Thèse Optimisation Distributionnellement Robuste Mesures de Risque et Prise de Décision Dynamique en Logistique et Chaînes d'Approvisionnement Résilientes H/F - Doctorat.Gouv.Fr

Établissement : Université Paris-Saclay GS Informatique et sciences du numérique École doctorale : Sciences et Technologies de l'Information et de la Communication Laboratoire de recherche : Laboratoire des Signaux et Systèmes Direction de la thèse : Abdel LISSER ORCID 0000000313186679 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-07-31T23:59:59 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. Modern logistics and supply chain systems are increasingly exposed to severe, complex, and evolving sources of uncertainty. Demand fluctuations, supplier failures, transportation delays, geopolitical instability, cyber risks, climate-related disruptions, energy-price volatility, and regulatory changes can all significantly affect the feasibility, reliability, and performance of supply chain operations.Classical deterministic optimization models often rely on fixed assumptions and are unable to adequately capture the uncertainty faced by real logistics systems. Even standard stochastic optimization approaches may become insufficient when the underlying probability distributions are unknown, unreliable, unstable, or affected by limited data. In many practical situations, decision-makers must act under ambiguity rather than under perfectly known uncertainty.Distributionally Robust Optimization provides a powerful framework for addressing such challenges. Instead of optimizing decisions with respect to a single probability distribution, it considers a family of plausible distributions and seeks decisions that perform well under the most adverse distribution within that family. This makes it particularly relevant for resilient logistics and supply chain planning, where robustness, reliability, and adaptability are essential.This PhD project aims to develop new models and algorithms combining distributionally robust optimization, risk-aware decision-making, chance-constrained optimization, Markov decision processes, and stochastic optimal control. The goal is to support the design of logistics and supply chain systems that are not only cost-efficient, but also resilient, sustainable, and capable of adapting to future disruptions. 1. Develop new Distributionally Robust Optimisation models for resilient logistics and supply chains under ambiguous and evolving uncertainty. 2. Establish theoretical results for chance constraints and DRO, including tractability, convex reformulations, safe approximations, duality, and convergence properties. 3. Study dynamic decision-making frameworks based on Markov decision processes and stochastic optimal control, with a focus on robustness, stability, Bellman optimality conditions, and policy guarantees. 4. Design scalable solution algorithms, including stochastic dual dynamic programming, approximate dynamic programming, and learning-assisted optimisation. 5. Apply the proposed models and algorithms to resilient supply chain network design, inventory management, routing, supplier selection, disruption recovery, low-carbon logistics, and sustainable distribution systems. The PhD candidate will develop theoretical results for mathematical models and solution algorithms for large-scale uncertain supply chain problems. Methodological directions include:1. distributionally robust optimization;2. risk measures and chance constraints;3. robust and distributionally robust Markov decision processes;4. stochastic optimal control;5. decision-dependent uncertainty;6. stochastic dual dynamic programming;7. approximate dynamic programming;8. learning-assisted optimization.The project may also investigate the use of machine learning to accelerate optimization, for example by identifying relevant scenarios, approximating value functions, or guiding exploration in dynamic models. The goal will be to combine computational efficiency with rigorous robustness and feasibility guarantees.

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.