La ROADEF
La R.O.A.D
Evénements
Prix
Publications
Plus
Forums
Connexion
Livre blanc

[Offre de thèse] Optimisation d?un réseau de transport de marchandises sous incertitude -- IMT Atlan

Forum 'Emplois' - Sujet créé le 2021-05-27 par Olivier Péton

IMT ATLANTIQUErecrute un(e) doctorant(e) en recherche opérationnelle

 

Thématique : Optimisation d’un réseau de transport de marchandises sous incertitude

IMT Atlantique recrute un(e) doctorant(e) à Nantes pour une durée de 36 mois dans le cadre du LabCom CRC Lab.
Ce laboratoire commun avec l’entreprise CRC Services est financé par l’ANR.

Le laboratoire commun CRC Lab

Les réseaux de transport de marchandises ont pour ambition de rendre le plus efficace possible le transport de marchandises depuis leurs lieux de production ou de stockage vers leurs clients finaux. L’utilisation de hubs logistiques et la mise en réseau des flux de marchandises permettent d’améliorer la performance grâce à la mutualisation, tant au niveau du service que de la maîtrise des coûts et de la limitation de l’impact environnemental du transport. Un enjeu majeur dans ce contexte est la production d’outils numériques de pilotage de tels réseaux, indispensables à la réalisation de leurs bénéfices potentiels. En particulier, le transfert de marchandises dans des hubs logistiques permet de consolider les flux et de générer d’importantes économies sur les liaisons longue distance. Cette interconnexion entre les trajets successifs rend néanmoins la réalisation d’un planning particulièrement sensible aux aléas pouvant intervenir à tous les échelons du réseau.

L’objectif du laboratoire commun CRC Lab est de rechercher, d’identifier et de tester les opportunités créatrices de valeur ajoutée qui pourraient émerger en exploitant des technologies d’apprentissage sur l’ensemble des données réelles disponibles, et notamment en essayant d’apprendre des aléas événements, temporels et des écarts entre les prévisions et les livraisons réelles, pour produire des plans de transport optimisés, robustes et agiles. L’enjeu est de pouvoir capturer, modéliser et apprendre de la donnée produite au quotidien de manière à pouvoir l’intégrer dans les outils de pilotage du réseau. Plus précisément il s’agit de : i) identifier et modéliser les principales sources d’incertitudes, responsables du manque d’agilité des plans de transport; ii) capturer la donnée et apprendre les caractéristiques majeures de ces sources d’incertitudes grâce à des historiques de données; iii) concevoir et développer des algorithmes et outils d’optimisation d’un réseau de transport de marchandises en intégrant des contraintes ou objectifs de robustesse vis-à-vis des sources d’incertitudes modélisées ; iv) concevoir et développer des algorithmes et outils réactifs permettant d’intégrer en temps réel la variabilité de la donnée dans les plans de transport; v) intégrer ces algorithmes dans la plateforme web Colivri de CRC Services afin de développer de nouvelles offres commerciales d’optimisation des plans de transport. Nous prévoyons d’explorer des adaptations de ces travaux à l’échelle locale (logistique urbaine) et/ou internationale.

CRC Lab est un laboratoire commun financé par le programme LabCom de l’ANR. Il associe l’entreprise CRC Services qui apportera son expertise métier et ses outils numériques pour la mutualisation et le pilotage des réseaux de transport et l’équipe MODéLIS (anciennement Systèmes Logistiques et de Production) du LS2N, spécialiste des algorithmes d’optimisation des transports et des problèmes de synchronisation dans les réseaux. D’une durée de quatre ans et demi, le projet finance une thèse, deux années de post-doc, deux stages et le fonctionnement du laboratoire commun. Le soutien ANR a pour objectif de pérenniser le partenariat entre IMT Atlantique et CRC Services.

Etat de l’art

L’optimisation des réseaux LTL (Less-Than-Truckload) ou « hub-and-spoke » comporte traditionnellement deux types de problématiques : sur les longues distances, les problématiques de conception de réseau de service cherchent à identifier les modes de transport à utiliser et les ressources à réserver pour satisfaire une demande issue d’une prévision [1]. Ce type de décision, initialement d’un niveau tactique, se rapproche de l’opérationnel avec la conception de plans de chargement, plus réalistes sur la traçabilité des mouvements de véhicules [2]. A l’échelle régionale, les problèmes de tournées de véhicules optimisent la livraison ou la collecte de marchandises depuis un dépôt ou un hub logistique [3]. L’approche traditionnelle d’optimisation du transport de marchandises est donc de considérer séquentiellement les problèmes de collecte, transport longue distance et livraison. Cela conduit la quasi-totalité des acteurs à adopter un fonctionnement cadencé assez rigide (par exemple collecte au jour J, consolidation et transport longue distance en J+1, livraison en J+2).

Cette approche a pour conséquence de "figer" les horaires de passage aux hubs logistiques et d’imposer des fenêtres horaires strictes à chaque échelon du réseau. Cela rend les plans de transport peu 'optimisables' par exemple pour le transport en messagerie avec des délais très courts. Pour réduire les pertes liées à cette décomposition et respecter des délais de plus en plus contraints, les réseaux sont de plus en plus considérés dans leur ensemble, présentant d'importants challenges en termes de consolidations et synchronisation entre véhicules ou modes de transport [4]–[6]. L’interdépendance [7] créée entre transports aux points de synchronisation représente un challenge considérable dans un contexte incertain. Par ailleurs, l’optimisation d’un réseau doit se concevoir sous l’angle multi-acteurs, intégrant producteurs, distributeurs, transporteurs et autres prestataires logistiques qui doivent être incités à collaborer pour réduire le coût et l’empreinte carbone du transport [8], [9].

L’optimisation sous incertitude a été étudiée sous de multiples paradigmes. Une quinzaine de communautés scientifiques proposent des formalismes de modélisation et des méthodes d’optimisation pour l’aide à la décision en présence de données incertaines [10]. Dans ces paradigmes, différents challenges sont formulés, incluant la modélisation des incertitudes, l’apprentissage à partir des données, et la conception de méthodes de résolution. Ce projet étudiera plus particulièrement l’incertitude sur les durées des opérations (transport et logistique) et les dates d’arrivées des commandes [11].

Dans un réseau de transport, la notion de synchromodalité traduit le passage successif des marchandises par plusieurs types de transport, synchronisés entre eux sur des hubs logistiques. Cette synchronisation entraîne un risque de propagation des perturbations, risque devant être intégré à la planification. De nombreux travaux s’intéressent aux aspects dynamiques et stochastiques en tournées de véhicules [11], [12], la notion de robustesse est également étudiée dans de nombreuses applications [13] et la propagation des perturbations dans un réseau a reçu une attention importante en transport aérien [14], mais peu de travaux proposent l’équivalent dans les réseaux LTL.

Les travaux les plus significatifs dans le domaine sont ceux de [15]-[17]. [17] propose un modèle de planification tactique de liaisons régulières. Le modèle planifie l’acquisition, la sous-traitance et l’allocation des ressources ainsi qu’un planning régulier des services. L’objectif est de minimiser le coût moyen d’exploitation du réseau en présence d’incertitudes sur les volumes transportés. Le problème est formulé comme un programme stochastique intégrant des stratégies de recours basées sur l’utilisation de la capacité du réseau et l’appel à la sous-traitance. Ce programme est résolu avec une math-heuristique basée sur la génération de colonnes. Les travaux [15,16] constituent également une piste intéressante sur le même type de réseau et avec une incertitude sur la demande. Une approche stochastique est proposée dans [16] pour construire un plan de chargement intégrant de la flexibilité et une approche dynamique est proposée dans [15] pour réagir aux aléas. Néanmoins, ces travaux n’intègrent pas la dimension temporelle de la planification, qui est pourtant clé dans les problématiques de synchronisation du transport. A notre connaissance, aucune contribution considérant des incertitudes n’intègre les transports régionaux et nationaux. Aucune solution de planification d’un réseau LTL n’intègre d’incertitude sur les durées de trajet et de service.

Sujet de thèse et missions

Au sein du CRC Lab et de l’équipe MODELIS, et en partenariat avec l’entreprise CRC Services, la personne recrutée aura pour mission de développer des modèles et algorithmes d’optimisation des réseaux de transport LTL sur deux grandes problématiques du CRC Lab :

  • La réservation et planification de moyens de transport dans un contexte de demande incertaine.
  • L’optimisation robuste du réseau vis-à-vis des aléas temporels.

Pour chacune de ces problématiques, le premier travail consistera à identification et caractériser les sources d’incertitude dans les réseaux de transport de marchandises. Le second objectif sera de proposer à la fois des algorithmes de planification dits a priori, ayant pour objectif de produire des solutions robustes aux aléas, et des algorithmes réactifs, permettant d’en minimiser l’impact.

En collaboration avec CRC Services et les autres chercheurs du projet, la personne recrutée participera à la réalisation de cas d’études intégrant les données de partenaires industriels et prospects de CRC Services. Elle sera impliquée dans l’intégration de ses algorithmes dans la plateforme CoLiVri, développée et commercialisée par CRC Services.

Les travaux seront présentés lors de conférences nationales et internationales du domaine et publiés dans des revues scientifiques reconnues.

Compétences requises

La personne recrutée devra :

  • être titulaire d’un master ou diplôme d’ingénieur ;
  • être capable de travail en équipe, dans un contexte académique, en relation étroite avec une entreprise ;
  • être autonome en programmation (C++, Java, Julia, Python,…) ;
  • avoir l’expérience de l’implémentation de modèles mathématiques, méthodes exactes et/ou de métaheuristiques pour des problèmes d’optimisation ;
  • avoir l’expérience des outils de l’analyse statistique et de l’apprentissage ;
  • être francophone et capable de communiquer ses travaux auprès de la communauté scientifique en anglais.

Une connaissance du monde de la logistique et du transport serait un plus.

Informations complémentaires

  • Contrat de 36 mois commençant entre octobre et décembre 2021 selon disponibilité de la personne recrutée.
  • Poste basé à IMT Atlantique, campus de Nantes.

Pour candidater :

  • Procédure de recrutement au fil de l’eau jusqu’à ce que le poste soit pourvu.
  • Candidature par email. Joindre une lettre de motivation, un CV détaillé, vos derniers bulletins de notes, éventuellement une liste de publications et une liste de 2 à 3 personnes référentes.

Contacts :

Olivier Péton : olivier.peton@imt-atlantique.fr  02 51 85 83 13

Fabien Lehuédé :  fabien.lehuede@imt-atlantique.fr  02 51 85 83 21

 

IMT Atlantique

https://www.imt-atlantique.fr

IMT Atlantique (Ecole Nationale Supérieure Mines-Télécom Atlantique Bretagne-Pays de la Loire) est une grande école d’ingénieur généraliste et un centre de recherche international dépendant du ministère en charge de l’industrie et du numérique. Issue de la fusion au 1er janvier 2017 de Télécom Bretagne et de Mines Nantes, c’est une école de l’Institut Mines-Télécom.

Le Département Automatique, Productique et Informatique (DAPI) de l’IMT Atlantique est basé sur le campus de Nantes. Il compte une centaine de personnes dont une quarantaine d’enseignants-chercheurs permanents. Les thématiques de recherche du département sont en Commande, Robotique, Génie industriel, Aide à la décision et Génie logiciel.

LS2N / Equipe MODéLIS

Le DAPI est partie prenante du LS2N (Laboratoire des Sciences du Numérique de Nantes, UMR CNRS 6004) dont l’École IMT Atlantique est l’une des tutelles.

Le candidat rejoindra l’équipe de recherche Modélisation, Optimisation et Décision pour la Logistique, l’Industrie et les Services (MODéLIS), du LS2N. Cette nouvelle équipe est issue de l’équipe Systèmes Logistiques et de Production (SLP) du laboratoire. MODéLIS développe des méthodes de recherche opérationnelle pour l'optimisation et l'aide à la décision en production et logistique. Elle cherche à résoudre à la fois des problèmes théoriques ouverts ou mal résolus et des problèmes de recherche appliquée liés à l'apparition de nouveaux enjeux, de nouvelles pratiques ou de données accessibles aux entreprises. Les chercheurs clés impliqués dans le CRC Lab seront Fabien Lehuédé (Professeur), Olivier Péton (Professeur, coordinateur de la proposition) et Maria Isabel Restrepo (Maître de Conférences). Ils sont tous trois membres de MODéLIS et du Département Automatique Productique Informatique (DAPI) à IMT Atlantique.

CRC Services

http://www.crc-services.com/

CRC Services est une entreprise (SAS) créée en décembre 2015 comme filiale de la société 4S Network, pour répondre à une attente du marché sur la mutualisation du transport de marchandises. Elle participe à la construction de l’internet physique des marchandises en France en développant de nouveaux services collaboratifs de mutualisation logistique, ouverts, dynamiques et accessibles à des acteurs de toutes tailles en mode « Plug & Play ». Ces nouveaux services visent à améliorer significativement la performance (€/CO2 et Service) du transport de marchandises puis logistique par filière, grâce au développement et à l’industrialisation d’une infrastructure numérique appliquées au domaine des chaînes logistiques. Le concept au centre de la stratégie de l’entreprise est le déploiement d’un réseau de plateformes logistiques CRC, qui sont des plateformes ouvertes appartenant à différents acteurs du transport. Ils permettent aux chargeurs de mutualiser leur transport de façon agile et industrialisée au sein d’un réseau pluriel mais structuré autour d’un fonctionnement commun.

Depuis 2016, CRC Services développe la plateforme web CoLivRi. Son équipe numérique est composée aujourd'hui de 5 personnes, comprenant développeurs web et experts en optimisation. CRC Services emploie depuis 2019 un doctorant Cifre (Gauthier Soleilhac) pour travailler sur les problématiques de transport sous-traité et intégrant des tournées de véhicules dans un réseau mutualisé. Les savoir-faire technologiques de la société sont le développement d’algorithmes d’optimisation, leur interfaçage et industrialisation, et le développement d’interfaces utilisateur agiles et ergonomiques, facilitant l’usage d’algorithmes. Ces savoir-faire ‘numériques’ sont au service des savoir-faire ‘métier’ de la société tels que l’organisation de modèles d’affaires innovants en logistique, transport et supply chain durable.

Les clients de l’offre CoLivRi sont des acteurs de la grande distribution en France (et ses partenaires logistiques) tels que Sodebo, Leroy Merlin, Kingfisher, MTA Transport, Henkel V33, Brunel, Ferrero…

CRC Services a gagné de nombreux prix pour le travail réalisé en partenariat avec ses clients, tels que : le Sirius de la meilleure coopération entre acteurs pour le projet de mutualisation entre les fournisseurs de produits dangereux pour les magasins Leroy Merlin, décerné par l’institut du commerce en 2018 ; le Sirius de la Supply Chain pour le projet d’optimisation des flux transport de Sodebo décerné par l’institut du commerce en 2019 ; le prix EVE de la “meilleure coopération entre acteurs” décerné par l’ADEME en 2020, pour les actions en faveur de la transition énergétique et écologique en collaboration avec Leroy Merlin et les fournisseurs de produits dangereux, dans le cadre du projet de mutualisation “Mut@Log” cité plus haut.

4S Network/CRC Services et le LS2N collaborent depuis plus de 10 ans sur des sujets d’optimisation des transports. Ils ont lancé ensemble deux thèses et trois ans et demi de post-doc et été partenaires de divers projets financés par le FUI ou l’ADEME.

 

Références

[1] T. G. Crainic, « Service network design in freight transportation », Eur. J. Oper. Res., vol. 122, no 2, p. 272?288, 2000

[2] Y. Zhang, « Improved Load Plan Design Through Integer Programming Based Local Search », Transp. Sci., vol. 47, no 3, p. 412?427, 2013.

[3] P. Toth et D. Vigo, Éd., Vehicle Routing. Philadelphia, PA: Society for Industrial and Applied Mathematics, 2014.

[4] R. Giusti, D. Manerba, G. Bruno, et R. Tadei, « Synchromodal logistics: An overview of critical success factors, enabling technologies, and open research issues », Transp. Res. Part E Logist. Transp. Rev., vol. 129, p. 92?110, 2019.

[5] G. Guastaroba, M. G. Speranza, et D. Vigo, « Intermediate Facilities in Freight Transportation Planning: A Survey », Transp. Sci., vol. 50, no 3, p. 763?789, 2016

[6]   J. Medina, M. Hewitt, F. Lehuédé, et O. Péton, « Integrating long-haul and local transportation planning: the Service Network Design and Routing Problem », EURO J. Transp. Logist., vol. 8, no 2, p. 119?145, 2019.

[7]   M. Drexl, « Synchronization in Vehicle Routing–A Survey of VRPs with Multiple Synchronization Constraints », Transp. Sci., vol. 46, no 3, p. 297–316, 2012.

[8]    M. Gansterer et R. F. Hartl, « Collaborative vehicle routing: A survey », Eur. J. Oper. Res., vol. 268, no 1, p. 1?12, 2018.

[9]    X. Tang, F. Lehuédé, O. Péton, et L. Pan, « Network design of a multi-period collaborative distribution system », Int. J. Mach. Learn. Cybern., p. 1–12, 2017.

[10]  W. B. Powell, « A unified framework for stochastic optimization », Eur. J. Oper. Res., vol. 275, no 3, p. 795?821, 2019.

[11]  V. Pillac, M. Gendreau, C. Guéret, et A. L. Medaglia, « A review of dynamic vehicle routing problems », Eur. J. Oper. Res., vol. 225, no 1, p. 1?11, 2013

[12]  M. W. Ulmer, J. C. Goodson, D. C. Mattfeld, et B. W. Thomas, « On modeling stochastic dynamic vehicle routing problems », EURO J. Transp. Logist., vol. 9, no 2, p. 100008, 2020.

[13]  V. Gabrel, C. Murat, et A. Thiele, « Recent advances in robust optimization: An overview », Eur. J. Oper. Res., vol. 235, no 3, p. 471?483, 2014.

[14]  J. Clausen, A. Larsen, J. Larsen, et N. J. Rezanova, « Disruption management in the airline industry—Concepts, models and methods », Comput. Oper. Res., vol. 37, no 5, p. 809?821, 2010.

[15]  A. Baubaid, N. Boland, et M. Savelsbergh, « The Dynamic Freight Routing Problem for Less-than-Truckload Carriers ». 2020.

[16]  A. Baubaid, N. Boland, et M. Savelsbergh, « The Value of Limited Flexibility in Service Network Designs », Transp. Sci.,  2020.

[17]  M. Hewitt, T. G. Crainic, M. Nowak, et W. Rei, « Scheduled service network design with resource acquisition and management under uncertainty », Transp. Res. Part B Methodol., vol. 128, p. 324?343, 2019.