Artelys Knitro, maintenant disponible pour ARM, s’ouvre au monde de l’embarqué !
Avec l’avènement des smartphones, le développement de l’IoT et de systèmes complexes tels que les véhicules autonomes, équipés d’une multitude de capteurs générant des données en temps réel, les opportunités d’implémenter des solutions de Machine Learning et d’Optimisation en embarqué se multiplient.
Pourquoi un solveur non linéaire en embarqué ?
Les méthodes d’optimisation sont essentielles en Machine Learning
Pendant la phase d’entraînement du modèle, un grand nombre de paramètres doit être ajusté afin de minimiser une fonction non linéaire. Par exemple, une caméra qui détecte les défauts sur une chaîne de production peut être entraînée sur un jeu de données contenant des images de produits bien finis et défectueux. Cet entraînement repose sur l’ajustement d’un grand nombre de paramètres afin de minimiser le taux d’erreur du système. Cela implique souvent la résolution d’un problème d’optimisation non linéaire.
On peut noter que dans la majorité des cas, le modèle est pré-entraîné sur le cloud. Cependant, il s’agit d’un processus long qui nécessite d’envoyer les données de l’appareil vers le serveur, et de mettre à jour les paramètres du modèle dans le sens inverse. Dans des situations où il faut que le système puisse répondre à de nouveaux scénarios en temps réel, il sera important de pouvoir entraîner le modèle localement.
De plus, dans le cas du traitement de données personnelles, une telle démarche facilite la protection des données puisqu’elles n’ont pas à être transmises.
Il y a des applications pour lesquelles il est nécessaire de résoudre un problème d’optimisation en temps réel
Les voitures autonomes, par exemple, utilisent le Machine Learning et l’optimisation de façon complémentaire. Le premier va permettre au système d’apprendre à identifier les obstacles statiques ou mobiles et la signalisation. Une fois ces données connues, le véhicule doit calculer une trajectoire vers la destination souhaitée qui tient compte de la forme de la route et des obstacles, assure la sécurité et le confort des voyageurs tout en minimisant la consommation d’énergie et le temps de trajet.
Il s’agit là d’un problème d’optimisation non linéaire, et l’optimisation embarquée est utilisée dans beaucoup d’autres domaines comme la stabilisation de drones ou encore l’atterrissage des fusées !
La plateforme MARI enregistre des gains record de surplus collectif dans ses opérations d’équilibrage 2025
L’Electricity Balancing Guideline (EBGL), en vigueur depuis 2017, définit le cadre d’un marché européen de l’équilibrage permettant aux GRT (gestionnaires de réseau de transport) de compenser leurs besoins d’équilibrage et de se procurer de l’énergie d’équilibrage auprès de fournisseurs situés aussi bien dans leur propre zone qu’au-delà des frontières. Ce mécanisme de coopération renforce la sécurité d’approvisionnement globale tout en réduisant les coûts d’équilibrage à l’échelle du système.
Artelys : Nos solutions au service de la valorisation des actifs hydrauliques
L'hydroélectricité joue un rôle stratégique dans la transition énergétique grâce à sa capacité unique à apporter flexibilité, stockage et pilotabilité au système électrique. Cependant, la gestion des systèmes hydroélectriques devient de plus en plus complexe :...
Assurer la sécurité énergétique en Lituanie : Evaluation nationale de l’adéquation des ressources et des besoins en flexibilité pour Litgrid
— Artelys est fière d’avoir réalisé pour Litgrid une Évaluation nationale de l’adéquation des ressources (National Resource Adequacy Assessment – NRAA), conformément à la méthodologie ERAA de l’ENTSO-E, ainsi qu’une Évaluation des besoins en flexibilité (Flexibility Needs Assessment – FNA) fondée sur le cadre méthodologique défini par l’ACER.
Artelys Knitro 16.0 : modélisez nativement les problèmes non linéaires, résolvez-les en parallèle
Artelys a le plaisir d’annoncer la sortie de Knitro 16.0, une version majeure qui introduit deux fonctionnalités phares — un modeleur non linéaire natif et un solveur concurrent — ainsi que d’importantes améliorations de performance et de robustesse pour les problèmes d’optimisation non linéaire, mixte en nombres entiers et linéaire.
s’abonner à nos newsletters
