Dans un monde déterministe, toute donnée d'un problème d'optimisation est censée être connue avec certitude. Dans le monde réel, on est souvent confronté à des cas où certains paramètres sont incertains. La démarche consistant à considérer un seul jeu de paramètres, supposant que ceci représente suffisamment bien la réalité, est vite mise en cause. On considère travailler sur plusieurs périodes temporelles et sur un espace d'incertitude discrétisé, en introduisant ainsi les notions d'arbres de scénarios et des modèles multi-étapes. Les dimensions de ces problèmes augmentent de façon exponentielle avec le nombre de périodes d'étude, rendant les méthodes directes impossibles à appliquer. Le problème qui a motivé ce travail est issu d'une application industrielle réelle et concerne la souscription de contrats dans un marché gazier. Les prix du marché spot, ainsi que la demande clientèle sont considérés incertains, et représentés par un arbre de scénarios. Le modèle qui ressort possède une structure ressemblant à une grande famille de problèmes dynamiques de dimensionnement. A l'issue d'un travail bibliographique, mené particulièrement sur les méthodes de résolution des modèles multi-étapes, la décomposition imbriquée est la méthode qui est retenue. Sur les très grandes instances, même les méthodes de décomposition peuvent s'avérer longues à converger. Cette thèse est consacrée à de nouvelles mises en oeuvre de la décomposition imbriquée, le but étant de pouvoir traiter plus de scénarios en moins de temps. Certains aspects de la méthode sont remis en cause, nous permettant de réduire le nombre d'itérations jusqu'à ce que la convergence soit atteinte. D'autres aspects sont également étudiés dans l'objectif de réduire le temps de calcul passé sur chaque itération séparément. Les démarches proposées sont validées à travers plusieurs séries d'expériences qui mettent en valeur la supériorité de l'approche proposée par rapport à l'approche classique.

Nous nous intéressons au Problème de Dimensionnement de Lots mono-produit (PDL) dans une chaîne logistique composée d'un détaillant et d'un fournisseur en y intégrant le contrat buyback et l'approvisionnement par batch. L'objectif est de déterminer un plan d'approvisionnement pour le détaillant pour satisfaire ses demandes déterministes sur un horizon fini, tout en minimisant ses coûts d'approvisionnement et de stockage. Concernant le coût d'approvisionnement, nous supposons deux structures différentes : FTL (Full Truck Load) et OFB (Only Full Batch). Trois types de contrat buyback sont étudiés : avec des périodes de retour fixes, avec une limite de temps sur les retours, et avec des retours uniquement dans les périodes d'approvisionnement. Chaque contrat est caractérisé par un pourcentage de retour maximal qui peut être égal à 100% (retour total) ou inférieur à 100% (retour partiel). Pour le PDL sous le contrat buyback avec des périodes de retour fixes, nous supposons le cas de ventes perdues (lost sales). En outre, un autre concept ajouté dans les PDL sous les trois types de contrat buyback réside dans le fait que le détaillant peut jeter la quantité invendue et non retournée au fournisseur, appelé mise au rebut (disposal). Nous avons modélisé ces différentes extensions du PDL par des Programmes Linéaires en Nombres Entiers (PLNE). Nous avons ensuite développé des algorithmes exacts polynomiaux de programmation dynamique pour certaines extensions, et montré la NP-difficulté pour d'autres. Pour chaque problème résolu en temps polynomial, nous avons comparé l'efficacité et les limites de l'algorithme proposé avec celles des quatre formulations en PLNE. Nous avons également proposé des modèles mathématiques pour les PDL sous d'autres types de contrats de réservation de capacité dans le cas déterministe à multi-périodes. / We study the single-item Lot Sizing Problem (LSP) in a supply chain composed of a retailer and a supplier by integrating the buyback contract and the batch ordering. The purpose is to determine a replenishment planning for the retailer to satisfy his deterministic demands over a finite horizon, while minimizing the procurement and inventory costs. Regarding the procurement cost, we assume two different structures: FTL (Full Truck Load) and OFB (Only Full Batch). We consider three types of buyback contract: with fixed return periods, with a time limit on returns, and with returns permitted only in procurement periods. Each contract is characterized by the maximum return percentage being either equal to 100% (full return) or less than 100% (partial return). For the LSP under the buyback contract with fixed return periods, we assume the concept of lost sales. Another concept considered in the LSP's under the three types of buyback contract is the disposal of the unsold and unreturned quantities. We model these different LSP extensions as a Mixed Integer Linear Program (MILP). Thereafter, we develop exact polynomial time dynamic programming algorithms for some extensions and show the NP-hardness of others. For each problem solved in polynomial time, we compare the efficiency and the limits of the proposed algorithm with those of four MILP formulations by performing different tests. Finally, we propose mathematical models for the LSP's under other types of the capacity reservation contract in the deterministic and multi-period case.