Thesis offerMetaheuristics and user-driver learning algorithms for

accelerating the Simulation-Optimisation-Problem solving loop

Keywords : A.I, optimisation, industry 4.0, innovation, inventive design, simulationThesis supervisors : Roland DE GUIO (INSA-Strasbourg, ICube, Prof. HDR), Pierre PARREND

(ECAM Strasbourg-Europe, ICube, HDR)

Workplace : INSA Strasbourg

Laboratory : Laboratory ICube (UMR7357)

Contacts : roland.deguio@insa-strasbourg.fr; pierre.parrend@unistra.frPlanned funding : VIRTFac project co-financed by “INTERREG V Upper Rhine”

Beginning date : October 1st 2019Term :36 months

Candidate profile:

Background   in   computer   science   required.  Background   in   statistical   optimisation, data science or AI is welcome 

Ability to work in a multidisciplinary team

Context This thesis is part of the Interreg VIRTFac (Virtual Innovative Real Time Factory) project: Optimizing the path to Industry 4.0 by planning the right production system at the right time. VIRTFac and the thesis begin on October 1, 2019..

One  of   the  objectives  of   the  VIRTFac  project   is   to   support   data   sharing   and   analysis   between simulation,   optimization   and   invention  means   during   the   planning   and   the   reconfiguration   of production systems. 

The   PhD   research   benefits   of   the   expertise   of   two   research   teams   of   Icube   Laboratory:   CSTB (Complex Systems and Translational Bio-Informatics) and CSIP (Conception, Système d’Information et Processus inventifs1). The VIRTFac project relies on academic and industrial partners, as well as on resources for data analysis and storage from the BICS Platform2 of ICube Laboratory among others. 

1 Which can be translated by Design, Information System and innovative Processes2 http ://bics.unistra.fr/

Objectives The   objective   of   the   PhD   is   to   propose   a   novel   model   for   expert-based   learning  [1]  using metaheuristics and approach to user-driver learning algorithms [2], [3].

This model will be applied to the VIRTFac use case dealing with optimization and innovations [4]–[15] for the Industry of the Future (IoF).   It  aims at improving the analysis,  optimisation and inventive stages of the production system (re)configuration process. It will be implemented through a domain-independent library and a IoF-specific web-based application. 

Following properties of  expert-based  learning are the focus of   interest  of  this  work:  accelerated learning through expert-based, reinforcement, novelty learning through expert-aided classification, innovation support through expert investigation. According to the literature review and to the needs of the VIRTFac project, the thesis will focus on one of these three properties. 

Organisation of work The work will be organised in three phases:

Phase 1. Positioning the PhD project in the VIRTFac project. This stage is overlapping in time with phase 2.

Phase 2. Proposal   of   a   model   addressing   the   problem   chosen   in   phase   1   and   first experimentations using synthetic data. 

Phase 3. Evaluation   of   the   model   in   the   innovation   process   of   VIRTFac,   and   suitable enrichment of the model. 

Phase 4. Refinement of learning mechanisms and benchmark of the proposed model. 

Phases (1&2), 3, 4 last approximately one year.

Phase 1 is short but very important as the PhD project takes place in the context of VIRTFac, which is a multi-disciplinary project. It will be a question of making, within the framework of the project team, a statement of the activities of the optimization, simulation and invention loop that can benefit from the metaheuristics and learning process. This step will help to select the most promising applications, ensure consistency between the various outputs of the VIRTFac project and guide the choice of the model proposed in Phase 2 and of one the three property mentioned above. This phase will study the relevance of the man-hill learning model in this context. This phase will conclude with the choice of a problem and a model to explore.

Phase 2 will start by the formalisation of model proposed in phase 1 and/or used in previous projects of  CSTB team :  HuMa  [16],   Juxta  [17],  Online  learning  [2],   [3].  A  running example   including the representation of VIRTFac innovation data will be devised to ensure both a realistic evaluation of the proposed model and the compliance with the requirements of the VIRTFac project [9]. The model will   support   the   three  properties  of  man-hill   systems:  expert  based reinforcement,  expert-aided classification and expert investigation. It will focus on one single of these properties, to be identified according to the project requirement -expert-aided classification is a likely candidate to demonstrate the learning rate enhancement as well as enrichment of the model through expert feedback. The first implementation will be delivered as part of the v1 library. 

In   parallel,   a   literature   review  will   be   performed   on   1)   ant-hill   approaches,   in   particular   their application to learning like ant-miner [18], [19], 2) man-hill models and 3) expert-supported learning [20].

In  Phase  3,   a  demonstrator  will   be  developed   to   support   gathering  expert   feedback   through  a project-dedicated application. This application will   focus on the enhancement of CSIP data based innovation process.  Required  features as well  as  additional  test  cases will  be  included  in the v2 

document.docx 2

library. This library will be used in direct support of VIRTFac web software. Industry-level test cases, on the one hand, as well as representative synthetic data, on the other, will be defined and related data will be generated and made available through a platform. The library for generating synthetic data, DataCrafter will be made available through BICS platform too. 

In Phase 3, the proposed model will be enhanced through one of following strategies: 1) support of additional properties of expert-based learning; or 2) deepening of the proposed model for a key characteristic   to  be   identified during   the  first  2  years  of   the  project.  The model  will  undergo a systematic benchmark campaign. 

6 months are dedicated to the redaction of the PhD thesis. 

Collaborations This work is directed by Pierre Parrend (ECAM Strasbourg-Europe, UMR7357 ICube laboratory), and Roland  De  Guio   (INSA-Strasbourg,  UMR7357   ICube   laboratory).   The  work  will   also   be  made   in collaboration with Virtual Engineering Lab of University of Offenburg (Germany) which is partner of the VIRTFac project.

The e-laboratory 4P-Factory of the Unitwin3  UNESCO Complex System Digital Campus (CNSC) will host this project. In addition to VIRTFac plan for dissemination, the regional network of platforms REGESIF (Initiative Grand-Est des Services et Industries du Futur) also provides a suitable community for the dissemination of the result of the project. 

Références [1] P. Parrend, F. Guigou, J. Navarro, A. Deruyver, et P. Collet, « Artificial Immune Ecosystems: the 

role   of   expert-based   learning   in   artificial   cognition »,   in  ICAROB 2018| The International Conference on Artificial Life and Robotics, 2018, p. 5.

[2] S.  Gutiérrez,  G.   Valigiani,   P.   Collet,   et   C.  D.   Kloos,   « Adaptation  of   the  ACO  heuristic   for sequencing learning activities », in Proceedings of the EC-℡, 2007, p. 17–20.

[3] G. Valigiani, R. Biojout, Y. Jamont, E. Lutton, P. Collet, et others, « Experimenting with a real-size man-hill   to  optimize  pedagogical  paths »,   in  Proceedings of the 2005 ACM symposium on Applied computing, 2005, p. 4–8.

[4] S. Bach, R. De Guio, et G. Nathalie, « Combining discrete event simulation, data analysis, and TRIZ for fleet optimization », J. Eur. TRIZ Assoc. Innov., vol. 04, no 02, p. 47–61, 2017.

[5] F. Ben Moussa, R. Benmoussa, R. de Guio, S. Dubois, et I. Rasovska, « An algorithm for inventive problem   solving   coupled  with  optimization   for   solving   inventive   problems  encountered   in supply chains », in SIL’16, 2016.

[6] F. Z. Ben Moussa, I. Rasovska, S. Dubois, R. D. Guio, et R. Benmoussa, « Reviewing the use of the theory of inventive problem solving (TRIZ) in green supply chain problems », J. Clean. Prod., vol. 142, p. 2677–2692, 2017.

[7] F. Z. BenMoussa, S. Dubois, R. De Guio, I. Rasovska, et R. Benmoussa, « Integrating the Theory of Inventive Problem Solving with Discrete Event Simulation in Supply Chain Management », in Automated Invention for Smart Industries, 2018, p. 330–347.

[8] L. Burgard, S. Dubois, R. de Guio, et I. Rasovska, « Sequential experimentation to perform the Analysis of Initial Situation », in TRIZ Future 2011, 2011.

[9] H.   Chibane,   S.   Dubois,   et   R.   D.   Guio,   « Automatic   Extraction   and   Ranking   of   Systems   of Contradictions Out of a Design of Experiments », in Automated Invention for Smart Industries, 2018, p. 276–289.

3 http ://unitwin-cs.org/

document.docx 3

[10] S.  Dubois,  R.  de  Guio,  et   I.  Rasovska,  « From simulation   to   invention,  beyond   the  pareto-frontier », in 20th International Conference on Engineering Design (ICED), 2015.

[11] S. Dubois, T. Eltzer, et R. De Guio, « A dialectical based model coherent with inventive problems and optimization problems », Comput. Ind., vol. 60(8), p. 575–583, oct. 2009.

[12] S. Dubois, R. De Guio, A. Brouillon, et L. Angelo, « A Feedback on an Industrial Application of the FORMAT Methodology », in Automated Invention for Smart Industries, 2018, p. 290-301.

[13] I. Rasovska, R. de Guio, et S. Dubois, « Using dominance relation to identify relevant generalized technical contradictions in innovative design », in IESM 2017, 2017.

[14] L. Lin, S. Dubois,  R. de Guio, et I.  Rasovska, « An exact algorithm to extract the generalized physical contradiction », Int. J. Interact. Des. Manuf., vol. 9, no 3, p. 185–191, 2015.

[15] L. Lin, I. Rasovska, R. de Guio, et S. Dubois, « Optimization Methods for Inventive Design », in TRIZ – The Theory of Inventive Problem Solving, Springer., D. Cavallucci, Éd. Cavallucci, Denis, 2017, p. 151–185.

[16] J. Navarro, A. Deruyver, et P. Parrend, « Morwilog: an ACO-based System for Outlining Multi-Step Attacks », in IEEE Symposium Series on Computational Intelligence (IEEE SSCI 2016), 2016.

[17] P. Parrend, C. Maller, et E. Dietrich, « The Ant Reconciliation Algorithm (ARA): Ant-hill learning for label matching », in Artificial Evolution, 2017.

[18] F. E. Otero, A. A. Freitas, et C. G. Johnson, « cAnt-Miner: an ant colony classification algorithm to cope with continuous attributes », in  International Conference on Ant Colony Optimization and Swarm Intelligence, 2008, p. 48–59.

[19] R. S.  Parpinelli,  H.  S.  Lopes,  et A. A. Freitas, « Data mining with an ant colony optimization algorithm », IEEE Trans. Evol. Comput., vol. 6, no 4, p. 321–332, 2002.

[20] F.  Guigou, P.  Collet,  et  P.  Parrend,  « The Artificial   Immune Ecosystem: a bio-inspired meta-algorithm for boosting time series anomaly detection with expert input », in  EvoApplications, 20th European Conference on the Applications of Evolutionary Computation, 2017.

document.docx 4