Optimisation de réseaux de Petri pour la SdF de constellations de satellites
Mission
Au sein du service DTN/QE/SF, les réseaux de Petri servent notamment à évaluer la sûreté de fonctionnement (SdF) de constellations de satellites. Nous nous appuyons sur un outil du commerce (GRIF) et procédons à de multiples évaluations en testant manuellement diverses combinaisons de paramètres d’entrée. Par conséquent, on ne peut jamais être certain d’avoir exploré les combinaisons de paramètres qui minimiseraient le coût de déploiement ou maximiseraient la disponibilité de la constellation du point de vue de l’utilisateur au sol.
L’objectif du stage est d’automatiser et de fiabiliser cette recherche en mettant en œuvre l’optimisation multi-paramétrique sur un réseau de Petri. Vous interviendrez en trois étapes :
- État de l’art : recenser les algorithmes d’optimisation existants, identifier leurs avantages et leurs inconvénients, et évaluer leur applicabilité aux réseaux de Petri. Les évaluations par GRIF étant coûteuses en temps de calcul, la capacité des algorithmes à converger avec un nombre limité d’évaluations sera un critère de choix important.
- Implémentation : développer un ou plusieurs de ces algorithmes en Python (ou dans un autre langage selon votre profil), en les faisant dialoguer avec GRIF pour lancer les calculs et récupérer les résultats.
- Interprétation : analyser les résultats, comparer les algorithmes et formuler des recommandations exploitables par les ingénieurs SdF, notamment sur le compromis entre coût de déploiement et disponibilité.
Vous travaillerez avec l’ensemble des ingénieurs SdF du service ainsi qu’avec le développeur et distributeur du logiciel de calcul des réseaux de Petri.
Le stage pourrait débuter en Mars 2027.
Profile
- Étudiant(e) en dernière année d’école d’ingénieurs ou en Master 2 (Bac+5), spécialisé(e) en mathématiques appliquées, recherche opérationnelle, optimisation, data science, ingénierie des systèmes ou ingénierie informatique.
- Solides connaissances en optimisation : optimisation locale (gradient, Hill Climbing, etc.), optimisation globale (algorithmes génétiques, recuit simulé, etc.), optimisation multi-objectifs, plans d’expériences.
- Bonne maîtrise de Python (NumPy, SciPy, bibliothèques d’optimisation) et capacité à piloter un logiciel tiers (ligne de commande, scripts, API) pour automatiser des campagnes de calcul.
- Bases en probabilités et en simulation de Monte-Carlo, utiles pour exploiter des résultats issus de simulations ; une connaissance de la sûreté de fonctionnement (fiabilité, disponibilité) ou des réseaux de Petri est un plus.
- Capacité à rédiger une synthèse bibliographique rigoureuse et à présenter clairement ses résultats à des ingénieurs non spécialistes de l’optimisation.
- Autonomie, curiosité et aisance relationnelle pour échanger avec l’équipe SdF et l’éditeur du logiciel.
- Anglais technique courant (lecture de publications scientifiques).
*En tant qu'EPIC, le CNES applique un principe de neutralité (notamment politique et religieux) à l'ensemble de ses collaborateurs