Sélection de Métaheuristiques Guidée par le Paysage de Recherche pour l'Optimisation de Réseaux de Radars

Les réseaux de radars sont des systèmes complexes dont l'efficacité doit être optimisée.L'optimisation du réseau se fait par la maximisation de la couverture radar ou par la maximisation de la probabilité de détection d'une cible.Configurer un réseau de radars est une tâche complexe souvent réalisée par des experts à l'aide de simulateurs.La résolution de ce type de problème s'appuie sur l'optimisation boîte noire.De nombreuses métaheuristiques ont été développés dans le but de résoudre des problèmes d'optimisation boîte noire.Ces métaheuristiques ont montré une certaine complémentarité dans leur performance qui est liée à la structure du problème à résoudre.Choisir l'algorithme le plus approprié pour résoudre un problème est donc crucial.L'objectif de cette thèse CIFRE est de réaliser une sélection automatique de métaheuristiques guidée par le paysage de recherche dans le but d'optimiser un problème de configuration de réseau de radars.Les contributions de cette thèse sont doubles.Dans un premier temps, nous avons défini six propriétés que les mesures caractérisant un problème d'optimisation boîte noire devraient satisfaire.Nous avons également étudié à quel point les mesures satisfont ces propriétés.L'une de ces propriétés est la sensibilité à la méthode d'échantillonnage.Contrairement aux préconisations dans la littérature, nous avons remarqué que la méthode d'échantillonnage importait car une grande partie des mesures y est sensible.Nous avons trouvé d'importantes différences entre les distributions des mesures provenant de différentes méthodes d'échantillonnage.Globalement, aucune des mesures ne satisfait les six propriétés.La résolution des problèmes radar avec différentes métaheuristiques montre ces dernières ont des performances similaires.Le gain d'une sélection automatique de métaheuristiques est par conséquent faible.Les performances de notre sélection automatique de métaheuristiques guidée par le paysage de recherche sont similaires aux performances du meilleur algorithme sur les instances d'entraînement (SBS).Radar networks are complex systems that need to be configured to maximize their coverage or the probability of detection of a target.The optimization of radar networks is a challenging task that is typically performed by experts with the help of simulators.Alternatively, black-box optimization algorithms can be used to solve these complex problems.Many heuristic algorithms were developed to solve black-box optimization problems and these algorithms exhibit complementarity of performance depending on the structure of the problem.Therefore, selecting the appropriate algorithm is a crucial task.The objective of this CIFRE PhD is to perform a landscape-aware algorithm selection of metaheuristics in order to optimize radar networks.The main contributions of this PhD thesis are twofold.In this thesis, we define six properties that landscape features should satisfy and we study to what degree landscape features satisfy these properties.One of the six properties is the invariance to the sampling strategy.We found that, surprisingly to what was recommended in the literature, the sampling strategy actually matters.We found important discrepancies in the feature values computed from different sampling strategies.Overall, we found that none of the features satisfy all defined properties.These features represent the core of a landscape-aware algorithm selection.We applied the landscape-aware algorithm selection of metaheuristics on the optimization of radar network use-cases.On this use-cases, algorithms have similar performances and the gain to perform an automated selection of algorithms is small.Nevertheless, the performance of the landscape-aware algorithm selection of metaheuristics is similar to the performance of the single best solver (SBS)