Architectures Hybrides Apprentissage-Optimisation pour la Décision Combinatoire sous Incertitude : Application à l'Ordonnancement de la Recharge de Véhicules Electriques

Contexte et motivation

Les systèmes décisionnels modernes ; réseaux électriques intelligents, mobilité autonome, logistique temps réel, infrastructures cyber-physiques ; sont confrontés à une complexité croissante. La multiplication des données, l'accélération des rythmes de décision et l'augmentation des incertitudes transforment les exigences posées aux méthodes de résolution. Dans ces environnements, les décisions doivent être prises de manière séquentielle, sous contraintes combinatoires fortes, avec des informations partielles ou évolutives, tout en respectant des exigences de robustesse et de réactivité.

L'optimisation combinatoire fournit des modèles explicites et interprétables, intégrant précisément des contraintes physiques, logiques ou opérationnelles. Les formulations de programmation mathématique permettent d'obtenir des garanties de qualité, voire d'optimalité, mais deviennent rapidement inexploitables lorsque les décisions doivent être recalculées fréquemment ou que l'incertitude doit être modélisée explicitement. À l'inverse, l'apprentissage automatique, en particulier le deep learning et l'apprentissage par renforcement, offre de puissantes capacités de généralisation et d'adaptation. Appliquées aux problèmes de décision combinatoire, ces approches présentent cependant des limites majeures : espaces d'action difficiles à explorer, mauvaise prise en compte des contraintes, absence de garanties de faisabilité et robustesse limitée hors distribution.

Cette tension entre l'adaptabilité des approches apprenantes et les garanties offertes par l'optimisation constitue aujourd'hui un enjeu scientifique majeur. Les travaux récents en decision-focused learning, predict-then-optimize et combinatorial optimization augmented machine learning montrent qu'il est désormais possible de coupler apprentissage et optimisation au sein d'une même boucle de décision. Malgré ces avancées, des limites subsistent : les garanties de robustesse et de faisabilité restent souvent partielles, les coûts computationnels demeurent élevés dans les environnements dynamiques, et les mécanismes conciliant apprentissage, contraintes fortes et décision temps réel restent insuffisamment structurés.

C'est précisément à cette lacune que cette thèse entend répondre, en développant une méthodologie générale pour concevoir des systèmes hybrides combinant apprentissage automatique et optimisation combinatoire dans des environnements décisionnels dynamiques et contraints.

Objectifs de recherche

Cette thèse a pour but de développer une méthodologie générale pour la conception de systèmes décisionnels hybrides combinant apprentissage automatique et optimisation combinatoire, spécifiquement adaptés aux environnements dynamiques et incertains. L'objectif scientifique fondamental est d'explorer comment l'apprentissage peut guider et accélérer les processus de décision combinatoire tout en préservant les garanties structurelles offertes par les modèles d'optimisation.

Le premier objectif scientifique vise à concevoir des architectures où l'apprentissage et l'optimisation coopèrent de manière étroite, sans que l'un ne se substitue à l'autre. Il s'agit d'identifier les points d'articulation pertinents entre ces deux paradigmes : l'apprentissage peut produire des informations auxiliaires ; estimées de coûts, priorités, réductions d'espace de recherche, solutions initiales ; tandis que l'optimisation assure la cohérence globale et le respect des contraintes. L'enjeu est de définir des mécanismes garantissant que toute solution produite par le système hybride soit structurellement valide, par construction ou par contrôle a posteriori.

Le deuxième objectif scientifique concerne la robustesse des systèmes hybrides face aux incertitudes inhérentes aux environnements réels. Les modèles appris sont par nature sensibles aux variations des données et peuvent dégrader significativement leurs performances hors de leur distribution d'entraînement. L'objectif est de développer des cadres méthodologiques intégrant la gestion de l'incertitude dès la phase d'apprentissage et tout au long du processus décisionnel, en s'inspirant des principes de l'optimisation robuste et de l'adaptation en ligne. Il s'agit de garantir que les décisions restent de qualité satisfaisante même en présence de perturbations, sans pour autant adopter un conservatisme excessif qui dégraderait les performances nominales.

Le troisième objectif scientifique porte sur l'efficacité computationnelle et le passage à l'échelle. Les problèmes combinatoires traités dans les applications visées ; ordonnancement de recharge de véhicules, mobilité partagée, tournées de véhicules ; impliquent des espaces de recherche immenses et des prises de décision fréquentes. L'objectif est de concevoir des mécanismes permettant de réduire la charge calculatoire des solveurs d'optimisation sans sacrifier la qualité des solutions, en exploitant l'apprentissage pour accélérer les phases les plus coûteuses du processus de résolution. 

Le quatrième objectif scientifique est de démontrer la généricité et la transférabilité des méthodologies développées. Dans un premier temps, les travaux se concentreront sur un problème d'ordonnancement de recharge de véhicules sous incertitudes, représentatif des difficultés centrales de la thèse : faisabilité combinatoire, robustesse face à des données incertaines, et passage à l'échelle pour des flottes de grande taille. Ce cas d'étude permettra de valider les principes méthodologiques sur un problème concret et d'en évaluer les performances. Dans un deuxième temps, les méthodologies seront étendues à d'autres problèmes d'optimisation combinatoire dans le domaine de la mobilité ; transport à la demande, tournées de véhicules avec fenêtres de temps, planification tactique ; afin d'éprouver leur capacité à s'adapter à des structures de contraintes variées et à des contextes opérationnels différents. Cette extension visera à identifier les composants génériques du framework et ceux qui nécessitent une adaptation spécifique à chaque problème.

Profil recherché

Le ou la candidate devra être titulaire d'un Master 2 ou d'un diplôme d’ingénieur en Informatique, Recherche Opérationnelle, Mathématiques Appliquées, Intelligence Artificielle ou Génie Industriel. Une solide formation en optimisation combinatoire et en programmation mathématique est indispensable. Des compétences en apprentissage automatique sont attendues, avec une expérience pratique des frameworks de deep learning. Le ou la candidate devra faire preuve d’une motivation pour la recherche, d'une capacité d'abstraction et de rigueur scientifique, d'autonomie et d'esprit d'initiative.

Les candidatures, comprenant un CV détaillé, une lettre de motivation et les relevés de notes, sont à adresser aux directeurs de thèse : 

Ammar Oulamara, Université de Lorraine

E-mail : ammar.oulamara@loria.fr

Mustapha Oudani, Université Internationale de Rabat

E-mail : mustapha.oudani@uir.ac.ma