Description

Les méthodes classiques de recherche opérationnelle (heuristiques, méta-heuristiques, MILP) sont performantes, mais opaques pour les décideurs, rigides face à des problèmes mal structurés et peu adaptées aux contextes circulaires, multi-objectifs ou évolutifs dynamiquement.
Par ailleurs, les IA génératives génèrent des solutions plausibles, expliquent des raisonnements, dialoguent avec l’humain, mais n’optimisent rien formellement.
La question que pose cette thèse est la suivante :
Peut-on utiliser l’IA générative non pas comme un solveur, mais comme une méta-heuristique explicable, guidant et améliorant les algorithmes d’optimisation et la décision humaine ?

Compétences requises

RAS

Bibliographie

Glover, F., & Kochenberger, G. (2003). Handbook of Metaheuristics. Springer.
Talbi, E.-G. (2009). Metaheuristics: From Design to Implementation. Wiley.
Ehrgott, M. (2005). Multicriteria Optimization. Springer.
Shneiderman, B. (2020). Human-Centered Artificial Intelligence: Reliable, Safe & Trustworthy. Wang, D., et al. (2019). Human-AI Collaboration: A Review and Research Agenda.

Mots clés

IA générative, méta-heuristique, Aide à la décision, Innovation circulaire