Julien LEPAGNOT

PhD in Computer Science

  • Increase font size
  • Default font size
  • Decrease font size

Mes travaux de recherche ont débuté en 2007, au laboratoire IBISC, dans le cadre d’un Travail d’Études et de Recherche encadré par le Pr. Franck Delaplace. Lors de ce travail, j’ai pu découvrir la biologie synthétique, discipline scientifique passionnante ayant pour objectif de concevoir des fonctions biologiques de synthèse.

L’année suivante, lors de mon stage de Master 2, j’ai travaillé de nouveau au laboratoire IBISC, sous l’encadrement du Dr. Guillaume Hutzler. Ce stage portait sur l’un de mes domaines de prédilection, la modélisation et la simulation à base d’agents, et a donné lieu à une publication dans une revue internationale à comité de lecture. Par la suite, j’ai démarré une thèse de doctorat sur le thème de l’optimisation dynamique au laboratoire LiSSi, sous la direction du Pr. Patrick Siarry, et co-encadrée par le Dr. Amir Nakib et le Dr. Hamouche Oulhadj.

Ce doctorat m’a permis d’affiner ma formation universitaire initiale en approfondissant mes connaissances dans les domaines de l’optimisation, des réseaux de neurones et de l’analyse statistique, et d’acquérir de solides connaissances en traitement de l’image et du signal. De plus, mon travail de thèse a d’ores et déjà donné lieu à publication dans une revue internationale à comité de lecture, un chapitre d'ouvrage, cinq conférences internationales et deux conférences nationales.

J'ai ensuite poursuivi mes travaux en post-doctorat (demi-ATER) au sein du LISSI pendant un an, avant d'intégrer le laboratoire LMIA en tant que Maître de conférences au sein de l'équipe MAGE. Vous trouverez prochainement, ci-dessous, une section portant sur mes recherches actuelles.

Recherches doctorales

Travaux effectués :

Dans la pratique, beaucoup de problèmes d’optimisation sont dynamiques : leur fonction objectif (ou fonction de coût) évolue au cours du temps. La première partie de ma thèse fut consacrée à la mise au point d’un algorithme d’optimisation permettant de résoudre efficacement ce type de problèmes. Dans ce contexte, il s’agissait de développer une métaheuristique d’optimisation dynamique.

Deux algorithmes à base d’agents, MADO (MultiAgent algorithm for Dynamic Optimization) et MLSDO (Multiple Local Search algorithm for Dynamic Optimization), ont été proposés et validés sur les deux principaux jeux de tests existants en optimisation dynamique : MPB (Moving Peaks Benchmark), proposé en 1999, et GDBG (Generalized Dynamic Benchmark Generator), proposé en 2008 et utilisé lors de la compétition du congrès IEEE CEC 2009 en optimisation dynamique.

Ensuite, ces algorithmes ont été appliqués à des problèmes de recalage et de segmentation de séquences d’images médicales, afin de quantifier les mouvements d’un ventricule cérébral. Ce travail constitue une nouvelle voie de recherche dans l’application de l’optimisation dynamique en traitement d’images.

Résultats :

Les résultats obtenus sur les jeux de tests montrent l’efficacité des stratégies mises en œuvre par ces algorithmes, en particulier :

  • MLSDO est classé 1er sur 7 algorithmes évalués sur GDBG ;
  • MLSDO est classé 2ème sur 16 algorithmes évalués sur MPB.

De plus, les gains de performance obtenus, pour les problèmes de recalage et de segmentation de séquences d’images, montrent l’intérêt d’utiliser les algorithmes d’optimisation dynamique proposés pour ce type d'applications.

Domaines :

Recherche opérationnelle, métaheuristiques, optimisation dynamique, systèmes multi-agents, traitement d’images.

Stage de Master 2

Travaux effectués :

La simulation à base d’agents de systèmes complexes repose sur la modélisation des entités élémentaires du système. A un niveau de description donné, cela implique de modéliser toutes les entités du système. Lorsque l’on doit modéliser des systèmes biologiques au niveau cellulaire et/ou moléculaire, cela se traduit par la simulation d’un grand nombre d’agents, ce qui soulève des problèmes de performances. Néanmoins, il n’est généralement pas nécessaire d’avoir le même niveau de détail pour chaque partie du système.

Ce travail a alors consisté à élaborer un modèle de simulation hybride associant une modélisation à base d’agents et une modélisation agrégée fondée sur la discrétisation d’équations différentielles, dans le cadre de la modélisation et de la simulation de la croissance de tumeurs cancéreuses.

Partant d’un modèle existant, purement agent, le travail a d’abord consisté à simplifier et à compléter ce modèle, puis à identifier les éléments du modèle qui ne justifiaient pas d’être traités avec une approche agent, et qui pouvaient avantageusement être remplacés par un modèle agrégé. Pour ce modèle agrégé, un mécanisme de transformation permettant de réaliser le passage d’un formalisme à l’autre a été proposé, et les interactions entre les deux types de modèles ont été mises en place. Enfin, un jeu de tests a été élaboré pour assurer la validité des transformations effectuées et mesurer les gains de performance obtenus.

Résultats :

Le temps de simulation est réduit d’au moins un facteur 10, et surtout augmente linéairement avec le nombre de cellules simulées, au lieu d’une croissance exponentielle.

Domaines :

Systèmes multi-agents, modélisation et simulation, modèles multi-échelles, systèmes biologiques complexes.