💻 computer science

Optimization under uncertainty: understanding orders and testing programs with specifications

Cet article explore l'optimisation sous incertitude en démontrant comment la programmation fonctionnelle permet de spécifier et de tester rigoureusement des méthodes de résolution adaptées à différents types d'incertitudes (valeurs et fonctorielles) et d'ordres (totaux et partiels).

Auteurs originaux : Patrik Jansson, Nicola Botta, Tim Richter

Publié 2026-03-17

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Patrik Jansson, Nicola Botta, Tim Richter

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🌍 L'Art de Choisir le Meilleur Quand Tout est Flou

Imaginez que vous êtes un chef cuisinier. Votre tâche est de trouver la recette parfaite pour un gâteau.

Le problème classique : Vous avez une balance précise. Vous testez 10 recettes, vous pesez le résultat, et vous choisissez celle qui est la plus légère. C'est facile : il y a un "gagnant" clair.
Le problème réel (ce dont parle l'article) : Dans la vraie vie, la cuisine est chaotique.
1. Vous ne savez pas exactement combien pèse la farine (incertitude sur la valeur).
2. Le four a des zones de chaleur imprévisibles (incertitude sur le résultat).
3. Vous devez optimiser deux choses à la fois : le gâteau doit être léger ET délicieux. Or, un gâteau très léger est souvent sec, et un gâteau délicieux est souvent lourd. Comment choisir ?

C'est exactement ce que les auteurs (Patrik, Nicola et Tim) tentent de résoudre : comment prendre la meilleure décision quand les règles du jeu changent, quand les résultats sont incertains, et quand on a plusieurs objectifs contradictoires ?

1. Le Dilemme des Deux Objectifs (L'Optimisation Multi-Objectif)

Imaginons que vous devez choisir un trajet pour aller au travail.

Objectif A : Le trajet le plus court (en distance).
Objectif B : Le trajet le plus rapide (en temps).

Si vous choisissez le chemin le plus court, vous risquez d'être bloqué dans les embouteillages. Si vous choisissez le plus rapide, vous devrez faire un grand détour.
Il n'y a pas de "meilleur" chemin unique. Il y a un ensemble de chemins intelligents : ceux où vous ne pouvez pas gagner du temps sans perdre du kilométrage, et vice-versa.

Les auteurs appellent cela le "Front de Pareto".

L'analogie du marché : Imaginez un marché où vous achetez des fruits. Vous voulez des pommes bon marché et bonnes.

Si une pomme coûte 1€ et est moyenne, et qu'une autre coûte 2€ et est excellente, vous ne pouvez pas dire laquelle est "meilleure" sans connaître votre budget.

Le "Front de Pareto", c'est la liste de toutes les pommes qui sont le meilleur compromis possible. Aucune autre pomme ne bat ces deux-là sur les deux critères à la fois.

L'article montre comment écrire des programmes (en langage informatique fonctionnel) pour trouver automatiquement cette liste de "meilleurs compromis", sans se tromper.

2. L'Incertitude : Quand le Résultat n'est Pas un Nombre, mais un Nuage

Maintenant, ajoutons une couche de complexité : l'incertitude.
Supposons que vous ne sachiez pas exactement combien de temps prendra le trajet.

Le trajet A pourrait prendre 20 minutes (si tout va bien) ou 60 minutes (s'il pleut).
Le trajet B pourrait prendre 30 minutes (toujours).

Comment comparer un "nuage de possibilités" (20 à 60 min) avec un chiffre fixe (30 min) ?

Les auteurs distinguent deux types d'incertitude :

L'incertitude de valeur (Value Uncertainty) : C'est comme si vous deviez comparer des pommes et des oranges (les objectifs multiples).
L'incertitude "fonctorielle" (Functorial Uncertainty) : C'est comme si le résultat de votre décision n'était pas un seul nombre, mais une boîte contenant plusieurs résultats possibles (une liste, une probabilité, un intervalle).

L'analogie de la boîte mystère :
Imaginez que vous jouez à un jeu vidéo.

Sans incertitude : Vous appuyez sur un bouton, et vous gagnez exactement 100 points.

Avec incertitude : Vous appuyez sur un bouton, et la machine vous donne une boîte. À l'intérieur, il y a 50% de chances d'avoir 100 points, et 50% de chances d'avoir 200 points.

La question est : Quelle boîte est la "meilleure" ?

Est-ce celle qui a le plus grand moyenne (espérance) ?

Est-ce celle qui garantit le pire résultat le moins mauvais (prudence) ?

Est-ce celle qui a le moins de risque de catastrophe ?

L'article explique qu'il n'y a pas de réponse unique. Tout dépend de votre attitude face au risque.

3. La Règle d'Or : La Mesure (Le "Juge de Paix")

Pour trancher entre ces boîtes mystères, les auteurs introduisent le concept de fonction de mesure (ou "measure function"). C'est l'outil qui transforme une boîte complexe en un chiffre simple pour pouvoir comparer.

Le Juge "Optimiste" (Espérance) : Il calcule la moyenne. "En moyenne, cette boîte vaut 150 points, donc c'est le meilleur choix." (C'est bien si vous êtes joueur, mais dangereux si vous voulez éviter la faillite).
Le Juge "Pessimiste" (Worst-case) : Il regarde le pire scénario possible. "Cette boîte peut tomber à 10 points, donc c'est dangereux. Je choisis l'autre boîte qui garantit toujours 50 points."
Le Juge "Constant" (Le mauvais juge) : Il dit "Toutes les boîtes valent la même chose". C'est inutile !

La découverte majeure de l'article :
Pour que votre programme de décision soit fiable et ne vous fasse pas prendre des risques stupides, la "règle du juge" (la fonction de mesure) doit respecter une loi stricte appelée monotonie structurelle.

L'analogie du thermomètre :
Imaginez que vous comparez deux thermomètres. Si le thermomètre A indique une température strictement inférieure à celle du thermomètre B dans tous ses capteurs, alors votre "juge" doit absolument dire que A est meilleur que B.
Si votre juge dit "Non, B est meilleur parce qu'il est plus gros" (alors que la température est partout plus basse), alors votre juge est incohérent et votre programme va échouer.

Les auteurs ont prouvé mathématiquement et testé par ordinateur que si vous choisissez un "juge" qui respecte cette règle de cohérence, votre système de décision sera robuste, même dans des situations chaotiques comme le changement climatique ou la gestion d'une centrale nucléaire.

4. Pourquoi est-ce important pour le climat et l'économie ?

Ces chercheurs travaillent sur des problèmes vitaux :

Politique climatique : Comment réduire les émissions de CO2 sans ruiner l'économie ? C'est un compromis entre deux objectifs (climat vs argent) avec des incertitudes énormes (est-ce que les technologies vont fonctionner ?).
Ingénierie : Comment concevoir un réacteur nucléaire qui ne fondra jamais, même si on ne connaît pas exactement la pression future ?

Leur méthode permet de dire aux décideurs : "Voici les options qui sont les meilleures compromis possibles. Si vous êtes prudent, choisissez la ligne jaune. Si vous êtes optimiste, choisissez la ligne verte. Mais sachez que choisir la ligne rouge vous expose à un risque de catastrophe."

En Résumé

Ce papier est un guide pour ne pas se tromper quand on doit choisir dans le brouillard.

Il nous apprend à ne pas chercher un seul "gagnant" unique quand il y a plusieurs objectifs, mais à trouver un groupe de gagnants équitables (le Front de Pareto).
Il nous apprend à gérer les boîtes de résultats incertains en choisissant un "juge" (une fonction de mesure) qui soit cohérent et logique.
Il utilise des outils informatiques modernes pour tester rigoureusement ces règles, afin de s'assurer que les logiciels qui prennent ces décisions (pour le climat, l'économie, la santé) ne vont pas nous envoyer dans le mur.

C'est une invitation à être plus transparent sur nos choix : ce n'est pas la science qui est floue, c'est souvent notre façon de mesurer le risque qui l'est. En clarifiant nos règles de mesure, nous pouvons mieux décider ensemble.

1. Problématique

L'article aborde un problème fondamental en optimisation : trouver tous les éléments d'un ensemble fini sur lesquels une fonction $f$ atteint son minimum (ou maximum).

Cas classique : Lorsque le codomaine de $f$ est muni d'un ordre total, la définition, l'implémentation et la vérification de solutions génériques sont simples (fonctions min et argmin).
Cas réel (Incertitude) : Dans des domaines comme la science du climat, l'économie et l'ingénierie, l'optimisation est souvent affectée par l'incertitude. Cela se manifeste de deux manières distinctes qui rendent l'ordre total inapplicable :
1. Incertitude basée sur la valeur (Value-based uncertainty) : L'objectif est multidimensionnel (ex: coût économique vs risque écologique). Les résultats ne peuvent pas être comparés par un ordre total unique, mais par un ordre partiel (problème d'optimisation multi-objectifs).
2. Incertitude fonctorielle (Functorial uncertainty) : Les conséquences d'une décision ne sont pas des valeurs uniques, mais des distributions de probabilités, des ensembles de résultats possibles ou des intervalles (ex: incertitude épistémique ou aléatoire). Ici, la fonction retourne des valeurs dans un type $U\ B$ (où $U$ est un foncteur d'incertitude) plutôt que dans $B$ .

Le défi principal est de définir rigoureusement les relations d'ordre appropriées pour ces contextes et de développer des méthodes de solution vérifiables.

2. Méthodologie

Les auteurs utilisent une approche de programmation fonctionnelle pour spécifier, implémenter et tester systématiquement des algorithmes d'optimisation.

Spécification formelle : Ils définissent des propriétés logiques (préconditions et postconditions) pour les fonctions d'optimisation, utilisant des tests basés sur les propriétés (Property-Based Testing) via l'outil QuickCheck en Haskell.
Approche par cas :
- Pour l'incertitude de valeur (Multi-objectifs) : Ils généralisent le concept de minimum à l'ordre partiel en utilisant la notion de front de Pareto. Ils définissent une relation de dominance ( $\prec$ ) et une relation d'indifférence.
- Pour l'incertitude fonctorielle : Ils introduisent des fonctions de mesure ( $\mu$ ) qui cartographient les valeurs incertaines ( $U\ B$ ) vers un ensemble totalement ordonné ( $C$ ). Ils analysent les conditions de monotonie que ces fonctions de mesure doivent respecter pour garantir la cohérence de l'optimisation.

3. Contributions Clés

A. Optimisation Multi-Objectifs (Incertitude de Valeur)

Définition du Front de Pareto : Les auteurs formalisent la recherche du sous-ensemble de solutions Pareto-optimales (non dominées) pour un ensemble fini de vecteurs.
Algorithme bump : Ils proposent une fonction récursive bump qui permet de construire le front de Pareto de manière incrémentale (via un fold). Cette fonction gère les trois cas de comparaison entre un nouvel élément et le front existant : domination, domination réciproque, ou indifférence.
Généralisation : Ils montrent comment min et argmin classiques se généralisent en paretoMin et argparetoMin.
Testabilité : Ils démontrent que les propriétés de l'algorithme (indifférence mutuelle, couverture des éléments dominés) peuvent être testées automatiquement.

B. Optimisation sous Incertitude Fonctorielle

Relations d'ordre sur les foncteurs : Ils définissent une relation de dominance stricte universelle ( $\prec_u$ ) sur les types $U\ B$ (ex: listes, probabilités, intervalles) : $ub_1 \prec_u ub_2$ si et seulement si tous les éléments de $ub_1$ sont strictement inférieurs à tous les éléments de $ub_2$ .
Fonctions de mesure et Monotonie : C'est la contribution théorique majeure. Ils identifient deux conditions de monotonie pour les fonctions de mesure $\mu$ $μ$ :
1. Monotonie ponctuelle (M1) : Si les éléments d'une structure augmentent, la mesure ne doit pas diminuer. Ils montrent que cela est insuffisant (ex: une fonction constante satisfait M1 mais échoue à discriminer).
2. Monotonie structurelle (M2) : Si $ub_1 \prec_u ub_2$ , alors $\mu(ub_1) < \mu(ub_2)$ . Ils prouvent que M2 est la condition nécessaire et suffisante pour garantir que l'algorithme d'optimisation ne retourne pas de solutions strictement dominées.
Validation empirique : Ils testent diverses fonctions de mesure (espérance, meilleur cas, pire cas, moyenne, largeur d'intervalle) sur différents foncteurs (Listes, Probabilités simples, Intervalles, Densités de probabilité). Les résultats confirment que seules les mesures satisfaisant M2 (comme l'espérance ou le pire cas) produisent des résultats corrects, tandis que des mesures intuitives mais incorrectes (comme la largeur d'un intervalle) échouent.

C. Cadres d'Application

Ils illustrent l'application de ces méthodes à des problèmes d'optimisation multi-objectifs réels (ex: fusion nucléaire ITER, politiques climatiques) en utilisant des techniques d'échantillonnage et des algorithmes évolutionnaires pour approximer les fronts de Pareto dans des espaces de contrôle continus.

4. Résultats

Correction formelle : Les algorithmes proposés sont vérifiés par des tests exhaustifs générés automatiquement, assurant qu'ils respectent les spécifications mathématiques même dans des cas complexes.
Démystification des mesures d'incertitude : L'article démontre que l'utilisation de mesures d'incertitude courantes mais non vérifiées (comme minimiser la largeur d'un intervalle d'incertitude) peut conduire à des décisions sous-optimales ou dangereuses. Seule la monotonie structurelle (M2) garantit la robustesse.
Généricité : La méthode s'applique à divers types d'incertitude (épistémique, aléatoire, floue) tant que le foncteur sous-jacent préserve l'égalité décidable et possède une opération zip.

5. Signification et Impact

Pédagogie et Rigorisme : L'article offre un cadre pédagogique pour « comprendre les ordres » dans l'optimisation sous incertitude. Il force les praticiens à expliciter les relations d'ordre et les hypothèses de risque (aversion, neutralité, prise de risque).
Fiabilité des logiciels scientifiques : En reliant la spécification formelle aux tests automatisés, les auteurs proposent une voie pour développer des outils d'aide à la décision (notamment pour les politiques climatiques) plus fiables et vérifiables.
Prise de décision démocratique : En rendant explicites les choix de fonctions de mesure (ex: approche "pire cas" vs "espérance"), le cadre permet de clarifier les désaccords entre parties prenantes. Il montre que des désaccords sur les politiques optimales peuvent provenir de différences d'attitude face au risque plutôt que de divergences sur les données scientifiques.
Fondation pour la vérification formelle : Bien que l'article utilise Haskell, il ouvre la voie à l'implémentation et à la vérification formelle de ces algorithmes dans des systèmes à types dépendants (Agda, Idris, Rocq), promettant un niveau supérieur de correction logicielle pour les systèmes critiques.

En résumé, cet article fournit une théorie unifiée et vérifiée pour l'optimisation sous incertitude, transformant des heuristiques souvent implicites en algorithmes rigoureux, testables et adaptés aux défis complexes de la science du climat et de l'ingénierie.