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. 

Documents en texte intégral

88

Notices

65

Mots clés

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