Un doctorant à la Naval Postgraduate School

Doctorant au DISC et bénéficiaire 2019 de la Fondation, Franco est parti de mars à juin dernier effectuer des travaux de recherche au sein de la Naval Postgraduate School en Californie. 

Catégorie : Bénéficiaires et lauréats

Publié le : 22/07/2019

Partager

Tu es parti 3 mois, quels ont été tes objectifs durant cette période ?


L'objectif principal du séjour fut le développement de modèles de planification de maintenance des avions militaires tenant compte des incertitudes. Le séjour a été très satisfaisant à plusieurs niveaux: un article est déjà en cours comme résultat des travaux faits en collaboration avec le département de Recherche Opérationnelle de la Naval Postgraduate School. J'ai eu aussi l'opportunité de suivre des cours d'optimisation dans l'université et de participer à un atelier d'optimisation fait en collaboration avec d'autres universités en Californie comme par exemple Stanford, UC Berkley et UC Davis (BayOpt2019). Finalement, j'ai rencontré plusieurs élèves et professeurs, avec qui j'ai créé des liens et gardé contact.

 

Au coeur des recherches de Franco, à travers le bilan de ses travaux

 

Notre contribution a été la suivante.

Tout d'abord, proposer un nouveau modèle mathématique capable de résoudre les problèmes militaires de moyenne et grande envergure en matière de planification du vol et de la maintenance (FMP). 
Deuxièmement, faire une étude rigoureuse sur la relation entre les instances du problème FMP et les caractéristiques de leurs solutions (proches) optimales. Cette étude suit deux approches différentes mais complémentaires pour réduire l'espace de solution : l'une déterministe et l'autre stochastique. Le premier utilise l'information sur les conditions et les contraintes initiales pour lier et éliminer les variables de décision et ajouter des réductions valides au problème. Le dernier utilise une base de données d'instances résolues générée précédemment pour atteindre un objectif similaire en prédisant les caractéristiques spécifiques de la solution à partir des données d'entrée.

 

Par conséquent, un décideur peut obtenir, dans un cas particulier, plusieurs avantages : 
(1) rétroaction sur l'infaisabilité potentielle de l'instance ; 
(2) aperçu des caractéristiques d'une solution presque optimale : capacité d'entretien et utilisation de la flotte, fréquence des entretiens ; 
(3) solutions plus rapides en intégrant automatiquement ces renseignements.
L'avantage (2) peut également être utilisé pour effectuer une analyse de sensibilité sur des variables aléatoires particulières et voir l'impact de différents scénarios sur les ressources. Par exemple : après des seuils spécifiques sur le nombre total d'heures de vol, les ressources de maintenance sont surutilisées. Ces analyses de sensibilité pourraient être utiles pour prendre des décisions à long terme en matière de gestion de la flotte, comme la capacité d'entretien et la taille de la flotte.
Plus généralement, cette contribution montre comment intégrer l'apprentissage statistique supervisé dans la prise de décision d'optimisation afin de fournir une analyse de sensibilité sur des paramètres incertains ; et comment intégrer cette information pour améliorer la performance.