Titre : Optimisation bayésienne multi-objectif en haute dimension
Début de thèse : —
Fin de thèse : 2019
Résumé :
Dans cette thèse, nous nous intéressons à l’optimisation simultanée de fonctions coûteuses à évaluer et dépendant d’un grand nombre de paramètres. Cette situation est rencontrée dans de nombreux domaines tels que la conception de systèmes en ingénierie au moyen de simulations numériques. L’optimisation bayésienne, reposant sur des méta-modèles (processus gaussiens) est particulièrement adaptée à ce contexte.
La première partie de cette thèse est consacrée au développement de nouvelles méthodes d’optimisation multi-objectif assistées par méta-modèles. Afin d’améliorer le temps d’atteinte de solutions Pareto optimales, un critère d’acquisition est adapté pour diriger l’algorithme vers une région de l’espace des objectifs plébiscitée par l’utilisateur ou, en son absence, le centre du front de Pareto introduit dans nos travaux. Outre le ciblage, la méthode prend en compte le budget d’optimisation, afin de restituer un éventail de solutions optimales aussi large que possible, dans la limite des ressources disponibles.
Dans un second temps, inspirée par l’optimisation de forme, une approche d’optimisation avec réduction de dimension est proposée pour contrer le fléau de la dimension. Elle repose sur la construction, par analyse en composantes principales de solutions candidates, de variables auxiliaires adaptées au problème, hiérarchisées et plus à même de décrire les candidats globalement. Peu d’entre elles suffisent à approcher les solutions, et les plus influentes sont sélectionnées et priorisées au sein d’un processus gaussien additif. Cette structuration des variables est ensuite exploitée dans l’algorithme d’optimisation bayésienne qui opère en dimension réduite.
Mots clés : Optimisation de forme, Processus gaussiens, Optimisation multi-objectif, Reduction de dimension
Date de soutenance prévue :28/10/2019
Encadrement :
Rodolphe le Riche (CNRS, EMSE)
Victor Picheny (INRA), Benoit Enaux, Vincent Herbert (Groupe PSA)
Partenaires ou/et Financeurs :
Groupe PSA (Thèse Cifre)
Télécharger la thèse :
Objectifs de développement durable concernés :
Publications
- This thesis focuses on the simultaneous optimization of expensive-to-evaluate functions that depend on a high number of parameters. This situation is frequently encountered in fields such as design engineering through numerical simulation. Bayesian optimization relying on surrogate models (Gaussian Processes) is particularly adapted to this context.The first part of this thesis is devoted to the […]
- This thesis focuses on the simultaneous optimization of expensive-to-evaluate functions that depend on a high number of parameters. This situation is frequently encountered in fields such as design engineering through numerical simulation. Bayesian optimization relying on surrogate models (Gaussian Processes) is particularly adapted to this context.The first part of this thesis is devoted to the […]
- Parametric shape optimization aims at minimizing a function f(x) where x ∈ X ⊂ Rd is a vector of d Computer Aided Design parameters, representing diverse characteristics of the shap e Ω x . It is common for d to be large, d & 50 , making the optimization diffcult, especially when f is an […]
- […]
- Bayesian optimization algorithms, i.e., algorithms using Gaussian Processes, are often resorted to when the number of calls to the objective function is strongly limited. In the last decade, these algorithms have been extended to multi-objective optimization and parallelized versions have appeared. In this talk, we show how a faster multi-objective optimization is possible by complementing […]
- Parametric shape optimization aims at minimizing an objective function f(x) where x are CAD parameters. This task is difficult when f is the output of an expensive-to-evaluate numerical simulator and the number of CAD parameters is large. Most often, the set of all considered CAD shapes resides in a manifold of lower effective dimension in […]
- Parametric shape optimization aims at minimizing an objective function f (x) where x are CAD parameters of a shape. This task is difficult when f (·) is the output of an expensive-to-evaluate numerical simulator and the number of CAD parameters is large. Most often, the set of all considered CAD shapes reside in a manifold […]
- Bayesian algorithms (e.g., EGO, GPareto) are a popular approach to the mono and multi-objective optimization of costly functions. Despite the gains provided by the Gaussian models, convergence to the problem solutions remains out of reach when the number of variables and / or the number of objective functions increase. In this presentation, we show how […]
- Multi-objective optimization aims at finding trade-off solutions to conflicting objectives. These constitute the Pareto optimal set. In the context of expensive-to-evaluate functions, it is impossible and often non-informative to look for the entire set. As an end-user would typically prefer a certain part of the objective space, we modify the Bayesian multi-objective optimization algorithm which […]
- Multi-objective optimization aims at finding trade-off solutions to conflicting objectives. These constitute the Pareto optimal set. In the context of expensive-to-evaluate functions, it is impossible and often non-informative to look for the entire set. As an end-user would typically prefer solutions with equilibrated trade-offs between the objectives , we define a Pareto front center. We […]
Actualité
- Tanguy Appriou a soutenu sa thèse le mardi 18 mars 2025 à l’Institut Henri Fayol des Mines Saint-Étienne. Ses travaux ont porté sur l’« Optimisation de design en grande dimension », un sujet au cœur des enjeux de conception dans des disciplines … Lire la Suite →
- Du 16 au 18 mai 2022, se sont tenues les journées de l’Optimisation à HEC Montréal au Canada. A cette occasion, Rodolphe Le Riche, chercheur CNRS à Mines de Saint-Etienne (au Laboratoire d’Informatique, de Modélisation et d’Optimisation des Systèmes, LIMOS) … Lire la Suite →
- Le 28 octobre (13h30) à l’Institut Fayol (Amphi 104) intitulée : « Optimisation bayésienne multi-objectif en haute dimension ». Résumé :Dans cette thèse, nous nous intéressons à l’optimisation simultanée de fonctions coûteuses à évaluer et dépendant d’un grand nombre de paramètres. Cette … Lire la Suite →
- Le département Génie mathématique et industriel de École des Mines de Saint-Étienne à l’honneur lors de la conférence annuelle du GdR MASCOT-NUM (http://www.mascotnum2019.com/), Méthodes d’Analyse Stochastique pour les COdes et traitements NUMériques : deux doctorants de 3e année sous la … Lire la Suite →