Rym Guibadj soutient son Habilitation à Diriger des Recherche (HDR) le mardi 6 janvier 2026 à 14h en salle B014.
Titre :
Résolution de problèmes de tournées complexes : de l’optimisation classique à l’apprentissage profond
Résumé :
Mes thématiques de recherche se situent à l’intersection de l’optimisation combinatoire, de la recherche opérationnelle et de l’apprentissage automatique. Elles portent principalement sur la modélisation et la résolution de variantes avancées du Problème de Tournées de Véhicules (VRP), caractérisées par des objectifs multiples et des contraintes opérationnelles fortes. L’objectif est de concevoir des méthodes robustes, efficaces et généralisables, capables de traiter des situations logistiques réalistes où les décisions doivent intégrer simultanément des contraintes de capacité, de temps, de multi-périodicité ou de systèmes structurés à plusieurs niveaux.
Le premier axe méthodologique repose sur l’optimisation classique. Il inclut l’étude de problèmes de tournées sélectives, de problèmes de ramassage et livraison multi-objectifs, du problème de tournées de véhicules à deux échelons, ainsi que de modèles intégrant conjointement routage et maintenance. Une contribution importante réside dans l’utilisation du paradigme « Order-First, Split-Second » qui sépare la création d’un tour géant du découpage en tournées réalisables. Ces travaux mobilisent des approches exactes, heuristiques, métaheuristiques et matheuristiques, et démontrent l’intérêt de combiner représentations multiples, prétraitements exploitant les contraintes, mémoires adaptatives et hybridations exact/heuristique pour améliorer l’efficacité de la recherche.
Le second axe explore l’apport de l’apprentissage automatique pour la résolution de problèmes d’optimisation combinatoire, à travers le développement de modèles « end-to-end » et hybrides. Le modèle G-UniRouting constitue une contribution majeure : il s’agit d’une architecture encodeur-décodeur entraînée par renforcement, capable de traiter de manière unifiée un large éventail de VRPs multi-attributs. Une autre approche hybride, le Hybrid Graph Attention Model, permet de résoudre les problèmes de tournées sélectives en combinant apprentissage profond pour générer un tour géant et programmation dynamique pour garantir la faisabilité des tournées extraites. Nous avons également étudié l’hybridation entre apprentissage profond et Programmation Génétique, en intégrant des représentations vectorielles de code afin de concevoir des opérateurs de sélection informés, améliorant ainsi la convergence du processus évolutif. Ces travaux montrent que l’apprentissage profond peut agir à la fois comme moteur de résolution autonome et comme mécanisme d’aide à la décision renforçant les approches classiques. L’ensemble de ces contributions a donné lieu à des publications dans des revues et conférences internationales et ouvre des perspectives vers la conception de méthodes de résolution unifiées, adaptatives et explicables pour les systèmes logistiques.
Jury :
Mme Nacima Labadie, Professeur des Universités, LIST3N, Université de Technologie de Troyes.
M. Slim Hammadi, Professeur des Universités, CRIStAL, Ecole Centrale de Lille, Université de Lille.
M. Eric Sanlaville, Professeur des Universités, LITIS, Université Le Havre Normandie.
M. Denis Pallez, Maître de conférences HDR, Université Côte d’Azur, I3S, Sophia Antipolis
M. Matthieu Basseur, Professeur des Universités, LISIC, Université du Littoral Côte d’Opale
M. Cyril Fonlupt, Professeur des Universités, LISIC, Université du Littoral Côte d’Opale