Les modèles classiques d'orodonnancement supposent généralement une connaissance complète des paramètres d'entrée (par exemple les temps de traitement), hypothèse rarement satisfaite en pratique. À l'inverse, des modèles extrêmes comme l'ordonnancement non-clairvoyant négligent toute information préalable. Entre ces deux extrêmes, des travaux récents s'intéressent à l'intégration de prédictions issues de modèles d'apprentissage automatique dans la conception d'algorithmes. Toutefois, ces approches reposent souvent sur des modèles simplifiés des erreurs (oracle de type boîte noire, erreur globale), qui capturent mal leur structure réelle.

Un axe central de la thèse consiste à considérer des prédictions sous forme de classification et à modéliser leurs erreurs via une matrice de confusion. Comment une telle information peut-elle être exploitée dans la conception d’algorithmes d’ordonnancement ? Sa structure peut-elle être influencée afin de mieux distinguer certaines tâches critiques. Plus généralement, comment la structure des erreurs impacte les performances et peut contribuer à la conception de méthodes robustes, selon différents critères (pire cas, moyenne, min-max regret,...).

Bourse de thèse ouverte pour 2026-2029 au sein de l'équipe DEODIS, FEMTO-ST, Besançon.