Thèse en cours

Modélisation et résolution de problèmes d'ordonnancement pour la maintenance corrective du matériel roulant à la SNCF

FR  |  
EN
AttentionLa soutenance a eu lieu le 12/12/2025. Le document qui a justifié du diplôme est en cours de traitement par l'établissement de soutenance.
Auteur / Autrice : Tom Ray
Direction : Vincent T'kindt, Ronan Bocquillon
Type : Projet de thèse
Discipline(s) : Informatique
Date : Inscription en doctorat le
Soutenance le 12/12/2025
Etablissement(s) : Tours
Ecole(s) doctorale(s) : Mathématiques, Informatique, Physique Théorique et Ingénierie des Systèmes - MIPTIS
Partenaire(s) de recherche : Laboratoire : Laboratoire d'Informatique Fondamentale et Appliquée de Tours
Jury : Président / Présidente : Cyrille Briand
Examinateurs / Examinatrices : Vincent T'kindt, Paola Pellegrini, Stéphane Dauzère-pérès, Ronan Bocquillon, Dominique Feillet
Rapporteurs / Rapporteuses : Paola Pellegrini, Stéphane Dauzère-pérès

Résumé

FR  |  
EN

Le matériel roulant ferroviaire moderne en France transmet en temps réel son état de santé, générant en continu des signalements de besoins de maintenance (corrective ou prédictive) immédiats ou futurs. À la SNCF Voyageurs, ces informations sont exploitées pour créer des demandes d'intervention, que les planificateurs doivent chaque jour affecter à un lieu et un moment adaptés. Cette tâche, réalisée manuellement, doit intégrer de nombreuses contraintes (ressources humaines, infrastructures disponibles, maintenance déjà planifiée, qu'elle soit corrective, prédictive ou préventive) et représente une charge considérable, avec des risques multiples en cas de retards pour des opérations critiques. Cette thèse, menée en collaboration CIFRE entre la SNCF et le LIFAT (Laboratoire d'Informatique Fondamentale et Appliquée de Tours), vise à optimiser l'ordonnancement des opérations de maintenance du matériel roulant issues de ces signalements. Nous proposons d'abord des approches exactes, via la programmation mathématique et la programmation par contraintes, ainsi que des heuristiques de recherche locale inspirées de la littérature. Nous développons ensuite une heuristique de recherche arborescente tronquée, la Recovering Beam Search (RBS), qui constitue la base d'un futur outil d'aide à la décision destiné aux planificateurs. En complément, nous introduisons une procédure pour générer des instances synthétiques du problème afin de pouvoir simuler n'importe quel réseau ferroviaire. Enfin, l'efficacité des méthodes est évaluée sur des instances synthétiques et sur des instances issues de données réelles de la SNCF.