Sébastien Le Digabel
Dipl. Ing. (ISIMA, 1999), M.Sc. (Poly, 2002), Ph.D. (Poly, 2008)
Professeur titulaire
Département de mathématiques et de génie industriel
Département de mathématiques et de génie industriel
Tél. : (514) 340-4711 poste 4291
Téléc. : (514) 340-5665
Local : AA-5467
Intérêts de recherche et affiliations
Intérêts de recherche
Ma recherche se focalise autour de la conception d'algorithmes pour l'optimisation de problèmes complexes habituellement rencontrés en ingénierie. Ces problèmes sont typiquement définis par des fonctions qu'on qualifie de boîtes-noires, dans le sens où aucune propriété de la fonction n'est accessible. Dans ce contexte, les méthodes d'optimisation usuelles basées sur les dérivées ne sont pas utilisables, d'où le choix de méthodes sans dérivées (derivative-free optimization), et en particulier l'utilisation de modèles et de fonctions substitut moins coûteux à évaluer.
Mes projets portent sur trois domaines :
- Développement des méthodes d'optimisation
- Application à des problèmes d'ingénierie
- Développement de logiciels d'optimisation
Mots clés : Optimisation de boîtes-noires, Méthodes sans dérivées, Applications industrielles, Logiciels d'optimisation.
Affiliation(s)
Type(s) d'expertises (sujets CRSNG)
- 1601 Recherche opérationnelle et science de la gestion
- 2715 Optimisation
- 2956 Optimisation et théories de commande optimale
Publications
En vedette
Article de revue
Article de revue
Article de revue
Article de revue
Article de revue
Article de revue
Article de revue
Article de revue
Article de revue
Article de revue
Audet, C., Kokkolaras, M., Le Digabel, S., & Talgorn, B. (2018). Order-based error for managing ensembles of surrogates in mesh adaptive direct search. Journal of Global Optimization, 70(3), 645-675.
Audet, C., Ianni, A., Le Digabel, S., & Tribes, C. (2014). Reducing the number of function evaluations in mesh adaptive direct search algorithms. SIAM Journal on Optimization, 24(2), 621-642.
Conn, A. R., & Le Digabel, S. (2013). Use of quadratic models with mesh-adaptive direct search for constrained black box optimization. Optimization Methods and Software, 28(1), 139-158.
Le Digabel, S. (2011). Algorithm 909: NOMAD: Nonlinear optimization with the MADS algorithm. ACM Transactions on Mathematical Software, 37(4), 1-15.
Perron, S., Hansen, P., Le Digabel, S., & Mladenovic, N. (2010). Exact and heuristic solutions of the global supply chain problem with transfer pricing. European Journal of Operational Research, 202(3), 864-879.
Audet, C., Dennis Jr., J. E., & Le Digabel, S. (2010). Globalization strategies for mesh adaptive direct search. Computational Optimization and Applications, 46(2), 193-215.
Abramson, M. A., Audet, C., Dennis Jr., J. E., & Le Digabel, S. (2009). Orthomads: A deterministic MADS instance with orthogonal direct ions. SIAM Journal on Optimization, 20(2), 948-966.
Audet, C., Bechard, V., & Le Digabel, S. (2008). Nonsmooth Optimization Through Mesh Adaptive Direct Search and Variable Neighborhood Search. Journal of Global Optimization, 41(2), 299-318.
Audet, C., Dennis, J. E., & Le Digabel, S. (2008). Parallel space decomposition of the mesh adaptive direct search algorithm. SIAM Journal on Optimization, 19(3), 1150-1170.
Audet, C., Brimberg, J., Hansen, P., Le Digabel, S., & Mladenovic, N. (2004). Pooling Problem: Alternate Formulations and Solution Methods. Management Science, 50(6), 761-776.
Biographie
Sébastien Le Digabel est professeur titulaire au département de mathématiques de Polytechnique Montréal, et membre du laboratoire de recherche GERAD. Il a obtenu son doctorat en mathématiques appliquées à Polytechnique en 2008, puis a effectué des stages postdoctoraux au centre de recherche IBM TJ Watson et à l'Université de Chicago, en 2010 et 2011.
Ses intérêts de recherche sont l'analyse et le développement d'algorithmes pour l'optimisation de boîtes noires, ainsi que la conception de logiciels d'optimisation. L'optimisation de boîtes noires est un domaine de l'optimisation mathématique dans lequel les fonctions à optimiser sont le résultat de simulations numériques pour lesquelles on n'a pas de dérivées. Dans ce contexte, l'optimisation sans-dérivées peut être considérée, et en particulier l'algorithme Mesh Adaptive Direct Search (MADS), développé par Audet et Dennis, et pour lequel la thèse de Le Digabel a apporté des améliorations. Tout cette recherche sur MADS est incluse dans le logiciel NOMAD, disponible à www.gerad.ca/nomad.
La recherche de S. Le Digabel est supportée par le CRSNG, le FRQNT, InnovÉÉ, IVADO, Hydro-Québec, Rio Tinto, et Huawei-Canada.
Encadrement à Polytechnique
EN COURS
-
Doctorat (1)
-
Salomon, Ludovic. Optimisation multiobjectifs.
-
TERMINÉ
-
Thèse de doctorat (8)
- Salomon, L. (2022). Contributions to Multiobjective Blackbox Optimization [Thèse de doctorat, Polytechnique Montréal].
- Lakhmiri, D. (2021). Optimisation des hyperparamètres des réseaux de neurones profonds [Thèse de doctorat, Polytechnique Montréal].
- Dzahini, K. J. (2020). Méthodes de recherche directe pour l'optimisation stochastique de boîtes noires [Thèse de doctorat, Polytechnique Montréal].
- Bingane, C. (2019). Application de l'optimisation conique au problème d'écoulement de puissance optimal [Thèse de doctorat, Polytechnique Montréal].
- De Souza Dutra, M. D. (2019). Demand response for smart homes [Thèse de doctorat, Polytechnique Montréal].
- Amaioua, N. (2018). Modèles quadratiques et décomposition parallèle pour l'optimisation sans dérivées [Thèse de doctorat, École Polytechnique de Montréal].
- Rodrigues De Sousa, V. J. (2018). Global Optimization of the Maximum K-Cut Problem [Thèse de doctorat, École Polytechnique de Montréal].
- Peyrega, M. (2016). Optimisation sans dérivées sous contraintes [Thèse de doctorat, École Polytechnique de Montréal].
-
Mémoire de maîtrise (9)
- Lebeuf, X. (2023). Optimisation de boîtes noires multifidélités avec contraintes hiérarchisées [Mémoire de maîtrise, Polytechnique Montréal].
- Gervais-Dubé, M. (2022). Linear Inequality Constraints in Blackbox Optimization [Mémoire de maîtrise, Polytechnique Montréal].
- Hallé-Hannan, E. (2022). Cadre mathématique pour l'optimisation de boîtes noires avec variables catégorielles et méta [Mémoire de maîtrise, Polytechnique Montréal].
- Lameynardie, G. (2020). Sondes locales intensives lors de l'exécution de l'algorithme MADS dans un environnement parallèle [Mémoire de maîtrise, Polytechnique Montréal].
- Vanden Bulcke, R. (2020). Analyse de sensibilité pour la réduction de dimension en optimisation sans dérivée [Mémoire de maîtrise, Polytechnique Montréal].
- Lemyre Garneau, M. (2015). Modelling of a Solar Thermal Power Plant for Benchmarking Blackbox Optimization Solvers [Mémoire de maîtrise, École Polytechnique de Montréal].
- Ihaddadene, A. (2014). Algorithme de recherche directe pour l'optimisation robuste de fonctions bruitées [Mémoire de maîtrise, École Polytechnique de Montréal].
- Cartier, D. (2012). Optimisation sous contraintes d'un modèle hydrologique pour une représentation de la physique des processus [Mémoire de maîtrise, École Polytechnique de Montréal].
- Duclos, E. (2012). ACRE: un générateur automatique d'aspect pour tester des logiciels écrits en C++ [Mémoire de maîtrise, École Polytechnique de Montréal].
