Actualité - Annonce de Thèse/HDR

Date : July 5, 2023, 9:30 a.m. - Type : Thesis - Hugo BELHOMME - Amphi 1 Campus Georges Charpak

Optimisation et apprentissage dynamique pour la replanification dans un système ferroviaire dense
"Les trains Transilien transportent environ 70% des clients annuels de SNCF sur seulement 10% du réseau. Lorsque de petites perturbations surviennent sur ce réseau, des superviseurs de Transilien sont amenés à prendre des décisions de replanification en temps réel sur les trains : suppression de train ou d'arrêt, ajout d'arrêt, limitation de train, ... Pour résoudre ce problème d'optimisation multi-objectifs en temps réel et aider les superviseurs, une approche itérative combinant optimisation et simulation a été développée lors d'une thèse précédente. L'objectif de mes travaux de thèse est d'améliorer cette approche selon deux axes principaux : (1) améliorer la prise en compte du caractère multi-objectif du problème et (2) enrichir le processus de résolution en utilisant les historiques de données Transilien à notre disposition.
 
Sur le premier axe, nous proposons une extension de la dominance de Pareto utilisée en optimisation multi-objectifs. Ce nouveau concept, appelé matrice-dominance et basé sur l'utilisation d'exigences de gains, permet à la fois de représenter précisément les liens entre actions de replanification et objectifs à optimiser et de réduire la taille des fronts de solutions obtenus. Nous avons également amélioré différentes étapes du processus de résolution. Un prétraitement de l'espace des solutions utilisant des réseaux de neurones pour graphes afin de réduire la taille de l'espace de recherche a été proposé. Plusieurs heuristiques d'exploration de l'espace basées notamment sur la matrice-dominance ont été développées et évaluées. Deux méthodes pour sélectionner les solutions à présenter à l'utilisateur ont été conçues et testées : utilisant la notion de rang pour la première méthode, et des approches de clustering pour la seconde méthode. Enfin, diverses contributions industrielles ont été réalisées, comprenant notamment la mise en place d'une méthodologie d'évaluation des performances du moteur d'optimisation à l'aide de données historiques. Des perspectives sont également proposées, en particulier sur la prise en compte de nouveaux indicateurs dans l'optimisation et différentes pistes pour de futurs travaux".
 
Jury :
Christian Artigues, directeur de recherche, LAAS-CNRS, rapporteur,
Paola Pellegrini, directrice de recherche, Université Gustave Eiffel, rapporteuse,
Safia Kedad-Sidhoum, professeure, CNAM, examinatrice,
Bernard Penz, professeur, Université Grenoble Alpes, examinateur,
Stéphane Dauzère-Pérès, professeur, Mines Saint-Etienne, directeur de thèse,
Dominique Feillet, professeur, Mines Saint-Etienne, co-directeur de thèse,
Mathieu Gagnon, ingénieur, SNCF, encadrant industriel,
François Ramond, docteur, SNCF, co-encadrant industriel,
Christelle Lerin, ingénieure, SNCF, invitée,
Valentina Pozzoli, docteure, SNCF, invitée.