La complexité du vivant est omniprésente à toutes les échelles : des interactions entre molécules individuelles aux réseaux d'interactions permettant à la cellule d'assurer ses fonctions vitales et de répondre aux stimuli. Cette thèse se veut être une application des outils de l'Automatique et de l'Informatique à certaines questions de la Biologie et Biochimie.<br />Pour cela, nous avons abordé le problème via deux aspects : le premier concerne la modélisation des interactions moléculaires en vue de prédire les modes de fixation et les affinités entre molécules. Puisque ces estimations nécessitent de considérer la flexibilité des acteurs, nous avons abordé, en premier lieu, la prédiction des conformations moléculaires qui reste un challenge majeur, caractérisé par ses aspects multimodal et de grandes dimensions. Nous avons alors développé une suite d'heuristiques autour d'un algorithme génétique central. Les paramètres de contrôle et les stratégies d'hybridation sont pilotés par un méta-algorithme permettant d'optimiser la recherche. En outre, des stratégies innovantes de parallélisation sur grilles d'ordinateurs ont été validées afin de réduire les temps de calculs. Enfin, pour entreprendre l'étude des conformations de plusieurs molécules, nous avons développé des algorithmes de criblage rapides basés sur la comparaison d'indices topologiques.<br />Nous avons également étudié un autre aspect en modélisant formellement certains graphes d'interactions, ceci à une toute autre échelle : celle des concentrations des molécules. Nous avons alors mis en évidence l'impact des modes d'interactions moléculaires sur la dynamique globale.

La simulation est de plus en plus utilisée dans les études de conception et d’organisation des systèmes complexes. Une étude par optimisation via simulation permet d’optimiser les paramètres d’un système afin d’obtenir les meilleures performances, estimés par la simulation. Toutefois, dans de nombreux systèmes complexes, certaines données sont incertaines (par exemple, les conditions opératoires du système ou le comportement des décideurs). En conséquence, même lorsque l’étude d’optimisation via simulation est réalisée avec le plus grand soin, les solutions obtenues peuvent se révéler inadaptées. Dans ce contexte, notre objectif est d’étudier comment optimiser, via simulation, un système afin qu’il continue d’être performant et robuste. L’étude bibliographique approfondie que nous avons menée montre que très peu de travaux en optimisation via simulation intègrent l’incertain et qu’ils peuvent être très limités dans leur capacité à fournir des solutions robustes en un temps de calcul raisonnable en particulier lorsque des métaheuristiques sont employées. Par ailleurs, la plupart des travaux existants délivrent une solution unique de conception performante du système et ne sont pas adaptés pour prendre en compte les aspects collaboratifs (groupe de décideurs). C’est pourquoi, nous avons proposé une approche originale connectant une recherche des solutions par optimisation évolutionniste multimodale et une évaluation des performances du système via simulation. Notre approche va permettre de fournir plusieurs alternatives performantes de conception d’un système et assez diversifiées pour acquérir aux décideurs une flexibilité dans le choix de la solution à implanter. De plus, nous avons exploité cette flexibilité pour intégrer, d’une part, les préférences individuelles des membres d’une équipe décisionnelle et, d’autre part, la présence de plusieurs environnements pour étudier la robustesse des solutions en un temps de traitement raisonnable par rapport à d’autres approches utilisant des méta heuristiques. Les approches proposées sont illustrées par l’optimisation d’une maille de supply chain. Grâce à cette application, nous avons montré qu’en plus de fournir un choix de solutions performantes pour dimensionner le système, nous pouvons proposer des solutions « collectivement acceptable » pour l’équipe décisionnelle et déterminer des solutions de conception robustes du système. Ces approches fournissent ainsi une flexibilité pour la phase de décision et contribuent à la prise en compte de l’incertitude dans l’optimisation via simulation d’un système. / Simulation is more and more used in studies of design and organization of complex systems. A simulation optimization study search for the system parameters that yield the best performance. However, in many complex systems, data can be uncertain (e.g., the operating conditions of the system or the behavior of decision makers). Therefore, even when the simulation optimization study is performed with the greatest care, the solutions may be inadequate. In this context, our goal is to study how to optimize, via simulation, a robust system. The extensive literature review we conducted shows that few simulation optimization approaches incorporate uncertainty and they can be very limited in their ability to provide robust solutions in a reasonable processing time, especially when metaheuristics are used. In addition, most existing approaches provide a single solution to the design problem and are not adapted to take into account the collaborative aspects (decision maker’s team). Therefore, we propose a novel approach connecting a search for solutions by evolutionary multimodal optimization and the evaluation of the system performance by simulation. Our approach allows to obtain a diverse set of designs that can be considered as efficient in terms of their performance and to provide decision-Makers with flexibility in the choice of the solution to implement. In addition, we use this flexibility to integrate first, the individual preferences of the members of decision maker’s team and secondly, the presence of multiple environments For studying the robustness of solutions in a reasonable processing time compared to other approaches based on metaheuristics. The proposed approaches are illustrated with an example of supply chain. With this application, we have shown that in addition to providing a choice of efficient solutions for sizing the system, we propose "collectively acceptable" solutions to the decision-Making team and we identify robust solutions. Then, these approaches provide flexibility to the decision phase and contribute to the consideration of uncertainty in the simulation optimization of the system.