Optimisation discrète sous incertitudes modélisées par des fonctions de croyance

Session : ORB / Optimisation Robuste
Mercredi 10 février 11:00 - 12:20 Salle : RP12
Nathalie Helal, Frédéric Pichon, Daniel Porumbel, David Mercier et Eric Lefevre

L'approche, proposée dans ce résumé, repose sur la modification du modèle de Chance-Constrained Programming (CCP) classique en remplaçant la contrainte en probabilité par une contrainte à base de fonctions de croyance. Ces fonctions permettent de modéliser souplement les connaissances et de représenter fidèlement les incertitudes. Dans le cadre de l'application CVRP, une modification de l'algorithme de recuit simulé a permis de réduire la complexité calculatoire. Des premiers résultats sur cette application sont présentés.

Mots clés : Incertitude, Fonctions de croyance, Modèle "Chance-constrained"