Hafsa, Mounir
[VerfasserIn]
;
Université de Lille (2022-.)
[MitwirkendeR];
Jourdan, Laetitia
[MitwirkendeR]
New prediction and planning for digital learning based on optimization methods ; Nouvelle prédiction et planification pour l’apprentissage numérique basées sur des méthodes d’optimisation
Titel:
New prediction and planning for digital learning based on optimization methods ; Nouvelle prédiction et planification pour l’apprentissage numérique basées sur des méthodes d’optimisation
Anmerkungen:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Beschreibung:
Cette thèse aborde deux problèmes distincts : les emplois du temps des formations professionnelles et les systèmes de recommandation. Les deux problèmes ont lieu à Mandarine Academy, une société française de technologie éducative qui se spécialise dans les techniques de formation d'entreprise innovantes telles que les plateformes d'apprentissage en ligne personnalisées, la logistique de formation, conférences Web, etc.Nous commençons par le problème des emplois du temps lié à la gestion de la logistique de formation, l'entreprise propose un outil nommé « Dileap Logistic» qui gère automatiquement l'affectation des ressources (salles, enseignants et équipement) aux créneaux horaires (jours et heures) à des endroits précis. Auparavant, cela se faisait manuellement, ce qui prenait beaucoup de temps et donnait des résultats inexacts (mauvais formateurs, mauvais jours ou mauvais équipement).Bien qu'il s'agisse d'un problème NP-Complete, une formulation mathématique du problème a été élaborée après avoir examiné les ouvrages de littérature et les exigences de l'entreprise. Il comprend 18 contraintes (hard/soft) et 5 objectifs, dont deux sont concurrents. Nous évaluons 5 algorithmes évolutifs multi-objectifs (AEMO) en commençant par l'algorithme génétique de tri non dominant (NSGA II et NSGA III), l'algorithme évolutif multi-objectif basé sur la décomposition (MOEA/D), l'algorithme évolutif basé sur des indicateurs (IBEA) et enfin l'algorithme évolutif de Pareto Strength (SPEA 2). Deux opérateurs génétiques personnalisés (pour Mutation et Crossover) ont été proposés et comparés à des opérateurs classiques (PMX et Swap mutation).Une phase de réglage impliquant tous les algorithmes mentionnés ci-dessus est effectuée pour obtenir des configurations d'élite. Les expérimentations sont divisées par taille de problème (petites, moyennes et grandes instances) avec 3 à 5 objectifs testés. Nous discutons de résultats tels que la comparaison de la performance de chaque algorithme ainsi que des graphes de convergence.En plus de ...