Optimisation dynamique de la mobilité électrique connectée dans les réseaux logistiques multipartenaires // Dynamic optimization of connected electric mobility in multi-partner logistics networks

Face à la crise environnementale et écologique, la digitalisation des réseaux de distribution logistique devient essentielle pour répondre aux exigences de l'industrie 4.0 tout en réduisant l'impact environnemental.
Pour cela, il est important de limiter les émissions de carbone et d'optimiser les itinéraires afin d'améliorer l'efficacité logistique. Ce secteur consomme d'importantes ressources, notamment le carburant fossile des véhicules thermiques, ce qui entraîne des déchets significatifs. L'adoption des technologies écoresponsables, telles que les véhicules électriques (VEs), permet de renforcer la performance logistique et de contribuer activement à la lutte contre le réchauffement climatique. Toutefois, l'utilisation des VEs pose des contraintes comme la recharge, nécessitant des solutions adaptatives pour garantir la continuité du service. Il est donc indispensable de replanifier les itinéraires et de réallouer les ressources en temps réel face aux imprévus. La résilience, basée sur l'adaptabilité aux changements rapides, devient un pilier essentiel.
Ce projet de thèse porte sur l'optimisation dynamique des réseaux logistiques de distribution, en s'appuyant sur l'analyse de données en temps réel et le développement d'une plateforme multi-acteurs qui assure la confidentialité et la traçabilité des échanges. La blockchain y joue un rôle central, garantissant la transparence et la sécurité grâce à des contrats intelligents automatisés pouvant inclure des pénalités en cas de non-respect des délais, ce qui assure ainsi l'engagement de différentes parties. L'objectif principal de ce projet de thèse est de proposer des solutions intelligentes alliant l'optimisation et l'Intelligence Artificielle (IA) pour améliorer la planification logistique. Cela comprend l'automatisation du paramétrage des algorithmes et l'utilisation de modèles prédictifs pour s'adapter aux imprévus tels que les fluctuations de la demande et les besoins en recharge des VEs, tout en assurant la gestion sécurisée des données.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

...
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2025

Financement d'une collectivité locale ou territoriale

Université de Picardie - Jules Verne

585 Sciences, Technologie, Santé

Ingénieur/Master en informatique, recherche opérationnelle, mathématiques appliquées ou équivalent Intelligence artificielle, optimisation et programmation
Engineer/Master in Computer Sciences, Operations Research, Applied Mathematics or equivalent Artificial Intelligence, Optimization and Programming