Optimisation dans l'incertain

Réf. : US331E

Sessions de formation

(Fuseau horaire : Europe/Paris)

Centre Cnam Paris - Formation Annuelle en présentiel

La période de cours est planifiée du 15/09/2025 au 06/06/2026

La période d'inscription est programmée du 02/06/2025 10:00 au 17/10/2025 18:00

Présentation

Public, conditions d'accès et prérequis

Bases de probabilité, programmation et dualité linéaire, décomposition de Benders

Objectifs

Maîtrise des outils fondamentaux en optimisation stochastique

Contenu

  1. Séance 1: Introduction à l’optimisation sous incertitude.
    • Grandes classes de problème d’optimisation sous incertitude parmis lesquels l’optimisation stochas- tique et robuste. Importance de la simulation dans l’évaluation des problèmes d’optimisation sous incertitude.
    • Principe de l’optimisation stochastique. Formulation extensive sur un arbre de scénarios. Notion de structure d’information, VSS et EVPI.
    • Principe de Sample Average Approximation.
  2. Séance 2: Méthodes numériques de décomposition des problèmes stochastiques
    • Décomposition L-Shaped.
    • Progressive-Hedging.
    • Extension au cas multistage.
  3.  Séance 3: Méthodes de résolution à base de programmation dynamique.
    • Principe de la programmation dynamique. Opérateur de Bellman. Application à un problème de gestion de stock.
    • Extension du cadre d’application de la programmation dynamique à l’aide d’état étendu : exemples et exercices.
    • Algorithme SDDP pour le cas linéaire convexe.
  4. Séance 4: Introduction à l’optimisation robuste.
    • Principe de l’optimisation robuste. Motivation par le cas linéaire.
    • Classes de méthodes de résolution : génération de contraintes ou reformulation. Exemple du cas linéaire.
    • Classification des problèmes robustes. Notion de garantie probabiliste.
  5. Séance 5: Optimisation robuste avancée.
    • Problèmesd’optimisationrobustesouscontraintesdebudget.ModèledeSoyster.Modèleaveccontraintes de budget (Bertsimas-Sim). Méthode de reformulation et garanties théoriques.
    • Problèmes d’optimisation robuste avec recours. Règles de décision affines. Recours K-adaptable.

Modalités d'évaluation

  • Examen final