Infodoc : Sciences, Techniques et Culture

de l'auteur : Nous proposons une méthodologie innovante d'optimisation de plan d'expériences en contexte bayésien, applicable aux modèles non linéaires et de dimension élevée. Dans le cadre de la théorie statistique de la décision, l'optimisation se ramène à la maximisation de l'espérance d'une fonction d'utilité. Sans calculer d'espérance, nous simulons des chaînes de Markov non-homogènes qui explorent la surface du critère d'optimisation. Le plan d'expériences optimal correspond alors au mode de cette surface vue comme une distribution de probabilité. Pour être performant dans les cas complexes, notre algorithme de simulation combine l'approche « particulaire » pour explorer efficacement la surface et un effet de recuit simulé pour concentrer les simulations prés des modes. Une étud[...]

de l'auteur : Nous proposons une méthodologie innovante d'optimisation de plan d'expériences en contexte bayésien, applicable aux modèles non linéaires et de dimension élevée. Dans le cadre de la théorie statistique de la décision, l'optimisation se ramène à la maximisation de l'espérance d'une fonction d'utilité. Sans calculer d'espérance, nous simulons des chaînes de Markov non-homogènes qui explorent la surface du critère d'optimisation. Le plan d'expériences optimal correspond alors au mode de cette surface vue comme une distribution de probabilité. Pour être performant dans les cas complexes, notre algorithme de simulation combine l'approche « particulaire » pour explorer efficacement la surface et un effet de recuit simulé pour concentrer les simulations prés des modes. Une étude théorique de la convergence est proposée et trois applications à des situations réelles ou réalistes en finance, en contrôle de qualité et en médecine sont présentées, sous la forme de cinq publications soumises.