Optimizing routes for multiple autonomous vehiclesin complex traffic situations can lead to improved efficiency intraffic. Attempting to solve these optimization problems centrally,i.e. for all vehicles involved, often lead to algorithms that exhibitthe curse of dimensionality: that is, the computation time andmemory needed scale exponentially with the number of vehiclesresulting in infeasible calculations for moderate number ofvehicles. However, using a numerical framework called tensordecomposition one can calculate and store solutions for theseproblems in a more manageable way. In this project, we investi-gate different tensor decomposition methods and correspondingalgorithms for solving optimal control problems, by evaluatingtheir accuracy for a known solution. We also formulate complextraffic situations as optimal control problems and solve them.We do this by using the best tensor decomposition and carefullyadjusting different cost parameters. From these results it canbe concluded that the Sequential Alternating Least Squaresalgorithm used with canonical tensor decomposition performedthe best. By asserting a smooth cost function one can solve certainscenarios and acquire satisfactory solutions, but it requiresextensive testing to achieve such results, since numerical errorsoften can occur as a result of an ill-formed problem. / Att optimera färdvägen för flertalet au-tonoma fordon i komplexa trafiksituationer kan leda till effekti-vare trafik. Om man försöker lösa dessa optimeringsproblemcentralt, för alla fordon samtidigt, leder det ofta till algorit-mer som uppvisar The curse of dimensionality, vilket är då beräkningstiden och minnes-användandet växer exponentielltmed antalet fordon. Detta gör många problem olösbara för endasten måttlig mängd fordon. Däremot kan sådana problem hanterasgenom numeriska verktyg så som tensornedbrytning. I det här projektet undersöker vi olika metoder för tensornedbrytningoch motsvarandes algoritmer för att lösa optimala styrproblem,genom att jämföra dessa för ett problem med en känd lösning.Dessutom formulerar vi komplexa trafiksituationer som optimalastyrproblem för att sedan lösa dem. Detta gör vi genom attanvända den bästa tensornedbrytningen och genom att noggrantanpassa kostnadsparametrar. Från dessa resultat framgår det att Sequential Alternating Least Squaresalgoritmen, tillsammans medkanonisk tensornedbrytning, överträffade de andra algoritmersom testades. De komplexa trafiksituationerna kan lösas genomatt ansätta släta kostnadsfunktioner, men det kräver omfattandetestning för att uppnå sådana resultat då numeriska fel lätt kan uppstå som ett resultat av dålig problemformulering. / Kandidatexjobb i elektroteknik 2020, KTH, Stockholm

Cette thèse développe une méthodologie originale et non intrusive de construction de modèles de substitution applicable à des modèles physiques multiparamétriques.La méthodologie proposée permet d’approcher en temps réel, sur l’ensemble du domaine paramétrique, de multiples quantités d’intérêt hétérogènes issues de modèles physiques.Les modèles de substitution sont basés sur des représentations en train de tenseurs obtenues lors d'une phase hors ligne de calculs intensifs.L'idée essentielle de la phase d'apprentissage est de construire simultanément les approximations en se basant sur un nombre limité de résolutions du modèle physique lancées à la volée.L'exploration parcimonieuse du domaine paramétrique couplée au format compact de train de tenseurs permet de surmonter le fléau de la dimension.L'approche est particulièrement adaptée pour traiter des modèles présentant un nombre élevé de paramètres définis sur des domaines étendus.Les résultats numériques sur des lois élasto-viscoplastiques non linéaires montrent que des modèles de substitution compacts en mémoire qui approchent précisément les différentes variables mécaniques dépendantes du temps peuvent être obtenus à des coûts modérés.L'utilisation de tels modèles exploitables en temps réel permet la conception d'outils d'aide à la décision destinés aux experts métiers dans le cadre d'études paramétriques et visent à améliorer la procédure de calibration des lois matériaux. / This thesis presents a novel non-intrusive methodology to construct surrogate models of parametric physical models.The proposed methodology enables to approximate in real-time, over the entire parameter space, multiple heterogeneous quantities of interest derived from physical models.The surrogate models are based on tensor train representations built during an intensive offline computational stage.The fundamental idea of the learning stage is to construct simultaneously all tensor approximations based on a reduced number of solutions of the physical model obtained on the fly.The parsimonious exploration of the parameter space coupled with the compact tensor train representation allows to alleviate the curse of dimensionality.The approach accommodates particularly well to models involving many parameters defined over large domains.The numerical results on nonlinear elasto-viscoplastic laws show that compact surrogate models in terms of memory storage that accurately predict multiple time dependent mechanical variables can be obtained at a low computational cost.The real-time response provided by the surrogate model for any parameter value allows the implementation of decision-making tools that are particularly interesting for experts in the context of parametric studies and aim at improving the procedure of calibration of material laws.