[cmath] Optimisation sous incertitude du 23-27 mars 2020 - Workshop - Optimization under uncertainty - March 23-27, 2020

[Centre de recherches mathematiques]

(English follows French)

Ne manquez pas le prochain atelier : "Optimisation sous incertitude du 23-27 mars 2020", dans le cadre du semestre thématique Optimisation 2020 : Les mathématiques de la prise de décision.

Organisateurs:

Fabian Bastin
(Université de Montréal)
Erick Delage
(HEC Montréal)
Walter Rei
(Université du Québec à Montréal)

Dans un contexte de prise de décision organisationnelle, il est rare que le planificateur possède une information parfaite concernant tous les paramètres du problème, que ce soit dans le futur ou même dans le présent. Dans ce contexte, les actions de recours doivent être ajustées au fur et à mesure que l'information est révélée. En général, cela conduit à des problèmes où des séquences décisionnelles sont prises sur différents horizons temporels, et où l'on doit faire des compromis entre les bénéfices immédiats des décisions présentes et leur impact sur les bénéfices futurs. Le défi consiste alors à développer des techniques d'optimisation permettant de produire des solutions de grande qualité, dans un environnement caractérisé par l'incertitude des différents paramètres. Ceci dit, l'accès actuel à des bases de données détaillées et exhaustives précisant les activités des organisations, des gouvernements et des populations, combiné aux techniques d'apprentissage automatique utilisées pour extraire des informations de ces bases de données, a grandement augmenté la capacité d'analyse des sources d'incertitude et de leur impact sur la performance des algorithmes d'optimisation. Les progrès récents en informatique et en recherche opérationnelle ont ouvert la voie à des recherches portant sur des méthodologies d'optimisation spécialisées permettant de traiter des problèmes réels de grande taille. L'objectif de cet atelier est d'en présenter certains des développements les plus récents associés à trois importants champs d'étude : optimisation stochastique combinatoire, méthodes de Monte Carlo, et optimisation robuste.

Inscrivez-vous rapidement d’ici le 16 mars, les places sont limitées :

- Étudiants : 75$
- Stagiaires postdoctoraux :115$
- Professeurs chercheurs sans subvention : 150$
- Professeurs chercheurs avec subvention : 220$
- Chercheurs industriels : 380 $

Pour plus d'information: http://www.crm.umontreal.ca/2020/Incertitude20/ <http://www.crm.umontreal.ca/2020/Incertitude20/>
Inscription:https://www.crm.umontreal.ca/act/form/inscr_incertitude20_fr.shtml <https://www.crm.umontreal.ca/act/form/inscr_incertitude20_fr.shtml>


Partenaire financier:





—————————————————————————————————————



Do not miss the next workshop 'Optimization under uncertainty from 23-27 March 2020', as part of the thematic semester Optimization 2020 The mathematics of decision making.

Organizers:

Fabian Bastin
(Université de Montréal)
Erick Delage
(HEC Montréal)
Walter Rei
(Université du Québec à Montréal)

In organizational decision making, the vast majority of planning and operational decisions are made without a complete knowledge of both the current situation and the future. Plans that are made when part of the contextual information is uncertain are then adjusted when new information is revealed, thus allowing for recourse actions to be taken. In general, this leads to problems where sequences of decisions are made over varying time horizons and where one aims to balance both the immediate benefits of the decisions made and their future impact. For such problems, designing optimization methodologies that explicitly consider the various sources of uncertainty that are present, and efficiently produce high-quality solutions, is quite challenging. This being said, today's access to more detailed and exhaustive databases detailing the activities of organizations, governments and populations, in addition to machine learning techniques being more readily available to analyze such databases, has greatly improved the operations research (OR) community's capacity to both describe the various sources of uncertainty more accurately and calculate the effects that the different realizations might have on the expected performance. Furthermore, driven by the advancements in both computing technologies and OR tools, one observes an ever-increasing amount of research dedicated to the development of specialized optimization methodologies capable of solving problems in realistic settings. The purpose of this workshop is to present some of the most recent and innovative technical developments in three important fields of study: stochastic combinatorial optimization, Monte Carlo methods, and robust optimization.

We encourage interested participants to register early (and before March 16th) as the number of places is limited:
- Students: $ 75
- Postdoctoral fellows: $115
- Faculty without grant: $150
- Faculty with grant: $220
- Industrial researchers: $380

For more Information:http://www.crm.umontreal.ca/2020/Incertitude20/index_e.php <http://www.crm.umontreal.ca/2020/Incertitude20/index_e.php>
Registration: https://www.crm.umontreal.ca/act/form/inscr_incertitude20_en.shtml <https://www.crm.umontreal.ca/act/form/inscr_incertitude20_en.shtml>


Financial parter:













-------------- next part --------------
Skipped content of type multipart/related