Reproduction de : Thèse de doctorat : Automatique et informatique industrielle : Villeneuve d'Ascq, Ecole centrale de Lille : 2006. / Titre provenant de la page de titre du document numérisé. Bibliogr. p. 143-153.

Thèse doctorat : Informatique : Villeurbanne, INSA : 2007. / Thèse rédigée en anglais. Titre provenant de l'écran-titre. Bibliogr. p. [181]-190. Glossaire.

Zugl.: Stuttgart, Univ., Diss., 2009

Zugl.: Stuttgart, Univ., Diss.

Dans cette thèse, nous nous intéressons à l’optimisation robuste. Plus précisément,nous nous intéresserons aux problèmes linéaires mixtes bi-niveaux, c’est à dire aux problèmes dans lesquels le processus de décision est divisé en deux parties : dans un premier temps, les valeurs optimales des variables dites "de décisions" seront calculées ; puis, une fois que l’incertitude sur les données est levée, nous calculerons les valeurs des variables dites "de recours". Dans cette thèse, nousnous limiterons au cas où les variables de deuxième étape, dites "de recours", sontcontinues.Dans la première partie de cette thèse, nous nous concentrerons sur l’étudethéorique de tels problèmes. Nous commencerons par résoudre un problème linéairesimplifié dans lequel l’incertitude porte seulement sur le membre droit descontraintes, et est modélisée par un polytope bien particulier. Nous supposerons enoutre que le problème vérifie une propriété dite "de recours complet", qui assureque, quelles que soient les valeurs prises par les variables de dcisions, si ces dernières sont admissibles, alors le problème admet toujours une solution réalisable, et ce, quelles que soient les valeurs prises par les paramètres incertains. Nous verrons alors une méthode permettant, à partir d’un programme robuste quelconque, de se ramener à un programme robuste équivalent dont le problème déterministe associévérifie la propriété de recours complet. Avant de traiter le cas général, nous nouslimiterons d’abord au cas o les variables de décisions sont entières. Nous testeronsalors notre approche sur un problème de production. Ensuite, après avoir remarquéque l’approche développée dans les chapitres précédents ne se généralisait pasnaturellement aux polytopes qui n’ont pas des points extrmes 0-1, nous montreronscomment, en utilisant des propriétés de convexité du problème, résoudre le problème robuste dans le cas général. Nous en déduirons alors des résultats de complexité sur le problème de deuxième étape, et sur le problème robuste. Dans la suite de cette partie nous tenterons d’utiliser au mieux les informations probabilistes que l’on a sur les données aléatoires pour estimer la pertinence de notre ensemble d’incertitude.Dans la deuxième partie de cette thèse, nous étudierons un problème de conceptionde parc hybride de production d’électricité. Plus précisément, nous chercheronsà optimiser un parc de production électrique constitué d’éoliennes, de panneauxsolaires, de batteries et d’un générateur à diesel, destiné à répondre à unedemande locale d’énergie électrique. Il s’agit de déterminer le nombre d’éoliennes,de panneaux solaires et de batteries à installer afin de répondre à la demande pourun cot minimum. Cependant, les données du problème sont très aléatoires. En effet,l’énergie produite par une éolienne dépend de la force et de la direction du vent ; celle produite par un panneau solaire, de l’ensoleillement et la demande en électricité peut tre liée à la température ou à d’autres paramètres extérieurs. Pour résoudre ce problème, nous commencerons par modéliser le problème déterministeen un programme linéaire mixte. Puis nous appliquerons directement l’approche de la première partie pour résoudre le problème robuste associé. Nous montrerons ensuite que le problème de deuxième étape associé, peut se résoudre en temps polynomial en utilisant un algorithme de programmation dynamique. Enfin, nous donnerons quelques généralisations et améliorations pour notre problème. / Robust optimization is a recent approach to study problems with uncertain datathat does not rely on a prerequisite precise probability model but on mild assumptionson the uncertainties involved in the problem.We studied a linear two-stage robustproblem with mixed-integer first-stage variables and continuous second stagevariables. We considered column wise uncertainty and focused on the case whenthe problem doesn’t satisfy a "full recourse property" which cannot be always satisfied for real problems. We also studied the complexity of the robust problemwhich is NP-hard and proved that it is actually polynomial solvable when a parameterof the problem is fixed.We then applied this approach to study a stand-alonehybrid system composed of wind turbines, solar photovoltaic panels and batteries.The aim was to determine the optimal number of photovoltaic panels, wind turbinesand batteries in order to serve a given demand while minimizing the total cost of investment and use. We also studied some properties of the second stage problem, in particular that the second stage problem can be solvable in polynomial time using dynamic programming.

Ce travail concerne l'application des fonctions de Lyapunov et Lyapunov-Krasovskii dépendantes de paramètres à quelques problèmes sélectionnés dans le contexte de la commande robuste, à savoir : la D-stabilité robuste de polytopes de matrices, la D-stabilité robuste de polytopes de polynômes de matrices, la stabilité robuste de systèmes neutres avec des retards variables dans le temps et la commande robuste H de systèmes à temps discret et à états retardés. On utilise la représentation pour les incertitudes des systèmes étudiés. On obtient des formulations convexes, sous la forme d'inégalités matricielles linéaires, suffisantes pour la solution des problèmes sélectionnés. Ces conditions peuvent être résolues numériquement de manière efficace grâce à l'utilisation d'algorithmes spécialisés basés sur la méthode des points intérieurs. Les résultats obtenus sont moins conservatifs que ceux trouvés dans la littérature, basés, en général, sur la stabilité quadratique, c'est-à-dire, considérant des matrices des fonctionnelles fixes et indépendantes de l'incertitude.

Les récents développements en programmation semi-définie positive et en optimisation globale ont montré que les échanges entre les communautés de la théorie de la commande et de l'optimisation sont souvent à l'origine d'avancées significatives dans l'une ou l'autre des communautés. Originellement défini en théorie de la commande robuste, le formalisme lié aux inégalités matricielles linéaires a rapidement permis de développer le champ original de recherche en théorie de l'optimisation connu sous le terme de programmation semi-définie positive. En retour, les nombreux progrès théoriques (théorie de la dualité, méthodes de barrière...) et numériques (méthodes de points intérieurs, optimisation non différentiable...) ont fourni un support rigoureux à la majeure partie des développements algorithmiques produit en théorie de la commande robuste. Pour tous les formalismes actuellement utilisés en analyse et synthèse robustes allant de la théorie du mu (analyse et synthèse) au cadre de travail défini par les contraintes intégrales quadratiques, en passant par la théorie de la séparation des graphes, il est nécessaire de disposer d'une théorie de l'optimisation adéquate ainsi que des outils numériques efficaces associés. Au delà des liens habituels unissant les deux communautés, il nous a semblé qu'une relation plus subtile les liait. Outre le fait que les notions de performance et de robustesse conduisent naturellement à celle d'optimisation, les recherches entreprises et les résultats obtenus en théorie de la commande montrent souvent une parenté étroite avec le corpus issu de la théorie de l'optimisation. Une formalisation possible de ce lien organique entre les deux champs scientifiques est constituée par la théorie de Lyapunov. Nous nous attachons donc à illustrer les différents aspects que peut recouvrir la relation entre optimisation et théorie de la commande robuste. L'accent est particulièrement placé sur la théorie de Lyapunov, même si celle-ci n'en épuise pas t outes les facettes. Ainsi, après avoir présenté le contexte général de l'analyse et de la synthèse robustes et les problèmes d'optimisation particuliers qui leur sont liés, nous montrons comment de nombreux résultats obtenus dans le cadre de la théorie de Lyapunov peuvent être interprétés en terme de relaxations.

Zugl.: Bremen, Universiẗat, Diss., 2007.

Zugl.: Hamburg, Techn. Univ., Diss., 2007

Zugl.: Ulm, Universiẗat, Diss.