Ce projet propose des ressources pédagogiques complètes en optimisation numérique pour des étudiants de niveau master. Il inclut un polycopié détaillé, des supports de cours sous forme de slides, ainsi que des travaux dirigés couvrant les contraintes d'égalité et d'inégalité. Les contenus sont conçus pour accompagner l'apprentissage des algorithmes d'optimisation en dimension finie.

Ce projet développe un modèle d'optimisation pour concevoir des réseaux de vélos en libre-service intégrés aux transports publics. Il détermine l'emplacement des stations, leur capacité et le nombre de vélos initiaux, afin de maximiser la couverture de la demande de mobilité, en tenant compte des contraintes budgétaires et opérationnelles. Les solutions sont évaluées via des indicateurs clés de performance et comparées à des scénarios de référence.

Ce projet développe un modèle d'optimisation pour concevoir des réseaux de vélos en libre-service intégrés aux transports publics. Il détermine l'emplacement des stations, leur capacité et le nombre de vélos initiaux, afin de maximiser la couverture de la demande de mobilité (trajets directs ou combinés avec les transports publics) sous contraintes budgétaires. Les résultats sont visualisés via une interface interactive et des notebooks analytiques.

Ce projet fournit des ressources pédagogiques pour les étudiants de l'ENSEEIHT en Sciences du Numérique. Il couvre deux matières principales : l'optimisation sans contraintes et les méthodes des différences finies pour les équations aux dérivées partielles (EDP). Les étudiants y trouvent des polycopiés, des travaux dirigés, des sujets de TP et des fichiers sources pour approfondir leurs connaissances.

ScaSearch est une bibliothèque open source développée en Scala qui implémente des algorithmes avancés de résolution de problèmes inspirés de l'intelligence artificielle. Elle permet de modéliser et résoudre des défis complexes comme les puzzles, les jeux de stratégie ou les problèmes de satisfaction de contraintes. Basée sur des principes théoriques modernes, elle offre des outils pour automatiser la prise de décision et l'optimisation dans divers domaines techniques et scientifiques.

Bibliothèque de recherche développée dans le cadre des recherches de l'équipe COGIT concernant le traitement des réglementations urbaines. Elle fournit une implémentation d'un algorithme de simulated annealing multidimensionnel pour produire des configurations de bâtiments à partir d'un ensemble de boîtes contraintes par les réglementations urbaines qui optimisent une fonction d'utilité. Le projet est développé sur la bibliothèque GIS Open-Source 3D [GeOxygene]() pour les opérateurs géométriques et la visualisation 3D, [librjmcmc4j]() pour l'implémentation de simulated annealing et [simplu3d-rules]() pour la gestion du modèle géographique et des réglementations.

Outil dédié à l'analyse et à la simulation des contraintes mécaniques dans les matériaux et structures. Permet aux ingénieurs et chercheurs d'évaluer la résistance, d'identifier les points de défaillance potentiels et d'optimiser les conceptions avant la production. Facilite la prise de décision basée sur des données précises pour améliorer la durabilité et la performance des produits.

Bibliothèque open source dédiée à la génération de mouvements fluides et précis pour les systèmes robotiques. Elle permet de calculer des trajectoires optimisées en temps réel, en tenant compte des contraintes physiques et des objectifs de mouvement. Utilisée dans des applications industrielles, la robotique ou la recherche pour automatiser et améliorer la précision des déplacements mécaniques.

OpenGateway Yocto est un framework dédié à la création de passerelles logicielles pour systèmes embarqués. Il facilite l'intégration de périphériques IoT, optimise les ressources matérielles limitées et permet un déploiement rapide de solutions connectées. Adapté aux environnements contraints, il offre une base modulaire pour développer des applications industrielles ou domestiques intelligentes.

Le modèle structural agnostique (SAM) est une méthode de découverte de causalité. Il utilise des indépendances conditionnelles et des asymétries de distribution pour trouver la structure causale sous-jacente à partir de données observationnelles. L'approche repose sur un jeu entre différents joueurs estimant chaque distribution de variable conditionnellement aux autres sous forme de réseau de neurones et un adversaire visant à discriminer les données générées contre les originales. L' critère d'apprentissage de SAM combine l'estimation de distribution, des contraintes de parcimonie et d'acyclicité pour optimiser la structure et les paramètres du graphe grâce à la descente de gradient stochastique.