Cette thèse est consacrée à l'étude de l’optimisation combinatoire multi-objective sous incertitudes. Plus particulièrement, nous abordons les problèmes multi-objectifs contenant des données floues qui sont exprimées par des nombres triangulaires floues. Pour faire face à ce type de problèmes, notre idée principale est d’étendre les concepts multi-objectifs classiques au contexte flou. Nous proposons, dans un premier temps, une nouvelle approche Pareto entre des objectifs flous (i.e. vecteurs des nombres triangulaires flous). Ensuite, nous étendons des méta-heuristiques basées sur Pareto afin de converger vers des solutions optimales floues. L’approche proposée est illustrée sur un problème bi-objectif de routage de véhicules avec des demandes floues. Dans le deuxième volet de ce travail, nous abordons l’aspect de robustesse dans le contexte multi-objectif flou en proposant une nouvelle méthodologie d’évaluation de robustesse des solutions. Finalement, les résultats expérimentaux sur des benchmarks flous du problème de routage de véhicules prouvent l’efficacité et la fiabilité de notre approche. / This thesis is devoted to the study of multi-objective combinatorial optimization under uncertainty. In particular, we address multi-objective problems with fuzzy data, in which fuzziness is expressed by fuzzy triangular numbers. To handle such problems, our main idea is to extend the classical multi-objective concepts to fuzzy context. To handle such problems, we proposed a new Pareto approach between fuzzy-valued objectives (i.e. vectors of triangular fuzzy numbers). Then, an extension of Pareto-based metaheuristics is suggested as resolution methods. The proposed approach is thereafter illustrated on a bi-objective vehicle routing problem with fuzzy demands. At the second stage, we address robustness aspect in the multi-objective fuzzy context by proposing a new methodology of robustness evaluation of solutions. Finally, the experimental results on fuzzy benchmarks of vehicle routing problem prove the effectiveness and reliability of our approach.

Le problème de routage de véhicules avec fenêtres de temps et routes multiples (MTVRPTW) est une généralisation du problème de routage de véhicules avec fenêtres de temps (VRPTW). Dans le MTVRPTW, on autorise un véhicule à effectuer plusieurs routes durant une période de planification, ce qui permet d'optimiser les transports lorsque le nombre de véhicules est limité et peu élevé. Nous proposons dans cette thèse la première méthode exacte permettant de résoudre ce problème. Notre modélisation prend la forme d'un problème de couverture des clients dont les variables sont des routes. Des contraintes d'exclusion mutuelle expriment la disponibilité des véhicules. Nous utilisons la Génération de Colonnes, avec un sous-problème effectuant, par programmation dynamique, une recherche de plus court chemin élémentaire contraint en ressources. Notre méthode de programmation dynamique tient compte des dépendances de plusieurs ressources grâce à la notion de label représentatif, et est ainsi plus efficace qu'une approche classique. La méthode de Génération de Colonnes est incluse dans un schéma de Branch and Price composé de deux types de branchement, l'un basé sur les arcs, l'autre sur la résolution d'un VRPTW. Nous avons mis en place diverses méthodes accélératrices spécifiques du MTVRPTW. Nous donnons les résultats de l'algorithme sur les instances de Solomon. Des résultats issus de méthodes exactes étaient disponibles dans la littérature pour le MTVRPTW avec durée limite sur les routes. Nous avons proposé un nouvel algorithme plus performant, et basé sur nos méthodes, pour cette variante du problème. / The multi-trip vehicle routing problem with time windows (MTVRPTW) is a generalization of the vehicle routing problem with time windows (VRPTW). In the MTVRPTW, one vehicle can perform several trips during a planning period. This allows optimizing the transport when the number of vehicles is limited and small.We propose here the first exact method for solving this problem.Our model is designed as a coverage problem for customers where the variables are trips. Mutual exclusion constraints express the availability of vehicles. We use a column generation scheme in which the sub-problem is an elementary shortest path problem with resource constraints (ESPPRC). Our dynamic programming method for ESPPRC takes into account dependencies of several resources through the concept of representative label. It is thus more efficient than a conventional approach. The column generation method is included in a Branch and Price scheme with two types of branching. One is based on arc selection, and the other on solving a VRPTW. We have implemented various accelerating methods which are specific to MTVRPTW. We give the results of our algorithm on Solomon instances.Results from exact methods were available in the literature for the MTVRPTW with time limit on the trips. We proposed a new and more efficient algorithm, based on our methods, to solve this variant of the problem.