Yueyu DING soutient sa thèse de doctorat le vendredi 27 mars 2026: "Approche intégrée pour l’amélioration de la résilience de la chaîne logistique" (see English version below)

Yueyu DING soutient sa thèse de doctorat le vendredi 27 mars 2026 à 14h30, en salle 334 du bâtiment IBGBI, Université Évry Paris-Saclay.

Titre: Approche intégrée pour l’amélioration de la résilience de la chaîne logistique.

Résumé

Les chaînes logistiques (CL) sont significativement vulnérables en raison de leur grande complexité structurelle et de la fréquence croissante des événements perturbateurs. Le renforcement de la résilience des CL par la prédiction, l’évaluation et l’atténuation des risques est un sujet de recherche majeur. Cependant, la plupart des recherches se concentrent sur des événements perturbateurs généraux, ignorant les caractéristiques d’événements spécifiques comme les pénuries d’électricité ou l’incident CrowdStrike. Peu d’études évaluent quantitativement l’impact de l’intervention gouvernementale ou de nouvelles technologies, telle que la fabrication additive (FA), en se basant sur l’évaluation des risques. De plus, aucune étude ne considère simultanément la prédiction et l’analyse des risques tout en fournissant des stratégies proactives et réactives. Pour combler ces lacunes, cette thèse étudie quatre nouveaux problèmes de gestion des risques de la CL en situation de perturbation.

Le premier travail étudie l’amélioration de la résilience de la CL face aux pénuries d’électricité. Pour cela, deux nouvelles stratégies de rétablissement (sources d’énergie et véhicules de transport alternatifs) sont proposées pour restaurer la performance de la CL. Le problème est modélisé par un modèle d’optimisation bi-objectif, distributionnellement robuste et avec contraintes probabilistes, visant à équilibrer le coût total de rétablissement et le taux de service. Une méthode epsilon-contrainte efficace, incluant une heuristique constructive, est développée pour ce problème. Des enseignements managériaux clés sont dérivés de l’analyse des résultats expérimentaux.

Le deuxième travail examine la minimisation des risques de la CL sous l’angle du pire cas. L’objectif est de proposer une stratégie proactive efficace, les interventions gouvernementales, fondée sur l’évaluation des risques. Un réseau bayésien causal est appliqué pour quantifier la propagation structurelle du risque, et la technique du Do-calculus est utilisée pour mesurer les bénéfices des interventions. Un modèle d’optimisation robuste est construit pour minimiser le risque de perturbation dans le pire cas pour le fabricant, et un algorithme de séparation et d’évaluation spécifique est proposé pour le résoudre. Des expériences numériques valident l’efficacité de la méthodologie, et des implications managériales en sont tirées.

Le troisième travail aborde la minimisation des risques de la CL via l’évaluation des risques et une stratégie réactive optimale de FA. Un réseau bayésien dynamique (RBD) est utilisé pour mesurer la propagation structurelle et temporelle du risque. Un modèle mathématique basé sur un processus de décision markovien spécifique est proposé, et un algorithme génétique efficace basé sur le Q-learning est développé pour le résoudre. Des perspectives managériales sont dérivées de l’analyse expérimentale.

Le quatrième travail propose une technique intégrée incluant la prédiction, l’évaluation et l’atténuation des risques afin de minimiser le risque de perturbation de la CL. Dans cette approche, l’inférence bayésienne est utilisée pour prédire le risque, le RBD est appliqué pour quantifier sa propagation, et un processus de décision markovien partiellement observable (POMDP) modélise le processus décisionnel à partir de données partiellement observables. Un nouveau modèle mathématique basé sur le RBD et le POMDP est formulé pour déterminer la décision optimale, et un algorithme génétique est proposé pour le résoudre. À travers l’analyse d’exemples expérimentaux, plusieurs implications managériales sont dégagées.

Composition du jury de thèse/Composition of the doctoral thesis jury

Membre du jury	Titre	Lieu d’exercice	Fonction dans le jury
Abdelghani BEKRAR	Maître de conferences (HDR)	Université Polytechnique Hauts-de-France	Rapporteur
Wei ZHOU	Professeur	ESCP Business School	Rapporteur
Anne BARROS	Professeure	CentraleSupélec	Examinatrice
Alexandre DOLGUI	Professeur des Universités	IMT Atlantique	Examinateur
Junkai HE	Professeur assistant	KEDGE Business School	Examinateur
Salma MAKBOUL	Maître de Conferences	Université Évry Paris-Saclay	Examinatrice
Feng CHU	Professeure des Universités	Université Évry Paris-Saclay	Directrice de thèse
Ming LIU	Assistant Professor	Tongji University, Chine	Co-directeur de thèse

Yueyu DING will defend her doctoral dissertation on Friday, March 27, 2026, at 2:30 p.m. in Room 334 of the IBGBI building at Évry Paris-Saclay University.

Title: Integrated approach for supply chain resilience improvement

Abstract:

Supply chains (SCs) are significantly vulnerable due to their high structural complexity and the increasing frequency of disruptive events. Enhancing SC resilience via risk prediction, risk assessment, and mitigation is an important research topic in modern SC management. However, most research focuses on general disruptive events, ignoring the characteristics of specific disruptive events such as electricity shortages and the CrowdStrike incident. Few studies quantitatively evaluate the impact of government intervention and new technologies, such as additive manufacturing (AM), based on risk assessment. Moreover, no study in the literature simultaneously considers risk prediction and analysis and provides both proactive and reactive strategies. To fill the research gaps, this thesis investigates four novel SC risk management problems under disruptions.

The first work studies SC resilience improvement under electricity shortages. For the problem, two new recovery strategies (i.e., alternative energy sources and alternative transportation vehicles) are provided to restore SC performance. The studied problem is modeled by a bi-objective distributionally robust chance-constrained optimization model, which aims to find the best balance between total recovery cost and service level. Subsequently, an effective epsilon-constraint method including a constructive heuristic is developed for the problem. Based on the analysis of experimental results, key managerial insights are derived.

The second work investigates the SC risk minimization problem from the worst-case perspective. The objective is to propose an effective proactive strategy, i.e., government interventions, based on risk assessment. For the problem, a causal Bayesian network is applied to quantify structural disruption risk propagation, and the Do-calculus technique is used to measure the benefits of government interventions. A robust optimization model is constructed to minimize the worst-case disruption risk of the manufacturer. A problem-specific branch-and-bound algorithm is proposed to efficiently solve the problem. Numerical experiments are conducted to verify the effectiveness and efficiency of the proposed methodology, and managerial insights are drawn.

The third work addresses the SC risk minimization problem via risk assessment and the optimal reactive AM strategy. For the problem, a dynamic Bayesian network (DBN) is used to measure the structural and temporal disruption risk propagation. Furthermore, a problem-specific Markov decision process-based mathematical model is proposed and an efficient Q-learning-based genetic algorithm is developed to solve the problem. Managerial insights are derived based on the experimental analysis.

The fourth work proposes an integrated technique that includes risk prediction, risk assessment, and mitigation to minimize SC disruption risk. Specifically, Bayesian inference is used to predict disruption risk, DBN is applied to quantify risk propagation, and partially observable Markov decision process (POMDP) is used to model the decision process with partially observable SC data. For the problem, a new DBN and POMDP-based mathematical model is formulated to find the optimal decision, and a genetic algorithm is proposed to solve the problem. Through the analysis of experimental examples, several managerial insights are derived.

Second, to address the potential low robustness of the possible Pareto set, which may perform well in a few scenarios but poorly

in most, we investigate the computation of the multi-scenario efficient set, an extension of the efficient frontier for multi-criteria problems under

uncertainty. For a refined version of the above problem, we develop an iterative dynamic programming algorithm with an improved pruning

technique and prove that it yields an FPTAS when the number of machines is constant.

Finally, motivated by practical concerns of sustainability, we study stochastic bi-criteria unrelated parallel machine scheduling under time-of-use

(ToU) electricity pricing, where only partial probability information is available for uncertain job processing times. For the problem, we formulate

a chance-constrained bicriteria model, transform it into deterministic models, and reinforce them with valid inequalities. Furthermore, we design

approximation algorithms to compute a (1 + ϵ)-approximate Pareto set and develop a clustering technique for instances with many time intervals,

effectively reducing their number while preserving near-optimality.

Date : vendredi 27/03/2026, 14h30
Lieu : Salle 334 du bâtiment IBGBI Université Évry Paris-Saclay.
Doctorant : Yueyu DING, Université Évry Paris-Saclay, IBISC équipe AROBAS
Direction de thèse : Feng CHU (PR IUT Évry, IBISC équipe AROBAS), Directrice de thèse; Ming LIU (Assistant Professor, Tongji University), co-directeur de thèse)