Le bout profond de la boîte à outils.
Chaque carte ci-dessous est une capacité méthodologique que nous avons dirigée, co-écrite ou encadrée. Une partie a été publiée dans une revue à comité de lecture, le reste rédigé sous forme de rapport technique. La plupart ont amélioré l'état de l'art antérieur de plusieurs ordres de grandeur. Quand la décision doit être prouvée bonne, c'est le banc de recherche sur lequel nous nous appuyons.
Tarification exacte basée sur les choix, jusqu'à 1,67 million de fois plus rapide que la baseline MILP
Nous avons développé trois algorithmes exacts pour la tarification continue sous tout modèle de choix discret avancé (mixed logit, nested logit, probit, tout ce qui a une utilité linéaire en prix) : un Branch-and-Bound spatial, une variante Branch-and-Benders Decomposition, et un Breakpoint Exact Algorithm en temps polynomial. Sur le benchmark standard de tarification de parking avec demande mixed-logit, le BEA résout 1 000 000 scénarios de demande en 77 secondes — une accélération de 1,67 million de fois sur le MILP de Gurobi et une accélération 300× sur CoBiT, le précédent état de l'art ML-spécifique. Publié dans OR Spectrum.
Une heuristique de tarification avec <0,2 % d'écart d'optimalité et jusqu'à 37 millions × d'accélération sur l'état de l'art
Nous avons introduit le Breakpoint Heuristic Algorithm et son extension Iterated Local Search : une heuristique rapide et scalable pour le problème de tarification capacitée basé sur les choix qui livre un écart d'optimalité moyen sous 0,2 % sur des benchmarks où toute méthode exacte expire. Face au précédent état de l'art capacité (LAG), au moins 79× plus rapide. Face au précédent état de l'art mixed-logit-spécifique (CoBiT), jusqu'à 37 millions × plus rapide — pendant que l'extension ILS atteint chaque optimum connu. Publié en open access dans Computers & Operations Research.
BHAMSLE : +17,2 % de gain de log-vraisemblance sur la mixture mode-choice de Londres, en moitié moins de temps que Multistart Biogeme
Nous avons pris le Breakpoint Heuristic Algorithm développé dans nos travaux de tarification OR Spectrum et l'avons adapté à la Maximum Simulated Likelihood Estimation de modèles de choix discret avancés avec classes latentes et mixtures continues. Sur la mixture discrète-continue London mode-choice, Biogeme initialisé par BHAMSLE atteint une log-vraisemblance 17,2 % meilleure que l'initialisation par défaut (LL = −243,68 vs −294,38), en environ la moitié du temps wall-clock dont Multistart Biogeme avec 20 redémarrages a besoin pour atteindre la même qualité. Soumis à Elsevier.
Un optimiseur de localisation décentralisé qui résout 11× plus de scénarios que le MILP de référence
Nous avons supervisé la conception d'un optimiseur de localisation de facility capacité décentralisé qui intègre la demande de choix discret avancée directement dans le MILP, avec capacité gérée par files de priorité exogènes. Sur le vrai dataset de localisation de Gymnasien de Dresde, la méthode Progressive Scenario Expansion résout des instances de 14 écoles × 558 élèves × 110 scénarios dans une limite de 24 heures — là où le MILP de référence cale au-delà de 10 scénarios. Avec la stack complète de fonctionnalités (inégalités valides de priorité + warm-start complet + ordre par entropie étendue), PSE bat sa configuration de base de jusqu'à 95 % et le RAW MILP de 28 % sur les cas que les deux peuvent résoudre.
Optimisation de covoiturage électrique autonome, 31× plus rapide que la baseline Branch-and-Price publiée avec jusqu'à 11× d'écarts plus serrés
Nous avons encadré la conception d'une formulation mixte événementielle pour le Dial-A-Ride autonome électrique qui bat la baseline Branch-and-Price publiée de Su (2023) de 31× en temps moyen et 11× en écart d'optimalité moyen sur les instances dures. L'heuristique Adaptive Large Neighborhood Search associée fournit une voie de déploiement : 10× plus rapide que la méthode exacte avec moins de 1 % de perte sur la valeur d'objectif. Sur la plus grande instance de benchmark (r8-96, 96 utilisateurs, 8 véhicules), l'ALNS trouve une meilleure solution que la méthode exacte en 9× moins de temps.
Ensembles de choix mode-et-destination conjoints, désormais en production dans le pipeline OASIS de l'EPFL
Nous avons co-rédigé le premier générateur d'ensembles de choix qui traite le couplage mode/destination conjointement et livre un terme de correction de biais en forme close que tout estimateur de modèle activity-based peut brancher. Aujourd'hui le bloc de génération d'ensembles de choix du pipeline de modélisation activity-based OASIS à l'EPFL Transp-OR.
Quand la programmation par contraintes bat le MILP
Nous avons co-encadré un benchmark tête-à-tête entre la programmation par contraintes et la formulation MILP dominante pour la planification activity-based, et construit des variantes CP qui résolvent le problème 750× plus vite sur des instances à 5 activités. La leçon plus profonde : tous les problèmes d'optimisation ne méritent pas le même marteau.