Description

Les systèmes logistiques et de chaînes d'approvisionnement modernes sont de plus en plus exposés à une incertitude importante et évolutive, notamment les fluctuations de la demande, les défaillances des fournisseurs, les retards de transport, l'instabilité géopolitique, les perturbations liées au climat, la volatilité des prix de l'énergie, les cyber-risques et les changements réglementaires. Ces perturbations révèlent les limites des modèles d'optimisation déterministes et stochastiques classiques, qui reposent souvent sur des hypothèses fixes ou des distributions de probabilité connues avec précision. En pratique, les décideurs sont fréquemment confrontés à l'ambiguïté, à des données limitées, à des environnements non stationnaires et à des décisions séquentielles qui doivent être révisées à mesure que de nouvelles informations sont disponibles.
Ce projet de thèse vise à développer de nouveaux modèles mathématiques et algorithmes de résolution pour des systèmes logistiques et de chaînes d'approvisionnement résilients en contexte d'incertitude. Le projet se concentrera sur l'optimisation distributionnellement robuste, qui recherche des décisions performantes pour un ensemble de distributions de probabilité plausibles plutôt que pour une seule distribution estimée. Ce cadre est particulièrement adapté à la conception de chaînes d'approvisionnement robustes et fiables lorsque les données historiques sont incomplètes, biaisées ou insuffisantes pour caractériser les perturbations futures. Cette recherche intégrera des outils d'aide à la décision tenant compte des risques, notamment des mesures de risque et une optimisation sous contraintes probabilistes, afin de maîtriser la probabilité et l'impact d'événements indésirables tels que les ruptures de stock, les retards de livraison, la demande non satisfaite, les dépassements de capacité, les coûts excessifs ou les infractions aux limites d'émission. Le projet abordera également la prise de décision dynamique et séquentielle via des processus de décision markoviens et une commande optimale stochastique, permettant ainsi aux décisions relatives à la chaîne d'approvisionnement de s'adapter au fil du temps en fonction de l'évolution des états du système et de l'incertitude.
Sur le plan méthodologique, la thèse développera des reformulations exploitables et des algorithmes évolutifs pour les problèmes de logistique et de chaîne d'approvisionnement à grande échelle. Parmi les approches possibles figurent les contraintes en probabilités, la programmation dynamique duale stochastique, le contrôle optimal, et l'optimisation assistée par apprentissage. L'apprentissage automatique pourra être utilisé pour accélérer l'optimisation en identifiant les scénarios pertinents, en approximant les fonctions de valeur, en guidant l'exploration, tout en préservant la robustesse et la faisabilité des solutions. Les modèles et algorithmes proposés seront appliqués à des problématiques telles que la conception de réseaux de chaînes d'approvisionnement résilients, la localisation d'installations en cas de perturbations, la gestion des stocks, la sélection des fournisseurs, l'optimisation des itinéraires en contexte d'incertitude des temps de trajet, la logistique d'intervention en cas de catastrophe, la logistique bas carbone et les systèmes de distribution durables. Les contributions attendues comprennent des études théoriques, de nouveaux modèles robustes et prenant en compte les risques liés à la distribution, des cadres de prise de décision dynamiques, des méthodes de résolution évolutives et des perspectives managériales sur la valeur de la résilience dans les chaînes logistiques et d'approvisionnement de demain.

Compétences requises

Les candidats doivent posséder de solides connaissances en mathématiques appliquées, en optimisation mathématique, en probabilités, en processus stochastiques, en recherche opérationnelle ou dans un domaine connexe. Une connaissance de la programmation stochastique, de l’optimisation robuste, de l’optimisation dsitributionnallement robuste, des processus de décision markoviens, du contrôle optimal ou de l’apprentissage automatique constituerait un atout. Des compétences en programmation en Python, Julia, MATLAB ou C++ sont requises. Une expérience avec des solveurs tels que Gurobi, CPLEX, Mosek, SCIP serait appréciée.

Bibliographie

Distributionally robust chance-constrained Markov decision processes with random payoff, Hoan-Nam Nguyen, Abdel Lisser, Vikas Vikram Singh, vol. 90, 25, Applied Mathematics and Optimization (2024).
Design of Distributionally Robust Closed-Loop Supply Chain Network under Disruption Risks. Zhao, B. et al. Journal of Industrial and Production Engineering, (2024).
Distributionally Robust Chance Constrained Games under Wasserstein Ball, Tian Xia, Jia Liu, Abdel Lisser, Operations Research letters, 51:315-321 (2023).
Distributionally robust chance constrained geometric optimization, Liu Jia, Abdel Lisser, Zhiping Chen, Mathematics of Operations Research 47(4): 2950-2988 (2022).
Data-Driven Distributionally Robust Optimization Using the Wasserstein Metric: Performance Guarantees and Tractable Reformulations, Esfahani, P. M., & Kuhn, D. Mathematical Programming (2018).
Distributionally Robust Stochastic Knapsack Problem, Jianqiang Cheng, Erick Delage and Abdel Lisser, SIAM Journal on Optimization 24(3): 1485-1506 (2014).
Distributionally Robust Optimization under Moment Uncertainty with Application to Data-Driven Problems. Delage, E., & Ye, Y., Operations Research (2010).

Mots clés

Optimisation distributionnellement robuste, Mesures de risque, Processus de décision Markovien, Contrôle optimal, Logistique résiliente