Du 15 décembre 2025 au 15 janvier 2026, près de 850 étudiants issus d'EPITECH et d'autres écoles se sont affrontés lors des phases qualificatives du hackathon Winter Is Coding. Un mois de compétition intense autour d'un sujet technique, exigeant et ancré dans des problématiques industrielles réelles. Je suis développeur web freelance à Aix-en-Provence, étudiant en Master Data et IA à EPITECH Marseille, et voici mon retour technique sur cette expérience.
L'objectif : concevoir une solution capable d'optimiser le déploiement d'antennes 5G dans une ville, en couvrant l'ensemble des bâtiments tout en minimisant le coût total d'installation. Des contraintes fortes de portée, de capacité et de populations variables selon les périodes de la journée.
Un problème qui, derrière son apparente simplicité, cache une problématique d'optimisation combinatoire à grande échelle, proche du Facility Location Problem que l'on retrouve dans les télécoms, la logistique ou la planification industrielle.
Un problème bien plus complexe qu'il n'y parait
Chaque bâtiment possédait une population différente selon trois périodes : heures pleines, heures creuses et nuit. Les antennes disposaient de portées, de capacités et de coûts distincts, avec des contraintes supplémentaires liées à leur positionnement.
Il ne s'agissait pas simplement de "placer des antennes". Le problème mêlait :
- Placement optimal d'infrastructures (similaire au Set Cover Problem)
- Allocation de ressources sous contrainte
- Gestion de pics de charge sur trois périodes
- Arbitrage permanent entre coût, couverture et capacité
Très rapidement, une évidence s'est imposée : une approche naive ou purement heuristique atteignait ses limites dès les premiers jeux de données complexes.
Plonger dans le monde de l'optimisation
Ce hackathon a été l'occasion de plonger dans un domaine qui me passionne depuis longtemps : les mathématiques appliquées à l'optimisation.
Au fil des semaines, j'ai découvert et utilisé plusieurs solveurs industriels de référence :
- Gurobi : solveur commercial de référence pour l'optimisation mathématique
- IBM CPLEX : suite d'optimisation industrielle d'IBM
- HiGHS : solveur open source haute performance
- CP-SAT : solveur de contraintes de Google OR-Tools
Au-delà des outils, c'est la logique qui m'a marqué. La manière dont un problème réel peut être transformé en un modèle mathématique exploitable.
Approches algorithmiques explorées
J'ai progressivement exploré différentes familles d'algorithmes.
Métaheuristiques :
- Large Neighbourhood Search (LNS) : destruction et reconstruction itérative de solutions
- Adaptive Large Neighbourhood Search (ALNS) : version adaptative ajustant dynamiquement les opérateurs
- Simulated Annealing : inspiration thermodynamique pour échapper aux optima locaux
- Algorithmes génétiques : évolution de populations de solutions
Optimisation exacte :
- Mixed-Integer Programming (MIP) : programmation en nombres entiers
- Mixed Integer Linear Programming (MILP) : variante linéaire du MIP, celle qui m'a donné les meilleurs résultats
Chaque méthode apportait ses forces, ses limites, et surtout une manière différente de raisonner le problème.
La vraie leçon : formuler avant de résoudre
Au-delà du code, cette expérience m'a appris une chose essentielle.
La performance ne vient pas uniquement de l'algorithme, mais de la manière dont le problème est formulé.
Aujourd'hui, nous disposons presque tous des mêmes outils. Les solveurs sont accessibles, les bibliothèques open source nombreuses, les modèles de langage largement démocratisés. Les ressources techniques tendent à s'uniformiser.
La différence se fait sur :
- La compréhension fine du problème
- La capacité à le reformuler correctement
- Les hypothèses que l'on choisit de poser
- La manière d'interagir avec ces outils pour les guider dans la bonne direction
Savoir découper un problème complexe, isoler les bons leviers, structurer une recherche ou orienter un solveur devient souvent bien plus déterminant que la sophistication apparente de l'algorithme lui-même.
L'optimisation : un domaine omniprésent mais invisible
Ce qui rend ce domaine fascinant, c'est son omniprésence. Derrière des modèles mathématiques parfois abstraits se cachent des systèmes utilisés chaque jour, souvent sans que l'on s'en rende compte :
- Planification des réseaux télécoms
- Optimisation des tournées de livraison (Vehicle Routing Problem)
- Allocation de ressources cloud
- Gestion énergétique (Unit Commitment Problem)
- Transport aérien et ferroviaire
- Ordonnancement industriel
- Pricing dynamique
Autant de systèmes où quelques pourcents de gain représentent des économies considérables à l'échelle industrielle.
Une expérience fondatrice
Terminer 1er sur près de 850 participants lors des phases qualificatives a évidemment été une grande satisfaction. Mais surtout la confirmation d'un intérêt profond pour les problématiques mêlant mathématiques, data, modélisation et systèmes complexes.
Ce hackathon m'a permis de consolider une manière de penser, d'aborder les problèmes différemment et de mieux comprendre ce qui fait réellement la performance dans des environnements techniques exigeants.
C'est précisément ce type de sujets, à la frontière entre théorie et impact réel, que je souhaite continuer à explorer. Pour voir mes autres projets techniques, consultez mes réalisations.