Apprentissage de problèmes de contraintes

Résumé : La programmation par contraintes permet de modéliser des problèmes et offre des méthodes de résolution efficaces. Cependant, sa complexité augmentant ces dernières années, son utilisation, notamment pour modéliser des problèmes, est devenue limitée à des utilisateurs possédant une bonne expérience dans le domaine. Cette thèse s'inscrit dans un cadre visant à automatiser la modélisation. Les techniques existantes ont montré des résultats encourageants mais certaines exigences rendent leur utilisation encore problématique. Dans une première partie, nous proposons de dépasser une limite existante qui réside dans la nécessité pour l'utilisateur de fournir des solutions du problème qu'il veut modéliser. En remplacement, il nous fournit des solutions de problèmes proches, c'est-à-dire de problèmes dont la sémantique de fond est la même mais dont les variables et leur domaine peuvent changer. Pour exploiter de telles données, nous proposons d'acquérir, grâce à des techniques de programmation logique inductive, un modèle plus abstrait que le réseau de contraintes. Une fois appris, ce modèle est ensuite transformé pour correspondre au problème initial que souhaitait résoudre l'utilisateur. Nous montrons également que la phase d'apprentissage se heurte à des limites pathologiques et qui nous ont contraints à développer un nouvel algorithme pour synthétiser ces modèles abstraits. Dans une seconde partie, nous nous intéressons à la possibilité pour l'utilisateur de ne pas donner d'exemples du tout. En partant d'un CSP sans aucune contrainte, notre méthode consiste à résoudre le problème de l'utilisateur de manière classique. Grâce à un arbre de recherche, nous affectons progressivement des valeurs aux variables. Quand notre outil ne peut décider si l'affectation partielle courante est correcte ou non, nous demandons à l'utilisateur de guider la recherche sous forme de requêtes. Ces requêtes permettent de trouver des contraintes à ajouter aux modèles du CSP et ainsi améliorer la recherche.
Type de document :
Thèse
Intelligence artificielle [cs.AI]. Université d'Orléans, 2011. Français. <NNT : 2011ORLE2058>


https://tel.archives-ouvertes.fr/tel-00668156
Contributeur : Abes Star <>
Soumis le : mercredi 16 mai 2012 - 18:42:25
Dernière modification le : mardi 8 juillet 2014 - 19:51:16
Document(s) archivé(s) le : vendredi 17 août 2012 - 02:40:55

Fichier

matthieu.lopez_3208.pdf
Version validée par le jury (STAR)

Identifiants

  • HAL Id : tel-00668156, version 2

Collections

Citation

Matthieu Lopez. Apprentissage de problèmes de contraintes. Intelligence artificielle [cs.AI]. Université d'Orléans, 2011. Français. <NNT : 2011ORLE2058>. <tel-00668156v2>

Exporter

Partager

Métriques

Consultations de
la notice

531

Téléchargements du document

134