📐 Optimisation
Recherche sur l'ordonnancement, l'optimisation combinatoire et multi-objectif, l'analyse des paysages de fitness et l'optimisation des systèmes énergétiques.
La recherche en optimisation se concentre sur le développement de méthodes pour résoudre des problèmes complexes d'optimisation combinatoire et continue, avec un accent particulier sur le problème de l'ordonnancement d'ateliers flexible, l'optimisation multi-objectif et l'analyse des paysages de fitness. Un fil conducteur est l'utilisation de l'apprentissage automatique — en particulier l'apprentissage par renforcement et l'apprentissage profond — au sein des cadres d'optimisation.
Ordonnancement & Optimisation combinatoire
Ordonnancement d'ateliers flexible avec l'apprentissage par renforcement profond
Un vaste programme de recherche sur la résolution du problème de l'ordonnancement d'ateliers flexible (FJSP) utilisant l'apprentissage par renforcement profond. Nos travaux abordent le problème sous plusieurs angles :
- Représentation par graphes : nouvelle représentation par graphes permettant la génération de politiques diversifiées via le RL profond.
- Résolution en temps réel : programmation par contraintes intégrée à l'apprentissage profond pour l'ordonnancement dynamique.
- RL hors ligne : apprentissage de politiques d'ordonnancement à partir de données historiques sans interaction avec l'environnement en ligne.
- Auto-évaluation : méthodes d'évaluation des décisions d'ordonnancement sans vérité terrain.
Clonage comportemental pour l'ordonnancement
Le Multi-Assignment Scheduler : une nouvelle méthode de clonage comportemental pour le problème de l'ordonnancement d'ateliers. Apprentissage d'heuristiques d'ordonnancement à partir de démonstrations d'experts utilisant l'apprentissage par imitation.
Stratégies de routage et de branchement en fabrication 3D
Application de la recherche opérationnelle et de la programmation mathématique aux problèmes de routage dans la conception 3D pour la fabrication. Stratégies de branchement pour une exploration efficace de l'espace des solutions.
Optimisation multi-objectif
Optimisation combinatoire bi-objectif
Recherche sur les problèmes d'optimisation combinatoire bi-objectif avec des objectifs hétérogènes (par exemple, un objectif continu et un objectif discret). Développement d'algorithmes pour l'approximation du front de Pareto dans de tels contextes.
Benchmarking des MOEA pour les problèmes de RL
Comparaison systématique des algorithmes évolutionnaires multi-objectifs (MOEA) pour la résolution de problèmes d'apprentissage par renforcement multi-objectifs continus. Analyse de NSGA-II, MOEA/D et d'autres algorithmes de pointe sur des problèmes de benchmark de RL.
Analyse des paysages de fitness
Analyse de la structure des problèmes
Recherche sur la caractérisation de la structure des problèmes d'optimisation par l'analyse des paysages de fitness. Comprendre pourquoi certains problèmes sont difficiles pour des algorithmes particuliers, et comment les caractéristiques du paysage sont liées à la performance des algorithmes.
Paysages NK & Classes de problèmes
Recherche sur les paysages NK et les classes de problèmes de benchmark associées pour comprendre la difficulté des problèmes d'optimisation combinatoire. Analyse de la manière dont la structure du problème affecte le comportement des algorithmes évolutionnaires.
Optimisation des systèmes énergétiques
Optimisation des centrales géothermiques
Application d'algorithmes d'estimation de distribution continus pour l'optimisation paramétrique des centrales géothermiques. Optimisation des paramètres de fonctionnement pour maximiser l'efficacité et réduire l'impact environnemental.
Optimisation des réseaux intelligents
Méthodes d'IA pour les réseaux de distribution d'électricité intelligents : identification de la connectivité compteur-transformateur, contrôle de la tension et détection d'anomalies dans les réseaux basse tension.
Gestion de l'énergie des bâtiments
Méthodologie intelligente pour la gestion de l'énergie dans les bâtiments et la détection d'anomalies. Prédiction de la consommation d'énergie des bâtiments à l'aide de réseaux de neurones évolués et d'autres approches d'apprentissage automatique.
Publications sélectionnées
- Santana R, Mendiburu A and Lozano JA (2017). A comparison of probabilistic-based optimization approaches for vehicle routing problems. GECCO 2017.
- Santana R, Larrañaga P and Lozano JA (2014). A probabilistic evolutionary optimization approach to compute quasiparticle braids. GECCO 2014.
- Ceberio J, Santana R, Mendiburu A and Lozano JA (2015). Mixtures of Generalized Mallows models for solving the quadratic assignment problem. CEC 2015.
- González-Arenas Z, Jiménez-Sobrino JC, Lozada-Chang L and Santana R (2008). Parameter estimation of diffusion processes using EDAs. CEC 2008.
- Santana R, Mendiburu A and Lozano JA (2016). Evolutionary Approaches to Optimization Problems in Chimera Topologies. GECCO 2016.
- Khargharia HS, Shakya S, Santana R, Oliveira M and Mooney P (2020). Automated hyper-heuristic design using EDA and domain knowledge for nurse scheduling problems. CEC 2020.
- Santana R and Shakya S (2020). Dynamic programming operators for bi-objective TTP problem. GECCO 2020.
- Arenas ZG, Jimenez JC, Lozada-Chang L-V and Santana R (2021). Estimation of distribution algorithms for the computation of innovation estimators of diffusion processes. Mathematics and Computers in Simulation.
- Murua M, Galar D and Santana R (2022). Solving the multi-objective Hamiltonian cycle problem using a Branch-and-Fix based algorithm. Journal of Computational Science.
- Irurozki E, Ceberio J, Santamaria J, Santana R and Mendiburu A (2018). Algorithm 989: perm_mateda: A Matlab Toolbox of Estimation of Distribution Algorithms for Permutation Problems. ACM TOMS.
- Ponce M and Santana R (1997). A hybrid genetic algorithm for a Hamiltonian path problem. CIMAF 1997.
- Ponce-de-Leon M, Ponce M and Santana R (1996). A genetic algorithm for a Hamiltonian path problem. GECCO 1996.