Optim : Différence entre versions

De MIAT INRA
Aller à : navigation, rechercher
(Page créée avec « = Optimisation pour les Sciences de la Vie = »)
 
(Optimisation pour les Sciences de la Vie)
Ligne 1 : Ligne 1 :
 
= Optimisation pour les Sciences de la Vie =
 
= Optimisation pour les Sciences de la Vie =
 +
 +
Les travaux de l'INRA sur et autour des méthodes algorithmiques d’optimisation sont très riches, variés et multiformes. On note deux grands types d'activités :
 +
la conception de méthodes et outils, permettant de proposer de nouvelles méthodes répondant à des besoins génériques ou spécifiques apparaissant dans des problématiques pertinentes pour l'INRA : problèmes d'optimisation sous contraintes, multi-objectifs, séquentiels, non linéaires, nécessitant des temps de calcul importants, à partir de données incertaines, ou avec un critère probabiliste. Une variété d'approches sont ainsi étudiées et développées à l'INRA, qu'il s'agisse d'optimisation stochastique et locale, par simulation ou d'approches exactes. Les  approches stochastiques et exactes peuvent fréquemment s'hybrider (approches mémétiques, calcul de solutions de démarrage).
 +
la modélisation et la résolution effective de problèmes, réalisée aussi bien au sein du département MIA que parmi les modélisateurs disséminés dans les différents départements de l’INRA. Les applications traitées sont extrêmement variées. Très nombreuses en bioinformatique (génétique, biologie structurale, biologie des systèmes, analyse de séquences, localisation d'ARNs), elles concernent aussi le contrôle de processus spatio-temporels (adventices, bio-agresseurs des cultures, pathogènes dans les élevages), l’optimisation d’échantillonnage pour la cartographie de processus spatiaux et plus généralement l’optimistion d’expériences,  la décision dans les agro-écosystèmes, la modélisation et la simulation de systèmes de culture ou de systèmes agro-alimentaires, le comportement animal, l’apprentissage de modèles in-silico, l’aide à la conception ou l’aide à la décision (eg.  dans un cadre de durabilité).
 +
 +
Les techniques utilisées sont donc très variées, et vont des méthodes déterministes exactes (programmation dynamique, linéaire, en nombres entiers, par contraintes,...) jusqu’aux heuristiques stochastiques (MCMC, recuit simulé, recherche tabou, programmation dynamique stochastique...) et aux heuristiques à base de population (algorithmes génétiques, stratégies d’évolution, essaims particulaires, algorithmes à colonies de fourmis, heuristiques de reparamétrisation). Il est souvent non trivial  d'identifier la meilleure méthode pour un problème donné. Dans tous les cas, les différents cadres d’application de ces approches posent des problèmes de ressources de calcul (temps ou mémoire) importants, en particulier lorsqu'il s'agit d’aborder des problèmes complexes de très grande taille.  La parallélisation massive est une des voies qui peut permettre d'y répondre.  Se pose donc la question de la mutualisation des ressources méthodologiques, algorithmiques et calculatoires.
 +
Objectifs du réseau
 +
 +
Ce réseau vise à identifier à l'intérieur de l'INRA puis à fédérer une communauté de concepteurs et d'utilisateurs des méthodes de l'optimisation. Dans un premier temps au moins, nous souhaitons ouvrir le réseau largement à toutes les déclinaisons de l'optimisation (discrète ou continue, linéaire ou non, convexe, combinatoire, exacte ou approchée, avec ou sans garantie) et à toutes ses applications à l'intérieur de l'INRA (agronomie, écologie, économie, procédés de transformation, biologie moléculaire ou des systèmes, bioinformatique...). Une fois un premier groupe identifié, le but du réseau sera de faciliter le partage intensifier les échanges entre concepteurs et/ou utilisateurs de méthodes. En effet, la coloration des problèmes traités à l’INRA  peut mener à des développements spécifiques. Le défi de l’éco-conception par exemple nécessite de développer des techniques d’optimisation robustes, rapides, multi-objectifs, permettant de gérer les incertitudes et l’incomplétude des données, voire aussi l’incertitude et la subjectivité des fonctions objectives.
 +
L’expérience montre qu’un usage « en boîte noire », s'il peut fonctionner pour des cas simples, ne permet pas de tirer le meilleur parti des outils d’optimisation dans des cas plus complexes. Il est nécessaire d’avoir à la fois une bonne expertise sur les méthodes d’optimisation et sur le problème considéré pour pouvoir apporter des réponses exploitables et efficaces. Avoir un espace d’interaction spécifiquement INRA autour de ces questions répond à un besoin exprimé par beaucoup de chercheurs.

Version du 11 mai 2015 à 14:19

Optimisation pour les Sciences de la Vie

Les travaux de l'INRA sur et autour des méthodes algorithmiques d’optimisation sont très riches, variés et multiformes. On note deux grands types d'activités : la conception de méthodes et outils, permettant de proposer de nouvelles méthodes répondant à des besoins génériques ou spécifiques apparaissant dans des problématiques pertinentes pour l'INRA : problèmes d'optimisation sous contraintes, multi-objectifs, séquentiels, non linéaires, nécessitant des temps de calcul importants, à partir de données incertaines, ou avec un critère probabiliste. Une variété d'approches sont ainsi étudiées et développées à l'INRA, qu'il s'agisse d'optimisation stochastique et locale, par simulation ou d'approches exactes. Les approches stochastiques et exactes peuvent fréquemment s'hybrider (approches mémétiques, calcul de solutions de démarrage). la modélisation et la résolution effective de problèmes, réalisée aussi bien au sein du département MIA que parmi les modélisateurs disséminés dans les différents départements de l’INRA. Les applications traitées sont extrêmement variées. Très nombreuses en bioinformatique (génétique, biologie structurale, biologie des systèmes, analyse de séquences, localisation d'ARNs), elles concernent aussi le contrôle de processus spatio-temporels (adventices, bio-agresseurs des cultures, pathogènes dans les élevages), l’optimisation d’échantillonnage pour la cartographie de processus spatiaux et plus généralement l’optimistion d’expériences, la décision dans les agro-écosystèmes, la modélisation et la simulation de systèmes de culture ou de systèmes agro-alimentaires, le comportement animal, l’apprentissage de modèles in-silico, l’aide à la conception ou l’aide à la décision (eg. dans un cadre de durabilité).

Les techniques utilisées sont donc très variées, et vont des méthodes déterministes exactes (programmation dynamique, linéaire, en nombres entiers, par contraintes,...) jusqu’aux heuristiques stochastiques (MCMC, recuit simulé, recherche tabou, programmation dynamique stochastique...) et aux heuristiques à base de population (algorithmes génétiques, stratégies d’évolution, essaims particulaires, algorithmes à colonies de fourmis, heuristiques de reparamétrisation). Il est souvent non trivial d'identifier la meilleure méthode pour un problème donné. Dans tous les cas, les différents cadres d’application de ces approches posent des problèmes de ressources de calcul (temps ou mémoire) importants, en particulier lorsqu'il s'agit d’aborder des problèmes complexes de très grande taille. La parallélisation massive est une des voies qui peut permettre d'y répondre. Se pose donc la question de la mutualisation des ressources méthodologiques, algorithmiques et calculatoires. Objectifs du réseau

Ce réseau vise à identifier à l'intérieur de l'INRA puis à fédérer une communauté de concepteurs et d'utilisateurs des méthodes de l'optimisation. Dans un premier temps au moins, nous souhaitons ouvrir le réseau largement à toutes les déclinaisons de l'optimisation (discrète ou continue, linéaire ou non, convexe, combinatoire, exacte ou approchée, avec ou sans garantie) et à toutes ses applications à l'intérieur de l'INRA (agronomie, écologie, économie, procédés de transformation, biologie moléculaire ou des systèmes, bioinformatique...). Une fois un premier groupe identifié, le but du réseau sera de faciliter le partage intensifier les échanges entre concepteurs et/ou utilisateurs de méthodes. En effet, la coloration des problèmes traités à l’INRA peut mener à des développements spécifiques. Le défi de l’éco-conception par exemple nécessite de développer des techniques d’optimisation robustes, rapides, multi-objectifs, permettant de gérer les incertitudes et l’incomplétude des données, voire aussi l’incertitude et la subjectivité des fonctions objectives. L’expérience montre qu’un usage « en boîte noire », s'il peut fonctionner pour des cas simples, ne permet pas de tirer le meilleur parti des outils d’optimisation dans des cas plus complexes. Il est nécessaire d’avoir à la fois une bonne expertise sur les méthodes d’optimisation et sur le problème considéré pour pouvoir apporter des réponses exploitables et efficaces. Avoir un espace d’interaction spécifiquement INRA autour de ces questions répond à un besoin exprimé par beaucoup de chercheurs.

Génotoul BioInfo
Équipe RECORD
IMABS
Outils personnels