Carola DoerrCNRS researcher at LIP6

Carola Doerr est directrice de recherche CNRS et exerce ses activités de recherche au sein du Laboratoire LIP6 (CNRS/Sorbonne Université)1 .

Ancienne élève de l’Université de Kiel en Allemagne (2003-2007), Carola Doerr travaille comme consultante chez McKinsey à Munich entre 2008 et 2012. Elle soutient sa thèse au sein de l’Institut Max Planck à Sarrebruck et l’Université de la Sarre en 2011. En 2012, elle rejoint l’Université Paris-Diderot (désormais Université Paris Cité) comme post doctorante, avec un financement de la fondation Alexander von Humboldt. Elle rejoint le CNRS comme chargée de recherche en 2013. En 2022, elle devient directrice de recherche.

Carola Doerr travaille sur les aspects fondamentaux des algorithmes d’optimisation de boîte noire, sujet qui la fascine depuis qu’elle a été consultante au cabinet de conseil en stratégie McKinsey & Company, où ces outils sont couramment utilisés. Les modèles de Carola Doerr prédisent le nombre minimal d’évaluations nécessaires à l’optimisation. Ses résultats inspirent de nouvelles solutions et permettent de comprendre quel type d’algorithme fonctionne mieux pour quel problème. Ces travaux ont donné lieu à des partenariats avec des entreprises (Thales, Honda, Facebook) et le monde académique (Institut Pasteur). De plus, les comparaisons entre les algorithmes d’optimisation de boîte noire passent par des comparaisons empiriques, que Carola Doerr et ses collègues facilitent en développant IOHprofiler, un logiciel libre d’analyses et de visualisations interactives lui valant la médaille de bronze du CNRS en 2022.

DynaBBO: Dynamic Selection and Configuration of Black-box Optimization Algorithms

Les algorithmes d’optimisation à boite noire sont parmi les techniques d’optimisation les plus utilisées pour résoudre des problèmes du secteur industriel et académique. Il existe donc une pléthore d’algorithmes d’optimisation à boîte noire différents, se complétant les uns les autres.

Le projet dynaBBO cherche à obtenir des techniques d'optimisation plus efficaces en tirant parti de cette complémentarité, pour les différentes instances du problème et pour les différentes étapes du processus d'optimisation. À cette fin, le projet développe des approches qui sélectionnent et basculent dynamiquement entre différents algorithmes d'optimisation "à la volée".

Pour obtenir les approches dynamiques, le projet combine des connaissances sur les algorithmes d'optimisation à boîte noire, obtenues grâce à des techniques d'apprentissage automatique. En particulier, dans la conception des techniques de sélection et de configuration d'algorithmes basées sur la trajectoire qui combinent l'analyse exploratoire avec des caractéristiques d'algorithmes nouvellement conçues capturant des informations sur l'interaction solveur-instance. L'efficacité de ces approches sont comparés.

Plus tard, le projet permettra de mettre en application cette méthode en bio-médecine et en mécanique informatique.

Laboratoire d'Informatique de Paris 6

• Délégation Paris-Centre
• Institut des sciences de l’information et de leurs interactions

• 1CNRS/Sorbonne Université