Académique Documents
Professionnel Documents
Culture Documents
A Machine Learning-Based Approach For The Multi-Objective Knapsack Problem
A Machine Learning-Based Approach For The Multi-Objective Knapsack Problem
L'objectif de ce stage est de proposer une approche reposant sur les outils de
l'apprentissage automatique et l'optimisation par colonies de fourmis [1]-[3]
dans un contexte multi-objectif afin d’évaluer empiriquement et formellement la
pertinence et l’efficacité de cette approche proposée sur une variété d'instances.
Le problème clé a abordé lors du stage concerne le problème du sac à dos multi-
objectif (MOKP).
2. Analyser ces différentes approches et leurs utilités ainsi que leurs limites.
Références :
[1] M. Dorigo, V. Maniezzo, and A. Colorni, “Positive feedback as a search strategy,” Tech.
Rep., 1991.
[2] M. Dorigo and L. M. Gambardella, “Ant colony system: a cooperative learning approach
to the traveling salesman problem,” IEEE Transactions on Evolutionary Computation, vol. 1,
no. 1, pp. 53–66, 1997.
[3] M. Dorigo, V. Maniezzo, and A. Colorni, “Ant system: optimization by a colony of
cooperating agents,” IEEE Transactions on Systems, Man, and Cybernetics, Part B
(Cybernetics), vol. 26, no. 1, pp. 29–41, 1996.
[4] Lust, T., & Teghem, J. (2012). The multiobjective multidimensional knapsack problem: a
survey and a new approach. International Transactions in Operational Research, 19(4), 495-
520.
[5] Sun, Y., Wang, S., Shen, Y., Li, X., Ernst, A. T., & Kirley, M. (2020). Boosting Ant
Colony Optimization via Solution Prediction and Machine Learning. arXiv preprint
arXiv:2008.04213.