Optimisation des modèles de simulation de flux : algorithmes, apports de l’IA et … bonnes pratiques (Partie 1/2)

Ou comment optimiser l’exploitation de mon modèle de simulation de flux ?

Ce document présente plusieurs méthodes d’optimisation appliquées à l’utilisation d’un modèle de simulation de flux ou au traitement des résultats qu’il fournit.

Attention, l’emploi de ces méthodes d’optimisations n’est justifié et rentable que si les prérequis suivants sont satisfaits :

• Il y a-t-il réellement de la « dispersion » sur la sortie. Par exemple, tester une cinquantaine de vecteurs d’entrée différents et réalistes et voir leur impact sur la sortie. Est-ce que les résultats varient beaucoup ? Il y a-t-il réellement de grandes divergences ? Est-ce que cela vaut la peine d’optimiser la finesse de l’analyse des résultats ?
• Si oui, est-ce que la finesse des résultats va répondre à la demande des utilisateurs finaux ? en d’autres termes, est-ce que la définition de règles d’usage n’est pas préférable à de précises tables de données souvent difficiles à interpréter ?
• Si oui, est-ce que la durée de simulation est suffisamment courte pour réaliser de grands nombres d’itérations dans le temps imparti?

Si les réponses sont favorables, vous pourriez opter pour l’emploi d’algorithmes d’optimisation, facilement utilisables aujourd’hui grâce à la mise en disposition d’outils de l’IA comme TensorFlow et des éditeurs python comme Colab.

Ces méthodes peuvent être regroupées en plusieurs catégories principales selon leur approche et leur objectif :

• Méthodes basées sur les heuristiques et métaheuristiques
• Méthodes statistiques et stochastiques
• Méthodes d’optimisation locale et de recherche de voisinage
• Méthodes de conception expérimentale et d’analyse de réponse
• Méthodes basées sur les dérivées et l’optimisation déterministe

Lire la suite :  ici