index - Bibliographie de l’équipe ORKAD

Équipe ORKAD - Operational Research, Knowledge And Data

ORKAD est une équipe de recherche du groupe thématique OPTIMA du laboratoire CRIStAL (Centre de Recherche en Informatique, Signal et Automatique de Lille, UMR CNRS 9189).

L’objectif principal de l’équipe ORKAD est d’ exploiter simultanément l’ optimisation combinatoire et l’ extraction de connaissances pour résoudre des problèmes d’optimisation. Bien que les deux domaines scientifiques se soient développés de manière plus ou moins indépendante, la synergie entre l’optimisation combinatoire et l’extraction de connaissances offre une opportunité d’améliorer les performances et l’autonomie des méthodes d’optimisation grâce à la connaissance et, d’autre part, de résoudre efficacement les problèmes d’extraction de connaissances grâce aux méthodes de recherche opérationnelles. Nos approches sont principalement basées sur l’optimisation combinatoire mono et multi-objective et donnent lieu à la diffusion de logiciels libres. 

Derniers dépôts

Chargement de la page

Documents en texte intégral

88

Notices

65

Mots clés

Drone swarms routing multi-agents systems humanitarian logistics disaster relief Complexity Local search Automatic configuration tuning Algorithmes évolutionnaires multiobjectifs Adaptive Control Configuration automatique des algorithmes Bi-objective Coverage path planning Constrained minimum spanning tree problems Automatic Algorithm Configuration Deep Learning Approvisionnement multi-échelon Compromis exploration-exploitation Local Optima Networks Temporal data Augmented ϵ -constraint Neural Architecture Search Performance prediction Design automatique d’algorithmes Configuration automatique Clique Multi-Objective Optimisation Bi-objective optimization Timetabling Routing Problems Clarke & Wright CVRP Complexity dichotomy Dynamic programming Multi-objective optimization Dynamic programming core model Co-clustering Combinatorial Optimization Biclustering Clustering Bayesian dynamic network Fitness Landscapes E-Learning Drone swarms Adaptive Mechanisms CCS Concepts • Applied computing → Multi-criterion optimization and decision-making Bidimensionality BIC Multi-objective local search Local Search Machine Learning Automation Optimisation combinatoire Analyse de paysages de recherche Machine learning Operations research Knowledge Discovery Gestion des stocks Landscape analysis MOEA/D Augmented ϵ-constraint Combinatorial optimization Multi-Objective Optimization Automatic algorithm design Corporate Configuration automatique d'algorithmes Métaheuristiques Treewidth Combinatorial optimization Contrôle adaptatif Recherche locale Algorithme génétique Combinatorial optimisation Combinatorial Optimisation Metaheuristics Assurance Classification Algorithms Automatic Configuration Heuristics Disaster relief Automatic algorithm configuration Approvisionnement multi article Automatic configuration Optimization Algorithm Configuration Algorithm Selection Bottleneck objective function Classification Graph algorithm University timetabling Cluster Editing/Deletion/Completion problems WEB Domain Ontology Neural architecture search Multi-objective optimisation Agent-based model Routing Data mining Déconstruction sélective Recherche opérationnelle Approvisionnement Digital learning Delay-constrained minimum spanning tree Multi-objective Algorithmes de recherche locale