Thèse Méthodes d'Optimisation Renforcée par Apprentissage pour les Systèmes de Transport Intermodal Intelligents et Durables Application au Fret Fluvial H/F

Doctorat.Gouv.Fr

Établissement : Université Polytechnique Hauts de France École doctorale : Ecole Doctorale Polytechnique Hauts-de-France Laboratoire de recherche : Laboratoire d'Automatique, de Mécanique et d'informatique Industrielles et Humaines Direction de la thèse : Christophe WILBAUT ORCID 0000000312507792 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-09-30T23:59:59 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. Le transport de marchandises traverse aujourd'hui une période de fortes tensions structurelles : saturation croissante des infrastructures routières, augmentation continue de la demande logistique, exigences environnementales, sans oublier l'instabilité géopolitique pesant sur les chaînes d'approvisionnement internationales. Dans ce paysage, le transport fluvial associé à des solutions intermodales intelligemment orchestrées apparaît comme un vecteur stratégique de transition vers une logistique plus durable et plus résiliente. Du point de vue environnemental, le mode fluvial constitue l'un des transports terrestres les plus sobres : ses émissions de CO2 et sa consommation énergétique par tonne-kilomètre sont largement inférieures à celles du routier. Par ailleurs, une barge de grand gabarit peut remplacer jusqu'à 150 semi-remorques (camions), contribuant ainsi à réduire la congestion routière et les externalités négatives associées. Pourtant, la voie d'eau reste sous-utilisée, en raison notamment de différentes contraintes spécifiques telles que l'existence d'aléas hydrologiques affectant les tirants d'eau et la navigabilité, ou la congestion aux écluses et dans les terminaux portuaires. Aussi, le transport fluvial est parfois perçu par les acteurs de la logistique comme manquant de fiabilité ou reposant sur trop d'incertitudes.
Pour exploiter pleinement son potentiel, le transport fluvial doit donc bénéficier d'outils d'aide à la décision permettant une meilleure planification des activités, et qui intègrent les spécificités de ce mode de transport afin d'anticiper les perturbations. Ce projet de thèse vise à fournir des avancées méthodologiques et applicatives dans ce sens. Il s'inscrit dans la continuité directe des travaux menés au sein du laboratoire d'accueil, le LAMIH, dans le cadre du projet européen H2020 IW-NET (Innovation-driven Collaborative European Inland Waterways Transport Network) entre 2020 et 2024.
Ces travaux ont structuré un cadre méthodologique articulé autour de deux niveaux essentiels de prise de décision : le niveau tactique, axé sur la planification de l'offre de services de transport, et le niveau opérationnel, axé sur les décisions d'acceptation et d'optimisation des itinéraires des demandes. Le niveau tactique concerne la conception d'un réseau de services à moyen terme, en répondant à une demande qui est estimée, elle aussi, sur le moyen-terme. Il s'agit ici de prendre des décisions dans un environnement soumis à des incertitudes liées à la demande, mais aussi à la disponibilité des infrastructures (e.g., fluctuations des niveaux d'eau dans le cas du transport fluvial). Le décideur doit sélectionner, parmi un ensemble combinatoire très vaste, les services à activer et dimensionner les ressources associées (e.g., flottes de véhicules, terminaux intermodaux, etc.). Le niveau opérationnel concerne la planification des activités du système sur le court-terme (dans l'idéal, à chaque nouvelle demande de transport, une réponse est requise et doit donc être calculée). À mesure que la demande se révèle, séquentiellement, il s'agit de décider de l'acceptation ou du rejet des ordres de transport, et d'en déterminer et planifier le routage optimal de chaque demande sur le réseau de transport. Ces décisions doivent être prises sur un horizon de temps glissant, dans un environnement soumis à de fortes incertitudes. Un premier objectif de cette thèse sera de capitaliser sur les modèles mathématiques élaborés au sein de l'équipe, à en assurer la pérennisation scientifique et à en étendre les fondations théoriques et applicatives.
Même si les contributions précédentes constituent une architecture méthodologique solide, elles ne répondent pas complètement aux exigences de la synchromodalité, en particulier dans le contexte fluvial où la variabilité des conditions d'exécution est élevée. La coordination dynamique bidirectionnelle entre les niveaux tactique et opérationnel, la prise en compte des aléas, ainsi que la capacité à résoudre efficacement des instances de grande taille demeurent autant de défis et motivent la problématique scientifique développée dans ce projet de thèse.
De manière globale, l'objectif de la thèse est ainsi de développer un cadre méthodologique de résolution hybride afin de traiter des problèmes d'optimisation particulièrement complexes dans le cadre du transport fluvial et intermodal, et ainsi permettre une planification intégrée, robuste et scalable, en réponse aux limites identifiées précédemment. Pour atteindre cet objectif, nous considérerons une approche hybride combinant recherche opérationnelle et machine learning (ML), un des buts étant de tirer profit de la puissance des méthodes développées dans les deux domaines. Il nous semble en effet pertinent d'envisager le ML pour générer rapidement des solutions partielles structurées, qui pourraient ensuite être complétées via des méthodes d'optimisation afin d'obtenir des solutions de haute qualité. La démarche proposée se situera à l'interface entre recherche opérationnelle et apprentissage automatique pour l'optimisation (Bengio, Lodi et Prouvost 2021). Elle s'appuie notamment sur les modèles tactiques (Bilegan, Crainic et Wang 2022) et opérationnels (Cui, Bilegan, et al. 2024) déjà développés au sein du laboratoire.
Le plan de travail envisagé suit une logique de progressivité permettant de se projeter sur plusieurs échelons à valider de façon itérative. Dans un premier temps il s'agira de développer le cadre méthodologique général, avant de l'appliquer à un problème tactique déterministe. Il s'agira ensuite d'adapter le mécanisme au niveau opérationnel déterministe, avant de considérer des extensions aux cas stochastiques (pour les deux niveaux de décision précédents). La définition et mise en oeuvre d'un cadre intégré reliant les niveaux tactique et opérationnel sous incertitude, avec des mécanismes de coordination bidirectionnelle entre ces deux niveaux, pourra aussi être envisagée, selon l'avancement de la thèse.
Comme mentionné précédemment, les résultats attendus sont à la fois méthodologiques et applicatifs. Sur le plan méthodologique, la thèse doit aboutir à la définition d'un cadre original de résolution hybride fondé sur l'articulation entre génération de solutions partielles par apprentissage et optimisation guidée par métaheuristiques ou matheuristiques. Sur un plan algorithmique, elle doit conduire au développement de nouvelles stratégies de résolution adaptées aux niveaux tactique et opérationnel, d'abord en contexte déterministe, puis stochastique. Sur le plan applicatif, les travaux visent des gains significatifs en temps de calcul, en qualité de solution et en robustesse pour des cas d'étude issus du transport fluvial et intermodal. Enfin, sur un plan scientifique global, la thèse doit produire des contributions originales en recherche opérationnelle pour la planification multi-niveaux sous incertitude, avec des perspectives de valorisation dans des revues et conférences internationales spécialisées.