Intelligence Artificielle et Optimisation pour une gestion durable des déchets hospitaliers Contexte et enjeux La gestion des déchets hospitaliers (DH) est un enjeu majeur en raison des risques infectieux, chimiques, toxiques et financiers qu'ils représentent, posant des défis critiques pour la santé publique, la sécurité et l'environnement. Avec l'intensification des activités médicales et les réglementations de plus en plus strictes, il devient essentiel de mettre en place des systèmes durables et performants, en particulier pour les étapes stratégiques de la collecte et du transport, qui conditionnent l'efficacité logistique, le respect des cadres réglementaires et la réduction des impacts écologiques. Malgré ces enjeux, la gestion des DH reste peu abordée dans la littérature scientifique. Ce projet propose de combler ce manquement en développant une approche innovante, alignée sur les standards actuels, pour le tri, le stockage, la collecte et le transport des déchets hospitaliers. En intégrant des stratégies de recyclage et de valorisation, cette démarche vise à réduire significativement l'empreinte environnementale de ces déchets, tout en améliorant l'efficacité globale des systèmes de gestion. Dans ce contexte, la gestion de l'incertitude constitue un défi majeur. Les volumes de déchets produits peuvent fluctuer de manière imprévisible en raison de facteurs tels que l'évolution des épidémies, les crises sanitaires comme le COVID-19, ou les variations dans l'offre de soins. Ces incertitudes impactent la planification logistique (collecte et transport) ainsi que les capacités de traitement et de recyclage en aval. De plus, des informations incomplètes ou imprécises sur la composition des déchets compliquent le tri et le respect des normes environnementales. La prise en compte de ces incertitudes nécessite des modèles robustes et flexibles, capables de s'adapter aux variations imprévues tout en optimisant les ressources disponibles. De plus, ce projet, à la fois complexe et multidisciplinaire, combine des dimensions logistiques, financières, environnementales, sanitaires et réglementaires, tout en mobilisant des acteurs variés tels que les hôpitaux, autorités régionales et entreprises de collecte et traitement. La coordination entre ces parties prenantes nécessite une maîtrise des décisions multi-objectives et collectives pour aligner leurs intérêts et équilibrer des objectifs parfois conflictuels, comme la réduction des coûts, la minimisation des impacts environnementaux et le respect des contraintes réglementaires. Missions principales Le post-doctorat mobilise des approches en Intelligence Artificielle (IA) et Recherche Opérationnelle (RO) pour concevoir de nouvelles méthodes pour : - La planification des tournées sous contraintes opérationnelles, environnementales et réglementaires. - L'apprentissage par renforcement (RL) couplé à l'optimisation robuste/stochastique pour des plans résilients (aléas de volumes, indisponibilités, trafic, météo). - L'optimisation multi-objectifs : formulation et résolution de compromis coût - émissions - risque Résultats attendus (livrables) - Modélisation des connaissances et formalisation du problème en considérant le coût, CO2, temps de service, .. - Méthodes de résolution basés sur les techniques d'IA et d'optimisation - Rapports & publications (journaux/conférences IA/RO/Logistique), code développé avec documentation.