Optimisation Multi-objectifs pour le problème de ramassage multiple et livraison avec fenêtres de temps

Créée en 1981 et associée au CNRS depuis sa création, l’unité Heudiasyc (Heuristique et Diagnostic des Systèmes Complexes, UMR-CNRS 7253) est rattachée à CNRS Sciences Informatiques . Elle opère dans le champ des sciences et technologies de l’information, de la communication et des sciences informatiques, en particulier l’informatique, l’automatique, la robotique et l’intelligence artificielle.

Au sein du laboratoire Heudiasyc à Compiègne, en collaboration avec un partenaire industriel, des recherches ont été menées sur le problème de ramassage multiple et livraison avec fenêtres de temps (MPDPTW), une variante spécifique du Pickup and Delivery Problem with Time Windows (PDPTW). Ce problème vise à planifier les tournées de véhicules pour collecter des commandes réparties sur plusieurs points de ramassage, tout en garantissant une seule livraison par client et en respectant les contraintes de fenêtres de temps ainsi que les capacités des véhicules. Un travail de recherche en cours, mené dans le cadre d’une thèse CIFRE, a conduit au développement d’un framework permettant d’améliorer les résultats sur plusieurs instances de la littérature pour résoudre la version mono-objectif du MPDPTW, axée sur la minimisation des coûts logistiques. L’objectif principal de ce stage est de s’appuyer sur ce framework existant pour le développer vers une approche multi-objectifs intégrant des critères supplémentaires, adaptés aux contextes logistiques industriels.

Missions :
- Étude de l’état de l’art sur les approches multi-objectifs pour les problèmes logistiques.
- Extension du modèle et des algorithmes pour intégrer la dimension multi-objectifs.
- Implémentation et validation des solutions sur des instances de test.
- Analyse des performances et comparaison avec le cadre mono-objectif.

Le (La) candidat(e) devra être en dernière année de Master ou école d’ingénieur, spécialisé(e) en informatique ou en recherche opérationnelle, avec des compétences solides en :
- Optimisation combinatoire et programmation (C++, Python).
- Analyse de données et modélisation mathématique.
- Travail en équipe et communication scientifique.