Les problèmes de contrôle optimal à horizon infini avec facteur de décompte ont suscité un regain d'intérêt en raison de leurs applications en économie, finance, apprentissage par renforcement et en programmation dynamique approchée. Cependant, la valeur du facteur de décompte peut compromettre la stabilité, soulevant des questions cruciales : comment concevoir des contrôleurs stabilisants qui évitent une dégradation significative des performances (sous-optimalité) lorsque le contrôleur optimal ne stabilise pas le système ou s'avère trop difficile à calculer ? Cette thèse présente notamment des méthodes basées sur des LMIs pour relever ce défi dans le cadre du LQR décompté, garantissant la stabilité même lorsque le contrôleur optimal ne la garantit pas. Un algorithme d'itération sur les politiques (PI) modifié est également introduit, raffinant itérativement les performances du contrôleur généré tout en préservant des garanties de stabilité. Pour les systèmes non linéaires, la conception de contrôleurs sous-optimaux via itération sur les politiques est étudiée. Les propriétés de stabilité du système en boucle fermée optimale sont exploitées pour établir une borne plus fine sur l'écart entre le coût induit par le contrôleur à chaque itération et le coût optimal, améliorant ainsi les résultats existants dans la littérature. De plus, des garanties de stabilité sont établies pour ces contrôleurs après un nombre fini et estimable d'itérations. L'ensemble des résultats est validé par des exemples numériques et des implémentations expérimentales sur un système rotary-servo.

La transition du paradigme centré sur la machine de l’Industrie 4.0 vers la vision résiliente, durable et centrée sur l’humain de l’Industrie 5.0 souligne la nécessité d’intégrer davantage les facteurs humains dans les systèmes d’ordonnancement de la production. Pourtant, la littérature sur le problème d’ordonnancement flexible de type job shop considère encore majoritairement les opérateurs comme de simples contraintes de ressources ou comme des critères d’évaluation en fin d’horizon, tandis que les travaux consacrés à l’ordonnancement dynamique demeurent principalement focalisés sur les perturbations liées aux machines. Les interactions entre l’évolution de l’état des opérateurs et les décisions d’ordonnancement restent ainsi insuffisamment prises en compte. Cette thèse répond à cette gap en formulant et en résolvant le problème d’ordonnancement dynamique double flexible de type job shop avec fatigue des opérateurs (DyDFJSP-WF). Dans ce problème, machines et opérateurs sont modélisés conjointement comme des ressources flexibles, tandis que la fatigue est représentée comme une variable d’état dynamique évoluant au cours de l’exécution de l’ordonnancement et influençant les décisions futures. L’étude débute par l’analyse du DFJSP-WF statique avant d’être étendue au contexte dynamique. Le problème statique est d’abord formulé puis résolu à l’aide d’un algorithme d’optimisation évolutionnaire multi-objectif basé sur la décomposition (IMOEA/D), permettant de concilier efficacité de production et dégradation de la qualité induite par la fatigue. Sur cette base, une revue systématique de la littérature consacrée à NSGA-III et à l’apprentissage par renforcement appliqués à l’ordonnancement met en évidence la complémentarité de ces approches pour la résolution de problèmes dynamiques comportant un grand nombre d’objectifs. Ces constats conduisent au développement d’un cadre hybride RL–NSGA-III associant un plan de référence prédictif généré par NSGA-III à une couche réactive fondée sur deux agents Proximal Policy Optimization (PPO). Le cadre proposé intègre des modèles de fatigue calibrés à partir de données issues de capteurs portables afin de permettre l’allocation personnalisée des pauses et l’adaptation en temps réel aux perturbations de production. La validation expérimentale est menée à deux échelles. Sur des instances de référence, les approches proposées produisent des fronts de Pareto de meilleure qualité que plusieurs méthodes multi-objectifs de l’état de l’art. Sur des instances industrielles construites à partir de données réelles collectées auprès d’opérateurs équipés de capteurs portables, le cadre hybride permet de concilier gestion personnalisée de la fatigue et réordonnancement en temps réel face aux perturbations.

Ces travaux portent sur l’estimation d’état des véhicules autonomes, seuls ou organisés en pelotons, afin d’améliorer leur sécurité malgré des mesures limitées, des défauts de capteurs et des retards de communication entre véhicules (V2V). Ils proposent des observateurs pour estimer les états et forces du véhicule, ainsi que des méthodes distribuées d’estimation et de commande pour préserver la stabilité des pelotons. Ils traitent aussi la reconstruction de l’état du véhicule précédent lorsque les retards de communication sont inconnus. Les méthodes ont été validées par des simulations sous CarSim et par des expériences utilisant Quanser QCar 2 et QLabs. Mots-clés : Estimation d’état, véhicules autonomes, observateurs d’état, cyberattaques, observateurs distribués, pelotons de véhicules.