Soutenance de thèse Gaëtan Delétoille - UFR Sciences Madrillet le 23 Juin 2022 à 10h30

Date :

...
Gaëtan Delétoille soutiendra sa thèse le jeudi 23 juin à 10h30 dans l’amphithéâtre D, à l'UFR des sciences et techniques (site du Madrillet, Av. de l'Université, 76800 Saint-Étienne-du-Rouvray).
Cette thèse s'intitule "Gestion de stock sous contrainte de quantité minimale de commande".

La soutenance aura lieu devant le jury composé de :
- Sébastien Adam, Professeur des universités (Université de Rouen Normandie), directeur de thèse
- Maxime Berar, Maître de conférences (Université de Rouen Normandie), co-encadrant de la thèse
- Jean-Philippe Gayon, Professeur des universités (ISIMA Clermont Auvergne INP), rapporteur
- Safia Kedad-Sidhoum, Professeur des universités (CNAM), rapporteur
- Vincent T'kindt, Professeur des universités (Université de Tours), examinateur
- Arnaud Knippel, Maître de conférences (INSA Rouen Normandie), examinateur

Résumé en Français

Dans de nombreuses chaînes logistiques, il est courant que les fournisseurs imposent une quantité minimale d’achat à leurs acheteurs (par exemple sur la valeur totale de la commande), dans le but de diluer l’impact de leurs coûts fixes. Dans le cas où cet acheteur est lui même un revendeur, ce dernier est alors soumis à un problème d’optimisation de stock difficile : il doit d’un côté maintenir un stock suffisant pour satisfaire la demande (instable et non certaine) de ses clients, et de l’autre réduire ses coûts de stock, tout en respectant la contrainte de son fournisseur. C’est ce problème de prise de décision sous incertitude que nous avons cherché à résoudre au cours de cette thèse. Nous l’appelons problème de quantité minimale de commande multi-références.

Il existe plusieurs méthodes dans la littérature pour résoudre des versions simplifiées de ce problème,

notamment lorsqu’une seule référence est concernée par la contrainte, ou lorsque la demande est supposée stationnaire. Cependant, aucune solution de l’état de l’art n’apportait jusqu’alors de réponse satisfaisante à la version multi-référence de ce problème, avec un inventaire soumis à une demande stochastique et variable dans le temps.

Les principales contributions de cette thèse sont deux méthodes de résolution approximative de ce

problème. La première est une heuristique que nous appelons la w-policy. Cette heuristique repose sur

plusieurs approximations du comportement du système. Ces approximations, basées sur une analyse poussée du problème, permettent de réduire drastiquement la complexité du calcul des fonctions de valeur et d’en déduire une solution approximative. Cependant, en raison de ces hypothèses, la w-policy ne peut pas être appliquée dans certains cas particuliers. Dans le but de remédier à cette limite, nous avons développé une deuxième méthode que nous appelons la hybrid policy. Cette méthode combine des techniques issues de l’apprentissage par renforcement (notamment le deep Q-learning) avec certaines idées issues de la w-policy.

Nous montrons la capacité de ces deux méthodes à résoudre efficacement le problème posé, en l’appliquant à des jeux de données réelles et simulées. Sur les versions de grande taille du problème (jusqu’à dix mille références), elles sont les seules aujourd’hui à apporter une solution calculable en un temps raisonnable.