Francois Pacaud

Biographie

François Pacaud est un chercheur spécialisé dans l’optimisation des systèmes énergétiques et des réseaux d’infrastructure à grande échelle. Ses travaux se concentrent sur le développement de méthodes numériques avancées pour résoudre des problèmes complexes en optimisation non linéaire, notamment dans les domaines des marchés de l’électricité, des microgrids et des systèmes dynamiques sous incertitudes. Il explore des approches innovantes telles que les méthodes itératives basées sur les gradients, les algorithmes de décomposition primale, et l’exploitation des architectures parallèles (GPU) pour accélérer la résolution de problèmes de grande dimension. Ses recherches intègrent également des techniques de contrôle optimal stochastique, comme la programmation dynamique duale (SDDP) et le contrôle prédictif (MPC), appliquées à la gestion optimale des réseaux énergétiques et des systèmes distribués. L’évolution de ses travaux reflète une expertise croissante dans l’adaptation des solveurs d’optimisation aux architectures de calcul haute performance, tout en garantissant des solutions scalables et robustes pour des applications industrielles et académiques.

Publication(s)

2025
Strategic bidding in energy markets with gradient-based iterative methods DOI : 10.1016/j.segan.2025.101878
2025
Scalable Primal Decomposition Schemes for Large-Scale Infrastructure Networks DOI : 10.1109/TCNS.2025.3526709
2025
LEVERAGING GPU BATCHING FOR SCALABLE NONLINEAR PROGRAMMING THROUGH MASSIVE LAGRANGIAN DECOMPOSITION DOI : 10.1137/21M1450112
2024
Accelerating Condensed Interior-Point Methods on SIMD/GPU Architectures DOI : 10.1007/s10957-022-02129-5
2024
Optimization of a domestic microgrid equipped with solar panel and battery: Model Predictive Control and Stochastic Dual Dynamic Programming approaches DOI : 10.1007/s12667-022-00522-7
2024
Accelerating optimal power flow with GPUs: SIMD abstraction of nonlinear programs and condensed-space interior-point methods DOI : 10.1016/j.epsr.2024.110651
2024
GPU-accelerated dynamic nonlinear optimization with ExaModels and MadNLP DOI : 10.1109/CDC56724.2024.10886720
2024
Parallel interior-point solver for block-structured nonlinear programs on SIMD/GPU architectures DOI : 10.1080/10556788.2024.2329646
2023
Constrained Policy Optimization for Stochastic Optimal Control under Nonstationary Uncertainties DOI : 10.23919/ACC55779.2023.10156553
2023
Exploiting GPU/SIMD Architectures for Solving Linear-Quadratic MPC Problems DOI : 10.23919/ACC55779.2023.10155791
2022
A feasible reduced space method for real-time optimal power flow DOI : 10.1016/j.epsr.2022.108268
2022
Distributed Multistage Optimization of Large-Scale Microgrids under Stochasticity DOI : 10.1109/TPWRS.2021.3087775
2021
Domain Decomposition Preconditioners for Unstructured Network Problems in Parallel Vector Architectures DOI : 10.1145/3458744.3473363
2020
Mixed Spatial and Temporal Decompositions for Large-Scale Multistage Stochastic Optimization Problems DOI : 10.1007/s10957-020-01733-7
2020
Exact converging bounds for stochastic dual dynamic programming via fenchel duality DOI : 10.1137/19M1258876
2018
Stochastic decomposition applied to large-scale hydro valleys management DOI : 10.1016/j.ejor.2018.05.025

Enseignements

Optimisation

Chargé d'enseignement

Ce cours d'optimisaton aborde l'optimisation non-linéaire convexe de dimension finie. On y présente tout d'abord les bases de l'analyse convexe et des conditions suffisantes/nécessaires d'optimalité. Sont ensuite détaillés des algorithmes d'optimisation sans contrainte, puis avec contraintes, ainsi que des preuves détaillées de garantie de convergence. Enfin, des éléments d'analyse convexe avancée sont exposés, afin de fournir une introduction aux méthodes d'optimisation non-lisse. Ce cours comprend des cours magistraux (10h), des travaux dirigés (8h) et des sessions de travaux pratiques effectuées en Python (6h). Contenu détailléChapitre 1: Conditions d'optimalité et analyse convexe (3h)Définitions, conditions d'optimalité, analyse convexe (fonction convexe, sous-différentiel, conditions d'optimilité, convexité forte)Chapitre 2: Méthodes numérique pour l'optimisation différentiable (15h)2.1 Optimisation sans contraintes Méthodes de gradient (pas optimal, recherche linéaire, gradient stochastique)Newton et quasi-Newton (BFGS)2.2 Optimisatoin sous contraintesMultiplicateurs de Lagrange, conditions de stationnaritéConditions de KKT, algorithmes par contraintes activesDualité et points selles, algorithme d'UzawaChapter 3: Introduction à l'optimisation non-lisse (6h)Analyse convexe avancée : tranformée de Fenchel, opérteur proximalMéthodes de sous-gradient, méthode de gradient proximal, méthodes des faisceaux