Résumé : LocalSolver (www.localsolver.com) est un solveur "boîte noire" pour l’optimisation combinatoire développé conjointement par Bouygues (Thierry Benoist, Frédéric Gardi, Romain Megel) et par l’Université de Marseille (Bertrand Estellon, Karim Nouioua). Ce logiciel permet au chercheur opérationnel de se concentrer sur la modélisation du problème en utilisant un formalisme simple et de confier ensuite sa résolution à un solveur basé sur des techniques efficaces et génériques de recherche locale. La recherche locale permet d’obtenir rapidement des solutions de grande qualité en un temps très court, en appliquant successivement des millions de transformations locales sur une solution initiale, tendant à améliorer la fonction de coût du problème.

Résumé : In this talk we introduce a general framework aiming at defining what a decision problem is from an algorithmic point of view. We show that behind the very large variety of problems discussed in the literature we have few primitives and outputs which really make a difference. We also show that all methods developed within the broad area of Decision Sciences and Technologies are instances of a finite number of methodological choices concerning the representation and aggregation of values, opinions and likelihoods.

Résumé : Le "choix social computationnel" est un champ émergent à la frontière du Choix Social et de l’informatique, visant essentiellement à l’étude des aspects algorithmiques de procédures de prise de décisions collectives (typiquement le vote) ainsi que des questions de représentation qui peuvent s’y rattacher. Il s’agit donc d’un terrain de jeu privilégié pour les communautés RO et IA. Dans cet exposé nous prendrons le parti de nous focaliser sur quelques problèmes d’allocation de ressources. Nous discuterons en particulier quels mécanismes sont (ou devraient être) utilisés dans des contextes où des contraintes particulières (par ex. distribution et/ou aspect non-coopératif des agents, synergies entre ressources) sont à prendre en considération. Les enchères de mot-clefs ou la coordination multi-robots serviront à illustrer notre propos.

Résumé : Dans cet exposé, nous nous intéresserons à l’optimisation de critères non-EU (i.e., autres que l’espérance d’utilité) dans des problèmes de décision séquentielle dans l’incertain. Les travaux menés en théorie de la décision ont fourni et justifié de nombreux modèles alternatifs à l’espérance d’utilité pour le choix dans l’incertain, aussi bien dans le cadre d’une représentation probabiliste de l’incertain que pour d’autres représentations (e.g., le cadre multi-prior de Gilboa et Schmeidler). Toutefois, l’aspect computationnel, autrement dit le calcul pratique sur machine d’une solution optimale, a été peu étudié jusqu’à aujourd’hui, freinant la diffusion de ces modèles. C’est précisément l’objet de notre étude, qui s’inscrit plus largement dans le cadre de la théorie de la décision algorithmique, visant à revisiter des travaux menés en théorie de la décision sous l’angle de l’algorithmique.