Une méthodologie computationnelle pour faire de l’optimisation multi-objectifs en élevage de précision
Abstract
In precision rearing, optimization problems are multi-objective and stochastic because the requirements of decision-makers are multiple and because objective functions cannot be modeled in an analytical form due to the inherent complexity of biological systems. Our method consists in use a nonparametrically estimated quantile regression, associated with a $\alpha$ risk level decided by the decision maker, to deal with the model uncertainty. Then, the NSGAII genetic algorithm allows us to find the Pareto Front, associated with a $\alpha$ risk level, which carries the set of possible trade-offs within which the decision-maker can choose. The good numerical behavior of the proposed approach is illustrated on simulated data.
En élevage de précision, les problèmes d’optimisation sont multi-objectifs et stochastiques. En effet, les exigences des décideurs sont multiples et les fonctions objectifs ne peuvent être modélisées sous une forme analytique dû à la complexité inhérente des systèmes biologiques. La méthodologie proposée consiste à utiliser des quantiles conditionnels, estimés non paramétriquement, associés à différents niveaux de risque $\alpha$ choisis parle décideur, pour intégrer l’incertitude du modèle. Pour un risque $\alpha$ donné, l’algorithme génétique NSGAII permet ensuite de déterminer le Front de Pareto, qui porte l’ensemble des compromis possibles au sein duquel le décideur peut alors choisir. Le bon comportement numérique de l’approche développée est illustré sur une simulation numérique.