Optimisation distributionnellement robuste, mesures de risque et prise de décision dynamique en logistique et chaînes d'approvisionnement résilientes // Distributionally Robust Optimisation, Risk Measures, and Dynamic Decision-Making for Resilient Logisti

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 and evolving uncertainty, including demand fluctuations, supplier failures, transportation delays, geopolitical instability, climate-related disruptions, energy-price volatility, cyber risks, and regulatory changes. These disruptions reveal the limits of classical deterministic and stochastic optimisation models, which often rely on fixed assumptions or accurately known probability distributions. In practice, decision-makers frequently face ambiguity, limited data, non-stationary environments, and sequential decisions that must be revised as new information becomes available.
This PhD project aims to develop new mathematical models and solution algorithms for resilient logistics and supply chain systems under uncertainty. The project will focus on Distributionally Robust Optimisation, which seeks decisions that perform well over a family of plausible probability distributions rather than a single estimated distribution. This framework is particularly suitable for designing robust and reliable supply chains when historical data are incomplete, biased, or insufficient to characterise future disruptions.
The research will integrate risk-aware decision-making tools, including risk measures and chance-constrained optimisation, to control the probability and impact of undesirable events such as stockouts, late deliveries, unmet demand, capacity violations, excessive costs, or emission-limit breaches. The project will also address dynamic and sequential decision-making through Markov decision processes and stochastic optimal control, allowing supply chain decisions to adapt over time as system states and uncertainty evolve.
Methodologically, the thesis will develop tractable reformulations and scalable algorithms for large-scale logistics and supply chain problems. Possible approaches include chance constrained optimization, optimal control, stochastic dual dynamic programming, dynamic programming, and learning-assisted optimisation. Machine learning may be used to accelerate optimisation by identifying relevant scenarios, approximating value functions, guiding exploration, while preserving robustness and feasibility guarantees.
The proposed models and algorithms will be applied to problems such as resilient supply chain network design, facility location under disruptions, inventory management, supplier selection, routing under uncertain travel times, disaster-response logistics, low-carbon logistics, and sustainable distribution systems. The expected contributions include new distributionally robust and risk-aware models, dynamic decision-making frameworks, scalable solution methods, and managerial insights into the value of resilience in future logistics and supply chains.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Autre financement public

ANR

Université Paris-Saclay GS Informatique et sciences du numérique

580 Sciences et Technologies de l'Information et de la Communication

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.
Applicants should have a strong background in applied mathematics, mathematical optimization, probability, stochastic processes, operations research, or a related field. Knowledge of stochastic programming, robust optimization, distributionally robust optimization, Markov decision processes, optimal control, or machine learning would be an asset. Programming skills in Python, Julia, MATLAB, or C++ are expected. Experience with solvers such as Gurobi, CPLEX, Mosek, or SCIP, would be appreciated.