VOptSolver est un outil dédié à la résolution de problèmes complexes d'optimisation combinatoire. Il permet aux entreprises et chercheurs de modéliser et résoudre des défis logistiques, industriels ou décisionnels en trouvant des solutions optimales ou approchées. Utilisé dans des secteurs comme la supply chain, la planification de production ou la gestion de ressources, il simplifie l'analyse de scénarios pour améliorer l'efficacité et réduire les coûts.

Ce projet fournit une interface OCaml pour interagir avec Google OR-Tools, une suite logicielle dédiée à la résolution de problèmes d'optimisation combinatoire. Il permet aux développeurs de modéliser et résoudre des problèmes complexes comme la planification de ressources, l'ordonnancement de tâches ou la gestion de contraintes logistiques. L'outil est particulièrement utile pour les secteurs nécessitant une optimisation fine des processus, comme la logistique, la production ou la gestion de projets.

BiUFLv2012 est une collection d'instances de test dédiées à l'évaluation d'algorithmes pour des problèmes bi-objectifs en logistique. Ces instances, issues de travaux académiques reconnus, permettent de tester des méthodes de résolution pour des problèmes de localisation-allocation. Elles sont utilisées dans le cadre de recherches en optimisation combinatoire et en aide à la décision.

Ce projet développe des algorithmes pour résoudre des problèmes d'optimisation combinatoire, notamment le bin packing. Il permet de déterminer comment regrouper des objets de différentes tailles dans un espace limité de manière optimale. Les solutions proposées incluent des méthodes de tri et des heuristiques pour améliorer l'efficacité des calculs.

VOptLib est une bibliothèque spécialisée dans la fourniture d'instances numériques pour résoudre des problèmes d'optimisation linéaire multiobjectif. Elle couvre divers types de problèmes combinatoires, entiers et mixtes, permettant aux chercheurs et ingénieurs de tester et comparer des algorithmes dédiés à l'optimisation multiobjectif. Les instances sont organisées en problèmes structurés et non structurés, couvrant des domaines comme l'affectation linéaire, le problème de sac à dos ou la localisation d'installations.

Ce projet est une bibliothèque open source dédiée à la résolution de problèmes de satisfaction de contraintes (CSP) et d'optimisation combinatoire. Il permet de modéliser et résoudre des problèmes complexes comme l'ordonnancement, l'affectation de ressources ou la planification, en utilisant des algorithmes avancés de propagation de contraintes et de recherche arborescente.

BinPack est un projet académique et technique dédié à l'étude et à la résolution du problème classique de bin packing, un problème d'optimisation combinatoire NP-difficile. Il explore les propriétés des problèmes NP, les réductions polynomiales entre problèmes algorithmiques, et propose des implémentations pour valider ces concepts théoriques. Le projet sert de support pédagogique pour comprendre les liens entre complexité algorithmique, certificats de solutions et réductions entre problèmes.

Outil dédié à la reproductibilité des résultats pour le challenge MCM-ROADEF2022. Il permet de résoudre des problèmes d'optimisation combinatoire complexes en utilisant des solveurs comme Gurobi et des frameworks comme JuMP. Principalement utilisé dans un contexte académique ou de recherche pour valider des approches algorithmiques.

EASEA est une plateforme open source dédiée à la spécification et à l'exécution d'algorithmes évolutifs. Elle permet aux chercheurs de concevoir facilement des algorithmes d'optimisation pour résoudre des problèmes scientifiques variés (continus, discrets, combinatoires, etc.). Grâce à son modèle d'îlots embarqué, elle exploite des ressources distribuées (clusters, cloud, GPGPU) pour accélérer les calculs, offrant des gains de performance significatifs.

La plateforme Constraint Acquisition est un outil permettant de résoudre des problèmes combinatoires et d'optimisation en recherchant des solutions et en générant des contraintes. Il permet également d'apprendre des contraintes à partir de données et de générer des requêtes pour l'apprentissage.