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

87

Notices

66

Mots clés

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