Laboratoire de Génie Informatique et d’Automatique de l’Artois

Cette thèse se concentre sur l’optimisation des Problèmes de Routage de Véhicules Multi-Attributs (MAVRP) qui est un enjeu important dans la logistique moderne et notamment dans le secteur des produits de la mer. La complexité et l’évolution rapide des systèmes logistiques contemporains, couplées aux exigences strictes liées à la manutention des produits périssables, rendent ces problèmes particulièrement ardus mais également fascinants pour l’application des avancées en apprentissage automatique. Cette thèse se focalise plus particulièrement sur l’utilisation des Graph Neural Networks (GNN), une technique de pointe de l’apprentissage automatique, pour leur capacité unique à modéliser des relations complexes et à interpréter les multiples attributs qui caractérisent les MAVRP. Contrairement aux approches traditionnelles, souvent limitées par leur rigidité et leur incapacité à gérer simultanément diverses contraintes ou à s’adapter à des situations dynamiques, les GNN offrent une approche prometteuse vers des solutions flexibles, adaptables, et nettement plus efficaces. En s’appuyant sur des études récentes qui soulignent l’efficacité supérieure des solutions basées sur les MAVRP pour une large gamme de problèmes logistiques, ce travail propose d’aller plus loin en intégrant l’apprentissage par transfert. Cette approche permettrait d’adapter les modèles GNN à différentes variantes des MAVRP sans nécessiter de collecte exhaustive de nouvelles données, offrant ainsi une flexibilité inégalée et la possibilité de traiter différentes applications.

La logistique des produits de la mer sert de cadre applicatif à cette thèse. En effet, les produits de la mer nécessitent des itinéraires de transport optimisés non seulement pour minimiser les coûts et les délais mais aussi pour assurer la conservation de la qualité des produits, mettant en jeu des facteurs tels que la distance, le temps de transit, et les conditions de stockage. Cette thèse vise donc à explorer la capacité des GNN à naviguer dans cette complexité, développant des modèles capables de proposer des solutions optimales qui tiennent compte de l’ensemble des attributs et contraintes dynamiques de la logistique des produits de la mer.