Cette thèse s’inscrit dans le cadre des travaux menés par PSA Peugeot Citroën pour l’allègement de ses véhicules. Les optimisations masse multi-prestations réalisées sur le périmètre de la structure contribuent directement à cette démarche en recherchant une allocation d’épaisseurs de tôles à masse minimale qui respectent des spécifications physiques relatives à différentes prestations (choc, vibro-acoustique, etc.). Ces spécifications sont généralement évaluées à travers des modèles numériques à très haute-fidélité qui présentent des temps de restitution particulièrement élevés. Le recours à des fonctions de substitution, connues sous le nom de métamodèles, reste alors la seule alternative pour mener une étude d’optimisation tout en respectant les délais projet. Cependant la prestation qui nous intéresse, à savoir le choc frontal, présente quelques particularités (grande dimensionnalité, fortes non-linéarités, dispersions physique et numérique) qui rendent sa métamodélisation difficile.L’objectif de la thèse est alors de proposer une approche d’optimisation basée sur des métamodèles adaptatifs afin de dégager de nouveaux gains de masse. Cela passe par la prise en compte du choc frontal dont le caractère chaotique est exacerbé par la présence d’incertitudes. Nous proposons ainsi une méthode d’optimisation fiabiliste avec l’introduction de quantiles comme mesure de conservatisme. L’approche est basée sur des modèles de krigeage avec enrichissement adaptatif afin de réduire au mieux le nombre d’appels aux modèles éléments finis. Une application sur un véhicule complet permet de valider la méthode. / One of the most challenging tasks in modern engineering is that of keeping the cost of manufactured goods small. With the advent of computational design, prototyping for instance, a major source of expenses, is reduced to its bare essentials. In fact, through the use of high-fidelity models, engineers can predict the behaviors of the systems they design quite faithfully. To be fully realistic, such models must embed uncertainties that may affect the physical properties or operating conditions of the system. This PhD thesis deals with the constrained optimization of structures under uncertainties in the context of automotive design. The constraints are assessed through expensive finite element models. For practical purposes, such models are conveniently substituted by so-called surrogate models which stand as cheap and easy-to-evaluate proxies. In this PhD thesis, Gaussian process modeling and support vector machines are considered. Upon reviewing state-of-the-art techniques for optimization under uncertainties, we propose a novel formulation for reliability-based design optimization which relies on quantiles. The formal equivalence of this formulation with the traditional ones is proved. This approach is then coupled to surrogate modeling. Kriging is considered thanks to its built-in error estimate which makes it convenient to adaptive sampling strategies. Such an approach allows us to reduce the computational budget by running the true model only in regions that are of interest to optimization. We therefore propose a two-stage enrichment scheme. The first stage is aimed at globally reducing the Kriging epistemic uncertainty in the vicinity of the limit-state surface. The second one is performed within iterations of optimization so as to locally improve the quantile accuracy. The efficiency of this approach is demonstrated through comparison with benchmark results. An industrial application featuring a car under frontal impact is considered. The crash behavior of a car is indeed particularly affected by uncertainties. The proposed approach therefore allows us to find a reliable solution within a reduced number of calls to the true finite element model. For the extreme case where uncertainties trigger various crash scenarios of the car, it is proposed to rely on support vector machines for classification so as to predict the possible scenarios before metamodeling each of them separately.

Ce travail de thèse de doctorat est dédié à l'étude de problèmes d'optimisation combinatoire du domaine des architectures massivement parallèles avec la prise en compte des données incertaines tels que les temps d'exécution. On s'intéresse aux programmes sous contraintes probabilistes dont l'objectif est de trouver la meilleure solution qui soit réalisable avec un niveau de probabilité minimal garanti. Une analyse quantitative des données incertaines à traiter (variables aléatoires dépendantes, multimodales, multidimensionnelles, difficiles à caractériser avec des lois de distribution usuelles), nous a conduit à concevoir une méthode qui est non paramétrique, intitulée "approche binomiale robuste". Elle est valable quelle que soit la loi jointe et s'appuie sur l'optimisation robuste et sur des tests d'hypothèse statistique. On propose ensuite une méthodologie pour adapter des algorithmes de résolution de type approchée pour résoudre des problèmes stochastiques en intégrant l'approche binomiale robuste afin de vérifier la réalisabilité d'une solution. La pertinence pratique de notre démarche est enfin validée à travers deux problèmes issus de la compilation des applications de type flot de données pour les architectures manycore. Le premier problème traite du partitionnement stochastique de réseaux de processus sur un ensemble fixé de nœuds, en prenant en compte la charge de chaque nœud et les incertitudes affectant les poids des processus. Afin de trouver des solutions robustes, un algorithme par construction progressive à démarrages multiples a été proposé ce qui a permis d'évaluer le coût des solution et le gain en robustesse par rapport aux solutions déterministes du même problème. Le deuxième problème consiste à traiter de manière globale le placement et le routage des applications de type flot de données sur une architecture clustérisée. L'objectif est de placer les processus sur les clusters en s'assurant de la réalisabilité du routage des communications entre les tâches. Une heuristique de type GRASP a été conçue pour le cas déterministe, puis adaptée au cas stochastique clustérisé. / This PhD thesis is devoted to the study of combinatorial optimization problems related to massively parallel embedded architectures when taking into account uncertain data (e.g. execution time). Our focus is on chance constrained programs with the objective of finding the best solution which is feasible with a preset probability guarantee. A qualitative analysis of the uncertain data we have to treat (dependent random variables, multimodal, multidimensional, difficult to characterize through classical distributions) has lead us to design a non parametric method, the so-called "robust binomial approach", valid whatever the joint distribution and which is based on robust optimization and statistical hypothesis testing. We also propose a methodology for adapting approximate algorithms for solving stochastic problems by integrating the robust binomial approach when verifying for solution feasibility. The paractical relevance of our approach is validated through two problems arising in the compilation of dataflow application for manycore platforms. The first problem treats the stochastic partitioning of networks of processes on a fixed set of nodes, by taking into account the load of each node and the uncertainty affecting the weight of the processes. For finding stochastic solutions, a semi-greedy iterative algorithm has been proposed which allowed measuring the robustness and cost of the solutions with regard to those for the deterministic version of the problem. The second problem consists in studying the global placement and routing of dataflow applications on a clusterized architecture. The purpose being to place the processes on clusters such that it exists a feasible routing, a GRASP heuristic has been conceived first for the deterministic case and afterwards extended for the chance constrained variant of the problem.

Ce travail porte sur l’optimisation robuste des lignes de production au stade de la conception. La conception de telles lignes peut être interprétée comme un problème d’optimisation consistant à rechercher une configuration optimisant des objectifs individuels et à respecter les contraintes technologiques et économiques. Nous considérons deux types de lignes de production : l’assemblage et le transfert. Le premier peut être représenté comme un ensemble de stations ordonnées linéairement où les tâches sont exécutées de manière séquentielle. Le second type de ligne est constitué de machines de transfert comprenant plusieurs têtes multibroches. Toutes les tâches d’une même tête sont exécutées simultanément, tandis que les outils d’une machine fonctionnent en mode séquentiel. Nous décrivons différentes approches permettant de modéliser l’incertitude des données dans les problèmes d’équilibrage de ligne. Notre objectif est d’identifier les approches les mieux adaptées au contexte de la conception. En particulier, l’attention se concentre sur l’approche robuste. Nous proposons un nouveau critère d’optimisation basé sur le rayon de stabilité d’une solution réalisable. Ensuite, des formulations robustes sont présentées pour la conception des lignes d’assemblage et de transfert lorsque le temps de traitement des tâches est sujet à des incertitudes. Nous développons également des méthodes heuristiques dont les résultats sont utilisés pour renforcer les modèles mathématiques. Enfin, une nouvelle méthode de résolution hybride est élaborée pour résoudre différentes variantes des problèmes de maximisation du rayon de stabilité. / This work deals with a robust optimisation of production lines at the design stage. The design of such lines can be interpreted as an optimisation problem that consists in finding a configuration optimising individual objectives and respecting technological and economic constraints. We conside rtwo types of production lines: assembly and transfer lines. The first one can be represented as a set of linearly ordered stations where the tasks are executed sequentially. The second one is composed of transfer machines, including several multispindle heads. All tasks within a single head are executed simultaneously, while tools on a machine work in a sequential mode. We describe different approaches for modelling the uncertainty of data in line balancing problems. Our objective is to identify the approaches that best fit the context of the design. In particular, the attention concentrates on the robust approach. We propose a new optimisation criterion based on the stability radius of a feasible solution. Then, robust formulations are presented for the design of the assembly and transfer lines under variations of task processing times. We also develop heuristic methods whose results are used to improve mathematical models. Finally, a new hybrid resolution method is elaborated to solve different variants of the stability radius maximisation.

Cette thèse s'inscrit dans le cadre de la théorie de la décision algorithmique, qui est une discipline au croisement de la théorie de la décision, la recherche opérationnelle et l'intelligence artificielle. Dans cette thèse, nous étudions l'utilisation de plusieurs modèles décisionnels pour résoudre des problèmes de décision séquentielle dans l'incertain, d'optimisation robuste, et d'optimisation multi-agents équitable. Pour résoudre efficacement ces problèmes, nous utilisons des méthodes de type maître-esclaves, dites à base d'oracles dans la thèse. Ces méthodes permettent de résoudre des problèmes de grande taille en procédant de manière incrémentale. Une attention particulière est portée au modèle de l'espérance d'utilité antisymétrique et bilinéaire, au modèle de l'espérance d'utilité pondérée et à leurs pendants en décision multicritère. L'intérêt de ces modèles est multiple. En effet, ils étendent les modèles standards (e.g., modèle de l'espérance d'utilité) et permettent de représenter un spectre étendu de préférences tout en conservant leurs bonnes propriétés théoriques et algorithmiques. La thèse apporte des réponses sur des aspects théoriques (e.g., résultats de complexité algorithmique) et sur des aspects opérationnels (e.g., conception de méthodes de résolution efficaces) aux problèmes soulevés par l'emploi de ces critères dans les contextes susmentionnés. / This thesis falls within the area of algorithmic decision theory, which is at the crossroads between decision theory, operational research and artificial intelligence. In this thesis, we study several decision models to solve problems in different domains: sequential decision problems under risk, robust optimization problems, and fair multi-agent optimization problems. To solve these problems efficiently, we use master-slave algorithms which solve the problem through an incremental process. These procedures, referred to as oracle methods in the thesis, make it possible to solve problems of large size. A particular attention is given to the skew-symmetric bilinear utility model, the weighted expected utility model and their counterparts in multicriteria decision making. These models are interesting at several respects. They extend the standard models (e.g., the expected utility model) and allow to represent a broader class of preferences while retaining their good theoretical and algorithmic properties. The thesis focuses both on theoretic (e.g., complexity results) and operational (e.g., design of practically efficient solution methods) aspects of the problems raised by the use of these criteria in the domains aforementioned.

De nombreux problèmes de la vie réelle sont exprimés sous la forme de décisions à prendre à l’aide de l’information accessible dans le but d’atteindre certains objectifs. La programmation numérique a prouvé être un outil efficace pour modéliser et résoudre une grande variété de problèmes de ce type. Cependant, de nombreux problèmes en apparence faciles sont encore durs à résoudre. Et même des problèmes faciles de programmation linéaire deviennent durs avec l’incertitude de l’information disponible. Motivés par un problème de télécommunication où l’on doit associer des machines virtuelles à des serveurs tout en minimisant les coûts, nous avons employé plusieurs outils de programmation mathématique dans le but de résoudre efficacement le problème, et développé de nouveaux outils pour des problèmes plus généraux. Dans l’ensemble, résumons les principaux résultats de cette thèse comme suit. Une formulation exacte et plusieurs reformulations pour le problème d’affectation de machines virtuelles dans le cloud sont données. Nous utilisons plusieurs inégalités valides pour renforcer la formulation exacte, accélérant ainsi l’algorithme de résolution de manière significative. Nous donnons en outre un résultat géométrique sur la qualité de la borne lagrangienne montrant qu’elle est généralement beaucoup plus forte que la borne de la relaxation continue. Une hiérarchie de relaxation est également proposée en considérant une séquence de couverture de l’ensemble de la demande. Ensuite, nous introduisons une nouvelle formulation induite par les symétries du problème. Cette formulation permet de réduire considérablement le nombre de termes bilinéaires dans le modèle, et comme prévu, semble plus efficace que les modèles précédents. Deux approches sont développées pour la construction d’enveloppes convexes et concaves pour l’optimisation bilinéaire sur un hypercube. Nous établissons plusieurs connexions théoriques entre différentes techniques et nous discutons d’autres extensions possibles. Nous montrons que deux variantes de formulations pour approcher l’enveloppe convexe des fonctions bilinéaires sont équivalentes. Nous introduisons un nouveau paradigme sur les problèmes linéaires généraux avec des paramètres incertains. Nous proposons une hiérarchie convergente de problèmes d’optimisation robuste – approche robuste multipolaire, qui généralise les notions de robustesse statique, de robustesse d’affinement ajustable, et de robustesse entièrement ajustable. En outre, nous montrons que l’approche multipolaire peut générer une séquence de bornes supérieures et une séquence de bornes inférieures en même temps et les deux séquences convergent vers la valeur robuste des FARC sous certaines hypothèses modérées / Many real life problems are characterized by making decisions with current information to achieve certain objectives. Mathematical programming has been developed as a successful tool to model and solve a wide range of such problems. However, many seemingly easy problems remain challenging. And some easy problems such as linear programs can be difficult in the face of uncertainty. Motivated by a telecommunication problem where assignment decisions have to be made such that the cloud virtual machines are assigned to servers in a minimum-cost way, we employ several mathematical programming tools to solve the problem efficiently and develop new tools for general theoretical problems. In brief, our work can be summarized as follows. We provide an exact formulation and several reformulations on the cloud virtual machine assignment problem. Then several valid inequalities are used to strengthen the exact formulation, thereby accelerating the solution procedure significantly. In addition, an effective Lagrangian decomposition is proposed. We show that, the bounds providedby the proposed Lagrangian decomposition is strong, both theoretically and numerically. Finally, a symmetry-induced model is proposed which may reduce a large number of bilinear terms in some special cases. Motivated by the virtual machine assignment problem, we also investigate a couple of general methods on the approximation of convex and concave envelopes for bilinear optimization over a hypercube. We establish several theoretical connections between different techniques and prove the equivalence of two seeming different relaxed formulations. An interesting research direction is also discussed. To address issues of uncertainty, a novel paradigm on general linear problems with uncertain parameters are proposed. This paradigm, termed as multipolar robust optimization, generalizes notions of static robustness, affinely adjustable robustness, fully adjustable robustness and fills the gaps in-between. As consequences of this new paradigms, several known results are implied. Further, we prove that the multipolar approach can generate a sequence of upper bounds and a sequence of lower bounds at the same time and both sequences converge to the robust value of fully adjustable robust counterpart under some mild assumptions

Cette thèse est consacrée à l'étude des législations environnementales et leurs effets sur la chaîne d'approvisionnement. Plus précisément, nous nous intéressons à la législation basée sur le recyclage du produit mais aussi sur les normes de conformité (ROHS). Nous étudions le potentiel de réutilisation ainsi que les aspects environnementaux et économiques de différents systèmes de législation. La solution se présente sous forme d'une combinaison de politiques de récupération qui mène à de meilleurs résultats sur le plan écologique ainsi que sur le plan économique.Dans la deuxième partie de la thèse, Nous étudions la performance comparative des régimes à base sur la législation de récupération avec des problématiques d'innovation et de conception de produits. La politique de réutilisation des produits peut aggraver l’environnement si le cadre de la régulation n'est pas bien défini. Dans la dernière partie, une étude est menée sur le choix des produits dans une chaine d’approvisionnement avec des législations basées sur la récupération et sur la conformité des produits. Nous intégrons les effets de l'incertitude associée à la demande du marché et les paramètres de coût de récupération. Une méthode d'optimisation robuste pour la sélection et distribution des produits est présentée. / Climate change and global temperature rise has made environmental legislations a focal point of discussion. This dissertation is devoted to the study of environmental legislations and their effect on supply chain practices. More precisely, our center of interest is the product recovery based legislation along with compliance based regulations. We explore the reuse potential and the environmental and economical aspects of different product recovery based legislation schemes by modeling a stackelberg game between a social welfare maximizing policy maker and a profit maximizing monopolistic firm and find that a combination of existing recovery policies i.e., a recovery target in combination with incentive structure such as taxation/subsidy may lead to better outcomesnot only from environmental perspective but also from economical aspects. In Chapter 2, we extend the discussion comparative performance of the recovery legislation based schemes in presence of innovation and product design issues and show how unintended environmental outcomes may appear if the policy framework is not adequately designed. In Chapter 3, wecapture the effect of recovery legislation and compliance based legislation on product selection when a firm serves a number of markets. We incorporate the effects of uncertainty associated with market demands and recovery cost parameters and present a robust optimization based method for product selection and allocation decisions.

Les objectifs récents en ce qui concerne la durabilité des systèmes électriques et l'atténuation des menaces liées au changement climatique modifient la portée des exigences de planification de ces systèmes. D'une part, les systèmes durables d'énergie à faible émission de carbone qui comportent une part élevée de sources d'énergie renouvelables intermittentes(IRES) se caractérisent par une forte augmentation de la variabilité intertemporelle et nécessitent des systèmes flexibles capables d'assurer la sécurité de l'approvisionnement électrique. D'autre part, la fréquence et la gravité accrues des phénomènes climatiques extrêmes menacent la fiabilité du fonctionnement des réseaux électriques et exigent des systèmes résilients capables de résister à ces impacts potentiels. Tout en s'assurant que les incertitudes inhérentes au système sont bien prises en compte directement au moment de la prise des décisions de planification à long terme. Dans ce contexte, la présente thèse vise à développer une modélisation technicoéconomique et un cadre d'optimisation robuste pour la planification des systèmes électriques multi-périodes en considérant une part élevée d'IRES et la résilience aux phénomènes climatiques extrêmes. Le problème spécifique de planification considéré est celui du choix de la technologie, de la taille et du programme de mise en service des unités de production conventionnelles et renouvelables sous des contraintes techniques, économiques,environnementales et opérationnelles. Dans le cadre de ce problème, les principales questions de recherche à aborder sont : (i) l'intégration et l'évaluation appropriées des besoins de flexibilité opérationnelle en raison de la variabilité accrue des parts élevées de la production d'IRES, (ii) la modélisation et l'intégration appropriées des exigences de résilience contre les phénomènes climatiques extrêmes dans la planification du système électrique et (iii) le traitement des incertitudes inhérentes de l'offre et la demande dans ce cadre de planification. En résumé, les contributions originales de cette thèse sont :- Proposer un modèle de planification du système électrique intégré multi période avec des contraintes dynamiques et en considérant un pourcentage élevé de pénétration des énergies renouvelables.- Introduire la mesure du déficit de flexibilité prévu pour l'évaluation de la flexibilité opérationnelle.- Proposer un ensemble de modèles linéaires pour quantifier l'impact des vagues de chaleur extrêmes et de la disponibilité de l'eau sur le déclassement des unités de production d'énergie thermique et nucléaire, la production d'énergie renouvelable et la consommation électrique du système.- Présenter une méthode permettant d'intégrer explicitement l'impact des phénomènes climatiques extrêmes dans le modèle de planification du système électrique.- Traiter les incertitudes inhérentes aux paramètres de planification du système électrique par la mise en oeuvre d'un nouveau modèle d'optimisation adaptatif robuste à plusieurs phases.- Proposer une nouvelle méthode de solution basée sur l'approximation des règles de décision linéaires du modèle de planification robuste.- Appliquer le cadre proposé à des études de cas de taille pratique basées sur des projections climatiques réalistes et selon plusieurs scénarios de niveaux de pénétration des énergies renouvelables et de limites de carbone pour valider la pertinence de la modélisation globale pour des applications réelles. / Recent objectives for power systems sustainability and mitigation of climate change threats are modifying the breadth of power systems planning requirements. On one hand, sustainable low carbon power systems which have a high share of intermittent renewable energy sources (IRES) are characterized by a sharp increase in inter-temporal variability and require flexible systems able to cope and ensure the security of electricity supply. On the other hand, the increased frequency and severity of extreme weather events threatens the reliability of power systems operation and require resilient systems able to withstand those potential impacts. All of which while ensuring that the inherent system uncertainties are adequately accounted for directly at the issuance of the long-term planning decisions. In this context, the present thesis aims at developing a techno-economic modeling and robust optimization framework for multi-period power systems planning considering a high share of IRES and resilience against extreme weather events. The specific planning problem considered is that of selecting the technology choice, size and commissioning schedule of conventional and renewable generation units under technical, economic, environmental and operational constraints. Within this problem, key research questions to be addressed are: (i) the proper integration and assessment of the operational flexibility needs due to the increased variability of the high shares of IRES production, (ii) the appropriate modeling and incorporation of the resilience requirements against extreme weather events within the power system planning problem and (iii) the representation and treatment of the inherent uncertainties in the system supply and demand within this planning context. In summary, the original contributions of this thesis are: - Proposing a computationally efficient multiperiod integrated generation expansion planning and unit commitment model that accounts for key short-term constraints and chronological system representation to derive the planning decisions under a high share of renewable energy penetration. - Introducing the expected flexibility shortfall metric for operational flexibility assessment. - Proposing a set of piece-wise linear models to quantify the impact of extreme heat waves and water availability on the derating of thermal and nuclear power generation units, renewable generation production and system load. - Presenting a method for explicitly incorporating the impact of the extreme weather events in a modified power system planning model. - Treating the inherent uncertainties in the electric power system planning parameters via a novel implementation of a multi-stage adaptive robust optimization model. - Proposing a novel solution method based on ``information basis'' approximation for the linear decision rules of the affinely adjustable robust planning model. - Applying the framework proposed to a practical size case studies based on realistic climate projections and under several scenarios of renewable penetration levels and carbon limits to validate the relevance of the overall modeling for real applications.

Cette thèse traite de l'optimisation sous incertitude de fonctions coûteuses dans le cadre de la conception de systèmes aéronautiques.Nous développons dans un premier temps une stratégie d'optimisation robuste multiobjectifs par modèles de substitution. Au-delà de fournir une représentation plus rapide des fonctions initiales, ces modèles facilitent le calcul de la robustesse des solutions par rapport aux incertitudes du problème. L'erreur de modélisation est maîtrisée grâce à une approche originale d'enrichissement de plan d'expériences qui permet d'améliorer conjointement plusieurs modèles au niveau des régions de l'espace possiblement optimales.Elle est appliquée à la minimisation des émissions polluantes d'une chambre de combustion de turbomachine dont les injecteurs peuvent s'obstruer de façon imprévisible.Nous présentons ensuite une méthode heuristique dédiée à l'optimisation robuste multidisciplinaire. Elle repose sur une gestion locale de la robustesse au sein des disciplines exposées à des paramètres incertains, afin d'éviter la mise en place d'une propagation d'incertitudes complète à travers le système. Un critère d'applicabilité est proposé pour vérifier a posteriori le bien-fondé de cette approche à partir de données récoltées lors de l'optimisation. La méthode est mise en œuvre sur un cas de conception avion où la surface de l'empennage vertical n'est pas connue avec précision. / This PhD thesis deals with the optimization under uncertainty of expensive functions in the context of aeronautical systems design.First, we develop a multiobjective robust optimization strategy based on surrogate models.Beyond providing a faster representation of the initial functions, these models facilitate the computation of the solutions' robustness with respect to the problem uncertainties. The modeling error is controlled through a new design of experiments enrichment approach that allows improving several models concurrently in the possibly optimal regions of the search space. This strategy is applied to the pollutant emission minimization of a turbomachine combustion chamber whose injectors can clog unpredictably. We subsequently present a heuristic method dedicated to multidisciplinary robust optimization. It relies on local robustness management within disciplines exposed to uncertain parameters, in order to avoid the implementation of a full uncertainty propagation through the system. An applicability criterion is proposed to check the validity of this approach a posteriori using data collected during the optimization. This methodology is applied to an aircraft design case where the surface of the vertical tail is not known accurately.

Ce travail porte sur la modélisation et la résolution de problèmes d’optimisation robuste et multi-objectifs du transport multimodal. Après une synthèse des travaux de la littérature et des concepts de base de l’optimisation robuste et l’optimisation multi-objectif, nous proposons un nouveau modèle d’optimisation multi-objectif du transport multimodal des produits agricoles marocains vers des clients européens. L’objectif est de déterminer la meilleure stratégie d’exportation qui minimise simultanément le coût total de transport multimodal et l’overtime maximal en prenant en considération des contraintes réalistes. Nous proposons également des nouvelles approches de résolution avec une application sur un réseau de transport multimodal réel.Nous avons étudié une autre problématique du transport multimodal avec localisation de terminaux intermodaux. Outre la version déterministe, une optimisation robuste qui tient compte des incertitudes sur les capacités, les coûts d’utilisation et les coûts de transport. Deux approches hybrides ont été proposées pour la résolution du problème.Dans ces contributions, des modèles et des méthodes sont présentés, des remarques et des interprétations sont tirées à propos de l’impact de la périssabilité des produits et de la robustesse sur les flux, le choix des ports, des trajets et des modes de transport. / Because of the importance of multimodal transport for goods importation and exportation from Morocco to international customers, our goals are modeling and solving multimodal freight transportation problems by more focusing on some issues confronted by our country. After presenting the required mathematical background on robust and multiobjective optimization and surveying the literature works on multimodal transport problems, its variants and solution approaches; and instead of testing them only on traditional benchmarks; we dealt with new variants and methods. A multi-objective mathematical model is proposed to optimize the multimodal transport of agricultural products from Morocco to Europe. To solve this model adapted to a real network, two multiobjective version algorithms are presented in order to optimize simultaneously the total transportation cost and the over-time.Given the complexity of the global logistics chain by various operations and several stakeholders, the data of the problem may sometimes be ignored or uncompleted. That’s why we have developed a mathematical model for multimodal terminal location problem by integrating uncertainties of the transportation costs, the capacities and the using costs of terminals. A population based simulated annealing and a hybrid method combining an exact and a metaheuristic approaches are proposed to effectively solving the problem. The test is then performed on a real intermodal network. These contributions are concluded by remarks and highlights about the impact of perishability and robustness on flows, location strategies of ports, the choice of paths and transportation modes.

Le domaine de recherche de cette thèse est l'optimisation linéaire robuste en deux étapes. Nous sommes intéressés par des algorithmes d'exploration de sa structure et aussi pour ajouter des alternatives afin d'atténuer le conservatisme inhérent à une solution robuste. Nous développons des algorithmes qui incorporent ces alternatives et sont personnalisés pour fonctionner avec des exemples de problèmes à moyenne ou grande échelle. En faisant cela, nous expérimentons une approche holistique du conservatisme en optimisation linéaire robuste et nous rassemblons les dernières avancées dans des domaines tels que l'optimisation robuste basée sur les données, optimisation robuste par distribution et optimisation robuste adaptative. Nous appliquons ces algorithmes dans des applications définies du problème de conception / chargement du réseau, problème de planification, problème combinatoire min-max-min et problème d'affectation de la flotte aérienne. Nous montrons comment les algorithmes développés améliorent les performances par rapport aux implémentations précédentes. / The research scope of this thesis is two-stage robust linear optimization. We are interested in investigating algorithms that can explore its structure and also on adding alternatives to mitigate conservatism inherent to a robust solution. We develop algorithms that incorporate these alternatives and are customized to work with rather medium or large scale instances of problems. By doing this we experiment a holistic approach to conservatism in robust linear optimization and bring together the most recent advances in areas such as data-driven robust optimization, distributionally robust optimization and adaptive robust optimization. We apply these algorithms in defined applications of the network design/loading problem, the scheduling problem, a min-max-min combinatorial problem and the airline fleet assignment problem. We show how the algorithms developed improve performance when compared to previous implementations.