thèse, nous nous sommes intéressés à la mise en œuvre d'algorithmes auto-adaptatifs d'Intelligence Collective pour la résolution de problèmes d'optimisation modélisés dans un langage de Programmation par contraintes (PPC). Nous avons porté une attention particulière à la famille d'algorithmes de type " Ant Colony Optimization " (ACO). Nous avons développé trois contributions, à savoir : (1) Intégration des algorithmes de type ACO dans un langage de programmation par contraintes pour la résolution de problèmes de satisfaction de contraintes; (2) Proposition d'un algorithme hybride et générique où ACO est couplé à une approche complète pour résoudre des problèmes d'optimisation combinatoires (3) Proposition d'une stratégie capable d'adapter dynamiquement les paramètres de ACO.

Cette thèse s’intéresse à une problématique ayant de nombreuses applications pratiques, à savoir la comparaison automatique d’objets et l’évaluation de la similarité. Lorsque les objets sont modélisés par des graphes, ce problème de comparaison automatique d’objets se ramène à un problème d’appariement de graphes, c’est-à-dire, chercher une mise en correspondance entre les sommets des graphes permettant de retrouver le plus grand nombre de caractéristiques communes. Différentes classes existent allant de la plus restrictive à la plus générale. Dans la plus restrictive isomorphisme de (sous-) graphes, il s’agit de chercher un appariement exact entre les sommets des graphes de manière à prouver que les deux graphes possèdent une structure identique ou que l’un d’eux est inclus dans l’autre, un sommet étant apparié avec au plus un sommet. Dans la plus générale (appariement multivoque), l’objectif n’est plus de trouver un appariement exact mais le meilleur appariement, c’est-à-dire, celui qui préserve un maximum de sommets et d’arcs, un sommet pouvant être apparié à un ensemble de sommets. Nous nous intéressons au problème de la recherche du meilleur appariement multivoque, ce problème étant plus général que les problèmes d’appariement restrictifs. Sa résolution est clairement un défi tant par la difficulté du problème que par l’importance de ses applications. Pour relever ce défi, nous proposons d’étudier les capacités de l’optimisation par colonies de fourmis (ACO). Notre étude est menée dans deux contextes : un contexte statique, où le problème est figé, et un contexte dynamique, où les graphes à comparer, les contraintes à respecter ainsi que les critères définissant la qualité des appariements changent régulièrement de sorte que la solution doit être dynamiquement adaptée. Un premier objectif, de cette thèse, est de proposer l’algorithme ACO générique pour la résolution des problèmes d’appariement de graphes. Plusieurs points clés sont étudiés dans cet algorithme, à savoir : l’influence des paramètres sur la qualité des solutions construites, l’influence de la stratégie phéromonale et du facteur heuristique, et l’hybridation avec une technique de recherche locale. Un deuxième objectif est de proposer un algorithme ACO générique pour résoudre des problèmes d’optimisation dynamiques. L’algorithme proposé est appliqué et expérimenté à quelques problèmes dynamiques, à savoir : l’appariement de graphes, le problème du sac à dos multidimensionnel, et le voyageur de commerce / The thesis addresses the problematic of comparing objects and similarity measuring. If objects are described by graphs, so that measuring objects similarity turns into determining graph similarity, i.e., matching graph vertices to identify their common features and their differences. Different classes of graph matching have been proposed going on the most restrictive ones to the most general. In restrictive graph matching (graph or sub-graph isomorphism), the objective is to show graph equivalence or inclusion, a vertex in a graph may be matched with one vertex at most on the other graph. In general graph matching (multivalent matching), the goal is not yet to find an “exact” matching (a matching which preserves all vertices and edges), but to look for a “best” matching (a matching which preserves a maximum number of vertices and edges), a vertex in one graph may be matched with a set of vertices in the other graph. In our work, we consider the problem of searching the best multivalent matching which is a NP-hard optimization problem. More precisely, we propose to investigate the ability if the ant colony optimization meta-heuristic (ACO). Two cases are considered in our study: the static case where the problem remains invariant through time and the dynamic case where graphs to compare constrained to satisfy and the criterions defining matching quality may change over the time, so that solutions must be dynamically adapted to the changes. A first goal of this thesis is to propose a generic ACO algorithm for solving graph matching problems. Different key points, like the pheromonal strategy to be used, the heuristic factor and the use of a local search procedure, are studied. A second goal of this work is to propose a generic ACO algorithm for solving dynamic optimization problems. The proposed algorithm will be applied and experimentally studied on three different dynamic problems: graph matching problem, multi-dimensional knapsack problem and the travelling salesman problem

Dans cette thèse, nous nous intéressons à l'étude des capacités de la méta heuristique d'optimisation par colonie de fourmis (Ant Colony Optimization - ACO) pour résoudre des problèmes d’optimisation combinatoire multi-objectif. Dans ce cadre, nous avons proposé une taxonomie des algorithmes ACO proposés dans la littérature pour résoudre des problèmes de ce type. Nous avons mené, par la suite, une étude expérimentale de différentes stratégies phéromonales pour le cas du problème du sac à dos multidimensionnel mono-objectif. Enfin,nous avons proposé un algorithme ACO générique pour résoudre des problèmes d'optimisation multi-objectif. Cet algorithme est paramétré par le nombre de colonies de fourmis et le nombre de structures de phéromone considérées. Il permet de tester et de comparer, dans un même cadre,plusieurs approches. Nous avons proposé six variantes de cet algorithme dont trois présentent de nouvelles approches et trois autres reprennent des approches existantes. Nous avons appliqué et comparé ces variantes au problème du sac à dos multidimensionnel multi-objectif / In this thesis, we investigate the capabilities of Ant Colony Optimization (ACO) metaheuristic to solve combinatorial and multi-objective optimization problems. First, we propose a taxonomy of ACO algorithms proposed in the literature to solve multi-objective problems. Then, we studydifferent pheromonal strategies for the case of mono-objective multidimensional knapsackproblem. We propose, finally, a generic ACO algorithm to solve multi-objective problems. Thisalgorithm is parameterised by the number of ant colonies and the number of pheromonestructures. This algorithm allows us to evaluate and compare new and existing approaches in thesame framework. We compare six variants of this generic algorithm on the multi-objectivemultidimensional knapsack problem

Dans cette thèse nous proposons un outil d’aide à la décision multicritère qui permet aux décideurs de sélectionner un scénario optimal dans un graphe de projet qui contient toutes les alternatives de choix de conception et de réalisation d’un nouveau système, tout en tenant compte des risques inhérents aux choix réalisés. Le modèle du graphe est construit en considérant toutes les décisions collaboratives des différents acteurs impliqués dans le projet. Cet outil d’aide à la décision est basé principalement sur les techniques de l’optimisation combinatoire. En effet, nous avons choisi de travailler avec la métaheuristique ACO (algorithme d’optimisation par colonies de fourmis) vu sa capacité à fournir des solutions optimales dans un temps raisonnable. Les objectifs à minimiser sont le coût global du projet, sa durée totale de réalisation et l’incertitude sur ces critères (coût, durée). La modélisation des incertitudes a été abordée suivant deux approches différentes. La première approche consiste à modéliser l’incertitude en utilisant des intervalles simples et en la considérant comme un objectif à part entière à optimiser avec le coût et la durée. Quant à la deuxième approche, elle permet de modéliser l’incertitude sur les objectifs du projet (coût, durée) sous formes de distributions de probabilités. L’outil d’optimisation proposé dans la thèse fait partie d’un processus intégré et plus global qui se base sur les standards industriels (processus d’ingénierie système et de management de projet) qui sont largement connus et utilisés dans les entreprises. Ainsi, le travail développé dans cette thèse constitue un vrai guide pour les industriels dans leurs processus de conception et de réalisation des systèmes complexes innovants dans le domaine d’ingénierie système. / In this thesis, we propose a multi-criteria decision making tool that allows decision-makers to select an optimal scenario in a project graph that includes all the alternative choices of a new system’s conception and realization, while taking into account the risks inherent to these choices. The model of the graph is constructed by considering all the collaborative decisions of the different actors involved in the project. This decision making tool is based mainly on the techniques of combinatorial optimization. Indeed, we have decided to work with the metaheuristic ACO (Ant Colony Optimization algorithm) for its ability to provide optimal solutions in a reasonable amount of time. The objectives to be minimized are the total cost of the project, its global duration and the uncertainties about these criteria (cost, duration). The uncertainties modeling is performed according to two different approaches. The first approach consists in using single intervals to model the uncertainty and it is considered as a third objective to optimize besides cost and duration. As for the second approach, the uncertainty about project objectives (cost, duration) is performed by using probabilities distributions. The optimization tool proposed in this thesis is a part of an integrated and more global process, based on industrial standards (the systems engineering process and the project management one) that are widely known and used in companies. Thus, the work developed in this thesis is a real guide for companies in their process of design and realization of innovative complex systems in the systems engineering field.

Dans le cadre de cette thèse, nous nous sommes intéressés à la mise en œuvre d'algorithmes auto-adaptatifs d'Intelligence Collective pour la résolution de problèmes d'optimisation modélisés dans un langage de Programmation par contraintes (PPC). Nous avons porté une attention particulière à la famille d'algorithmes de type « Ant Colony Optimization » (ACO). Nous avons développé trois contributions, à savoir : (1) Intégration des algorithmes de type ACO dans un langage de programmation par contraintes pour la résolution de problèmes de satisfaction de contraintes; (2) Proposition d'un algorithme hybride et générique où ACO est couplé à une approche complète pour résoudre des problèmes d'optimisation combinatoires (3) Proposition d'une stratégie capable d'adapter dynamiquement les paramètres de ACO. / In this thesis, we focused on the implementation of self-adaptive algorithms for solving optimization problems modeled in a Constraint Programming (CP) language. We focus on to the Ant Colony Optimization (ACO) algorithms. We have developed three contributions, namely: (1) Integration of ACO algorithms in a constraint programming language for solving constraint satisfaction problems, (2) Proposal of a generic hybrid algorithm which combines ACO and CP approach to solving combinatorial optimization problems (3) Proposal of a strategy to dynamically adjust the parameters of ACO.

Particulièrement lors de collaborations dans le cadre de chaînes logistiques ou d'entreprises virtuelles, établir les workflows collaboratifs est une étape laborieuse car souvent réalisée soit de façon humaine, soit avec des méthodes manquant de flexibilité. Sur la base d'un réseau social d'entreprises, cette thèse vise à faciliter cette étape en proposant un service de déduction de processus collaboratifs inter-organisationnels. Cela soulève trois problèmes: (i) trouver les activités qui doivent être exécutées pour remplir les objectifs de la collaboration (Quoi?), (ii) sélectionner les partenaires pouvant réaliser ces activités (Qui?) et (iii) ordonner ces activités en un processus métier collaboratif (Quand?). Dans le cadre d'un réseau social, il est attendu que plusieurs organisations soient capables de fournir les mêmes activités. Dans un tel contexte de concurrence entre les organisations, une optimisation globale permet de trouver un processus final quasi-optimal, en prenant en compte ces trois questions de manière simultanée : trouver l'ensemble des "meilleurs" partenaires et leurs activités dans un contexte de collaboration spécifique. A cette fin, des ontologies de collaboration ont été développées et permettent de représenter et collecter des connaissances sur les collaborations. Ainsi, quand les utilisateurs remplissent leurs profils sur le réseau social, le système peut comprendre (i) les attentes des utilisateurs lorsqu'ils fournissent leurs objectifs de collaboration et (ii) les capacités qu'ils peuvent fournir. Un outil d'aide à la décision, basé sur un algorithme d'optimisation par colonies de fourmis permet ensuite d'exploiter les ontologies de collaboration afin de trouver un processus quasi-optimal répondant aux attentes et objectifs de la collaboration. Les résultats de cette thèse s'inscrivent au sein du projet FUI OpenPaaS dont le but est d'établir un nouveau réseau social d'entreprises visant à faciliter leurs collaborations intra et inter-organisationnelles. / Especially in the context of collaborative supply chains and virtual enterprises, the step of designing the collaborative workflows remains laborious because either it is still carried out humanly or the methods lack of flexibility. Based on an enterprise social network, this thesis aims at facilitating this step by proposing a service for the deduction of collaborative processes. It raises three main issues: (i) finding the activities to execute that answer the objectives of the collaboration (What?), (ii) selecting the corresponding partners (Who?) and (iii) ordering the activities into a collaborative business process (When?). Moreover, it is expected that many companies could be able to provide the same activities, on the enterprise social network. In this competitive context, a global optimization should be set up in order to find the quasi-optimal collaborative process that answer these three questions simultaneously. A three-dimensional solution is proposed here. First, a non-functional framework has been set up in order to determine the criteria that make a « good » partner in a specific collaborative context. Then, collaborative ontologies have been implemented and enable the representation and the acquisition of collaborative knowledge, so that the IT system can understand (a) the user's needs when they model their objectives of collaboration and (b) the user's capabilities when they model their profiles on the enterprise social network. And finally, a tool for decision support has been implemented thanks to an ant colony optimization algorithm that exploits the collaborative ontologies in order to provide a quasi-optimal process that fits the context of the collaboration and answers its objective. The results are in line with the FUI French project OpenPaaS which aims at offering an enterprise social network to facilitate their collaborations.