Abstract (FR)

Les industriels sont confrontés quotidiennement aux problèmes discrets, que ce soit pour la gestion des stocks, le remplissage de conteneurs ou la recherche du plus court chemin. Il existe de nombreuses techniques d'optimisation mathématiques, cependant sur un ensemble discret, le problème est plus délicat. En effet, les propriétés de continuité et dérivabilité ne sont pas exploitables. Les approches classiques pour ce type de problèmes consistent en une énumération astucieuse des solutions possibles. Dans cette thèse, nous proposons une méthode de résolution pour les problèmes discrets, en particulier les casse-têtes, basée sur l'apprentissage de réseaux de neurones combiné avec un algorithme de recherche Monte-Carlo. Nous considérons comme casse-tête tout jeu à un joueur. Nous démontrons sur deux problèmes les performances de cette approche. Dans un premier temps, nous considérons le Morpion Solitaire, un problème d'optimisation dont le but est de jouer le plus de coups possibles et dans un second temps, nous considérons le Perfect Rectangle Packing, un problème de décision dont le but est de déterminer comment placer un ensemble donné de rectangles sur un plateau de dimension fixe.