Métaheuristiques et algorithmes d'apprentissage automatique pour la boucle de résolution des problémes de conception inventive
Langue Anglais
Accéder à la thèseDroits d'accès : non autorisé

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

Modalités de diffusion de la thèse :
  • Thèse soumise à l'embargo de l'auteur jusqu'au 30/12/2025 (communication intranet).
 
Auteur : Ghannad, Naser
Date de soutenance : 01-12-2023

Directeur(s) de thèse : De Guio, Roland - Parrend, Pierre

Établissement de soutenance : Strasbourg
Laboratoire : Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....)
École doctorale : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
 
Discipline : Informatique
Classification : Informatique

Mots-clés libres : Méta-heuristique, OCAnt-Miner, Importance des fonctionnalités, Sélection des fonctionnalités, Classification, Identification automatique des contradictions, Données déséquilibrées, Ensembles de données synthétiques
Mots-clés :
  • Apprentissage automatique
  • Méthode TRIZ
Résumé : Ce travail s’inscrit dans la construction d’une démarche de conception inventive soutenue par l’analyse digitale des données techniques. Elle contribue à l’identification et à l’expression automatique des contradictions d’évolution d’un système technique sous forme de règles à partir de données décrivant la relation entre les paramètres de conception de ce système et les performances attendues. Les principales contributions sont une méthode d'identification des variables intervenant dans les contradictions, des mesures d'évaluation des règles impliquées dans les contradictions et un classifieur à base de règles appelé OCAnt-Miner d’obtention des règles à partir d’un tableau de données issues d’expériences ou de simulations. L’algorithme OCAnt-Miner a la propriété de bien traiter les données déséquilibrées, de réaliser une bonne discrimination entre les classes et d’exprimer les règles avec les variables nécessaires à la description de fonction de discrimination.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2023STRAD044
Type de ressource : Thèse