Résolution de problèmes d'optimisation combinatoire par des approches d'inspiration quantique

Ce mémoire de thèse propose d’évaluer la résolution de problèmes d’optimisation combina- toire NP-difficile par des approches d’inspiration quantique. Au cœur de cette recherche se trouve l’examen du modèle de Ising, une représentation mathématique fondamentale dans la mécanique statistique et la physique quantique. L’objectif est d’explorer comment les prin- cipes de ce modèle de la physique statistique peuvent être exploités pour résoudre efficacement des problèmes complexes, dont la complexité croissante dépasse les capacités des ordinateurs classiques. Ce mémoire contribue ainsi à l’élargissement des horizons de la résolution de pro- blèmes d’optimisation, ouvrant la voie à des applications potentielles dans divers domaines, de la logistique à la conception de médicaments. Les problèmes d’optimisation combinatoires NP-difficile sont nombreux. Dans le cadre de ce mémoire, le point se fera sur les deux problèmes à savoir le TSP et le JSSP utilisés beaucoup en industrie. Le mémoire se concentrera ainsi sur la résolution de ces deux problèmes par des approches d’inspiration quantique. Le recuit simulé, la machine de D-Wave et la machine à bifurcation de Toshiba en font partie. Le mémoire compare aussi les résultats avec d’autres approches dites classiques comme Google-OR et Concorde. Les résultats obtenues par le biais des outils cités précédemment sont de mauvaise qualité comparé aux outils classiques de résolution. Le mémoire vise donc à proposer des méthodes pour améliorer les performances en termes de temps et de qualité de solutions. On a montré qu’avec ces méthodes et approches, les résultats sont allés de mauvais à résultats convaincant. On guise de conclusion, le modèle d’Ising est une approche révolutionnaire pour contrer les problèmes difficiles, mais celui-ci requiert des méthodes de résolution efficaces.