Les décisions de localisation, de configuration et de définition des missions des centres de production et/ou de distribution sont des enjeux stratégiques pour le futur des entreprises manufacturières. La modélisation mathématique des réseaux logistiques a pour objectif de suggérer des décisions économiquement efficaces aux gestionnaires. Cependant, la transcription fidèle de ces enjeux en termes mathématiques conditionne la crédibilité et l’efficacité des solutions recommandées. Dès lors, l’élaboration de méthodologies réalistes apparaît être une des conditions de succès de toute formalisation. Cette thèse propose tout d’abord, une méthodologie générique réaliste de conception des réseaux logistiques pour les industries dont les procédés sont divergents. La méthodologie proposée est validée en l’appliquant à Virtu@l-Lumber, un cas virtuel mais réaliste de l’industrie du bois d’œuvre. Ensuite, une approche de positionnement par anticipation intégrant les préférences des clients est élaborée et expérimentée. Cette approche s’appuie sur un modèle de programmation stochastique avec recours. Au final, un modèle mathématique intégrateur combinant les concepts des deux méthodologies précédentes est formulé et son impact potentiel sur l’industrie du bois-d’œuvre est examiné à l’aide du cas Virtu@l-Lumber. / Strategic decisions on the location, the capacity, the layout, and the mission of production and distribution facilities are key drivers of manufacturing company’s competitiveness. The aim of supply chain design models is to recommend economically efficient decisions to the company’s administrator. The realism of the mathematical modeling of the aforementioned issues conditions the validity and the applicability of the prescribed solutions. The elaboration of realistic methodologies is thus one of the main success factors of decision support processes. This thesis first proposes a generic methodology to design the production-distribution network of divergent process industry companies. The approach is validated by applying it to Virtu@l-Lumber, a virtual but realistic case from the lumber industry. Second, an approach that takes into account market opportunities when designing production-distribution networks is proposed and tested. This approach is based on a stochastic programming with recourse model. Lastly, a mathematical model combining the two previous formulations is proposed and its potential impact on the lumber industry is investigated with the Virtu@l-Lumber case.

Les travaux de cette thèse portent sur la planification de la production multi-produits, multi-périodes avec des incertitudes de la qualité de la matière première et de la demande. Un modèle de programmation stochastique à deux étapes avec recours est tout d'abord proposé pour la prise en compte de la non-homogénéité de la matière première, et par conséquent, de l'aspect aléatoire des rendements de processus. Ces derniers sont modélisés sous forme de scénarios décrits par une distribution de probabilité stationnaire. La méthodologie adoptée est basée sur la méthode d'approximation par moyenne d'échantillonnage. L'approche est appliquée pour planifier la production dans une unité de sciage de bois et le modèle stochastique est validé par simulation de Monte Carlo. Les résultats numériques obtenus dans le cas d'une scierie de capacité moyenne montrent la viabilité de notre modèle stochastique, en comparaison au modèle équivalent déterministe. Ensuite, pour répondre aux préoccupations du preneur de décision en matière de robustesse, nous proposons deux modèles d'optimisation robuste utilisant chacun une mesure de variabilité du niveau de service différente. Un cadre de décision est développé pour choisir parmi les deux modèles d'optimisation robuste, en tenant compte du niveau du risque jugé acceptable quand à la variabilité du niveau de service. La supériorité de l'approche d'optimisation robuste, par rapport à la programmation stochastique, est confirmée dans le cas d'une usine de sciage de bois. Finalement, nous proposons un modèle de programmation stochastique qui tient compte à la fois du caractère aléatoire de la demande et du rendement. L'incertitude de la demande est modélisée par un processus stochastique dynamique qui est représenté par un arbre de scénarios. Des scénarios de rendement sont ensuite intégrés dans chaque noeud de l'arbre de scénarios de la demande, constituant ainsi un arbre hybride de scénarios. Nous proposons un modèle de programmation stochastique multi-étapes qui utilise un recours complet pour les scénarios de la demande et un recours simple pour les scénarios du rendement. Ce modèle est également appliqué au cas industriel d'une scierie et les résultats numériques obtenus montrent la supériorité du modèle stochastique multi- étapes, en comparaison avec le modèle équivalent déterministe et le modèle stochastique à deux étapes.

La croissance du commerce électronique exige une hausse des performances des systèmes d'entreposage, qui sont maintenant repensés pour faire face à un volume massif de demandes à être satisfait le plus rapidement possible. Le système manuel et le système à robots mobile (SRM) sont parmi les plus utilisés pour ces activités. Le premier est un système centré sur l'humain pour réaliser des opérations complexes que les robots actuels ne peuvent pas effectuer. Cependant, les nouvelles générations de robots autonomes mènent à un remplacement progressif par le dernier pour augmenter la productivité. Quel que soit le système utilisé, plusieurs problèmes interdépendants doivent être résolus pour avoir des processus de stockage et de prélèvement efficaces. Les problèmes de stockage concernent les décisions d'où stocker les produits dans l'entrepôt. Les problèmes de prélèvement incluent le regroupement des commandes à exécuter ensemble et les itinéraires que les cueilleurs et les robots doivent suivre pour récupérer les produits demandés. Dans le système manuel, ces problèmes sont traditionnellement résolus à l'aide de politiques simples que les préparateurs peuvent facilement suivre. Malgré l'utilisation de robots, la même stratégie de solution est répliquée aux problèmes équivalents trouvés dans le SRM. Dans cette recherche, nous étudions les problèmes de stockage et de prélèvement rencontrés lors de la conception du système manuel et du SRM. Nous développons des outils d'optimisation pour aider à la prise de décision pour mettre en place leurs processus, en améliorant les mesures de performance typiques de ces systèmes. Certains problèmes traditionnels sont résolus avec des techniques améliorées, tandis que d'autres sont intégrés pour être résolus ensemble au lieu d'optimiser chaque sous-système de manière indépendante. Nous considérons d'abord un système manuel avec un ensemble connu de commandes et intégrons les décisions de stockage et de routage. Le problème intégré et certaines variantes tenant compte des politiques de routage communes sont modélisés mathématiquement. Une métaheuristique générale de recherche de voisinage variable est présentée pour traiter des instances de taille réelle. Des expériences attestent de l'efficience de la métaheuristique proposée par rapport aux modèles exacts et aux politiques de stockage communes. Lorsque les demandes futures sont incertaines, il est courant d'utiliser une stratégie de zonage qui divise la zone de stockage en zones et attribue les produits les plus demandés aux meilleures zones. Les tailles des zones sont à déterminer. Généralement, des dimensions arbitraires sont choisies, mais elles ignorent les caractéristiques de l'entrepôt et des demandes. Nous abordons le problème de dimensionnement des zones pour déterminer quels facteurs sont pertinents pour choisir de meilleures tailles de zone. Les données générées à partir de simulations exhaustives sont utilisées pour trainer quatre modèles de régression d'apprentissage automatique - moindres carrés ordinaire, arbre de régression, forêt aléatoire et perceptron multicouche - afin de prédire les dimensions optimales des zones en fonction de l'ensemble de facteurs pertinents identifiés. Nous montrons que tous les modèles entraînés suggèrent des dimensions sur mesure des zones qui performent meilleur que les dimensions arbitraires couramment utilisées. Une autre approche pour résoudre les problèmes de stockage pour le système manuel et pour le SRM considère les corrélations entre les produits. L'idée est que les produits régulièrement demandés ensemble doivent être stockés près pour réduire les coûts de routage. Cette politique de stockage peut être modélisée comme une variante du problème d'affectation quadratique (PAQ). Le PAQ est un problème combinatoire traditionnel et l'un des plus difficiles à résoudre. Nous examinons les variantes les plus connues du PAQ et développons une puissante métaheuristique itérative de recherche tabou mémétique en parallèle capable de les résoudre. La métaheuristique proposée s'avère être parmi les plus performantes pour le PAQ et surpasse considérablement l'état de l'art pour ses variantes. Les SRM permettent de repositionner facilement les pods d'inventaire pendant les opérations, ce qui peut conduire à un processus de prélèvement plus économe en énergie. Nous intégrons les décisions de repositionnement des pods à l'attribution des commandes et à la sélection des pods à l'aide d'une stratégie de prélèvement par vague. Les pods sont réorganisés en tenant compte du moment et de l'endroit où ils devraient être demandés au futur. Nous résolvons ce problème en utilisant la programmation stochastique en tenant compte de l'incertitude sur les demandes futures et suggérons une matheuristique de recherche locale pour résoudre des instances de taille réelle. Nous montrons que notre schéma d'approximation moyenne de l'échantillon est efficace pour simuler les demandes futures puisque nos méthodes améliorent les solutions trouvées lorsque les vagues sont planifiées sans tenir compte de l'avenir. Cette thèse est structurée comme suit. Après un chapitre d'introduction, nous présentons une revue de la littérature sur le système manuel et le SRM, et les décisions communes prises pour mettre en place leurs processus de stockage et de prélèvement. Les quatre chapitres suivants détaillent les études pour le problème de stockage et de routage intégré, le problème de dimensionnement des zones, le PAQ et le problème de repositionnement de pod. Nos conclusions sont résumées dans le dernier chapitre. / The rising of e-commerce is demanding an increase in the performance of warehousing systems, which are being redesigned to deal with a mass volume of demands to be fulfilled as fast as possible. The manual system and the robotic mobile fulfillment system (RMFS) are among the most commonly used for these activities. The former is a human-centered system that handles complex operations that current robots cannot perform. However, newer generations of autonomous robots are leading to a gradual replacement by the latter to increase productivity. Regardless of the system used, several interdependent problems have to be solved to have efficient storage and picking processes. Storage problems concern decisions on where to store products within the warehouse. Picking problems include the batching of orders to be fulfilled together and the routes the pickers and robots should follow to retrieve the products demanded. In the manual system, these problems are traditionally solved using simple policies that pickers can easily follow. Despite using robots, the same solution strategy is being replicated to the equivalent problems found in the RMFS. In this research, we investigate storage and picking problems faced when designing manual and RMFS warehouses. We develop optimization tools to help in the decision-making process to set up their processes and improve typical performance measures considered in these systems. Some classic problems are solved with improved techniques, while others are integrated to be solved together instead of optimizing each subsystem sequentially. We first consider a manual system with a known set of orders and integrate storage and routing decisions. The integrated problem and some variants considering common routing policies are modeled mathematically. A general variable neighborhood search metaheuristic is presented to deal with real-size instances. Computational experiments attest to the effectiveness of the metaheuristic proposed compared to the exact models and common storage policies. When future demands are uncertain, it is common to use a zoning strategy to divide the storage area into zones and assign the most-demanded products to the best zones. Zone sizes are to be determined. Commonly, arbitrary sizes are chosen, which ignore the characteristics of the warehouse and the demands. We approach the zone sizing problem to determine which factors are relevant to choosing better zone sizes. Data generated from exhaustive simulations are used to train four machine learning regression models - ordinary least squares, regression tree, random forest, and multilayer perceptron - to predict the optimal zone sizes given the set of relevant factors identified. We show that all trained models suggest tailor-made zone sizes with better picking performance than the arbitrary ones commonly used. Another approach to solving storage problems, both in the manual and RMFS, considers the correlations between products. The idea is that products constantly demanded together should be stored closer to reduce routing costs. This storage policy can be modeled as a quadratic assignment problem (QAP) variant. The QAP is a traditional combinatorial problem and one of the hardest to solve. We survey the most traditional QAP variants and develop a powerful parallel memetic iterated tabu search metaheuristic capable of solving them. The proposed metaheuristic is shown to be among the best performing ones for the QAP and significantly outperforms the state-of-the-art for its variants. The RMFS allows easy repositioning of inventory pods during operations that can lead to a more energy-efficient picking process. We integrate pod repositioning decisions with order assignment and pod selection using a wave picking strategy such that pods are parked after being requested considering when and where they are expected to be requested next. We solve this integrated problem using stochastic programming considering the uncertainty about future demands and suggest a local search matheuristic to solve real-size instances. We show that our sample average approximation scheme is effective to simulate future demands since our methods improve solutions found when waves are planned without considering the future demands. This thesis is structured as follows. After an introductory chapter, we present a literature review on the manual and RMFS, and common decisions made to set up their storage and picking processes. The next four chapters detail the studies for the integrated storage and routing problem, the zone sizing problem, the QAP, and the pod repositioning problem. Our findings are summarized in the last chapter.

La présente thèse s'intéresse aux modèles d'allocation stratégiques d'actifs et à leurs applications pour la gestion des réserves financières des régimes de retraite par répartition, en particulier ceux partiellement provisionnés. L'étude de l'utilité des réserves pour un système par répartition et a fortiori de leur gestion reste un sujet peu exploré. Les hypothèses classiques sont parfois jugées trop restrictives pour décrire l'évolution complexe des réserves. De nouveaux modèles et de nouveaux résultats sont développés à trois niveaux : la génération de scénarios économiques (GSE), les techniques d'optimisation numérique et le choix de l'allocation stratégique optimale dans un contexte de gestion actif-passif (ALM). Dans le cadre de la génération de scénarios économiques et financiers, certains indicateurs de mesure de performance du GSE ont été étudiés. Par ailleurs, des améliorations par rapport à ce qui se pratique usuellement lors de la construction du GSE ont été apportées, notamment au niveau du choix de la matrice de corrélation entre les variables modélisées. Concernant le calibrage du GSE, un ensemble d'outils permettant l'estimation de ses différents paramètres a été présenté. Cette thèse a également accordé une attention particulière aux techniques numériques de recherche de l'optimum, qui demeurent des questions essentielles pour la mise en place d'un modèle d'allocation. Une réflexion sur un algorithme d'optimisation globale d'une fonction non convexe et bruitée a été développée. L'algorithme permet de moduler facilement, au moyen de deux paramètres, la réitération de tirages dans un voisinage des points solutions découverts, ou à l'inverse l'exploration de la fonction dans des zones encore peu explorées. Nous présentons ensuite des techniques novatrices d'ALM basées sur la programmation stochastique. Leur application a été développée pour le choix de l'allocation stratégique d'actifs des régimes de retraite par répartition partiellement provisionnés. Une nouvelle méthodologie pour la génération de l'arbre des scénarios a été adoptée à ce niveau. Enfin, une étude comparative du modèle d'ALM développé avec celui basé sur la stratégie Fixed-Mix a été effectuée. Différents tests de sensibilité ont été par ailleurs mis en place pour mesurer l'impact du changement de certaines variables clés d'entrée sur les résultats produits par notre modèle d'ALM.

Thèse numérisée par la Direction des bibliothèques de l'Université de Montréal.

Des stratégies d'approvisionnement pérennes sont nécessaires pour les gestionnaires de la chaîne d'approvisionnement afin de faire face aux incertitudes d’approvisionnement et de demande. La diminution des niveaux de service et l'augmentation simultanée des coûts de stockage sont les impacts les plus importants de ces incertitudes. Les perturbations peuvent être causées par des discontinuités de l’approvisionnement, de l'instabilité politique, des catastrophes naturelles et des grèves des employés. Elles pourraient avoir un effet important sur la performance de la chaîne d'approvisionnement. Pour faire face à de telles perturbations, les modèles d'optimisation des stocks doivent être adaptés pour couvrir une structure de réseau multi-échelons et envisager des stratégies d'approvisionnement alternatives telles que le transport latéral (lateral transshipment) et plusieurs sources d’approvisionnement. Dans ce travail, une approche de modélisation basée sur des scénarios est proposée pour résoudre un problème d'optimisation multi-échelons des stocks. En prenant en compte la demande stochastique et les incertitudes sur les capacités de production, le modèle minimise le coût opérationnel total (coûts de stockage, de transport et de retard) tout en optimisant la gestion des stocks et les flux des marchandises. Afin de faire face aux incertitudes, plusieurs échantillons de scénarios sont générés par Monte Carlo et les exemples correspondants d'approximation (SAA) des programmes sont résolus pour obtenir une politique de réponse adéquate au système d'inventaire en cas de perturbations. De nombreuses expériences numériques sont menées et les résultats permettent d'acquérir des connaissances sur l'impact des perturbations sur le coût total du réseau et le niveau de service. / Supply Chain Management (SCM) is an important part of most companies and applying the appropriate strategy is essential for managers in competitive industries and markets. In this context, Inventory Management plays a crucial role. Different inventory systems are widely used in practice. However, it is fundamentally difficult to optimize, especially in multi-echelon networks. A key challenge in managing inventory is dealing with uncertainties in supply and demand. The simultaneous decrease of customer service and increase of inventory-related costs are the most significant effects of such uncertainties. To deal with this pattern, supply chain managers need to establish more effective and more flexible sourcing and distribution strategies. In this thesis, a “framework to optimize inventory decisions in multi-echelon distribution networks under supply and demand uncertainty” is proposed. In the first part of the research work, multi-echelon distribution systems, subject to demand uncertainty, are studied. Such distribution systems are one of the most challenging inventory network topologies to analyze. The optimal inventory and sourcing policies for these systems are not yet unknown. We consider a basic type of distribution network with a single family product through a periodic review setting. Based on this property, a two-stage mixed integer programming approach is proposed to find the optimal inventory-related decisions considering the non-stationary demand pattern. The model, which is based on a Distribution Requirements Planning (DRP) approach, minimizes the expected total cost composed of the fixed allocation, inventory holding, procurement, transportation, and back-ordering costs. Alternative inventory optimization models, including the lateral transshipment strategy and multiple sourcing, are thus built, and the corresponding stochastic programs are solved using the sample average approximation method. Several problem instances are generated to validate the applicability of the model and to evaluate the benefit of lateral transshipments and multiple sourcing in reducing the expected total costs of the distribution network. An empirical investigation is also conducted to validate the numerical findings by using the case of a major French retailer’s distribution network. The second part of the research work is focused on the structure of the optimal inventory policy which is investigated under supply disruptions. A two-stage stochastic model is proposed to solve a capacitated multi-echelon inventory optimization problem considering a stochastic demand as well as uncertain throughput capacity and possible inventory losses, due to disruptions. The model minimizes the total cost, composed of fixed allocation cost, inventory holding, transportation and backordering costs by optimizing inventory policy and flow decisions. The inventory is controlled according to a reorder point order-up-to-level (s, S) policy. In order to deal with the uncertainties, several scenario samples are generated by Monte Carlo method. Corresponding sample average approximations programs are solved to obtain the adequate response policy to the inventory system under disruptions. In addition, extensive numerical experiments are conducted. The results enable insights to be gained into the impact of disruptions on the network total cost and service level. In both parts of the research, insights are offered which could be valuable for practitioners. Further research possibilities are also provided.

Le travail présenté dans cette thèse est motivé par le problème de gestion de transport de gaz naturel liquéfié (GNL) par cargo proposé par Total. Le gestion de portefeuille doit satisfaire toute les contraintes et faire arbitrage entre les différents marchés. Donc, il traduit mathématiquement un problème d'optimisation stochastique, dynamique et en nombre entiers. Cette thèse se compose de quatre parties: 1 Nous introduisons une méthode numérique pour résoudre le problème de relaxation continue. Nous nous appuyons sur la méthode de quantification pour discrétiser le processus et nous utilisons l'algorithme de programmation dynamique duale stochastique. Nous montrons la convergence de cette méthode numérique et donnons une analyse d'erreur sur la discrétisation par quantification. Des tests numériques sur le marché énergie sont fournis. 2 Nous étudions l'optimisation sous risque inverse en utilisant la "conditional value at risk (CVaR)" dans le critère. Nous montrons que notre algorithme est bien adapté pour cette formulation. De plus, nous utilisons la technique de changement de probabilité dans la programmation stochastique pour améliorer la simulation d'évènements rares. Des tests numériques similaire dans le cas risque neutre sont donnés en guise comparaison. 3 Nous étudions la sensibilité de la valeur de portefeuille par rapport aux divers paramètres dans le modèle de prix sur le marché. Nous proposons une méthode numérique pour calculer les valeurs de sensibilité qui est basée sur le théorème de Danskin. On fournit la convergence de valeur de sensibilité du problème discrétisé vers celui de problème continu. On donne également des tests de comparaison avec d'autres méthodes. 4 Enfin, nous nous concentrons sur le problème stochastique en nombre entier. La méthode de coupe intégralité est utilisée pour le problème en nombre entier. Nous montrons qu'il n'est possible de converger vers la solution entière à cause de non convexité et discontinuité de la fonction valeur. Nous appliquons une méthode heuristique et proposons des améliorations basées sur la méthode de coupe précédent. Des tests numérique sont donnés.

Le problème de partitionnement de graphe est un problème fondamental en optimisation combinatoire. Le problème revient à décomposer l'ensemble des nœuds d'un graphe en plusieurs sous-ensembles disjoints de nœuds (ou clusters), de sorte que la somme des poids des arêtes dont les extrémités se trouvent dans différents clusters est réduite au minimum. Dans cette thèse, nous étudions le problème de partitionnement de graphes avec des poids (non négatifs) sur les nœuds et un ensemble de contraintes supplémentaires sur les clusters (GPP-SC) précisant que la capacité totale (par exemple, le poids total des nœuds dans un cluster, la capacité totale sur les arêtes ayant au moins une extrémité dans un cluster) de chaque groupe ne doit pas dépasser une limite prédéfinie (appelée limite de capacité). Ceci diffère des variantes du problème de partitionnement de graphe le plus souvent abordées dans la littérature en ce que:_ Le nombre de clusters n'est pas imposé (et fait partie de la solution),_ Les poids des nœuds ne sont pas homogènes.Le sujet de ce travail est motivé par le problème de la répartition des tâches dans les structures multicœurs. Le but est de trouver un placement admissible de toutes les tâches sur les processeurs tout en respectant leur capacité de calcul et de minimiser le volume total de la communication inter-processeur. Ce problème peut être formulé comme un problème de partitionnement de graphe sous contraintes de type sac-à-dos (GPKC) sur des graphes peu denses, un cas particulier de GPP-SC. En outre, dans de telles applications, le cas des incertitudes sur les poids des nœuds (poids qui correspondent par exemple à la durée des tâches) doit être pris en compte.La première contribution de ce travail est de prendre en compte le caractère peu dense des graphes G = (V,E) typiques rencontrés dans nos applications. La plupart des modèles de programmation mathématique existants pour le partitionnement de graphe utilisent O(|V|^3) contraintes métriques pour modéliser les partitions de nœuds et donc supposent implicitement que G est un graphe complet. L'utilisation de ces contraintes métriques dans le cas où G n'est pas complet nécessite l'ajout de contraintes qui peuvent augmenter considérablement la taille du programme. Notre résultat montre que, pour le cas où G est un graphe peu dense, nous pouvons réduire le nombre de contraintes métriques à O(|V||E|) [1], [4]... / The graph partitioning problem is a fundamental problem in combinatorial optimization. The problem refers to partitioning the set of nodes of an edge weighted graph in several disjoint node subsets (or clusters), so that the sum of the weights of the edges whose end-nodes are in different clusters is minimized. In this thesis, we study the graph partitioning problem on graph with (non negative) node weights with additional set constraints on the clusters (GPP-SC) specifying that the total capacity (e.g. the total node weight, the total capacity over the edges having at least one end-node in the cluster) of each cluster should not exceed a specified limit (called capacity limit). This differs from the variants of graph partitioning problem most commonly addressed in the literature in that:-The number of clusters is not imposed (and is part of the solution),-The weights of the nodes are not homogeneous.The subject of the present work is motivated by the task allocation problem in multicore structures. The goal is to find a feasible placement of all tasks to processors while respecting their computing capacity and minimizing the total volume of interprocessor communication. This problem can be formulated as a graph partitioning problem under knapsack constraints (GPKC) on sparse graphs, a special case of GPP-SC. Moreover, in such applications, the case of uncertain node weights (weights correspond for example to task durations) has to be taken into account.The first contribution of the present work is to take into account the sparsity character of the graph G = (V,E). Most existing mathematical programming models for the graph partitioning problem use O(|V|^3) metric constraints to model the partition of nodes and thus implicitly assume that G is a complete graph. Using these metric constraints in the case where G is not complete requires adding edges and constraints which may greatly increase the size of the program. Our result shows that for the case where G is a sparse graph, we can reduce the number of metric constraints to O(|V||E|).The second contribution of present work is to compute lower bounds for large size graphs. We propose a new programming model for the graph partitioning problem that make use of only O(m) variables. The model contains cycle inequalities and all inequalities related to the paths in the graph to formulate the feasible partitions. Since there are an exponential number of constraints, solving the model needs a separation method to speed up the computation times. We propose such a separation method that use an all pair shortest path algorithm thus is polynomial time. Computational results show that our new model and method can give tight lower bounds for large size graphs of thousands of nodes.....

Les services de soins hospitaliers sont soumis à de nombreux évènements de natures aléatoires rendant leur gestion et leur pilotage difficiles. Ces difficultés organisationnelles reposent essentiellement sur l'incertitude permanente pesant sur les évolutions futurs, principalement en termes d'arrivées et de départs de patients. Pourtant, une prise en charge rapide et efficace des patients est primordiale pour des services tels que les urgences. Ces services doivent pouvoir placer rapidement leurs patients ce qui n'est possible uniquement si (i) les arrivées ont été anticipées et des places sont laissées vacantes dans les services pour recevoir les patients urgents et/ou (ii) le planning d'occupation des services est construit de telle manière que l'insertion d'un nouveau patient est facilitée.Notre objectif va être de gérer les flux de patients séjournant dans les services de courts-séjours de l'hôpital, depuis le choix d'admission d'un nouveau patient jusqu'à sa sortie, et ce, en s'inspirant des deux postulats précédant. A l'aide de modèles d'optimisation stochastique, une succession de problèmes de décisions, ayant pour but de garantir le bon fonctionnement des structures hospitalières, est résolue. Une hiérarchie en trois niveaux est appliquée pour résoudre le problème de gestion: 1. Planification des admissions des patients réguliers, 2. Affectation des patients aux unités de soins et insertion des urgences, 3. Affectation des patients d'un service aux chambres.Les études de cas sont basées sur les données d'un établissement partenaire, le Centre Hospitalier de Firminy (France). / Hospitals have to deals with a lot of random events making their management hard to realize. Those difficulties are mainly due to the uncertainty relative to future evolutions of demand, in particular in term of future arrivals and departures. Despite those difficulties, a fast and efficient hospitalization is required especially for some units like the emergency department. This department has to find quick solution to the problem of hospitalized of their patients. This can only be possible if (i) emergency arrivals are forecasted and so a bed is remaining free for them and/or (ii) the planning of beds occupation is made in a way allowing easy allocations of emergency patients.Our purpose is going to manage the patient flow in short stay unit (medicine and surgery) starting form the choice of an admission date for each patient until their discharge by keeping in mind the two previous assumptions. By using some stochastic optimization models, we solve a succession of decision problems in order to grant the good state of hospitals. Three level of decision are solved: 1. Admission scheduling for elective patients, 2. Patient assignment to hospital floors, 3. Patient assignment to rooms.Cases of study are based on data provided by a french hospital partner of this work, Firminy's Hospital Center

Mémoire numérisé par la Division de la gestion de documents et des archives de l'Université de Montréal.