Les incertitudes sont nombreuses dans la modélisation des problèmes du monde réel. L'inclusion de l'incertitude dans un modèle d'optimisation est désormais une pratique courante dans l'industrie, grâce au développement de modèles mathématiques et de logiciels efficaces. Dans ce cours, nous aborderons plusieurs classes de problèmes d'optimisation qui tiennent compte de l'incertitude dans les données du problème. Les concepts de problèmes à plusieurs étapes, de contraintes probabilistes et de mesures de risque seront utilisés pour dériver les formulations de problèmes d'intérêt. Nous passerons également en revue les algorithmes qui peuvent être utilisés pour résoudre des problèmes de programmation stochastique, d'un point de vue à la fois théorique et pratique, à l'aide de progiciels récemment développés.

Références:

•  M. Biel and M. Johansson, Efficient stochastic programming in Julia, INFORMS Journal of Computing (2022)
• J. R. Birge and F. Louveaux, Introduction to Stochastic Programming 2nd Edition, Springer (2011)
• A. Shapiro, D. Dentcheva and A. Ruszczynski, Lectures on Stochastic Programming, 3rd edition, SIAM (2021)