Winners of West Data Festival AI Challenge (ESIEA x LUMINESS) 🥇

Ce git contient les solutions développées par Amine ROSTANE, Gaël GARNIER, et Augustin LOGEAIS dans le cadre du West Data Festival AI Challenge organisé par ESIEA x LUMINESS.

Notre approche hybride combinant MILP, recuit simulé, et heuristiques gloutonnes nous a permis d’obtenir un score 48 % supérieur aux scores de référence du benchmark officiel.

---

📁 Fichiers du dépôt

Fichier	Description
greedy_simulated_annealing_4_48.py	Recuit simulé + heuristique gloutonne, fonctionne pour les instances 4_*.json à 48_*.json.
greedy_simulated_annealing_75_100.py	Recuit simulé avancé pour les grosses instances 75_*.json à 100_*.json.
hybrid_milp_greedy_simulated_annealing_4_48.py	Combine MILP local + recuit simulé + heuristique pour les instances 4_*.json à 48_*.json.
hybrid_milp_greedy_simulated_annealing_75_100.py	Approche hybride MILP + métaheuristique pour les instances 75_*.json à 100_*.json.
milp_exact.py	Résolution exacte du problème par MILP pur (⚠️ très lent au-delà de 4_*.json).
simplified_milp.py	Version plus légère du solveur MILP, utilisable sur petites instances.
script.py	Contient la définition de la classe Instance, les contraintes et les fonctions de simulation.

---

⚙️ Installation

Ce projet utilise Python 3.9+ et les dépendances suivantes :

pip install pulp networkx numpy

📌 Dépendance principale : pulp est utilisée pour la modélisation MILP.

---

💻 Exécution

Les scripts sont configurés pour exécuter les instances correspondant à leur nom.

Par exemple :

python hybrid_milp_greedy_simulated_annealing_4_48.py

Exécutera automatiquement tous les fichiers 4_*.json à 48_*.json présents dans le répertoire courant.

Pour changer les instances exécutées, il suffit de modifier le pattern glob.glob(...) dans la fonction main() en fin de fichier.

---

🚀 Performances et remarques

• Certains algorithmes ne fonctionnent que sur une plage d’instances donnée (ex: hybrid_milp_* fonctionne mal au-delà de 48_*.json).

• Les méthodes MILP sont très performantes mais lentes sur les moyennes et grosses instances.

• Nous avons utilisé des machines virtuelles Google Cloud C2 standard avec le solveur IBM CPLEX pour accélérer les résolutions.

---

🧠 Utiliser IBM CPLEX au lieu de PULP (optionnel)

Nos codes utilisent pulp.PULP_CBC_CMD() par défaut, mais vous pouvez activer CPLEX comme suit :

1. Installer IBM CPLEX (gratuit pour usage académique) :

   • Guide officiel d'installation

2. Modifier la ligne suivante dans les fonctions MILP de nos fichiers :

solver = pulp.PULP_CBC_CMD(timeLimit=self.milp_time_limit, msg=0)

Remplacez-la par :

solver = pulp.CPLEX_CMD(timeLimit=self.milp_time_limit, msg=0)

📎 Cette ligne se trouve dans la méthode optimize_time_window_milp(...).

---

📫 Contact

Pour toute question ou suggestion, vous pouvez nous contacter :

• Amine ROSTANE — LinkedIn

• Gaël GARNIER — LinkedIn

• Augustin LOGEAIS — LinkedIn

---

🏁 Licence

MIT License - Copyright (c) 2025 Amine ROSTANE