Beruflich Dokumente
Kultur Dokumente
Anne 2008
Optimisation des tournes de vhicules dans le cadre de la logistique inverse : modlisation et rsolution par des mthodes hybrides
tel-00483057, version 1 - 12 May 2010
milie Grellier
Le 30 janvier 2008 lcole Nationale Suprieure des Techniques Industrielles et des Mines de Nantes Devant le jury ci-dessous :
Prsident Rapporteurs Examinateur Directeur de thse Co-encadrant quipes daccueil : : : : : Christian Prins, Professeur, Universit de Technologie de Troyes Christine Solnon, Matre de Confrences, HdR, Universit Lyon 1 Frdric Semet, Professeur, Universit de Valenciennes et du Hainaut-Cambrsis Xavier Gandibleux, Professeur, Universit de Nantes Narendra Jussien, Professeur, cole des Mines de Nantes Pierre Dejax, Professeur, cole des Mines de Nantes :
SLP IRCCyN Contraintes LINA Laboratoires daccueil : Institut de Recherche en Communications et Cyberntique de Nantes Laboratoire dInformatique de Nantes Atlantique Composante de rattachement du directeur de thse : cole des Mines de Nantes No ED 366-351
I Description du problme de construction de tournes de vhicules dans un contexte de logistique inverse et son positionnement 5
1 Description du problme 1.1 La logistique inverse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.1.1 Les diffrents traitements des produits rcuprs et les types de retour 1.1.2 Les intrts de la logistique inverse . . . . . . . . . . . . . . . . . . 1.2 Les problmes de construction de tournes de vhicules . . . . . . . . . . . . 1.2.1 Le problme de tournes de vhicules . . . . . . . . . . . . . . . . . 1.2.2 Le VRP avec contrainte de fentres de visite . . . . . . . . . . . . . 1.2.3 Les autres extensions . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2.4 Une classication des problmes de tournes de vhicules . . . . . . 1.3 Le problme de logistique inverse tudi dans le cadre de cette thse . . . . . 1.3.1 Une classication du problme . . . . . . . . . . . . . . . . . . . . . 1.3.2 La division des demandes . . . . . . . . . . . . . . . . . . . . . . . 1.3.3 Le modle mathmatique pour la version en juste temps . . . . . . 1.3.4 Le modle mathmatique pour la version avec gestion des stocks . . . 1.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 tat de lart 2.1 La logistique inverse . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.1.1 Au niveau stratgique . . . . . . . . . . . . . . . . . . . . . . . . 2.1.2 Au niveau tactique . . . . . . . . . . . . . . . . . . . . . . . . . 2.1.3 Au niveau oprationnel . . . . . . . . . . . . . . . . . . . . . . . 2.2 Les tournes de vhicules . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2.1 Le problme de tournes de vhicules avec fentres de visite . . . 2.2.2 Le problme de tournes de vhicules avec gestion des stocks . . 2.2.3 Le problme de tournes de vhicules avec collectes et livraisons 2.2.4 Le problme de tournes de vhicules tudi . . . . . . . . . . . 2.3 Les mthodes hybrides (RO/PPC) dans la logistique et le transport . . . . 2.4 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . i 7 7 9 9 9 9 11 12 12 12 14 14 15 19 20 23 23 23 24 25 26 27 27 28 29 31 33
. . . . . . . . . . . . . .
. . . . . . . . . . . . . .
. . . . . . . . . . . . . .
. . . . . . . . . . . . . .
. . . . . . . . . . . . . .
. . . . . . . . . . . . . .
. . . . . . . . . . . . . .
. . . . . . . . . . . . . .
. . . . . . . . . . . . . .
. . . . . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
ii 3 Jeux de Donnes 3.1 Dans la littrature . . . . . . . . . . . . . . . . . . 3.2 Les instances utilises . . . . . . . . . . . . . . . . 3.2.1 Les caractristiques des trois types de sites 3.2.2 Les catgories des instances . . . . . . . . 3.2.3 Les instances rduites . . . . . . . . . . . 3.3 Les instances issues des cas rels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
II Mthodes doptimisation des problmes de tournes de vhicules dans un contexte de logistique inverse 39
4 Rsolution par des mthodes de construction et amliorations 4.1 Les mthodes de construction . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1.1 Meilleure Insertion (MI) . . . . . . . . . . . . . . . . . . . . . . . . 4.1.2 Plus Mauvaise Insertion (PMI) . . . . . . . . . . . . . . . . . . . . . 4.2 Les mthodes damlioration . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2.1 Les mthodes damlioration mono-tourne . . . . . . . . . . . . . . 4.2.2 Les mthodes damlioration multi-tournes . . . . . . . . . . . . . . 4.3 Les diffrentes versions de tests . . . . . . . . . . . . . . . . . . . . . . . . 4.3.1 En juste temps . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.3.2 Avec gestion des stocks . . . . . . . . . . . . . . . . . . . . . . . . . 4.4 Les rsultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.4.1 Comparaison des deux mthodes de construction de solution . . . . . 4.4.2 Les tests des mthodes damlioration une une . . . . . . . . . . . 4.4.3 Les tests sur les versions en juste temps . . . . . . . . . . . . . . . 4.4.4 Les tests sur les versions avec gestion des stocks . . . . . . . . . . . 4.4.5 Comparaison des rsultats en juste temps et avec gestion des stocks 4.4.6 Les tests sur les versions restreintes . . . . . . . . . . . . . . . . . . 4.5 Conclusions et Perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 Rsolution par mtaheuristique : GRASP 5.1 Le GRASP (Greedy Randomized Adaptive Search Procedure) : 5.1.1 Le principe de la mthode de rsolution . . . . . . . . 5.1.2 La littrature . . . . . . . . . . . . . . . . . . . . . . 5.1.3 Les algorithmes . . . . . . . . . . . . . . . . . . . . . 5.2 Le GRASP appliqu notre problme . . . . . . . . . . . . . 5.2.1 La rsolution "classique" . . . . . . . . . . . . . . . . 5.2.2 La rsolution hybride . . . . . . . . . . . . . . . . . . 5.3 Les diffrents rsultats . . . . . . . . . . . . . . . . . . . . . 5.3.1 Le GRASP classique . . . . . . . . . . . . . . . . . . 5.3.2 Le GRASP hybride . . . . . . . . . . . . . . . . . . . 5.4 Conclusions et perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 41 41 42 42 43 43 47 47 52 52 53 53 54 54 56 56 59 61 61 61 62 62 63 63 65 67 67 68 71 73 73 75 75 77 81 81 82 83 85
6 Rsolution base sur les mthodes exactes 6.1 La technique de gnration de colonnes . . . . . . . . . . . . . . . . . . . . 6.2 La rsolution du problme en juste temps . . . . . . . . . . . . . . . . . . 6.2.1 Le problme et sa modlisation . . . . . . . . . . . . . . . . . . . . 6.2.2 La description du sous-problme . . . . . . . . . . . . . . . . . . . . 6.2.3 Implmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.2.4 La rsolution du sous-problme par programmation dynamique . . . 6.2.5 La rsolution du sous-problme par la mthode taboue . . . . . . . . 6.2.6 La rsolution du sous-problme par la programmation par contraintes 6.2.7 La solution initiale . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.3
6.7
La rsolution du problme avec gestion des stocks 6.3.1 La modlisation . . . . . . . . . . . . . . 6.3.2 La description du sous-problme . . . . . La dgnrescence . . . . . . . . . . . . . . . . Le branch and bound . . . . . . . . . . . . . . . Les rsultats . . . . . . . . . . . . . . . . . . . . 6.6.1 En juste temps . . . . . . . . . . . . . 6.6.2 Avec gestion des stocks . . . . . . . . . . Conclusions . . . . . . . . . . . . . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
85 85 87 88 88 89 89 90 91
93
95 95 95 95 97 101 101 101 102 103 104 104
8 Prconisations selon les applications 8.1 Pertinence du partage de la demande . . . . . . . . . . . . 8.1.1 Avec les mthodes de construction et amliorations 8.1.2 Avec le GRASP . . . . . . . . . . . . . . . . . . . 8.2 Pertinence de loption gestion des stocks . . . . . . . . . . 8.3 Les diffrents rsultats obtenus sur les instances relles . . 8.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
IV Annexes
Annexe 1 - Bases de la programmation par contraintes Annexe 2 - Bases de la programmation linaire Annexe 3 - Dtails des rsultats des heuristiques de construction et amliorations Bibliographie
107
109 111 113 123
iii
mthode . . . . . mthode . . . . .
de rsolution : . . . . . . . . . de rsolution : . . . . . . . . .
Reprsentation des nuds du graphe pour chaque jour . . . . . . . . . . . . . . . . . . . . . . Reprsentation simplie du graphe pour chaque jour : un seul arc par type est reprsent ici. . volution de la charge dans le vhicule au cours dune tourne . . . . . . . . . . . . . . . . . .
Comparaison des mthodes de rsolution par construction et amlioration en juste temps . . . 96 Comparaison des mthodes de rsolution par construction et amlioration avec gestion des stocks 97
Combinaisons des mthodes damlioration testes pour la rsolution de notre problme en juste temps . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2 Combinaisons des mthodes damlioration testes pour la rsolution de notre problme avec gestion des stocks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.3 Comparaisons des rsultats des deux mthodes de construction . . . . . . . . . . . . . . . . . . 4.4 Tests des mthodes damlioration une une en fonction des mthodes de construction . . . . . 4.5 Tests des mthodes damlioration une une . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.6 Rsultats des diffrentes versions de rsolution en juste temps . . . . . . . . . . . . . . . . . . 4.7 Rsultats des diffrentes versions de rsolution avec gestion des stocks . . . . . . . . . . . . . . 4.8 Comparaison des rsultats en juste temps et avec gestion des stocks . . . . . . . . . . . . . . . 4.9 Rsultats des diffrentes versions restreintes en juste temps . . . . . . . . . . . . . . . . . . . 4.10 Comparaison des rsultats obtenus avec et sans les mthodes faibles identies . . . . . . . . . 4.11 Rsultats des diffrentes versions restreintes avec gestion des stocks . . . . . . . . . . . . . . . 4.12 Comparaison des diffrentes versions avec gestion des stocks . . . . . . . . . . . . . . . . . . . 5.1 5.2 5.3 5.4 6.1 6.2 6.3 6.4 7.1 7.2 7.3 8.1 Rsultats obtenus par le GRASP classique en juste temps, en fonction de la taille de la liste de candidats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Rsultats obtenus par le GRASP classique avec gestion des stocks, en fonction de la taille de la liste de candidats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Rsultats obtenus par le GRASP hybride en juste temps, en fonction des diffrents paramtres Rsultats obtenus par le GRASP hybride avec gestion des stocks, en fonction des diffrents paramtres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Tableau de la matrice des contraintes du problme matre du problme en juste temps . . . . . Tableau de la matrice des contraintes du problme matre du problme avec gestion des stocks . Comparaison des rsultats obtenus par la gnration de colonnes selon les mthodes de rsolution et les tailles dinstances en juste temps . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Comparaison des rsultats obtenus par la gnration de colonnes selon les mthodes de rsolution et les tailles dinstances avec gestion des stocks . . . . . . . . . . . . . . . . . . . . . . . . . . Comparaison des mthodes damlioration selon les catgories dinstances . . . . . . . . . . . . Comparaison des rsultats sur les types C1, C2, R1, R2, RC1 et RC2 selon les diffrentes mthodes GRASP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Comparaison des meilleurs rsultats obtenus en fonction des mthodes de rsolution et des instances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Comparaison des diffrentes versions selon les cots de cration dune tourne avec des mthodes de construction et amliorations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101 vii
LISTE DES TABLEAUX Comparaison des rpartitions de meilleures solutions obtenues grce la mthode de construction et amliorations dans la version sans partage de la demande selon les catgories dinstances Comparaison du nombre de meilleures solutions obtenues sans loption de partage de la demande selon les types dinstances : C, R et RC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Comparaison des diffrentes versions selon les cots de cration dune tourne avec le GRASP . Comparaison des rpartitions de meilleures solutions obtenues grce au GRASP dans la version sans partage de la demande selon les catgories dinstances . . . . . . . . . . . . . . . . . . . . Comparaison du nombre de meilleures solutions obtenues selon loption de gestion des stocks ou non et selon les cots . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102 102 103 103 103
Rsultats obtenus dans les tests des versions en juste temps . . . . . . . . . . . . . . . . . . . 117 Rsultats obtenus grce aux tests avec gestion des stocks . . . . . . . . . . . . . . . . . . . . . 121
Introduction
Le contexte
Nous sommes actuellement dans une conjoncture o le transport routier se trouve de plus en plus mis mal. En effet les rcents dbats sur la politique mener pour amliorer notre impact sur lcologie ainsi que les nombreuses augmentations du prix du ptrole laissent penser quil est ncessaire de minimiser au maximum les diffrents dplacements de nos vhicules. Les recherches sur loptimisation de la logistique, et plus particulirement les recherches sur la construction des tournes de vhicules, vont dans le sens de nos besoins industriels et humains. Les constructions de tournes sont utilises tant pour le transport de marchandises, de dchets, de courriers que pour le transport de personnes. Le rseau logistique dans lequel se fait cette optimisation se divise en plusieurs niveaux. Plusieurs demandes de transport sont envisageables au sein et entre ces niveaux. Certains rseaux se distinguent par la particularit de leurs caractristiques telles que la prsence dune otte de vhicules pour satisfaire les demandes dont la capacit est homogne ou htrogne, la prsence de dpts intermdiaires an de recharger ou dcharger les vhicules en cours de tournes, la prsence de contraintes daccessibilit sur les diffrents sites visiter, la ncessit de couvrir le rseau via les arcs ou les sommets. Dautres se distinguent par les caractristiques des demandes telles que une demande de collecte ou livraison, une demande pouvant tre livre par plusieurs vhicules (cas des demandes pouvant tre divises), la prsence de fentres de visite au sein desquelles les demandes doivent tre effectues. Les constructions de tournes peuvent avoir plusieurs objectifs. Nous pouvons notamment citer la minimisation des cots ou encore la minimisation du nombre de vhicules utiliss. Loptimisation des tournes permet de raliser des accroissements de productivit (rduction des cots) comme lamlioration de lorganisation et de la qualit de service la clientle. Le secteur de la logistique inverse est devenu un domaine trs porteur. La logistique inverse considre les ux dits inverses (allant des consommateurs vers le producteur), en opposition aux ux dits traditionnels (allant du producteur vers les consommateurs). Les ux inverses peuvent tre des ux de retours de produits en cas de non satisfaction, dans le cadre dun service aprs-vente ou encore lorsque celui-ci arrive en n de vie. Les retours peuvent galement tre des ux de matriaux de conditionnement dans le but de les rutiliser ou bien de les recycler. La mise en place dune telle organisation peut tre motive par plusieurs enjeux : conomique, cologique, lgislatif ou damlioration du service client. Malgr lutilisation de vhicules au sein des rseaux de logistique inverse, elle contribue au recyclage de nombreux produits trs polluants, la rcupration des matires premires et la prise en compte des produits retourns par les consommateurs ce qui fait son succs. Ce genre de rseau trs prometteur coupl une optimisation des dplacements effectus dans celui-ci est une bonne manire daller dans le sens du respect de lenvironnement et du dveloppement durable, tout en minimisant les frais lis lutilisation des vhicules. Cest pour toutes ces raisons que nous avons tudi un problme de construction de tournes dans un contexte de logistique inverse.
Les objectifs
Dans cette thse, les objectifs sont doubles. En effet nous pouvons diviser nos objectifs en deux parties qui sont : les objectifs problme et les objectifs techniques. Les objectifs problme rsident essentiellement dans la mise en place dun rseau assez gnrique pour pouvoir tre utilis dans divers contextes : logistique traditionnelle de livraison, logistique traditionnelle de collecte, 1
Introduction
distribution et collecte de courriers, etc. Nous tudions un rseau constitu dun dpt et de n magasins. Plusieurs vhicules constituent la otte disponible au dpt pour effectuer les livraisons de produits et pour collecter les retours des magasins. Un ventail large doptions telles que la variation des diffrents cots, la possibilit ou non de livrer un mme client en plusieurs fois, la gestion ou non des stocks des magasins1 par le dpt central est propose. Nous avons voulu travailler sur un problme issu de la logistique inverse mais le rseau tudi sadapte dautres problmes dans un tout autre contexte. De plus le problme trait est original. Il est modulable et peut ainsi tre trait avec diverses contraintes an de permettre une rutilisation. Ainsi lobjectif principal est de trouver selon les diffrentes options du rseau certaines prconisations quant la mthode appliquer sur le problme. Les objectifs techniques rsident quant eux dans lemploi de techniques de programmation par contraintes au sein des mthodes de rsolution via les mthodes hybrides. La programmation par contraintes permet de rsoudre des problmes combinatoires tout comme la recherche oprationnelle. La complmentarit des deux techniques via les mthodes hybrides a prouv son efcacit sur plusieurs problmes combinatoires. Ainsi les mthodes hybrides semblent une voie prometteuse pour rsoudre le problme de construction de tournes de vhicules. Nous souhaitons donc dans un premier temps valider la cohrence de lemploi de telles mthodes sur des problmes comme celui que nous traitons. Puis dans un second temps il sagira de comparer les performances des mthodes nemployant que des techniques issues de la recherche oprationnelle avec celles des mthodes hybrides. De plus diverses techniques de rsolution seront testes : heuristique, mtaheuristique et exacte.
Lorganisation de la thse
Cette thse se dcoupe en trois parties sparant ici laspect dnition du problme des mthodes de rsolution utilises et des rsultats obtenus. La premire partie est consacre la description du problme de tournes de vhicules que nous traitons et son positionnement dans la littrature. Ce problme est dcrit dans son contexte : la logistique inverse que nous dnirons dans le chapitre 1. Pour cela, nous verrons dans un premier temps plusieurs dnitions de la logistique inverse, les diffrentes nalits des produits rcuprs dans la logistique inverse et les diffrents intrts la mise en place dun tel rseau logistique. Puis, nous introduirons les problmes de construction de tournes qui constituent le fondement du problme tudi. Et enn, nous caractriserons le problme trait et proposerons deux modles mathmatiques pour les deux versions du problme (en juste temps et avec gestion des stocks1 ). Le chapitre 2 permet de faire un tat de la littrature sur les trois domaines principaux de cette thse. Nous commencerons par faire une revue de la littrature de la logistique inverse sur les trois niveaux de la planication hirarchise : stratgique, tactique et oprationnel. Puis nous verrons les travaux qui concernent les problmes de construction de tournes avec plusieurs variantes : avec fentres de visite, avec gestion des stocks, avec collecte et livraison et nous verrons les travaux ayant trait au problme tudi. Nous terminons ltat de lart par un chantillon de travaux raliss sur des problmes de transport et qui ont t rsolus par le biais de mthodes hybrides. Le chapitre 3 permet de dnir lensemble des instances que nous avons utilises pour ce problme. Tout dabord, nous dnissons les instances que nous avons gnres alatoirement avec comme base de travail celles proposes par Solomon (1987) [139] pour le VRPTW 2 . Puis, nous prsentons les instances proposes par la socit alfaplan Management Software & Consulting GmbH qui seront traites grce des mthodes heuristiques. La seconde partie de cette thse est consacre la rsolution du problme trait. Elle constitue une grande partie de notre contribution. Nous commencerons dans le chapitre 4 par les mthodes heuristiques (construction et amliorations). Nous verrons les diffrentes techniques de construction de solution tudies. Puis nous verrons lensemble des mthodes damliorations et les diffrentes combinaisons de celles-ci. Nous nirons par tudier les diffrents rsultats obtenus et nous conclurons sur la meilleure mthode heuristique trouve pour le problme en juste temps et celui avec gestion des stocks. Le chapitre 5 explique quant lui comment nous avons rsolu notre problme grce une mtaheuristique appele GRASP3 [61]. Nous commencerons par expliquer le principe de cette mthode et les diffrents travaux sur ce sujet dans la littrature. Nous prsenterons ensuite comment
Lorsque le dpt central ne gre pas les stocks des magasins le problme sera alors dans sa version en "juste temps" et lorsquau contraire les stocks des magasins sont grs par le dpt central le problme sera alors dans sa version appele "avec gestion des stocks". 2 Vehicle Routing Problem with Time Windows 3 Greedy Randomized Adaptive Search Procedure
1
Introduction
nous appliquons le GRASP au problme trait tout dabord en utilisant une recherche locale dite "classique" (utilisant des techniques de recherche oprationnelle) au sein de la mtaheuristique puis en utilisant une recherche locale dite "hybride" (utilisant des techniques de programmation par contraintes). Le chapitre 6 montre comment nous avons modlis le problme tudi par un modle de partitionnement an de pouvoir utiliser la technique de gnration de colonnes [71], [72] suivie dun Branch and Bound [102]. Nous commencerons ce chapitre en rappelant le principe de la technique de gnration de colonnes puis nous exposerons les modles de partitionnement correspondant aux deux versions du problme et nous verrons comment rsoudre le sous-problme de plus court chemin sous contraintes de ressources avec diffrentes techniques : recherche taboue [73] et [74], programmation dynamique et programmation par contraintes. La troisime partie sera consacre des tudes comparatives des diffrents rsultats obtenus. Le chapitre 7 comparera les rsultats selon les diffrentes catgories dinstances exposes dans le chapitre 3 et selon les mthodes de rsolution utilises. Puis le chapitre 8 offrira des prconisations selon les applications tudies et exposera les rsultats obtenus sur les instances relles. Nous terminerons cette thse par diffrentes conclusions et perspectives de travaux futurs. Par ces travaux nous modlisons et rsolvons un problme original et gnrique. Ce problme, permettant lajout ou le retrait de plusieurs options, a t rsolu par le biais de mthodes heuristiques, mtaheuristiques et par gnration de colonnes suivi de Branch and Bound. Les diverses mthodes damlioration et combinaisons de mthodes damlioration ont t prouves an den identier la ou les meilleures. La mtaheuristique GRASP ainsi que la technique de gnration de colonnes ont pu tre compares sous diverses approches de rsolution faisant appel ou non la programmation par contraintes. Lensemble des rsultats apporte des prconisations quant la mthode employer selon la physionomie du rseau tudi. Pour rsoudre le problme par les mthodes hybrides nous avons utilis le solveur de contraintes CHOCO4 . Pour la rsolution exacte du problme nous nous sommes servis de XPRESS. Lensemble des mthodes de rsolution a t dvelopp en JAVA. Le problme dans son contexte a t prsent au cours de la confrence ILS06 [78]. Les travaux effectus sur les mthodes de construction et amliorations ont fait lobjet dun rapport technique lcole des Mines de Nantes [75]. La rsolution du problme par mtaheuristique a t prsente la confrence nationale ROADEF07 [77] et la confrence internationale MIC07 [76]. Enn une approche de rsolution par gnration de colonnes a t propose la confrence internationale Odysseus06 [79].
http ://choco-solver.net
Premire partie
tel-00483057, version 1 - 12 May 2010
Description du problme de construction de tournes de vhicules dans un contexte de logistique inverse et son positionnement
Chapitre 1
En regardant ces deux dnitions, on constate quelles saccordent sur un des buts de la logistique inverse qui est de retrouver de la valeur aux produits rcuprs. Dautres auteurs ont cherch dnir la logistique inverse en partant de la dnition de la logistique traditionnelle. Citons ainsi Rogers et Tibben-Lembke (1998) [130] qui utilisent la dnition fournie par le "Council of Logistics Management" : "Processus de planication, de mise en uvre, de contrle du ux efcace et rentable de matires premires, de stocks de produits nis et des informations associes partir du produit de consommation jusquau point dorigine dans le but de rcuprer la valeur ou dliminer de faon approprie les produits usags". Enn, une dernire dnition qui nous semble intressante de noter est celle donne par Chouinard (2003) [29], qui qualie la logistique inverse ainsi : "Elle consiste rcuprer des biens du circuit commercial ou du consommateur mme, de les orienter vers une nouvelle tape de leur existence et de les traiter dans le but den retirer le maximum de valeur en cherchant les rintgrer sur le march ou de les liminer proprement. Par son champ daction, on voudra assurer, entre autres, la gestion et la planication des activits de collecte, dvaluation, de tri, de dsassemblage, de redistribution de mme que la gestion des stocks de produits neufs, rcuprs et valoriss dans le but de rorienter les produits rcuprs de manire efciente dans leur cycle de vie". Parmi lensemble de ces dnitions, nous considrons que la dernire propose par Chouinard (2003) [29], rsume bien la conception que nous avons de la logistique inverse. La logistique inverse comprend trois grandes familles de produits : les produits dfectueux, le service aprs vente et les produits pouvant tre rutiliss des ns environnementales (emballages, dchets, produits en n de vie, DLC2 dpasse, etc.). Par la logistique inverse souvent on cherche mieux satisfaire le consommateur. Mieux le satisfaire, cest lui permettre de rapporter le produit en dbut de cycle sil ne lui convient pas et de lliminer en n de vie. Il nest pas forcment ncessaire dans un rseau de logistique inverse que les retours arrivent au point de dpart du rseau de logistique traditionnelle. Ils peuvent effectivement arriver chez un tiers : dchetterie, centre de retraitement, etc. Nous pouvons ainsi utiliser le schma 1.1 tir de celui propos par Bostel et al. (2005) [20] pour reprsenter un rseau logistique global (traditionnel et inverse). Certains secteurs ont dj, par ncessit, intgr la logistique inverse dans leur rseau logistique. Nous Figure 1.1 Schma dun rseau logistique global : incluant les ux directs et indirects
Fournisseurs Production Distribution Clients
Flux direct
Flux inverse
Recyclage
Points de Collecte
pouvons ainsi citer : la vente par correspondance, les services de location, etc. Avec 35% de retour en moyenne les socits dachats sur catalogue ont d ncessairement se proccuper de la mise en place dun tel systme. De plus, le dveloppement des achats par Internet risque de contribuer lexpansion de la logistique inverse. Il en
2
est de mme pour les socits vendant des produits forte valeur ajoute (automobile par exemple). Ainsi, on constate que la logistique inverse est un concept novateur et en expansion.
1.1.1
Suite la rcupration des produits dans le cadre de la logistique inverse, plusieurs traitements sont possibles. Thierry et al. (1995) [150] classent ces diffrents traitements en cinq catgories : rparation ; reconditionnement ; rassemblage ; rcupration de composants (cannibalisation) ; recyclage des produits utiliss ou de leurs composants. Fleischmann (2001) [66] distingue, quant lui, cinq catgories de retours de produits : retours de produits inutiliss ; retours commerciaux ; retours de produits sous garantie ; rebuts et produits drivs des activits du rseau ; emballage.
1.1.2
Les intrts de structurer une chane logistique inverse au sein dune entreprise sont multiples. Toutefois nous pouvons en considrer quatre. Le premier pouvant tre cit est la conscience environnementale du consommateur. En effet, la prise de conscience envers lenvironnement de la part de la socit en gnral favorise et justie les activits en logistique inverse. Le fait dtre vu par le consommateur comme une entreprise verte peut par ailleurs tre trs vendeur. Une seconde motivation llaboration dun tel systme est la prise en compte, ou le devancement, des rglementations sur le recyclage et la protection de lenvironnement. Nous pouvons citer ici le rcent dcret sur la gestion des DEEE3 . Grce au dcret n2005-829 du 20 juillet 2005, lors de la vente dun quipement lectrique ou lectronique mnager, le distributeur reprend gratuitement, ou fait reprendre pour son compte, les quipements lectriques et lectroniques usags que lui cde le consommateur, dans la limite de la quantit et du type dquipement vendu. Ensuite tous les producteurs dquipements lectriques et lectroniques doivent pourvoir la collecte de ces dchets chez leurs diffrents distributeurs. Un troisime aspect motivant lutilisation de la logistique inverse est lintrt conomique de la rutilisation des produits. En effet, en rutilisant certaines parties de produits, lentreprise et le client font des conomies. Krikke et al. (1999) [101] montrent dans leur tude sur le recyclage de moniteurs dordinateurs quun gain de 25% peut tre effectu grce la rutilisation de certaines parties. Enn le quatrime aspect concerne lamlioration du niveau et de la qualit de service qui permet le retour des produits par les clients.
1.2.1
Le problme de construction de tournes de vhicules connu sous le nom de Vehicle Routing Problem (VRP) est une extension du problme du voyageur de commerce, connu galement sous le nom de Travelling Salesman Problem (TSP). Nous allons donc dans un premier temps dnir le problme du voyageur de commerce, puis
3
10
Le problme du voyageur de commerce Soit G = (V, A) un graphe o V reprsente lensemble de n sommets et A lensemble des arcs (si le graphe est orient) ou artes. Chaque arte ou arc (i, j ) du graphe possde un cot not : cij . Lobjectif de ce problme est de trouver un cycle ou circuit de cot minimum, visitant lensemble des n sommets du graphe. Autrement dit, il sagit de trouver un cycle ou circuit Hamiltonien de cot minimum. Ce problme est NP-difcile [92]. Une formulation linaire de ce problme a t propose par Dantzig et al. (1954) [40]. Soient xij une variable binaire gale 1 si larc (i, j ) est utilis dans le trajet et 0 sinon, cij le cot de parcours de larc (i, j ). On peut alors formaliser le problme de TSP comme suit :
Min : z =
i=1 j =1
cij xij
(1.1)
xij = 1 xij = 1
j V
iV S V ; 2 |S | n 2
xij |S | 1
i,j S
iV j V
xij {0, 1}
Les contraintes 1.2 et 1.3 permettent dassurer que le voyageur nentre et ne sorte quune seule fois par sommet. La contrainte 1.4 limine la formation de sous-tour au sein dun voyage. Lobjectif de ce problme est donc de minimiser les cots de transport lis aux arcs visits par le circuit.
Le problme dlaboration de tournes de vhicules Le problme de construction de tournes de vhicules ("Vehicle Routing Problem" (VRP) en anglais) est une gnralisation du problme de TSP avec plusieurs voyageurs qui seront appels vhicules. Le but est de visiter tous les sommets dun graphe laide dune otte de vhicules qui partent et arrivent tous au dpt. Nous pouvons ainsi dnir le graphe G = (V, A), o V = {0, . . . , n} correspond lensemble des n + 1 sommets du graphe o 0 reprsente le dpt. Chaque client i appartenant V \ {0}, a une demande de produit di qui correspond la quantit de produit quil faut lui livrer ou collecter. Une otte de M vhicules tous identiques de capacit Q est disponible. Lobjectif du V RP est de trouver M tournes (partant et revenant au dpt) an que tous les sommets soient visits une unique fois tout en minimisant le cot total de transport et en respectant la capacit de stockage des vhicules. Ce problme tant une extension du T SP , il est donc NP-difcile. Pour la modlisation, nous allons utiliser la formulation fournie par Fisher et Jaikumar (1978, 1981) [64], [65]. Pour cette formulation, dnissons la variable binaire xk ij qui indique si j est immdiatement visit aprs k qui est gale 1 si le vhicule k effectue le i dans la tourne k . Nous avons galement la variable binaire yi
1.2 - Les problmes de construction de tournes de vhicules service chez le client i. Ainsi nous pouvons crire : Min : z =
M n n k=1 i=0 j =0
11
cij xk ij
n k di yi Q i=1 M
(1.6)
k yi =1 k=1 M k y1 =M k=1 n
j (1, . . . , n) k (1, . . . , M )
i=1 n
k xk ij = yj
i (1, . . . , n) k (1, . . . , M )
j =1
k xk ij = yi
S V ; 2 |S | n 2 k (1, . . . , M )
i,j S
xk ij |S | 1 xk ij {0, 1}
k yi
i, j V i = j iV
k (1, . . . , M )
k (1, . . . , M )
{0, 1}
Dans ce problme, la contrainte 1.7 vrie que la capacit de chargement de chaque vhicule est bien respecte. La contrainte 1.8 permet de vrier le passage unique chaque sommet du graphe (hors le dpt) et la contrainte 1.9 permet de vrier que lon construit bien M tournes. Les contraintes 1.10 et 1.11 assurent la cohrence entre la visite dun sommet par un vhicule et le fait que le service est effectu dans ce sommet. Ainsi, pour pouvoir effectuer un service dans un sommet il faut que lon ait emprunt un arc entrant et un arc sortant du sommet. La contrainte 1.12 est similaire la contrainte 1.4 pour le TSP et a pour but dviter la formation de sous-tours au sein des tournes. En ce qui concerne la contrainte dlimination des sous-tours (1.4, 1.12), il est galement possible dutiliser celles proposes par Miller et al. (1960) [111] qui ne fait intervenir que n2 contraintes (au lieu de 2n 2 ici).
1.2.2
Les fentres de visite ou fentres de temps correspondent un intervalle de temps pendant lequel une visite chez le client est possible. Deux types de fentres de visite existent, une appele "fentre large" et une autre appele "fentre serre". Dun ct, la fentre de visite large autorise un vhicule arriver en dehors de la fentre de visite des clients mais en contre partie une pnalit dpendant de la violation sera alors inige. De lautre ct, la fentre de visite serre, nautorise en aucun cas larrive dun vhicule en dehors des heures de visite. Le problme de tournes de vhicules avec fentres de visite est aussi appel Vehicle Routing Problem with Time Windows (VRPTW). Pour tendre le modle propos par Fisher et Jaikumar (1978, 1981) [64], [65] an de prendre en considration les fentres de visite des diffrents sommets, introduisons les termes suivants : ai : la borne infrieure de la fentre de visite du sommet i ; bi : la borne suprieure de la fentre de visite du sommet i ; si : le temps de service du sommet i ; tij : le temps de transport entre les nuds i et j ; uk i : linstant de visite du sommet i par le vhicule k ; T : une grande valeur (T 0). Les contraintes de respect des fentres de visite peuvent ainsi scrire : i (1, . . . , n) k (1, . . . , M ) i (1, . . . , n) j (2, . . . , n) k (1, . . . , M ) ai uk i bi uk i + si + tij T (1 xk ij ) uk j (1.15) (1.16)
12
La contrainte 1.15 permet de vrier que linstant de visite du site se trouve entre les bornes infrieure et suprieure de la fentre de visite du site. La contrainte 1.16 vrie la cohrence des instants de visite lorsque deux sites se suivent.
13
par le client, il repart vers le dpt pour un re-conditionnement. Il pourra repartir en magasin jours aprs le retour au dpt. Figure 1.2 Rseau tudi
Les caractristiques des tournes dans ce rseau sont rsumes dans la gure 1.3. Les vhicules partent du dpt chargs du stock de produits quils doivent distribuer dans leur tourne. Le vhicule doit arriver dans la fentre de visite pour chaque site visit. Chacun des sites est soit livr en produits soit collect en produits en retour et en palettes vides soit les deux en mme temps. Ce qui amne le vhicule retourner au dpt galement charg des diverses collectes. Le rseau prsent dans la gure 1.2 est inspir du fonctionnement des grandes enseignes de supermarchs de Figure 1.3 Caractristiques des tournes dans le rseau
type Systme U. Dans la suite des chapitres nous allons considrer deux stratgies de livraison : En juste temps : consiste rpondre la demande des sites le jour donn (ex. : si le site a besoin de 20 produits le jour 2 alors on effectuera une livraison de 20 produits le jour 2) ;
14
C HAPITRE 1 : Description du problme Avec gestion des stocks : on sautorise livrer par avance certaines demandes, un cot de stockage est donc payer pour toute demande livre avec avance. Il est peut-tre plus avantageux de payer un cot de stockage que de payer le cot de routage de la demande le jour voulu.
Exemple Considrons un cercle de rayon M et dont le centre est le dpt, supposons que nous avons n clients avec n = 2k qui sont localiss quidistance sur le cercle. La demande de chaque client est de k et la capacit des vhicules est de Q = 2k 1. La distance entre chaque client est de . La solution optimale sans partager la demande est de visiter chaque site indpendamment, on obtient ainsi un cot de 2nM . Alors, que lorsque le partage des demandes est autoris une solution consiste visiter deux clients conscutifs, en ne livrant que k 1 au deuxime client (soit sa demande moins une unit), la dernire tourne livrera alors les k clients auxquels il manque une unit de leur demande. Chacune des k premires tournes a un cot de 2M + et la dernire tourne un cot de 2M + 2M . Ce qui au total donne un cot de k (2M + ) + 2M + 2M c.--d. nM (1 + 2M + 2+2 n ). Ce qui dmontre que le ratio entre la valeur optimale obtenue pour le problme avec partage de la demande et la valeur optimale obtenue sans tend vers 1 2 lorsque n tend vers . De mme on peut noter que le nombre de vhicules utiliss est diminu.
Gendreau et al. (2006) [70] se basent sur les travaux de Dror et Trudeau (1990) [55] pour dmontrer que dans une solution optimale du SDVRPTW (Split Delivery Vehicle Routing Problem with Time Windows) il ne peut pas y avoir deux tournes ayant plus dune demande de livraison en partage en commun. Pour prouver ceci ils utilisent la preuve suivante : Considrons une solution optimale pour le SDVRPTW dans laquelle nous avons les deux tournes suivantes : k , q l , q k et q l sont les quantits positives que les rk et rl . Ces deux tournes ont deux sites en commun vi et vj . qi i j j l = min(q k , q l , q k , q l ). Nous pouvons modier les tournes tournes rk et rl livrent au site vi et vj . Notons que qj i i j j k q l , q l = q l + q l , q k = q k + q l et q l = 0. de faon ce que les quantits livrs vi et vj deviennent : qik = qi j i i j j j j j Dans cette nouvelle solution la quantit livre aux deux sites sont identiques, la charge total dans le vhicule est la mme, les fentres de visite sont toujours respectes si le temps de service ne dpend pas de la quantit livre. Enn, si les temps de transport et les cots de transport respectent lingalit triangulaire, le cot de la deuxime solution est meilleur que celui de la premire ce qui prouve quaucune solution optimale ne peut contenir deux tournes contenant plus dun site de livraison en commun. Ce thorme ne peut pas sappliquer dans notre cas dtude. En effet, la prsence de points de collecte pouvant tre possible nimporte quel endroit dans une tourne, la preuve nonce ci-dessus ne peut pas tre valide dans tous les cas. Prenons par exemple le cas suivant : les vhicules ont une capacit de 100, la tourne 1 visite les sites 2, 3 et 4 et la tourne 2 visite les sites 1, 2 et 4. La tourne 1 effectue les actions suivantes : livraison de 35 en 2, collecte de 60 en 3 et livraison de 40 en 4. La tourne 2 effectue les actions suivantes : livraison de 20 en 1, livraison de 40 en 2 et livraison de 40 en 4. Les deux tournes passent toutes les deux par les l = 35, en suivant la logique de la dmonstration on arrive une tourne 1 : livraison sites 2 et 4. Dans notre cas qj
15
de 0 2, collecte de 60 3 et livraison de 75 4. Or pour livrer les 75 4 il faut les avoir dans le vhicule ds le dpart il est donc impossible de collecter les 60 en 3 sans violer la contrainte de respect de capacit du vhicule.
1.3.3
Dans cette partie nous allons proposer le modle mathmatique pour notre problme dans sa version en juste temps. Les indices I : nombre de magasins ; T : nombre de priodes ; V : nombre de vhicules ; i (ou i ) : indice des magasins, i = 0 reprsente le dpt et i {1, . . . , I } les magasins ; t : indice des priodes, t {1, . . . , T } ; v : indice des vhicules, v {1, . . . , V }.
Smi : capacit totale de stockage (en m3 ) du magasin i ; t : demande prvisionnelle du magasin i pour la journe t (en palettes pleines) ; Di t Vi : ventes relles du magasin i le jour t (en palettes pleines) ; Smini : niveau de stock minimal de palettes pleines que doit avoir le magasin i (en palettes pleines) ; t : nombre de palettes arrivant en retour du client au magasin i le jour t (en palettes pleines) ; ri dii : distance sparant le magasin i du magasin i (en km) ; ai : borne infrieure de la fentre de visite du magasin i (horaire) ; bi : borne suprieure de la fentre de visite du magasin i (horaire) ; si : temps de service du site i (en minutes).
Le dpt (i = 0) d0i : distance sparant le dpt du magasin i (en km). Flotte de vhicules Svv : capacit de transport du vhicule v (en m3 ) ; k : reprsente la vitesse moyenne des vhicules (en km/h). Les cots Les diffrents cots sont exprims en unit montaire. Tout dabord voyons les cots lis aux vhicules : Cfv : cot xe dutilisation du vhicule v (en euro) ; Cvv : cot variable dutilisation du vhicule v (euro/km) ; Maintenant voyons les cots lis aux stocks : CS : cot de stockage par jour dune palette pleine (en euro) ; Volume des diffrents lments a : volume dune palette vide (en m3 ) ; b : volume dune palette pleine (en m3 ) ; c : volume dun produit en retour (en m3 ) ; txP al : taux de palettisation c.--d. nombre de produits sur une palette ; txP alV : nombre de palettes vides correspondant au volume dune palette pleine.
16 Variables de dcision
Pour les magasins : XN mt i : niveau de stock en palettes pleines dans le magasin i le jour t ; t XP ali : niveau de stock de palettes vides au magasin i le jour t ; XP dtt i : niveau de stock de produits retourner du magasin i vers le dpt le jour t ; tiv : instant de visite du site i par le vhicule v .
Lobjectif
Le but est de minimiser les cots totaux (c.--d. les cots de routage).
T t yv Cfv +
min f =
v =1 t=1
xt ii v Cvv dii
i=0 i =0 v =1 t=1 i =i
(1.17)
Le cot minimiser prend en compte le fait qu chaque utilisation dun vhicule, on ajoute son cot xe dutilisation et on ajoute galement les frais dutilisation kilomtrique.
1.3 - Le problme de logistique inverse tudi dans le cadre de cette thse Modle
17
XApprot iv
t t c wiv + a ziv
v =1 XApprot iv +
i>0 t i>0 t
t+1 XP ali
t XP ali
v =1 V
t ziv +
Vit txP al
(1.22) (1.23)
I
+1 XP dtt = XP dtt i i v =1 I
t t wiv + ri
t v
i M >> 0
i =0 i =i I
xt ii v
t (ziv
t wiv
XApprot iv )
M
i =0 i =i
xt ii v
(1.24)
v
i =0 i =i I
t xt ii v = yiv
(1.25)
v
i =0 i =i I
t xt i iv = yiv
(1.26)
I t xt ii v XIv 1
t v
i=1 i =1 i =i V
(1.27)
t
v =0 i =1 V
xt 0i v V xt i 0v V
v =0 i =1
t i v i j vt
i t v i i i i v v t v v i i t t
[0, 1]
18
(1.18)
(1.19)
(1.20)
(1.21) (1.22)
(1.23) (1.24)
Dans chacun des magasins, chaque jour, le volume de palettes vides plus le volume de produits retourner, plus le volume de palettes pleines ne doit pas dpasser la capacit (en volume) de stockage du magasin. Le stock de palettes pleines au magasin la priode t + 1 est gal au stock de palettes pleines dans ce magasin la priode t moins les ventes qui ont t effectues la priode t, plus lventuel rapprovisionnement de palettes qui aurait t fait la priode t. Pour chaque site visit par le vhicule v , il faut que le niveau de stock dans le vhicule son arrive au site moins les palettes pleines descendues ce site, plus les palettes vides reprises, ne dpasse pas la capacit de transport du vhicule v . Lorsque deux points sont relis par un vhicule, le vhicule est utilis. Le stock de palettes vides pour le magasin i la priode t + 1 est gal au stock de palettes vides de la priode t pour ce magasin moins les palettes vides qui ont t rcupres par les diffrents vhicules, plus les palettes vides provenant de la vente des produits. Idem que pour lquation (1.22) mais pour les palettes de retour. Un vhicule v ne peut pas prendre de palettes vides dans un magasin la priode t sil ne passe pas par ce magasin sur cette mme priode. Il en est de mme avec les retours de produits. De plus, un vhicule v ne peut pas livrer de palettes provenant du dpt au magasin i la priode t sil ne passe pas par ce magasin cette mme priode. Inversement, un vhicule v ne doit pas passer par le magasin i le jour t sil na rien faire au magasin i (pas de dpt, pas de reprise de palettes vides ni de produits en retour). Assurent quau plus un seul site sera visit immdiatement aprs (avant) le site i par le vhicule v le jour t si et seulement si i est visit par ce mme vhicule le mme jour. Contrainte interdisant les sous tours. Assurent quil y a au maximum V tournes sur chaque journe de la planication. Assurent le respect des fentres de visite des sites. Assure le juste temps de la livraison de la demande : on ne livre que ce qua besoin le site le jour considr TAB . 1.1 Explications des contraintes dans la version en juste temps
19
1.3.4
Lobjectif Le but est de minimiser les cots totaux (c.--d. les cots de stockage plus les cots de livraisons).
V T t yv Cfv v =1 t=1 I T V I n V T
min f = (
+
i=0 i =0 v =1 t=1 i =i
xt ii v Cvv dii )
(1.38)
+CS (
(
i=0 t=0 v =0
t XApprot iv ) Di )
Dans la premire partie, chaque utilisation dun vhicule on ajoute son cot xe dutilisation et on ajoute galement les frais dutilisation kilomtrique. Dans la seconde partie, nous prenons en compte les cots de stockage en magasin.
Modle
t t aXP ali + cXP dtt i + bXN mi Smi V +1 t XN mt = XN mt i Vi + i t Svv XN vvi b I t yv i=0 i =0 i =i V I t t xii v M yv
XApprot iv
t t c wiv + a ziv
v =1 XApprot iv +
t ziv +
Vit txP al
(1.43) (1.44)
I
t t wiv + ri
xt ii v
(1.45)
itv
(1.46)
itv
i =0 i =i I
t xt i iv = yiv
(1.47)
I t xt ii v XIv 1
tv
i=1 i =1 i =i
(1.48)
20
t
v =0 i =1 V
xt 0i v V xt i 0v V
v =0 i =1 t ei Tiv li t 0 (1 xt ii v )M Tiv + si t XN mt i Di + Smini t yv [0, 1] t yiv , xt ii v [0, 1] t ii v N t wiv N t ziv N
(1.49) (1.50) (1.51) + kdii Tit v (1.52) (1.53) (1.54) (1.55) (1.56) (1.57) (1.58)
t
t t v i XIv
tvii i t vt
ii vt ii vt vi vi
Le tableau 1.2 explique les contraintes prsentent dans le problme avec gestion des stocks.
1.4 Conclusion
Dans ce chapitre nous avons dni dans quel contexte notre travail sinscrit. Nous avons ainsi dcrit la problmatique de la logistique inverse en utilisant les diffrentes dnitions que nous avons trouves. Nous avons galement dcrit les diffrents traitements des retours dans la logistique inverse et les intrts mettre en place un tel rseau. Nous avons ensuite rappel les dnitions des problmes de construction de tournes de vhicules et donn quelques explications concernant loption de pouvoir livrer une demande grce plusieurs vhicules. Enn nous avons dni notre problme et donn les deux modles mathmatiques qui le caractrisent. Dans la suite de ce document nous allons voir comment rsoudre ce problme de construction de tournes dans le cadre de la logistique inverse. Nous nous attacherons distinguer les deux stratgies nonces auparavant (juste temps et avec gestion des stocks).
1.4 - Conclusion
21
(1.39)
(1.40)
(1.41)
(1.42) (1.43)
(1.44) (1.45)
Dans chacun des magasins, chaque jour, le volume de palettes vides plus le volume de produits retourner, plus le volume de palettes pleines ne doit pas dpasser la capacit (en volume) de stockage du magasin. Le stock de palettes pleines au magasin la priode t + 1 est gal au stock de palettes pleines dans ce magasin la priode t moins les ventes qui ont t effectues la priode t, plus lventuel rapprovisionnement de palettes qui aurait t fait la priode t. Pour chaque site visit par le vhicule v , il faut que le niveau de stocks dans le vhicule son arrive au site moins les palettes pleines descendues ce site (venue du dpt), plus les palettes vides reprises, ne dpassent pas la capacit de transport du vhicule v . Lorsque deux points sont relis par un vhicule, le vhicule est utilis. Le stock de palettes vides pour le magasin i la priode t + 1 est gal au stock de palettes vides de la priode t pour ce magasin moins les palettes vides qui ont t rcupres par les diffrents vhicules, plus les palettes vides provenant de la vente des produits. Idem que pour lquation (1.43) mais pour les palettes de retour. Un vhicule v ne peut pas prendre de palettes vides dans un magasin la priode t sil ne passe pas par ce magasin sur cette mme priode. Il en est de mme avec les retours de produits. De plus, un vhicule v ne peut pas livrer de palettes provenant du dpt au magasin i la priode t sil ne passe pas par ce magasin cette mme priode. Inversement, un vhicule v ne doit pas passer par le magasin i le jour t sil na rien faire au magasin i (pas de dpt, pas de reprise de palettes vides ni de produits en retour). Assurent quau plus, un seul magasin ne sera visit immdiatement aprs (avant) le magasin i par le vhicule v le jour t si et seulement si i est visit par ce mme vhicule le mme jour. Contrainte interdisant les sous tours. Assurent quil y a au maximum V tournes sur chaque journe de la planication. Assure le respect des fentres de visite des magasins. Le successeur du magasin i dans la tourne ralise par le vhicule v le jour t aura un temps de visite suprieur celui de i plus son temps de service plus le temps de parcours de la distance sparant les deux magasins. Assure le fait quil y a assez pour satisfaire la demande du jour. TAB . 1.2 Explications des contraintes pour le modle avec gestion des stocks
(1.53)
Chapitre 2
tat de lart
Nous allons dans ce chapitre voir un chantillon des travaux qui ont pu tre raliss dans les diffrents domaines qui ont trait notre problme. Ainsi, nous verrons tout dabord les travaux qui se rapportent au contexte de notre tude : la logistique inverse. Puis nous verrons les travaux sur les tournes de vhicules qui correspondent la base du problme qui nous intresse. Les mthodes hybrides, fruits de lutilisation de mthodes issues de la recherche oprationnelle avec des techniques issues de la programmation par contraintes,1 dont lefcacit a t prouve sur les problmes de transport, font lobjet de la troisime partie de ce chapitre.
2.1.1
Au niveau stratgique
Les travaux mens sur ce niveau de planication sont des tudes essentiellement de mise en place dun rseau de logistique inverse : organisation et laboration du rseau. Les dcisions qui vont tre prises suite ces tudes sont de grandes dcisions stratgiques qui retent la politique de lentreprise.
Des rappels des techniques de base sur la programmation par contraintes et la programmation linaire sont faits respectivement dans les annexes 1 et 2. Ces deux types de mthodes de rsolution sont complmentaires et permettent de palier aux lacunes de lune ou de lautre. 2 Notons quun tat de lart complet sur la logistique inverse a t ralis par Bostel et al. (2005)[20], nous invitons le lecteur sy rfrer pour de plus amples renseignements.
1
23
24
Les diffrents objectifs possibles pour les tudes sur le niveau stratgique sont : la dtermination des acteurs dun rseau et de leur rle (Beaulieu et al., 1999 [10]), le choix du rseau "open-loop"3 ou "close-loop"4 (Fleischmann et al., 1997 [67]), le choix du type de reconversion quil faut choisir pour les produits en retour (Thierry et al., 1993 [149]), etc. Dans les diffrentes tudes les modles peuvent traiter indpendamment les ux inverses du rseau logistique classique (Barros et al., 1998 [8]), les modles peuvent traiter les ux directs et inverses simultanment avec une faible corrlation entre les deux ux (Lu et al., 2004 [107]) et enn les modles peuvent traiter les deux ux ensembles avec une forte corrlation entre les deux ux du rseau (Lu, 2003 [106]). Par exemple, Bloemhof-Ruwaard et al. (1994) [18] font une tude sur le problme de la conception dun rseau de distribution (avec comme acteurs : des usines, des clients et des centres de traitements des dchets) et sur le problme de la coordination des ux de produits (ux directs) et de dchets (ux inverses) dans ce rseau. Ce problme est appliqu un problme de coordination de ux entre des entreprises agricoles, des entreprises agro-alimentaires et des usines de traitement des engrais. Cest dans le domaine du recyclage des dchets aciers dus aux dmolitions de btiments que Spengler et al. (1997) [142] ralisent leur tude. Loriginalit de ces travaux rside dans le fait que les ux inverses constituent ici ltape avant production. Le but tant de dterminer quel procd de recyclage doit tre dvelopp pour chacun des produits rsiduels, la capacit de recyclage requise, la localisation des installations et lassignation des produits rsiduels vers un site. Un gain de 40% a t fait grce la mise en place de ce modle. Enn ltude mene par Barros et al. (1998) [8], est ralise sur un problme de recyclage de sable de construction. Le but tant ici de dterminer le nombre et le type dinstallations qui doivent tre implantes en vue de la mise en place du recyclage. De plus il faudra galement dterminer o implanter ces installations et leur capacit.
Circuit ouvert : les ux directs partent dun endroit qui nest pas le lieu darrive des ux inverses Circuit ferm : les ux directs partent du lieu o arrivent les ux inverses
25
la possibilit de jeter les produits en retour (Teunter, 2001 [147]) ou non (Fleischmann et al., 2002 [68]) ; la possibilit davoir des commandes en attente (Inderfurth, 1997 [90]) ou non (Kiesmller, 2003 [96]) ; les mthodes utilises pour trouver les quantits de commande : modle EOQ5 comme dans Ritcher (1996) [129], Wagner-Within dans Beltran et Krass (2002) [13] et heuristiques comme dans Kiesmller et Scherer (2003) [97]. Voyons quelques exemples de cas rels que nous avons rencontrs. Nous pouvons dans un premier temps noter ltude de Rudi et al. (2000) [134] qui est ralise sur les retours de produits mdicaux (comme des fauteuils roulants, des appareils auditifs) pour Norwegian National Insurance Administration. Dans cette tude, les retours de matriels mdicaux sont tudis pour pouvoir choisir entre la rutilisation ou labandon de ceux-ci. Ainsi, ils dveloppent un modle de systme daide la dcision qui fournit le cot denvoi dune unit lenfouissement des dchets, le cot de remise neuf, la valeur des parties qui peuvent tre utilises ailleurs, les avantages de remise neuf. Notons aussi, les retours de matriels informatiques tels que les ordinateurs pour lentreprise IBM qui ont pu tre tudis par Fleishmann (2001) [66]. Dans cette tude, lauteur aborde le problme selon deux approches. La premire consiste ajouter la logistique inverse un rseau de logistique existant alors que la deuxime consiste faire un nouveau rseau logistique alliant les deux types de ux (direct et inverse). Dans les travaux de Toktay et al. (2000) [151], il sagit des retours dappareils photos jetables pour lentreprise Kodak qui sont tudis. Ainsi, ltude consiste dvelopper et analyser un modle de la chane dapprovisionnement. Enn, Van Der Laan (1997) [157] tudie le fait que dans lindustrie automobile certaines pices rnoves (dmarreur, alternateur, etc.) sont vendues moins chers que les pices neuves.
2.1.3
Au niveau oprationnel
Passons maintenant au troisime niveau de la planication hirarchise : le niveau oprationnel. Il sagit du niveau sur lequel se situe le problme tudi dans le cadre de cette thse. Nous verrons dans un premier temps les diffrents cas rels tudis, puis nous classerons les tudes selon le type de problme trait, le type de ux pris en compte, le nombre de priodes tudies et la mthode de rsolution utilise. Les cas rels Trois tudes peuvent tre considres : les ux de production, les ux de distribution ou les deux ux traits simultanment. Tout dabord commenons par la gestion des ux de production. Krikke et al. (1999) [101], ralisent une tude sur le recyclage dcrans dordinateurs pour lentreprise Roteb. Le but ici est danalyser la viabilit conomique du recyclage de moniteurs et de valider la viabilit pratique des modles. Ainsi les auteurs ont mis au point un modle pour le recyclage de moniteurs et ont compar la solution optimale cologique celle conomique. Les rsultats montrent quun gain de 25% peut tre ralis sur les cots de recyclage. De mme, ltude mene par Spengler (2003) [141] a t ralise pour le compte dune socit allemande de recyclage de dchets lectroniques. Il consiste en la conception et la mise en uvre dun systme daide la dcision pour des socits de recyclage de dchets lectroniques dans des chanes dapprovisionnement en boucle ferme. Dans le cas des diffrents travaux qui portent sur loptimisation des ux de distribution dans la logistique inverse, notons tout dabord ltude ralise par Crainic et al. (1993) [39] dans le domaine du transport de marchandises en containers. Les auteurs proposent un modle multi-priodique et stochastique pour lassignation des containers vides. Ce modle est destin au transport terrestre de containers maritimes pour le commerce international. De mme nous pouvons citer ltude de Duhaime et al. (2001) [56] sur la rutilisation des containers de Canada Post. Ils montrent grce un modle de ux de cot minimal que les ruptures de stocks peuvent tre vites si les containers sont retourns rapidement. Citons les travaux de Feillet et al. (2002) [59] qui sont raliss dans lindustrie automobile pour un transport inter-usine de produits en container. Le but est ici doptimiser les circuits inter-usines combinant le transport de containers chargs, les retours de containers vides et le positionnement des camions vides. Finalement voyons ltude de Del Castillo et Cochran (1996) [43], o les deux types de ux (production
5
26
et distribution) sont traits pour des containers rutilisables. En effet, cette tude porte sur la production et la distribution de produits livrs dans des containers rutilisables. Ainsi, les retours des containers vides sont une contrainte pour la production. Les types de problme : Plusieurs types de problme ont t tudis. En effet, nous avons pu voir des tudes sur la distribution de produits comme dans Crainic et al. (1993) [39], Del Castillo et Cochran (1996) [43], Duhaime et al. (2001) [56], Feillet et al. (2002) [59]. Nous avons galement pu voir des tudes sur la production de produits comme dans Krikke et al. (1998) [100], Spengler et al. (1997) [142], Gupta et Taleb (1994) [82], Thierry (1997) [148]. Et enn nous avons pu voir des tudes sur la production et distribution de produits comme dans Del Castillo et Cochran (1996) [43], Lu (2003) [106]. Le type de ux pris en compte : En ce qui concerne les ux qui sont pris en compte dans les tudes sur le niveau oprationnel de la logistique inverse, nous avons constat deux orientations possibles. Une premire orientation est de ne considrer quune tude sur les ux inverses seuls. Cest le cas des tudes faites par : Crainic et al. (1993) [39], Krikke et al. (1998) [100], Spengler et al. (1997) [142] et Gupta et Taleb (1994) [82]. La seconde orientation possible est de traiter la combinaison des ux inverses et traditionnels comme lont fait Duhaime et al. (2001) [56], Feillet et al. (2002) [59], Del Castillo et Cochran (1996) [43], Lu (2003) [106] et Thierry (1997) [148]. Le nombre de priodes tudies : Un critre qui ressort des diffrentes tudes est le nombre de priodes sur lequel est ralis ltude. Pour ce critre l nous avons deux possibilits, soit ltude est mono-priodique comme dans Duhaime et al. (2001) [56], Lu (2003) [106], Krikke et al. (1998) [100] et Spengler et al. (1997) [142], soit ltude est multi-priodique comme dans Crainic et al. (1993) [39], Del Castillo et Cochran (1996) [43], Feillet et al. (2002) [59], Gupta et Taleb (1994) [82] et Thierry (1997)[148]. Mthodes de rsolution : En ce qui concerne les mthodes utilises pour rsoudre les problmes du niveau oprationnel de la logistique inverse en voici les principales : la programmation linaire : Del Castillo et Cochran (1996) [43] par exemple utilisent deux programmes linaires (un agrg et lautre non) et combinent ces rsultats avec ceux obtenus par simulation ; la simulation : Del Castillo et Cochran (1996) [43] utilisent la simulation pour imiter les rgles utilises par les planicateurs, Thierry (1997) [148] utilise des modles de simulation pour comparer les stocks de scurit ncessaires pour garantir un niveau de service ; la relaxation lagrangienne : Lu (2003) [106] lutilise pour rsoudre un problme intgrant production et distribution avec gestion des ux direct et inverse simultanment ; la thorie des graphes : Penev et De Ron (1996) [122] utilisent un algorithme de plus court chemin an de dnir les squences optimales de dsassemblage pour rcuprer certains composants des produits dans un processus de "cannibalisation" ; les heuristiques (type construction et amliorations) : Taleb et Gupta (1997) [144] proposent un algorithme en deux phases. La premire pour dterminer le nombre de produits dsassembler et la deuxime pour planier les oprations de dsassemblage de ces produits.
27
problme de construction de tournes trait avec la contrainte de fentre de temps, le problme de construction de tournes trait avec gestion des stocks et le problme de construction de tournes avec collectes et livraisons.
2.2.1
Comme il a t expliqu dans le chapitre prcdent (1.2.2), dans certains cas une contrainte de respect de fentres de visite est ajoute au problme de construction de tournes. Lun des premiers travaux sur ce sujet est celui ralis par Pullen et Webb (1967) [125] sur un problme de construction de tournes pour le courrier de Londres. Nous allons classer les diffrentes tudes selon les mthodes de rsolution : approches ou exactes. Dans les diffrentes tudes ralises sur un VRPTW 6 rsolu grce une mthode approche citons tout dabord Taillard et al. (1997) [143] qui utilise une mthode taboue pour rsoudre un problme avec des fentres de temps larges (cf. 1.2.2). Nous pouvons galement citer les travaux de Cordeau et Laporte (2001) [37] qui utilisent une mthode taboue galement. De mme citons les travaux de Berger et Barkaoui (2004) [15] qui utilisent des algorithmes gntiques pour rsoudre ce problme. Kontoravdis et Bard (1995) [99] ont quant eux utilis une mtaheuristique nomme GRASP (Greedy Randomized Adaptive Search Procedure). Cette mthode permet de construire une solution ralisable en faisant intervenir une part dalatoire, puis un processus de recherche locale est appliqu sur cette solution. Cette mthode est un processus itratif dans lequel la phase de construction de solution et la phase de recherche de voisinage sont rptes un certain nombre de fois (paramtre de la mthode). En ce qui concerne les mthodes exactes, nous pouvons citer : Desrochers et al. (1992) [48] qui utilisent la technique de gnration de colonnes pour rsoudre des instances contenant 100 clients. Dans de nombreux travaux, des bornes pour le problme de VRPTW ont t calcules notamment par dcomposition Lagrangienne comme dans les travaux raliss par : Madsen (1990) [108] ou Halse (1992) [83]. Ces bornes ont par la suite t utilises dans un processus de Branch and Bound [102] an de rsoudre des instances 100 clients. Pour plus de prcisions concernant ce problme, un tat de lart sur le problme de construction de tournes avec fentres de visite nous invitons le lecteur se rfrer aux travaux faits par Cordeau et al. [34] (2002) et par Brysy et Gendreau (2005) [21], [22].
2.2.2
Lorsque des contraintes de gestion de stocks sur plusieurs jours sont ajoutes au problme du VRPTW, nous arrivons un problme dIRP (Inventory Routing Problem). En effet dans ce cas l, la dcision prendre concernant la dnition des tournes est couple avec la gestion des stocks des clients. Le problme de tournes avec gestion des stocks consiste dterminer pour chaque jour de la priode de planication, les tournes effectuer par chacun des vhicules, les quantits de produits livrer an de minimiser la somme des cots de transports, des cots de stockage et des cots xes des vhicules utiliss tout en veillant ne mettre aucun client en rupture. Un autre problme connu sous le nom de Period Vehicle Routing Problem (PVRP) sapparente lIRP. Dans le PVRP chaque client doit tre visit un certain nombre de fois au cours de lhorizon de planication. Le nombre de visites de chaque client est une donne du problme. Le but est ici de minimiser les cots de transport en satisfaisant le nombre de visites obligatoires de chaque client. Parmi les diffrentes applications concrtes du problme de construction de tournes avec gestion de stocks nous pouvons citer : le ramassage de containers de recyclage de papiers (Baptista et al., 2002 [5]) ; le ramassage des dchets recyclables sur un campus (Bommisetty et al., 1998 [19]) ; la distribution de produits ptroliers (Campbell et Savelsbergh, 2002 [24] Malpart et al., 2003 [110]) ; la distribution de gaz industriels (Witucki et al., 1997 [164]). Le problme de construction de tournes de vhicules avec gestion de stocks est un cas particulier de problme de tournes de vhicules. Cest pourquoi, nous allons ici appliquer la classication des problmes de tournes de vhicules propose par Haouari (1991). Celle-ci repose sur trois critres diffrents qui sont : les caractristiques de la otte de vhicules, le type de la demande des clients et le critre doptimisation.
6
28
Commenons par le critre concernant la otte de vhicules. Celle-ci est constitue de plusieurs vhicules dans tous les cas sauf pour ltude mene par Reiman et al. (1999) [126] o un seul vhicule compose la otte. Dans la littrature nous pouvons ensuite trouver deux types de ottes diffrentes : une otte homogne (tous les vhicules sont de capacit identique) dans Anily (1994) [1], Chan et al. (1998) [27], Kim et Kim (2002) [98] ou une otte htrogne dans Tan et Beasley (1984) [145]. Dans la plupart des cas les vhicules doivent visiter plusieurs clients par tourne mais Burns et al. (1985) [23] et Taqa Allah et al. (2000) [146] quant eux comparent les deux stratgies de construction de tournes : soit un seul client est visit par tourne soit plusieurs. Dune faon gnrale les vhicules partent chargs du dpt, visitent tous leurs clients et reviennent vide au dpt. Cependant, Jaillet et al. (1986) [91] introduisent la notion de dpts intermdiaires ("satellites") dans lesquels les vhicules peuvent venir se rapprovisionner en cours de tourne. Voyons le critre suivant qui est celui de la nature de la demande des clients. Deux approches se distinguent : soit une approche dterministe o la quantit de produits livrer pour chaque client est connue, soit une approche stochastique o la consommation des clients nest connue quavec une certaine probabilit (le niveau rel du stock nest connu qu larrive du vhicule chez le client). Dans la littrature mme si gnralement cest lapproche dterministe qui est le plus souvent adopte comme le font par exemple Anily et Federguen (1993) [2], nous pouvons cependant souligner les diffrentes approches stochastiques ralises : Federgruen et Zipkin (1984) [58], Dror et Ball (1987) [54], Trudeau et Dror (1992) [154]). Regardons enn le troisime critre de cette classication : les critres doptimisation. Nous pouvons en rencontrer trois types diffrents : minimisation du cot de transport total (cest le cas le plus rpandu dans la littrature) ; minimisation du cot de transport et du cot de stockage : Bertazzi et al. (1999) [16], Kim et Kim (2002) [98] ; minimisation du nombre de vhicules utiliss (c.--d. de la taille de la otte ncessaire) : Gaudioso et Paletta (1992) [69]. Dans la majorit des cas les problmes dIRP sont rsolus avec des mthodes approches. Un ensemble dautres rfrences sur le problme dIRP va tre donn plus loin dans ce chapitre (2.2.4). Un tat de lart concernant les problmes de constructions de tournes avec gestion des stocks a t ralis par Campbell et al. (2002) [24].
29
des plages horaires de visite le problme devient un problme de collectes et livraisons avec fentres de visite (PDPTW ). Si la otte de vhicules est compose dun vhicule nous serons dans un problme not : 1-PDP ou 1-PDPTW et si plusieurs vhicules sont disponibles nous serons alors dans un problme not : m-PDP ou un m-PDPTW. Plusieurs cas dapplications peuvent tre modliss comme un problme de Collectes et Livraisons : le transport la demande (DARP : Dial A Ride Problem) [38], il sagit ici de transporter des personnes en groupe ou seul dun point de dpart une destination en un temps maximal de transport ou entre deux instants dnis. Deux objectifs peuvent tre mis en conit la minimisation des cots lis au transport et la maximisation de la satisfaction du client en respectant les instants dnis ou en ne dpassant pas le temps de trajet maximal dni ; le transport de personnes handicapes (Handicapped person transportation problems (HTP)) [152], il sagit ici dun cas particulier du DARP o les personnes transportes sont handicapes, ainsi des contraintes lies aux diffrents besoins sont ajoutes (besoin dun vhicule particulier, besoin despace supplmentaire. . .) ; les problmes de messageries (Courier Company Pickup and Delivery Problems (CCPDP) [138] consistent distribuer des lettres et colis de leur expditeur leur destinataire. Chaque demande de transport est caractrise par un site de collecte et un site de livraison plus une fentre horaire pour raliser le service. De nombreux tat de lart ont t raliss sur le problme gnral de Collectes et Livraisons notons notamment : Mitrovic-Minic (1998) [114], Savelsbergh et Sol (1995) [136] ou encore Cordeau et al. (2007) [35]. Dautres rfrences sur ce problme sont donnes dans la partie 2.2.4.
VRPPD Plusieurs dnitions sont fournies dans la littrature pour ce type de problme. En effet, pour certains le VRPPD a la mme dnition que le problme gnral de Collectes et Livraisons et pour dautres le VRPPD correspond aux problmes de Collectes et Livraisons mais o pour toutes demandes de transport soit lorigine soit larrive est reprsente par le dpt. Nous avons dcid dopter pour la seconde dnition comme le font Nagy et Salhi (2005) [117]. Ce problme est un problme doptimisation dont le but est de trouver un ensemble de tournes de faon satisfaire lensemble des demandes de transport. Chaque demande de transport est caractrise par une charge, un ou plusieurs points de dpart (collectes) et un ou plusieurs points darrive (livraisons). Aucune collecte et livraison ne peuvent se faire entre sites au sein du rseau. Lorsque nous rajoutons des fentres de visite un problme de VRPPD nous obtenons un VRPPDTW : Vehicle Routing with Pickups and Deliveries and Time Windows. Nous distinguons trois modles diffrents pour le VRPPD : Tout dabord, nous avons "Delivery-rst, pickup-second VRPPD". Dans ce type de modle les sites sont classs en deux catgories : les sites qui reoivent des produits et les sites qui envoient des produits. Chaque vhicule ne pourra collecter des produits quaprs avoir ni toutes ses livraisons ; Ensuite nous avons "Mixed pickups and deliveries". Dans ce cas l, les collectes et les livraisons sont ralises sans ordre prcis ; Finalement, le troisime modle est "Simultaneous pickups and deliveries". Dans ce cadre l les sites peuvent simultanment recevoir et envoyer des produits. Notre problme correspond plus ici un VRPPDTW qu un problme gnral de Collectes et Livraisons. Nous pouvons de plus prciser que notre problme sapparente plus un problme de VRPPDTW avec collecte et livraison simultanes.
2.2.4
Nous navons trouv dans la littrature quune tude pouvant se rapprocher de nos travaux. Il sagit de celle dcrite dans les travaux de Christiansen et Nygreen (1998) [31] et Christiansen (1999) [30]. Ceux-ci seront dcrits dans le paragraphe voquant les mthodes de rsolution exactes pour rsoudre notre problme. Dans la suite de cette partie nous allons donner quelques mthodes de rsolution qui ont t employes sur des problmes en lien avec notre problme. Comme il a t dit prcdemment seul le paragraphe sur les mthodes exactes voque une tude similaire la ntre.
Des travaux sur la rsolution dIRP ont pu tre faits mais dans tous les cas que nous avons trouvs il ne sagit que des demandes de livraisons ou que des demandes de collectes avec gestion des stocks, les deux ux ne sont pas traits simultanment. Plusieurs travaux sur la rsolution heuristique de lIRP ont t raliss citons notamment les travaux de Taqa allah et al. (2000) [146] qui rsolvent le problme de lIRP pour plusieurs produits grce des heuristiques de type glouton. Nous pouvons citer galement les travaux de Malpart et al. (2003) [110] qui dveloppent des heuristiques constructives pour un problme o deux types de stations cohabitent : celles dont le stock est gr par les transporteurs et celles qui lancent leurs commandes lorsquil est ncessaire. De mme, des travaux sur la construction de tournes de manire approche comprenant simultanment des collectes et des livraisons ont pu tre faits mais sur un aspect mono-priodique et sans gestion des stocks. Nous pouvons citer les travaux de Bianchessi et Righini (2007) [17] sur des heuristiques de construction et amliorations pour le problme de construction de tournes comprenant simultanment des collectes de dchets et des livraisons de produits. Pour cela, ils introduisent les deux concepts de "squence fortement ralisable" (squence de clients pouvant tre visits par un vhicule sans violer la capacit du vhicule) et "squence faiblement ralisable" (squence de clients pouvant devenir une squence fortement ralisable par un changement dordre de visite). Ils utilisent plusieurs mthodes de recherche locale : avec voisinages simples, avec voisinages complexes, avec voisinages variables et utilisent galement une recherche taboue reprenant les diffrentes recherches locales nommes prcdemment. De plus, nous pouvons citer les travaux de Mosheiov (1998) [115] qui considre comme nous que chaque demande (de livraison ou de collecte) peut tre honore par plus dun vhicule et qui rsout le problme grce deux heuristiques bases sur le principe du "Route First, Cluster Second". Citons galement, les travaux de Tan et Beasley (1984) [145] et de Dror et Ball (1987) [54] sur un problme dIRP qui se basent sur les rsultats de Fisher et Jaikumar (1978) [64]. Dans ces travaux la rsolution du problme de voyageur de commerce est effectue par des algorithmes classiques. Les techniques heuristiques peuvent tre appliques partir dune solution ralisable (Christodes et Beasley, 1984 [32]) ou elles peuvent aussi servir obtenir une solution de dpart et ensuite lamliorer (Gaudioso et Paletta, 1992 [69]). Notons ltude mene par Toth et Vigo (1997) [152] qui proposent des mthodes dinsertion parallles pour le m-PDPTW. Une autre technique de rsolution approche est la mthode de dcomposition. Citons Dumas et al. (1989) [57] qui introduisent la notion de mini-cluster pour rsoudre un problme de grande taille. Une autre classe de mthodes de rsolution est constitue des algorithmes damlioration qui partent dune solution initiale et qui vont chercher lamliorer. Une de ces mthodes est la recherche locale. Cest celle-ci quont utilis Van-Der-Bruggen et al. (1993) [156] pour rsoudre le 1-PDPTW. Enn, voyons les mtaheuristiques. En effet nous pouvons citer le recuit simul (Van-Der-Bruggen et al., 1993 [156] pour un 1-PDPTW), la recherche taboue (Malca et Semet, 2004 [109] pour un m-PDPTW), les colonies de fourmis (pour un m-PDPTW) ou les algorithmes gntiques (Pankratz, 2005 [119] pour un m-PDPTW) qui ont pu tre entre autre utiliss. Un problme qui se rapproche le plus de celui que lon considre est le VRPSDP : Vehicle Routing Problem with Simultaneous Delivery and Pick-up. Halskau et al. (2001) [84], Hoff et Lokketangen (2006) [88] traitent de ce problme en adoptant une hypothse qui nous intresse particulirement : la possibilit pour un mme vhicule de visiter en deux fois certains sites (tournes en lasso). Halskau et al. (2001) [84] utilisent des mthodes heuristiques pour rsoudre ce problme, alors que Hoff et Lokketangen (2006) [88] utilisent la mthode taboue. Les mthodes exactes Voyons tout dabord les mthodes de rsolution exactes pour les problmes de collectes et livraisons. Notons tout dabord les modles de programmation linaires en nombres entiers. Parmi les diffrentes tudes proposant une modlisation mathmatique pour le problme de Collectes et Livraisons avec fentres de visite (PDPTW ), notons les tudes de Lau et Liang (2001) [104] pour le 1-PDPTW et de Savelsbergh (1995) [136] pour le mPDPTW. Une deuxime catgorie de mthodes de rsolution exacte est la programmation dynamique, comme par exemple dans les travaux de Desrosiers et al. (1986) [50]. Une autre mthode de rsolution est la mthode de sparation et valuation. Nous pouvons ici citer titre dexemple les travaux de Kalantari et al. (1985) [93] pour rsoudre le 1-PDPTW. Des techniques de gnration de colonnes bases sur des modles de recouvrement ou de partitionnement ont galement t utilises, citons les travaux de Velasco et al. (2005) [160] qui rsolvent le problme gnral de Pick-up and Delivery pour un problme de tournes dhlicoptres. Enn un algorithme de Branch and Cut peut galement tre utilis pour rsoudre ce genre de problme. Cordeau (2003) [36] rsout
31
un problme de m-PDPTW avec ce type de mthode. Les mthodes exactes ne sont pas utilises pour rsoudre le problme dIRP entirement. En effet, dans la littrature, seules des parties de ce problme sont rsolues optimalement. Nous pouvons voir dans certains travaux lemploi de la relaxation lagrangienne pour obtenir une borne infrieure de la solution (Bell et al., 1983 [12]). Notons aussi que la dcomposition de Benders est utilise dans les travaux de Federgruen et Zipkin (1984) [58]. Nous navons trouv dans la littrature quune tude pouvant se rapprocher de nos travaux. Il sagit de celle explique dans Christiansen et Nygreen (1998) [31] et Christiansen (1999) [30]. Dans ces travaux les auteurs tudient un problme sur la planication de navires entre 15 ports sur une dure dun mois. Les caractristiques de leur problme montrent une certaine ressemblance avec le ntre : multi-vhicules, chargement et dchargement de produits, prsence de fentres de visite, un produit et gestion des stocks. Les auteurs utilisent une technique de gnration de colonnes avec Branch and Price (Barnhart et al., 1998 [7] et Vanderbeck, 2000 [159]). Les auteurs modlisent leur problme avec deux sous-problmes : un pour la construction de tournes des navires et un autre pour la gestion des stocks. Le but de ltude est de minimiser les cots de routage uniquement. Les diffrences remarques avec notre problme sont les suivantes : il ny a pas de prsence de dpt cest--dire que les tournes nont pas de point xe de dpart et darrive, de plus souvent les quantits ncessaires pour chaque port impliquent la prsence dun seul port dans la tourne. Nous invitons le lecteur lire larticle de Baldacci et al. (2007) [4] sur les avances des algorithmes exactes pour les problmes de construction de tournes.
Des rappels de base de la programmation par contraintes et la programmation linaire sont faits respectivement en annexe 1 et 2. Can Be Connected 9 Limited Discrepancy Search
32
C HAPITRE 2 : tat de lart chemins suivant les choix de lheuristique (ayant donc 0 divergence), puis augmente peu peu le nombre de divergences autorises an darriver au nombre maximum de divergences.
Leur heuristique est, quant elle, base sur la meilleure insertion possible grce la fonction dvaluation suivante : le cot dinsertion de i entre a et b est c(a, i) + c(i, b) c(a, b). Puis, au lieu dutiliser une recherche locale une fois quune solution est construite, ils appliquent le principe doptimisation locale progressive. Ainsi, aprs chaque insertion une r-optimisation grce au 3-opt est effectue. Une extension de leur heuristique a t ralise pour le VRPTW. Ils concluent leur tude en notant que la technique LDS doit tre employe avec une heuristique rapide, car elle possde un temps de calcul assez consquent. Voyons maintenant ltude de Shaw (1998) [137]. Dans cet article, lauteur utilise une mthode de recherche locale appele LNS10 . Cette technique explore un grand voisinage de la solution actuelle en choisissant un certain nombre de visites enlever de la solution, puis r-insre ces visites en utilisant un arbre de recherche contraint pour valuer le cot et la validit de la modication. Lauteur utilise galement la technique LDS (explique ci-dessus), mais il lutilise dans la phase de r-insertion grce son arbre de recherche. Le nombre de visites qui est enlev est chang dynamiquement et le choix des sites qui doivent tre enlevs est effectu alatoirement. Tout ceci entrane une certaine diversit des solutions obtenues. Lauteur utilise sa mthode de rsolution sur un VRP et sur un VRPTW. Des rsultats comparables ceux obtenus par des mtaheuristiques ont t obtenus. Dans larticle crit par De Backer et al. (2000) [42], les auteurs introduisent une mthode qui utilise des techniques damlioration itrative et des metaheuristiques avec des structures de programmation par contraintes (ILOG Solver). Ils appliquent cette mthode des problmes de construction de tournes. Ainsi, an dviter les piges des minima locaux, la technique damlioration itrative sera couple une mtaheuristique. Deux mtaheuristiques ont t testes dans cet article : la recherche taboue (Glover (1989 [73], 1990 [74]) et la mthode nomme Guided Local Search (Voudouris et al. 1995 [163], Voudouris 1997 [162]). La mthode Guided Local Search ajoute des pnalits la fonction objectif en fonction des solutions visites prcdemment. La recherche est pnalise si les solutions sont trop proches des minima locaux rencontrs. La contrainte de chemin du solver ILOG [89] a t utilise pour propager lespace libre dans les vhicules et linstant de visite des clients pour chaque tourne. Cette contrainte permet de vrier que les quantits (temps, charge etc.) accumules au cours dun chemin respectent les bornes. Ainsi si on note Ri le successeur de i dans le chemin, qi la quantit accumule en i et qij la quantit ajoute au parcours de larc (i, j ), la contrainte assure que Ri = j Qj Qi + qij . La recherche est effectue par les techniques damlioration itrative. Lorsque cette technique a besoin de vrier la validit dune solution potentielle elle appelle la structure de programmation par contraintes. Ainsi, an deffectuer la propagation des dcisions et de vrier la faisabilit de la solution potentielle, lensemble des variables de dcision R est instanci, ainsi les variables de temps et de capacit ont leur domaine qui se rduisent. Si une variable se retrouve avec son domaine vid alors la solution nest pas ralisable. Quatre amliorations itratives ont t tudies : 2-opt, le dplacement dune visite au sein dune mme tourne ou dune autre tourne, un change de deux visites au sein dune mme tourne ou entre deux tournes ou lchange de la n de deux tournes. Dans leurs travaux, Domenjoud et al. (1998) [52] proposent une solution pour un problme de construction de tournes avec collecte et dpt, et tablissent le planning de travail des conducteurs en fonction. Ce problme correspond un problme de transport de personnes handicapes pour lentreprise : GIHP11 . Les contraintes qui sont prises en compte dans leur problme de construction de tournes sont la capacit du vhicule et les fentres de temps. Voici en quelques chiffres les donnes du problme : 20 vhicules, 20 conducteurs et une moyenne de 200 300 demandes de transport par jour. Les demandes de transport sont faites par avance et spcient le lieu de dpart, le lieu darrive, les contraintes horaires. Le but est de minimiser le cot total. Le projet a t divis en trois parties : la construction des tournes, laffectation des conducteurs aux tournes et laffectation des vhicules aux tournes. Pour la construction de tournes une contrainte de permutation et une contrainte de temps sont utilises pour trouver lordre total de visite des sites. Ensuite, une contrainte de partitionnement, une contrainte de disponibilit, des contraintes lies la lgislation du travail et une contrainte de temps sont utilises pour affecter un conducteur et un vhicule une tourne. Finalement, pour laffectation des vhicules aux tournes ils utilisent une contrainte de partitionnement et une contrainte de capacit. Il y a ensuite deux modes doptimisation. La premire mthode est une optimisation globale (Branch and Bound, [102]). La seconde mthode consiste trouver une solution avec loptimisation globale pour un sous-ensemble de demandes, puis
10 11
Large Neighbourhood Search Groupement pour linsertion des personnes handicapes physiques.
2.4 - Conclusions
33
appliquer un algorithme incrmental qui itrativement propage les contraintes pour insrer une demande non planie parmi celles dj planies.
2.4 Conclusions
Dans ce chapitre nous avons pass en revue les diffrents problmes qui touchent de prs ou de loin notre problme. Ainsi nous avons constat que la logistique inverse est un sujet trs tudi. Lensemble des trois niveaux de la planication hirarchise a t trait. Toutefois, laspect construction de tournes et gestion des stocks dans un contexte de logistique inverse na pas t vraiment trait. De plus au vu des diffrents rsultats qui ont pu tre obtenus sur des problmes dIRP, il tait intressant dapprofondir lide de prise en compte des stocks. Les mthodes hybrides alliant techniques de recherche oprationnelle et de programmation par contraintes montrent dans les tudes que nous avons pu citer des rsultats encourageants et conrment la complmentarit de ces deux techniques. Cest pourquoi nous avons dcid dutiliser de telles mthodes dans la suite de nos travaux an de les comparer des techniques purement empreintes la recherche oprationnelle et an de voir si elles peuvent tre propices la rsolution de notre problme. Nous allons dans la suite rsoudre notre problme grce des mthodes classiques de construction et amliorations sur lesquelles nous allons tester diverses techniques et combinaisons de techniques an den identier la meilleure. Nous allons rsoudre ensuite notre problme grce une mtaheuristique nomme GRASP (Greedy Randomized Adaptive Search Procedure), qui utilisera des techniques damlioration identies auparavant et des techniques issues de la programmation par contraintes. Finalement, nous allons rsoudre notre problme de faon exacte et ce, grce la technique de gnration de colonnes. Dans cette mthode nous testerons diverses faons de rsoudre le sous-problme : programmation dynamique, recherche taboue combine la programmation dynamique et techniques de programmation par contraintes.
Chapitre 3
Jeux de Donnes
Dans ce chapitre nous allons dcrire les diffrentes instances que nous avons utilises dans nos travaux. Nous commencerons par voir les diffrentes instances connues de la littrature sur diffrents problmes de construction de tournes de vhicules. Ensuite, nous dcrirons dans un premier temps les instances que nous avons gnres alatoirement avec comme base des instances connues, puis, celles provenant de cas rels et fournies par la socit alfaplan Management Software & Consulting GmbH.
Toutes ces instances sont disponibles pour la plupart sur Internet ainsi que les meilleurs rsultats obtenus (notamment sur : http ://neo.lcc.uma.es/radi-aeb/WebVRP/).
36
Nous travaillons sur un horizon de 5 jours correspondant une semaine de travail. Sur chaque palette, nous disposons de 4 produits. Nous considrons que les 4 produits sont livrs sur une palette indivisible. Ce chiffre a t choisi dans le but dtre le plus proche de la ralit. En effet, nous nous sommes bass sur la rglementation sur les DEEE (cf. chapitre 1), 4 produits sur une palette est le nombre moyen qui nous semblait le plus plausible. Ainsi toutes les ventes de 4 produits une palette vide est disponible pour tre collecte.
3.3 - Les instances issues des cas rels Prol A B C D E F G H I J K % petit 100 0 0 34 5 25 50 70 25 25 5 % grand 0 100 0 33 25 25 25 25 50 70 70 % trs grand 0 0 100 33 70 50 25 5 25 5 25
37
TAB . 3.1 Catgories dinstances du problme Les trois premiers prols (A, B et C) sont constitus dun type unique de sites. Le prol D a une rpartition quitable de tous les types de sites. E et F sont majoritairement constitus de trs grands sites. G et H sont quant eux majoritairement faits de petits sites. Et enn, I, J et K sont constitus en majorit par des moyens sites. Dans les prols, E, F, G, H, I, J et K les deux types de sites non majoritaires sont rpartis de faon occuper la deuxime et la troisime place dans lordre des rpartitions et vice versa. Dans la suite de ce rapport, nous ferons rfrence ces diffrentes catgories dinstances sous les dnominations : AFixe-25 pour le prol A ayant des demandes xes chaque jour, AGauss5-25 pour le prol A ayant des demandes suivant une loi normale dcart type 5, AGauss15-25 pour le prol A ayant des demandes suivant une loi normale dcart type 15 etc.
3.2.3
Pour certaines mthodes de rsolution (principalement les mthodes de rsolution exacte), nous avons eu besoin dinstances plus petites que celles ayant 25 sites. Cest pourquoi, nous avons cr des instances avec 5 et 6 sites. Pour cela, nous avons slectionn pour chaque instance de Solomon 5 (ou 6) sites et sur la mme base que ce qui a t prsent ci-dessus nous avons gnr les valeurs manquantes sur le mme schma de prol. Pour les instances 5 sites nous utilisons les prols dj expliqus ci-dessus (3.1) suivantes : A, B, C, E, H et J et nous avons cr les catgories L (40 % de petits et grands sites et 20 % de trs grands sites), M (40 % de petits et trs grands sites et 20 % de grands sites) et N (20 % de petits sites et 40 % grands sites et trs grands sites). Pour les instances 6 sites nous avons utilis les catgories : A, B, C, D, E, H, J et K.
Deuxime partie
tel-00483057, version 1 - 12 May 2010
Mthodes doptimisation des problmes de tournes de vhicules dans un contexte de logistique inverse
39
Chapitre 4
4.1.1
Nous avons choisi dutiliser comme premire mthode de construction dune solution la mthode "Meilleure Insertion" introduit par Solomon [139] puis amliore par Potvin et Rousseau [124]. Deux mthodes de meilleure insertion sont possibles : squentielle ou parallle. Nous allons utiliser la mthode parallle, en effet les tournes vont tre construites toutes en mme temps et non pas une dabord puis ensuite les autres. Nous prfrons cette mthode puisque notre but nest pas de minimiser la otte utilise mais 41
42
de minimiser le cot. Ainsi, si linsertion la moins coteuse implique la cration dune tourne alors cette tourne est cre. Nous dbutons donc notre mthode de construction par autant de tournes vides (dpt dpt) que de vhicules disponibles pour chaque journe de la planication. Pour une instance avec 25 vhicules sur une priode de planication de 5 jours, nous avons donc au dbut 125 tournes vides. Pour chaque demande nous cherchons quelle est la tourne dans laquelle il faut linsrer, et au sein de cette tourne nous cherchons quel endroit nous devons linsrer (i.e. entre quels sites dj prsents dans la tourne) et quelle part de la demande (quantit) est prise en charge par cette tourne, de faon ce que lon ait le meilleur cot. Une fois que pour chaque demande non encore planie nous avons calcul le meilleur triplet : tourne, placement dans la tourne et quantit qui offre le cot minimum dinsertion de cette demande, nous choisissons dinsrer la demande ayant le plus faible "meilleur cot dinsertion" lendroit et pour la quantit dnie par son triplet. Nous ritrons ce processus tant quil reste des demandes non planies. Le choix de la quantit desservie par la tourne pour la demande insre constitue une adaptation de la mthode "best insertion" qui normalement consiste insrer chaque demande (valeur xe et connue) dans chaque tourne an de dterminer linsertion minimum. Linsertion dun site dans une tourne est valide si elle respecte : la fentre de visite du site insr et celles des sites dj prsents dans la tourne, les journes de ralisation de la demande ( chaque demande correspond un jour, elle doit donc tre affecte une tourne qui est ralise ce jour l) et la capacit du vhicule. Le cot dinsertion dun site dans une tourne comprend : le cot de cration de la tourne sil sagit du premier site qui est insr dans cette tourne et le cot de routage de ce site dans cette tourne (i.e. la distance sparant ce site de son successeur et de son prdcesseur multipli par le cot de transport).
43
4.2.1
Dans cette partie, nous allons dcrire les diffrentes heuristiques damlioration mono-tourne (i.e. au sein dune mme tourne) utilises.
Or-Opt Nous utilisons au sein de chaque tourne la mthode Or-opt [118] qui consiste dplacer une squence de 3, 2 ou 1 nuds conscutifs au sein dune tourne. Pour notre tude, nous avons choisi de dplacer des squences de un nud. Nous choisissons de ne pas dplacer plus de nuds car nos sites ont des fentres de visite donc en dplaant plus de nuds nous risquerions de nous trouver trs frquemment avec des solutions non ralisables. Cette mthode sera nomme par la suite : Di (pour Dplacement dans une tourne). La gure 4.1 montre le fonctionnement de cette mthode. Figure 4.1 Mthode damlioration : Di
Avant 0 5 8 10 9 4 20 21 15 19 0
Aprs
10
20
21
15
19
0 19 Avant 15 21 20 4 5 8 10 9 Aprs 19 15 8 21
0 5 10 9 20 4
2-change Dautre part nous utilisons le 2-change de nuds au sein dune mme tourne. Cette mthode consiste changer deux nuds qui sont planis au sein dune mme tourne. Cette mthode sera appele : Ei (pour change dans une tourne). La gure 4.2 montre le fonctionnement de cette mthode.
2-Opt Enn comme dernire mthode damlioration mono-tourne, nous avons galement utilis le 2-opt, qui consiste changer 2 arcs dune tourne puis re-connecter les morceaux de cette tourne. Labrviation utilise pour cette mthode sera : O (pour 2-Opt). La gure 4.3 montre le fonctionnement de cette mthode.
4.2.2
Nous allons ici dcrire les mthodes damlioration multi-tournes (i.e. entre plusieurs tournes) proposes dans les travaux de Van Breedam [155] qui ont t ensuite reprises par Laporte et Semet [103].
44
Aprs
21
10
20
15 19
0 19 15 21 10 8 20 9 4 20 5 8 Avant Aprs 15 19
0 5 21 10 4 9
10 11
Aprs
11 10
0 5
0 5
Avant 10
11 7
Aprs
10 11 7
45
Tout dabord nous ralisons un dplacement dune demande dune tourne vers une autre. Ce mouvement est connu sous le nom de "String Relocation" [155] : il sagit de dplacer une squence de k nuds dune tourne vers une autre tourne. Dans notre problme nous aurons k = 1. Comme pour la mthode du 2-change nous choisissons de ne dplacer quun nud du fait de la prsence des fentres de visite qui contraignent beaucoup la faisabilit dune solution. Cette mthode sera appele : Do (pour Dplacement entre tournes). Dans la gure 4.4 nous schmatisons le principe de cette mthode. Figure 4.4 Mthode damlioration : String Relocation (Do )
0 Avant 5 8 10 9 4 20 21 15 19 0 Tourne 1
22
17
12
23
16
13 19
Tourne 2
5 9
10 22
9 17
4 6
20 12
21 23
15 16
19 8
0 13 19
Tourne 1 0 Tourne 2
Aprs 0
0 19 15 Avant 21 20
5 8 13 10 16 9 4
0 19 9 22 17 23 12 0 6
0 19 Aprs 15 9 21 20 4 5 10 13 8 16 19
9 22 17 6 23 12
change de demandes Ensuite nous ralisons lchange de demandes entre tournes plus connu sous le nom de "String Exchange" [155]. Ce mouvement permet dchanger une squence de k nuds dune tourne avec une squence de k nuds dune autre tourne. Nous prenons ici k = 1, de faon tre le plus rapide possible et an dviter le plus possible les conits dus aux fentres de visite. Cette mthode sera appele : Eo (pour change entre tournes). Dans la gure 4.5 le principe de cette mthode y est schmatis. Van Breedam [155] propose deux autres mouvements qui sont "String Cross" (change de deux arcs appartenant deux tournes diffrentes) et "String Mix" (le meilleur mouvement entre "String Relocation" et "String Exchange") mais nous ne les avons pas utiliss pour notre problme. En effet, avec "String Cross" les ns de deux tournes sont changes, cela implique beaucoup de modications pour chaque dbut de tourne (notamment le niveau de charge en produits du vhicule son dpart du dpt) et implique beaucoup de situations non
46
0 Aprs 0
5 9
16 22
10 17
9 6
4 12
20 23
21 8
15
19
0 0
Tourne 1 Jour 0
13 19
Tourne 2 Jour 0
0 19 Avant 15 21 20 0 19 Aprs 15 4
5 8 10 9 13
0 19 9 22 17 23 6 12 0 19 16 10 13 8 9 22 17 23 6 12
16
21 20 9 4
47
ralisables cause des fentres de visite des sites et du respect de la capacit du vhicule en chaque site. Nous avons choisi galement de ne pas utiliser "String Cross" car son temps dexcution risque dtre long puisquil ncessite de connatre la solution obtenue par "String Relocation" et "String Exchange". Ces deux choix ont t faits dans un souci de rapidit dexcution et defcacit de nos mthodes damlioration. Dplacement de demande de livraison sur un jour antrieur Nous utilisons galement une troisime amlioration multi-tournes qui nous permet de traiter par avance les demandes de livraison dune journe. En effet, ce voisinage permet de dplacer une demande dune tourne vers une autre tourne effectue un jour antrieur son jour de demande ; ceci si le cot de stockage des produits livrs par avance est plus avantageux que le cot de routage de ces mmes produits le jour demand. Nous appellerons par la suite cette mthode A (pour Anticipation). Dans la gure 4.6 le principe de cette mthode y est expliqu. Figure 4.6 Mthode damlioration : anticipation de la demande : A
0 Avant 5 8 10 9 4 20 21 15 19 0 Tourne 1 Jour 2
22
17
12
23
16
13 19
Tourne 2 Jour 0
0 Aprs 0
5 9
10 22
9 17
4 6
20 12
21 23
15 16
19 8
0 13 19
0 19 15 Avant 21 20 4 9 5 8 10 13 16 23 19
0 9 22 17 12 6
0 19 Aprs 15 21 20 4 5 10 9 13 8 16 19
0 9 22 17 6 23 12
48
vice-versa). Ainsi, nous avons tout dabord souhait faire tous les changes, suivi de tous les dplacements et enn le 2-Opt, ensuite nous avons choisi de tester tous les dplacements suivi du 2-Opt et enn des changes et pour nir nous avons dcid de tester le 2-opt suivi de tous les changes et enn de tous les dplacements. Dans tous les cas sauf un (Do Di OEi Eo ), nous avons choisi de dbuter nos amliorations par une amlioration mono-tourne suivie par toutes les amliorations multi-tournes pour enn nir par une amlioration monotourne. Dans le cas Do Di OEi Eo , nous choisissons de faire linverse, encadrer lensemble des amliorations mono-tourne par des amliorations multi-tournes. Le tableau 4.1 indique lordre dutilisation des diffrents voisinages. Les noms donns aux mthodes reprennent les abrviations donnes lors de la section 4.2. Version change Mono (Ei ) 1 1 4 2 1 1 change Multi (Eo ) 2 2 5 3 2 2 Dplacement Multi (Do ) 3 3 1 4 3 3 Dplacement Mono (Di ) 4 4 2 5 4 4 2-Opt (O) 5 5 3 1 5 5
Ei Eo Do Di O Ei Eo Do Di O+ Do Di OEi Eo OEi Eo Do Di Ei Eo Do Di O Ei Eo Do Di O
TAB . 4.1 Combinaisons des mthodes damlioration testes pour la rsolution de notre problme en juste temps
Ces enchanements de mthodes damlioration feront suite chacune des deux mthodes de construction de solution expliques dans la section 4.1, soit au total, 12 sries de tests. Ces enchanements de mthodes peuvent sapparenter la mthode nomme VNS (Variable Neighbourhood Search) propose par Hansen et Mladenovi c [85]. Cette mthode consiste changer de voisinage an dexplorer une rgion de plus en plus large autour de la solution courante. Plusieurs versions sont prsentes dans le tableau comme effectuant les mmes mthodes damlioration et dans le mme ordre (Ei Eo Do Di O, Ei Eo Do Di O+ , Ei Eo Do Di O et Ei Eo Do Di O). Pourtant les techniques damlioration diffrent entre chaque version. Tout dabord comparons Ei Eo Do Di O et Ei Eo Do Di O+ . Ei Eo Do Di O (cf. Fig.4.7) enchane chaque mthode damlioration, la condition darrt dune mthode tant lobtention dun minimum local ; alors que dans Ei Eo Do Di O+ (cf. Fig.4.8) la procdure de Ei Eo Do Di O est ritre tant quau moins une mthode damlioration amliore la solution. Comparons maintenant les versions Ei Eo Do Di O, Ei Eo Do Di O et Ei Eo Do Di O. Comme il a t expliqu ci-dessus, dans la mthode Ei Eo Do Di O on effectue mthode aprs mthode en ne changeant de mthode que lorsque le minimum local est atteint. Dans la mthode Ei Eo Do Di O (cf. Fig.4.9) et Ei Eo Do Di O (cf. Fig.4.10) nous neffectuons plus une mthode puis une autre mais position de la solution ralisable nous effectuons toutes les mthodes damlioration dans lordre donn. La diffrence entre les versions Ei Eo Do Di O et Ei Eo Do Di O est que Ei Eo Do Di O ralise la premire amlioration qui lui est possible, alors que dans Ei Eo Do Di O toutes les modications possibles en un point sont testes avant de recommencer les amliorations. Pour comprendre plus aisment les mthodes, nous donnons plusieurs schmas de droulement. Chacun des schmas est accompagn par le pseudo-code de la mthode. Dans la gure 4.7 nous expliquons le fonctionnement de la mthode Ei Eo Do Di O, son pseudo-code est donn dans lalgorithme 1. Avec la solution obtenue grce la construction, nous appliquons une premire mthode damlioration jusqu lobtention dune amlioration, ds quune amlioration est trouve la solution obtenue prend la place de la solution courante et on recommence le processus damlioration avec cette mthode, jusqu ce que cette mthode ne trouve plus damlioration. On passe alors la mthode damlioration suivante.
49
Solution Initiale
Solution Amlioration1
Solution Initiale
xxxxx xxxxxxxxxxxxxxxxxxxxxx xxx xxx x xxxxx xxxxx Solution de dpart xxx xxxxx xxxxx xxx xxx x xxxxx xxxxx xxxx x
x x x x x x x x x Solution x x Amliore? x xxxxxxxxxxx xxxxxxxxxxx x xxxxxxxxxxx xxxxxxxxxx xxxxxxxxxxx xxxxxxxxxx x xxxxxxxxxxx xxxxxxxxxx x xxxxxxxxxxx xxxxxxxxxx Oui Non xxxxxxxxxxx xxxxxxxxxx x xxxxxxxxxxx xxxxxxxxxx xxxxxxxxxxx xxxxxxxxxx x xxxxxxxxxxx xxxxxxxxxx xxxxxxxxxxx xxxxxxxxxx x xxxxxxxxxxx xxxxxxxxxx xxxxxxxxxxx xxxxx xxxx x xxx xxx xxx xxx xx xxx xxxxx xxxxx xxxxx xxxx xxxxx xxxxx xxxxx xxxxxxxxxx x xxx xxx xxx xxx xx xxx xxxxx xxxxx xxxxx xxxx xxxxx xxxxx xxx xxx xxx xxx xx xxx xxxxx xxxxx x x x x x x x x
Est ce le dernier point ?
xxxxxx xxxxxx xxxxxx xxxxxx xxxx xx xxxxx xxx xxx xxxx xxxxxx xxxxx xxxx xx xxxxx xxx xxxx xxx xxxxx xxxxx xxxxxxx xx xxx xxxxxx Non
Oui STOP
Application du processus d'amlioration au point courant Point courant o en est le processus d'amlioration
Algorithm 1 Recherche Locale utilise par Ei Eo Do Di O 1: for i [1,nb mthodes amlioration] do 2: repeat 3: Appliquer M ethodeAmeliorationi et sarrter ds la premire amlioration 4: until (pas damlioration) 5: end for
50
Dans lalgorithme 1 la phase "Appliquer M ethodeAmeliorationi " consiste parcourir tous les points de la solution et de tester si une amlioration est possible avec la mthode i. Figure 4.8 Mthode damlioration Ei Eo Do Di O+
Tant qu'il y a une amlioration
Solution Initiale
Solution Amlioration1
Solution Initiale
xxxx xxxxx xxxx xx xxxxxxxxxxxxxxxxxxxxxx x xxxx x xxx xxxxx Solution de Dpart xxx xxxxx xxxxxxx xx x x xxx x x x x x x x x x
x x x x x x x x x Solution x x Amliore? x xxxxxxxxxx x xxxxxxxxxx xxxxxxxxxx xxxxxxxxxx xxxxxxxxxx x xxxxxxxxxx xxxxxxxxxx xxxxxxxxxx xxxxxxxxxx x Oui Non xxxxxxxxxx xxxxxxxxxx xxxxxxxxxx xxxxxxxxxx x xxxxxxxxxx xxxxxxxxxx xxxxxxxxxx xxxxxxxxxx x xxxxxxxxxx xxxxxxxxxx xxxxxxxxxx xxxxxxxxxx x xxxxx xxxxx xxxxxxxxxx xxxxxxxxxx xxxxx xxxxx xxxxxxxxxx x xxx xxx xxx xx xxx xx xxxxx xxxxx xxxx xxxxx xxxxx xxxxx xxxx xxxxx xxxxxx x xxx xxx xxx xx xxx xx xxxxx xxxxx xxxx xxxxx xxxx xxxxx xxx xxx xxx xx xxx xx x x x x x x x x
Est ce le dernier point ?
xxxxxx xxxxxx xxxxxx Non xxxxxx xxxxxx x xxxxx xx xxx xx xxxxx xxxx xxxxx xxxx xx xx xxxxx xxxx xxxxx xx xxx xxx xxxxxx
Oui STOP
Application du processus d'amlioration au point courant Point courant o en est le processus d'amlioration
La gure 4.8 correspond la mthode Ei Eo Do Di O+ son pseudo-code est donn dans lalgorithme 4.3.1. Dans cette mthode le processus dcrit par la gure 4.7 est ritr tant quau moins une des mthodes damlioration amliore la solution. La gure 4.9 montre le principe de la mthode nomme Ei Eo Do Di O, son pseudo-code est donn dans lalgorithme 3. Dans cette mthode nous partons dune solution obtenue grce la construction. Nous prenons le premier point de la premire tourne et nous cherchons lui appliquer toutes les mthodes damlioration, ds quune mthode amliore la solution, le mouvement est ralis et le processus est alors stopp. On rutilise la solution obtenue comme solution de dpart. On recommence le principe tant quune amlioration au premier point de la tourne est ralisable. Lorsque plus aucune mthode namliore alors on passe au point suivant de la solution. Dans lalgorithme 3, le principe "Appliquer les rgles de la M ethodeAmeliorationi " est diffrent de "Appliquer la M ethodeAmeliorationi " puisquon ne parcourt pas tous les points de la solution comme avec le premier mais on applique juste le principe de la mthode en un point. Enn, dans la gure 4.10 nous trouvons le principe de la mthode Ei Eo Do Di O son pseudo-code est donn dans lalgorithme 4. Dans cette mthode le principe est le mme que dans celui expliqu dans la gure 4.9 sauf que lon narrte pas le processus ds quune mthode amliore le processus mais on effectue toutes les amlio-
51
Algorithm 2 Recherche Locale utilise par Ei Eo Do Di O+ 1: repeat 2: for i [1,nb mthodes amlioration] do 3: repeat 4: Appliquer M ethodeAmeliorationi et sarrter ds la premire amlioration 5: until (pas damlioration) 6: end for 7: until (pas damlioration)
xxxxx xxxx xxx xxx xxx xxxxx xxxx xxxxx xxxx xxx xxx xxx xxxxx xxxx xxxxxxxxxxxxxxxxx xxxxx xxxx x xxx xxx x x xxx x x x x x x x x x x x x x x x x x x Solution x x Amliore? x xxxxxxxxxx x xxxxxxxxxx xxxxxxxxxx xxxxxxxxxx xxxxxxxxxx x xxxxxxxxxx xxxxxxxxxx xxxxxxxxxx xxxxxxxxxx x Oui Non xxxxxxxxxx xxxxxxxxxx xxxxxxxxxx xxxxxxxxxx x xxxxxxxxxx xxxxxxxxxx xxxxxxxxxx xxxxxxxxxx x xxxxxxxxxx xxxxxxxxxx xxxxxxxxxx xxxxxxxxxx x xxxxxxxxxx xxxx xxxxx xxxxxxxxxx xxxxxxxxxx xxxx xxxxx x xx xxx xx xxx xxx xxx xxxxx xxxx xxxx xxxxx xxxxx xxxx xxxx xxxxx xxxxxxx x xx xxx xx xxx xxx xxx xxxxx xxxx xxxx xxxxx xxxxxxx xxx xxxxxx xxx xxx xxx xx xx xx xx xx xx xx xx
xxxxx xxxxx xxxxx xxxxx Non xxxxx xxxxx xxx xxx xxx xxxxx xxxxx xxxxx xxxxx xxx xxx xxx xxxxx xxxxx xxxxx xxxxx xxx xxx xxx
Oui STOP
Faire PREMIERE Amlioration possible sur le point courant Point courant o en est le processus d'amlioration
Algorithm 3 Recherche Locale utilise par Ei Eo Do Di O 1: for chaque point de la solution courante do 2: repeat 3: Appliquer les rgles de chaque M ethodeAmeliorationi jusqu amlioration 4: until (pas damlioration) 5: end for
52
xxxxx xxxxx xxxxx Non xxxxx xxxxx xxxx xxxxx xxxxx xxx xxx xxx xxxx xxxxx xxxx xxxxx xxx xxx xxx xxxx xxxxx xxxx xxxxx xxx xxx xxx
Oui STOP
Faire TOUTES les Amliorations possibles sur le point courant Point courant o en est le processus d'amlioration
rations possibles. Algorithm 4 Recherche Locale utilise par Ei Eo Do Di O 1: for chaque point de la solution courante do 2: for i [1, nb mthodes amlioration] do 3: Appliquer les rgles de chaque M ethodeAmeliorationi 4: end for 5: end for
4.4 - Les rsultats Version change Intra (Ei ) 1 1 5 2 1 1 change Inter (Eo ) 2 2 6 3 2 2 Dplace Inter (Do ) 3 3 1 5 3 3 Dplace Intra (Di ) 4 4 2 6 4 4 2-Opt (O) 5 5 3 1 5 5 Avance (A) 6 6 4 4 6 6
53
TAB . 4.2 Combinaisons des mthodes damlioration testes pour la rsolution de notre problme avec gestion des stocks
de ce document (cf. III) linuence que peuvent avoir les diffrents cots sur les rsultats et sur les conclusions quant lavantage ou non de mettre en place une gestion des stocks.
4.4.1
TAB . 4.3 Comparaisons des rsultats des deux mthodes de construction Dans le tableau 4.3 nous donnons pour chaque mthode de construction le nombre de fois o elle obtient la meilleure solution, son temps moyen dexcution et lcart moyen quil obtient avec la meilleure solution. Nous constatons dans le tableau 4.3 que la mthode de construction MI seule est plus efcace que la mthode de construction PMI. En effet, dans 95 % des cas la mthode de construction MI donne de meilleurs rsultats que PMI. La mthode de construction PMI semble plus rapide que MI mais donne vraiment de moins bons rsultats. En effet, les carts moyens avec la meilleure solution prouvent que lorsque MI ne trouve pas la meilleure solution il nest pas aussi loign du meilleur rsultat que peut ltre PMI.
4.4.2
Nous avons choisi dans un premier temps, de tester lefcacit des mthodes damlioration utilises seules. Ainsi, nous testons les deux mthodes de construction suivies de chacune des mthodes damlioration. Grce aux tableaux 4.4 et 4.5 nous pouvons voir que les mthodes damlioration pouvant tre considres comme utiles (effectuant le plus de mouvements) pour notre problme semblent tre : O (ralise dans 66 % des cas une amlioration), Do (effectue dans 96% des cas une amlioration), Eo (effectue dans 62% des cas des amliorations) et A (effectue dans 95% des cas une amlioration). Toutes mthodes de construction confondues la mthode qui utilise Di sexcute en 1481 ms, Ei sexcute en 1489 ms, celle qui utilise O sexcute en 1484 ms, celle qui utilise Do sexcute en 1482 ms, celle qui utilise Eo sexcute en 1493 ms et celle qui utilise A sexcute en 1477 ms. On peut donc dire que les temps moyens dexcution ne sont pas signicativement diffrents pour chaque mthode damlioration.
C HAPITRE 4 : Rsolution par des mthodes de construction et amliorations Nombre Solutions Amliores 132 7% 615 33% 1061 57% 1718 92 % 657 35% 1706 92% 375 20% 1301 70% 1358 73% 1843 99% 1644 88% 1839 99% Nombre Solutions Min 27 1% 35 2% 282 15% 864 46% 99 5% 513 27% 0 0% 0 0% 0 0% 94 5% 3 0,1% 95 5% Tps Excution (ms) 1709 1711 1711 1707 1712 1706 1254 1268 1259 1259 1275 1250
TAB . 4.4 Tests des mthodes damlioration une une en fonction des mthodes de construction Version Di Ei O Do Eo A Nombre Solutions Amliores 507 1916 2454 3561 2301 3545 Nombre Solutions Min 27 35 282 958 193 608 Cot Moyen 3956967 3927139 3947273 3502519 3777767 3664671
4.4.4 Les tests sur les versions avec gestion des stocks
Nous allons prsenter ici les rsultats obtenus grce aux tests des diffrentes versions avec gestion des stocks prsentes en section 4.2. Le tableau 4.7, nous donne le nombre damliorations par rapport la solution de construction, le nombre de solutions minimum obtenues grce la mthode, et le temps dexcution pour chaque mthode de construction et amliorations avec gestion des stocks. On voit ici que la mthode donnant les meilleurs rsultats est Ei Eo Do Di OA+ qui donne dans 47% des cas la meilleure solution trouve toutes mthodes de construction
55
Nombre de Solutions Amliores 1815 98% 1815 98% 1815 98% 1815 98% 1814 98% 1805 97% 1848 100% 1848 100% 1848 100% 1848 100% 1848 100% 1848 100%
Nombre de Solutions Min 315 17% 1123 60% 333 18% 246 13% 626 34% 220 11% 9 0,4% 163 8% 33 2% 15 0,8% 117 6% 9 0,5%
Tps Excution (ms) 1737 1942 1744 1743 2206 1729 1315 1527 1306 1308 2671 1282
Nombre amliorations 1821 1821 1821 1821 1747 1820 1848 1848 1848 1848 1848 1848 98% 98% 98% 98% 94% 98% 100% 100% 100% 100% 100% 100%
Nombre meilleure solution 187 10% 950 51% 216 11% 249 13% 161 8% 271 14% 2 0,1% 192 10% 36 2% 47 3% 49 3% 71 4%
Tps Excution 1739 1847 1741 1734 1992 1736 1257 1440 1298 1300 1911 1294
TAB . 4.7 Rsultats des diffrentes versions de rsolution avec gestion des stocks
56
confondues. Les meilleurs rsultats sont encore une fois trouvs grce la mthode de construction MI (84 % des cas). Les dtails concernant les diffrents rsultats obtenus selon les catgories dinstances de tests sont donns en annexe de ce document (Annexe 3). En effet, dans le tableau 9.2 nous allons donner les moyennes des cots obtenus par catgorie dinstances ainsi que la (ou les) version(s) donnant le meilleur rsultat.
4.4.5 Comparaison des rsultats en juste temps et avec gestion des stocks
Version Juste temps Avec gestion des stocks Nombre de Meilleures Solutions 423 1666
TAB . 4.8 Comparaison des rsultats en juste temps et avec gestion des stocks Dans le tableau 4.8, nous comparons les rsultats obtenus en juste temps et avec gestion des stocks. Dans cette conguration de cots, il est dans 90 % des cas plus avantageux de choisir danticiper les demandes, donc de faire de la gestion des stocks. Bien entendu si le cot de stockage devenait trop grand par rapport au cot de routage cette tendance sinverserait. Lanalyse de sensibilit par rapport aux diffrents cots est ralise ultrieurement dans ce rapport (cf. chapitre 8).
57
Nombre Solutions Amliores 1815 98% 1815 98% 1815 98% 1815 98% 1814 98% 1805 97% 1848 100% 1848 100% 1848 100% 1848 100% 1848 100% 1848 100% 1815 98% 1815 98% 1815 98% 1815 98% 1814 98% 1807 97% 1848 100% 1848 100% 1848 100% 1848 100% 1848 100% 1848 100%
Nombre Solutions Min 314 17% 984 53% 318 17% 241 13% 594 32% 215 11% 9 0,4% 145 7% 29 2% 15 0,8% 99 5% 8 0,4% 312 17% 942 45% 314 17% 237 13% 507 27% 146 8% 2 0,1% 114 6% 17 0,9% 10 0,5% 75 4% 0 0%
Tps Excution (ms) 1737 1942 1744 1743 2206 1729 1315 1527 1306 1308 2671 1282 1737 1820 1740 1742 1973 1935 1300 1414 1299 1301 2267 1341
Indice /MI 93 87 93 93 89 91 109 99 109 110 99 112 93 87 93 93 89 97 110 99 110 111 99 132
Comparaison Versions M I + Ei Eo Do Di O M I + Eo Do O M I + Ei Eo Do Di O+ + M I + Eo Do O+ + M I + Do Di OEi Eo M I + Do OEo M I + OEi Eo Do Di M I + OEo Do M I + Ei Eo Do Di O M I + Eo Do O M I + Ei Eo Do Di O M I + Eo Do O P M I + Ei Eo Do Di O P M I + Eo Do O P M I + Ei Eo Do Di O+ P M I + Eo Do O+ P M I + Do Di OEi Eo P M I + Do OEo P M I + OEi Eo Do Di P M I + OEo Do P M I + Ei Eo Do Di O P M I + Eo Do O P M I + Ei Eo Do Di O P M I + Eo Do O
Nombre occurrences 1511 1509 1587 1568 1456 663 1105 1128 1116 1144 1160 208
TAB . 4.10 Comparaison des rsultats obtenus avec et sans les mthodes faibles identies
58
Version M I + Ei Eo Do Di OA M I + Ei Eo Do Di OA+ M I + Do Di OAEi Eo M I + OEi Eo ADo Di M I + Ei Eo Do Di OA M I + Ei Eo Do Di OA P M I + Ei Eo Do Di OA P M I + Ei Eo Do Di OA+ P M I + Do Di OAEi Eo P M I + OEi Eo ADo Di P M I + Ei Eo Do Di OA P M I + Ei Eo Do Di OA M I + Eo Do OA M I + Eo Do OA+ M I + Do OAEo M I + OEo ADo M I + Eo Do OA M I + Eo Do OA P M I + Eo Do OA P M I + Eo Do OA+ P M I + Do OAEo P M I + OEo ADo P M I + Eo Do OA P M I + Eo Do OA
Nombre Solutions Amliores 1821 98% 1821 98% 1821 98% 1821 98% 1747 94% 1820 98% 1848 100% 1848 100% 1848 100% 1848 100% 1848 100% 1848 100% 1821 98% 1821 98% 1821 98% 1821 98% 1821 98% 1838 99% 1848 100% 1848 100% 1848 100% 1848 100% 1848 100% 1848 100%
Nombre Solutions Min 171 9% 598 32% 184 9% 216 11% 128 7% 202 11% 2 0,1% 111 6% 19 1% 33 2% 16 9% 31 2% 184 10% 570 31% 181 10% 196 11% 467 25% 126 7% 0 0% 118 6% 16 0,8% 41 2% 148 8% 17 0,9%
Tps Calcul (ms) 1739 1847 1741 1734 1992 1736 1257 1440 1298 1300 1911 1294 1838 1923 1751 1733 2120 1741 1357 1437 1293 1296 2382 1292
TAB . 4.11 Rsultats des diffrentes versions restreintes avec gestion des stocks
59
effectuent pour quasiment tous les chiers de tests des amliorations face la solution de construction obtenue. On remarque cependant quil sagit toujours des versions testes avec la mthode de construction MI qui offrent le plus de solutions minimum. La meilleure mthode sur le critre du cot moyen obtenu est la mthode "M I + Ei Eo Do Di OA+ ". En effet elle donne le meilleur cot moyen et est plus rapide en temps de calcul que la version "M I + Eo Do OA+ " qui est quasi similaire niveau performance. Comparaison Versions M I + Ei Eo Do Di OA M I + Eo Do OA M I + Ei Eo Do Di OA+ M I + Eo Do OA+ M I + Do Di OAEi Eo M I + Do OAEo M I + OEi Eo ADo Di M I + OEo ADo M I + Ei Eo Do Di OA M I + Eo Do OA M I + Ei Eo Do Di OA M I + Eo Do OA P M I + Ei Eo Do Di OA P M I + Eo Do OA P M I + Ei Eo Do Di OA+ P M I + Eo Do OA+ P M I + Do Di OAEi Eo P M I + Do OAEo P M I + OEi Eo ADo Di P M I + OEo ADo P M I + Ei Eo Do Di OA P M I + Eo Do OA P M I + Ei Eo Do Di OA P M I + Eo Do OA Nombre occurrences 1545 1414 1500 1577 1462 1402 1134 1143 965 1178 1412 988
TAB . 4.12 Comparaison des diffrentes versions avec gestion des stocks Dans le tableau 4.12 nous comparons le nombre de fois o la version avec les mthodes faibles est suprieure ou gale la version sans les mthodes faibles, autrement dit, le nombre de fois o la version sans les mthodes faibles est autant voire plus efcace que celles avec. Nous constatons ici que globalement il est autant voire plus efcace, en terme de nombre de solutions meilleures, dutiliser une version sans les mthodes faibles. Pour autant, on voit dans le tableau 4.11, quen terme de cot moyen de solution, la meilleure solution est donne par une mthode comportant les mthodes faibles. Comme notre objectif est avant tout de minimiser les cots globaux dexploitation nous allons donc privilgier les rsultats obtenus sur les cots moyens et donc prfrer la mthode : "M I + Ei Eo Do Di OA+ ".
60
demandes planies et donc attribues une tourne, nous chercherions pour chaque tourne quel est lordre de visite optimal minimisant le cot de transport tout en respectant les fentres de visite des sites et la capacit des vhicules. Une seconde perspective rsiderait dans lemploi de mthodes dapprentissage pour tenter "dapprendre" la meilleure combinaison des techniques damlioration prsentes. Une troisime perspective concerne une ventuelle utilisation industrielle. Il faudrait alors mutualiser lensemble des heuristiques testes dans ce chapitre an de ne donner que la meilleure solution un utilisateur qui ne chercherait pas le meilleur rsultat en moyenne mais plutt toujours avoir la meilleure solution. En effet il est rare que toutes les heuristiques chouent sur la mme instance. De plus la rapidit des heuristiques mises place nous permet la multiplication des tests. On a donc intrt excuter toutes les heuristiques disponibles et conserver la meilleure solution.
Chapitre 5
La mtaheuristique GRASP est un processus itratif. Chaque itration du GRASP comprend deux tapes (cf. algorithme 5) : la construction dune solution ; la recherche de voisinage. Une solution ralisable est construite lors de chaque itration du GRASP la n de ltape de construction (cf. algorithme 6). Pour cela, la construction dbute par une solution vide, chaque lment sera insr un un dans la solution. chaque itration de la mthode de construction, le choix du prochain lment incorporer dans la solution en construction est dtermin par lvaluation de tous les lments qui ne font pas encore partie de la solution partielle, selon une fonction dvaluation. Cette mthode de construction de solution utilise dans le GRASP est appele gloutonne car chaque itration on prolonge le chemin sur le plus "proche" (au sens des cots) sommet non encore visit. Cette fonction reprsente laugmentation immdiate de cot apporte par lincorporation de cet lment dans la solution en construction. Lvaluation des lments selon cette fonction mne la cration dune liste restreinte de candidats (nomme RCL) forme par les meilleurs lments suivant le critre considr, cest--dire ceux dont lincorporation la solution suivent le plus le critre (il sagit de laspect glouton greedy de la mthode). Llment slectionn et incorpor la solution partielle est tir au hasard parmi les meilleurs dans la liste restreinte de candidats ; il nest pas forcment le meilleur (il sagit ici de laspect probabiliste randomized de la mthode). Ce critre de choix permet diffrentes solutions dtre construites au cours des itrations de la mthode, sans toutefois trop compromettre leur qualit. Lamlioration associe chaque lment non encore plac dans la solution ralisable est value de nouveau la n de chaque itration de manire prendre en considration les modications de la structure de la solution en construction dues la 61
62
slection de llment prcdent (il sagit de laspect adaptatif adaptive). Les solutions ralisables obtenues la n de ltape de construction ne sont pas forcment optimales, mme par rapport des voisinages dnis de manire assez simple. Lapplication dune mthode de recherche de voisinage (cf. algorithme 7) permet souvent de les amliorer. Ce type de mthode commence partir dune solution ralisable, qui est successivement remplace par une solution meilleure appartenant son voisinage ; un voisinage N associe chaque solution S un sous-ensemble N (S ) de solutions. La solution S est un optimum local par rapport au voisinage N (S ) sil nexiste pas de solution strictement meilleure que S dans N (S ). Lalgorithme sarrte lorsquun minimum local est atteint, cest--dire lorsque les solutions voisines de la solution courante lui sont de qualit infrieure, en termes de cot. Lefcacit dune mthode de recherche de voisinage dpend de plusieurs facteurs, tels que la structure de voisinage, la technique de recherche des solutions dans le voisinage, le calcul rapide des cots des solutions voisines et la solution de dpart. Ltape de construction joue donc un rle important par rapport ce dernier aspect, en produisant de bonnes solutions de dpart pour la recherche de voisinage. Des voisinages simples, tels que les 2-changes sont souvent utiliss. Lensemble de ces deux tapes (construction et recherche de voisinage) est ritr un certain nombre de fois (paramtre de lalgorithme). La meilleure solution obtenue parmi ses itrations sera retenue. La mthode GRASP peut-tre considre comme une mtaheuristique qui combine les bonnes caractristiques des algorithmes gloutons (convergence rapide et bonnes solutions) avec celles des mthodes probabilistes multi dparts (diversit des solutions). Cette mthode permet de proposer plusieurs solutions pour un mme problme, ce point l est un atout dans les problmes de construction de tournes o souvent la solution propose est amene tre rectie cause de problmes lis des travaux sur les routes, des accidents . . . Dans ces cas l, une alternative la meilleure solution peut tre utilise en slectionnant une des autres tournes gnres par lalgorithme.
5.1.2 La littrature
La mthode GRASP a t introduite pour la premire fois par Feo et Resende [61] en 1989. De nombreux documents explicatifs ont pu tre trouvs dans la littrature, citons notamment les travaux de Pitsoulis et Resende [123] qui dcrivent les amliorations du GRASP, la paralllisation de la mthode et tudient les diffrents travaux raliss grce au GRASP pour rsoudre des problmes de logique, de localisation et dallocation. Nous pouvons aussi citer les travaux de Ribeiro [128], qui tudie les diffrents travaux raliss sur le GRASP et leurs applications ainsi que la paralllisation de la mthode et son hybridation. La mthode a dj fait ses preuves dans des problmes de construction de tournes, ainsi Kontoravdis et Bard 1995 [99], lutilisent pour rsoudre un problme de constructions de tournes avec fentres de temps o le but est de minimiser la taille de la otte utilise, la phase de recherche locale est ralise dans cette tude toutes les 5 itrations de la premire phase (phase de construction de solution) sur la meilleure solution trouve. Citons galement nos travaux (Grellier et al. 2004 [80]). Nous utilisons cette mthode pour rsoudre un problme de construction de tournes avec gestion des stocks, une mthode de meilleure insertion pour la construction de solution est utilise. Nous comparons la ralisation de la seconde phase au bout de 3 ou 5 itrations de la premire phase. La mthode GRASP a galement t employe pour dautres domaines que celui de la construction de tournes : problme de capacit dinfrastructure ferroviaire (Delorme et al. [44]), problme de localisation (Bautista et Pereira [9]), problme de partitionnement (Areibi et Vannelli [3]), problme dordonnancement (Feo et al. [62]). . . Presque toutes les rfrences donnes concernant le GRASP peuvent tre retrouves dans la bibliographie annote faite par Festa et Resende [63] qui rfrence une grande partie des articles ayant trait au GRASP. Un lien peut tre fait entre la mthode GRASP et loptimisation par colonies de fourmis [53] (ACO : Ant Colony Optimization). En effet un algorithme ACO est une forme de GRASP o la phase de construction de solution volue au cours de lexcution. Le caractre adaptatif est plus dvelopp dans un algorithme ACO que pour le GRASP.
5.2 - Le GRASP appliqu notre problme Racine : la racine pour le gnrateur de nombres alatoires. Algorithm 5 Procdure GRASP (Critre, Max_Itration) Entre des donnes ; for k=1,. . ., Max_Itration do Solution Construction-Gloutonne-Randomisee(Critre) Solution Recherche-De-Voisinage (Solution) Mise-A-Jour-Solution(Solution, Meilleure-Solution) end for Retourner Meilleure-Solution La procdure 5 renvoie la meilleure solution trouve grce la mthode GRASP. Algorithm 6 Procdure Construction-Gloutonne-Randomisee (Critre) Solution = valuer la contribution de chaque lment selon Critre while Solution nest pas complte do Crer la liste restreinte de candidats RCL Choisir un lment s de RCL suivant une loi de probabilit Solution Solution {s} valuer nouveau la contribution de chaque lment end while Retourner Solution La procdure 6 renvoie la solution obtenue grce la mthode de construction. Algorithm 7 Procdure Recherche-De-Voisinage(Solution) while Solution nest pas optimum local do Obtenir une Solution Voisine meilleure que Solution dans son voisinage N(Solution) Solution Voisine end while Retourner Solution La procdure 7 renvoie la solution obtenue suite la mthode de recherche de voisinage.
63
5.2.1
La rsolution "classique"
Grce notre tude sur les mthodes de construction et amliorations (cf. chapitre 4) nous avons choisi la mthode de construction et celles damliorations qui nous paraissaient les meilleures. La mthode de construction qui a t identie comme la plus probante est "Meilleure Insertion", nous lutilisons donc. Meilleure Insertion est base sur le principe suivant : pour chaque demande nous cherchons quelle est la tourne dans laquelle il faut linsrer, et au sein de cette tourne nous cherchons quel endroit nous devons linsrer (c.--d. entre quels sites dj prsents dans la tourne) et quelle part de la demande (quantit) est prise en charge par cette tourne, de
64
faon ce que lon ait le meilleur cot (cot minimum de routage). Nous dnissons donc pour chaque demande le meilleur triplet : tourne, placement dans la tourne et quantit qui offre le cot minimum dinsertion de cette demande. Nous partons donc dune solution vide (o toutes les tournes effectuent le trajet dpt dpt). Chaque lment non plani dans la solution est alors valu par rapport la fonction dvaluation "Meilleure Insertion" (on ne retient que la meilleure de toutes les valuations pour chaque lment). Une liste de candidats linsertion est alors construite. Ces candidats correspondent aux sites ayant les plus petits cots dinsertion dans la solution. Nous verrons par la suite que nous utiliserons successivement une liste de candidats de taille 3 et une liste de taille 5 an de comparer les rsultats obtenus. Le candidat insr dans la solution est alors choisi alatoirement parmi les sites placs dans la liste des candidats. Linsertion de ce candidat dans la solution courante est alors effectue et nous ritrons le processus jusqu ce que plus aucune demande ne soit planier. Le processus de construction de solutions est itr n fois (paramtre de la rsolution). Suite un certain nombre ditrations de la phase de construction nous effectuons une recherche locale sur la meilleure solution obtenue au cours de ces tapes de construction. La mthode de recherche locale diffre selon si lon dcide de pouvoir livrer en avance (ce qui implique un cot de stockage) ou non les demandes des livraisons des sites. La recherche locale pour la rsolution du problme en juste temps
La meilleure recherche locale qui a t identie lors de notre tude sur les mthodes de construction et amliorations pour une rsolution du problme en juste temps des livraisons est nomme : "Eo Do O+ ". Cette mthode est compose des heuristiques damlioration suivantes : Eo : change de demandes entre tournes plus connu sous le nom de "String Exchange". Ce mouvement permet dchanger une squence de k nuds dune tourne avec une squence de k nuds dune autre tourne. Nous prenons ici k = 1. Do : dplacement dune demande dune tourne vers une autre. Ce mouvement est connu sous le nom de "String Relocation" : il sagit de dplacer une squence de k nuds dune tourne vers une autre tourne. Dans notre problme nous aurons k = 1. Comme pour la mthode du 2-change nous choisissons de ne dplacer quun nud du fait de la prsence des fentres de visite qui contraignent beaucoup la faisabilit dune solution. O : le 2-opt, qui consiste changer 2 arcs dune tourne puis re-connecter les morceaux de cette tourne. On enchane chaque mthode damlioration (la condition darrt dune mthode tant lobtention dun minimum local) et lenchanement de ces mthodes est ritr tant quau moins une mthode damlioration amliore la solution courante. La recherche locale pour la rsolution du problme avec gestion des stocks La meilleure recherche locale qui a t identie lors de notre tude sur les mthodes de construction et amliorations pour une rsolution du problme avec gestion des stocks des livraisons est nomme : "Ei Eo Do Di OA+ ". Cette mthode est compose des heuristiques damlioration suivantes : Ei : le 2-change de nuds au sein dune mme tourne. Cette mthode consiste changer deux nuds qui sont planis au sein dune mme tourne. Eo : cf. explications donnes dans le paragraphe au dessus. Do : cf. explications donnes dans le paragraphe au dessus. Di : la mthode Or-opt [118] qui consiste dplacer une squence de 3, 2 ou 1 nuds conscutifs au sein dune tourne. Pour notre tude nous avons choisi de dplacer des squences de un nud. Nous choisissons de ne pas dplacer plus de nuds car nos sites ont des fentres de visite donc en dplaant plus de nuds nous risquerions de nous trouver trs frquemment avec des solutions non ralisables. O : cf. explications donnes dans le paragraphe au dessus. A : amlioration multi-tournes qui nous permet de traiter par avance les demandes de livraison dune journe. En effet, ce voisinage permet de dplacer une demande dune tourne vers une autre tourne effectue un jour antrieur son jour de demande ; ceci si le cot de stockage des produits livrs par avance est plus avantageux que le cot de routage de ces mmes produits le jour demand.
65
5.2.2
La rsolution hybride
La rsolution hybride utilise la mme mthode de construction que celle dcrite pour les mthodes dites "classiques" (c.--d. meilleure insertion). Cest lors de la phase de recherche locale que nous introduisons des techniques de programmation par contraintes. Nous allons utiliser la technique LNS (Large Neighbourhood Search) introduite par Shaw en 1998 [137]. Cette mthode consiste slectionner un certain nombre de sites de la solution, relaxer leur position et les rinsrer en utilisant des techniques de programmation par contraintes. Nous partons donc dune solution (obtenue sur le mme principe que dcrit en 5.2.1) nous choisissons alatoirement deux positions de site que nous relaxons. Ces deux sites deviennent donc des variables. Le choix des sites retirer Alatoirement Dans cette version, la slection des sites retirer dans la solution ralisable, obtenue lors de la premire phase du GRASP, est ralise de faon alatoire. Plus forte contribution Dans cette deuxime version de slection des sites, celle-ci est ralise en calculant la contribution de chaque site dans la solution. En effet, pour chaque site de la solution nous calculons sa contribution qui reprsente laugmentation du cot de la solution due au fait de la visite du site. Nous pouvons noter ci la contribution du site i la solution, pi le prdcesseur de i dans la solution et si son successeur. dij reprsente la distance sparant les sites i et j . CC correspond au cot de cration dune tourne (cot xe), CR le cot de routage (cot variable) et xi est gal 1 si le site i est seul dans la tourne (i.e. si son retrait entrane une tourne vide) et 0 sinon. Nous obtenons ainsi : ci = CR (dpi ,i + di,si dpi ,si ) + CC xi . Le site ayant la plus forte contribution est alors enlev, il sagit en effet du site qui apporte la plus forte augmentation au niveau du cot la solution. Le calcul des contributions est alors ritr pour prendre en compte la modication effectue par le retrait du premier site, puis le second site (celui ayant la plus forte contribution suite la deuxime valuation) est enlev. Similitude des nuds Dans la troisime version de slection des sites enlever, nous choisissons ceux ayant des similitudes communes. En effet, nous cherchons parmi tous les couples de sites de la solution prcdente, celui ayant une similitude la plus forte. Nous notons Simiij la valeur de la similitude des sites i et j . Deux sites ont une similitude leve si la diffrence entre leur instant de visite dans la solution ralisable est faible. Nous cherchons ainsi retirer deux sites de deux tournes diffrentes de faons pouvoir les intervertir. Soit ti linstant de visite du site i, nous avons alors Simiij = |ti tj |. Nous slectionnons alors le couple ayant la plus petite similitude. Le modle Deux principales contraintes sont vrier dans ce modle : le respect des fentres de visite des sites et le respect de la capacit des vhicules. La contrainte des fentres de visite consiste sassurer que chaque site est visit dans sa priode douverture. Pour cela nous introduisons pour chaque site une variable nomme "Instant de Visite" dont le domaine de dnition est la fentre de visite du site. Le dpt a un instant de visite xe qui est gal 0. Pour chaque site, on assure la cohrence des instants de visite partir de son prdcesseur dans la tourne. En effet, la variable instant de visite du sitei sera toujours suprieure ou gale la variable instant de visite du prdcesseur du sitei plus le temps de service du prdcesseur du sitei plus la distance sparant les deux sites (on part du principe quil faut une unit de temps pour parcourir une unit de distance). Soient ti,r linstant de visite du site i dans la tourne r, pir le prdcesseur de i dans la tourne r, dij est la distance qui spare i de j et tsi est le temps de service du site i. Nous avons alors : i r tir tpir r + dpir i + tspir (5.1)
La contrainte de respect de la capacit des vhicules consiste sassurer quen tout point de la tourne le vhicule ne dpasse jamais sa capacit de stockage et ne livre pas plus que ce quil a dans son stock. Pour cela nous mettons en place quatre variables pour chaque demande i : la variable ACi : reprsente la capacit libre du vhicule avant son arrive en i ;
66
C HAPITRE 5 : Rsolution par mtaheuristique : GRASP la variable DCi : reprsente la capacit libre du vhicule aprs son passage en i ; la variable M ACi : reprsente le minimum des capacits libres du vhicule son arrive chez tous les prdcesseurs de i, i compris. Si Pi reprsente lensemble des sites visits avant le site i alors M ACi = min (ACi ) ; la variable M DCi : reprsente le minimum des capacits libres du vhicule aprs son passage chez tous les successeurs de i, i compris. Si Si reprsente lensemble des sites visits aprs le site i alors M DCi = min (DCi ).
Si i Pi i
Les quatre variables ont pour domaine [0, capaciteV ehicule]. Une cinquime variable nomme : P dtLiv reprsente lensemble des produits qui sont livrs par la tourne. La variable AC du dpt est gale capaciteV ehicule, la variable DC du dpt est gale capaciteV ehicule P dtLiv . Chaque variable DC est gale la variable AC de son successeur. Pour vrier si une insertion dun site k de livraison entre le site i et j est possible (uniquement vis vis de la contrainte de capacit des vhicules) il suft de vrier que la quantit qteP dtk de produits livre au site k est telle que qteP dtk M ACi . De mme, pour vrier si une insertion dun site k de collecte entre le site i et j est possible il suft de vrier que la quantit qteP dtk de produits collecte au site k respecte qteP dtk M DCj . Les autres contraintes qui doivent tre vries sont : La correspondance entre prdecesseur et successeur dun site. Notons P reci le prdcesseur de i et Succi le successeur de i, il faut alors respecter la contrainte suivante : P reci = j Succj = i. Pour cela nous utilisons une contrainte de channeling. Cette contrainte se prsente comme ceci : soient x et y deux tableaux de variables inverseChanneling (x, y ) assure que x[i] = j y [j ] = i ; Llimination des sous-cycles au sein de la tourne est ralise par la contrainte : P asDeSousCycle. Cette contrainte issue des travaux de Rousseau et al. (2002) [132] se dcompose en deux parties, elle assure quun point ne peut pas tre le successeur de lui-mme et que si j est le successeur direct de i alors le dbut du chemin partiel se terminant i et la n du chemin partiel commenant j ne peuvent pas tre le mme point. La technique de branchement Nous utilisons comme algorithme de recherche arborescente la technique introduite par Harvey et Ginsberg [87] appele : Limited Discrepancy Search (LDS). En effet, pour attribuer chaque variable sa valeur nous utilisons une mthode de Branch and Bound base sur des techniques utilises par la programmation par contraintes. Lorsquun Branch and Bound est effectu en programmation par contraintes, chaque tape de la recherche une variable est instancie et le sous-problme est alors tudi en affectant chaque variable lensemble des valeurs de leur domaine. Aprs chaque affectation dune valeur une variable un processus de propagation de contraintes intervient. Ce processus prend en compte lensemble des contraintes et la fonction objectif du problme. La propagation aboutit la rduction des domaines des variables et donc la rduction de larbre de recherche. Lorsque, pour une variable, le domaine de dnition est vid, la solution propose nest pas valide, la recherche effectue donc un retour en arrire dans lespace de recherche. La recherche arborescente peut tre amliore grce des heuristiques de slection des variables et des valeurs. Les heuristiques de slection des variables sont utilises pour rduire lespace de recherche et les heuristiques de slection des valeurs sont utilises pour guider la recherche de la solution. Ainsi une stratgie de branchement peut tre dinstancier en premier lieu les variables qui sont les plus contraintes. Une autre faon de limiter larbre de recherche est dutiliser des heuristiques qui vitent dexplorer des branches non prometteuses. Cest donc pour cela que nous utilisons la technique de branchement LDS, couple aux heuristiques de choix de variables "MinDomain", "DomOverDeg" et "MostConstrained". Lheuristique de choix : "MinDomain" choisit la variable ayant le plus petit domaine comme variable instancier en premier. "DomOverDeg" est une tailledudomaine heuristique qui slectionne la variable ayant le plus petit ratio : degredelavariable , le degr dune variable tant le nombre de contraintes dans lesquelles elle est. Lheuristique "MostConstrained" instancie dabord la variable tant la plus contrainte. De plus nous utiliserons successivement les heuristiques de choix de valeurs suivantes : IncreasingDomain (les variables sont instancies aux valeurs depuis la borne infrieure du domaine jusqu la borne suprieure du domaine), DecreasingDomain (les variables sont instancies aux valeurs depuis la borne suprieure du domaine jusqu la borne infrieure du domaine) et RandomIntValSelector (les variables sont instancies alatoirement aux valeurs de leur domaine).
67
Dans la mthode LDS, une heuristique de classement de variables guide le branchement, un paramtre appel "erreur" permet au branchement de ne pas prendre la dcision induite par lheuristique un certain nombre de fois (paramtre de la mthode pouvant varier). Nous utilisons pour notre part un paramtre derreur autorise de 1, 2, ou 3. Lensemble des combinaisons : choix de variables - choix de valeurs - nombre derreurs autorises a t test. La liste taboue au sein de la recherche locale Nous avons mis en place une liste taboue au sein de la recherche locale, qui permet de sortir de minima locaux lorsque le site retirer ne peut tre replac qu son placement dorigine. Nous retenons alors les retraits que nous avons tests, pour ne pas avoir refaire ces retraits si la solution courante possde toujours cette conguration. Prenons par exemple le retrait du site 20 dans la tourne 4, qui aprs r-optimisation est insr de nouveau dans la tourne 4 au mme endroit dans cette tourne, car aucune autre possibilit nest ralisable ou meilleure, on retient alors dans la liste taboue le couple (20, 4), pour qu litration suivante ce site, qui sera toujours celui qui rpond au plus fort critre, ne soit pas re-test. La liste taboue, retient tous les retraits qui ont t raliss. Diffrents paramtres de tests de la version hybride Nous avons choisi, aprs diffrents tests sur les paramtres, deffectuer la recherche locale toutes les 50 itrations du GRASP sur la meilleure solution obtenue par les 50 constructions. Pour une rsolution du problme en juste temps avec la mthode LNS nous itrons 70 fois le retrait de 2 sites si cela prend moins de 3 minutes de calcul, dans le cas contraire loptimisation des 2 retraits en cours est termin et le processus est stopp. Pour la rsolution du problme avec gestion des stocks, nous itrons 100 fois le retrait de 2 sites si cela prend moins de 3 minutes dans un premier temps. Comme les rsultats obtenus ne sont pas concluants, nous avons augment le dlai 5 minutes. Suite diffrents tests, nous avons constat que le meilleur critre de slection de sites pour le retrait est "plus forte contribution". Tous les rsultats donns par la suite sont ceux obtenus avec ce critre de slection.
5.3.1
Le GRASP classique
En juste temps Dans le tableau 5.1, nous trouvons les rsultats obtenus pour le problme en juste temps grce au GRASP classique. Les rsultats sont spars en fonction de la taille de la liste de candidats utiliss. Puis nous donnons pour chaque : la moyenne du cot obtenu, la moyenne du temps dexcution, la diffrence en termes de cot et de temps dexcution avec les mthodes heuristiques. Le GRASP classique permet dobtenir en moyenne
1
http ://choco-solver.net
68 Moyenne cot 2 814 650 Taille : 3 Moyenne = cot vs temps heuristiques 259 s -3,5 %
C HAPITRE 5 : Rsolution par mtaheuristique : GRASP = temps vs heuristiques 142 Moyenne cot 2 842 621 Taille : 5 Moyenne = cot vs temps heuristiques 257 s -2,5 % = temps vs heuristiques 141
TAB . 5.1 Rsultats obtenus par le GRASP classique en juste temps, en fonction de la taille de la liste de candidats 3,5 % de gain par rapport aux mthodes heuristiques (entre 2,9 % et 4,3 % selon les catgories dinstances). Le GRASP classique permet damliorer le rsultat de 83 % des instances testes. Les meilleurs rsultats sont obtenus lorsque lon utilise une liste de candidats de taille 3. Une tude plus approfondie sur linuence de ce paramtre de la mthode en fonction de la physionomie des instances est une des perspectives envisageables. Avec gestion des stocks Taille : 3 Moyenne = cot vs temps heuristiques 258 s - 4,5 % Taille : 5 Moyenne = cot vs temps heuristiques 257 s -3,7%
TAB . 5.2 Rsultats obtenus par le GRASP classique avec gestion des stocks, en fonction de la taille de la liste de candidats Le tableau 5.2 permet de voir les diffrents rsultats obtenus sur le problme avec gestion des stocks avec une rsolution par GRASP classique. Les rsultats sont spars en fonction de la taille de la liste de candidats utiliss. Puis nous donnons pour chaque : la moyenne du cot obtenu, la moyenne du temps dexcution, la diffrence en termes de cot et de temps dexcution avec les mthodes heuristiques. On constate dans un premier temps que dans cette conguration de cots, la stratgie qui consiste livrer en avance certaines demandes, permet de baisser le cot par rapport la stratgie de juste temps. Ici le GRASP classique permet damliorer le cot des solutions den moyenne 4,5 % par rapport aux mthodes heuristiques (entre 3,4 % et 5 % selon les catgories dinstances). Le GRASP classique sur le problme avec gestion des stocks permet damliorer 90 % des instances testes avec les mthodes heuristiques.
5.3 - Les diffrents rsultats Liste Candidats taille 5 3 3 3 3 3 3 3 3 3 3 temps pour chaque iteration LNS < 3 min || 70 < 3 min || 70 < 3 min || 70 < 3 min || 70 < 3 min || 70 < 3 min || 70 < 3 min || 70 < 3 min || 70 < 3 min || 70 < 3 min || 70 < 3 min || 70 LDS paramtre 2 3 2 2 2 3 2 1 2 3 2 Variable choix MinDomain MinDomain MinDomain MinDomain MostConstrained MostConstrained MostConstrained DomOverDeg DomOverDeg DomOverDeg DomOverDeg Valeur choix IncreasingDomain IncreasingDomain DecreasingDomain RandomIntValSelector IncreasingDomain IncreasingDomain DecreasingDomain IncreasingDomain IncreasingDomain IncreasingDomain DecreasingDomain
69 = Classique GRASP (cot) +5,5 % +5,5 % +5,7 % +5,9 % +7,7 % +5,9 % +5,8 % +6,8 % +7 % +5,1 % +6,8 %
TAB . 5.3 Rsultats obtenus par le GRASP hybride en juste temps, en fonction des diffrents paramtres de cot obtenu par rapport aux cots du GRASP classique. En moyenne les rsultats obtenus par le GRASP hybride sont de mme qualit que ceux obtenus par les meilleures mthodes de construction et amliorations dcrites dans le chapitre 1. Nous constatons ici que les meilleurs rsultats pour la rsolution hybride du problme en juste temps sont obtenus par la combinaison des paramtres suivants : Une taille de liste de 3 candidats ; Lheuristique de choix des variables : DomOverDeg ; Lheuristique de choix des valeurs : IncreasingDomain ; Le choix de 3 divergences dans la technique LDS. Lensemble des rsultats obtenus avec le GRASP hybride sur le problme en juste temps donne en moyenne des rsultats moins bons que ceux obtenus par le GRASP dit classique. Cependant nous pouvons constater sur les schmas 5.1 que les mthodes hybrides permettent de donner le meilleur rsultat toutes mthodes confondues sur certaines instances. Les schmas prsents sur la gure 5.1 reprsentent la rpartition des meilleures solutions trouves selon leur mthode de rsolution. Le premier schma dtaille lensemble des mthodes utilises tandis que le second gnralise selon les types (mthode de construction et amliorations "C & A", GRASP classique et GRASP hybride). Pour comprendre le premier schma il est ncessaire de donner les explications suivantes : chaque nom de mthode commence par son type : C & A pour construction et amliorations, "Class" pour GRASP classique et "Hybr" pour GRASP hybride. Lintitul "Class" et "Hyb" sont suivies de la taille de la liste de candidats utilise. Puis pour les mthodes hybrides sont donns dans lordre : lheuristique de choix de variables (MD pour MinDomain, DOD pour DomOverDeg et MC pour MostConstrained), lheuristique de choix de valeurs (ID pour IncreasingDomain, DD pour DecreasingDomain et R pour RandomIntValSelector) et le nombre de divergences maximum autorises pour LDS. Dans ce chapitre nous raisonnons globalement, plus de dtails concernant les rsultats selon les instances sont donns dans le chapitre 7. Avec gestion des stocks Dans le tableau 5.4 nous donnons les rsultats obtenus avec le GRASP hybride sur le problme avec gestion des stocks. Les rsultats sont donns selon plusieurs critres : la taille de la liste de candidats, le temps laiss chaque itration de LNS, le nombre derreurs autorises dans LDS, lheuristique de choix des variables lors du branchement, lheuristique de choix des valeurs et lcart de cot obtenu par rapport aux cots du GRASP classique. Les rsultats obtenus ici restent loigns de ceux obtenus par la mthode classique. Nous constatons nanmoins que la combinaison qui donne les meilleurs rsultats est : DomOverDeg comme heuristique de choix de variable, IncreasingDomain comme heuristique de choix des valeurs et une divergence autorise dans LDS. Dans le schma 5.2 nous trouvons la rpartition des meilleurs rsultats obtenus selon les diffrentes mthodes.
70
Figure 5.1 Comparaison du nombre de solutions minimum trouv pour chaque mthode de rsolution : GRASP en juste temps
temps pour chaque itration LNS < 3 min || 100 < 5 min|| 100 < 5 min || 100 < 5 min || 100 < 5 min || 100 < 5 min || 100 < 5 min || 100 < 5 min || 100 < 5 min || 100 < 5 min || 100
LDS paramtre 3 3 5 1 2 1 3 1 1 2
Variable choix MinDomain MinDomain MinDomain MinDomain DomOverDeg DomOverDeg DomOverDeg DomOverDeg MostConstrained MostConstrained
Valeur choix IncreasingDomain IncreasingDomain IncreasingDomain IncreasingDomain IncreasingDomain IncreasingDomain IncreasingDomain DecreasingDomain IncreasingDomain IncreasingDomain
= Classique GRASP (cot) +11,7% +10,7 % +10,5 % +12,2 % + 13 % + 10,2 % + 10,8 % + 10,6 % + 10,9 % + 11,7 %
TAB . 5.4 Rsultats obtenus par le GRASP hybride avec gestion des stocks, en fonction des diffrents paramtres
71
Figure 5.2 Comparaison du nombre de solutions minimum trouv pour chaque mthode de rsolution : GRASP avec gestion des stocks
Nous constatons que la version hybride donne moins de fois la meilleure solution parmi toutes pour le problme dans la version avec gestion des stocks contrairement la la mthode en juste temps.
Chapitre 6
73
74
Nous allons prendre ici un exemple de problme de construction de tournes simples (appelons P ce problme) et ceci avec une otte illimite. Une seule contrainte est ici vrier : chaque client doit tre visit une fois. Lobjectif est de trouver une solution minimisant le cot des tournes slectionnes. Posons alors : : ensemble des tournes ralisables ; N : ensemble des clients servir ; cr : cot de la tourne r ; xr : variable binaire gale 1 si la tourne r est slectionne dans la solution, 0 sinon ; air : constante binaire valant 1 si le client i est visit par la tourne r, 0 sinon. Minimiser : z =
r
cr xr
(6.1)
Sous Contraintes : iN
r
xr air = 1 xr {0, 1}
(6.2) (6.3)
On retrouve ici en 6.2, la contrainte permettant que chaque client soit visit une seule fois. Le but de ce problme est de minimiser le cot total des tournes slectionnes (6.1). Dans une version note P du problme P on remplacera la contrainte de partitionnement 6.2 par la contrainte de recouvrement suivante : iN
r
xr air 1
(6.4)
Nous relaxerons galement les contraintes dintgrit de xr . Ainsi nous pouvons crire P comme ceci : Minimiser : z =
r
cr xr
(6.5)
Sous Contraintes : iN
r
xr air 1 r xr 0
(6.6) (6.7)
Lnumration complte des tournes de est impossible dans un temps raisonnable. Le principe de la gnration de colonnes est de ne considrer quun sous-ensemble de colonnes qui sont prometteuses et chaque itration il sagit de faire entrer une nouvelle variable en base. Chaque itration de la gnration de colonnes consiste optimiser le programme matre restreint de faon avoir la solution optimale courante et les variables duales associes et de trouver une colonne dont le cot rduit est ngatif. Cest le gnrateur de colonnes, qui va se charger de fournir les bonnes tournes ncessaires la rsolution par la mthode de gnration de colonnes. Ainsi dans le petit exemple donn au dessus le sous-problme gnre des tournes respectant la capacit du vhicule et dont lorigine et larrive sont le dpt. crivons maintenant le dual not D du problme P . Soit i la variable duale associe la contrainte 6.6. Nous pouvons alors crire D ainsi :
Maximiser : z =
iN
(6.8)
Sous Contraintes : r
iN
i air cr i i 0
6.2 - La rsolution du problme en juste temps Trouver une colonne qui amliore le cot de P revient trouver une colonne r telle que : cr
iN
75
i air 0
(6.12)
Pour trouver une colonne amliorante au problme P nous devons trouver la colonne de cot cr
minimal. On se rend compte ici que ce cot peut se dcomposer aisment en discrtisant les cots induits par les choix de successeur dans la tourne. En effet si on note xijr la variable binaire qui est gale 1 si j est immdiatement visit aprs i dans la tourne r et gale 0 sinon, on a alors c i air ij xijr = cr
iN j N iN
iN
i air
o c ij = cij i air . On saperoit alors que trouver une colonne amliorante pour P revient rsoudre le problme du plus court chemin lmentaire (car les cots sur les arcs peuvent tre ngatifs) sous contrainte de ressources dans un graphe o chaque arc (i, j ) est pondr par le cot : c ij . Dans la suite de ce chapitre, nous allons montrer comment nous avons utilis la technique de gnration de colonnes pour rsoudre tout dabord le problme tudi en juste temps puis avec gestion des stocks. Nous aborderons ensuite le problme de la dgnrescence qui peut survenir et enn nous verrons comment nous utilisons la technique du Branch and Bound [102] pour trouver une solution entire au problme. En effet nous nenvisageons pas dans le cadre de cette thse de dvelopper une procdure complte de Branch and Price (Barnhart et al., 1998 [7] et Vanderbeck, 2000 [159]).
6.2.1
Le problme et sa modlisation
Dans cette premire modlisation nous considrons que les sites ont une demande xe en produit pour chaque jour qui est connue et que pour chaque jour de la planication les sites sont livrs de leur besoin (c.--d. pas possibilit de stockage pralable ni de cot de stockage dans ce cas l). Par simplication, nous imposons que les quantits livres ou collectes soient des valeurs entires. Nous rsolvons ainsi, le problme sans anticipation des demandes. Les demandes restent nanmoins premptives. Les quantits collectes ne sont pas imposes elles sont induites par la capacit de stockage du site. Dans cette modlisation une tourne est reprsente, pour chaque site, par la quantit de produits qui est livre et collecte (si une tourne ne passe pas par un site sa quantit livre ou collecte est donc nulle) et les instants de visite de chaque site. Ainsi, chaque tourne devra respecter les contraintes de capacit des vhicules, des fentres de visite des sites. Notons : I : ensemble des sites ; V : nombre de vhicules disponibles dans la otte ; T : horizon de la planication ; : ensemble des tournes ralisables ; xrt : variable binaire gale 1 si la tourne r est slectionne pour tre ralise le jour t, 0 sinon (unique variable du problme) ; a1 ir : quantit de produits livre au client i par la tourne r ; a2 ir : quantit de matriaux (produits en retour et palettes vides) collecte au client i par la tourne r ; cr : cot de la tourne r comprenant le cot xe dutilisation du vhicule et le cot de routage (proportionnel la distance parcourue) ; dit : demande de livraison du client i le jour t ; Capai : capacit de stockage du site i ; P dt0i : tat du stock de produit du client i au dbut de la planication (les demandes sont mises jour en fonction de cette valeur) ;
76
M at0i : tat du stock de matriaux (palettes vides et produits en retour) du client i au dbut de la planication ; M atki : le nombre de matriaux (palettes vides et produits en retour) qui sajoute chez le client i le jour k; Stock0i : tat du stock total du site i au dbut de la planication Stock0i = P dt0i + M at0i . Le modle de partitionnement correspondant notre problme en juste temps dans les livraisons peut donc scrire comme suit :
z=
r t[1,T ]
cr xrt
(6.13)
xrt a1 ir dit
r t t
(6.14) M atki
k=1 t
t [1, T ]
r k=1 t
xrk a2 ir
t [1, T ]
r k=1
t [1, T ]
r
xrt V xrt
Pour faciliter lcriture de notre modle nous allons introduire les trois termes suivants : Sit = Capai +
2 Air = a1 ir air t t k=1
dik Stock0i
Mti =
Ainsi, nous pouvons rcrire le modle comme suit : Min : Sous Contraintes : iI iI iI t [1, T ]
r t
k=1
M atki
z=
r t[1,T ]
cr xrt
(6.19)
t [1, T ] t [1, T ]
r k=1
t [1, T ]
xrt Lobjectif est de minimiser les cots de routage sous les contraintes suivantes : Contrainte 6.20 : Respect de la demande de chaque site pour chaque jour ; Contrainte 6.21 : Respect de la quantit possible collecter de chaque site pour chaque jour ; Contrainte 6.22 : Respect de la capacit de stockage de chaque site ;
77
Contrainte 6.23 : Respect de la taille de la otte de vhicules. Nous vrions pour chaque jour que la capacit est respecte mais au sein dune journe nous nentrons pas dans les dtails. Si deux tournes passent par le mme site nous vrions que globalement la capacit est vrie mais entre le passage de la premire tourne et la seconde il se peut que la capacit ne soit pas respecte.
Associons la contrainte 6.20 la variable duale it , la contrainte 6.21 la variable duale it , la contrainte 6.22 : it et la contrainte 6.23 la variable duale t . Nous rsumons dans le tableau 6.1 le schma gnral de la matrice des contraintes correspondant au problme matre.
Nous pouvons alors crire le dual du problme ainsi : Max : Sous Contraintes :
T T
z =
iI t[1,T ]
dit it
iI t[1,T ]
Mti it
iI t[1,T ]
Sit it
t[1,T ]
V t (6.25)
r t [1, T ]
iI
a1 ir it it 0 it 0 it 0 t 0
iI k=t
a2 ir ik
iI k=t
Air ik t cr
i, t i, t i, t t
Lobjectif du sous-problme est donc de trouver des tournes de cot rduit ngatif, cest dire des tournes r telles que :
T T a2 ir ik iI k=t
cr (
iI
a1 ir it
iI k=t
Air ik t )0
(6.31)
cr (
iI
(a1 ir it
(6.32)
Notons CF le cot xe de cration dune tourne, xr ij est une variable binaire gale 1 si la tourne r visite j immdiatement aprs i et cij le cot associ au parcours de de la distance sparant i et j . On peut alors exprimer le cot rel dune tourne ainsi : r
iN j N
xr ij cij + CF = cr
6.2.2
La description du sous-problme
Tout comme nous lavons vu dans la partie 6.1 de ce chapitre, trouver une colonne amliorante peut pouvoir se ramener rechercher un plus court chemin lmentaire sous contraintes de ressources. Nous allons dans cette partie montrer quel est le graphe et les cots associs ce graphe qui permettent de trouver une colonne amliorante pour notre problme. Soit G = (V , A) le graphe o V reprsente lensemble des nuds de notre problme et A lensemble des arcs ralisables. Deux actions sont possibles dans chaque site : livraison de produits neufs et collecte de matriaux (palettes vides et retours de produits). Cest pourquoi un site est divis en deux nuds pour sparer sa
TAB . 6.1 Tableau de la matrice des contraintes du problme matre du problme en juste temps
Tournes jour 1 1 i=1 I*T contraintes respect demande ... i =1 I*T ... ... ... ... ... ... ... ... A1r A2r 1 A1r A1r ... ... ... ...
2 a1 r 2 a2 r
type
second
...
w ...
contrainte
membre
Duales
1 a11
d11
11
1 a11
d12 ...
1 a1 r
12 ...
1 a1 w
...
1 a21
...
...
... ...
d1T
1T
1 a2 r
1 a2 w
d21
21
...
... ...
2 a1 r 2 a1 w
...
...
M11
11
M12
12
contraintes respect quantit collecte i =1 I*T contraintes respect capacit stockage T contraintes respect otte ... t=T t=2 t=1 1 i=2 t=1 ... ... 1 A21 t=T A11 ... A1w t=2 A11 t=1 A11 ... ... A1w A1w i=2 t=1 t=T
2 a11 2 a21
... ...
2 a1 w
...
2 a11
...
...
...
...
2 a1 r
...
2 a1 w
M1T
1T
M21
21
... A11 A11 ... ... A1r A1r ... ... A1w
...
...
S11
11
S12
12
...
A1w A11 ... A1r ... A1w
...
...
...
S1T
1 T
...
A2w
S21
21
...
... 1 ... 1
...
...
...
...
1
... ...
1
... ...
1
...
78
79
partie collecte de sa partie livraison, ainsi une tourne peut passer plusieurs fois par un mme site rel (une fois pour livrer et une autre fois pour collecter) mais une seule fois par site pour chaque action. De plus, les quantits livres et collectes ne sont pas dtermines par avance. Notons Pit lensemble des valeurs possibles pour la quantit de livraison dune tourne au site i le jour t et Cit lensemble des valeurs possibles pour la quantit collecte dune tourne au site i le jour t. Pour chaque site de livraison nous avons donc autant de nuds de livraison que de quantit possible. Il en est de mme pour les sites de collectes et leur dclinaison en nuds de collectes selon les quantits. Ainsi dans notre graphe nous avons 2 + (Cit + Pit ) nuds. Les nuds i et
iI,tT
j correspondent un site auquel on lui associe grce son numro : une action (collecte ou livraison) et une quantit. cij est le cot associ cet arc. Nous pouvons voir sur la gure 6.1 la physionomie de notre rseau sans les arcs pour le moment.
2 3
Dpt Site 2
4 Site 2
Dpt
.....
.....
2 Notons, a1 j la quantit livre au nud j et aj la quantit collecte au site j . Pour chaque jour t nous pouvons t crer un graphe G o les diffrents cots vont tre rpartis en 5 types comme suit (les cots sont ports par larc entrant des sites) :
Pour tous les arcs (i, j ) o i est le dpt de dpart et j est un nud de livraison le cot associ est :
cij + CF a1 j jt + T k =t T k=t a1 j jk ; T k =t T k =t
Pour tous les arcs (i, j ), o i est le dpt de dpart et j un nud de collecte le cot associ est de : cij + CF +
a2 j jk a2 j jk ;
Pour tous les arcs (i, j ) avec i un nud autre que le dpt de dpart ou darrive et j un nud de livraison
le cot est : cij a1 j jt + T k=t a1 j jk ; T k=t
Pour tous les arcs (i, j ) avec i un nud autre que le dpt de dpart ou darrive et j un nud de collecte le cot est : cij +
a2 j jk a2 j jk ;
Pour tous les arcs (i, j ) avec i un nud autre que le dpt de dpart ou darrive et j le dpt darrive le . cot est : cij + t
80
Figure 6.2 Reprsentation simplie du graphe pour chaque jour : un seul arc par type est reprsent ici.
Noeuds de livraison 1 2 3 Noeuds de collecte 51 52
Dpt
Dpt
.....
.....
La gure 6.2 donne un exemple de graphe o seulement un arc par type est reprsent. Nous trouvons les types suivants : arc allant du dpt de dpart vers un nud de livraison ; arc allant du dpt de dpart vers nud de collecte ; arc entrant dans un nud de livraison (dont lorigine nest pas le dpt de dpart) ; arc entrant dans un nud de collecte (dont lorigine nest pas le dpt de dpart) ; arc entrant dans le dpt darrive. Les arcs entre nud de livraison dun mme site nexistent pas et il en est de mme pour ceux entre les nuds de collecte dun mme site, ceci dans le but dinterdire de passer deux fois par le mme site au sein dune mme tourne. De plus, comme il est dans notre problme identique de faire une collecte suivie immdiatement dune livraison dans un mme site ou une livraison puis immdiatement une collecte dans un mme site, nous choisissons de garder quune seule des deux possibilits dans notre graphe, celle qui nous parat le plus logique cest dire lenchanement livraison puis collecte. Le but du sous-problme est de gnrer la meilleure tourne ralisable au sein de ce graphe. Les colonnes gnres doivent avoir un cot rduit ngatif. Les nouvelles colonnes (tournes) proposes devront respecter les contraintes de fentre horaire des sites visits et de capacit du vhicule. chaque itration la mthode du Simplexe dtermine les valeurs des variables duales dnies ci-dessus pour les contraintes 6.20, 6.21, 6.22, 6.23. Soient : xij variable gale 1 si larc (i, j ) est parcouru par le vhicule dans la tourne ; ti linstant de visite du site i dans la nouvelle tourne gnre ; ai et bi respectivement la borne infrieure et suprieure de la fentre de visite du site i ; a1 j la quantit livre j ; a2 j la quantit collecte chez j ; cij le cot associ au parcours de larc (i, j ), CLi la capacit libre dans le vhicule son dpart du site i ; CapaVeh la capacit des vhicules ; si le temps de service du client i ; tij le temps de parcours de la distance sparant i et j ; M une constante trs grande (M >> 0) ; I ensemble des sites (0 tant le dpt). On peut alors formuler le sous-problme, caractrisant une tourne pour la journe t, ainsi :
81
Min :
iA j A
cij xij
(a1 j jt iA j A k =t
(6.33)
Sous Contraintes : j A
iA
xij
iA
xji = 0 xi0 = 2
iA
x0i +
iA
i A, j A iA
a1 i
i A, j A iA i A, j A
Lobjectif est ici de trouver des tournes dont le cot rduit est ngatif (6.33). La tourne gnre doit respecter la conservation des ux (6.34). La tourne doit dbuter et terminer au dpt (6.35). La capacit du vhicule doit tre respecte (6.36, 6.37, 6.38). Les tournes doivent respecter les fentres de visites des sites (6.39, 6.40).
6.2.3
Implmentation
Le graphe du sous-problme peut trs vite prendre des proportions normes. Cest pourquoi dans un souci de simplication de celui-ci, nous avons restreint les quantits possibles de livraison 0, 1/2 de la demande ou la demande tout entire et les quantits de collectes rien ou la demande entire. Ainsi pour chaque site du problme il y aura 2 nuds correspondant aux nuds de livraison et 1 nud correspondant au nud de collecte. Ce qui fait que pour une instance 5 sites par exemple nous avons 17 nuds dans le graphe (5 3 pour les sites et 2 pour le dpt de dpart et darrive). Cette hypothse ne nous semble pas trop restrictive en pratique.
Dans la suite de ce chapitre nous allons tudier plusieurs manires de rsoudre le sous-problme. Tout dabord nous allons utiliser la programmation dynamique. Puis nous allons rsoudre le sous-problme grce la mthode de recherche taboue. Et enn nous verrons comment employer des techniques de programmation par contraintes sur ce problme. Dans toutes les descriptions des mthodes donnes dans la suite de ce chapitre nous utilisons les notations introduites dans la partie 6.2.2.
6.2.4
La premire mthode utilise pour rsoudre le problme de plus court chemin dans le graphe dcrit dans la partie 6.2.2 est la programmation dynamique. Il existe diffrents algorithmes de programmation dynamique adapt notre problme (Desrochers [47], [48] et Feillet [60]). Lalgorithme de Desrochers ([47], [48]) est bas sur celui propos par Bellman. Lobjectif du problme est de construire un plus court chemin entre une origine o et une destination d de cot minimal, satisfaisant toutes les contraintes de ressources. Lalgorithme de Desrochers [47] permet dobtenir tous les chemins optimaux joignant le sommet de dpart au sommet darrive. Pour cela, lalgorithme fonctionne sur le principe de correction dtiquettes. Pour chaque sommet du graphe lalgorithme associe un ensemble de labels correspondant un ensemble de chemins optimaux (non domins) permettant darriver ce sommet. On dit quun label est non domin lorsquil nexiste pas dautre chemin consommant moins ou autant de chacune des ressources. Les tiquettes associes au site darrive correspondent donc aux chemins optimaux.
82
Reprenons ici la notation simplie propose par Desrochers [47]. chaque chemin Xoj dorigine o et dextrmit j est associ un label (Tj1 , Tj2 , . . . , TjL , Cj ) o Tj1 , Tj2 , . . . , TjL reprsentent ltat de consommation des L ressources dans le chemin considr (c.--d. les quantits consommes de chacune des ressources disponibles) et Cj est gal au cot du chemin. Xoj est caractris par ltat Rj = (Tj1 , Tj2 , . . . , TjL ). Considrons maintenant deux chemins distincts Xoj et Xoj allant de o jusqu j et leur label associ (Rj , Cj ) et (Rj , Cj ). Xoj domine Xoj (scrit aussi Xoj Xoj ) si et seulement si Cj Cj et l [0, L] Tjl Tjl et (Rj , Cj ) = (Rj , Cj ). Desrochers [47] utilise une extension du principe doptimalit de Bellman selon laquelle il suft de conserver les tiquettes non-domines. Cet algorithme permet de trouver le plus court chemin non-lmentaire dans un graphe en respect des contraintes de ressources. Lorsque lon a dans le graphe des cots ngatifs (ce qui est frquent avec la technique de gnration de colonnes) il est possible que les chemins optimaux ne soient pas lmentaires. Dans notre cas la prsence des fentres de visite va limiter voire prohiber la prsence de cycles de cots ngatifs. Pour autant nous avons dcid malgr la prsence de fentres de visite dans notre problme dutiliser lextension propose par Feillet et al. pour le cas lmentaire [60] qui interdit dtendre un label un nud lorsquil a dj t visit. En effet les fentres de visite utilises sont dans certaines instances larges, la prsence de cycle ngatif peut donc tre frquente. De plus cette procdure, bien que plus consommatrice en temps de calcul, permet gnralement de gnrer des meilleures colonnes.
Application notre problme Dans notre cas les ressources sont le temps et la capacit libre dans le vhicule. Ainsi, on sassure que les deux contraintes sont respectes : respect des fentres de visite et respect de la capacit des vhicules. Le cot correspond la somme des cots des arcs emprunts par le chemin dans le graphe prsent en 6.33. Nous associons donc chaque chemin Rj dbutant au dpt et arrivant au nud j une tiquette Ej = (Cj , Tj , Lj ) o Cj est le cot rduit associ au chemin, Tj est linstant darrive du vhicule au nud j et Lj la charge dans le vhicule son arrive en j . Pour expliquer la rgle de dominance que nous utilisons prenons deux tiquettes Ej et Ej associes respectivement aux chemins Rj et Rj qui partent du dpt et arrivent au site j . Ltiquette Ej domine () Ej si tous les lments de ltiquette Ej sont infrieurs ou gal aux lments de ltiquette Ej . Ej Ej si et seulement si : Cj Cj ; Tj Tj ; Lj Lj . Les prtraitements Les prtraitements au sein du graphe du sous-problme permettent de rduire la combinatoire et ainsi amliorer les temps dobtention dune solution. Dans la littrature nous avons trouv plusieurs manires de rduire la taille du graphe pour le sous-problme en effectuant des liminations darcs "inutiles". Citons par exemple les travaux de Rousseau et al. (2002, [132] et [133]). Nous navons pas pu les mettre en uvre dans nos rsolutions car lingalit triangulaire doit tre respecte pour pouvoir les appliquer. Or, du fait du mlange de collectes et livraisons nous ne pouvons pas dire que lingalit triangulaire soit respecte pour la ressource correspondant la charge dans le vhicule. Par contre nous interdisons les arcs entre les sites dont la somme de leur charge fait dpasser la capacit des vhicules. Nous interdisons galement les arcs entre deux sites dont les fentres de visite sont incompatibles. Ainsi, j ne peut pas succder i si ai + si + tij > bj .
83
dun processus itratif, chaque solution si est remplace par la meilleure solution de son voisinage V (si ). Ce processus itratif est stopp au bout de m itrations ou si h itrations ont t effectues sans amlioration de la solution courante (m et h tant des paramtres de la rsolution). Une liste appele "liste taboue" retient les n derniers mouvements effectus an dinterdire les mouvements inverses. Le voisinage Lors de lexploration du voisinage dune solution, quatre oprations sont possibles. Nous pouvons effectuer : un retrait dun site de la solution ; un ajout dun site dans la solution ; un change de deux sites dans la solution ; un dplacement dun site dans la solution. La solution de dpart Nous commenons notre rsolution grce la mthode taboue par une solution visitant un site i et effectuant sa livraison et sa collecte. Nous avons ainsi la tourne suivante : dpt livraison de la totalit de la demande du site i collecte de la totalit de la demande du site i dpt. Si partir de cette solution de dpart aucune colonne amliorante nest trouve nous recommenons le processus en partant cette fois-ci dune nouvelle solution de dpart avec un autre site satisfait. Les paramtres de notre rsolution par mthode taboue Les diffrents paramtres utiliss pour la rsolution du plus court chemin pour le sous-problme que nous considrons sont : taille de la liste taboue : 15 ; nombre maximum ditrations effectus : 10000 ; nombre maximum ditrations sans amlioration : 500. Toutes les colonnes dont le cot rduit est ngatif qui sont trouves au cours de la rsolution de la mthode taboue sont ensuite ajoutes lensemble des colonnes dj prsentent pour la rsolution du programme matre.
6.2.6
Pour la rsolution du sous problme par des techniques de programmation par contraintes nous nous sommes inspirs des travaux raliss par Rousseau et al. (2002, [132] et 2004, [133]). Les variables et leur domaine Pour rsoudre le sous problme dans le cadre de la rsolution du problme en juste temps par les techniques de gnration de colonnes, nous utilisons les variables suivantes : Si : variable reprsentant le successeur du nud i, S = {Si } i I ; Ini : variable binaire gale 1 si le site i est dans le chemin construit et 0 sinon ; ti : variable reprsentant linstant de visite du site i ; la variable ACi : reprsente la capacit libre du vhicule avant son arrive en i ; la variable DCi : reprsente la capacit libre du vhicule aprs son passage en i ; la variable M ACi : reprsente le minimum des capacits libres du vhicule son arrive chez tous les prdcesseurs de i, i compris. Si Pi reprsente lensemble des sites visits avant le site i alors M ACi = min(ACi ) ; la variable M DCi : reprsente le minimum des capacits libres du vhicule aprs son passage chez tous les successeurs de i, i compris. Si Si reprsente lensemble des sites visites aprs le site i alors M DCi = min(DCi ) ; P dtLiv reprsente lensemble des produits qui sont livrs par la tourne.
Si i Pi i
84
Les variables : ACi , DCi , M ACi et M DCi ont pour domaine de dnition : [0, CapaV eh]. La variable Si a pour domaine de dnition lensemble des sites auxquels sont enlevs les sites interdits du fait de la typologie des sites considrs. Ini est une variable binaire. ti quant lui, a pour domaine de dnition [ai , bi ] o ai et bi reprsentent respectivement la borne infrieure et suprieure de la fentre de visite du site i. La variable AC du dpt est gale la capacit totale du vhicule note capaV eh, la variable DC du dpt est gale capaV eh P dtLiv . Chaque variable DC est gale la variable AC de son successeur. Pour vrier si une insertion dun site k de livraison entre le site i et j est possible (uniquement vis vis de la contrainte de capacit des vhicules) il suft de vrier que la quantit qteP dtk de produits livre au site k est telle que qteP dtk M ACi . De mme, pour vrier si une insertion dun site k de collecte entre le site i et j est possible il suft de vrier que la quantit qteP dtk de produits collecte au site k respecte qteP dtk M DCj Les contraintes Si = i Ini = 0. Il sagit ici dune contrainte dite de channeling ; AllDif f (S ), tous les successeurs doivent tre diffrents, an dassurer la conservation du ux ; N oSubT our(S ), assure quaucun sous-tour nest fait par laffectation des variables successeurs (cette contrainte est issue des travaux de Rousseau et al. (2002) [132]) ; Si = j ti + tij + si tj , assure le respect des fentres de visite ; 2 Si = j &Ini = 1 DCj = DCi a1 i + ai , assure la cohrence dans le chargement du vhicule. Les contraintes globales utilises et leurs explications An dacclrer la recherche nous avons remplac les diffrentes variables AC, DC, M AC, M DC et P dtLiv et utilis la contrainte globale Cumulative(ressource, listeTaches, capacit). Celle-ci permet sur une ressource de maintenir lordonnancement des tches de faon ce que ces tches soient toujours en dessous de la capacit de la ressource. Dans notre cas dutilisation, chaque tche de livraison qui est dans la tourne, reprsentant le plus court chemin, reprsente une tche dont le dbut est linstant 0. En effet, toutes les livraisons sont charges depuis le nud de dpart. La n des tches de livraison seffectue linstant de visite du site concern. De mme, pour les sites de collecte pris en compte dans la tourne construite nous crons une tche de collecte dont le dbut est linstant de visite du site de collecte considr et sa n est linstant de visite du dpt nal, soit la n de la tourne. Ainsi, les dures des tches sont les suivantes : dure de la tche associe un site de livraison prsent dans la tourne construite : (instant de visite du site - instant de dpart du vhicule du dpt) ; dure de la tche associe un site de collecte prsent dans la tourne construite : (instant de n de la tourne - instant de visite du site) ; dure de la tche associe nimporte quel site non prsent dans la tourne : 0. La gure 6.3 reprsente lvolution de la charge dans le vhicule comme cela est fait avec la contrainte Cumulative. Figure 6.3 volution de la charge dans le vhicule au cours dune tourne
Charge
Capacit vhicule 1 2 3
xxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx
: collecte
Temps t3 t1 t4
t2
85
6.2.7
La solution initiale
Pour la rsolution, dune part, par la technique de gnration de colonnes et, dautre part, par la mthode taboue, nous avons besoin dune solution initiale. Pour cela, nous crons une tourne par site physique (collecte et livraison). Ainsi la tourne i partira du dpt visitera le site i pour effectuer la livraison et la collecte des quantits totales de ce site et reviendra au dpt.
Dans cette seconde modlisation nous considrons que les sites peuvent tre livrs en avance de leur demande, moyennant un cot appel cot de stockage. Nous allons ainsi rsoudre notre problme dans sa version avec gestion des stocks. Pour crire le modle de partitionnement correspondant ce problme avec gestion des stocks nous allons utiliser les mmes notations que celles introduites dans le modle en juste temps (cf. 6.2), nous allons seulement rajouter la constante : cs : qui correspond au cot de stockage.
z=
r t[1,T ] t
cr xrt + cs
t[1,T ] iI t
[(
r
a1 ir xrt ) dit ]
(6.42)
iI iI iI
t [1, T ]
r k=1 t
xrk a1 ir
k=1
dik
t [1, T ]
r k=1 t
t [1, T ]
t [1, T ]
r
xrt V xrt
Lobjectif est de minimiser les cots de routage et de stockage sous les contraintes suivantes : Contrainte 6.43 : Respect de la demande de chaque site pour chaque jour ; Contrainte 6.44 : Respect de la quantit possible collecter de chaque site pour chaque jour ; Contrainte 6.45 : Respect de la capacit de stockage de chaque site ; Contrainte 6.46 : Respect de la capacit de la otte de vhicules.
t k=1
dit
i I t T .
Nous rsumons dans le tableau 6.2 le schma gnral de la matrice des contraintes correspondant au problme matre.
Associons la contrainte 6.43 la variable duale it , la contrainte 6.44 la variable duale it , la contrainte 6.45 : it et la contrainte 6.46 la variable duale t .
TAB . 6.2 Tableau de la matrice des contraintes du problme matre du problme avec gestion des stocks
Tournes jour 1 1 i=1 I*T contraintes respect demande ... i =1 I*T ... ... ... ... ... ... ... ... A1r A2r 1 A1r A1r ... ... ... ...
2 a1 r 2 a2 r
jour 2 ... ... ... ... ... ... ... ... ...
2 a1 w 2 a2 w 2 a11 2 a11 2 a1 w 2 a1 w 1 a2 w 1 a1 w 1 a11 1 a1 w 1 a11 1 a1 w
type
second
...
w ...
contrainte
membre
Duales
1 a11
D11
11
1 a11
12 ...
1 a1 w
...
...
...
D1T
1T
i=2 ... t=1 t=2 ... t=T i=2 ... i =1 t=1 t=2 ... t=T i=2 t=1 ... t=1 t=2 ... t=T 1 ... 1 1 ... 1 A21 A11 A1w A11 ... A1r A11 A11 ... A1w A1w A11 ... A1r t=1
2 a11 2 a21 2 a1 r 2 a11 2 a11
D21
21
...
...
M11
11
M12
12
contraintes respect quantit collecte I*T contraintes respect capacit stockage T contraintes respect otte
...
2 a1 w 2 a11
...
...
...
...
2 a1 r
...
2 a1 w
M1T
1T
M21
21
...
...
S11
11
S12
12
...
A1w A11 ... A1r ... A1w
...
...
...
S1T
1 T
...
A2w
S21
21
...
...
...
...
...
...
1
... ...
1
... ...
1
...
86
6.3 - La rsolution du problme avec gestion des stocks Nous pouvons alors crire le dual du problme ainsi : Max : Sous Contraintes :
T T T
87
z =
iI t[1,T ]
Dit it
iI t[1,T ]
Mti it
iI t[1,T ]
Sit it
t[1,T ]
V t (6.48)
r t [1, T ]
iI k=t
a1 ir ik
iI k=t
a2 ir ik
iI k=t
Air ik t cr + cs
iI
a1 ir (6.49)
i, t i, t i, t t
it 0 it 0 it 0 t 0
6.3.2
La description du sous-problme
Le sous-problme correspondant cette deuxime version de rsolution, ressemble celui dcrit en 6.2.2. Nous considrons, G = (V , A) le graphe o V reprsente lensemble des nuds de notre problme et A lensemble des arcs ralisables. Comme prcdemment, deux actions sont possibles dans chaque site : livraison de produits neufs et collecte de matriaux (palettes vides et retours de produits). Cest pourquoi un site est divis en deux pour sparer sa partie collecte de sa partie livraison, ainsi une tourne peut passer plusieurs fois par un mme site rel (une fois pour livrer et une autre fois pour collecter) mais une seule fois par site pour chaque action. De plus la quantit livre et collecte nest pas dtermine par avance. Notons Pit lensemble des valeurs possibles pour la quantit de livraison dune tourne au site i le jour t. Cet ensemble est quant lui plus grand que celui considr en 6.2.2 car il comprend les valeurs de livraison possibles pour les jours suivants. En effet, nous considrons ici que lon peut livrer avec avance sous contrainte dun cot de stockage donc les quantits possibles pour les livraisons sur un jour sont agrmentes des quantits possibles pour les livraisons sur les jours ultrieurs. Nous avons galement, Cit lensemble des valeurs possibles pour la quantit collecte dune tourne au site i le jour t. Pour chaque site de livraison nous avons donc autant de nuds de livraison que de quantit possible. Il en est de mme pour les sites de collectes et leur dclinaison en nuds de collectes selon les quantits. Ainsi dans notre graphe nous avons 2 + (Cit + Pit ) nuds. Soit xr ij paramtre binaire
iI,tT
indiquant si larc (i, j ) est emprunt par la tourne r. Les nuds i et j correspondent un site auquel on lui associe grce son numro : une action (collecte ou livraison) et une quantit. cij est le cot associ cet arc. Les graphiques 6.1 et 6.2 reprsentent les graphes dans lesquels nous travaillons pour la rsolution du sous-problme. Notons csi le cot de stockage engendr par le site i. Si le site i correspond une quantit i dune tourne. On peut alors exprimer le cot rel dune tourne ainsi : r
iA j A
xr ij cij + CF = cr
2 Notons, a1 j la quantit livre au nud j et aj la quantit collecte au nud j (dans un nud on ne peut faire 2 1 quune seule action si aj > 0 alors aj = 0 et vice versa). Pour chaque jour t nous pouvons crer un graphe Gt o les diffrents cots vont tre rpartis en 5 types comme suit (les cots sont ports par larc entrant des sites) : Pour tous les arcs (i, j ) o i est le dpt de dpart et j est un nud de livraison le cot associ est :
cij + CF + cs a1 j cij + CF +
T k =t
T k=t
a1 j jk +
T k=t
a1 j jk ;
Pour tous les arcs (i, j ), o i est le dpt de dpart et j un nud de collecte le cot associ est de :
a2 j jk T k =t a2 j jk ; T k=t T k =t
Pour tous les arcs (i, j ) avec i un nud autre que le dpt de dpart ou darrive et j un nud de livraison le cot est : cij + cs a1 j
a1 j jk + a1 j jk ;
88
T k=t T k =t
C HAPITRE 6 : Rsolution base sur les mthodes exactes Pour tous les arcs (i, j ) avec i un nud autre que le dpt de dpart ou darrive et j un nud de collecte le cot est : cij +
a2 j jk a2 j jtk ;
Pour tous les arcs (i, j ) avec i un nud autre que le dpt de dpart ou darrive et j le dpt darrive le . cot est : cij + t On peut alors formuler le sous-problme, caractrisant une tourne pour la journe t, ainsi :
T
(cij +
iA j A
csa1 j )xij
iA j A k=t
xij
iA
xji = 0 xi0 = 2
iA
x0i +
iA
i A, j A iA
a1 i
i A, j A iA i A, j A
Lobjectif est ici de trouver des tournes dont le cot rduit est ngatif (6.54). La tourne gnre doit respecter la conservation des ux (6.55). La tourne doit dbuter et terminer au dpt (6.56). La capacit du vhicule doit tre respecte (6.57, 6.58, 6.59). Les tournes doivent respecter les fentres de visites des sites (6.60, 6.61).
Les mthodes de rsolution de sous-problme associ notre problme de construction de tournes avec gestion des stocks sont les mmes que celles utilises pour la version du problme en juste temps. En effet, hormis la fonction objectif du sous-problme qui change toutes les contraintes restent les mmes.
6.4 La dgnrescence
La gnration de colonnes est guide par les cots rduits associs aux colonnes dpendants des variables duales associes au problme. Dans certains cas plusieurs combinaisons de valeurs des variables duales mnent une mme valeur de la fonction objective tant primale que duale. Il sagit alors de dgnrescence. Avant de mettre en place des techniques de stabilisation qui permettraient denrailler ce problme, nous avons souhait tester notre problme sur lensemble des instances de faon voir si ce problme tait prsent. Les tests effectus nont pas mis en vidence un tel phnomne. Malgr tout si pour de plus grandes instances une dgnrescence tait observe une technique de stabilisation telle que celle propose par Rousseau et al. (2007) [131] pourrait tre mise en uvre.
89
De plus, la solution obtenue grce la gnration de colonnes correspond une borne suprieure de la solution du problme considr lors de la rsolution grce des mthodes heuristiques ou mtaheuristiques. En effet, dans les rsolutions heuristiques et mtaheuristiques, toutes les quantits de livraison sont envisageables, alors que dans une rsolution par gnration de colonnes le nombre de possibilits de quantit de livraison est restreint. Le rsultat obtenu sert donc de borne suprieure loptimum du problme.
6.6.1
En juste temps
5 sites 6 sites
PpcCumu 49/108 45% 144 s 49/108 45% 35 s 289 9,4 21/49 43% 4% ProgDyn 71/96 74 % 475 s 71/96 74% 244 s 924 4,6 54/71 76 % 1,7% Taboue 61/96 64 % 61 s 61/96 64% 24 s 728 6,2 29/61 48 % 3% Ppc 34/96 35 % 60 s 71/96 74 % 8s 196 11 9/34 26 % 11 % PpcCumu 28/96 29% 343 s 28/96 30% 185 s 332 8,8 8/28 29 % 4,5%
ProgDyn Nombre problmes rsolus Temps moyen obtention solution relaxe Nombre solutions entire obtenue Temps moyen obtention solution entire Nombre colonnes Nombre appels sous-problme Nombre sol entires = sol relaxes = sol entires sol relaxes 768 4,3 79/93 85 % 0,3 % 93/108 86% 8s 93/108 86% 30 s
Taboue 100/108 93% 14 s 100/108 93% 0,1 s 547 5,6 55/100 55 % 1,3 %
Ppc 70/108 65% 727 s 70/108 65% 1,7 s 163 9,6 31/70 44 % 5%
TAB . 6.3 Comparaison des rsultats obtenus par la gnration de colonnes selon les mthodes de rsolution et les tailles dinstances en juste temps Le tableau 6.3 donne les rsultats obtenus pour les instances 5 sites (108 instances) et les instances 6 sites (96 instances) dont les spcications ont t donnes dans le chapitre 3. Pour chaque taille dinstance nous trouvons tour tour les rsultats obtenus pour chaque mthode de rsolution du sous-problme (ProgDyn pour la programmation dynamique, Taboue pour la mthode taboue, Ppc pour la programmation par contraintes sans contrainte globale et PpcCumu pour la programmation par contraintes avec contrainte globale). Nous donnons chaque fois le nombre dinstances rsolues en moins dune heure, le temps moyen dobtention de la solution relaxe, le nombre de solution entire trouve grce la mthode, le temps moyen dobtention de la solution entire, le nombre de colonnes gnres, le nombre dappels au sous-problme, le nombre de fois o nous obtenons la solution optimale du problme et lcart moyen entre la solution entire obtenue et la solution relaxe. Quelque soit la mthode de rsolution du sous-problme, nous constatons dans ce tableau que plus la taille des instances augmente plus il est difcile de trouver une solution au problme en moins dune heure. La mthode du Branch and Bound pour trouver une solution entire au problme semble tre adapte, puisquelle trouve en gnral des rsultats trs proches de ceux obtenus pour la borne infrieure grce la relaxation. Lutilisation dune technique de Branch and Price permettrait quant elle de toujours trouver la solution optimale du problme mais dans des temps de calcul plus long. Comme il a t remarqu dans le chapitre 5 lemploi de la programmation par contraintes est plus difcile lorsquil y a des fentres de temps larges. Cest ce qui explique la diffrence au niveau du nombre de problmes rsolus. Lutilisation de la programmation par contraintes permet
90
de trouver la solution relaxe en gnrant beaucoup moins de colonnes que les autres mthodes. Par contre ceci est un dsavantage lors de la recherche dune solution entire par Branch and Bound ce qui explique lcart plus important par rapport aux autres mthodes entre la solution relaxe et la solution entire. Une complmentarit dans les rsultats est observe, en effet, en ce qui concerne les instances 5 sites la programmation dynamique et la mthode taboue ne trouvent pas de rsultats en moins dune heure sur les instances : C101J, C101M, C102J, C102M, RC101J, RC101M, RC101N et RC102C. Ainsi 7,5 % des instances ne trouvent un rsultat en moins dune heure que grce lemploi de la programmation par contraintes. Lutilisation de la programmation par contraintes semble donc tre propice lorsque les instances sont en cluster, pas de fentre de visite large et de mme rpartition que les catgories J, M et N (cf. chapitre 3). Lorsquune instance nest pas rsolue en moins dune heure cela est d la recherche de la solution entire. Pour toutes les instances il est possible selon les mthodes de trouver une solution relaxe au problme en moins dune heure. Lutilisation de la programmation par contraintes suivie par la programmation dynamique (si un certain temps est dpass sans obtention de solution) permettrait ici de rsoudre 94 % des instances 5 sites.
6 sites
Taboue 93/96 96% 53 s Ppc 62/96 65 % 85 s PpcCumu 42/96 44 % 50 s
TAB . 6.4 Comparaison des rsultats obtenus par la gnration de colonnes selon les mthodes de rsolution et les tailles dinstances avec gestion des stocks
Le tableau 6.4 donne les rsultats obtenus grce la technique de gnration de colonnes suivie dun Branch and Bound sur le problme dans sa version avec gestion des stocks. Les instances testes sont celles expliques dans le chapitre 3. Pour chaque instance nous donnons tour tour les mmes informations que celles donnes pour les rsultats en juste temps. Nous constatons dans ce tableau que lobtention dune solution entire est rendue difcile par la mise en place de loption de gestion des stocks. Les colonnes gnres pour trouver la solution relaxe du problme ne permettent pas dans la majorit des cas de trouver une solution entire au problme non relax. Cest pourquoi dans ce cas une technique de Branch and Price serait prfrable pour trouver une solution entire tous les problmes et ce malgr le faible cart trouv entre la solution entire et la solution relaxe sur les instances rsolues entirement. Ceci constitue la principale perspective de ltude du problme avec gestion des stocks et grce des mthodes exactes. On constate que la rsolution par programmation par contraintes utilisant la contrainte cumulative rsout moins dinstances en moins dune heure. Par contre parmi les 42 instances rsolues 25 instances (essentiellement dans les catgories L, M et N) sont des instances qui ne sont pas rsolues par la programmation par contraintes sans contrainte globale. Ce qui fait quen cumulant les deux approches nous sommes en mesure de rsoudre 90 % des instances en moins dune heure avec une approche hybride.
6.7 - Conclusions
91
6.7 Conclusions
Dans ce chapitre nous avons propos une mthode et des algorithmes bass sur des mthodes exactes pour rsoudre notre problme. Plusieurs techniques ont t utilises pour rsoudre le sous-problme de plus court chemin sous contraintes de ressources. Nous avons t contraints de tester nos mthodes sur des instances plus petites que pour les autres mthodes de rsolution dveloppes. De mme, les demandes qui dans les mthodes de rsolution heuristiques et mtaheuristiques taient divisibles lunit, nont pas pu tre tudies telles quelles avec la rsolution base sur des mthodes exactes. En effet, la multiplication du nombre de nuds dans le graphe du sous-problme en fonction du nombre de demandes possibles par clients, augmente le temps de recherche dune tourne amliorante. Les rsultats obtenus grce aux diverses mthodes sont prometteurs et prouvent la complmentarit des mthodes issues de la recherche oprationnelle et celles issues de la programmation par contraintes. En effet, on constate que lorsque lune des mthodes narrive pas trouver une solution lautre le fait. Les diffrentes perspectives concernant la rsolution base sur les mthodes exactes rsident essentiellement dans le gain de temps. Des techniques telles que lutilisation de coupes, lajout dingalits valides, le calcul de bornes du problme, nont pas t sufsamment dveloppes ici et pourraient permettre damliorer nos temps de rsolution pour chacune des mthodes et plus particulirement pour les techniques de programmation par contraintes. Ainsi les gains de temps et de mmoire permettraient de faire voluer les paramtres de tests concernant la division des demandes ou de pouvoir traiter des instances avec plus de sites. An de pouvoir comparer les rsultats obtenus grce aux mthodes dveloppes il serait intressant de les tester sur des problmes plus rpandus dans la littrature tels que le VRPTW. An dallger la programmation par contraintes, la technique LDS (Limited Discrepancy Search) introduite par Harvey et Ginsberg [87] (de plus amples explications sont donnes dans la partie 5.2.2) peut tre mise en place. Cette mthode permet de diminuer le nombre darcs explors. En effet, lorsquun nud est explor au lieu dtendre tous les nuds accessibles depuis celui-ci, on ne considre que les "meilleurs" nuds cest--dire ceux qui sont les plus proches en termes de cot rduit du nud tendre. Ainsi un premier paramtre de cette mthode est le nombre de nuds que lon sautorise parcourir. Le second paramtre reprsente le nombre de divergences que lon autorise par rapport la stratgie de slection de nuds. Cette mthode permet de rduire la combinatoire mais ne permet pas forcment de trouver la solution optimale. Enn une perspective serait de mettre en place une technique de Branch and Price pour le problme dans sa version avec gestion des stocks. Une ventuelle autre solution au problme de recherche de solution entire serait de ne pas ajouter que les colonnes de cots ngatifs chaque rsolution du sous-problme (par exemple ajouter les contraintes de cot infrieur 10), ainsi lon disposerait de plus de colonnes et lon pourrait plus facilement trouver une solution entire au problme.
Troisime partie
tel-00483057, version 1 - 12 May 2010
93
Chapitre 7
7.1.1
Le tableau 7.1 compare les diffrentes mthodes damlioration selon les catgories dinstances. Dans ce tableau le chiffre 1 correspond la mthode damlioration ayant donn le meilleur cot moyen sur la catgorie dinstance trait, le chiffre 2 correspond la mthode damlioration ayant donn le deuxime meilleur cot sur la catgorie trait etc. Nous constatons que pour toutes les catgories dinstances la meilleure combinaison "mthode de construction - mthode damlioration" est la mthode M I + Do . La combinaison donnant le deuxime meilleur cot est M I + A. Cest partir de la troisime meilleure mthode que des diffrences selon les types dinstances se rvlent. Une entreprise qui voudrait nutiliser quune mthode de construction suivie dune mthode damlioration devrait donc utiliser M I + Do et M I + A (ce qui implique une politique de gestion des stocks) peu importe la physionomie de son rseau.
7.1.2
En juste temps Nous allons ici observer les diffrents rsultats obtenus avec les mthodes de construction et amliorations dans la version en juste temps du problme. Nous allons ainsi voir toutes les mthodes expliques dans le chapitre 4. Nous pouvons dans un premier temps comparer les rsultats selon les types instances. Nous constatons que les instances A, B, C, F, J et K ont pour meilleure mthode de rsolution par construction et amliorations : M I + Ei Eo Do Di O+ et comme deuxime meilleure mthode : M I + Eo Do O+ . Les instances D, E, G, H et I ont quant elle pour meilleure mthode de construction et amliorations : M I + Eo Do O+ et comme deuxime meilleure mthode : M I + Ei Eo Do Di O+ . Pour une utilisation concrte le choix de la meilleure mthode de construction et amliorations se fera donc entre : 95
96 MI
Di A B C D E F G H I J K 6 6 6 6 6 6 6 6 6 6 6 Ei 5 5 4 5 4 4 5 5 5 5 5 O 4 4 3 3 3 3 3 4 3 4 4 Do 1 1 1 1 1 1 1 1 1 1 1 Eo 3 3 5 4 5 5 4 3 4 3 3 A 2 2 2 2 2 2 2 2 2 2 2 Di 12 12 12 12 12 12 12 12 12 12 12
TAB . 7.1 Comparaison des mthodes damlioration selon les catgories dinstances M I + Eo Do O+ et M I + Ei Eo Do Di O+ . Aucune caractristique remarquable entre les diffrentes catgories marchant mieux avec lune ou lautre des mthodes na pu tre identies. Comme les deux mthodes sont toujours les deux premires lune ou lautre peuvent tre considres comme bonnes. Dans un second temps nous allons dtailler les rsultats selon les sparations faites par Solomon [140] : C1, C2, R1, R2, RC1 et RC2. Une explication sur les spcialits des classes C1, C2, R1, R2, RC1 et RC2 est donne en chapitre 3. Dans cette partie an dallger le schma nous noterons : 1 : M I + Ei Eo Do Di O ; 2 : M I + Ei Eo Do Di O+ ; 3 : M I + Do Di OEi Eo ; 4 : M I + OEi Eo Do Di ; 5 : M I + Ei Eo Do Di O ; 6 : M I + Ei Eo Do Di O ; 7 : P M I + Ei Eo Do Di O ; 8 : P M I + Ei Eo Do Di O+ ; 9 : P M I + Do Di OEi Eo ; 10 : P M I + OEi Eo Do Di ; 11 : P M I + Ei Eo Do Di O ; 12 : P M I + Ei Eo Do Di O ; 13 : M I + Eo Do O ; 14 : M I + Eo Do O+ ; 15 : M I + Do OEo ; 16 : M I + OEo Do ; 17 : M I + Eo Do O ; 18 : M I + Eo Do O ; 19 : P M I + Eo Do O ; 20 : P M I + Eo Do O+ ; 21 : P M I + Do OEo ; 22 : P M I + OEo Do ; 23 : P M I + Eo Do O ; 24 : P M I + Eo Do O. Sur le graphique 7.1 nous voyons lvolution des cots moyens obtenus sur les types dinstances C1, C2, R1, R2, RC1 et RC2 dans la version en juste temps du problme. Nous constatons que dans tous les cas la meilleure mthode est M I + Ei Eo Do Di O+ . Ainsi les positions des sites dans lespace et les tailles des fentres de visite nont pas dinuence sur le choix de la mthode de rsolution pour le problme en juste temps. Figure 7.1 Comparaison des mthodes de rsolution par construction et amlioration en juste temps
97
Dans cette partie nous allons dtailler les mthodes de rsolution de construction et amliorations sur le problme dans sa version avec gestion des stocks. Tout dabord faisons une distinction selon les catgories dinstances. Les catgories B, C, E, F, J et K ont pour meilleure mthode : M I + Ei Eo Do Di OA+ et pour meilleure deuxime mthode : M I + Eo Do OA+ . Les instances A, D, G, H et I ont pour meilleure mthode : M I + Eo Do OA+ et pour deuxime meilleure mthode : M I + Ei Eo Do Di OA+ . Les catgories B, C, E, F, J et K tant principalement constitues de grands et trs grands sites, nous dduisons quil vaut mieux utiliser la mthode M I + Ei Eo Do Di OA+ en cas de nombreux grands sites dans la physionomie de linstance et M I + Eo Do OA+ sinon. Puis dtaillons grce au tableau 7.2 les rsultats selon les types C1, C2, R1, R2, RC1 et RC2 nous allons utiliser les notations suivantes : 1 : M I + Ei Eo Do Di OA ; 2 : M I + Ei Eo Do Di OA+ ; 3 : M I + Do Di OAEi Eo ; 4 : M I + OEi Eo ADo Di ; 5 : M I + Ei Eo Do Di OA ; 6 : M I + Ei Eo Do Di OA ; 7 : P M I + Ei Eo Do Di OA ; 8 : P M I +Ei Eo Do Di OA+ ; 9 : P M I +Do Di OAEi Eo ; 10 : P M I +OEi Eo ADo Di ; 11 : P M I + Ei Eo Do Di OA ; 12 : P M I + Ei Eo Do Di OA ; 13 : M I + Eo Do OA ; 14 : M I + Eo Do OA+ ; 15 : M I + Do OAEo ; 16 : M I + OEo ADo ; 17 : M I + Eo Do OA ; 18 : M I + Eo Do OA ; 19 : P M I + Eo Do OA ; 20 : P M I + Eo Do OA+ ; 21 : P M I + Do OAEo ; 22 : P M I + OEo ADo ; 23 : P M I + Eo Do OA ; 24 : P M I + Eo Do OA. Dans le tableau 7.2 la meilleure mthode est entoure. Pour les types C2 et R1 la meilleure mthode est : M I + Eo Do OA+ . Pour les types C1, R2, RC1 et RC2 la meilleure mthode est : M I + Ei Eo Do Di OA+ . Ici aussi aucune distinction ne peut tre faite selon les positions des sites et les tailles des fentres de visite dans les instances. En effet la mthode M I + Eo Do OA+ marche le mieux sur les instances C2 et R1 or ces deux types reprsentent les deux oppositions dans la typologie des instances. Il en est de mme pour la mthode M I + Ei Eo Do Di OA+ . Figure 7.2 Comparaison des mthodes de rsolution par construction et amlioration avec gestion des stocks
7.1.3
Dans cette partie nous dtailler les rsultats obtenus selon les types dinstances C1, C2, R1, R2, RC1 et RC2. En juste temps La meilleure mthode de rsolution pour toutes les catgories dinstances est la mthode GRASP classique avec une taille liste de candidats de 3. Voyons le dtail selon les types (C1, C2, R1, R2, RC1 et RC2) dans le tableau 7.2. Chaque case donne les informations suivantes : "Class." si la meilleure mthode est de type classique, "Hybr." sil est de type hybride. Le deuxime terme qui est donn reprsente la taille de la liste de candidats. Lorsquil sagit dune mthode hybride les renseignements suivants sont donns dans cet ordre :
98
le nombre de divergence pour LDS, lheuristique de choix des variables (MD pour MinDomain, DOD pour DomOverDeg, MC pour MostConstrained) et lheuristique de choix des valeurs (ID pour IncreasingDomain, DD pour DecreasingDomain, R pour RandomIntValSelector). Les croisements des caractristiques A-C1, BRC1, I-RC1 semblent propices lutilisation de mthodes hybrides pour une rsolution mtaheuristique.
A C1 C2 R1 R2 RC1 RC2 Hyb.-3 3-MD-ID Class. 3 Class. 3 Class. 3 Class. 3 Class. 3 Class. 3 Class. 3 Class. 3 Hyb.-3 3-DOD-ID Class. 3 Class. 3 Class. 3 Class. 3 Class. 3 Class. 3 Class. 3 Class. 3 Class. 3 Class. 3 Class. 3 Class. 3 Class. 3 Class. 3 Class. 3 Class. 3 Class. 3 Class. 3 Class. 3 Class. 3 Class. 3 Class. 3 Class. 3 Class. 3 Class. 3 Class. 3 Class. 3 Class. 3 Class. 3 Class. 3 Class. 3 Class. 3 Class. 3 Class. 3 Hyb.-3 3-MD-ID Class. 3 Class. 3 Class. 3 Class. 3 Class. 3 Class. 3 Class. 3 Class. 3 Class. 3 Class. 3 Class. 3 B Class. 3 C Class. 3 D Class. 3 E Class. 3 F Class. 3 G Class. 3 H Class. 3 I Class. 3 J Class. 3 K Class. 3
TAB . 7.2 Comparaison des rsultats sur les types C1, C2, R1, R2, RC1 et RC2 selon les diffrentes mthodes GRASP
Pour plus de dtails nous pouvons voir le tableau 7.3 qui donne selon la catgorie dinstances le nombre de fois o chaque type de mthode (Construction et amliorations - C & A, GRASP classique et GRASP hybride) donne la meilleure solution obtenue toutes mthodes confondues. Pour rappel il y a 168 instances dans chaque catgorie. Une somme par catgorie suprieure 168 signie que plusieurs mthodes donnent la meilleure solution trouve. Nous pouvons constater que les mthodes hybrides semblent ne pas beaucoup marcher sur les instances de type : C, E et F. Ces instances sont des instances avec majoritairement des trs grands sites. Avec gestion des stocks En ce qui concerne les rsultats obtenus pour le problme avec gestion des stocks nous constatons que pour tous les types dinstances (C1, C2, R1, R2, RC1 et RC2) les meilleurs rsultats sont obtenus grce la mthode GRASP classique avec une taille de liste de 3. Ainsi pour un cas rel lutilisation de cette mtaheuristique pour un problme avec gestion des stocks semble propice.
Dans ce chapitre nous avons dtaill les rsultats que nous avons obtenus selon les diffrentes catgories dinstances (A, B, C etc.) puis selon les diffrents types donns dans les instances de Solomon [140] (C1, C2, R1 etc.). Nous avons pu constater quil nexiste pas de relation entre les rsultats obtenus et les positions des sites C&A 2 4 0 0 0 1 3 3 2 3 0 Class 151 152 163 157 163 160 157 158 148 150 147 Hyb 19 17 5 12 5 9 12 11 20 18 21
A B C D E F G H I J K
TAB . 7.3 Comparaison des meilleurs rsultats obtenus en fonction des mthodes de rsolution et des instances
99
au sein des instances ni avec les tailles des fentres de visites. Les rsultats galement ont t dtaill selon les catgories dinstances (selon les rpartitions des sites de diffrentes tailles) ici aussi aucune distinction ne peut tre faite selon les rpartitions des tailles de sites au sein des instances.
Chapitre 8
8.1 Pertinence du partage de la demande selon les cots de cration et la physionomie de linstance
Dans notre tude plusieurs vhicules peuvent livrer une mme demande. Nous avons voulu tester ici quels seraient les rsultats si nous avions fait lhypothse inverse.
8.1.1
Pour cela, nous choisissons dutiliser les deux meilleures mthodes identies prcdemment : "M I + Ei Eo Do Di OA+ " pour les versions avec gestion des stocks et "M I + Eo Do O+ " pour les versions en juste temps. Nous faisons varier ici les cots de cration dune tourne (cot xe dune tourne) mais nous conservons les mmes valeurs que prcdemment pour les cots de stockage et les cots de routage. Nous choisissons de tester les valeurs : 2000, 20000 et 200000 pour le cot de cration dune tourne (crit CC dans le tableau). Dans Version CC = 2000 juste temps CC = 2000 avec gestion des stocks CC = 20000 juste temps CC = 20000 avec gestion des stocks CC = 200000 juste temps CC = 200000 avec gestion des stocks Nombre Min avec Partage 34 % 59 % 56 % 59 % 61 % 64 % Nombre Min sans Partage 83 % 74 % 75 % 71 % 69 % 66 %
TAB . 8.1 Comparaison des diffrentes versions selon les cots de cration dune tourne avec des mthodes de construction et amliorations le tableau 8.1, nous donnons le nombre de fois o les meilleurs rsultats sont obtenus selon les diffrents cots de cration dune tourne (CC), selon lhypothse faite quant lavance ou non des livraisons et selon lhypothse faite sur le partage ou non des livraisons. Nous constatons ici que lhypothse que nous avons choisie pour notre problme, qui est de partager la demande, nest peut-tre pas la meilleure pour cette conguration de cots. Par contre, on se rend facilement compte que plus le cot de cration dune tourne augmente plus lcart se rduit entre le nombre de meilleures solutions obtenues par lune ou par lautre des stratgies. Une explication cette constatation est que le partage de la demande permet de diviser une demande en plusieurs parties an de combler des tournes dj constitues 101
102
au lieu de crer une nouvelle tourne. Par contre il faut pour effectuer cette opration que la cration dune tourne soit plus coteuse que plusieurs visites du mme site par plusieurs vhicules. A 58% 4% 3% 4% 5% 5% B 66% 45% 45% 42% 41% 40% C 76% 55% 30% 54% 49% 24% D 68% 52% 47% 48% 48% 43% E 72% 51% 38% 55% 47% 39% F 68% 54% 43% 49% 49% 36% G 62% 11% 11% 40% 11% 11% H 63% 32% 35% 27% 30% 33% I 64% 50% 46% 44% 46% 42% J 64% 41% 44% 37% 36% 42% K 68% 58% 55% 53% 52% 53%
CC = 2000 juste temps CC = 20000 juste temps CC = 200000 juste temps CC = 2000 avec gestion des stocks CC = 20000 avec gestion des stocks CC = 200000 avec gestion des stocks
TAB . 8.2 Comparaison des rpartitions de meilleures solutions obtenues grce la mthode de construction et amliorations dans la version sans partage de la demande selon les catgories dinstances Dans le tableau 8.2 nous donnons le nombre de fois o la solution obtenue par la version avec non partage de la demande obtient de meilleurs rsultats que celle autorisant le partage de la demande en fonction des diffrents cots de cration utiliss (les cots de stockage et de routage restent identiques et sont gales 10) et selon les catgories dinstances expliques dans le chapitre 3. Nous constatons bien que loption "demande partage entre plusieurs vhicules" devient dautant plus avantageuse que le cot de cration dune tourne augmente. Ce constat est dautant plus agrant sur les instances A et G. Ces deux types dinstances correspondent des instances ayant majoritairement des petits sites. Il est donc trs intressant de mettre en place une politique de partage de la demande dans le cas o les sites sont de petites tailles. Lorsque nous regardons transversalement les rsultats obtenus pour les types dinstances de Solomon (C, R CC = 2000 juste temps CC = 20000 juste temps CC = 200000 juste temps CC = 2000 gestion des stocks CC = 20000 gestion des stocks CC = 200000 gestion des stocks C1 100% 70% 64% 70% 64% 64% C2 100% 91% 58% 70% 70% 48% R1 100% 94% 70% 94% 94% 70% R2 88% 79% 55% 42% 36% 33% RC1 61% 12% 21% 15% 18% 24% RC2 94% 79% 58% 33% 42% 45%
TAB . 8.3 Comparaison du nombre de meilleures solutions obtenues sans loption de partage de la demande selon les types dinstances : C, R et RC et RC) dans le tableau 8.3, nous constatons que le mme phnomne se produit : plus le cot de cration dune tourne augmente plus loption du partage de la demande est avantageuse. Nous constatons que ce phnomne est trs marqu sur le type : RC1. Il sagit ici des instances o certains sites sont placs en "cluster" et dautres alatoirement et ayant des fentres de visite serres.
Le tableau 8.4 indique le nombre de fois o les mthodes avec et sans partage de la demande trouvent les meilleurs rsultats obtenus grce au GRASP. Nous constatons, en juste temps, que plus le cot de cration dune tourne augmente plus loption de partager les demandes devient avantageuse. Au contraire, en gestion
8.2 - Pertinence de loption gestion des stocks Version CC = 2000 juste temps CC = 20000 juste temps CC = 200000 juste temps CC = 2000 avec gestion des stocks CC = 20000 avec gestion des stocks CC = 200000 avec gestion des stocks Nombre Min avec Partage 36 % 39 % 47 % 76 % 32 % 52 % Nombre Min sans Partage 64 % 61 % 53 % 24 % 68 % 48 %
103
TAB . 8.4 Comparaison des diffrentes versions selon les cots de cration dune tourne avec le GRASP des stocks, nous constatons que loption partage de la demande est avantageuse mais lcart entre le nombre de meilleures solutions obtenues par chaque mthode tend se rduire avec laugmentation des cots.
CC = 2000 juste temps CC = 20000 juste temps CC = 200000 juste temps CC = 2000 gestion des stocks CC = 20000 gestion des stocks CC = 200000 gestion des stocks
TAB . 8.5 Comparaison des rpartitions de meilleures solutions obtenues grce au GRASP dans la version sans partage de la demande selon les catgories dinstances Le tableau 8.5 indique le nombre de fois o la solution obtenue sans partage de la demande est meilleure que la solution obtenue avec partage de la demande en fonction des catgories des instances et des cots de cration imposs.
8.2 Pertinence de loption gestion des stocks en fonction des cots utiliss et de la physionomie de linstance
Nombre de meilleures solutions en juste temps 39 % 40 % 42 % 43 % Nombre de meilleures solutions avec gestion des stocks 61 % 60 % 59 % 57 %
TAB . 8.6 Comparaison du nombre de meilleures solutions obtenues selon loption de gestion des stocks ou non et selon les cots Le tableau 8.6 permet dtudier en fonction des cots de stockage et de routage lavantage ou non de grer les stocks des magasins. Nous pouvons constater que parmi toutes les congurations de cots que nous avons tudies il est en moyenne plus intressant de mettre en place une politique de gestion des stocks.
104
8.4 Conclusion
Dans ce chapitre nous avons tudi les diffrents rsultats obtenus sur le problme de tournes de vhicules dans la logistique inverse selon les diffrentes options mises en place. Tout dabord nous avons ralis une analyse de loption qui autorise ou non plusieurs vhicules de soccuper de la mme demande selon les cots de cration de tournes. Nous avons dans ce cas observ que cette option est dautant plus intressante que le cot de cration dune tourne est fort. Les instances les plus propices la pratique dune telle stratgie sont des instances ayant des petits sites. Nous avons galement constat que cette option tait plus intressante dans une politique avec gestion des stocks que sans. Nous montrons aussi que les mthodes heuristiques dveloppes peuvent tre mises en application sur les problmes rels.
Chapitre 9
Conclusions et perspectives
Dans le cadre de cette thse, nous avons tudi un problme de construction de tournes dans un contexte de logistique inverse. Plusieurs options de gestion et de distribution ont t traites. Diverses mthodes de rsolution ont t utilises pour rsoudre ce problme. Nous allons prsent rsumer tour tour les apports de cette thse sur les deux objectifs xs : les objectifs "problme" et les objectifs "techniques". Nous terminerons ce chapitre en voquant les diffrentes perspectives de travaux qui font suite ceux exposs pendant cette thse.
9.1 Conclusions
Dans cette thse les objectifs taient doubles. Tout dabord les objectifs qualis de problme rsidaient dans la mise en place dun rseau gnrique, ceci dans le but de pouvoir tre rutilis dans divers contextes et de pouvoir tudier diffrentes politiques de gestion. Un ventail large doptions telles que la variation des diffrents cots, la possibilit ou non de livrer un mme client en plusieurs fois, la gestion ou non des stocks par le dpt central a t propose. Le problme a t trait dans un contexte de logistique inverse mais le rseau tudi sadapte dautres problmes dans un tout autre contexte. Nous avons rsolu un problme original et modulable grce diverses mthodes. Nous avons pu dtailler les diffrents rsultats obtenus an danalyser la pertinence des diffrentes options selon les tailles et les physionomies des instances. Quant aux objectifs techniques, ils rsidaient dans lemploi de techniques de programmation par contraintes au sein des mthodes de rsolution via les mthodes hybrides. Nous avons dans un premier temps valid, grce des rsultats intressants, la cohrence de lemploi de telles mthodes sur des problmes comme celui que nous traitons. Puis dans un second temps nous avons compar les performances des mthodes nemployant que des techniques issues de la recherche oprationnelle avec celles des mthodes hybrides. Trois types de mthodes ont t employs. Tout dabord les mthodes heuristiques de type construction et amliorations ont t employes. Diffrentes techniques de constructions et damlioration ont tout dabord t tudies seules. La mthode de construction "meilleure insertion" (Solomon, 1987 [139] et Potvin et Rousseau, 1993 [124]) a t identie comme la plus adapte la rsolution de notre problme. De mme les techniques damlioration du 2-Opt, String Exchange [155], String Relocation [155] et le dplacement de demande sur un jour antrieur ont montr leur efcacit lorsquelles ont t utilises seules sur le problme. Finalement plusieurs combinaisons de mthodes damlioration faisant suite une mthode de construction ont t testes. Nous avons trouv quune mthode combinant meilleure insertion, Or-Opt [118], 2-change, 2-Opt, String Relocation et String Exchange nomme M I + Ei Eo Do Di OA+ tait la plus adapt au traitement du problme en juste temps par des mthodes heuristiques. De mme une mthode combinant meilleure insertion, 2-Opt, String Relocation et String Exchange nomme M I + Eo Do O+ a t identie comme la plus efcace pour rsoudre le problme dans sa version avec gestion des stocks. Dans un second temps le problme trait a t rsolu grce la mtaheuristique GRASP. Tout dabord utilise avec des techniques de recherche locale issues de la recherche oprationnelle, nous avons par la suite hybrid la partie recherche locale de cette mthode en utilisant la technique LNS [137]. Lhybridation de la mthode GRASP na pas en moyenne donn de rsultats meilleurs que ceux obtenus par des techniques dites classiques mais a permis damliorer certains rsultats localement (sur certaines instances). Aucune conguration type des instances amliores par lhybridation na pu tre mise en vidence mise part son appartenance aux classes : R1 de la catgorie A, RC1 de la catgorie B et RC1 de la catgorie I. Le seul point commun ses instances tant la prsence de fentres de visite serres et laspect alatoire dans le positionnement des sites dans 105
106
lespace. Finalement nous avons utilis des techniques inspires par les mthodes de rsolution exacte par le biais dune gnration de colonnes [71] suivie dun Branch and Bound [102]. La rsolution du sous-problme dans le processus de gnration de colonnes a tour tour t ralise grce de la programmation dynamique, une technique de recherche taboue suivie de la programmation dynamique et de la programmation par contraintes. Nous avons pu voir quune mthode de Branch and Bound donne des rsultats concluants et sufsants pour les problmes en juste temps. Par contre pour le problme avec gestion des stocks une mthode de Branch and Price parat plus approprie. Les rsultats prouvent la complmentarit des mthodes issues de la recherche oprationnelle et celles issues de la programmation par contraintes.
9.2 Perspectives
En ce qui concerne les diffrentes mthodes heuristiques, une premire perspective serait lemploi de techniques de programmation par contraintes au sein de la mthode de construction. Une fois toutes les demandes planies et donc attribues une tourne, nous chercherions pour chaque tourne quel est lordre de visite optimal minimisant le cot de transport tout en respectant les fentres de visite des sites et la capacit des vhicules. Une seconde perspective concerne une ventuelle utilisation industrielle. Il faudrait alors mutualiser lensemble des heuristiques testes dans ce chapitre an de ne donner que la meilleure solution un utilisateur qui ne chercherait pas le meilleur rsultat en moyenne mais plutt toujours avoir la meilleure solution. En effet il est rare que toutes les heuristiques chouent sur la mme instance, on a donc intrt excuter toutes les heuristiques disponibles et conserver la meilleure solution. En ce qui concerne les perspectives sur la mtaheuristique GRASP. Une premire perspective de travail sur la mthode de rsolution hybride serait de dvelopper une contrainte globale permettant de grer dun seul bloc le problme de r-optimisation lors de la recherche locale. Grce cette contrainte globale plus de ltrage pourrait tre ralis. Une seconde perspective serait dutiliser la contrainte globale de chemin dveloppe par Beldiceanu et al. [11]. En effet, dans leurs travaux les auteurs sattachent montrer comment prendre en compte de manire globale un certain nombre de restrictions (prcdence entre sommets, incomparabilits entre sommets) au sein dune contrainte de partitionnement de graphes par les arbres. Les diffrentes perspectives concernant la rsolution base sur des mthodes exactes rsident essentiellement dans le gain de temps permettant ventuellement la rsolution dinstances plus grandes. Des techniques telles que lutilisation de coupes, le calcul de bornes du problme, lajout dingalits valides, nont pas t sufsamment dveloppes ici et pourraient permettre damliorer nos temps de rsolution pour chacune des mthodes et plus particulirement pour les techniques de programmation par contraintes. De mme an de gagner du temps nous pourrions mettre en place la technique LDS. Ainsi les gains de temps et de mmoire permettraient de faire voluer les paramtres de tests concernant la division des demandes ou de pouvoir traiter des instances avec plus de sites. Une autre perspective serait le dveloppement dun Branch and Price en particulier pour la rsolution du problme avec gestion des stocks. Finalement des perspectives dextension de la problmatique sont envisages telles quun rseau multi-dpts ou encore un rseau prenant en compte plusieurs produits.
Quatrime partie
Annexes
107
109
110
Annexe 1 - Bases de la programmation par contraintes le domaine de toutes les variables est rduit un singleton et la consistance globale est vrie dans ce cas l une solution est trouve.
min ou max i = {1 . . . m}
z=
j =1 n j =1
(cj xj ) bi
{aij xj } ou ou = 0
j = {1 . . . n} xj
Dans ce problme une fonction objectif z est optimiser (minimisation ou maximisation). m relations entre les variables contraignent ce problme. Les variables sont au nombre de n et sont toutes positives ou nulles.
Dnition du dual
Il est parfois plus intressant de rsoudre le dual dun problme que sa formulation primal. En effet par exemple un problme qui ne comprend que deux contraintes mais plusieurs variables peut-tre rsolu graphiquement grce son dual puisquil ny aura que deux variables. Ou encore un PL peut ne pas avoir de base ralisable vidente mais son dual oui il est donc plus facile de rsoudre le dual que le primal. Si nous prenons comme PL de dpart (primal) : max z=
n
j =1
(cj xj )
n j =1
i = {1 . . . m}
aij xj bi 0
j = {1 . . . n} xj
En dnissant les variables duales yi . Nous pouvons alors crire le dual de ce PL ainsi : min w=
m
i=1
(bi yi )
m i=1
j = {1 . . . n}
aji yj cj
i = {1 . . . m} yi 0 Certaines proprits du dual sont intressantes noter ici : Le dual du dual est le primal ; Si les xj et les yi sont solutions respectivement du primal et du dual alors on a z w ; Le thorme de la dualit dit : si un primal et son dual ont chacun une solution ralisable, ils ont chacun une solution optimale et de plus ces solutions ont mme valeur ; 111
112
Annexe 2 - Bases de la programmation linaire Le thorme des carts complmentaires dit : deux solutions xj et yi du primal et du dual sont optimales si et seulement si : 1. i yi (bi 2. j
n j =1 m i=1
aij xj ) = 0 aij yi ) = 0
xj (cj
Rsolution dun PL
Chaque contrainte dnit un demi-espace. Lintersection de tous les demi-espaces forms par toutes les contraintes du problme, forme un polydre qui est un ensemble convexe. Ce polydre dni lensemble S qui reprsente lensemble des solutions ralisables du problme. La solution optimale de ce problme va se trouver un point extrme de ce polydre. Ainsi une premire mthode de rsolution dun PL est le simplexe. Cette technique consiste parcourir lensemble des sommets du polydre des solutions la recherche de la solution optimale. Deux autres algorithmes peuvent tre cits : la mthode de lellipsode [95] et les algorithmes projectifs [94]. Il est parfois plus facile de rsoudre le dual dun problme que le programme primal.
113
114
Rsultats des tests sur les versions en juste temps selon les catgories
Instance AFixe-C1 AFixe-C2 AFixe-R1 AFixe-R2 AFixe-RC1 AFixe-RC2 AGauss5-C1 AGauss5-C2 AGauss5-R1 AGauss5-R2 AGauss5-RC1 AGauss5-RC2 AGauss15-C1 AGauss15-C2 AGauss15-R1 AGauss15-R2 AGauss15-RC1 AGauss15-RC2 BFixe-C1 BFixe-C2 BFixe-R1 BFixe-R2 BFixe-RC1 BFixe-RC2 BGauss5-C1 BGauss5-C2 BGauss5-R1 BGauss5-R2 BGauss5-RC1 BGauss5-RC2 BGauss15-C1 BGauss15-C2 BGauss15-R1 BGauss15-R2 BGauss15-RC1 BGauss15-RC2 CFixe-C1 CFixe-C2 CFixe-R1 CFixe-R2 CFixe-RC1 CFixe-RC2 CGauss5-C1 CGauss5-C2 CGauss5-R1 CGauss5-R2 Cot 2297155,5 1674012,5 3492725 2549350 3099956,2 2440212,5 2331906,6 1676375 3425930,8 2543944,5 3063377,5 2438308,7 2332817,7 1679851,2 3437458,3 2539019 3090493,7 2449966,2 2524455,5 1712156,2 3665362,5 2546354,5 3114506,2 2452012,5 2633843,3 1704263,75 3645020 2557843,6 3109638,7 2446578,7 2586587,7 1751602,5 3656599,1 2549933,6 3214457,5 2445557,5 3542038,8 2047137,5 4568650 2792690,9 5020706,2 2592281,2 3537508,8 2077418,7 4648760,8 2754221,8 Version P M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O P M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Do Di OEi Eo M I + Ei Eo Do Di O M I + Ei Eo Do Di O P M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O P M I + Ei Eo Do Di O M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O P M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Do Di OEi Eo M I + Ei Eo Do Di O M I + Ei Eo Do Di O M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+
Annexe 3 - Dtails des rsultats des heuristiques de construction et amliorations Instance CGauss5-RC1 CGauss5-RC2 CGauss15-C1 CGauss15-C2 CGauss15-R1 CGauss15-R2 CGauss15-RC1 CGauss15-RC2 DFixe-C1 DFixe-C2 DFixe-R1 DFixe-R2 DFixe-RC1 DFixe-RC2 DGauss5-C1 DGauss5-C2 DGauss5-R1 DGauss5-R2 DGauss5-RC1 DGauss5-RC2 DGauss15-C1 DGauss15-C2 DGauss15-R1 DGauss15-R2 DGauss15-RC1 DGauss15-RC2 EFixe-C1 EFixe-C2 EFixe-R1 EFixe-R2 EFixe-RC1 EFixe-RC2 EGauss5-C1 EGauss5-C2 EGauss5-R1 EGauss5-R2 EGauss5-RC1 EGauss5-RC2 EGauss15-C1 EGauss15-C2 EGauss15-R1 EGauss15-R2 EGauss15-RC1 EGauss15-RC2 FFixe-C1 FFixe-C2 FFixe-R1 FFixe-R2 FFixe-RC1 FFixe-RC2 Cot 5089225 2576267,5 3538425,5 2060066,2 4654259,1 2701309 5036846,2 2581968,7 2769955,5 1817037,5 3799662,5 2596540,9 3852437,5 2448643,7 2691241,1 1813020 3755528,3 2598642,7 3810453,7 2449781,2 2736353,3 1805622,5 3796168,3 2620155,4 3813435 2487543,7 3189144,4 2007668,7 4296937,5 2642277,2 4407256,2 2492600 3105630 2019447,5 4371700,8 2649715,4 4440732,5 2388922,5 3150837,7 2001758,7 4322540,8 2662680 4388345 2410581,2 2939011,1 1941125 4052633,3 22619122,7 4126468,7 2400631,25 Version M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O
115
116
Annexe 3 - Dtails des rsultats des heuristiques de construction et amliorations Instance FGauss5-C1 FGauss5-C2 FGauss5-R1 FGauss5-R2 FGauss5-RC1 FGauss5-RC2 FGauss15-C1 FGauss15-C2 FGauss15-R1 FGauss15-R2 FGauss15-RC1 FGauss15-RC2 GFixe-C1 GFixe-C2 GFixe-R1 GFixe-R2 GFixe-RC1 GFixe-RC2 GGauss5-C1 GGauss5-C2 GGauss5-R1 GGauss5-R2 GGauss5-RC1 GGauss5-RC2 GGauss15-C1 GGauss15-C2 GGauss15-R1 GGauss15-R2 GGauss15-RC1 GGauss15-RC2 HFixe-C1 HFixe-C2 HFixe-R1 HFixe-R2 HFixe-RC1 HFixe-RC2 HGauss5-C1 HGauss5-C2 HGauss5-R1 HGauss5-R2 HGauss5-RC1 HGauss5-RC2 HGauss15-C1 HGauss15-C2 HGauss15-R1 HGauss15-R2 HGauss15-RC1 HGauss15-RC2 IFixe-C1 IFixe-C2 IFixe-R1 IFixe-R2 Cot 2936694,4 1892692,5 4061292,5 2611023,6 4159913,7 2412793,7 2955200 1894813,7 4027925,8 2629105,4 4167203,7 2456020 2487361,1 1752637,5 3759308,3 2550281,8 3547800 2440618,7 2538497,7 1760318,7 3721330 2550417,2 3475838,7 2440618,7 2551162,2 1745926,2 3719577,5 2575828,1 3490585 2445480 2326511,1 1703787,5 3480725 2549768,1 3272062,5 2442187,5 2390010 1735375 3463000,8 2549236,3 3282430 2439120 2411236,6 1694370 3509369,1 2553719 3268997,5 2428133,7 2473988,8 1806900 3797025 2596540 Version M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ P M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O M I + Ei Eo Do Di O M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O M I + Ei Eo Do Di O M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Do Di OEi Eo M I + Ei Eo Do Di O M I + Ei Eo Do Di O M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+
Annexe 3 - Dtails des rsultats des heuristiques de construction et amliorations Instance IFixe-RC1 IFixe-RC2 IGauss5-C1 IGauss5-C2 IGauss5-R1 IGauss5-R2 IGauss5-RC1 IGauss5-RC2 IGauss15-C1 IGauss15-C2 IGauss15-R1 IGauss15-R2 IGauss15-RC1 IGauss15-RC2 JFixe-C1 JFixe-C2 JFixe-R1 JFixe-R2 JFixe-RC1 JFixe-RC2 JGauss5-C1 JGauss5-C2 JGauss5-R1 JGauss5-R2 JGauss5-RC1 JGauss5-RC2 JGauss15-C1 JGauss15-C2 JGauss15-R1 JGauss15-R2 JGauss15-RC1 JGauss15-RC2 KFixe-C1 KFixe-C2 KFixe-R1 KFixe-R2 KFixe-RC1 KFixe-RC2 KGauss5-C1 KGauss5-C2 KGauss5-R1 KGauss5-R2 KGauss5-RC1 KGauss5-RC2 KGauss15-C1 KGauss15-C2 KGauss15-R1 KGauss15-R2 KGauss15-RC1 KGauss15-RC2 Cot 3630656,2 2452587,5 2590782,2 1833233,7 3775895 2597909 3608535 2448347,5 2592232,2 1811463,7 3772546,6 2603492,7 3598606,2 2445491,2 2434833,3 1723825 3553975 2555504,5 3389306,2 2450300 2544920 1722193,7 3547250 2553044,5 3369640 2452353,7 2568153,3 1728532,5 3597991,6 2564127,2 3424116,2 2455096,2 2407050 1674012,5 3492725 2549350 3099956,2 2442437,5 2371568,8 1676375 3425930,8 2547871,8 3063465 2440086,2 2366615,5 1679851,2 3437458,3 2539019 3090493,7 2450078,7 Version M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O M I + Ei Eo Do Di O M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Do Di OEi Eo M I + Ei Eo Do Di O M I + Ei Eo Do Di O M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Do Di OEi Eo M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O+ M I + Ei Eo Do Di O
117
TAB . 9.1 Rsultats obtenus dans les tests des versions en juste temps
118
Rsultats des tests sur les versions avec gestion des stocks selon les catgories
Instance AFixe-C1 AFixe-C2 AFixe-R1 AFixe-R2 AFixe-RC1 AFixe-RC2 AGauss5-C1 AGauss5-C2 AGauss5-R1 AGauss5-R2 AGauss5-RC1 AGauss5-RC2 AGauss15-C1 AGauss15-C2 AGauss15-R1 AGauss15-R2 AGauss15-RC1 AGauss15-RC2 BFixe-C1 BFixe-C2 BFixe-R1 BFixe-R2 BFixe-RC1 BFixe-RC2 BGauss5-C1 BGauss5-C2 BGauss5-R1 BGauss5-R2 BGauss5-RC1 BGauss5-RC2 BGauss15-C1 BGauss15-C2 BGauss15-R1 BGauss15-R2 BGauss15-RC1 BGauss15-RC2 CFixe-C1 CFixe-C2 CFixe-R1 CFixe-R2 CFixe-RC1 CFixe-RC2 CGauss5-C1 CGauss5-C2 CGauss5-R1 CGauss5-R2 CGauss5-RC1 CGauss5-RC2 CGauss15-C1 CGauss15-C2 Cot 2052253,3 1629547,5 3394500,8 2515060,9 3075633,7 2431796,2 2060490 1622448,7 3330257,5 2526674,5 3049332,5 2433466,2 2007842,2 1629643,7 3354065,8 2525864,5 3058893,7 2447031,2 2447332,2 1670196,2 3582611,6 2531261,8 3071146,2 2445077,5 2429080 1660630 3555695 2535642,7 3071750 2444078,7 2386112,2 1705165 3545897,5 2522665,4 3144700 2447511,2 3509648,8 2027457,5 4437841,6 2729747,2 4869307,5 2495738,7 3433594,4 2035371,2 4487543,3 2682502,7 4942547,5 2482900 3470864,4 1996898,7 Version P M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + OEi Eo ADo Di M I + OEi Eo ADo Di M I + Ei Eo Do Di OA M I + OEi Eo ADo Di P M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + OEi Eo ADo Di M I + OEi Eo ADo Di M I + Ei Eo Do Di OA M I + OEi Eo ADo Di P M I + Ei Eo Do Di OA+ M I + OEi Eo ADo Di M I + OEi Eo ADo Di M I + OEi Eo ADo Di M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + OEi Eo ADo Di M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + OEi Eo ADo Di M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + OEi Eo ADo Di M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+
Annexe 3 - Dtails des rsultats des heuristiques de construction et amliorations Instance CGauss15-R1 CGauss15-R2 CGauss15-RC1 CGauss15-RC2 DFixe-C1 DFixe-C2 DFixe-R1 DFixe-R2 DFixe-RC1 DFixe-RC2 DGauss5-C1 DGauss5-C2 DGauss5-R1 DGauss5-R2 DGauss5-RC1 DGauss5-RC2 DGauss15-C1 DGauss15-C2 DGauss15-R1 DGauss15-R2 DGauss15-RC1 DGauss15-RC2 EFixe-C1 EFixe-C2 EFixe-R1 EFixe-R2 EFixe-RC1 EFixe-RC2 EGauss5-C1 EGauss5-C2 EGauss5-R1 EGauss5-R2 EGauss5-RC1 EGauss5-RC2 EGauss15-C1 EGauss15-C2 EGauss15-R1 EGauss15-R2 EGauss15-RC1 EGauss15-RC2 FFixe-C1 FFixe-C2 FFixe-R1 FFixe-R2 FFixe-RC1 FFixe-RC2 FGauss5-C1 FGauss5-C2 FGauss5-R1 FGauss5-R2 FGauss5-RC1 FGauss5-RC2 FGauss15-C1 Cot 4465035,8 2628171,8 4890987,5 2502258,7 2566412,2 1753585 3686020,8 2580620 3712315 2445497,5 2516294,4 11761376,2 3656758,3 2564925,4 3690495 2449332,5 2515002,2 1754525 3671831,6 2587512,7 3705247,5 2481522,5 3129701,1 1946081,2 4113185 2559080 4250795 2411248,7 3049751,1 1905410 4098720,8 2592473,6 4278988,7 2345308,7 3083277,7 1876777,5 4088660,8 2591232,7 4260476,2 2357571,2 2917510 1824785 3957100,8 2567769 4016113,7 2402666,2 2857387,7 1826210 33968405 2582682,7 4022972,5 2411570 2831567,7 Version M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + OEi Eo ADo Di M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + OEi Eo ADo Di M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA M I + Ei Eo Do Di OA M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+
119
120
Annexe 3 - Dtails des rsultats des heuristiques de construction et amliorations Instance FGauss15-C2 FGauss15-R1 FGauss15-R2 FGauss15-RC1 FGauss15-RC2 GFixe-C1 GFixe-C2 GFixe-R1 GFixe-R2 GFixe-RC1 GFixe-RC2 GGauss5-C1 GGauss5-C2 GGauss5-R1 GGauss5-R2 GGauss5-RC1 GGauss5-RC2 GGauss15-C1 GGauss15-C2 GGauss15-R1 GGauss15-R2 GGauss15-RC1 GGauss15-RC2 HFixe-C1 HFixe-C2 HFixe-R1 HFixe-R2 HFixe-RC1 HFixe-RC2 HGauss5-C1 HGauss5-C2 HGauss5-R1 HGauss5-R2 HGauss5-RC1 HGauss5-RC2 HGauss15-C1 HGauss15-C2 HGauss15-R1 HGauss15-R2 HGauss15-RC1 HGauss15-RC2 IFixe-C1 IFixe-C2 IFixe-R1 IFixe-R2 IFixe-RC1 IFixe-RC2 IGauss5-C1 IGauss5-C2 IGauss5-R1 Cot 1810535 3906220,8 2599703,6 4070402,5 2453657,5 2373346,6 1737878,7 3640700,8 2518501,8 3437832,5 2446273,7 2327245,5 1719700 3630685 2525595,4 3442775 2446366,2 2357995,5 1695561,2 3629943,3 2535591,8 3438222,5 2450596,2 2083718,8 1641035 3409840,8 2520220 33181786,2 2435948,7 2136541,1 1643011,2 3406328,3 2532959 3201545 2435791,2 2134192,2 1656857,5 3432392,5 2537201,8 3235468,7 2426673,7 2407172,2 1721592,5 3702116,6 2553132,7 3571862,5 2453027,5 2433891,1 1765471,2 3694948,3 Version M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + OEi Eo ADo Di M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + OEi Eo ADo Di M I + Ei Eo Do Di OA M I + Ei Eo Do Di OA+ P M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + OEi Eo ADo Di M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + OEi Eo ADo Di M I + Ei Eo Do Di OA+ M I + OEi Eo ADo Di M I + OEi Eo ADo Di M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + OEi Eo ADo Di M I + Ei Eo Do Di OA+ M I + OEi Eo ADo Di M I + OEi Eo ADo Di M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + OEi Eo ADo Di M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA M I + Ei Eo Do Di OA M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+
Annexe 3 - Dtails des rsultats des heuristiques de construction et amliorations Instance IGauss5-R2 IGauss5-RC1 IGauss5-RC2 IGauss15-C1 IGauss15-C2 IGauss15-R1 IGauss15-R2 IGauss15-RC1 IGauss15-RC2 JFixe-C1 JFixe-C2 JFixe-R1 JFixe-R2 JFixe-RC1 JFixe-RC2 JGauss5-C1 JGauss5-C2 JGauss5-R1 JGauss5-R2 JGauss5-RC1 JGauss5-RC2 JGauss15-C1 JGauss15-C2 JGauss15-R1 JGauss15-R2 JGauss15-RC1 JGauss15-RC2 KFixe-C1 KFixe-C2 KFixe-R1 KFixe-R2 KFixe-RC1 KFixe-RC2 KGauss5-C1 KGauss5-C2 KGauss5-R1 KGauss5-R2 KGauss5-RC1 KGauss5-RC2 KGauss15-C1 KGauss15-C2 KGauss15-R1 KGauss15-R2 KGauss15-RC1 KGauss15-RC2 Cot 2553090 3533170 2447425 2432761,1 1730552,5 3663090,8 2567374,5 3524248,7 2441927,5 2248143,3 1676062,5 3503453,3 2541670,9 3218645 2444186,2 2352868,8 1694663,7 3487937,5 2544080,9 3277072,5 2453035 2372367,7 1692207,5 3514498,3 2546900 3309285 2452438,7 2458334,4 1761985 3754578,3 2555399 3520481,2 2458128,7 2427122,2 1777306,2 3739611,6 2584662,7 3511131,2 2449420 2457081,1 1760016,2 3757219,1 2580554,5 3498973,7 2446462,5 Version M I + Ei Eo Do Di OA M I + Ei Eo Do Di OA M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + OEi Eo ADo Di M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + OEi Eo ADo Di M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + OEi Eo ADo Di M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + OEi Eo ADo Di M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + OEi Eo ADo Di M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+ M I + Ei Eo Do Di OA+
121
TAB . 9.2 Rsultats obtenus grce aux tests avec gestion des stocks
Bibliographie
[1] S. Anily. The general EOQ problem with vehicle routing costs. European Journal of Operations Research, 79 :451473, 1994. [2] S. Anily and A. Federgruen. Two-echelon distribution systems with vehicle routing costs and central inventories. Operations Research, 41(1) :3747, 1993. [3] S. Areibi and A. Vannelli. A GRASP clustering technique for circuit partitioning. In J. Gu and P.M. Pardalos, editors, Satisability problems, volume 35 of DIMACS Series on Discrete Mathematics and Theoretical Computer Science, pages 711724. American Mathematical Society, 1997.
[4] R. Baldacci, P. Toth, and D. Vigo. Recent advances in vehicle routing exact algorithms. 4OR : A Quarterly Journal of Operations Research, 5(4) :269298, 2007. [5] S. Baptista, R.C. Oliveira, and E. Zquete. A period vehicle routing case study. European Journal of Operational Researc, 139(2) :220229, 2002. [6] F. Bard, L. Huang, M. Dror, and P. Jaillet. A branch and cut algorithm for the vrp with satellite facilities. IIE Transactions, 30 :821 834, 1998. [7] C. Barnhart, E.L. Johnson, G.L. Nemhauser, M.W.P. Savelsbergh, and P.H. Vance. Branch and price : Column generation for solving huge integer programs. Operations Research, 46(3) :316329, 1998. [8] A.I. Barros, R. Dekker, and V. Scholten. A two-level network for recycling sand : A case study. European Journal of Operational Research, 110(2) :199214, 1998. [9] J. Bautista and J. Pereira. Procedimientos para la localizacin de reas de aportacin de residuos urbanos. In 27 Congreso Nacional de Estadstica e Investigacin Operativa, Lleida, Spain, April 2003. [10] M. Beaulieu, R. Martin, and S. Landry. Logistique rebours : un portrait nord-amricain. Logistics & Management, 7 :514, 1999. [11] N. Beldiceanu, P. Flener, and X. Lorca. Combining tree partitioning, precedence, incomparability, and degree constraints, with an application to phylogenetic and ordered-path problems. Technical Report Technical Report 2006-020, Department of Information Technology, Uppsala University,Sweden, 2006. [12] W.J. Bell, L.M. Dalberto, M.L. Fisher, A.J. GreenField, R. Jaikumar, P. Kedia, R.G. Mack, and P.J. Prutzman. Improving the distribution of industrial gases with an on-line computerized routing and scheduling optimizer. Interfaces, 13 :423, 1983. [13] J.L. Beltran and D. Krass. Dynamic lot sizing with returning items and disposals. IIE Transactions, 34 :437448, 2002. [14] J.F. Benders. Partitioning procedures for solving mixed-variables programming problems. Numerische Mathematik 4, pages 238252, 1962. [15] J. Berger and M. Barkaoui. A parallel hybrid genetic algorithm for the vehicle routing problem with time windows. Computers & OR, 31(12) :20372053, 2004. [16] L. Bertazzi, G. Paletta, and M.G. Speranza. Inventory control on sequences of links with given transportation frequencies. International Journal of Production Economics, 59(1-3) :261270, 1999. [17] N. Bianchessi and G. Righini. Heuristic algorithms for the vehicle routing problem with simultaneous pick-up and delivery. Computers and Operations Research, 34(2) :578594, 2007. [18] J. M. Blmhof-Ruwaard, M. S., and L. N. Van Wassenhove. The capacitated distribution and waste disposal problem. European Journal of Operational Research, 88 :490503, 1994. 123
124
BIBLIOGRAPHIE
[19] D. Bommisetty, M. Dessouky, and L. Jacob. Scheduling collection of recyclable material at northern illinois university campus using a two-phase algorithm. Computers & Industrial Engineering, 35 :435 438, 1998. [20] N. Bostel, P. Dejax, and Z. Lu. The design, planning and optimization of reverse logistics systems : a review. In A. Langevin and D. Riopel, editors, Logistics systems : Design and Optimization. Kluwer Academic Publishers, 2005. [21] O. Brysy and M. Gendreau. Vehicle routing problem with time windows, part i : Route construction and local search algorithms. Transportation Science, 39(1) :104118, 2005. [22] O. Brysy and M. Gendreau. Vehicle routing problem with time windows, part ii : Metaheuristics. Transportation Science, 39(1) :119139, 2005. [23] L.D. Burns, R.W. Hall, D.E. Blumenfeld, and C.F. Daganzo. Distribution strategies that minimize transportation and inventory costs. Operations Research, 33(3) :469490, 1985. [24] A. Campbell, LW. Clarke, and M. Savelsbergh. Inventory Routing in Practice. In The Vehicle Routing Problem, pages 109128. SIAM, Philadelphia, PA, USA, 2002. [25] B. Canel-Depitre. La logistique inverse : Rponse efcace au consommateur et au citoyen. In 4me congrs Les tendances du marketing en Europe , 2004.
[26] Y. Caseau and F. Laburthe. Heuristics for large constrained vehicle routing problems. Journal of Heuristics, 5(3) :281 303, 1999. [27] L.M. Chan, A. Federgruen, and D. Simchi-Levi. Probabilistic analysis and pratical algorithms for inventory-routing models. Operations Research, 46(1) :96106, 1998. [28] I.-M. Chao, B.L. Golden, and E. Wasil. A new heuristic for the multi-depot vehicle routing problem that improves upon best-known solutions. American Journal of Mathematical and Management Sciences, 13(3) :371406, 1993. [29] M. Chouinard. Systme organisationnel et architecture dun support dinformation pour lintgration des activits de logistique inverse au sein dun centre de radaptation. PhD thesis, Universit Laval, 2003. [30] M. Christiansen. Decomposition of a Combined Inventory and Time Constrained Ship Routing Problem. Transportation Science, 33(1) :316, 1999. [31] M. Christiansen and B. Nygreen. A method for solving ship routing problems with inventory constraints. Annals of Operations Research, 81 :357378, 1998. [32] N. Christodes and J.E. Beasley. The period routing problem. Networks, 14 :237256, 1984. [33] O. Cognasse. Reverse logistics : un engouement croissant. Stratgie Logistique, 74 :49 55, 2005. [34] J.-F. Cordeau, G. Desaulniers, J. Desrosiers, MM. Solomon, and F. Soumis. The vrp with time windows. In P. Toth and eds. D. Vigo, editors, The Vehicle Routing Problem, page 157193. SIAM, Philadelphia, PA, USA, 2002. [35] J.-F. Cordeau, G.Laporte, M.W.P. Savelsbergh, and D. Vigo. Transportation handbooks in operations research and management science. In Laporte G. eds. Barnhart C., editor, Vehicle Routing, volume 14, page 367428. North-Holland, Amsterdam, 2007. [36] J.F. Cordeau. A branch-and-cut algorithm for the dial-a-ride problem. Technical Report CRT-2003-24, Centre for research on transportation, 2003. [37] J.F. Cordeau and G. Laporte. A tabu search algorithm for the site dependent vehicle routing problem with time windows. INFOR, 39 :292298, 2001. [38] J.F. Cordeau and G. Laporte. The dial-a-ride problem : Variants, modeling issues and algorithms. 4OR Quarterly Journal of the Belgian, French and Italian Operations Research Societies, 1 :89101, 2003. [39] T.G. Crainic, M. Gendreau, and P. Dejax. Dynamic and stochastic models for the allocation of empty containers. Operations Research, 41(1) :102126, 1993. [40] G.B. Dantzig, D. R. Fulkerson, and S. M. Johnson. Solution of a large-scale traveling-salesman problem. Operations Research, 2 :393410, 1954.
BIBLIOGRAPHIE
125
[41] G.B. Dantzig and P. Wolfe. Decomposition principle for linear programs. Operations Research, 8 :101 111, 1960. [42] Br. De Backer, V. Furnon, P. Shaw, P. Kilby, and P. Prosser. Solving vehicle routing problems using constraint programming and metaheuristics. J. Heuristics, 6(4) :501523, 2000. [43] E. Del Castillo and J.K. Cochran. Optimal short horizon distribution operations in reusable containers. Journal of Operational Research Society, 47(3 part 1 of 2) :4860, 1996. [44] X. Delorme, X. Gandibleux, and J. Rodriguez. Application de la mtaheuristique grasp la rsolution dun problme de capacit dinfrastructure ferroviaire. In 3me journes francophones de recherche oprationnelle (Francoro III), 2001. [45] G. Desaulniers, J. Desrosiers, A. Erdmann, M. M. Solomon, and F. Soumis. VRP with pickup and delivery. In P. Toth and eds. D. Vigo, editors, The Vehicle Routing Problem, page 157193. SIAM, Philadelphia, PA, USA, 2002. [46] G. Desaulniers, J. Desrosiers, and M. M. Solomon. Column Generation. Springer, 2005. [47] M. Desrochers. An algorithm for the shortest path problem with resource constraints. Technical Report G-88-27, GERAD, 1988. [48] M. Desrochers, J Desrosiers, and M.M. Solomon. A new optimization algorithm for the vehicle routing problem with time windows. Operations Research, 40 :342354, 1992. [49] M. Desrochers, J.K. Lenstra, and M.W.P. Savelsbergh. A classication scheme for vehicle routing and scheduling problems. European Journal of Operational Research, 46 :322332, 1990. [50] J. Desrosier, Y. Dumas, and F. Soumis. A dynamic programming solutions of the large-scale singlevehicule dial-a-ride problem with time windows. American Journal of Mathematics and Management Science, 3(6) :301 325, 1986. [51] I. Dobos. Optimal production-inventory strategies for HMMS-type reverse logistics system. Int. J. Production Economics, 81-82 :351360, 2003. [52] E. Domenjoud, C. Kirchner, and J. Zhou. Technical report on transport scheduling system ROUTER. Technical report, septembre 1998. [53] M. Dorigo and T. Sttzle. Ant colony optimization. MIT Press, 2004. [54] M. Dror and M. Ball. Inventory/routing : reduction from an annual to a short period problem. Naval Research Logistics, 34 :891905, 1987. [55] M. Dror and P. Trudeau. Split delivery routing. Naval Research Logistic, (37) :383 402, 1990. [56] R. Duhaime, D. Riopel, and A. Langevin. Value analysis and optimization of reusable containers at canada post. Interfaces, 31(3 part 1 of 2) :315, 2001. [57] Y. Dumas, J. Desrosiers, and F. Soumis. Large scale multi-vehicle dial-a-ride systems. Technical Report G-89-30, Ecole des Hautes Etudes Commerciales (Ecole des HEC), Montreal Canada, 1989. [58] A. Federgruen and P. Zipkin. A combined vehicle routing and inventory allocation problem. Operations Research, 32 :10191037, 1984. [59] D. Feillet, P. Dejax, and M. Gendreau. Planication tactique du transport de marchandises inter-usines : application au secteur automobile. Journal Europen des Sysmes Automatiss, 36(1), 2002. [60] D. Feillet, P. Dejax, M. Gendreau, and C. Gueguen. An exact algorithm for the elementary shortest path problem with resource constraints : Application to some vehicle routing problems. Networks, 44 :216229, 2004. [61] T.A. Feo and M. Resende. A probabilistic heuristic for a computanionally difcult set covering problem. Operations Research Letters, (8) :6771, 1989. [62] T.A. Feo, K. Sarathy, and J. McGahan. A GRASP for single machine scheduling with sequence dependent setup costs and linear delay penalties. Computers & Operations Research, 23 :881895, 1996. [63] P. Festa and G. Resende. An annoted bibliography of grasp. Technical Report TD-5WYSEW, AT & T Labs Research, 2004.
126
BIBLIOGRAPHIE
[64] M.L Fisher and R. Jaikumar. A decomposition algorithm for large-scale vehicle routing problems with branch and price. Technical Report Technical Report 78-11-05, Departement of Decision Sciences, University of Pennsylvania, 1978. [65] M.L Fisher and R. Jaikumar. A generalized assignment heuristic for vehicle routing. Networks, 11 :109 124, 1981. [66] M. Fleischmann. Quantitative models for reverse logistics. In Lecture Notes in Economics and Mathematical Systems, volume 501. Springer-Verlag, 2001. [67] M. Fleischmann, J. M. Bloemhof-Ruwaard, R. Dekker, E. Van Der Laan, and J.A.E.E. Van Wassenhove. Invited review, quantitative models for reverse logisitcs : a review. European Journal of Operational Research, 103 :117, 1997. [68] M. Fleischmann, R. Kuik, and R. Dekker. Controlling inventories with stochastic item returns : a basic model. European Journal of Operational Research, 138 :6375, 2002. [69] M. Gaudioso and G. Paletta. A heuristic for the periodic vehicle routing problem. Transportation Science, 26 :8692, 1992. [70] M. Gendreau, P. Dejax, D. Feillet, and C. Gueguen. Vehicle routing with time windows and split deliveries. Technical Report rapport interne 2006-851, 2006.
[71] P.C. Gilmore and R.E. Gomory. A linear programming approach to the cutting stock problem : part I. Operations Research, 9 :849859, 1961. [72] P.C. Gilmore and R.E. Gomory. A linear programming approach to the cutting stock problem : part II. Operations Research, 11 :863888, 1963. [73] F. Glover. Tabu search part I. ORSA Journal on Computing, 1 :190206, 1989. [74] F. Glover. Tabu search part II. ORSA Journal on Computing, 2 :432, 1990. [75] E. Grellier, P. Dejax, and N. Jussien. Heuristiques de construction et amliorations pour les problmes de tournes de livraisons multi-priodiques incluant les concepts de logistique inverse. Technical Report 07/1/AUTO, cole Des Mines de Nantes, 2007. [76] E. Grellier, P. Dejax, and N. Jussien. An inventory pick-up and delivery problem in the reverse logistics context : Optimization using a grasp and hybrid approach. In 7th Metaheuristics International Conference (MIC2007), Montreal, Canada, June 2007. [77] E. Grellier, P. Dejax, and N. Jussien. Problme de tournes de collectes et livraisons multi-priodique : rsolution grce au GRASP. In 5mes journes Francophones de Recherche Oprationnelle (FRANCORO V) 8me congrs de la Socit Franaise de Recherche Oprationnelle et dAide la Dcision (ROADEF 2007), Grenoble, France, February 2007. [78] E. Grellier, P. Dejax, N. Jussien, and Z. Lu. A column generation model and constraint programming techniques for solving an inventory routing problem in mixed ows. In Third international workshop on freight transportation and logistics (Odysseus 2006), Altea, Spain, May 2006. [79] E. Grellier, P. Dejax, N. Jussien, and Z. Lu. Vehicle routing problem in mixed ows for reverse logistics : a modeling framework. In International Conference on Information Systems, Logistics, and Supply Chain (ILS 2006), Lyon, France, May 2006. [80] E. Grellier, P. Dejax, and Y. Mati. Modlisation et optimisation dun problme de tournes de vhicules avec gestion de stocks. Research Report 04-6-AUTO, cole des Mines de Nantes, Nantes, France, 2004. [81] M. Grtschel and O. Holland. Solution of large-scale travelling salesman problems. Mathematical Programming, 51(2) :141 202, 1991. [82] S.M. Gupta and K. Taleb. Scheduling disassembly. International Journal of Production Research, 32(8) :18571866, 1994. [83] K. Halse. Modeling and Solving Complex Vehicle Routing Problems. PhD thesis, Technical University of Denmark, DK-2800 Lyngby, Denmark, 1992. [84] . Halskau, I. Griblovskaia, and K.N.B. Myklebost. Models for pick-up and deliveries from depots with lasso solutions. In 13th Nordic Logistics Research Network - NOFOMA 2001, Reykjavik, Iceland, 2001.
BIBLIOGRAPHIE
127
[85] P. Hansen and N. Mladenovi` c. An introduction to variable neighborhood search. In S. Voss (Ed.), editor, Metaheuristics, Advances and Trends in Local Search Paradigms for Optimization. Kluwer Academic Publishers, Dordrecht, 1999. [86] R.M. Haralick and G.L. Elliott. Increasing tree search efciency for constraint satisfaction problems. Articial Intelligence, 14 :263313, 1980. [87] W. D. Harvey and M. L. Ginsberg. Limited discrepancy search. In Proceedings of the Fourteenth International Joint Conference on Articial Intelligence (IJCAI-95) ; Vol. 1, pages 607615, Montral, August 20-25 1995. [88] A. Hoff and A. Lkketangen. Creating lasso-solutions for the traveling salesman problem with pickup and delivery by tabu search. Central European Journal of Operations Research, 14(2) :125140, 2006. [89] ILOG. Ilog solver reference manual, version 6.0. [90] K. Inderfurth. Simple optimal replenishment and disposal policies for a product recovery system with leadtimes. OR Spectrum, 19 :111122, 1997. [91] P. Jaillet, J.F. Bard, L. Huang, and M. Dror. A decomposition approach to the inventory routing problem with satellite facilities. Transportation Science, 32 :189203, 1998. [92] D.S. Johnson and C.H. Papadimitriou. Computational complexity. In A.H. G. Rinnooy Kan E. L Lawler, J. K. Lenstra and D. B. Shmoys (eds), editors, The Traveling Salesman Problem. John Wiley & Sons Chichester, 1985. [93] B. Kalantari, A.V. Hill, and S.R. Arora. An algorithm for the traveling salesman problem with pick-up and delivery customers. European Journal of Operational Research, 22 :377 386, 1985. [94] N. Karmarkar. A new ploynomial-time algorithm for linear programming. combinatorica, 4 :373 395, 1984. [95] L. Khachiyan. A polynomial algorithm in linear programming. Soviet Mathematics Doklady, 20 :191 194, 1979. [96] G.P. Kiesmller. A new approach for controlling a hybrid stochastic manufacturing/remanufacturing system with inventories and different leadtimes. European Journal of Operational Research, 147 :6271, 2003. [97] G.P. Kiesmller and C.W. Scherer. Computational issues in a stochastic nite horizon one product recovery inventory model. European Journal of Operational Research, 146 :553579, 2003. [98] J.U. Kim and Y.D. Kim. A decomposition approach to a multi-period vehicle scheduling problem. International Journal of Management Science, 27 :421430, 2002. [99] G. Kontoravdis and J.F. Bard. A GRASP for the vehicle routing problem with time windows. ORSA Journal on Computing, 7 :1023, 1995. [100] H.R. Krikke, A. Van Harten, and P.C. Schuur. On a medium term product recovery and disposal strategy for durable assembly products. International Journal of Production Research, 36(1) :111139, 1998. [101] H.R. Krikke, A. Van Harten, and P.C. Schuur. Business case Roteb : recovery strategies for monitors. Computers & Industrial Engineering, 36 :855869, 1999. [102] A.H. Land and A.G. Doig. An automatic method of solving discrete programming problems. Econometrica, page 28, 1960. [103] G. Laporte and F. Semet. Classical heuristics for the capacitated VRP. In The Vehicle Routing Problem, pages 109128. SIAM, Philadelphia, PA, USA, 2001. [104] H.C. Lau and Z. Liang. Pickup and delivery with time windows : Algorithms and test case generation. In 13th IEEE International Conference on Tools with Articial Intelligence (ICTAI01), Dallas Texas, 2001. [105] L.H. Lee, K.C. Tan, K. Ou, and Y.H. Chew. Vehicle capacity planning system : A case study on vehicle routing problem with time windows. IEEE Transactions on Systems, 33(2) :169178, 2003. [106] Z. Lu. Planication hirarchise et optimisation des systmes logistiques avec ux inverses. PhD thesis, Universit de Nantes, France, 2003.
128
BIBLIOGRAPHIE
[107] Z. Lu, N. Bostel, and P. Dejax. The simple plant location problem with reverse ows. In O.Zaikin A. Dolgui, J. Soldek, editor, Supply Chain Optimization. Kluwer Academic Publishers, 2004. [108] O.B.G. Madsen. Lagrangean relaxation and vehicle routing. Technical Report IMSOR, The Technical University of Denmark, 1990. [109] F. Malca and F. Semet. A tabu search heuristic for the pickup and delivery problem with time windows and a xed size eet. In ORBELL 18, Bruxelles, Belgique, 2004. [110] V. Malpart, F. Boctor, J. Renaud, and S. Labillois. Nouvelles approches pour lapprovisionnement des stations dessence. Revue Franaise de Gestion Industrielle, 22(2) :1531, 2003. [111] C.E. Miller, A.W. Tucker, and R.A. Zemlin. Integer programming formulations and traveling salesman problems. Journal of the Association for Computing Machinery, 7 :326329, 1960. [112] S. Minner and R. Kleber. Optimal control of production and remanufacturing in a simple recovery model with linear cost functions. OR Spektrum, 23 :324, 2001. [113] M. Minoux. Rsolution des problmes de grandes dimensions : programmation linaire gnralise et techniques de dcomposition. Programmation mathmatiques, Thorie et Algorithmes, Tome 2. Dunod, 1983. [114] S. Mitrovic-Minic. Pickup and delivery problem with time windows : A survey. Technical Report SFU CMPT TR 1998-12, Simon Fraiser University - Computing Science, 1998. [115] G. Mosheiov. Vehicle routing with pick-up and delivery : tour-partitioning heuristics. Comput. Ind. Eng., 34(3) :669684, 1998. [116] B.A. Nadel. Constraint satisfaction algorithms. Computational Intelligence 5, 5 :188224, 1989. [117] G. Nagy and S. Salhi. Heuristic algorithm for single and multiple depot vehicle routing problems with pickups and deliveries. European Journal of Operational Research, 162 :126141, 2005. [118] I. Or. Travelling salesman-type combinatorial optimization problems and their relation to the logistics of regional blood banking. PhD thesis, Department of Industrial Engineering and Management Sciences, 1976. [119] G. Pankratz. A grouping genetic algorithm for the pickup and delivery problem with time windows. Operations Research Spectrum, 27 :21 41, 2005. [120] S.N. Parragh, K.F. Doerner, and R.F. Hartl. A survey on pickup and delivery problems. part I : Transportation between customers and depot. Journal fr Betriebswirtschaft, to appear. [121] S.N. Parragh, K.F. Doerner, and R.F. Hartl. A survey on pickup and delivery problems. part II : Transportation between pickup and delivery locations. Journal fr Betriebswirtschaft, to appear. [122] K.D. Penev and A.J. De Ron. Determination of a disassembly strategy. International Journal of Production Research, 34(2) :495506, 1996. [123] L. Pitsoulis and M. Resende. Greedy randomized adaptive search procedures. In P.M.Pardalos and M.G.C.Resende, editors, Handbook of Applied Optimization, pages 168181. 2001. [124] J.Y. Potvin and J.M. Rousseau. A parallel route building algorithm for the vehicle routing and scheduling problem with time windows. European Journal of Operational Research, 66 :331340, 1993. [125] H.G.M Pullen and M.H.J Webb. A computer application to a transport scheduling problem. Computer Journal, 10 :1013, 1967. [126] M. Reiman, R. Rubio, and L.M. Wein. Heavy trafc analysis of the dynamic stochastic inventory routing problem. Transportation Science, 33(4) :361372, 1999. [127] J.-C. Rgin. A ltering algorithm for constraints of difference in csps. In Proceedings of the 12th National Conference on Articial Intelligence (AAAI-94), pages 362 367, 1994. [128] C.C. Ribeiro. GRASP : Une mtaheuristique gloutone et probabiliste. In J. Teghem and M. Pirlot, editors, Optimisation approche en recherche oprationnelle, pages 153176. Herms, 2002. [129] K. Ritcher. The extended eoq repair and waste disposal model. International Journal of Production Economics, 45(13) :443448, 1996.
BIBLIOGRAPHIE
129
[130] D.S. Rogers and R.S. Tibben-Lembke. Going backwards : Reverse logistics trends and practices. Reverse Logistics Executive Council, 1999. [131] L.M. Rousseau, M. Gendreau, and D. Feillet. Interior Point Stabilization for Column Generation. Operations Research Letters, 35(5) :660668, 2007. [132] L.M. Rousseau, M. Gendreau, and G. Pesant. Solving small VRPTWs with Constraint Programming Based Column Generation. In CP-AI-OR02, mars 2002. [133] L.M. Rousseau, M. Gendreau, G. Pesant, and F. Focacci. Solving VRPTWs with Constraint Programming Based Column Generation. Annals of Operations Research, 130 :199216, 2004. [134] N. Rudi, D. F. Pyke, and P. O. Sporsheim. Product recovery at the Norwegian National Insurance Administration. Interfaces, 30 :166179, 2000. [135] D. Sabin and E. Freuder. Contradiction conventional wisdom in constraint satisfaction. In editor Alan Borning, editor, Principles and Practice of Constraint Programming, volume 874 of Lecture Notes in Computer Science, PPCP04 : Second International Workshop, Orcas Island, Seattle, USA, May 1994. Springer. [136] M.W. Savelsbergh and M. Sol. The general pick-up and delivery problem. Transportation Science, 29(1) :1729, 1995. [137] P. Shaw. Using Constraint Programming and Local Search Methods to Solve Vehicle Routing Problems. In M. Maher and J.-F. Puget, editors, Proceedings of the Fourth International Conference on Principles and Practice of Constraint Programming (CP 98), pages 417431. Springer-Verlag, avril 1998. [138] Y. Shen, J.Y Potvin, J.M Rousseau, and S. Roy. A computer assistant for vehicle dispatching with learning capabilities. Annals of operations research,, 61 :189212, 1995. [139] M. M. Solomon. Algorithms for the vehicle routing and scheduling problems with time window constraints. Operations Research, 35(2) :254265, 1987. [140] M. M. Solomon. Algorithms for the vehicle routing problem with time windows. Transportation Science, 29(2) :156166, 1995. [141] T. Spengler. Management of Material Flows in Closed-Loop Supply Chains : Decision Support System for Electronic Scrap Recycling Companies. In Proceedings of the 36th Hawaii International Conference on System Sciences (HICSS03), 2003. [142] T. Spengler, H. Pchert, T. Penkuhn, and O. Rentz. Environmental integrated production and recycling management. European Journal of Operational Research, 97 :308326, 1997. [143] E. Taillard, P. Badeau, M. Gendreau, F. Guertin, and J.-Y. Potvin. A tabu search heuristic for the vehicle routing problem with soft time windows. Transportation Science, 31 :170186, 1997. [144] K. Taleb and S.M. Gupta. Disassembly of multiple product structures. Computers and Industrial Engineering, 32(4) :949961, 1997. [145] C. Tan and J. Beasley. A heuristic algorithm for the period routing problem. Omega International Journal of Management Science, 12(5) :497504, 1984. [146] D. Taqa Allah, J. Renaud, and F. Boctor. Le problme dapprovisionnement des stations dessence. Journal Europen des Systmes Automatiss, 34(1) :1133, 2000. [147] R. Teunter. Economic ordering quantities for recoverable item inventory systems. Naval Research Logistics, 48 :484495, 2001. [148] M.C. Thierry. An analysis of the impact of product recovery management on manufacturing companies. PhD thesis, Erasmus University, Rotterdam, 1997. [149] M.C. Thierry, M. Salomon, J.A.E.E. Van Nunen, and L.N. Van Wassenhove. Strategic production and operations management issues in product recovery management. Technical Report Management Report Series No. 145, Erasmus University/Rotterdam school of Management, the Netherlands, 1993. [150] M.C. Thierry, M. Salomon, J.A.E.E. Van Nunen, and L.N. Van Wassenhove. Stratgic issues in product recovery management. California Management Review, 37(2) :114135, 1995. [151] L.B. Toktay, L.M. Wein, and S.A. Zenios. Inventory management for remanufacturable products. Management Science, 46 :14121426, 2000.
130
BIBLIOGRAPHIE
[152] P. Toth and D. Vigo. Heuristics algorithms for the handicapped persons transportation problem. Transportation Science, 31(1), February 1997. [153] P. Toth and D. Vigo. The Vehicle Routing Problem. Monographs on Discrete Mathematics and Applications. SIAM, Philadelphia, PA, USA, 2002. [154] P. Trudeau and M. Dror. Stochastic inventory routing : Route design with stockouts and route failures. Transportation Science, 26 :17184, 1992. [155] A. Van Breedam. An analysis of the behavior of heuristics for the vehicle routing problem for a selection of problems with vehicle-related, customer related, and time-related constraints. PhD thesis, University of Antwerp, 1994. [156] L.J.J. Van-Der-Bruggen, J.K. Lenstra, and P.C. Schuur. Variable-depth search for the single vehicle pickup and delivery problem with time windows. Transportation Science, 27(3) :298 311, 1993. [157] E.A. Van Der Laan. The effects of remanufacturing on inventory control. PhD thesis, Erasmus University, Rotterdam, The Netherlands, 1997. [158] E.A. Van Der Laan and M. Salomon. Production planning and inventory control with remanufacturing and disposal. European Journal of Operational Research, 102 :264278, 1997. [159] F. Vanderbeck. On dantzig-wolfe decomposition in integer programming and ways to perform branching in a branch-and-price algorithm. Operations Research, 48(1) :111128, 2000.
[160] N. Velasco, P. Dejax, , and C. Guret. Une approche par gnration de colonnes pour un problme de tournes dhlicoptres. In Congrs ROADeF05, fvrier 2005. [161] D. Vlachos and R. Dekker. Return handling options and order quantities for single period products. European Journal of Operational Research, 151 :3852, 2003. [162] C. Voudouris. Guided Local Search for Combinatorial Problems. PhD thesis, University of Essex, 1997. [163] C. Voudouris and E. Tsang. Guided local search. Technical Report Technical Report CSM-247, Department of Computer Science, University of Essex, 1995. [164] M. Witurcki, P. Dejax, and M. Haouari. Un modle et un algorithme de rsolution exacte pour le problme de tournes de vhicules multi priodiques - une application la distibution des gaz industriels. In Congrs Franco - Qubcois de Gnie Industriel, 1997.