Enseignements

J'enseigne actuellement à la faculté de gestion, économie et sciences (FGES) et à Pôle IIID les matières suivantes :

  • Licence 1 - Programmation Python (FGES et Pôle IIID)
  • Licence 3 - Programmation C (FGES)
  • Licence 3 - Programmation C# (Pôle IIID)
  • Master 1 - Algorithmique (FGES) 

J'ai enseigné à l'université de Lille les matières suivantes :

  • Licence 1 - Informatique
  • Licence 1 - Algorithmes et Programmation 1
  • Licence 1 - Technologies du Web
  • Licence 3 - Programmation Fonctionnelle
  • Licence 3 - Conception Orientée objet
  • Master 1 - Algorithmes et complexité

J'ai aussi mis au point pour l'université de Lille une plateforme d'entrainement à l'algorithmique pour l'auto-évaluation des étudiants.

Médiation

J'ai pris part à de nombreuses journées de médiation scientifique, la transmission de connaissances étant une chose qui me tient particulièrement à coeur. Voici une liste non-exhaustive de mes différentes activités:

  • JEIA (2018 et 2019), Université de Lille, Journée de d'enseignement de l'informatique et de l'algorithmique
  • Informatique sans ordinateur (IREM) (2019), Université de Lille, Présentation du matériel pédagogique pour l'informatique sans ordinateur auprès du groupe de l'institut de recherche de l'enseignement des mathématiques de Lille (IREM).
  • ["Trier", "Chercher", "Trouver"] (2018), Université de Lille, Formation de professeurs de collège et lycée pour la transmission de connaissance en informatique en relation avec les algorithmes de tris et de recherche.
  • Animation Robot Thymio (2018), Ecole Lavoisier, Lille, Initiation à l’informatique avec la programmation des robots Thymio.
  • Animation (2017), Ecole Lavoisier, Lille, Démonstration et vulgarisation scientifique de l’optimisation combinatoire (problèmes et méthodes de résolution).
  • Coding Goûter (2017), Université de Lille, Initiation à l’informatique avec la programmation des robots Thymio.
  • Semaine d’accueil des secondes à l’université (2016 et 2017), Université de Lille, Démonstration et vulgarisation scientifique de l’optimisation combinatoire (problèmes et méthodes de résolution)
  • Forum Numériqu’elle (2016 et 2017), Euratechnologie, Valorisation des métiers de l’informatique auprès des collégiennes et lycéennes.
  • Journée RIC (2016), Université de Lille, Présentation du domaine de recherche du groupe thématique ORKAD lors de la journée RIC (Recherche, Innovation, Création)

Recherche

Mon domaine de recherche porte sur l'intégration de connaissances dans les problèmes d'optimisation combinatoire et de la manière d'extraire la connaissance pour concevoir des métaheuristiques qui vont exploiter cette connaissance. En effet, les méthaheuristiques sont des méthodes généralistes qui sont utilisables pour résoudre tout type de problème d'optimisation combinatoire. Ainsi, aucune connaissance spécifique au problème considéré n'est utilisée. Le but de ma recherche est donc de trouver des caractéristiques propres aux problèmes et de les intégrer dans une métaheuristique pour mieux optimiser. Ces caractéristiques peuvent être trouvées en analysant l'instance d'un problème, ou le phénotype et génotype des meilleures solutions d'un problème et d'une instance donnée. L'objectif de ma thèse était donc d'utiliser l'extraction et l'exploitation de la connaissance comme un outil pour aider à la résolution de problème d'optimisation difficile.

Travaux de doctorat

Au cours de mon doctorat, je me suis intéressé à l'étude des meilleures solutions d'un problème, et plus particulièrement sur la façon dont peuvent être construites de telles solutions. En effet, les métaheuristiques étant des méthodes généralisées qui permettent de fournir une bonne solution en un temps raisonnable ne donnent aucune information sur la structure de la solution qui expliquerait pourquoi une solution est meilleure qu'une autre.

Un premier travail a été effectué pour permettre de "sentir" l'impact de la structure d'une solution dans une méthode d'optimisation. Ainsi le problème de sélection d'attributs fut le premier problème étudié pendant cette thèse. Les solutions de ce problème se modélisent sous la forme d'une chaîne binaire 0--1, ce qui rend l'analyse de ces solutions faciles à comprendre. L'étude des solutions a porté sur la corrélation entre les attributs (exemple: l'attribut A est présent si l'attribut B est présent aussi; l'attribut C est présent si l'attribut A ne l'est pas). Ces travaux ont pu montrer l'intérêt d'extraire de la connaissance de ces corrélations pendant la recherche et de les exploiter dans un opérateur de voisinage pour choisir les voisins les plus prometteurs.

Le second problème qui fut étudié pour la majeure partie de ma thèse est un problème d'ordonnancement de type flowshop sans temps d'attente (Flowshop Scheduling Problem). La même étude que précédemment a été effectuée sur les bonnes solutions, mais cette fois avec une modélisation sous la forme d'une permutation. L'étude des meilleures solutions a permis de comprendre comment une solution pouvait être construite rapidement et efficacement grâce à l'analyse du génotype et du phénotype d'une solution. L'analyse approfondie du génotype, et donc de la structure d'une solution a permis l'élaboration d'une méthode efficace pour ce problème. La méthode consiste à extraire des sous-séquences communes dans les meilleures solutions du problème et de les exploiter pour générer des nouvelles meilleures solutions. 

 

A propos

Je suis actuellement enseignant-chercheur en informatique, à la faculté de gestion, économie et sciences (FGES) et chercheur associé à l'équipe ORKAD (Operational Research, Knowledge And Data) au laboratoire CRIStAL.