Apropos_fr
À propos de l'IRP ROI-TML
IRP Recherche Opérationnelle et Informatique en Transport, Mobilité et Logistique
Depuis plus de 20 ans, le CIRRELT et le LAMIH entretiennent des échanges scientifiques étroits. L'IRP ROI-RML a été créé en 2021 à la suite du LIA ROI-TML (06/2016-06/2020).
Du LIA ROI-TML à l'IRP ROI-TML…
Structuration de l’IRP ROI-TML
Objectifs de l’IRP ROI-TML
- Dans la continuité du LIA
- → nouveaux modèles/méthodes/outils informatiques pour la résolution de problèmes d’optimisation difficiles, généralement en présence d’incertitudes en transport, mobilité et logistique
- → …
- Renforcement : intégration aspects managériaux
- Intégration : aspects cyber-sécurité
- Ajout/Renforcement : RO/apprentissage
- → méthodes hybrides (matheuristiques, heuristiques/métaheuristiques, optimisation-simulation-apprentissage/IA…)
- → parmi les cibles applicatives, l’ordonnancement et la maintenance
Mots clefs : Hybridation, Matheuristiques, Métaheuristiques, Programmation Mathématique, Simulation, Apprentissage, Maintenance / Ordonnancement
- Concevoir une approche hybride est généralement plus complexe, notamment en raison de la prise en compte des spécificités du problème traité, du paramétrage ou encore simplement du choix des méthodes à combiner…
- L’évaluation de ces approches reste aujourd’hui limitée, car la plupart des auteurs évaluent en particulier la performance globale de l’approche, mais ne vont pas toujours dans le détail pour déterminer la contribution de chaque composante…
- → approches multi-modèles pour l’aide à la décision
- → intégration des aspects management et recherche opérationnelle dans la conception de réseaux de services
- → vision globale pour traiter des problématiques d’intermodalité et synchromodalité, en tenant compte
- des ressources (allocation, capacité, disponibilité…)
- de plusieurs niveaux de décision (stratégique, tactique, opérationnel)
- des incertitudes et antagonismes (entre critères ou niveaux de décision),
- vues sous les angles performance, résilience…
Mots clefs : Méthodes exactes/heuristiques, intégration de l’incertitude, qualité de service, réseaux d’entreprises, prise de décision hiérarchique
- Les problèmes touchant les réseaux de transport et d’entreprises intra et interurbains sont à multiples facettes. Ils se complexifient en intégrant de nouveaux enjeux globaux comme le climat, l’environnement, la pollution, la consommation énergétique, le développement de la société.
- La prise en compte simultanée des aspects management et recherche opérationnelle requiert une vision globale pour traiter des problématiques d’intermodalité et synchromodalité, en tenant compte des ressources, des niveaux de décision, des incertitudes et antagonismes, vus sous les angles performance, résilience…
- Ils nécessitent le développement de méthodes et modèles d’optimisation fondés sur les principes de la consolidation des demandes, la gestion prévisionnelle de ressources et du Revenue Management.
- → étude d’un nouveau volet, à fort enjeu scientifique et sociétal : la sécurité des communications
- → développements scientifiques appliqués aux smart cities et smart vehicles
- suivre/optimiser en temps réel les déplacements des personnes et véhicules, interagir avec des équipements
- mettre en place de services à la demande, avec tout ce que cela suppose en terme d’informatique embarquée
Mots clefs : Systèmes embarqués, Edge/Fog computing, Protocoles de communication préservant la privacité dans l’IoV, Optimisation de problèmes dynamiques, Fouille de données massives
- Dans des contextes compétitifs liés à l’accès à des ressources (places de stationnement, bornes de recharges…), il est indispensable de considérer la coordination de la prise de décision entre les véhicules eux-mêmes.
- Détecter et protéger des attaques visant les communications et les données exploitées par les véhicules.
- → Conception d’infrastructures de collecte résilientes et garantissant la privacité pour les applications dans l’Internet des Véhicules
- Concevoir et mettre au point des systèmes capables de traiter rapidement les données sur des systèmes à faible coût et avec une consommation énergétique réduite.
- → nouvelles approches pour faire coopérer efficacement les niveaux : Edge, Fog et Cloud dans l’exécution des algorithmes de Deep Learning pour le véhicule autonome.
Résultats de l’IRP ROI-TML
Quelques exemples concrets :
- Conception de réseaux (d'entreprises, de transport, de distribution)
- Conception de services sur les réseaux
- Routage de véhicules, variantes du voyageur de commerce
- Allocation dynamiques de places de parking, véhicules/villes intelligent(e)s
- Inclusion des personnes à mobilité réduite au transport public
- Ordonnancement des opérations
- Couplage entre production/ordonnancement et maintenance
