WorldCat Identities

Dhaenens, Clarisse

Overview
Works: 35 works in 89 publications in 3 languages and 1,638 library holdings
Genres: Conference papers and proceedings 
Roles: Author, Editor, Thesis advisor, Other, htt, Opponent
Classifications: QA76.9.N37, 004
Publication Timeline
.
Most widely held works by Clarisse Dhaenens
Metaheuristics for big data by Clarisse Dhaenens( )

15 editions published between 2016 and 2017 in English and Chinese and held by 722 WorldCat member libraries worldwide

This book deals with the management and valuation of energy storage in electric power grids, highlighting the interest of storage systems in grid applications and developing management methodologies based on artificial intelligence tools. The authors highlight the importance of storing electrical energy, in the context of sustainable development, in "smart cities" and "smart transportation", and discuss multiple services that storing electrical energy can bring. Methodological tools are provided to build an energy management system storage following a generic approach. These tools are based on causal formalisms, artificial intelligence and explicit optimization techniques and are presented throughout the book in connection with concrete case studies
Advances in multi-objective nature inspired computing by Carlos A Coello Coello( )

17 editions published in 2010 in English and held by 458 WorldCat member libraries worldwide

The purpose of this book is to collect contributions that deal with the use of nature inspired metaheuristics for solving multi-objective combinatorial optimization problems. Such a collection intends to provide an overview of the state-of-the-art developments in this field, with the aim of motivating more researchers in operations research, engineering, and computer science, to do research in this area. As such, this book is expected to become a valuable reference for those wishing to do research on the use of nature inspired metaheuristics for solving multi-objective combinatorial optimization problems
Learning and intelligent optimization : 9th international conference, Lion 9, Lille, France January 12-15, 2015 ; revised selected papers by Clarisse Dhaenens( )

12 editions published in 2015 in English and Undetermined and held by 382 WorldCat member libraries worldwide

This book constitutes the thoroughly refereed post-conference proceedings of the 9th International Conference on Learning and Optimization, LION 9, which was held in Lille, France, in January 2015. The 31 contributions presented were carefully reviewed and selected for inclusion in this book. A large variety of topics are covered, such as benchmark problems and performance measures; tracking moving optima; dynamic multiobjective optimization; adaptation, learning, and anticipation; handling noisy fitness functions; using fitness approximations; searching for robust optimal solutions; comparative studies; hybrid approaches; theoretical analysis; and real-world applications
Metaheuristics for big data by Clarisse Dhaenens( )

2 editions published in 2016 in English and held by 21 WorldCat member libraries worldwide

Méthodes d'optimisation pour l'ECA( Book )

5 editions published between 2002 and 2003 in French and held by 11 WorldCat member libraries worldwide

Optimisation d'un réseau de production et de distribution by Clarisse Dhaenens( Book )

3 editions published in 1998 in French and held by 5 WorldCat member libraries worldwide

Le travail présenté dans cette thèse, issu d'une problématique industrielle réelle, traite de la coordination entre la production et la distribution, dans un environnement multisite, multiproduit et multipériode. Après une présentation de la problématique industrielle, la première partie du mémoire s'intéresse essentiellement à l'organe de production et étudie des problèmes d'ordonnancement de machines parallèles. Dans cette partie, nous introduisons tout d'abord les problèmes d'ordonnancement, puis nous présentons un état de l'art concernant l'ordonnancement de machines parallèles. Enfin, nous proposons des méthodes de résolution pour des problèmes d'ordonnancement de machines parallèles non liées avec temps de changement dépendant de la séquence entre les produits. La deuxième partie du mémoire s'intéresse à une prise en compte plus globale de l'ensemble de la division industrielle et en particulier aux aspects multisites et aux problèmes liés à la coordination. Après une revue des travaux récents dans ce domaine, nous proposons une décomposition spatiale permettant de diviser le problème global en plusieurs problèmes plus petits et d'utiliser ainsi des méthodes plus performantes pour résoudre chacun d'entre eux. Enfin, le dernier chapitre détaille l'étude d'un problème réel et donne les performances et les limites du modèle proposé pour sa résolution
Méthodes exactes pour l'optimisation combinatoire multi-objectif : conception et application by Julien Lemesre( Book )

3 editions published between 2006 and 2013 in French and held by 3 WorldCat member libraries worldwide

Cette thèse s'inscrit dans le domaine de l'optimisation combinatoire multi-objectif. Elle porte, plus particulièrement, sur les méthodes de résolution exacte trouvant l'intégralité du front Pareto. Pour tester et comparer nos méthodes, nous utilisons un problème de flow-shop multiobjectif (problème d 'ordonnancement). Nous présentons différentes méthodes exactes de la littérature et analysons leurs périmètres d'utilisation efficace. Afin de résoudre le problème de flow-shop bi-objectif, nous proposons en premier lieu une application de la méthode deux phases optimisée en fonction des spécificités de notre problème. Ensuite, nous proposons une nouvelle méthode exacte de résolution des problèmes bi-objectif (la méthode parallèle par partitions - PPM - Parallel Partitioning Method). Nous présentons une extension de cette méthode vers une méthode exacte multi-objectif générale (admettant plus de deux objectifs) et son application à un problème de flow-shop tri-objectif. Les méthodes proposées étant exactes, elles demandent un temps de calcul important. Dans un dernier temps, nous étudions deux moyens de réduire les temps de calcul afin d'obtenir le front Pareto exact : le parallélisme et l'hybridation avec une méthode heuristique. Afin d'ouvrir le sujet de thèse, nous présentons aussi une hybridation entre une méthode exacte et une méta-heuristique retournant un résultat heuristique. Ceci nous montre une des utilisations possibles des méthodes exactes sur les problèmes de grandes tailles
Metaheuristics for data mining Survey and opportunities for big data by Clarisse Dhaenens( )

1 edition published in 2019 in English and held by 2 WorldCat member libraries worldwide

An integrated model for an industrial production-distribution problem by Clarisse Dhaenens( Book )

2 editions published in 1998 in English and held by 2 WorldCat member libraries worldwide

Modélisation et résolution multi-objectifs des règles d'association : application à l'analyse de données biopuces by Mohammed Khabzaoui( Book )

2 editions published in 2006 in French and held by 2 WorldCat member libraries worldwide

La technologie haut débit des puces à ADN permet de visualiser simultanément le niveau d'expression de plusieurs milliers de gènes ou groupe de gènes dans des conditions différentes Cette technologie haut débit génère une grande diversité de données qui implique un important travail d'analyse. Une de ces problématiques, concerne la recherche de règles d'associations qui consiste à extraire un ensemble de formules logiques conditionnelles permettant de déduire la valeur d'un attribut but à partir des valeurs d'autres attributs. La recherche de règles d'association peut être vue comme un problème d'optimisation puisque l'on recherche les règles optimisant un certain critère. La combinatoire associée au problème est très importante. Ceci ne permet pas d'utiliser pour des problèmes de grandes tailles (comme c'est le cas ici) des algorithmes exactes d'énumération. Il est donc nécessaire d'avoir recours à des heuristiques telles que par exemple les métaheuristiques. Le contexte de la thèse étant la résolution d'un problème d'optimisation combinatoire multi-objectif pour l'analyse de données obtenues à l'aide de la technologie des puces à ADN, nous nous focalisons sur la modélisation et la résolution multi-objectif du problème de recherche de règles d'association. Puis nous nous intéressons à l'apport des méthodes d'optimisation approchées, à savoir les algorithmes génétiques (AG) Nous avons proposé un algorithme génétique permettant de traiter des bases de données relatives à des expérimentations sur puces à ADN. Cet algorithme possède un codage et des opérateurs adaptés à la recherche de règles d'association et des mécanismes multi-objectif ont été implémentés. Nous avons mis en place un mécanisme adaptatif pour pouvoir appliquer plusieurs mutations selon l'évolution de l'algorithme et adapter leur taux d'application en fonction de l'amélioration apportée par chacun d'eux. Nous avons proposé une approche parallèle développée pour le problème de recherche de règles, dans laquelle différents algorithmes génétiques coopèrent. Plusieurs approches coopératives ont été proposées. Nous avons montré à la fois l'apport du parallélisme et l'apport de la coopération entre méthodes de différents types
Extraction des motifs contraints dans des données bruitées by Karima Mouhoubi( Book )

1 edition published in 2013 in French and held by 2 WorldCat member libraries worldwide

Nous abordons dans cette thèse le problème difficile de l'extraction de motifs contraints dans des données booléennes bruitées. La fouille de motifs ensemblistes contraints dans des matrices binaires consiste à rechercher des rectanges de 1 dans une matrice de données à valeurs dans {0,1} qui satisfont un ensemble de contraintes (fréquence, aire, etc.). Cependant, dans des applications réelles les données sont souvent bruitées. Un des effets du bruit est de "pulvériser" un motif pertinent en un ensemble de sous-motifs recouvrants et peu pertinents, entraînant une explosion du nombre de résultats. Nous avons proposé dans cette thèse des approches heuristiques originales qui combinent des algorithmes de fouilles de données et des algorithmes de graphes. Ces méthodes sont fondées sur des algorithmes de flot maximal/coupe minimale pour rechercher des sous graphes denses maximaux qui peuvent se recouvrir dans un graphe biparti pondéré et augmenté associé à la matrice des données. Notre dernière contribution consiste en une approche semi-supervisée qui exploite des connaisssances (sur l'une des dimensions ou les deux simultanément) exprimées sous forme de classifications pour guider le processus d'extraction. Cette orientation est assurée par un mécanisme d'adaptation des poids lors de l'extraction itérative des sous graphes denses. Aucune contrainte n'est imposée sur les classifications et peuvent être incomplètes. Pour évaluer la pertinence et exploiter les résultats extraits par nos approches, différents tests ont été réalisés sur des données synthétiques, ainsi que sur des données réelles isssues d'applications bioinformatiques de levure et humaines
Optimisation d'un réseau de production et de distribution by Clarisse Dhaenens( )

1 edition published in 2004 in French and held by 2 WorldCat member libraries worldwide

Le travail présenté dans cette thèse, issu d'une problématique industrielle réelle, traite de la coordination entre la production et la distribution, dans un environnement multisite, multiproduit et multipériode. Après une présentation de la problématique industrielle, la première partie du mémoire s'intéresse essentiellement à l'organe de production et étudie des problèmes d'ordonnancement de machines parallèles. Dans cette partie, nous introduisons tout d'abord les problèmes d'ordonnancement, puis nous présentons un état de l'art concernant l'ordonnancement de machines parallèles. Enfin, nous proposons des méthodes de résolution pour des problèmes d'ordonnancement de machines parallèles non liées avec temps de changement dépendant de la séquence entre les produits. La deuxième partie du mémoire s'intéresse à une prise en compte plus globale de l'ensemble de la division industrielle et en particulier aux aspects multisites et aux problèmes liés à la coordination. Après une revue des travaux récents dans ce domaine, nous proposons une décomposition spatiale permettant de diviser le problème global en plusieurs problèmes plus petits et d'utiliser ainsi des méthodes plus performantes pour résoudre chacun d'entre eux. Enfin, le dernier chapitre détaille l'étude d'un problème réel et donne les performances et les limites du modèle proposé pour sa résolution
Learning-driven optimization approaches for combinatorial search problems by Yangming Zhou( )

1 edition published in 2017 in English and held by 2 WorldCat member libraries worldwide

This thesis is devoted to developing learning-driven optimization approaches for solving hard Combinatorial Optimization Problems (COPs). We particularly consider three important categories of COPs, including grouping problems such as Graph Coloring Problem (GCP), subset selection problems such as Maximum Diversity Problem (MDP), and permutation problems such as Quadratic Assignment Problem (QAP). These three classes of problems are of important theoretical significance, and have a wide range of practical applications. Given that they usually belong to the NP-hard problems, it is computationally difficult to solve them in the general case. This thesis concentrates on designing learning-driven heuristic optimization approaches for solving these problems.With the help of machine learning techniques,heuristic approaches will be able to benefit from their past search history such as discovering promising regions and useful patterns to find better solutions. In this thesis, we propose three learning-driven heuristic approaches for the three categories of considered COPs. We develop a probability learning based local search for grouping problems, especially for GCP; an opposition-based memetic search for MDP; and a frequent pattern based search for QAP. All the proposed approaches were experimentally assessed based on benchmarks, and experimental results show that they compete favorably with state-of-the-art methods. Also, the beneficial effects of the introduced learning techniques are confirmed by experimental evidence
Caractérisation des instances difficiles de problèmes d'optimisation NP-difficiles by Valentin Weber( )

1 edition published in 2013 in French and held by 2 WorldCat member libraries worldwide

L'étude expérimentale d'algorithmes est un sujet crucial dans la conception de nouveaux algorithmes, puisque le contexte d'évaluation influence inévitablement la mesure de la qualité des algorithmes. Le sujet particulier qui nous intéresse dans l'étude expérimentale est la pertinence des instances choisies pour servir de base de test à l'expérimentation. Nous formalisons ce critère par la notion de "difficulté d'instance" qui dépend des performances pratiques de méthodes de résolution. Le coeur de la thèse porte sur un outil pour évaluer empiriquement la difficulté d'instance. L'approche proposée présente une méthode de benchmarking d'instances sur des jeux de test d'algorithmes. Nous illustrons cette méthode expérimentale pour évaluer des classes d'instances à travers plusieurs exemples d'applications sur le problème du voyageur de commerce. Nous présentons ensuite une approche pour générer des instances difficiles. Elle repose sur des opérations qui modifient les instances, mais qui permettent de retrouver facilement une solution optimale, d'une instance à l'autre. Nous étudions théoriquement et expérimentalement son impact sur les performances de méthodes de résolution
Recherche locale et optimisation combinatoire : de l'analyse structurelle d'un problème à la conception d'algorithmes efficaces by Marie-Eléonore Marmion( Book )

2 editions published in 2011 in French and held by 2 WorldCat member libraries worldwide

Many problems from combinatorial optimization are NP-hard, so that exact methods remain inefficient to solve them efficiently. However, metaheuristics are approximation methods known and used for their efficiency. But they often require a lot of parameters, which are very difficult to set in order to provide good performance. As a consequence, a challenging question is to perform such parameter tuning easier, or adaptive.The fitness landscape of given combinatorial optimization problem, based on a search space, a fitness function and a neighborhood relation, allow to characterize the problem structure and make the understanding of the dynamics of search approches possible.This thesis deals with fitness landscape analysis, together with the link with some neighborhood-based metaheuristic classes. We show the influence of the landscape structure on the dynamics of metaheuristics, for two challenging problems from the field of logistics. We analyze the landscape characteristics which help to design efficient local search metaheuristics and/or to set their parameters.Neutrality is one of the main structural characteristic of a landscape. Such landscapes have numerous plateaus, which often inhibits the progress of local search algorithms. After a deep analysis of these plateaus, we prove that this neutral structure cannot be ignored. Then, we use several information linked with neutrality, and particularly with blocking plateaus, in order to design a first local search approach, which appear to efficient and easy to implement. At last, in order to extend our work on the neutral structure, we chose to exploit the neutrality involved in the whole landscape. We propose a new local search algorithm, based on the ability of solutions of a plateau to produce improvement by means of a guiding strategy.The thesis ends with an experimental analysis of the two local search methods presented for neutral problems in order to exploit new characteristics, and then to strengthen the link between fitness landscape analysis and efficient algorithm design
Métaheuristiques pour l'extraction de connaissances : application à la génomique by Laetitia Jourdan( Book )

2 editions published in 2003 in French and held by 2 WorldCat member libraries worldwide

Le travail présenté dans cette thèse traite de l'extraction de connaissances à l'aide de métaheuristiques et de ses applications à des problématiques en génomique. Dans un premier temps, nous donnons un état de l'art des métaheuristiques utilisées pour l'extraction de connaissances et plus particulièrement de l'utilisation des algorithmes génétiques en orientant notre présentation sur trois aspects fondamentaux des métaheuristiques: la représentation d'une solution, la fonction d'évaluation et le choix des opérateurs. Nous présentons ensuite deux problématiques issues d'une collaboration avec l'Institut de Biologie de Lille autour de la recherche de facteurs génétiques de prédisposition à certaines maladies multifactorielles (diabète de type II, obésité). Nous proposons une modélisation de ces problèmes en problèmes d'extraction de connaissances. Nous traitons ensuite les différentes tâches d'extraction de connaissances identifiées comme des problèmes d'optimisation et proposons un schéma d'algorithme génétique possédant des mécanismes avancés d'intensification et de diversification pour les résoudre. Les apports de ces mécanismes sont testés modulairement afin de montrer leurs performances. Nous intégrons également des connaissances du domaine biologique afin de répondre aux problématiques posées. Cette intégration s'effectue aussi bien au niveau des fonctions d'évaluation proposées qu'au niveau de certains mécanismes utilisés. Enfin, différents modèles de parallélisme sont utilisés
Extraire et exploiter la connaissance pour mieux optimiser by Lucien Mousin( )

1 edition published in 2018 in French and held by 1 WorldCat member library worldwide

Les problèmes d'optimisation combinatoire de grandes tailles sont en général difficiles à résoudre de façon optimale due à des temps de calcul trop élevés. Afin de pallier ce problème, des algorithmes d'approximation tels que les heuristiques et les métaheuristiques sont utilisés pour trouver rapidement des solutions approchées de bonne qualité. Les heuristiques sont des approches développées spécifiquement pour un problème et permettent d'obtenir des solutions très rapidement. Les métaheuristiques sont des approches génériques, indépendantes du problème, permettant de trouver des solutions de bonne qualité. Ces approches présentent chacune leurs avantages et inconvénients. Nous proposons dans ce mémoire de tirer parti des avantages de ces deux approches, c'est-à-dire intégrer des connaissances spécifiques à un problème, telles que celles utilisées dans les heuristiques, dans les mécanismes génériques des métaheuristiques, afin de concevoir des nouvelles approches efficaces. Ainsi, dans ce mémoire, nous passons d'abord en revue dans la littérature les approches avec intégration de connaissances afin de proposer une taxonomie de classification de ces approches. Puis nous nous focalisons sur l'intégration de connaissances pour deux problèmes différents : le problème d'ordonnancement de type Flowshop sans temps d'attente, et le problème de sélection d'attributs en classification. Enfin, nous étudions dans ces problèmes l'impact de l'intégration de connaissances dans différents mécanismes des métaheuristiques : l'initialisation, l'opérateur de voisinage et la sélection du voisinage
Analyse du paysage en optimisation combinatoire multi-objectif by Emilia Tantar( Book )

1 edition published in 2009 in English and held by 1 WorldCat member library worldwide

Procédures de décision par élicitation incrémentale de préférences en optimisation multicritère, multi-agents et dans l'incertain by Nawal Benabbou( )

1 edition published in 2017 in French and held by 1 WorldCat member library worldwide

This thesis work falls within the area of algorithmic decision theory which is at the junction of decision theory, operations research and artificial intelligence. Our aim is to produce algorithms allowing the fast resolution of decision problems in complex environments (multiple criteria, multi-agents, uncertainty). This work focuses on decision-theoretic elicitation and uses preferences to efficiently determine the best solutions among a set of alternatives explicitly or implicitly defined (combinatorial optimization). For combinatorial optimization problems, we propose and study a new approach consisting in interleaving incremental preference elicitation and preference-based search. The idea is to use the exploration to identify informative preference queries while exploiting answers to better focus the search on the preferred solutions. This approach leads us to propose incremental elicitation procedures for multi-objective state-space search problems, multicriteria shortest path problems, multicriteria minimum spanning tree problems, multi-agents knapsack problems and sequential decision problems under uncertainty. We provide theoretical guarantees on the correctness of the proposed algorithms and we present numerical tests showing their practical efficiency
Paradigmes de programmation répartie et parallèle utilisant des graphes de tâches pour supercalculateurs post-pétascale by Jérôme Gurhem( )

1 edition published in 2021 in English and held by 1 WorldCat member library worldwide

Since the middle of the 1990s, message passing libraries are the most used technology to implement parallel and distributed applications. However, they may not be a solution efficient enough on exascale machines since scalability issues will appear due to the increase in computing resources. Task-based programming models can be used, for example, to avoid collective communications along all the resources like reductions, broadcast or gather by transforming them into multiple operations on tasks. Then, these operations can be scheduled by the scheduler to place the data and computations in a way that optimize and reduce the data communications. The main objective of this thesis is to study what must be task-based programming for scientific applications and to propose a specification of such distributed and parallel programming, by experimenting for several simplified representations of important scientific applications for TOTAL, and classical dense and sparse linear methods.During the dissertation, several programming languages and paradigms are studied. Dense linear methods to solve linear systems, sequences of sparse matrix vector product and the Kirchhoff seismic pre-stack depth migration are studied and implemented as task-based applications. A taxonomy, based on several of these languages and paradigms is proposed.Software were developed using these programming models for each simplified application. As a result of these researches, a methodology for parallel task programming is proposed, optimizing data movements, in general, and for targeted scientific applications, in particular
 
moreShow More Titles
fewerShow Fewer Titles
Audience Level
0
Audience Level
1
  General Special  
Audience level: 0.00 (from 0.00 for Metaheuris ... to 0.00 for Metaheuris ...)

Metaheuristics for big data Metaheuristics for big data
Covers
Advances in multi-objective nature inspired computingLearning and intelligent optimization : 9th international conference, Lion 9, Lille, France January 12-15, 2015 ; revised selected papersMetaheuristics for big data
Alternative Names
Clarisse Dhaenens researcher

Clarisse Dhaenens wetenschapper

Dhaenens-Flipo, Clarisse

Flipo, Clarisse

Flipo Clarisse Dhaenens-

Languages
English (50)

French (22)

Chinese (1)