Hackathon Winter Is Coding — 1er sur 850 avec l'optimisation combinatoire

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 à la fois technique, exigeant et profondément ancré dans des problématiques industrielles réelles.

L'objectif était clair : 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, malgré 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 en réalité une problématique d'optimisation combinatoire à grande échelle, proche du Facility Location Problem que l'on retrouve dans les secteurs des télécommunications, de la logistique ou de la planification industrielle.

Un problème bien plus complexe qu'il n'y paraît

Chaque bâtiment possédait une population différente selon trois périodes : heures pleines, heures creuses et nuit. Les antennes, quant à elles, disposaient de portées, de capacités et de coûts distincts, avec des contraintes supplémentaires liées à leur positionnement.

Il ne s'agissait donc pas simplement de "placer des antennes", mais bien de résoudre un problème mêlant :

• Placement optimal d'infrastructures (similaire au Set Cover Problem)
• Allocation de ressources sous contrainte
• Gestion de pics de charge
• Arbitrage permanent entre coût, couverture et capacité

Très rapidement, une évidence s'est imposée : une approche naïve ou purement heuristique atteignait ses limites dès les premiers jeux de données complexes.

Entrer dans le monde de l'optimisation

Ce hackathon a été pour moi l'occasion de plonger profondément 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

Mais au-delà des outils, c'est surtout 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

Chaque méthode apportait ses forces, ses limites, et surtout une manière différente de raisonner le problème.

Ce que ce hackathon m'a réellement appris

Au-delà du code, cette expérience m'a surtout appris une chose essentielle :

Aujourd'hui, nous disposons presque tous des mêmes outils. Les solveurs sont accessibles, les bibliothèques open source nombreuses, et les modèles de langage largement démocratisés.

Les ressources techniques tendent donc à s'uniformiser.

La différence ne se fait plus uniquement sur la puissance de calcul ou sur l'outil utilisé, mais 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 particulièrement fascinant, c'est son omniprésence.

Derrière des modèles mathématiques parfois abstraits se cachent pourtant 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 peuvent représenter 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 personnelle, 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 et approfondir.

Pour découvrir mes autres projets, consultez ma page projets.