Thème Métamodélisation, Optimisation Continue et Application (MOCA)
Présentation
Ce thème, pluri-disciplinaire, concerne la gestion de modèles et leurs applications en particulier en optimisation continue. En terme de modélisation, on retrouve donc la simulation numérique de systèmes physiques et la métamodélisation sous ses deux significations:
-
La construction de modèles statistiques à partir de données entrée-sortie qui, elles même, peuvent provenir de modèles coûteux de simulation par éléments finis. Cette métamodélisation est un apprentissage supervisé utilisant une quantité limitée de données. Les méthodes d'optimisation continue utilisent souvent de tels métamodèles.
-
La production de programmes informatiques à travers la description et la manipulation de modèles. Dans ce cas, un métamodèle est un descripteur d’une classe de modèles. La notion couvre aussi les métaprogrammes qui décrivent algorithmiquement un ensemble d'instances de modèles possibles.
Ainsi, le thème Métamodélisation couvre aussi bien les aspects théoriques de l'optimisation continue, que les ``computer experiments'', ou l'implémentation et l'optimisation de codes de simulation complexes nécessitant souvent le recours au calcul intensif. Nous proposons aussi des solutions logicielles intégrées pour des problèmes de simulation à événements discrets et nous attachons un soin particulier à la reproductibilité numérique des résultats.
Mots clés :
- Modélisation statistique
- Optimisation continue
- Simulation à événements discret
- Calcul scientifique
- Calcul à Haute Performance
- Reproductibilité numérique
Dernières Publications
Intelligent Fault Analysis Decision Flow in Semiconductor Industry 4.0 Using Natural Language Processing with Deep Clustering
IEEE 17th International Conference on Automation Science and Engineering (CASE)
Jules Djoko, Jonas Koko, Sognia Konlack - 22 août 2021
Stokes equation under Tresca friction boundary condition: a truncated approach
Rodolphe Le Riche, Dédji Whannou, Espéran Padonou - 29 juillet 2021
An introduction to optimization for machine learning
Charlie Sire, Rodolphe Le Riche, Didier Rullière, Lucie Pheulpin, Yann Richet, Jeremy Rohmer - 28 juin 2021
Robust inversion under uncertainty for risk analysis – application to the failure of defences against flooding
4th International Conference on Uncertainty Quantification in Computational Sciences and Engineering (UNCECOMP 2021)
Clément Laboulfie, Mathieu Balesdent, Loïc Brevault, Sebastien da Veiga, François-Xavier Irisarri, Rodolphe Le Riche, Jean-François Maire - 27 juin 2021
Calibration of material model using mixed-effects models
4th International Conference on Uncertainty Quantification in Computational Sciences and Engineering (UNCECOMP 2021)
Mateus Vilela Souza, Bruno Bachelet, Thiago Noronha, Loïc Yon, Christophe Duhamel - 26 avril 2021
Online Scheduling with Time Windows of Agricultural Robots
22ème congrès de la société française de Recherche Opérationnelle et d'Aide à la Décision (ROADEF)
Rodolphe Le Riche, Victor Picheny - 2 avril 2021
Revisiting Bayesian Optimization in the light of the COCO benchmark
Olivier Roustant, Rodolphe Le Riche, Josselin Garnier, David Ginsbourger, Yves Deville, Céline Helbert, Luc Pronzato, Clémentine Prieur, Fabrice Gamboa, François Bachoc, Jeremy Rohmer, Guillaume Perrin, Amandine Marrel, Guillaume Damblin, Alain Gliere, Delphine Sinoquet, Yann Richet, Sébastien da Veiga, Frédéric Huguet - 1 avril 2021
Chair in applied mathematics OQUAIDO Activity report
François Bachoc, Nicolas Durrande, Didier Rullière, Clément Chevalier - 25 février 2021
Properties and comparison of some Kriging sub-model aggregation methods
Rui Sá Shibasaki, Mourad Baïou, Francisco Barahona, Philippe Mahey, Mauricio Souza - 1 janvier 2021
Lagrangian bounds for large‐scale multicommodity network design: a comparison between Volume and Bundle methods
International Transactions in Operational Research
Toutes les publis se trouvent ici