Algorithmes de décomposition augmentés par l’apprentissage pour l’optimisation en nombres entiers mixtes à grande échelle

L'objectif principal de cette présentation est de partager nos expériences et d'illustrer comment deux classes distinctes d'algorithmes d'apprentissage automatique peuvent être intégrées dans des cadres de décomposition pour accélérer la convergence du processus de résolution. Nous exemplifions ceci à travers le problème d'attribution et de planification de quais pour camions, un problème opérationnel nécessitant une résolution fréquente au cours de la journée, chaque fois que le plan existant est interrompu par des événements imprévus. La nature opérationnelle de ce problème est essentielle car la distribution des données reste relativement stable sur une période considérable, facilitant ainsi l'accumulation d'une quantité suffisante de données d'entraînement sans les problèmes causés par les changements de distribution. Notre attention se porte principalement sur deux méthodes exactes : Cut-and-Benders et Dantzig-Wolfe. Cependant, si le temps nous permet, nous démontrons également que le même modèle d'apprentissage profond entraîné peut aider à construire des solutions réalisables et peut être intégré dans un modèle d'apprentissage par renforcement pour fonctionner comme une heuristique très efficace.