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 oeuvre sur un cas de conception avion où la surface de l'empennage vertical n'est pas connue avec précision.

Dans cette Thèse, la conception robuste avec un modèle incertain d'un système électromécanique avec vibro-impact est fait. Le système électromécanique est constitué d'un chariot, dont le mouvement est excité par un moteur à courant continu et un marteau embarqué dans ce chariot. Le marteau est relié au chariot par un ressort non linéaire et par un amortisseur linéaire, de façon qu'un mouvement relatif existe entre eux. Une barrière flexible linéaire, placé à l'extérieur du chariot limite les mouvements de marteau. En raison du mouvement relatif entre le marteau et la barrière, impacts peuvent se produire entre ces deux éléments. Le modèle du système développé prend en compte l'influence du courant continu moteur dans le comportement dynamique du système. Certains paramètres du système sont incertains, tels comme les coefficients de rigidité et d'amortissement de la barrière flexible. L'objectif de la Thèse est de réaliser une optimisation de ce système électromécanique par rapport aux paramètres de conception afin de maximiser l'impact puissance sous la contrainte que la puissance électrique consommée par le moteur à courant continu est inférieure à une valeur maximale. Pour choisir les paramètres de conception dans le problème d'optimisation, une analyse de sensibilité a été réalisée afin de définir les paramètres du système les plus sensibles. L'optimisation est formulée dans le cadre de la conception robuste en raison de la présence d'incertitudes dans le modèle. Les lois de probabilités liées aux variables aléatoires du problème sont construites en utilisant le Principe du Maximum l'Entropie et les statistiques de la réponse stochastique du système sont calculées en utilisant la méthode de Monte Carlo. L'ensemble d'équations non linéaires sont présentés, et un solveur temporel adapté est développé. Le problème d'optimisation non linéaire stochastique est résolu pour différents niveaux d'incertitudes, et aussi pour le cas déterministe. Les résultats sont différents, ce qui montre l'importance de la modélisation stochastique / In this Thesis, the robust design with an uncertain model of a vibro-impact electromechanical system is done. The electromechanical system is composed of a cart, whose motion is excited by a DC motor (motor with continuous current), and an embarked hammer into this cart. The hammer is connected to the cart by a nonlinear spring component and by a linear damper, so that a relative motion exists between them. A linear flexible barrier, placed outside of the cart, constrains the hammer movements. Due to the relative movement between the hammer and the barrier, impacts can occur between these two elements. The developed model of the system takes into account the influence of the DC motor in the dynamic behavior of the system. Some system parameters are uncertain, such as the stiffness and the damping coefficients of the flexible barrier. The objective of the Thesis is to perform an optimization of this electromechanical system with respect to design parameters in order to maximize the impact power under the constraint that the electric power consumed by the DC motor is lower than a maximum value. To chose the design parameters in the optimization problem, an sensitivity analysis was performed in order to define the most sensitive system parameters. The optimization is formulated in the framework of robust design due to the presence of uncertainties in the model. The probability distributions of random variables are constructed using the Maximum Entropy Principle and statistics of the stochastic response of the system are computed using the Monte Carlo method. The set of nonlinear equations are presented, and an adapted time domain solver is developed. The stochastic nonlinear constrained design optimization problem is solved for different levels of uncertainties, and also for the deterministic case. The results are different and this show the importance of the stochastic modeling

La simulation numérique fiable des performances de turbines hydrauliques suppose : i) de pouvoir inclure dans les calculs RANS (Reynolds-Averaged Navier-Stokes) traditionnellement mis en œuvre l'effet des incertitudes qui existent en pratique sur les conditions d'entrée de l'écoulement; ii) de pouvoir faire appel à une stratégie de type SGE (Simulation des Grandes Echelles) pour améliorer la description des effets de la turbulence lorsque des écarts subsistent entre calculs RANS et résultats d'essai de référence même après prise en compte des incertitudes. Les présents travaux mettent en oeuvre une démarche non intrusive de quantification d'incertitude (NISP pour Non-Intrusive Spectral Projection) pour deux configurations d'intérêt pratique : un distributeur de turbine Francis avec débit et angle d'entrée incertains et un aspirateur de turbine bulbe avec conditions d'entrée (profils de vitesse,en particulier en proche paroi, et grandeurs turbulentes) incertaines. L'approche NISP est utilisée non seulement pour estimer la valeur moyenne et la variance de quantités d'intérêt mais également pour disposer d'une analyse de la variance qui permet d'identifier les incertitudes les plus influentes. Les simulations RANS, vérifiées par une démarche de convergence en maillage, ne permettent pas pour la plupart des configurations analysées d'expliquer les écarts calcul / expérience grâce à la prise en compte des incertitudes d'entrée.Nous mettons donc également en ouvre des simulations SGE en faisant appel à une stratégie originale d'évaluation de la qualité des maillages utilisés dans le cadre d'une démarche de vérification des calculs SGE. Pour une majorité des configurations analysées, la combinaison d'une stratégie SGE et d'une démarche de quantification des incertitudes permet de produire des résultats numériques fiables. La prise en compte des incertitudes d'entrée permet également de proposer une démarche d'optimisation robuste du distributeur de turbine Francis étudié. / The reliable numerical simulation of hydraulic turbines performance requires : i) to includeinto the conventional RANS computations the effect of the uncertainties existing in practiceon the inflow conditions; ii) to rely on a LES (Large Eddy Simulation) strategy to improve thedescription of turbulence effects when discrepancies between RANS computations and experimentskeep arising even though uncertainties are taken into account. The present workapplies a non-intrusive Uncertainty Quantification strategy (NISP for Non-Intrusive SpectralProjection) to two configurations of practical interest : a Francis turbine distributor, with uncertaininlet flow rate and angle, and a draft-tube of a bulb-type turbine with uncertain inflowconditions (velocity distributions, in particular close to the wall boundaries, and turbulentquantities). The NISP method is not only used to compute the mean value and variance ofquantities of interest, it is also applied to perform an analysis of the variance and identify inthis way the most influential uncertainties. The RANS simulations, verified through a gridconvergence approach, are such the discrepancies between computation and experimentcannot be explained by taking into account the inflow uncertainties for most of the configurationsunder study. Therefore, LES simulations are also performed and these simulations areverified using an original methodology for assessing the quality of the computational grids(since the grid-convergence concept is not relevant for LES). For most of the flows understudy, combining a SGE strategy with a UQ approach yields reliable numerical results. Takinginto account inflow uncertainties also allows to propose a robust optimization strategy forthe Francis turbine distributor under study.

Le génome est très organisé au sein du noyau cellulaire. Cette organisation et plus spécifiquement la localisation et la dynamique des gènes et chromosomes contribuent à l'expression génétique et la différenciation des cellules que ce soit dans le cas de pathologies ou non. L'exploration de cette organisation pourrait dans le futur aider à diagnostiquer et identifier de nouvelles cibles thérapeutiques. La conformation des chromosomes peut être analysée grâce au marquage ADN sur plusieurs sites et aux mesures de distances entre ces différents marquages fluorescents. Dans ce contexte, l'organisation spatiale du chromosome III de levure a montré que les deux types de cellules, MATa et MATalpha, sont différents. Par contre, les données issues de l'imagerie electronique sont bruitées à cause de la résolution des systèmes de microscope et du fait du caractère vivant des cellules observées. Dans cette thèse, nous nous intéressons au développement de méthodes de classification pour différencier les types de cellules sur la base de mesures de distances entre 3 loci du chromosome III et d'une estimation du bruit. Dans un premier temps, nous nous intéressons de façon générale aux problèmes de classification binaire à l'aide de SVM de grandes tailles et passons en revue les algorithmes d'optimisation stochastiques du premier ordre. Afin de prendre en compte les incertudes, nous proposons un modèle d'apprentissage qui ajuste sa robustesse en fonction du bruit. La méthode évite les situations où le modèle est trop conservatif et que l'on rencontre parfois avec les formulations SVM robustes. L'amplitude des pertubations liées au bruit qui sont incorporées dans le modèle est controllée par l'optimisation d'une erreur de généralisation. Aucune hypothèse n'est faite sur la distribution de probabilité du bruit. Seule une borne estimée des pertubations est nécessaire. Le problème peut s'écrire sous la forme d'un programme biniveaux de grande taille. Afin de le résoudre, nous proposons un algorithme biniveau qui réalise des déplacements stochastiques très peu coûteux et donc adapté aux problèmes de grandes tailles. La convergence de l'algorithme est prouvée pour une classe générale de problèmes. Nous présentons des résultats numériques très encourageants qui confirment que la technique est meilleure que l'approche SOCP (Second Order Cone Programming) pour plusieurs bases de données publiques. Les expériences numériques montrent également que la nonlinéarité additionnelle générée par l'incertitude sur les données pénalise la classification des chromosomes et motivent des recherches futures sur une version nonlinéaire de la technique proposée. Enfin, nous présentons également des résultats numériques de l'algorithme biniveau stochastique pour la sélection automatique de l'hyperparamètre de pénalité dans les SVM. L'approche évite les coûteux calculs que l'on doit inévitablement réaliser lorsque l'on effectue une validation croisée sur des problèmes de grandes tailles. / The genome is highly organized within the cell nucleus. This organization, in particular the localization and dynamics of genes and chromosomes, is known to contribute to gene expression and cell differentiation in normal and pathological contexts. The exploration of this organization may help to diagnose disease and to identify new therapeutic targets. Conformation of chromosomes can be analyzed by distance measurements of distinct fluorescently labeled DNA sites. In this context, the spatial organization of yeast chromosome III was shown to differ between two cell types, MATa and MATa. However, imaging data are subject to noise, due to microscope resolution and the living state of yeast cells. In this thesis, the aim is to develop new classification methods to discriminate two mating types of yeast cells based on distance measurements between three loci on chromosome III aided by estimation the bound of the perturbations. We first address the issue of solving large scale SVM binary classification problems and review state of the art first order optimization stochastic algorithms. To deal with uncertainty, we propose a learning model that adjusts its robustness to noise. The method avoids over conservative situations that can be encountered with worst case robust support vector machine formulations. The magnitude of the noise perturbations that is incorporated in the model is controlled by optimizing a generalization error. No assumption on the distribution of noise is taken. Only rough estimates of perturbations bounds are required. The resulting problem is a large scale bi-level program. To solve it, we propose a bi-level algorithm that performs very cheap stochastic gradient moves and is therefore well suited to large datasets. The convergence is proven for a class of general problems. We present encouraging experimental results confirming that the technique outperforms robust second order cone programming formulations on public datasets. The experiments also show that the extra nonlinearity generated by the uncertainty in the data penalizes the classification of chromosome data and advocates for further research on nonlinear robust models. Additionally, we provide the experimenting results of the bilevel stochastic algorithm used to perform automatic selection of the penalty parameter in linear and non-linear support vector machines. This approach avoids expensive computations that usually arise in k-fold cross validation.

L'objectif de ce travail de thèse est de poser, d'analyser et de résoudre le problème multidisciplinaire et multi-objectif de la conception d'avions plus écologiques et plus économiques. Dans ce but, les principaux drivers de l'optimisation des performances d'un avion seront: la géométrie de l'avion, son moteur ainsi que son profil de mission, autrement dit sa trajectoire. Les objectifs à minimiser considérés sont la consommation de carburant, l'impact climatique et le coût d'opération de l'avion. L'étude sera axée sur la stratégie de recherche de compromis entre ces objectifs, afin d'identifier les configurations d'avions optimales selon le critère sélectionné et de proposer une analyse de ces résultats. L'incertitude présente au niveau des modèles utilisés sera prise en compte par des méthodes rigoureusement sélectionnées. Une configuration d'avion hybride est proposée pour atteindre l'objectif de réduction d'impact climatique. / The objective of this PhD work is to pose, investigate, and solve the highly multidisciplinary and multiobjective problem of environmentally efficient aircraft design and operation. In this purpose, the main three drivers for optimizing the environmental performance of an aircraft are the airframe, the engine, and the mission profiles. The figures of merit, which will be considered for optimization, are fuel burn, local emissions, global emissions, and climate impact (noise excluded). The study will be focused on finding efficient compromise strategies and identifying the most powerful design architectures and design driver combinations for improvement of environmental performances. The modeling uncertainty will be considered thanks to rigorously selected methods. A hybrid aircraft configuration is proposed to reach the climatic impact reduction objective.

Le travail présenté dans ce mémoire de thèse concerne la gestion de la consommation et de la production d'énergie électrique dans les bâtiments. Le problème de gestion d'énergie est modélisé sous forme de programme linéaire mixte. Le travail présenté dans ce mémoire propose des outils qui permettent de prendre en compte les incertitudes dans l'optimisation des flux d'énergie dans l'habitat. Dans un premier temps les incertitudes à prendre en compte sont étudiées. Nous distinguons 2 types d'incertitudes : les incertitudes paramétriques qui concernent le caractère imprécis des coefficients du modèle (prévisions météorologiques, paramètres des modèles, demande prévisionnelle d'énergie…) et les incertitudes d'occurrence qui sont liées aux actions directes de l'usager sur sa consommation d'énergie. Une approche d'optimisation robuste s'appuyant sur une formulation présentée par Bertsimas et Sim pour la programmation linéaire robuste est proposée pour prendre en compte les incertitudes paramétriques. Une procédure d'optimisation en deux étapes, basée sur la programmation stochastique, est proposée pour anticiper les possibilités de démarrage des services pilotés par l'usager. Cette procédure apporte une réponse aux incertitudes d'occurrence en permettant de prendre en compte les consommations d'énergie qui ne sont pas pilotées par le système d'optimisation. Différents exemples d'appartements sont utilisés pour illustrer la validité des méthodes proposées. Différents scénarios de tarification de l'énergie sont également étudiés. / This PhD dissertation concerns the power management in buildings. The problem of power management is modeled as a mixed linear program. The work presented in this thesis aims to take into account the uncertainties in the optimization of energy flow in the buildings. The uncertainties are analyzed and two types of uncertainty are identified: parametric uncertainties concerning the vagueness of the parameters (weather forecasts, energy demand forecast ...) and the occurrence uncertainties that are related to uncontrollable actions of the user. A robust optimization approach based on a formulation presented by Bertsimas and Sim for robust linear programming is proposed to take into account the parametric uncertainties. An optimization procedure in two stages, based on stochastic programming, is proposed to answer the occurrence uncertainties. This procedure allows to take into account the energy consumption that is not driven by the management system. The proposed methods have been illustrated on various examples of dwellings. Different energy pricing are addressed.

L'incertitude a été toujours présente dans les problèmes d'optimisation. Dans ce travail, nous nous intéressons aux problèmes d'optimisation multi-niveaux où l'incertitude apparaît très naturellement. Les problèmes d'optimisation multi-niveaux avec incertitude ont suscité un intérêt à la fois théorique et pratique. L'optimisation robuste fait partie des méthodes les plus étudiées pour traiter ces problèmes. En optimisation robuste, nous cherchons une solution qui optimise la fonction objective pour le pire scénario appartenant à un ensemble d'incertitude donné. Les problèmes d'optimisation robuste multi-niveaux sont difficiles à résoudre, même de façon heuristique. Dans cette thèse, nous abordons les problèmes d'optimisation robuste à travers le prisme des méthodes de décomposition. Ces méthodes décomposent le problème en un problème maître (MP) et plusieurs problèmes satellites de séparation (AP). Dans ce contexte, les solutions et les relaxations heuristiques ont une importance particulière. Même pour les problèmes d'optimisation combinatoires, les relaxations sont importantes pour analyser l'écart de l'optimalité des solutions heuristiques. Un autre aspect important est l'utilisation des heuristiques comme integrés dans une méthode exacte. Les principales contributions de ce travail sont les suivantes. Premièrement, nous proposons une nouvelle relaxation pour les problèmes multi-niveaux basée sur l’approche dite d’information parfaite dans le domaine de l’optimisation stochastique. L'idée principale derrière cette méthode est d'éliminer les contraintes de non anticipativité du modèle pour obtenir un problème plus simple. Nous pouvons ensuite fournir des algorithmes combinatoires ad-hoc et des formulations de programmation mixte en nombres entiers compactes pour ce problème. Deuxièmement, nous proposons de nouveaux algorithmes de programmation dynamique pour résoudre les problèmes satellites apparaissant dans une classe spécifique de problèmes robustes pour un ensemble d'incertitude de type budget. Ce type d'incertitude est basé sur le nombre maximum d'écarts autorisés et leur taille. Ces algorithmes peuvent être appliqués à des problèmes de lot-sizing et à des problèmes de tournées de véhicules. Enfin, nous proposons un modèle robuste pour un problème lié à l’installation équitable de capteurs. Ce modèle fait le lien entre l'optimisation robuste et l'optimisation stochastique avec contraintes probabilistes ambigües. / Uncertainty has always been present in optimization problems, and it arises even more severely in multistage optimization problems. Multistage optimization problems underuncertainty have attracted interest from both the theoretical and the practical level.Robust optimization stands among the most established methodologies for dealing with such problems. In robust optimization, we look for a solution that optimizes the objective function for the worst possible scenario, in a given uncertainty set. Robust multi-stage optimization problems are hard to solve even heuristically. In this thesis, we address robust optimization problems through the lens of decompositions methods. These methods are based on the decomposition of the robust problem into a master problem (MP) and several adversarial separation problems (APs). The master problem contains the original robust constraints, however, written only for finite numbers of scenarios. Additional scenarios are generated on the y by solving the APs. In this context, heuristic solutions and relaxations have a particular importance. Similarly to combinatorial optimization problems, relaxations are important to analyze the optimality gap of heuristic solutions. Heuristic solutions represent a substantial gain from the computational viewpoint, especially when used to solve the separation problem. Because the adversarial problems must be solved several times, good heuristic solution may avoid the exact solution of the APs. The main contributions of this work are three-fold. First, we propose a new relaxation for multi-stage problems based on the approach named perfect information in the field of stochastic optimization. The main idea behind this method is to remove nonanticipativity constraints from the model to obtain a simpler problem for which we can provide ad-hoc combinatorial algorithms and compact mixed integer programming formulations. Second, we propose new dynamic programming algorithms to solve the APs for robust problems involving budgeted uncertainty, which are based on the maximum number of deviations allowed and on the size of the deviations. These algorithms can be applied to lot-sizing problems and vehicle routing problems among others. Finally, we study the robust equitable sensor location problem. We make the connection between the robust optimization and the stochastic programming with ambiguous probabilistic constraints. We propose linear models for several variants of the problem together withnumerical results.

La plupart des exercices d’analyse de politiques climatiques ou énergétiques font appelà des modèles dits "d’évaluation intégrée" (MEIs). Ces modèles économie-énergie-climat sont des modèles numériques pluridisciplinaires destinés à étudier lesquestions liées au changement climatique et à sa gestion. Socles d’une accumulationde connaissance, ils ont une visée prospective et aident à traduire les débatsqualitatifs des instances de décisions nationales et internationales en un ensemble dedonnées quantitatives, scientifiquement vérifiables. Leur faible capacité à prendre encompte les incertitudes inhérentes à tout exercice de prospective mais aussi leur tropgrande complexité expliquent pourquoi ces MEIs sont si souvent décriés et leurutilisation remise en question.Ce constat a guidé nos travaux dont l’objectif était de contribuer à améliorer larobustesse des MEIs, afin de renforcer la pertinence de leur utilisation pour l’analysede l’impact de politiques économiques sur le climat-énergie. Nous avons d’abordexaminé comment ces modèles participent aux débats sur le changement climatique etcomment améliorer leur utilisation. Nous avons retracé la genèse de ces modèles etleur évolution et analysé les principales critiques qui leur sont adressées. Dans unsecond temps, nous nous sommes focalisés sur l’un des principaux reproches faits auxMEIs : le traitement de l’incertitude. Sur la base de ces analyses, nous avons mis enoeuvre une approche récente de traitement des problèmes d’incertitude paramétrique:l’optimisation robuste, méthode encore très peu utilisée dans le cadre d’étudesprospectives. / Energy-economy and energy-economy-environment models are widely used to assessenergy and climate policies. Developed during the last forty years, these models allowthe study of the interactions between the energy-transport system, the economy andthe climate system. These interactions are very complex as they involve linkages,feedback loops and delays that are not perfectly known and that take place over a longtime horizon.This complexity along with the large uncertainties weighing on the model parametersand main assumptions explain why the use of models in the policy debate, (where themodels address issues on climate change scenarios and on energy planning), is largelycriticized.Based on this observation, our work aimed primarily at increasing the robustness ofthese models, to reinforce the relevance of their use to evaluate economic policyimpacts. At first, we examine how these models should be used to contributeeffectively to the climate and energy policy analysis debate. We review the evolution ofthe modeling practice and question it, discussing its relevance. We then focus on theuncertainty treatment and on the basis of this review, we implement an alternativeway of considering parameter uncertainty when "modeling the future" using robustoptimization.

Dans cette Thèse, la conception robuste avec un modèle incertain d'un système électromécanique avec vibro-impact est fait. Le système électromécanique est constitué d'un chariot, dont le mouvement est excité par un moteur à courant continu et un marteau embarqué dans ce chariot. Le marteau est relié au chariot par un ressort non linéaire et par un amortisseur linéaire, de façon qu'un mouvement relatif existe entre eux. Une barrière flexible linéaire, placé à l'extérieur du chariot limite les mouvements de marteau. En raison du mouvement relatif entre le marteau et la barrière, impacts peuvent se produire entre ces deux éléments. Le modèle du système développé prend en compte l'influence du courant continu moteur dans le comportement dynamique du système. Certains paramètres du système sont incertains, tels comme les coefficients de rigidité et d'amortissement de la barrière flexible. L'objectif de la Thèse est de réaliser une optimisation de ce système électromécanique par rapport aux paramètres de conception afin de maximiser l'impact puissance sous la contrainte que la puissance électrique consommée par le moteur à courant continu est inférieure à une valeur maximale. Pour choisir les paramètres de conception dans le problème d'optimisation, une analyse de sensibilité a été réalisée afin de définir les paramètres du système les plus sensibles. L'optimisation est formulée dans le cadre de la conception robuste en raison de la présence d'incertitudes dans le modèle. Les lois de probabilités liées aux variables aléatoires du problème sont construites en utilisant le Principe du Maximum l'Entropie et les statistiques de la réponse stochastique du système sont calculées en utilisant la méthode de Monte Carlo. L'ensemble d'équations non linéaires sont présentés, et un solveur temporel adapté est développé. Le problème d'optimisation non linéaire stochastique est résolu pour différents niveaux d'incertitudes, et aussi pour le cas déterministe. Les résultats sont différents, ce qui montre l'importance de la modélisation stochastique / In this Thesis, the robust design with an uncertain model of a vibro-impact electromechanical system is done. The electromechanical system is composed of a cart, whose motion is excited by a DC motor (motor with continuous current), and an embarked hammer into this cart. The hammer is connected to the cart by a nonlinear spring component and by a linear damper, so that a relative motion exists between them. A linear flexible barrier, placed outside of the cart, constrains the hammer movements. Due to the relative movement between the hammer and the barrier, impacts can occur between these two elements. The developed model of the system takes into account the influence of the DC motor in the dynamic behavior of the system. Some system parameters are uncertain, such as the stiffness and the damping coefficients of the flexible barrier. The objective of the Thesis is to perform an optimization of this electromechanical system with respect to design parameters in order to maximize the impact power under the constraint that the electric power consumed by the DC motor is lower than a maximum value. To chose the design parameters in the optimization problem, an sensitivity analysis was performed in order to define the most sensitive system parameters. The optimization is formulated in the framework of robust design due to the presence of uncertainties in the model. The probability distributions of random variables are constructed using the Maximum Entropy Principle and statistics of the stochastic response of the system are computed using the Monte Carlo method. The set of nonlinear equations are presented, and an adapted time domain solver is developed. The stochastic nonlinear constrained design optimization problem is solved for different levels of uncertainties, and also for the deterministic case. The results are different and this show the importance of the stochastic modeling

L’optimisation de la planification de la maintenance des équipements de production d’électricité est une question importante pour éviter des temps d’arrêt inutiles et des coûts opérationnels excessifs. Dans cette thèse, nous présentons une classification multidimensionnelle des études de Recherche Opérationnelle portant sur ce sujet. Le secteur des énergies renouvelables étant en pleine expansion, nous présentons et discutons ensuite d’un problème de maintenance de parcs éoliens terrestres. Le problème est traité sur un horizon à court terme et l’objectif est de construire un planning de maintenance qui maximise le revenu lié à production d’électricité des éoliennes tout en prenant en compte des prévisions de vent et en gérant l’affectation de techniciens. Nous présentons plusieurs modélisations du problème basées sur la programmation linéaire. Nous décrivons aussi une recherche à grands voisinages basée sur la programmation par contraintes.Cette méthode heuristique donne des résultats probants.Nous résolvons ensuite le problème avec une approche exacte basée sur une décomposition du problème. Dans cette méthode, nous construisons successivement des plannings de maintenance optimisés et rejetons, à l’aide de coupes spécifiques, ceux pour lesquels la disponibilité des techniciens est insuffisante. Les résultats suggèrent que cette méthode est la mieux adaptée pour ce problème. Enfin, pour prendre en compte l’incertitude inhérente à la prévision de vitesses de vent, nous proposons une approche robuste dans laquelle nous prenons des décisions garantissant la réalisabilité du planning de maintenance et le meilleur revenu pour les pires scénarios de vent. / Efficiently scheduling maintenance operations of generating units is key to prevent unnecessary downtime and excessive operational costs. In this work, we first present a multidimensional classification of the body of work dealing with the optimization of the maintenance scheduling in the operations research literature. Motivated by the recent emergence of the renewable energy sector as an Environmental priority to produce low-carbon power electricity, we introduce and discuss a challenging Maintenance scheduling problem rising in the onshore wind industry. Addressing the problem on a short-term horizon, the objective is to find a maintenance plan that maximizes the revenue generated by the electricity production of the turbines while taking into account wind predictions, multiple task execution modes, and technician-to-task assignment constraints. We start by presenting several integer linear Programming formulations of the problem. We then describe a constraint programming-based large neighborhood search which proves to be an efficient heuristic solution method. We then design an exact branch-and-check approach based on a decomposition of the problem. In this method, we successively build maintenance plans while discarding – using problem-specific cuts – those that cannot be performed by the technicians. The results suggest that this method is the best suited to the problem. To tackle the Inherent uncertainty on the wind speed, we also propose a robust approach in which we aim to take risk-averse decisions regarding the revenue associated with the maintenance plan and its feasibility.