Contact : ilyas.rahhali@polymtl.ca

Charles Audet
Jonathan Jalbert

Les solutions optimales pour des problèmes multiobjectifs sont multiples. Ces solutions offrent des compromis entre les différentes fonctions objectifs du problème. En contexte industriel, l'ingénieur ou expert qui résoud ce type de problèmes souhaite trouver une solution optimale qui répond à certaines caractéristiques ou critères des variables, mais n'a aucun moyen de reconnaître ces caractéristiques dans une solution de manière rapide sans vérifier chaque point Pareto jusqu'à en trouver un satisfaisant. Ou encore des fois, l'expert est prêt à faire une concession sur l'optimalité d'une solution pour choisir un point moins bon mais dans une région correspondant à certaines caractéristiques précises, mais qui a été éliminée lors du processus d'optimisation.

Ce travail propose une approche d'apprentissage machine, et plus particulièrement de segmentation, pour concevoir une méthodologie permettant à l'utilisateur de faire un choix mieux informé et justifié selon ses besoins d'une des solution de l'ensemble Pareto (ou proche de celui-ci) qui lui convient le mieux et qui répond à d'éventuelles caractéristiques souhaitées.

Multiobjective problems have multiple solutions offering a trade-off between objective functions. In an industrial and engineering context, it can prove challenging to choose a solution of interest that satisfies the decision makers criteria without verifying each solution. This work offers a clustering based methodology for identifying solutions of interest that meets criteria on the variable space. Moreover, it also offers the possibility to choose near-optimal solutions that may provide for a more interesting variable setup for the decision maker.