JFPC

Journées Francophones de Programmation par Contraintes
(Evènement affilié à PFIA 2025)
30 juin - 4 juillet, 2025, Dijon, France

Présentation

Les Journées Francophones de Programmation par Contraintes (JFPC) sont organisées à l'initiative de l'Association Française de Programmation par Contraintes (AFPC). Elles constituent le principal congrès francophone centré autour des problèmes de satisfaction de contraintes (CSP), de satisfiabilité (SAT) et de programmation logique sous contraintes (CLP). Les JFPC regroupent aussi des thématiques liées comme la recherche opérationnelle (RO), les méta-heuristiques, l'analyse par intervalles...

De part ses applications, la programmation par contraintes s'ouvre à de nombreuses communautés connexes, en particulier la robotique et la bio-informatique. Les JFPC se veulent un lieu convivial de rencontres, de discussions et d'échanges entre doctorants, chercheurs confirmés et industriels. Le congrès réunit chaque année une centaine de chercheurs en programmation par contraintes.

Dates importantes

(Les heures sont sur le fuseau HAEC (heure avancée d'Europe Centrale, UTC+2))

Thèmes

Soumissions

Les soumissions peuvent être sous forme d'article long (10 pages), court (4 pages), ou de résumé d'article publié (2 pages).

Les articles courts peuvent, par exemple, présenter des travaux préliminaires de jeunes chercheurs, un panorama des travaux en cours au sein d'un projet de recherche ou d'un laboratoire, une application résolue avec la programmation par contraintes, ou encore un logiciel de programmation par contraintes. Pour éviter que les meilleurs travaux de la communauté francophone ne soient uniquement présentés dans les congrès internationaux, il est en outre possible de soumettre des résumés d'articles soumis ou publiés. Il peut s'agir d'articles récemment publiés dans les grandes conférences internationales (telles que IJCAI, ECAI, AAAI, CP, CPAIOR, SAT, UAI...) ou des revues. L'article devra avoir été publié après les dernières JFPC (26 juin 2024), mais avant celles-ci (30 juin 2025), et ne pas avoir déjà été présenté aux JFPC. Les résumés doivent être en français et doivent être accompagnés de l'article en version originale. Le résumé ne devra pas dépasser deux pages et donnera les grandes lignes du travail réalisé. Dans la mesure où ces travaux ont déjà été validés par des comités de programme internationaux, les résumés d'articles soumis ou publiés ne feront pas l'objet d'une relecture mais d'un mode de sélection plus succinct dépendant du nombre de soumissions, la priorité étant accordée aux articles longs ou courts.

Les articles courts ou longs peuvent être soumis en français ou en anglais, mais la version finale devra être en français si au moins un des auteurs est francophone. Les travaux acceptés seront publiés dans les actes des journées et mis à disposition sur HAL. Les résumés des travaux récents seront directement soumis en français, accompagnés de l'article original (dans un document unique) qui ne figurera pas dans les actes.

Toutes les soumissions devront être présentées oralement lors du congrès. La durée de présentation pourra dépendre du type de soumission. Les JFPC se veulent particulièrement ouvertes aux jeunes chercheurs, et encouragent vivement les doctorants à soumettre dès leur première année de thèse. Si le premier auteur d'un article est un doctorant, il peut l'indiquer par une note de bas de page et sur le site de soumission.

Les articles seront soumis au format PDF en utilisant le style LaTeX de PFIA https://afia.asso.fr/pfia-modeles-et-feuilles-de-style/.

Site de soumission : https://easychair.org/my/conference?conf=jfpc25

Conférenciers Invités

1/ Conférencier invité PFIA-JFPC : Louis-Martin Rousseau, Professeur à Polytechnique Montréal, Canada

Titre : En route vers des solveurs neuro-symbolique en programmation par contrainte.

Résumé : La présentation examine comment l’apprentissage automatique peut améliorer la programmation par contraintes (CP), en mettant en avant l’intégration de techniques d’apprentissage pour optimiser la recherche et la propagation dans les solveurs de CP. Elle s’appuie sur les avancées récentes en programmation mathématique pour démontrer comment l’apprentissage peut renforcer les heuristiques de sélection des valeurs et des variables, notamment à travers l’apprentissage par renforcement et les réseaux de neurones graphiques. Une attention particulière est accordée à l’amélioration des bornes duales grâce à la relaxation lagrangienne et à la décomposition, illustrant comment l’apprentissage peut accélérer ces méthodes tout en augmentant leur efficacité. Enfin, la présentation insiste sur l’importance d’une approche hybride qui allie intelligence artificielle et raisonnement logique, afin de doter les solveurs de capacités accrues et d’améliorer la résolution des problèmes combinatoires de manière plus performante et adaptable.

Biographie : Louis-Martin Rousseau est professeur au département de mathématiques et de génie industriel à Polytechnique Montréal depuis plus de 20 ans. Spécialiste de l’intelligence artificielle, de la recherche opérationnelle et de la science de la gestion, il est reconnu internationalement pour ses contributions aux problèmes d’optimisation combinatoire, notamment dans les domaines de la génération de colonnes, de la logistique du transport, de l’ordonnancement et de l’optimisation des ressources en santé. Il est titulaire de la Chaire de recherche du Canada en logistique des soins de santé (HANALOG) depuis 2016 grace à laquelle il mène des recherches visant à améliorer la planification et l’efficacité des services hospitaliers.

2/ Conférencière invitée (partagé avec l'atelier du GdR RADIA) : Sylvie Thiebaux

Résumé : I will present recent work on graph representation learning to guide the search of AI planners. I will introduce GNN and other graph learning representations that exploit the relational structure of planning domains. They allow our planner GOOSE to learn search guidance (e.g. heuristic cost estimates, state rankings) from solutions to just a few small problems, and solve substantially larger problems than trained on. Perhaps surprisingly, our experimental results show that classical machine learning approaches vastly outperform deep learning ones in this context. Moreover, Greedy Best-First Search guided by our best learnt heuristics outperforms the state of the art model-based planner, Lama, on the problems of the latest International Planning Competition Learning track, leading to the possibility that learnt heuristics may replace existing model-based heuristics in the near future.

Horaire (provisoire)

Papiers acceptés

Comité de programme