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.

Ce projet permet de modéliser, analyser et optimiser des géométries sous contraintes. Il facilite la création de formes complexes tout en respectant des règles spatiales ou physiques prédéfinies. Utilisé dans des domaines comme l'ingénierie, l'architecture ou la simulation, il aide à valider des designs avant leur mise en œuvre.

Ce projet permet de modéliser et simuler le fonctionnement d'une station de ski en intégrant les remontées mécaniques, les pistes et les contraintes topographiques. Il offre des outils pour calculer les temps de parcours, optimiser les flux de skieurs et analyser les performances des installations. Destiné aux gestionnaires de stations, il facilite la planification et l'amélioration de l'expérience des usagers.

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.

Le projet rkcl-osqp-solver fournit une implémentation du solveur d'optimisation sous contraintes quadratiques (QP) OSQP, optimisée pour les systèmes de contrôle en temps réel. Il offre une interface facile à utiliser pour intégrer le solveur dans des applications de contrôle, améliorant ainsi les performances de calcul et la précision des algorithmes d'optimisation.

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.

Ce projet est une bibliothèque Python dédiée au clustering sous contrainte de rayon. Il permet de regrouper des données en clusters où chaque point est à une distance maximale d'un centre, en utilisant des algorithmes basés sur le problème du Dominating Set Minimum. Idéal pour des applications nécessitant une segmentation précise et optimisée des données spatiales ou multidimensionnelles.