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

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