Intégrer des méthodes modernes d’optimisation et d’apprentissage automatique pour améliorer l’efficacité et la résilience des chaînes d’approvisionnement et des systèmes de mobilité.
Vision
Dans un monde façonné par des incertitudes globales en constante évolution, ce regroupement vise à repenser la gestion des chaînes d’approvisionnement et des systèmes de mobilité en intégrant la recherche opérationnelle et l’apprentissage automatique. Il vise à rendre ces systèmes plus robustes, plus réactifs et plus durables, tout en réduisant leur empreinte environnementale et en renforçant le leadership du Canada dans l’intégration de ces domaines.
Objectifs
Les objectifs du regroupement sont d’intégrer et d’améliorer les méthodes modernes d’optimisation et d’apprentissage automatique afin d’améliorer l’efficacité et la résilience des chaînes d’approvisionnement et des systèmes de mobilité, tout en réduisant leur empreinte environnementale. Le but est d’exploiter l’apprentissage automatique :
- Dans la conception de modèles d’optimisation qui rendront ces systèmes plus réactifs aux conditions changeantes;
- Pour accélérer l’optimisation de très grands systèmes qui tiennent compte des contextes économiques, sociétaux, environnementaux et humains;
- Pour quantifier l’incertitude et rendre les chaînes d’approvisionnement plus résistantes aux perturbations causées par les catastrophes naturelles, les pandémies, les guerres et d’autres événements mondiaux.
Axes de recherche
Axe 1 : Quantification complexe de l’incertitude
Robustesse hors distribution, prévisions de données de comptage, structure de corrélation complexe, apprentissage sous observabilité partielle.
Axe 2 : Intégration de la prédiction et de l’optimisation
Environnements simulés pour l’optimisation contextuelle, optimisation robuste des chaînes d’approvisionnement, routage et planification rentables des navires.
Axe 3 : Accélération de la résolution des modèles multi-étapes
Décomposition de Benders assistée par l’apprentissage machine, apprentissage par renforcement pour la gestion des stocks, gestion de flotte pour le transport ferroviaire.
Axe 4 : Optimisation de bout en bout consciente des décideurs
Prise de décision équitable, apprentissage de politiques averses au risque, intégration des comportements humains.
Axe 5 : Intégration de l’endogénéité
Apprentissage et optimisation intégrés pour les prévisions de la demande, atténuation de l’incertitude épistémique dans l’apprentissage hors ligne.
Défis
Les chaînes d’approvisionnement et les systèmes de mobilité sont confrontés à une volatilité sans précédent en raison de crises mondiales, telles que les pandémies ou les catastrophes naturelles. Comment pouvons-nous développer des solutions pour mieux anticiper et répondre à ces perturbations ? Le défi consiste également à trouver un équilibre entre l’efficacité opérationnelle, la transparence des décisions et la satisfaction des parties prenantes, tout en minimisant l’impact sur l’environnement.
Impact anticipé
Les activités du regroupement contribueront à trois dimensions principales de l’initiative IAR³ en développant des systèmes d’IA robustes, raisonnables et responsables. Il est nécessaire de disposer de systèmes robustes capables de réagir rapidement à des changements imprévus et d’atténuer les effets de ces perturbations sur les opérations en aval.
Systèmes raisonnants : création de systèmes plus stables et moins sensibles aux variations de données, dont le comportement est plus proche de la manière dont les humains raisonnent et prennent des décisions.
Le regroupement contribuera à l’adoption responsable de l’IA en développant des modèles et des algorithmes qui conduisent à des décisions permettant de réaliser de bons compromis entre les objectifs et les contraintes de multiples parties prenantes.
- Progrès scientifique : contributions scientifiques significatives aux disciplines connexes et diffusion par des publications dans des revues scientifiques de premier plan, des conférences, etc.
- Développements méthodologiques : tests sur des données réelles afin de tirer des enseignements pratiques et managériaux pertinents.
Collaboration industrielle : mise en œuvre d’innovations avec des acteurs stratégiques, ce qui garantira que les méthodes peuvent être adoptées dans un contexte réel.
Projets en cours
AI-Driven Optimization for Multimodal Transportation Networks: Integrating Theoretical Insights with Data-Driven Decision Modeling
(Axe 4)
- Bobin Wang – Université Laval
- Christian Gagné – Université Laval
- Mikael Rönnkvist – Université Laval
Gamifying online stochastic optimization problems
(Axe 2)
- Jorge Mendoza – HEC Montréal
- Martin Cousineau – HEC Montréal
- Amir-Massoud Farahmand – Polytechnique Montréal
Uncertainty Quantification for Spatiotemporal and Multivariate Demand in Supply Chain and Mobility System
(Axe 1)
- Lijun Sun – Université McGill
- Alexandra Schmidt – Université McGill
Dynamic Data-Driven Resource Planning for Wildfire Management under Uncertainty
(Axe 1)
- Marie-Ève Rancourt – HEC Montréal
- Daniel Aloise – Polytechnique Montréal
- Valérie Bélanger – HEC Montréal
- Fannie Couture – HEC Montréal
Learning-based sequential decision-making under uncertainty
(Axe 3)
- Maryam Daryalal – HEC Montréal
- Erick Delage – HEC Montréal
RETRO: Optimization of Orbital Debris Remediation through Machine Learning and Combinatorial Optimization
(Axe 2, Axe 4)
- Thibaut Vidal – Polytechnique Montréal
- Christopher Damaren – University of Toronto
- Sanjeev Narayanaswamy – University of Toronto
Development of machine learning methods and stochastic short-term production planning to reduce environmental footprint of dynamic fleet management systems in mining complexes
(Axe 2)
- Roussos Dimitrakopoulos – Université McGill
- Luis Montiel Petro – Université McGill
- Amina Lamghari – Université du Québec à Trois-Rivières
- Yassine Yaakoubi – Université Concordia
Efficient Risk-averse Policy Learning for Supply Chain Management
(Axe 4)
- Erick Delage – HEC Montréal
- Yossiri Adulyasak – HEC Montréal
- Nima Akbarzadeh – HEC Montréal
- Pierre-Luc Bacon – Université de Montréal
- Esther Derman – Université de Montréal
- Petrik Marek – University of New Hampshire
- Weikai Wang – HEC Montréal
Counterfactual explanations for contextual optimization problems subject to endogenous uncertainty
(Axe 2, Axe 5)
- Emma Frejinger – Université de Montréal
Chercheuses et chercheurs
- Okan Arslan – HEC Montréal
- Pierre-Luc Bacon – Université de Montréal
- Valérie Bélanger – HEC Montréal
- Glen Berseth – Université de Montréal
- Margarida Carvalho – Université de Montréal
- Laurent Charlin – HEC Montréal
- Leandro Coelho – Université Laval
- Maxime Cohen – Université McGill
- Maryam Darvish – Université Laval
- Guy Desaulniers – Polytechnique Montréal
- Roussos Dimitrakopoulos – Université McGill
- Michel Gendreau – Polytechnique Montréal
- Raf Jans – HEC Montréal
- Luc LeBel – Université Laval
- Antoine Legrain – Polytechnique Montréal
- Nadia Lehoux – Université Laval
- Aditya Mahajan – Université McGill
- Jorge Mendoza – HEC Montréal
- Carolina Osorio – HEC Montréal
- Marie-Ève Rancourt – HEC Montréal
- Jacques Renaud – Université Laval
- Mikael Rönnkvist – Université Laval
- Louis-Martin Rousseau – Polytechnique Montréal
- Utsav Sadana – Université de Montréal
- Dhanya Sridhar – Université de Montréal
- Lijun Sun – Université McGill
- Kimberley Yu – Université de Montréal
- Thibaut Vidal – Polytechnique Montréal
- Bobin Wang – Université Laval
Conseillère à la recherche
Danielle Maia de Souza : danielle.maia.de.souza@ivado.ca