Métaheuristiques Guidées par l’Apprentissage pour la Coloration de Graphe
Auteur / Autrice : | Cyril Grelier |
Direction : | Jin-Kao Hao, Olivier Goudet |
Type : | Thèse de doctorat |
Discipline(s) : | Informatique |
Date : | Soutenance le 12/12/2023 |
Etablissement(s) : | Angers |
Ecole(s) doctorale(s) : | École doctorale Mathématiques et Sciences et Technologies du numérique, de l’Information et de la Communication (Nantes ; 2022-....) |
Partenaire(s) de recherche : | Laboratoire : Laboratoire d'Etudes et de Recherche en Informatique d'Angers - Laboratoire d'Etudes et de Recherche en Informatique d'Angers |
Jury : | Président / Présidente : Nicolas Durand |
Examinateurs / Examinatrices : Béatrice Duval | |
Rapporteurs / Rapporteuses : Tristan Cazenave, Sébastien Verel |
Résumé
Dans cette thèse, nous nous intéressons à la résolution de problèmes de coloration de graphe. Tout d’abord, nous étudions des propriétés théoriques de ces problèmes, qui permettent de réduire en pratique le nombre de variables et l’espace de recherche pour des instances difficiles de graphe. Nous présentons ensuite des méthodes de type Monte Carlo Tree Search (MCTS), qui mettent en jeu une recherche dans l’arbre des solutions légales guidée par de l’apprentissage. Pour en améliorer les performances, nous avons hybridé ce MCTS avec des algorithmes de recherche locale. Toujours dans le cadre du MCTS, nous avons ensuite cherché à apprendre à sélectionner les bons opérateurs de recherche locale de manière adaptative au cours de la résolution. Une comparaison de différentes techniques d’apprentissage pour le choix de ces opérateurs, allant de stratégies probabilistes simples à des techniques d’apprentissage profond, est étudiée. Enfin, nous avons étendu ce travail sur les hyperheuristiques, au cadre des algorithmes mémétiques, qui alternent l’utilisation d’opérateurs de recherche locale avec des opérateurs de croisement au sein d’une population de solutions candidates.