Ce mémoire rassemble des éléments d'optimisation, d'apprentissage profond et de contrôle optimal afin de répondre aux problématiques d'apprentissage et de planification dans le contexte des systèmes dynamiques en temps continu. Deux approches générales sont explorées. D'abord, une approche basée sur la méthode du maximum de vraisemblance est présentée. Ici, les trajectoires ``d'entrainement'' sont échantillonnées depuis la dynamique réelle, et à partir de celles-ci un modèle de prédiction des états observés est appris. Une fois que l'apprentissage est terminé, le modèle est utilisé pour la planification, en utilisant la dynamique de l'environnement et une fonction de coût pour construire un programme non linéaire, qui est par la suite résolu pour trouver une séquence de contrôle optimal. Ensuite, une approche de bout en bout est proposée, dans laquelle la tâche d'apprentissage de modèle dynamique et celle de planification se déroulent simultanément. Ceci est illustré dans le cadre d'un problème d'apprentissage par imitation, où le modèle est mis à jour en rétropropageant le signal de perte à travers l'algorithme de planification. Grâce au fait que l'entrainement est effectué de bout en bout, cette technique pourrait constituer un sous-module de réseau de neurones de plus grande taille, et pourrait être utilisée pour fournir un biais inductif en faveur des comportements optimaux dans le contexte de systèmes dynamiques en temps continu. Ces méthodes sont toutes les deux conçues pour fonctionner avec des modèles d'équations différentielles ordinaires paramétriques et neuronaux. Également, inspiré par des applications réelles pertinentes, un large recueil de systèmes dynamiques et d'optimiseurs de trajectoire, nommé Myriad, est implémenté; les algorithmes sont testés et comparés sur une variété de domaines de la suite Myriad. / This thesis brings together elements of optimization, deep learning and optimal control to study the challenge of learning and planning in continuous-time dynamical systems. Two general approaches are explored. First, a maximum likelihood approach is presented, in which training trajectories are sampled from the true dynamics, and a model is learned to accurately predict the state observations. After training is completed, the learned model is then used for planning, by using the dynamics and cost function to construct a nonlinear program, which can be solved to find a sequence of optimal controls. Second, a fully end-to-end approach is proposed, in which the tasks of model learning and planning are performed simultaneously. This is demonstrated in an imitation learning setting, in which the model is updated by backpropagating the loss signal through the planning algorithm itself. Importantly, because it can be trained in an end-to-end fashion, this technique can be included as a sub-module of a larger neural network, and used to provide an inductive bias towards behaving optimally in a continuous-time dynamical system. Both the maximum likelihood and end-to-end methods are designed to work with parametric and neural ordinary differential equation models. Inspired by relevant real-world applications, a large repository of dynamical systems and trajectory optimizers, named Myriad, is also implemented. The algorithms are tested and compared on a variety of domains within the Myriad suite.

Thèse de doctorat présentée en vue de l'obtention du doctorat en psychologie - recherche (Ph.D) / La santé psychologique est une composante essentielle au bon fonctionnement quotidien des individus. Celle-ci est influencée par plusieurs facteurs, dont leur emploi. Un employé possédant une bonne santé psychologique n’est pas seulement fondamental pour son propre bien-être, mais également pour les objectifs de l’organisation qui l’emploie. Effectivement, un employé qui vit beaucoup de bien-être psychologique au travail est plus satisfait de son emploi et est plus productif et efficace à la tâche. A contrario, un employé en détresse psychologique à son travail est à risque de développer plusieurs troubles psychologiques, dont la dépression, le burnout et l’anxiété, menant à plusieurs comportements indésirables et à un roulement du personnel accru. La résilience est un phénomène permettant aux employés de mieux gérer les conséquences toxiques des adversités caractéristiques du milieu organisationnel sur leur santé psychologique en protégeant leur bien-être et en limitant les impacts négatifs sur leur détresse psychologique. Les objectifs de cette thèse sont donc de rapporter les principales lacunes de la littérature scientifique au sujet des liens entre la résilience et la santé psychologique en milieu organisationnel et de proposer un modèle prédictif de la santé psychologique chez les directions et directions adjointes des établissements scolaires francophones. Le premier article est une revue de portée qui cartographie la connaissance scientifique sur les liens statistiques directs et indirects entre la résilience et deux facteurs de santé psychologique : le bien-être et la détresse psychologique. Cet article recueille les résultats d’études sur un large éventail d’emplois et de pays d’origine. Plusieurs biais et lacunes en lien avec la validité externe sont observés. La majorité des études proviennent des pays catégorisés WEIRD, étudient les emplois du secteur de la santé et sont motivées par l’arrivée d’une catastrophe telle que la pandémie au COVID-19. Le deuxième article propose un modèle prédictif du bien-être et de la détresse psychologique chez les directions et directions adjointes d’établissements ii scolaires francophones ontariennes et québécoises. Le modèle stipule que le climat de travail, la résilience et les habiletés politiques sont des inducteurs directs du bien-être et de la détresse. Le modèle proposé est également comparé à un modèle alternatif basé sur la théorie de conservation des ressources. Selon l’analyse acheminatoire, le modèle proposé représente le mieux les données et le climat de travail et la résilience prédisent statistiquement le bien-être et la détresse psychologique. La résilience est également le meilleur prédicteur de la santé psychologique. / Psychological health is an essential component for the proper daily functioning of individuals. This is influenced by several factors, including their work. An employee with good psychological health is not only fundamental for their own well-being, but also for the objectives of the organization that employs them. Indeed, an employee who experiences a lot of psychological well-being at work is more satisfied with their job and is more productive and efficient at work. Conversely, an employee in psychological distress is at risk of developing several psychological disorders, including depression, burnout, and anxiety, leading to several undesirable behaviors and increased staff turnover. Resilience is a phenomenon that allows employees to better manage the toxic consequences of the adversities characteristic of the organizational setting on their psychological health by protecting their well being and limiting the negative impacts on their psychological distress. The objectives of this thesis are therefore to report the gaps in the scientific literature on the links between resilience and psychological health in an organizational setting and to propose a predictive model of psychological health among principals and vice-principals of French-speaking schools. The first article is a scoping review that maps scientific knowledge on the direct and indirect statistical links between resilience and the two factors of psychological health: well-being and psychological distress. This article collects the results of studies on a wide range of jobs and countries of origin. Several shortcomings and biases are observed. The majority of studies come from countries categorized as WEIRD, study jobs in the health sector and are motivated by the arrival of a disaster such as the COVID-19 pandemic. The second article proposes a predictive model of well-being and psychological distress among principals and vice-principals of French-speaking schools from Ontario and Québec. The model states that work climate, resilience and political skills are direct drivers of well-being and distress. The proposed model is also compared to an alternative model based on the resource conservation theory. According to the path analysis, the proposed model best fits the data, and work climate and resilience statistically predict well-being and psychological distress. Resilience is also the best predictor of psychological health.

Les Energies Marines Renouvelables (EMR) se développent aujourd’hui très vite tant au niveau de la recherche amont que de la R&D, et même des premiers démonstrateurs à la mer. Parmi ces EMR, l'énergie des vagues présente un potentiel particulièrement intéressant. Avec une ressource annuelle brute moyenne estimée à 40 kW/m au large de la côte atlantique, le littoral français est plutôt bien exposé. Mais l’exploitation à grande échelle de cette énergie renouvelable ne sera réalisable et pertinente qu'à condition d'une bonne intégration au réseau électrique (qualité) ainsi que d'une gestion et d'un dimensionnement optimisé au sens du coût sur cycle de vie. Une première solution de génération tout électrique pour un houlogénérateur a d’abord été évaluée dans le cadre de la thèse de Marie RUELLAN menée sur le site de Bretagne du laboratoire SATIE (ENS de Cachan). Ces travaux ont mis en évidence le potentiel de viabilité économique de cette chaîne de conversion et ont permis de poser la question du dimensionnement de l’ensemble convertisseur-machine et de soulever les problèmes associés à la qualité de l’énergie produite. Puis une seconde thèse a été menée par Judicaël AUBRY dans la même équipe de recherche. Elle a consisté, entre autres, en l’étude d’une première solution de traitement des fluctuations de la puissance basée sur un système de stockage par supercondensateurs. Une méthodologie de dimensionnement de l’ensemble convertisseur-machine et de gestion de l’énergie stockée fut également élaborée, mais en découplant le dimensionnement et la gestion de la production d’énergie et de ceux de son système de stockage. Le doctorant devra donc : 1. S’approprier les travaux antérieurs réalisés dans le domaine de la récupération de l’énergie des vagues ainsi que les modèles hydrodynamiques et mécaniques réalisés par notre partenaire : le LHEEA de l’Ecole Centrale de Nantes - 2. Résoudre le problème du couplage entre dimensionnement/gestion de la chaîne de conversion et dimensionnement/gestion du système de stockage. 3. Participer à la réalisation d’un banc test à échelle réduite de la chaine électrique et valider expérimentalement les modèles énergétiques du stockage et des convertisseurs statiques associés - 4. Proposer une méthodologie de dimensionnement de la chaine électrique intégrant le stockage et les lois de contrôle préalablement élaborées 5. Déterminer les gains en termes de capacités de stockage obtenus grâce à la mutualisation de la production (parc de machines) et évaluer l’intérêt d’un stockage centralisé - 6. Analyser l’impact sur le réseau d’une production houlogénérée selon divers scenarii, modèles et outils développés par tous les partenaires dans le cadre du projet QUALIPHE. L’exemple traité sera celui de l’Ile d’Yeu (en collaboration avec le SyDEV. / The work of this PhD thesis deals with the minimization of the per-kWh cost of direct-drive wave energy converter, crucial to the economic feasibility of this technology. Despite the simplicity of such a chain (that should provide a better reliability compared to indirect chain), the conversion principle uses an oscillating system (a heaving buoy for example) that induces significant power fluctuations on the production. Without precautions, such fluctuations can lead to: a low global efficiency, an accelerated aging of the fragile electrical components and a failure to respect power quality constraints. To solve these issues, we firstly study the optimization of the direct drive wave energy converter control in order to increase the global energy efficiency (from wave to grid), considering conversion losses and the limit s from the sizing of an electrical chain (maximum force and power). The results point out the effect of the prediction horizon or the mechanical energy into the objective function. Production profiles allow the study of the flicker constraint (due to grid voltage fluctuations) linked notably to the grid characteristics at the connection point. Other models have also been developed to quantify the aging of the most fragile and highly stressed components, namely the energy storage system used for power smoothing (with super capacitors or electrochemical batteries Li-ion) and power semiconductors.Finally, these aging models are used to optimize key design parameters using life-cycle analysis. Moreover, the sizing of the storage system is co-optimized with the smoothing management.