Description

🎯 Vous avez un problème complexe que personne n'a su résoudre ? C'est exactement ce que je fais.

Je suis Aimen Khiar, doctorant-chercheur à l'Université de Haute-Alsace / CESI Campus de Strasbourg, spécialisé en optimisation mathématique, IA et modélisation de systèmes complexes. Ce qui me distingue ? Je ne suis pas un simple développeur — je suis un scientifique qui résout des problèmes à la frontière entre la théorie et le réel.

Mes travaux portent sur la planification de la recharge des véhicules électriques sous incertitude stochastique. J'ai proposé le premier modèle multi-objectif de ce type, publié dans OMEGA (Q1, IF 7.2) — l'une des revues les plus sélectives au monde en management science. Mes recherches ont aussi été présentées à IEEE CEC 2026 (top 3 mondial), ICORES 2025/2026 et ROADEF 2025/2026.

🛠️ Compétences clés :

• Optimisation combinatoire & stochastique : MILP, ordonnancement, routage, planification sous incertitude

• Métaheuristiques multi-objectif : NSGA-II, NSGA-III, MOCS, MOPSO, Simulated Annealing

• Modélisation probabiliste & statistique : Monte Carlo, lois de probabilité, modèles GARCH et extensions

• Séries temporelles & prédiction : modélisation, prévision, détection d'anomalies, application aux taux de change et indices financiers

• Analyse de données : exploration, visualisation, nettoyage, interprétation statistique

• Machine Learning & Data Science : apprentissage supervisé, non supervisé, fédéré

• Développement scientifique : Python (NumPy, Pandas, Numba, Matplotlib), Gurobi, CPLEX, LaTeX, GitHub

💼 Je résous vos problèmes d'optimisation, de scheduling, de routage ou de data science avec la rigueur d'un chercheur et l'efficacité d'un praticien.

🎓 Major de promotion — Master Modélisation Stochastique & RO (USTHB).

💰 TJM : 300 € / jour — Disponible à distance.

Domaines d’expertise

Langues

Français
Bilingue ou natif
Anglais
Bilingue ou natif
Arabe
Bilingue ou natif

Préférences en matière de lieu de travail

En télétravail uniquement

Travaille majoritairement à distance

Université
Chercheur Doctorant
février 2024 - Aujourd'hui (2 ans et 4 mois)
Mulhouse, France
Doctorant en Recherche Opérationnelle — Université de Haute-Alsace / CESI Campus de Strasbourg

📌 Le problème que je résous

Les stations de recharge font face à un défi critique : comment planifier la recharge de multiples véhicules sur plusieurs bornes — qui charge avant qui, sur quel chargeur, à quel moment — tout en optimisant le profit, le pic de puissance, la tardiveté et la satisfaction client, et en tenant compte de l'incertitude sur les arrivées, les durées de recharge et les prix de l'électricité ? Ce problème est combinatoire, stochastique et multi-objectif.

🔬 Ce que j'ai réalisé

J'ai proposé des modèles originaux de planification multi-objectif de la recharge des véhicules électriques, combinant des techniques avancées telles que la programmation en nombres entiers mixtes (MILP), la modélisation probabiliste, et des métaheuristiques hybrides (NSGA-II, NSGA-III, MOCS, MOPSO).

📄 Publications & Conférences
Publié dans des journaux et conférences de premier plan, notamment :

• OMEGA – Q1, IF 7.2 — doi.org/10.1016/j.omega.2025.103506
→ Premier modèle multi-objectif de planification de recharge sous durées stochastiques : ordonnancement sur plusieurs bornes avec temps de service incertains, minimisant simultanément la tardiveté moyenne et le pic de charge, tout en maximisant la quantité d'énergie délivrée aux clients.

• IEEE CEC 2026 — WCCI (Top 3 mondial, Maastricht, juin 2026) — accepté
→ Extension du modèle OMEGA avec arrivées stochastiques des véhicules et annulations aléatoires de demandes.

• ICORES 2025 — Porto — doi.org/10.5220/0013236400003893

• ICORES 2026 — Marbella — doi.org/10.5220/0014305800004055

• ROADEF 2025 & 2026 — Congrès national français de RO
ordonnancement Optimisation stochastique Python Algorithmes Modélisation mathématique
Université
Master en Modélisation Stochastique et Prévisions en Recherche Opérationnelle
septembre 2021 - juillet 2023 (1 an et 10 mois)
Algiers, Algérie
🎓 Diplômé major de promotion — mention excellente.

Projet de fin d'études centré sur une extension originale du modèle GARCH pour la modélisation de la volatilité des séries financières. J'ai proposé le modèle BPGARCH (Buffered Periodic GARCH), qui intègre une structure périodique et un mécanisme de buffer pour mieux capturer les dynamiques non-linéaires des marchés financiers. Les résultats montrent que BPGARCH surpasse le GARCH classique ainsi que plusieurs de ses extensions reconnues dans la littérature, sur la modélisation de multiples indices boursiers.
Séries temporelles Time Series Forecasting Analyse de données Python