Research

Samuel Vercraene is an Associate Professor, HDR, Normalien, Agrégé, and completed a Master’s degree at Centrale Paris in 2009. He defended a PhD in Reverse Logistics at the University of Grenoble in 2012, utilizing tools such as stochastic dynamic programming, Markov processes, and Boolean satisfiability. In 2013, he became an Associate Professor at INSA Lyon, with his main research focus on optimizing passenger transportation using operations research tools like linear programming, metaheuristics, and combinations of these methods. He has also worked on energy optimization of complex industrial processes modeled with neural networks and optimized using dynamic programs. Finally, he obtained his habilitation to supervise research in 2023. His current interest mainly revolves around optimizing transportation systems for people and goods in sparsely populated areas.

Samuel Vercraene est Maître de Conférences, HDR, Normalien, Agrégé et a fait un Master 2 à Centrale Paris en 2009. Il a soutenu une thèse en Logistique Inverse à l’Université de Grenoble en 2012 avec comme principaux outils la programmation dynamique stochastique, les processus markoviens et la satisfaisabilité booléenne. Maître de Conférences à l’INSA de Lyon en 2013, son sujet de recherche principal est l’optimisation du transport de personnes avec des outils de la recherche opérationnelle comme la programmation linéaire, les métaheuristiques et des combinaisons de ces méthodes. Il a aussi travaillé sur l’optimisation énergétique de processus industriels complexes modélisés à l’aide de réseaux de neurones et optimisés à l’aide de programmes dynamiques. Enfin, il a passé son habilitation à diriger des recherches en 2023. Son intérêt actuel porte principalement sur l’optimisation des systèmes de transport de personnes et de biens en zones peu denses.

Topics

  • Dial-A-Ride problems
  • Production planning with energy cost consideration
  • Reverse logistics
  • Optimal policies of Markov decision processes.

Techniques

  • Math-heuristics and meta-heuristics
  • Linear programming
  • Dynamic programming
  • Markov chains and Markov decision processes
  • Queues
  • Boolean equations (SAT problems).

PhD students