Description

Cette thèse vise à développer un cadre méthodologique de résolution hybride articulant un module fondé sur l’apprentissage automatique et une méthode d’optimisation reposant sur des stratégies métaheuristiques ou matheuristiques, pour traiter des problèmes tactiques et opérationnels de transport fluvial et intermodal, d’abord en contexte déterministe, puis stochastique, avant d’aboutir à un cadre intégré tactique–opérationnel sous incertitude.

Compétences requises

Nous recherchons des candidatures mettant en avant une formation solide et des compétences avérées : - en recherche opérationnelle et optimisation combinatoire, mathématiques appliquées, ou en informatique décisionnelle ; - un bon niveau en programmation (Python, C, C++, Java ou C#). Un intérêt pour l’apprentissage automatique avec une éventuelle application en optimisation serait particulièrement apprécié, tout comme une première expérience de travail sur une application en transport, logistique.

Bibliographie

- Bengio, Yoshua, Andrea Lodi, et Antoine Prouvost. 2021. «Machine learning for combinatorial optimization: a methodological tour d’horizon.» European Journal of Operational Research 290(2), 405-421.
- Bilegan, Ioana, Teodor Gabriel Crainic, et Yunfei Wang. 2022. «Scheduled service network design with revenue management considerations and an intermodal barge transportation illustration.» European Journal of Operational Research 300(1), 164-177.
- Cui, Yaheng, Chenghao Wang, Ioana Bilegan, Eric Duchenne, et Walter Rei. 2025. «An Integrated Tactical-Operational Decision-Making Framework for Inland Waterway Transport under Navigability and Demand Uncertainties.» Euro Working Group on Transportation (EWGT) 27th Annual Conference, September.
- Cui, Yaheng, Ioana Bilegan, Eric Duchenne, et David Duvivier. 2024. «Demand rerouting mechanisms with revenue management for intermodal barge transportation networks.» Transportmetrica B: Transport Dynamics 12(1), 2416182.
- Wang, Chenghao, Ioana Bilegan, Walter Rei, et David Duvivier. 2024. «Addressing water level uncertainty for inland waterway transportation: a partially joint chance-constrained programming approach.» Odysseus, May.

Mots clés

Recherche Opérationnelle, Système d'aide à la décision, Machine learning, Transport intelligent