Robust railway rolling-stock planning

Cette thèse est consacrée à la planification robuste du matériel roulant ferroviaire dans un contexte de transport de voyageurs régional. Il s'agit de déterminer pour chaque engin une suite de trajets à réaliser sur une période donnée de façon à résister au mieux aux aléas pouvant apparaître en opérationnel. Dans ce but, nous proposons une définition et une caractérisation de la robustesse par des indicateurs propres au contexte d'étude. Nous abordons le problème par une approche structurelle différente des approches robustes classiques qui permet d'agir sur la structure d'une solution en fonction des indicateurs définis. Trois méthodes sont alors mises en œuvre dans le cadre de ce travail. Une résolution approchée par une heuristique gloutonne et une recherche locale permet d'obtenir des solutions rapidement. Une méthode de résolution approchée par génération de colonnes a été développée afin de prendre en compte plus de contraintes de façon intégrée. Une méthode basée sur un programme linéaire en nombres entiers résolu exactement traite un problème plus général. Afin de limiter le coût de la robustesse, ces méthodes sont basées sur un existant à SNCF répondant au problème de planification des ressources matérielles à coûts de production minimaux. Un outil de simulation du comportement des solutions en situation perturbée permet de comparer les solutions entre elles par évaluation des indicateurs de robustesse. Des expérimentations sur des instances réelles ont prouvé la pertinence des approches et ont mené à l'industrialisation d'un prototype.This thesis deals with robust rolling-stock planning problems for passenger regional trains. It consists in building robust rolling-stock schedules to operate trains under technical constraints while anticipating operational disturbances that can occur. First of all, we define indicators to characterize robustness in context. We use these indicators to have an effect on solutions that we build. This structural approach is unusual compared to classical robust optimization approaches. We have implemented three methods to solve the problem. A sequential heuristic method enhanced by a local search gives solutions quickly. A column-generation method calculates approximate solutions.An integer linear program is solved exactly to obtain solutions to a global problem. These methods are based on an existing tool at SNCF that optimizes the rolling-stock planning problem to assure optimal production costs. A simulation tool evaluates robustness indicators to compare solutions. Tests on real instances have proved the relevance of the approaches and have lead to the use of a prototype in productio