Nouvel algorithme d'optimisation bayésien utilisant une approche Monte-Carlo séquentielle.

Résumé : Ce travail de thèse s'intéresse au problème de l'optimisation globale d'une fonction coûteuse dans un cadre bayésien. Nous disons qu'une fonction est coûteuse lorsque son évaluation nécessite l’utilisation de ressources importantes (simulations numériques très longues, notamment). Dans ce contexte, il est important d'utiliser des algorithmes d'optimisation utilisant un faible nombre d'évaluations de cette dernière. Nous considérons ici une approche bayésienne consistant à affecter à la fonction à optimiser un a priori sous la forme d'un processus aléatoire gaussien, ce qui permet ensuite de choisir les points d'évaluation de la fonction en maximisant un critère probabiliste indiquant, conditionnellement aux évaluations précédentes, les zones les plus intéressantes du domaine de recherche de l'optimum. Deux difficultés dans le cadre de cette approche peuvent être identifiées : le choix de la valeur des paramètres du processus gaussien et la maximisation efficace du critère. La première difficulté est généralement résolue en substituant aux paramètres l'estimateur du maximum de vraisemblance, ce qui est une méthode peu robuste à laquelle nous préférons une approche dite complètement bayésienne. La contribution de cette thèse est de présenter un nouvel algorithme d'optimisation bayésien, maximisant à chaque étape le critère dit de l'espérance de l'amélioration, et apportant une réponse conjointe aux deux difficultés énoncées à l'aide d'une approche Sequential Monte Carlo. Des résultats numériques, obtenus à partir de cas tests et d'applications industrielles, montrent que les performances de notre algorithme sont bonnes par rapport à celles d’algorithmes concurrents.
Type de document :
Thèse
Autre. Supélec, 2013. Français. 〈NNT : 2013SUPL0011〉
Liste complète des métadonnées

https://tel.archives-ouvertes.fr/tel-00864700
Contributeur : Abes Star <>
Soumis le : lundi 23 septembre 2013 - 10:12:12
Dernière modification le : jeudi 29 mars 2018 - 11:06:05
Document(s) archivé(s) le : mardi 24 décembre 2013 - 04:30:32

Fichier

Benassi_Romain_These_VF.pdf
Version validée par le jury (STAR)

Identifiants

  • HAL Id : tel-00864700, version 1

Collections

Citation

Romain Benassi. Nouvel algorithme d'optimisation bayésien utilisant une approche Monte-Carlo séquentielle.. Autre. Supélec, 2013. Français. 〈NNT : 2013SUPL0011〉. 〈tel-00864700〉

Partager

Métriques

Consultations de la notice

1141

Téléchargements de fichiers

1910