Réalisé en collaboration avec le centre de recherche Cenaero, ce mémoire cherche à
implémenter, tester et comparer l’utilisation de modèles, appelés méta-modèles, efficaces
pour la résolution de problèmes d’optimisation faisant intervenir des fonctions coûteuses
et des variables de nature différente. Afin d’atteindre ces objectifs, nous avons effectué des
investigations sur deux méthodes issues de la littérature que sont les techniques d’arbre de
régression et de forêt aléatoire d’arbres de régression. Les tests que nous avons effectués
renvoient la performance, en termes de validation externe et d’optimisation, de différentes
versions des modèles d’arbre de régression et de forêt aléatoire d’arbres de régression que
nous avons créées en fixant les valeurs de certains hyperparamètres de ces modèles à des
valeurs autres que leur valeur par défaut. En manipulant les valeurs des hyperparamètres
de ces modèles, le but que nous avons poursuivi est de parvenir à trouver des versions de
ces modèles qui seraient plus performantes que la version par défaut de Minamo, nommée
trbf. Nous définissons Minamo comme étant le logiciel d’optimisation de Cenaero. Les
tests effectués ont été réalisés grâce au supercalculateur Zenobe, mis à notre disposition
par Cenaero.
Les résultats obtenus en termes de validation externe montrent que les meilleures
valeurs testées pour les hyperparamètres étudiés de l’arbre de régression sont celles qui
se rapprochent des valeurs par défaut de ces hyperparamètres. Par ailleurs, les résultats
relatifs au modèle de forêt aléatoire montrent que la qualité des versions testées augmente
avec le nombre d’arbres qui constituent la forêt aléatoire. Les résultats pour l’optimisation,
quant à eux, ont permis de sélectionner trois meilleures versions parmi celles testées.
Cependant, lorsque nous comparons ces trois versions à la version par défaut de Minamo,
celle-ci s’avère plus performante. Nous mentionnons également dans ce mémoire quelques
problèmes tests particuliers pour lesquels certaines des versions testées se sont montrées
plus performantes que la version trbf. En validation externe et en optimisation, les résultats
montrent une meilleure performance du modèle de forêt aléatoire par rapport à l’arbre de
régression.
Date of Award | 2023 |
---|
Original language | French |
---|
Awarding Institution | |
---|
Supervisor | Annick Sartenaer (Supervisor) |
---|
Investigation sur les méta-modèles en présence de variables de nature mixte et en particulier de variables catégorielles pour la résolution de problèmes d'optimisation avec fonctions coûteuses
LAMBERT, N. (Author). 2023
Student thesis: Master types › Master in Mathematics Professional focus