Thèse Intelligence Artificielle Hybride et Optimisation pour l'Optimisation Robuste de Trajectoires de Vol 4D Multi-Objectifs H/F Doctorat.Gouv.Fr

Établissement : Ecole Nationale de l'Aviation Civile École doctorale : EDMITT - Ecole Doctorale Mathématiques, Informatique et Télécommunications de Toulouse Laboratoire de recherche : ENAC-LAB - Laboratoire de Recherche ENAC Direction de la thèse : Daniel DELAHAYE ORCID 0000000249656815 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-11-16T23:59:59 Le secteur de l'aviation connaît actuellement de profondes transformations, sous l'effet de l'augmentation de la demande de trafic, des contraintes environnementales et de la nécessité de disposer d'opérations plus résilientes. Les futurs systèmes de gestion du trafic aérien (ATM) devront s'appuyer sur des outils avancés d'aide à la décision, capables d'optimiser les trajectoires des aéronefs tout en prenant simultanément en compte l'efficacité opérationnelle, les coûts économiques, l'impact environnemental et les incertitudes.

Les méthodes classiques d'optimisation de trajectoires offrent des garanties mathématiques ainsi qu'une gestion précise des contraintes, mais leur coût de calcul devient problématique dans des scénarios à grande échelle, multi-objectifs et soumis à l'incertitude. À l'inverse, les méthodes fondées sur l'intelligence artificielle (IA) offrent de puissantes capacités d'apprentissage, mais ne fournissent généralement pas de garanties suffisantes en matière de faisabilité, d'interprétabilité et de robustesse.

Cette thèse propose de développer des approches hybrides combinant intelligence artificielle et optimisation mathématique pour l'optimisation robuste et multi-objectifs des trajectoires de vol en quatre dimensions (4D). L'hypothèse principale est que l'IA peut compléter efficacement les méthodes d'optimisation mathématique en accélérant les procédures de recherche, en apprenant des modèles complexes et en améliorant la prise de décision, tandis que les méthodes d'optimisation permettent de préserver la cohérence physique et la fiabilité opérationnelle des solutions obtenues.

Les travaux porteront sur l'optimisation des vols individuels, la coordination à l'échelle d'une flotte ainsi que sur des applications au niveau de la gestion du trafic aérien (ATM). Une attention particulière sera accordée aux objectifs liés à la durabilité de l'aviation, notamment à la réduction de la consommation de carburant, à la diminution des émissions de CO et à la prise en compte des effets climatiques des émissions autres que le CO (non-CO). Future ATM systems need efficient and resilient trajectory-planning tools able to cope with increasing traffic, environmental constraints and uncertainty. Classical optimization provides feasibility and mathematical guarantees but becomes computationally demanding for nonlinear, large-scale and multi-objective problems. AI can accelerate computation and learn complex models, but purely data-driven approaches may lack physical consistency, explainability and safety guarantees. The scientific challenge is therefore to combine the strengths of both approaches within trustworthy hybrid architectures. Develop a new generation of hybrid AI-optimization methods for robust multi-objective 4D trajectory optimization. More specifically: (1) formulate multi-objective trajectory models integrating fuel, time, CO emissions, climate impact and robustness; (2) develop hybrid AI-optimization architectures; (3) account for operational uncertainties; and (4) extend optimization from single flights to multi-aircraft and ATM-level coordination. Build a hybrid framework in which AI generates or approximates candidate solutions and mathematical optimization guarantees feasibility and robustness. Investigated AI techniques include supervised/deep learning, surrogate modelling, reinforcement learning and Graph Neural Networks. Optimization techniques include Pareto-based multi-objective optimization, stochastic optimization, chance-constrained optimization and distributionally robust optimization. Validation will rely on historical flight trajectories, aircraft performance models, meteorological data and realistic ATM simulations under nominal and disrupted scenarios