Caractérisation topologique des réseaux de transport réactifs // Topological characterisation of reactive transportation networks

Les réseaux de transport sont des systèmes complexes exposés à de multiples perturbations, allant d'événements fréquents (variations de demande, incidents) à des crises rares mais critiques (catastrophes naturelles, cyberattaques). Si la littérature s'est largement concentrée sur la robustesse ou la récupération des systèmes, la capacité de réaction en temps réel — ou réactivité — reste encore peu formalisée et insuffisamment caractérisée.

Cette thèse vise à identifier et analyser les propriétés topologiques des réseaux de transport favorisant leur réactivité face aux perturbations. L'hypothèse centrale est que certaines structures de réseau permettent de limiter le coût de reconfiguration des solutions opérationnelles (routage, affectation, etc.) après perturbation.

La méthodologie repose sur plusieurs axes : génération de graphes synthétiques représentatifs de réseaux urbains, modélisation de scénarios de perturbation (suppression ou modification d'arcs/nœuds), résolution de problèmes d'optimisation combinatoire (plus courts chemins, routage, arbres couvrants), et définition de métriques de réactivité basées notamment sur la distance entre solutions nominales et perturbées (e.g. Graph Edit Distance).

Enfin, des approches d'apprentissage automatique seront mobilisées pour identifier les motifs topologiques associés à une forte réactivité.

Les résultats attendus contribueront à une meilleure compréhension des mécanismes structurels de résilience et fourniront des outils d'aide à la décision pour la conception de réseaux de transport adaptatifs et robustes.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Transportation networks are complex systems exposed to various disruptions, ranging from recurrent disturbances (demand fluctuations, incidents) to rare but high-impact events (natural disasters, cyberattacks). While the literature has extensively addressed robustness and recovery, the notion of reactivity—the ability to efficiently adapt to disruptions—remains underexplored and poorly characterised.

This PhD aims to identify and characterise the topological properties that enhance the reactivity of transportation networks. The core hypothesis is that specific network structures can minimise the cost of reconfiguring operational solutions (e.g., routing, assignment) after disruptions.

The methodology includes: generation of realistic synthetic graphs, modelling of disruption scenarios (arc/node removal or modification), solving combinatorial optimisation problems (shortest path, spanning tree, vehicle routing), and defining reactivity metrics based on distances between nominal and disrupted solutions (e.g., Graph Edit Distance).

Machine learning approaches will be used to detect structural patterns associated with high reactivity.

Expected outcomes include new theoretical insights into network resilience and practical tools for designing adaptive and resilient transportation systems.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Public funding alone (i.e. government, region, European, international organization research grant)

Concours pour un contrat doctoral

ENTPE

162 MEGA - Mécanique, Énergétique, Génie Civil, Acoustique

• Master en informatique / mathématiques appliquées / OR • compétences en optimisation et graphes • programmation (Python + C++/Java) • intérêt pour ML • bon niveau en anglais
• MSc in computer science / applied mathematics / OR • strong background in optimisation and graph theory • programming skills (Python + C++/Java) • interest in machine learning • good English skills