Combiner l'intelligence artificielle et la recherche opérationnelle pour optimiser les horaires d'équipages aériens et de chauffeurs d'autobus

从结构特征上看，S的观点和观点在结构上是一致的，S的最低要求是：S的职业生涯，国家和地区的旋转业，以及国家和地区的企业，以及企业和企业。在通勤途中，记者专车司机开了一辆公交车。L的助手L的问题和公式是由S的宏大变数和约束决定的。这是一种新的发展算法，没有考虑到所有变量和临时变量之间的矛盾，因此不可能找到可行的方案。L的研究和改进是L的最佳选择。在服务中的CES算法可用于解决问题和问题。-DéDevelopper des méthodes d‘Apprentisage Automatique Pour Obtenir de Partir des Solution des Mois Précécédents de L’Information Sur le táches Qui Devient Productive Se Suvire Dans Dans Sunune解决方案。-Généraliser CES算法Pourélargir leur Domaines d‘应用：Traiter les Problers de Méthodes d’Autobus et Les Problémes de Block s Mensuels d‘Agents de Bord Travillantéquéquipes，Optimiser模拟器tanérotation et les mensuels de mensuels.-Réaliser des Implantations des算法capables de traiter les prolèmes Commercial.Ce projet donnera un avantage concurentielàAD opt et Giro qui disposeront de meilleur Logiciels que leur并发。#(Cr)#(Lf)AD opt和Giro解决的调度问题具有类似的结构。它们包括以最小的成本覆盖一组具有员工时间表的任务。在航空运输行业中，机组配对问题的目标是对每个航班进行一次机组轮换，机组排班问题则试图用月度块多次覆盖每个机组轮换，以确保每个航班都有所需的工作人员。在公交行业中，日常问题的目标是用司机的工作日覆盖每条公交路线一次，所有这些问题都可以用包含大量变量和约束的集合覆盖模型来表示。我们的团队开发了解决这些问题的算法，而无需同时考虑所有变量，并通过最初聚合解决方案中可能陆续到来的任务来减少约束数量。为了达到最优，如果需要，可以在解析过程中修改此聚合。这些算法被用于解决航空公司机组人员配对问题，在该问题中，每个任务都必须被覆盖一次。这个项目的目标如下：-开发机器学习方法，以便从前几个月的解决方案中提取关于解决方案中可能陆续出现的任务的信息。-推广这些算法，以扩大其应用范围：处理公交车司机问题和空乘人员作为团队工作的月度阻塞问题，同时优化配对和月度排班。-实现能够处理商业问题的算法。该项目将为AD OPT和GIRO提供竞争优势，这两家公司将拥有比竞争对手更好的软件。

Les problèmes d'horaires traités par AD OPT et Giro ont des structures semblables, il s'agit de couvrir à coût minimum un ensemble de tâches avec des horaires d'employés. Dans le domaine aérien, le problème de rotations d'équipages couvre avec des rotations chaque vol une fois et le problème des blocs mensuels couvre avec des blocs mensuels chaque rotation plusieurs fois pour avoir le personnel requis dans chaque vol. En transport en commun, le problème journalier couvre avec des journées de chauffeurs chaque parcours d'autobus une fois. Tous ces problèmes se formulent à l'aide de modèles de recouvrement d'ensemble qui comportent un très grand nombre de variables et de contraintes. Notre équipe a développé des algorithmes qui permettent de résoudre sans considérer toutes les variables en même temps et réduisent le nombre de contraintes en agrégeant au départ des tâches qui devraient probablement se suivre dans une solution. L'agrégation est modifiée au besoin durant la résolution pour atteindre l'optimalité. Ces algorithmes ont été mis en service sur les problèmes de rotations d'équipages aériens où chaque tâche doit être couverte une seule fois. Les objectifs de ce projet sont de :-Développer des méthodes d'apprentissage automatique pour obtenir à partir des solutions des mois précédents de l'information sur les tâches qui devraient probablement se suivre dans une solution.-Généraliser ces algorithmes pour élargir leurs domaines d'application : traiter les problèmes de chauffeurs d'autobus et les problèmes de blocs mensuels d'agents de bord travaillant en équipes, optimiser simultanément les rotations et les blocs mensuels. -Réaliser des implantations des algorithmes capables de traiter les problèmes commerciaux.Ce projet donnera un avantage concurrentiel à AD OPT et Giro qui disposeront de meilleurs logiciels que leurs concurrents.#(cr)#(lf)The scheduling problems addressed by AD OPT and Giro have similar structures. They consist in covering at minimal cost a set of tasks with employee schedules. In the air transportation industry, the crew pairing problem aims at covering each flight with crew rotations once, and the crew rostering problem attempts to cover each crew rotation with monthly blocks many times in order to guarantee that each flight has the required staff. In the public transportation industry, the daily problem aims at covering each bus route with drivers' workdays once.All these problems can be formulated with set covering models that contain a very large number of variables and constraints. Our team developed algorithms that solve these problems without considering all the variables at the same time and that reduce the number of constraints by initially aggregating tasks that are likely to come one after the other in a solution. In order to reach optimality, this aggregation can be modified during the resolution if needed. These algorithms were put to use on airline crew pairing problems, in which each task has to be covered once. The objectives of this project are as follows:- Develop machine learning methods in order to extract from solutions of previous months information about the tasks that are likely to come one after the other in a solution.- Generalize these algorithms so as to widen their scope of application: dealing with bus drivers problems and with monthly blocks problems of flight attendants working as a team, and simultaneously optimizing pairing and monthly rostering.- Make implementations of the algorithms that are able to deal with commercial problems.This project will give a competitive advantage to AD OPT and Giro, which will have at their disposal better software than their competitors.