Atelier en optimisation avancée

3,0 credits · Deuxième cycle

Se familiariser à la science des données pour la prise de décision. Développer des stratégies pour résoudre un problème réel en utilisant l'optimisation des données brutes à une interface utilisateur. Modéliser des données numériques avec les outils pertinents. Modéliser mathématiquement des problèmes afin de les résoudre avec des algorithmes/solveurs d'optimisation. Utilisation de plusieurs logiciels et solveurs afin de fournir un éventail de possibilités à l'étudiant: Matlab, Xpress, librairies Python, Coin-OR, etc. Survol des méthodes numériques pour l'approximation de fonctions et des outils utilisés. Types d'optimisation: rappel modélisation mathématique, optimisation linéaire et en nombres entiers, programmation dynamique, optimisation non-linéaire, optimisation de boîtes noires, introduction à la théorie des graphes, optimisation stochastique et notions avancées en nombres entiers (génération de colonnes, algorithmes de plans coupants)