Méthodes d'optimisation renforcée par apprentissage pour les systèmes de transport intermodal intelligents et durables : application au fret fluvial // Learning-reinforced optimization methods for sustainable intelligent intermodal transportation systems:

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.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

This thesis aims to develop a hybrid methodological framework that integrates a machine learning-based module with optimization methods relying on metaheuristic or matheuristic strategies. It addresses tactical and operational problems in fluvial and intermodal transportation, initially in a deterministic context and subsequently in a stochastic one, ultimately leading to an integrated tactical-operational framework under uncertainty.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Enseignement supérieur

Université Polytechnique Hauts de France

635 Ecole Doctorale Polytechnique Hauts-de-France

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.
We are seeking candidates with a strong academic background and proven skills in: • Operations research, combinatorial optimization, applied mathematics, or data intelligence for decision support; • Proficiency in programming (C, C++, Python, Java, or C#); • A good level of English (written and spoken). An interest in machine learning applied to optimization would be highly appreciated, as would prior experience in transport planning involving optimization.