Accueil des participants

Introduction à l'optimisation stochastique

Michel de Lara

CERMICS, Ecole des Ponts- ParisTech

Transparents 1 de la présentation

Transparents 2 de la présentation

Transparents 3 de la présentation

Dans un problème d'optimisation déterministe, les valeurs de tous les paramètres sont supposées connues. Que se passe-t-il quand ce n'est plus le cas (par exemple, des coefficients de prix) ? Et quand certaines valeurs sont révélées au cours des étapes de décision (par exemple, des valeurs de température) ? Nous présentons l'optimisation stochastique, à la fois comme un cadre pour formuler des problèmes sous incertitude, et comme des méthodes pour les résoudre selon la formulation retenue.

Pause déjeuner

Stochastic lot-sizing : a joint chance-constraint programming approach

Céline Gicquel

LRI , Université Paris Sud

Transparents de la présentation

We consider an optimization problem arising in the context of industrial production planning, namely the single-item capacitated lot-sizing problem. We focus on the case where the customer demand to be satisfied by the production plan is subject to uncertainty and model the resulting stochastic optimization problem as a one-stage stochastic program involving a joint chance constraint. We propose a new extension of the previously published sample approximation method to solve this difficult optimization problem. The main advantage of the proposed extension is that it does not require the introduction of additional binary variables in the mixed-integer linear programming formulation. We then present some preliminary computational results on small-size instances of the problem showing that the proposed approach leads to significantly reduced computation times as compared to the previously published sample approximation method.

SunHydrO : l'optimisation stochastique au coeur d'un projet collaboratif

Francis Sourd

Sun'R SmE

Transparents de la présentation

De nombreux pays comme la France se sont engagés à développer leur parc d'infrastructures de production d'énergies renouvelables (EnR). La maturité croissante de ces infrastructures ouvre la voie vers de nouveaux modèles de financement, hors des tarifs d'achat garantis. Parallèlement, des évolutions réglementaires et l'émergence de nouveaux marchés (capacité, services systèmes) offre un cadre favorable au développement de nouvelles solutions de flexibilité. Le projet SunHydrO vise à développer un nouvel agrégateur EnR qui, en s'appuyant sur des moyens de flexibilité, tels que le stockage gravitaire décentralisé, valorisera directement sur les marchés de l'électricité des EnR décentralisées. L'optimisation stochastique jouera un rôle prépondérant dans cette valorisation au quotidien, mais nous montrerons que l'intérêt de cette approche de recherche opérationnelle se fait sentir dès les premières phases du projet collaboratif.

Pause café

Introduction to optimization under uncertainty for high performance multicore embedded systems compilation

Oana Stan

CEA

Transparents de la présentation

With the arrival of the first massively parallel multicore embedded archi- tectures, the compilation process of dedicated applications must be rather complex in order to achieve high performance by fully and reasonably exploit all the inter- related limited resources (CPU, bandwidth, memory, etc.). Thus, the compiler de- sign requires solving a number of difficult and large-size optimization problems and the application of operation research techniques has spread from compilers back- end throughout the overall compilation chain. Most of the associated optimization problems propose deterministic models, without taking into account the uncertainty affecting the model variables. We consider that embedded systems design is one of the major domains for which applying stochastic optimization not only seems legitimate, but it is also necessary and highly beneficial. Therefore, the purpose of this presentation is to introduce the most suitable techniques from the field of optimization under uncertainty for the design of compilation chains and resolution of associated optimization problems