{"id":363,"date":"2022-12-13T11:08:04","date_gmt":"2022-12-13T10:08:04","guid":{"rendered":"https:\/\/www.mines-stetienne.fr\/fayol\/?page_id=363"},"modified":"2022-12-13T11:08:05","modified_gmt":"2022-12-13T10:08:05","slug":"these-presentee-par-adrien-spagnol","status":"publish","type":"page","link":"https:\/\/www.mines-stetienne.fr\/fayol\/theses\/these-presentee-par-adrien-spagnol\/","title":{"rendered":"Th\u00e8se pr\u00e9sent\u00e9e par Adrien Spagnol"},"content":{"rendered":"

Titre :<\/strong> Indices de sensibilit\u00e9 via des m\u00e9thodes \u00e0 noyaux pour des probl\u00e8mes d’optimisation en grande dimension<\/strong><\/p>\n

D\u00e9but de th\u00e8se : <\/strong>2017
\nFin de th\u00e8se :<\/strong> 2020<\/p>\n

R\u00e9sum\u00e9 :\u00a0<\/strong> Cette th\u00e8se s’int\u00e9resse \u00e0 l’optimisation sous contraintes de probl\u00e8mes type \u00ab boite-noire \u00bb en grande dimension. R\u00e9pandus dans les applications industrielles, elles ont g\u00e9n\u00e9ralement un co\u00fbt \u00e9lev\u00e9 ce qui emp\u00eache d’utiliser la plupart des m\u00e9thodes d’optimisation classiques. Afin de r\u00e9soudre ces probl\u00e8mes, la dimension de celui-ci est souvent r\u00e9duite via diff\u00e9rentes techniques telle que l’analyse de sensibilit\u00e9. Un nouvel indice de sensibilit\u00e9 est propos\u00e9 dans ces travaux afin de distinguer quelles sont les entr\u00e9es du probl\u00e8mes influentes et celles n\u00e9gligeables et d’obtenir un probl\u00e8me simplifi\u00e9 n\u2019incluant que les premi\u00e8res. Notre indice, reposant sur le crit\u00e8re d’ind\u00e9pendance d’Hilbert Schmidt, fournit une connaissance de l’impact d’une variable sur la performance de la sortie ou le respect des contraintes, des aspects primordiaux dans notre cadre d’\u00e9tude. Outre la caract\u00e9risation des variables influentes, plusieurs strat\u00e9gies sont propos\u00e9es pour traiter les param\u00e8tres n\u00e9gligeables. De plus, les applications industrielles co\u00fbteuses sont g\u00e9n\u00e9ralement remplac\u00e9es par des mod\u00e8les proxys moins co\u00fbteux qui sont optimis\u00e9s de mani\u00e8re s\u00e9quentielle. Afin de contourner les limitations dues au nombre \u00e9lev\u00e9 de param\u00e8tres, aussi connu sous le nom de fl\u00e9au de la dimension, une extension de l’optimisation bas\u00e9e sur des m\u00e9tamod\u00e8les est propos\u00e9e dans cette th\u00e8se. Gr\u00e2ce aux nouveaux indices de sensibilit\u00e9s susmentionn\u00e9s, les param\u00e8tres influents sont d\u00e9tect\u00e9s \u00e0 chaque it\u00e9ration et l’optimisation est effectu\u00e9e dans un espace de dimension inf\u00e9rieure.<\/p>\n

Mots cl\u00e9s\u00a0:\u00a0<\/strong> Analyse de sensibilit\u00e9, Grande dimension, Optimisation globale, Optimisation Bay\u00e9sienne, R\u00e9duction de dimensions<\/p>\n

Soutenance :\u00a0<\/strong> 02-07-2020<\/p>\n

Directeur de\u00a0th\u00e8se <\/strong>: <\/strong><\/p>\n