N dordre : 192

ECOLE CENTRALE DE LILLE

THESE

Prsente en vue
dobtenir le grade de


DOCTEUR

En

Spcialit : Automatique, Gnie Informatique, Traitement du Signal et Images

Par

Issam ZIDI


DOCTORAT DELIVRE CONJOINTEMENT PAR LCOLE CENTRALE DE LILLE
ET LCOLE NATIONALE DES SCIENCES DE LINFORMATIQUE DE TUNISIE

Titre de la thse :
Modlisation et Optimisation du Problme de Transport la Demande
Multicritre et Dynamique

Soutenue le 6 juillet 2012 devant le jury dexamen :

Prsident Pierre BORNE, Professeur, Eole Centrale de Lille, France

Rapporteur Abdellah EL MOUDNI, Professeur, Universit de Belfort-Montbliard,

Rapporteur Hanen BOUCHRIHA, Professeur, Ecole nationale dingnieurs de Tunis
Membre Mekki KSOURI Professeur, Ecole nationale dingnieurs de Tunis
Membre Mohammed CHADLI, Matre de Confrences, HDR, Universit de Picardie
Jules Vernes, Amiens
Membre Kamel ZIDI, Docteur, Matre assistant, Facult des sciences de Gafsa,


Directeurs de thse Khaled GHEDIRA Professeur, Institut Suprieur de gestion (ISG)
Khaled MESGHOUNI, Matre de confrences, HDR, Eole Centrale de Lille,




Thse prpare dans les Laboratoires LAGIS et SOIE


Ecole Doctorale SPI 072 (Lille I, Lille III, Artois, ULCO, UVHC, EC Lille)
PRES Universit Lille Nord-de-France
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2


t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2


la mmoire de ma mre,
mon pre
mon frre et surs,
toute ma grande famille
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
Remerciements


Les premires personnes qui me viennent lesprit et que je tiens les remercier
profondment sont les directeurs de cette thse : le Dr. Khaled MESGHOUNI Matre de
confrences, HDR et le Professeur Khaled GHEDIRA, pour lnorme soutien scientifique et
moral quils mont apport pendant ces annes au sein du LAGIS et SOIE. Je les remercie
aussi pour leurs qualits humaines et scientifiques et de mavoir toujours encourag aller de
lavant.

Je tiens galement exprimer ma profonde gratitude au Dr. Kamel ZIDI, matre Assistant la
Facult des Sciences de Gafsa et co-directeur de cette thse, pour sa rigueur scientifique et
son aide prcieuse.

Il mest trs agrable aussi dexprimer toute ma reconnaissance au Professeur Abdella EL
MOUDNI, Professeur l'universit de Belfort-Montbliard et au Professeur Hanen
BOUCHRIHA, Professeur Ecole nationale dingnieurs de Tunis de mavoir fait lhonneur
en sintressant mon travail de thse et en acceptant dtre les rapporteurs malgr leurs
nombreuses occupations.

Je tiens galement remercier le
- Professeur Pierre BORNE, Professeur Eole Centrale de Lille, France
- Professeur Mekki KSOURI, Professeur lEcole nationale dingnieurs de Tunis
- Dr. Mohammed CHADLI, Matre de Confrences, HDR lUniversit de Picardie
Jules Verne.
Davoir accept dexaminer mon travail de thse et de participer ce jury.
Ces remerciements ne seraient pas complets si je ny associais pas toutes les personnes qui ont
contribu de prs ou de loin la ralisation de cette thse, en particulier, tout le personnel des
deux laboratoires dans lesquels jai ralis mon travail de thse ; le LAGIS et SOIE pour leur
bonne humeur et leur disponibilit.





t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
5


t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
6


Table des matires
Table des matires .............................................................................................. 5
Liste des figures ................................................................................................. 9
Liste des tableaux ............................................................................................. 10
Chapitre I : Introduction .................................................................................. 12
I.1 Introduction : ........................................................................................................................... 12
I.2 Motivations : ........................................................................................................................... 12
I.3 Objectif et Problmatique : ...................................................................................................... 14
I.4 Positionnement Scientifique : .................................................................................................. 15
1. Recherche Oprationnelle : ............................................................................................... 15
2. Les Systmes Multi-agent : ............................................................................................... 16
3. Personnalisation de linformation : .................................................................................... 16
I.5 Plan de la thse : ..................................................................................................................... 17
Chapitre II : Etat de Lart sur Le Problme de Transport la Demande ........... 20
II.1 Introduction : .......................................................................................................................... 20
II.2 Description du Problme de Transport la Demande (PTD): .................................................. 20
1. Contexte de ltude : ......................................................................................................... 20
2. Dfinition du PTD :............................................................................................................. 21
II.3. Travaux industrielles sur le Transport la Demande (TAD): .................................................. 23
1. Etat de lart sur les TAD en France : ................................................................................... 24
2. Etat de lart sur le Transport la Demande (TAD) ltranger : .......................................... 25
II.4. Travaux de recherche sur le Transport la Demande (TAD): ................................................ 27
1. Les modles mathmatiques pour le Problme de Transport la Demande (PTD) ............. 28
2. Le Problme de Transport la Demande (PTD) avec un seul vhicule ................................ 32
3. Le Problme de Transport la Demande (PTD) avec plusieurs vhicules ............................ 34
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
7

II.5 Conclusion : ........................................................................................................................... 41
Chapitre III : Les Problmes dOptimisation Multi-Objectif et les Approches de
Rsolution ........................................................................................................ 42
III.1 Introduction : ......................................................................................................................... 42
III.2 Dfinitions et Vocabulaires : ................................................................................................. 42
III.3. Approches de rsolution des problmes doptimisation multi-objectif : ................................. 44
1. Les approches de transformations des objectifs du POM un seul objectif ........................ 45
2. Approches non-Pareto ....................................................................................................... 48
3. Approches Pareto .............................................................................................................. 49
III.3 Classification des mthodes doptimisation multi-objectif : .................................................... 53
III.4 Les mtaheuristiques de l'optimisation multi-objectif : ........................................................... 53
1. Les mthodes de recherche locale ..................................................................................... 53
2. Le recuit simul ................................................................................................................. 54
3. La recherche Tabou ........................................................................................................... 55
4. Les algorithmes volutionnaires ........................................................................................ 56
III.5 Conclusion : .......................................................................................................................... 59
Chapitre IV : Une Approche Centralise de Rsolution base sur lalgorithme de
Recuit Simul pour le Problme de Transport la Demande ............................ 60
IV.1. Introduction : ....................................................................................................................... 60
IV.2. Formalisme mathmatique du PTD :..................................................................................... 60
IV.3. Une approche agrgative base sur lalgorithme de recuit simul pour la rsolution du PTD
statique : ....................................................................................................................................... 64
1. Lalgorithme de recuit simul : ........................................................................................... 64
2. Rsultats Numriques........................................................................................................ 69
IV.4. Une approche Pareto base sur lalgorithme de Recuit Simul Multi-Objectif (RSMO) pour la
rsolution du PTD statique : .......................................................................................................... 72
1. Lalgorithme de recuit simul multi-objectif:...................................................................... 72
2. Rsultats Numriques........................................................................................................ 75
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
8

IV.5. Une approche Pareto base sur lalgorithme de recuit simul multi-objectif pour la rsolution
du PTD dynamique : ..................................................................................................................... 81
1. Le PTD dynamique ............................................................................................................. 81
IV.6. Conclusion : ......................................................................................................................... 86
Chapitre V : Une approche distribue base sur lalgorithme de Recuit Simul
pour la Rsolution du Problme de Transport la Demande ........................... 88
V. 1. Introduction : ........................................................................................................................ 88
V. 2. Les Systmes Multi-agent (SMA) : ....................................................................................... 88
1. Caractristiques des Agents ............................................................................................... 89
2. Caractristiques des Systmes multi-Agent ........................................................................ 90
3. Les SMA et leur application dans le domaine de transport ................................................. 92
V. 3. Approche distribue base sur le recuit simul multi-objectif pour la rsolution du PTD : ..... 95
1. Larchitecture Multi-agent ................................................................................................. 95
2. Le processus doptimisation............................................................................................... 97
V. 4. Applications et Rsultats Numriques : ................................................................................. 99
1. Loutil informatique utilis ............................................................................................... 101
2. Le Systme Multi-Agent ................................................................................................... 102
3. Application de lapproche sur un PTD statique ................................................................. 104
4. Application de lapproche sur un PTD dynamique ............................................................ 107
V.5 Conclusion : ......................................................................................................................... 116
Chapitre VI : Conclusion et Perspectives ....................................................... 118
VI. 1. Conclusion : ...................................................................................................................... 118
VI. 2. Perspectives : .................................................................................................................... 120
Les Rfrences Bibliographiques ................................................................... 122

t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
9

Liste des figures
Figure I. 1 : Positionnement du TAD par rapport aux autres modes de transport ............................... 13
Figure II. 1 : Prsentation schmatique du problme .......................................................................... 22
Figure II.2 : Affectation des vhicules des demandes de transport dans la matrice .......................... 23
Figure II.3 : Une solution au PTD prsente par la matrice sol ........................................................... 23
Figure III.1 : Relation entre le type de vhicule et prix. ..................................................................... 43
Figure III.2 : Slection parallle dans lalgorithme VEGA ................................................................. 49
Figure III.2 : Pseudo-code de la mthode de descente. ....................................................................... 54
Figure IV.1 : Heuristique de distribution ........................................................................................... 65
Figure IV.2 : Exemple de composition de la solution initiale ............................................................. 66
Figure IV.3 : La structure de voisinage .............................................................................................. 68
Figure IV.4 : Comparaison de nos rsultats avec ceux obtenus par (Mauri et al, 2006) ....................... 71
Figure IV.5 : Pseudo-code de lalgorithme de Recuit Simul Multi-Objectif (RSMO) ....................... 73
Figure IV.6 (a) : Itinraire du vhicule numro 1 ............................................................................... 77
Figure IV.6 (b) : Itinraire du vhicule numro 2 ............................................................................... 78
Figure IV.6 (c) : Itinraire du vhicule numro 3 ............................................................................... 78
Figure IV.6 (d) : Itinraire du vhicule numro 4 ............................................................................... 79
Figure IV.7 : Comparaison sur la dure de la route (RSMO, AG et RT) ............................................. 80
Figure IV.8 : Comparaison sur le temps mis pour le voyage (RSMO, AG et RT) ............................... 81
Figure IV.9: Le problme de transport la demande dynamique ........................................................ 83
Figure IV.10 : Fonctionnement de lalgorithme de RSMO pour la rsolution du PTD dynamique. ..... 84
Figure V.1 : Larchitecture globale du modle multi-agents ............................................................... 96
Figure V.2 : Le scnario de traitement dune demande de transport ................................................... 96
Figure V.3 : Larchitecture comportementale de lagent vhicule ...................................................... 98
Figure V.4 : Structure de voisinage ................................................................................................... 99
Figure V.9 : comportement de lagent centre dappels ..................................................................... 100
Figure V.5 : comportement de lagent centre dappels ..................................................................... 100
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
10

Figure V.6 : le conteneur des agents dans la plate-forme JADE ....................................................... 103
Figure V.7 : La communication des agents via lenvoi de messages ................................................. 104
Figure V.8 : le PTD dynamique ....................................................................................................... 108

Liste des tableaux
Figure III.3 : Architecture gnrale dun algorithme volutionnaire. .................................................. 59
Tableau IV.1: Paramtres de l'algorithme du recuit simul ................................................................ 70
Tableau IV.2: Les rsultats obtenus par notre approche (Zidi et al, 2010 )
a
....................................... 70
Tableau IV.3: Les rsultats obtenus par (Mauri et al, 2006) ............................................................... 70
Tableau IV.4: les rsultats obtenu par lalgorithme de RSMO ............................................................ 76
Tableau IV.5 : les rsultats obtenus par lalgorithme gntique (Claudio et al, 2009) ........................ 76
Tableau IV.6 : Les rsultats obtenus par lalgorithme de recherche tabou (Cordeau & Laporte ,2003)
......................................................................................................................................................... 76
Tableau IV.7 : Simulation de 4 h avec 10 vhicules et 20 demandes par heure ................................ 85
Tableau V.1: Les rsultats obtenus par lapproche multi-agents bas sur le RSMO (Zidi et al, 2011)
[101] ............................................................................................................................................... 105
Tableau V.2: Les rsultats obtenus par lAlgorithme Gntique (AG) (Claudio et al, 2009) ............... 106
Tableau V.3: Les rsultats obtenus par lalgorithme de Recherche Tabou (RT) (Cordeau & Laporte,
2003) .............................................................................................................................................. 106
Tableau V.4: simulation de 4 heures avec 10 vhicules et 20 demandes par heure .......................... 111
Tableau V.5: simulation de 7 heures avec 20 vhicules et 20 demandes par heure .......................... 113
Tableau V.6 : Simulation de 4 heures avec 10 vhicules et 35 demandes par heure......................... 115
Tableau V.7 : Temps de calcul en seconde ....................................................................................... 116


t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
11


t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
12

Chapitre I :
Introduction
I.1 Introduction :

Lors de ces dernires annes, loffre de transport public na cess de se dvelopper et de
samliorer, et avec elle les demandes et les exigences des usages, rendant ces moyens de
transport moins comptitifs surtout dans les milieux ruraux et priurbains. Lutilisation de la
voiture individuel reste assez rpondu dans ces zones de part sa disponibilit et de son
efficacit malgr les quelques inconvnients quelle possde en loccurrence le cot
dutilisation (prix de lessence) et les problmes environnementaux quelle causse.
Lune des solutions qui peut rsoudre ce problme et permet de profiter des avantages des
deux modes de transport (en commun et individuel) et de rduire leurs inconvnients est
partage des voitures prives. Le service de partage des voitures prives est appel service de
Transport la Demande (TAD) ou en anglais Dial a Ride Problem (DRP). Dans ce mode de
transport, les clients (voyageurs) envoient une demande de transport un oprateur
comprenant le lieu de ramassage (origine), la destination finale, le nombre de personnes
transporter et lheure de passage dsir. Le problme de TAD consiste laborer des tournes
de vhicules pour rpondre aux demandes de transport en minimisant les cots engendrs par
ces tournes (distance parcourue, temps de service, nombre de vhicules utiliss) et en
fournissant une bonne qualit de service aux voyageurs (temps de voyage, nombre de stations
visites, etc..).
I.2 Motivations :

Il existe plusieurs motivations qui nous font proposer les systmes de Transport la
Demande (TAD) comme une solution pour les problmes de transport de nos jours. Dans ce
qui suit nous motionnons les motivations les plus intressantes.
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
13

Aujourdhui, nous constatons une volution dans la structure des dplacements. Cette
volution est due ltalement urbain et lapparition des ples attractifs aux priphries des
villes. Les flux de transports actuels sont caractriss par des grandes distances couvrant les
trajets banlieue-banlieue. Cest pour ces raisons que le mode de transport privilgi pour ce
type de dplacements est la voiture prive. En effet, laugmentation considrable du nombre
de citoyens, en particulier dans les grandes villes, la croissance de lusage des voitures pose
des problmes aigus, tant sociaux qu'conomiques et environnementaux. Dans ce contexte,
l'objectif des nouvelles politiques gouvernementales est de diminuer lutilisation des voitures
prives afin de lutter contre les embouteillages dans les villes et de diminuer les rejets
polluants. C'est surtout au sein des villes que ces questions, vraisemblablement peu
compatibles avec les objectifs d'un dveloppement durable, sont les plus sensibles. En effet, le
TAD prsente une solution trs intressante pour les personnes ges, les personnes mobilit
rduite et pour les aspects environnementaux.
Les individus cherchent des moyens de transport plus souples, flexibles et proches de leurs
attentes. Le TAD permet de rpondre ces attentes. En effet, il est considr comme un mode
de transport collectif, individualis et activ la demande. Le TAD offre un meilleur rapport
qualit/cot de service. Sachant que le cot de fonctionnement est li la qualit de service
offerte, les concepteurs dun tel systme doivent trouver un compromis entre ces deux
critres. Le cot d'exploitation et la qualit de service offerte aux utilisateurs augmentent avec
le nombre de vhicules mis en service.
Dans la figure I.1, nous prsentons la position du TAD par rapport aux autres modes de
transport en termes de rapport qualit/cot de service.






Figure I. 1 : Positionnement du TAD par rapport aux autres modes de transport [4].
Taxi
TAD
Transport publique
Cot
Qualit de service
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
14

I.3 Objectif et Problmatique :

Afin doffrir un service de TAD remdiant aux problmes cologiques et conomiques
motionns dans la section I.2, il va falloir trouver une solution forme par un ensemble de
tournes de vhicules pour rpondre aux demandes de transport. Dans le cadre de cette thse,
nous nous intressons en particulier trouver une solution informatique permettant le pilotage
en temps rel ou diffr des vhicules mis en jeux pour rsoudre le problme de TAD. En plus
de lintrt cologique et environnemental, le systme ainsi mis au point doit optimiser les
solutions proposer aux utilisateurs. Cette optimisation ncessite la satisfaction de plusieurs
critres qui peuvent tres contradictoires. Par exemple, le confort du voyageur peut augmenter
le cot pour loprateur offrant le service de TAD. Les critres optimiser dans le systme de
TAD sont respectivement : La distance parcourue, le temps de service des vhicules, le
nombre de vhicules utiliss dans le service et le confort du voyageur. En ce qui concerne les
critres confort voyageur et la qualit de service rendue ces derniers, ils sont composs de
plusieurs sous-critres suivants : la dure de voyage de chaque client, le nombre de stations
visites dans un trajet pour un client et le niveau de satisfaction en termes de vhicule
lorsquil sagit des vhicules htrognes.
Nous pouvons distinguer deux diffrents problmes rsoudre pour atteindre notre objectif.
Le premier est un problme doptimisation multicritre complexe. Il consiste grer
laffectation des voyageurs des voitures et llaboration des tourns de vhicules pour servir
les demandes de transport. Le deuxime est la gestion des profils utilisateurs pour
personnaliser loffre de service.
Lobjectif principal vis dans cette thse, est d'aider lusager dans sa dmarche de recherche
dun voyage. Partant du fait que les utilisateurs ont besoin d'avoir des systmes leur
permettant d'accder facilement et rapidement des informations les plus pertinentes en
fonction de leurs besoins et de leurs attentes. Une des solutions utilise pour rsoudre cette
problmatique consiste utiliser la personnalisation de l'information afin doptimiser la
solution retourne l'utilisateur. Le systme utilisera ce que l'on connat de lutilisateur
(voyageur), de ses prfrences, de ses habitudes ou encore des choix effectus par des
utilisateurs qui ont un profil similaire.
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
15

Laffectation des clients (voyageurs) des vhicules instantanment, peut provoquer des
modifications sur leurs itinraires. Ce phnomne engendre des itinraires dynamiques. Il
devient donc ncessaire de dvelopper une application de recherche et de gestion d'itinraires
permettant de proposer, en temps rel, des itinraires en cas daffectation dynamique.
Le but est de dvelopper une nouvelle approche couplant des mthodes doptimisation
combinatoire et la personnalisation dinformations. Notre approche se base sur des systmes
multi-agents afin de mieux grer les affectations et ltablissement des tournes de vhicules
en temps rel ou diffr.
I.4 Positionnement Scientifique :
1. RechercheOprationnelle:

Le problme que nous traitons dans cette thse concerne laffectation et le routage dun
ensemble de vhicules homognes ou htrognes pour servir des demandes de transport. Le
cas le plus simple est laffectation statique dun vhicule un parcours de stations. Ce
problme dlaboration de tournes de vhicules est connu sous le nom Dial a Ride
Problem (DRP). Il reprsente un problme doptimisation combinatoire multicritre. Il
appartient la classe des problmes NP-difficile de loptimisation combinatoire. Dans sa
version de base, le DRP modlise un problme de transport qui consiste livrer et collecter
des personnes auprs dun ensemble de lieux de dpart vers des destinations laide dune
flotte de vhicules. La rsolution de ce problme consiste dterminer un ensemble de
tournes en minimisant plusieurs critres tel que la distance totale parcourue, le nombre de
vhicules utiliss, etc Le problme est donc un problme doptimisation multicritre.

Le systme envisag doit rpondre dynamiquement aux appels des voyageurs, do la
ncessit dutilisation des variantes du (DRP) classique. Ce problme est connu sous le nom
de Dynamic Dial a Ride Problem (DDRP). La deuxime variante utiliser pour la
modlisation est le problme transport la demande avec fentres de temps. Il est connu sous
le nom de Dial a Ride Problem Time Window (DRPTW). Cette exploitation permettra la
prise en compte de laspect temps rel de lapplication envisage.

t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
16

2. Les Systmes Multi-agents :

Le but de loutil dvelopp dans cette thse est de produire une solution de planification de
tournes de vhicules pour transporter un ensemble de voyageurs dune station de dpart
une station darrive. Le systme doit affecter un ensemble de vhicules un ensemble de
tournes ayant la possibilit dtre changes selon la demande dun voyageur. Avec laspect
dynamique du systme, la complexit du problme augmente en fonction du nombre de
demandes de transport reues. Cette complexit nous amne dcentraliser le traitement du
problme en utilisant un systme multi-agents. Les systmes multi-agents se caractrisent par
l'autonomie et l'intelligence des composants impliqus. Toutefois, un agent ne dispose que
d'une vision locale de son environnement. Un agent peut tre dfini comme une entit
(physique ou virtuelle) capable d'agir sur elle-mme et sur son environnement. Un agent
permet la reprsentation partielle de lenvironnement et qui peut communiquer avec d'autres
agents. Le comportement dun agent est la consquence de ses observations, de sa
connaissance et ses interactions avec les autres agents. Lutilisation des systmes multi-agents
nous permet de dcomposer le problme en plusieurs sous-problmes. Le but de cette
dcomposition est de partager les tches du systme sur des agents autonomes. Ces derniers
cooprent ensemble pour atteindre le but envisag.
Le systme de transport la demande, qui est lobjectif de cette recherche, est un systme qui
demande une optimisation dun problme multicritre compliqu. Pour rsoudre ce problme
nous recommandons lutilisation dune plateforme de systme multi-agents. Cette plateforme
nous permet deffectuer des simulations des algorithmes proposer pour la rsolution du
problme.
3. Personnalisation de linformation :

Le systme envisag doit fournir une solution daffectation de vhicules un ensemble de
voyageurs en respectant un certain niveau de satisfaction de ces derniers. Cette satisfaction est
tenue par le systme comme un critre doptimisation. Le fait doffrir un service propre un
client (voyageur) selon ses prfrences, revient personnaliser ce service. Le but de la
personnalisation de linformation qui reprsente tout un domaine de recherche, est de mieux
rpondre aux besoins de lutilisateur. La personnalisation de linformation se dfinit
gnralement comme un ensemble de prfrences reprsentes par des couples (attribut,
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
17

valeur). Ces prfrences nous permettent de connatre les dsirs de lutilisateur (dans notre
cas il sagit dun voyageur). Lensemble des demandes de transport est reprsent souvent par
un profil qui regroupe les informations dj connues sur un utilisateur du systme. Le contenu
dun profil utilisateur varie selon lapplication et le domaine dtudes (IHM : Interface
Homme Machine, RI : Recherche de lInformation, BD : Base de Donnes).
Lobjectif du systme envisag est de tenir compte des besoins des utilisateurs (voyageurs) en
utilisant la gestion des profils. Un profil utilisateur est relatif un ou plusieurs utilisateurs du
systme. Une prsentation des utilisateurs avec leurs profils nous permettra de regrouper ces
derniers ou de les disperser. Le sens de regroupement ici est daccepter des voyageurs dans le
mme vhicule.
I.5 Plan de la thse :

Le reste de ce document est organis en cinq chapitres, qui sont dcrits brivement ici
- Dans le chapitre2, nous prsentons le service de Transport la Demande (TAD) en
dtaillant la problmatique du systme de TAD. Ensuite nous rappelons les diffrents
lments qui composent ce problme, ainsi que les contraintes satisfaire et les
objectifs optimiser. Nous prsentons galement une tude bibliographique
concernant les problmes de TAD dans les cas statique et dynamique.

- Dans le chapitre 3, nous prsentons les Problmes Multi-Objectifs (PMO) et les
mthodes existantes dans la littrature pour les rsoudre. Ces mthodes cherchent des
solutions au PMO appeles Pareto-optimales. La qualit de ces solutions est juge
selon deux principes ; loptimalit et la diversification sur lespace de recherche. Dans
ce chapitre nous prsentons les critiques des mthodes doptimisation multi-objectifs
afin de choisir une mthode pour la rsolution du PTD multicritres.

- Dans le chapitre 4, nous dtaillons notre modlisation mathmatique du PTD
multicritres. Suite cette modlisation, nous contribuons la rsolution du PTD par
le dveloppement dune approche base sur lalgorithme du recuit simul multi-
objectifs. Dans ce chapitre nous rsoudrons le PTD statique et dynamique et nous
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
18

montrons que notre approche est efficace pour la rsolution du problme dans le cas
dynamique.

- Dans le chapitre 5, nous tendions notre modle mathmatique pour le PTD afin de
traiter le critre de satisfaction en termes de vhicules. Cette satisfaction est dduite
lorsquil sagit de lutilisation de vhicules htrognes pour servir les demandes de
transport. Pour rsoudre le PTD avec vhicules htrognes, nous dveloppons un
Systme Multi-Agents (SMA) bas sur lalgorithme de recuit simul multi-objectifs.
Ce systme prend en compte les prfrences du voyageur do la gestion de profil
utilisateur. Dans ce cas, les vhicules et les voyageurs sont des agents.

- Enfin, dans le dernier chapitre on prsente les conclusions et les perspectives de ce
travail de recherche.

t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
19


t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
20

Chapitre II :
Etat de Lart et Le Problme de Transport
la Demande
II.1 Introduction :

Le Problme de Transport la Demande (PTD) ou encore en anglais Dial a Ride Problem
(DRP), consiste prendre en charge des voyageurs ayant activ une demande de transport on
les acheminant dun point de dpart vers un point darrive. Le PTD est caractris par un
ensemble de demandes de transport de taille n et dun nombre de vhicules m pour
servir ces derniers. La rsolution dun PTD est une solution de transport alternative
permettant l'augmentation des taux d'occupation des vhicules. Cette augmentation a pour rle
de lutter contre la congestion routire et de rduire les missions de gaz effet de serre, et par
consquent la pollution de lenvironnement. Il est galement conomiquement viable vu que
le cot est partag entre les usages sollicitant ce service.

Ce chapitre est organis de la manire suivante : dans la deuxime partie, nous dtaillons et
nous dcrivons le PTD. La troisime partie est ddie la prsentation des travaux
commercialiss et fonctionnels pour la rsolution du problme de transport la demande.
Dans la quatrime partie nous ferons un survol de ltat de lart acadmique concernant le
PTD. Nous finirons ce chapitre par une conclusion.
II.2 Description du Problme de Transport la Demande (PTD):
1. Contexte de ltude :

Avec la hausse du prix des carburants, le vhicule personnel devient une charge de plus en
plus lourde pour les revenus modestes. En effet, Le transport pse trs lourd dans le budget
des mnages, il occupe la deuxime place avec plus de 15 % des dpenses [2]. En effet entre
1975 et 1990, en France, les distances domicile-travail sont passes dune moyenne de 7 km
pour un aller simple environ 12 km. Seul un quart des actifs travaillent dans la commune o
ils rsident [3].
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
21


Ltude prsente dans cette thse concerne lextension du Problme de Tournes de
vhicules PTV. En effet, Le PTV consiste dterminer les trajets dun ensemble de vhicules
homognes ou htrognes pour acheminer des marchandises tout en optimisant un ou
plusieurs critres.
Notre objectif est de modliser et de rsoudre dune manire optimale un PTD qui consiste
transporter des personnes. Ce problme est similaire au transport collectif avec parcours et
horaires figs et le transport par vhicule individuel.
2. Dfinition du PTD :

Le Problme de Transport la Demande (PTD ou DRP) consiste prendre en charge le
transport dun certain nombre de voyageurs dun lieu de dpart un lieu darriv. Ce dernier
est caractris par un ensemble de demande de transport de taille n et dun nombre de
vhicules m pour servir ces dernies. Chaque demande de transport est modlise par une
requte contenant des informations sur la demande. Lexcution dune requte consiste
prendre en charge une personne du point de ramassage i et de la dposer au point i+n .
Le ramassage en i doit dmarrer dans la fentre de temps [a
i
, b
i
] et larrive la
destination doit se faire dans la fentre de temps [a
i+n
, b
i+n
]. En effet, le PTD est une
extension du Problme de Tournes de Vhicules (PTV) avec pour le PTD une contrainte
supplmentaire qui est la cohrence de lordre de passage dun vhicule pour servir une
demande. Il est vident que nous ne pouvons pas passer dun point de livraison avant de
rcuprer la personne effectuant la demande.
a. Exemple dun PTD:

Dans la figure II.1 prsente dans cette section, nous montrons une prsentation schmatique
et globale du PTD. Cette reprsentation illustre les composants principaux du problme. Ces
composants sont essentiellement, lensemble des voyageurs, le nombre finis de stations
(points de dpart et destination) et la flotte des vhicules utilise pour transporter les
voyageurs (demandes de transport). Une vue globale du systme nous permet de dgager une
classification du problme parmi lensemble des problmes issues du domaine de la
logistique.
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
22




Figure II. 1 : Prsentation schmatique du problme
i. Prsentation matricielle dune solution pour le PTD

La solution du PTD peut tre prsente par une matrice. Soit la matrice sol prsentant une
solution de ce dernier, les lignes modlisent les vhicules et les colonnes reprsentent les
points de ramassage et de livraison concernant les demandes de transport. Si i est lindice des
lignes et j est lindice des colonnes, sol[i][j] modlise lordre de passage du vhicule i par le
point j. Comme nous avons motionn dans la section (II.2.1), le PTD est une extension du
PTV, donc pour rsoudre ce problme il faut tout dabord affecter les vhicules aux demandes
puis optimiser les tournes de ces derniers. Dans la figure II.2 nous prsentons la phase
daffectation des vhicules des demandes de transport, et dans la figure II.3 nous prsentons
une solution complte du problme. Rappelons que pour une demande j, (j tant le point de
dpart et j+n le point de livraison).

Voyageur
Station de dpart
Lgende
A
Destination
D
A
A
D
D
D
Station darrive
A


Dpt de vhicules
Points de ramassage Points de livraison
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
23


1 2 3 4 5 6 7 8 9 10
1 1 1 1 0 1 1 1 1 0 1
2 0 0 0 1 0 0 0 0 1 0

Figure II.2 : Affectation des vhicules des demandes de transport dans la matrice sol

Si so[i][j]=1, donc le vhicule i sert le point de ramassage ou de livraison j



1 2 3 4 5 6 7 8 9 10
1 2 1 3 0 6 4 5 8 0 7
2 0 0 0 1 0 0 0 0 2 0

Figure II.3 : Une solution au PTD prsente par la matrice sol


II.3. Travaux industriels sur le Transport la Demande (TAD):

Une tude exploratoire a t ralise par le CERTU (Centre d'Etudes sur les Rseaux, les
Transports, l'Urbanisme et les constructions) en 2007 sur les services de transport la
demande afin de mieux cerner cette alternative de transport, un tat de l'art a t ralis en
France et l'tranger, et en se focalisant sur certaines exprimentations particulirement
novatrices.

Points de ramassage Points de livraison
Vhicules
Vhicules
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
24

Nous survolons les travaux industriels existants sur les TAD en tenant compte, la fois des
expriences franaises et les expriences trangres. Pour cette tude nous avons utilis les
diffrents rapports des tudes existantes.
1. Etat de lart sur les TAD en France

Dans cette section, nous prsentons trois expriences franaises pour limplantation des
services de TAD en France. Les TAD reprsents ici ne sont pas les seuls, ils ont t choisis
parce quils existent depuis plus de dix ans et nous disposons des toutes les informations les
concernant.
Il est important de prsenter ces services de TAD, puisque notre tude a pour objectif de
raliser une solution informatique permettant doptimiser des tournes de vhicules pour offrir
un service de TAD la fois conomique en terme de cot dutilisation de vhicules et offrant
une bonne qualit de service pour les voyageurs. Dans notre recherche, nous avons pu
dgager trois grandes logiques de cration de services de transport la demande :
a. Une logique politique, qui privilgie la couverture spatiale et la prsence du service
plus que lefficacit commerciale ou mme sa pertinence.
b. Une logique financire visant rduire les cots, et qui voit dans les TAD une
solution alternative moindre frais.
c. Une logique commerciale, pour laquelle le TAD est un produit commercialisable,
apte rpondre au mieux des exigences locales particulires, voire mme
conqurir des nouvelles parts de march [2].
d. La Rochelle (1985)

Taxis Autoplus est un systme de TAD mis en place en 1985 la Rochelle afin doffrir un
service de transport en commun la population 24h/24. En effet, ce service est bas sur le
concept de borne dappel permettant une rservation de transport instantane aux voyageurs
de la rgion. Le service fonctionne de la faon suivante : le client se rend lune des 82
bornes dappels o il effectue sa rservation, puis lun des 40 taxis vient alors le prendre en
charge. La spcificit de ce service vient de la destination qui est impose vers lune des 3
bornes dappel du centre-ville. Il sagit donc dune desserte du centre-ville. La caractristique
principale qui le raccroche un TAD est sa spcificit lie la destination centre-ville. La
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
25

gestion et la ralisation de ce service sont entirement confies au Groupement dIntrt
Economique des taxiteurs [2].
e. Saint-Nazaire (1991)

Ty Bus la demande a t cr en 1991. Ce TAD reprsente une nouvelle offre pour
certaines communes priphriques en journe et offre une substitution du rseau urbain le
soir. Le TAD est utilis par lutilisateur du rseau urbain avec des vhicules de petite taille
aux couleurs identiques afin damliorer limage du rseau. Ce service reprsente un
complment du rseau urbain en proposant une offre 24 h /24h. En effet, les rservations sont
gres directement par le personnel du transport qui se donne le droit de modifier lheure de la
course prvue de quelques minutes en rappelant le voyageur afin doptimiser au maximum les
diffrents trajets demandes. La ville de Saint-Nazaire a t dcoupe en trois zones au sein
desquelles chaque temps et distance inter arrt ont t dfinis.
f. Douai (1993)

En 1993 Taxitub a t cr Douai dans le but de favoriser les rgions non desservies par le
rseau urbain et damliorer la desserte de communes peu desservies (1 2 aller retour
quotidiens). Taxitub est bas sur un ensemble de lignes virtuelles itinraires fixes avec un
mode automatique de rservation et de gestion des appels par serveur vocale (logiciel
OPTITOD). En effet, le dimanche matin, la totalit des services urbains est remplace par les
Taxitub. La tarification par trajet correspond la tarification la plus leve du rseau urbain
avec correspondance gratuite avec le rseau rgulier.
2. Etat de lart sur le Transport la Demande (TAD) ltranger :

a. Allemagne

Il existe En Allemagne, de nombreux sites internet proposent des trajets de longue distance
avec au premier plan le site national http://www.mitfahrzentrale.de qui compte 700 000
inscrits. Ces sites nationaux concernent les trajets rguliers, dits Pendlernetz, mais de manire
indirecte travers les collectivits locales qui ils vendent leur plateforme.
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
26


Le service Pendlernetz de lEtat fdral de Westphalie Rhin Nord est un site de TAD
disponible chez les 165 municipalits qui composent cette rgion de louest de lAllemagne.
Ce service est accessible depuis un site central (http://www.nrw.pendlernetz.de) ou par les
sites disperss sur les diffrentes municipalits, lensemble des sites tant mis en rseau. Les
personnes nayant pas accs internet peuvent y avoir accs par lintermdiaire de centrales
de mobilit et des administrations locales. Le service Pendlernetz est utilis pour trouver des
solutions aux problmes de trafic et laugmentation des cots de dplacement. Ce dernier a
t mis en place dans le cadre de la dmarche Agenda 21 du district de Kleve.

Pour une organisation du service de TAD en Allemagne, un groupe de travail associant les
diffrentes municipalits a t constitu en 2002. Ce groupe a t pilot par le centre public
rgional en charge du dveloppement technologique. Cette organisation oblige chaque
municipalit participer financirement en fonction de son nombre dhabitants. Ltat fdral
de Westphalie Rhin Nord finance le marketing du service. La mise en place technique a t
ralise par lentreprise prive Europe Alive Media. En effet, les cots oprationnels du
service reprsentent 20/hab. Ce service sadresse aux 2,2 millions de personnes effectuant
des trajets domicile-travail. Entre 8 000 et 9 000 trajets sont proposs chaque jour sur le site.
b. Belgique

En Belgique, le TAD se fait entre collgues de travail et entre membres dune mme famille.
La socit Taxistop a mis en place un site trs connu en Belgique qui est
http://www.carpoolplaza.be. Ce site couvre la Wallonie et les Flandres. Il offre la possibilit
aux usagers de senregistrer en dclarant leurs horaires et leurs itinraires.
La socit Taxistop utilise un outil informatique permettant de mettre en place un service de
TAD qui peut tre dvelopp au niveau rgional et mis la disposition via internet. Donc une
banque de donnes de TAD est mise la disposition des entreprises et des particuliers dune
manire directe.
Les demandes des entreprises et des particuliers dune mme rgion sont regroupes dans une
base de donnes commune centralise pour loptimisation de la qualit des listes
dappariement produites.
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
27

Loutil informatique dvelopp par Taxistop permet aussi dobserver et de suivre pour chaque
nouvelle demande, les dossiers des personnes nayant pas pu tre aides dans un premier
temps. Ce suivi permet de prendre en charge automatiquement ces derniers dans un second
appel de transport.
c. Grande-Bretagne

En Grande-Bretagne, le service Liftshare (http://www.liftshare.com) est un service de
transport la demande national qui propose galement des services pour les entreprises et les
collectivits. Ce service est accessible via le site national ou par des sites locaux. Les sites
locaux, connects en rseau, sont aussi accessibles par le site national.
Le service Liftshare identifie:
Les itinraires communs ;
Les tranches horaires communes ;
La situation de conducteur ou passager de lusager ;
Les possibilits dappariement au sein dune mme entreprise ou en dehors.
Ainsi, nous pouvons noter que :
Le service effectue lappariement selon litinraire et non en fonction des adresses ;
Il est possible de faire du covoiturage avec des salaris dune autre entreprise ;

II.4. Travaux de recherche sur le Transport la Demande (TAD):

.

Le TAD est un service de transport qui doit tre prsent dans diffrents lieux avec une flotte
de vhicules. Le problme dans les TAD est de dterminer un ensemble optimis (selon
certains critres) ditinraires de vhicules permettant de rpondre aux diffrentes demandes
de transport. La nature des services accomplir conditionne fortement la structure des
problmes. On distingue ainsi des sous-familles de problmes de calcul de tournes. En effet,
le Problme de Transport la Demande (PTD) gnralise un certain nombre de problmes de
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
28

tournes de vhicules tels que le ramassage et la livraison ou en anglais Pickup and Delivery
Vehicle Routing Problem (PDVRP). Pour un tat de lart dtaill sur ces problmes, voir
larticle de Cordeau et al en 2007 [5]. Ce qui rend le PTD diffrent de la plupart des
problmes de routage est le point de vue humain. Lors du transport de passagers, le PTD
consiste donner un service qui respecte la fois la qualit de service rendue aux voyageurs
et le cot de transport engendr par les tournes de vhicules. Dans les problmes de tournes
de vhicules, la capacit et le temps sont des facteurs contraignants et en particulier ceux lis
la collecte et la livraison des voyageurs dans le PTD.

1. Les modles mathmatiques du Problme de Transport la
Demande (PTD)


Plusieurs modles mathmatiques ont t proposs pour un certain nombre de variantes du
PTD. Nous prsentons dans la sous-section 1.a une formulation mathmatique trois indices
de Cordeau (2006) [6]. Dans la section 1.b, nous prsentons une modlisation deux indices
qui est une modlisation plus compacte que celle trois indices en raison de lutilisation dun
seul vhicule pour la rsolution du PTD. Dans la section 1.c, nous dtaillons le problme
dordonnancement comme un sous problme pour le PTD. En effet le problme
d'ordonnancement consiste dterminer une squence de routage, puis tenter de rduire la
dure des parcours des vhicules afin de servir les demandes de transport dans un PTD.


a. Formulation trois indices
Cordeau formule le PTD avec un graphe orient G = (V, A) [5]. L'ensemble des sommets V
est divis en {{0, 2
n + 1
}, P, D}, o 0 et 2
n + 1
sont deux exemplaires de dpts, P = {1,. . . , N}
est l'ensemble des points de ramassage et D = {n + 1,. . . , 2n} est l'ensemble des sommets de
livraison. Une requte de transport est un couple (i, n + i), o i P et n + i D. Pour chaque
sommet v
i
V est associ une charge q
i
, avec q
0
=q
2n +1
= 0, q
i
0 pour i = 1,., N et q
i
= -q
i+n

pour i = n +1,. . . , 2n, d
i
0 est la dure de service avec d
0
=d
2n +1
= 0. L'ensemble des
arcs est dfini par A = {(i, j): i = 0, j P ou i, j P D, i j et i n + j, ou i D, j = 2n +
1}. La capacit du vhicule k est Q
k
. La dure maximale de la route k (dure du trajet) K
est note T
k
. Le cot de transport sur l'arc traversant (i, j) avec le vhicule k est gal C
k ij
, et
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
29

le temps de voyage sur larc (i, j) est dsign par t
ij
. Le temps de trajet maximal est not L et
la fentre de temps du sommet i est not par [e
i,

i
].

Le modle utilise trois index binaires variables, X
kij
gale 1 si et seulement si l'arc (i, j) est
travers par le vhicule k K. En outre, u
ki
est le temps o le vhicule k dmarre son service
au sommet i, w
ki
est la charge du vhicule k la sortie du sommet i, et R
k i
la dure du voyage
du client i du service de TAD. Le modle rsultant est le suivant :

Minimize
___
e e e V i V j K k
ijk ijk
C X (2.1)
Avec :
__
e e
=
K k V j
ijk
X 1 P i e (2.2)
__
e e V v V j
jk
X
0
=
__
e e
+
V v N j
k n j
X
, 1 2 ,
=1 K k e (2.3)
0
, ,
=
_ _
e e
+
V j V j
k i n j ijk
X X P i k k e e , (2.4)
0 =
_ _
e e V i
jik
V i
ijk
X X K k D P j e e , (2.5)
0 ) ( s +
jk ijk ik ijk
u t u X A j i k v e e ) , ( , (2.6)
i jk i
l u e s s K k V i e e ,

(2.7)

n i i n i
l u e
+ +
s s K k V i e e , (2.8)
0 ) ( = +
jv kj ik ijk
Q q w X A j i K k e e ) , ( , (2.9)
e
ijk
X {0;1} (2.10)

Dans cette formulation, lquation (2.1) modlise la fonction objectif du problme. Les
contraintes (2.2) et (2.4) garantissent que chaque requte est servie une fois par le mme
vhicule, tandis que les contraintes (2.3) et (2.5) garantissent que chaque vhicule dmarre et
termine sa route partir de l'entrept. Les Contraintes (2.6), (2.7) et (2.8) dfinissent
respectivement les temps de service, les fentres de temps, tandis que la contrainte (2.9)
modlise les charges des vhicules, (2.10) reprsente la variable de dcision du problme.

b. Formulation deux index

t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
30

Plus rcemment, en 2006, Ropke, Cordeau et Laporte [31] [34] ont propos deux modles et
un algorithme de branch-and-cut pour le PDP avec fentres de temps (PDPTW) et le PTD.
Dans cette modlisation, les vhicules sont identiques. Nous faisons remarquer que le
PDPTW est un PTD sans la contrainte de temps de trajet maximum. Dans cette partie, nous
dcrivons ce qui parat le meilleur des deux modles selon Cordeau. Ce modle prsente une
flotte homogne de vhicules de capacit Q. Une variable de dcision deux index X
ij
est
utilise, r dsigne un chemin, R est l'ensemble des chemins qui respectent la contrainte de
fentres de temps et le temps de trajet maximal, A(r) est lensemble des arcs de R, P tant
lensemble des points de dpart et D lensemble des points darrive, S est lensemble des
nuds S P D, notons galement que, chaque nud est associe une charge q
i
avec q(S)
=
_
eS i
i
q la charge totale des sommets de S. Le modle mathmatique rsultant est le suivant :

Minimize
__
e e V i V j
ij ij
C X (2.11)
Avec :
_
eV i
ij
X =1 P i e (2.12)

_
eV j
ij
X =1 P j e (2.13)

_
eS j i
ij
X
,
| S| -2 S (2.14)

_
eS j i
ij
X
,
| S|- max {1, [|q(S)|/Q]} (S P D, |S| 2) (2.15)
_
e ) ( ) , ( r A j i
ij
X |A(r)| -1 R 9 (2.16)
X
ij
= {0, 1} i, j PUD (2.17)

Dans ce modle, la contrainte (2.14) permet de respecter lordre de passage entre un point de
ramassage et le point de livraison qui lui est associ. La contrainte (2.15) granite le respect de
la capacit du vhicule. Alors que la contrainte (2.16) est celle de llimination des sous tours
et les chemins non valides dans la solution du PTD.
c. Le problme dordonnancement dans le PTD

t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
31

tant donn une route k = (V
0
= 0,..., V
i
,..., V
q
= 2n +1) constitue d'une squence de
sommets, le problme d'ordonnancement est de dterminer l'heure de dpart du dpt et la
date laquelle le service devrait commencer chaque sommet V
1
,. . . , V
q-1
, de tel sorte que
les fentres de temps sont satisfaits et la dure de trajet est rduite au minimum. Ce problme
est d'une importance critique chaque fois qu'une limite suprieure est impose sur la dure
du trajet.
Nous utilisons la notation suivante:
- [e
i
,
i
]: une fentre de temps concernant le sommet V
i
(Tous les vhicules doivent quitter le
dpt au plus tt e
0
et retourner au plus tard
2n +1
);
- t
ij
: le temps de Voyage de V
i
vers V
j
;
- d
i
: la dure du service au sommet V
i
;
- A
i
: l'heure d'arrive du vhicule V
i
;
- u
i
: le moment o le service commence V
i
;
- D
i
: l'heure de dpart du sommet V
i
;
- W
i
: le temps d'attente au point V
i
.

Nous Notons que u
i
max {e
i
, A
i
} et D
i
= u
i
+ d
i
. La fentre de temps Vi est viole
si u
i
> i. Arrive v
i
avant e
i
est autorise et donc le temps d'attente ce sommet est W
i
= u
i
-
A
i
.

Sil est possible de rsoudre le problme dordonnancement, une solution peut tre identifie
de manire squentielle par lattribution des valeurs suivantes : u
0
= E
0
et u
i
= max {e
i
, A
i
}
pour i = 1,. . . , Q. Pour rduire la dure du trajet et le temps dattente au sommet, il est
avantageux de retarder le dpart du vhicule du dpt et le dbut de service au niveau des
sommets de ramassage. Pour cela, nous devons calculer pour chaque sommet V
i
le dlai
maximum dattente au dpt F
i
avant le dmarrage du service de sorte qu'aucune fentre de
temps dans la route k ne sera viole [7].

F
i
est calcule de la faon suivante :

F
i
=

|
|
.
|

\
|
+ +
_
s s
+
s s
j p i
p p p i j
q i j
d t u l
1 ,
min

(2.18)

qui peut tre rcrite sous la forme :

F
i=

)
`

_
s s
s s
j p i
j j p
q j i
u l W ) ( min

(2.19)


t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
32


Avec

u
j=
u
i
+
_
s s
+
+
j p i
p p p
d t
1 ,
+
_
s s j p i
p
W (2.20)


Au lieu de calculer le dlai dattente au dpt F
i
, certains auteurs ont minimis une fonction f
k
calcule en fonction de la variable u
i
. Sexton et Bodin (1985) [8] considre le cas o f
k
=
_

=
1
0
i
q
i
i
u o tels que
i
sont des paramtres prdfinis. Si V
i +1
dsigne le successeur de V
i
dans la
route k, le problme peut tre formul de faon plus gnrale comme un problme
d'optimisation de la forme suivante :
Minimiser
_
=
q
i
i
u g
0
i
) ( (2.21)
u
i
ui
+1
t
i,i+1
d
i
(i = 0, . . . , q 1) (2.22)
-u
i
e
i
(i = 0, . . . , q) (2.23)
u
i

i
(i = 0, . . . , q) (2.24)

Avec g
i
(u
i
) une fonction convexe dfinie par rapport la fentre de temps [e
i
, l
i
]. Dumas,
Soumis et Desrosiers (1989) [9] ont propos une approche pour rsoudre ce problme en
effectuant q minimisations unidimensionnelles. Dans le cas particulier o les fonctions
objectifs sont quadratiques ou linaires, la complexit de l'algorithme est O (q).


Les auteures Hunsaker et Savelsbergh (2002) [10] ont dvelopp une procdure de test de la
faisabilit d'une insertion pour les heuristiques de construction ou d'amlioration des solutions
pour le PTD. Ils considrent une variante du PTD avec fentres de temps avec une limite
suprieure pour le temps dattente dune demande Wi, et une borne suprieure sur la dure du
trajet proportionnelle la dure de conduite pour chaque vhicule. Ils ont mentionn comment
vrifier en temps O(q) si l'insertion d'une requte donne dans une route est faisable.


2. Le Problme de Transport la Demande (PTD) avec un seul
vhicule

Un des cas les plus simples du problme de transport la demande est celui o tous les
utilisateurs sont desservis par un seul vhicule. Nous allons prsenter dans cette section des
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
33

algorithmes pour le cas statique, o toutes les demandes sont connues l'avance, et pour le
cas dynamique, o les demandes de transport arrivent peu peu en temps rel.
a. Le PTD statique

En 1980, Psaraftis a formul et rsolu le PTD avec un programme dynamique dans lequel
les fonctions objectif est la minimisation de la somme pondre des temps de service pour un
vhicule et le nombre de clients insatisfaits [11]. Linsatisfaction du client est exprime
comme une combinaison pondre des temps d'attente avant linstant de ramassage et le
temps de parcours. Dans cette solution pour le PTD, le transporteur impose une contrainte
limitant la diffrence entre la position d'un utilisateur dans la liste d'appel et sa position dans
la route dun vhicule. Cet algorithme a ensuite t mis jour par le mme auteur (Psaraftis,
1983) [12] pour traiter des fentres de temps spcifies par les voyageurs. Comme c'est
souvent le cas des approches bases sur la programmation dynamique, l'algorithme ne peut
rsoudre avec optimalit que des problmes petite taille, car la procdure a une complexit
de O(n
2
). Le plus grand PTD rsolu en utilisant cette approche contient neuf
utilisateurs. Alors que la plupart des PTD
s
dans la pratique sont formul par un nombre de
demandes de transport plus important. En effet l'approche propose pourrait encore s'avrer
utile en tant que sous-routine dans un algorithme multi-vhicules, condition que le nombre
dutilisateurs desservis par le mme vhicule reste relativement faible.

Sexton (1979) [13] et Sexton et Bodin (1985a, b) [14] [15] ont galement rsolue le PTD
avec un seul vhicule. Cette rsolution est une tape dans le problme avec plusieurs
vhicules. Leur approche se base sur une heuristique dans laquelle les voyageurs ont dj t
regroups. Leur algorithme alterne entre la rsolution d'un problme de routage par le biais
d'une heuristique dinsertion et la rsolution du problme d'ordonnancement associ. Dans ce
travail les auteurs minimisent une fonction objectif prsentant la somme pondre de deux
termes. Le premier terme est la diffrence entre le temps rel de voyage et le temps de voyage
direct dun client. Le second terme est la diffrence entre le temps de livraison souhaite et le
dlai de livraison effective, sous l'hypothse que le premier est au moins aussi grand que ce
denier. Comme expliqu dans la section II.1.c, cet objectif peut tre exprim comme une
fonction linaire des variables u
i
. Les rsultats de cette approche sont prsents sur plusieurs
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
34

ensembles de donnes de Baltimore et Gaithersburgh, o le nombre de demandes de
transport varie entre 7 et 20.

Le PTD avec un seul vhicule a t formul avec un programme entier par Desrosiers, Dumas
et Soumis (1986). Dans cette formulation il existe des contraintes de fentres de temps ainsi
que la capacit des vhicules et des contraintes de priorit. Les auteurs ont rsolue le
problme par la programmation dynamique. Des solutions optimales ont t obtenues pour un
nombre de demandes de transport gal 40.
b. Le PTD dynamique

Le PTD dynamique a t galement tudi par Psaraftis (1980) [11]. Dans le PTD
dynamique des nouvelles demandes de transport sont produites de faon dynamique au cours
du temps, mais aucune information sur le futur des demandes nest disponible (contrairement
ce qui se passe dans la programmation stochastique). Lorsqu'une nouvelle demande est
produite, une solution prvisionnelle sera disponible. Toutes les demandes qui ont t dj
traites avant linstant t ne seront pas retires de la solution. Le problme est alors de r-
optimiser la partie de la solution aprs linstant t, y compris la nouvelle demande. Ceci est
ralis par lapplication de lalgorithme de programmation dynamique dvelopp pour le cas
statique. Une difficult pratique qui paralyse cette approche est celle de la possibilit de
rsoudre le problme l'instant t avant l'arrive de la prochaine requte, ce qui ne peut tre
possible que si l'algorithme est lent et que les demandes arrivent rapidement. Une solution a
t propose dans le cadre de la localisation dynamique d'ambulance par Gendreau, Laporte et
Semet (2001) pour contourner cette difficult. La solution consiste pr-calculer plusieurs
scnarios, en utilisant le calcul parallle par la prvision de demandes de transport futures.
Malgr ses limites, le travail de Psaraftis sur le PTD dynamique a aid dfinir les concepts
utiliss dans les recherches faites sur les problmes de routage dynamique (voir par exemple,
Psaraftis, 1988, 1995; Mitrovi'c Mini'c, Krishnamurti et Laporte, 2004)[17] [18].
3. Le Problme de Transport la Demande (PTD) avec plusieurs
vhicules

Beaucoup de recherches ont t effectus sur le PTD plusieurs vhicules. Notre tat de lart
concernant ce problme est subdivis encore en cas statique et dynamique.
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
35


a. Le cas statique

L'une des premires heuristiques pour la rsolution du PTD statique avec plusieurs vhicules
a t propose par Jaw et al (1986) [19]. Dans leur travail, le modle impose des fentres de
temps strictes sur les points de ramassage des demandes et des fentres de temps soft (qui ne
peuvent pas tre respectes) sur les points de livraison. Dans ce travail, un temps maximum de
voyage est formul avec une fonction linaire. En outre, les vhicules ne sont pas autoriss
tre inactifs lorsqu'ils transportent des passagers. Dans cette recherche, une fonction objectif
non-linaire est utilise pour valuer la qualit des solutions obtenue pour le PTD.
L'heuristique slectionne les utilisateurs progressivement dans l'ordre du temps au plus tt de
ramassage progressif et les insre dans les itinraires des vhicules. L'algorithme a t test
sur des cas artificiels de 250 requtes de transport et sur un ensemble de donnes relles avec
2617 demandes et 28 vhicules.

Une technique utilise dans la rsolution des PTD
s
consiste dfinir des groupes de
voyageurs pouvant tre servi par le mme vhicule puis excuter la phase de routage. Cette
ide est exploite par Bodin et Sexton (1986) [20] qui construisent des clusters de voyageurs
avant d'appliquer chaque groupe l'algorithme de rsolution par un seul vhicule de Sexton et
Bodin (1985a, b) [14] [15] et de faire des swaps entre les clusters. Cette approche est teste
sur deux instances extraites d'une base de donnes de Baltimore contenant environ 85
voyageurs. Plus tard, Dumas, Desrosiers et Soumis (1989) [21] ont amlior cette approche
en deux phases en crant des mini-groupes d'utilisateurs, c'est dire, des groupes
d'utilisateurs pouvant tre servis dans la mme zone peu prs au mme moment. Ces mini-
groupes sont ensuite combins pour former les itinraires de vhicules possibles, en utilisant
une technique de gnration de colonnes. Enfin, chaque vhicule r-optimise sa route au
moyen de l'algorithme avec un seul vhicule de Desrosiers, Dumas et Soumis (1986) [16] en
plus, une tape de planification est excute. Les auteurs ont russi rsoudre des cas rels
prsentant trois villes canadiennes : Montral, Sherbrooke et Toronto. Les instances sont
dune taille de 200 voyageurs et donc sont facilement rsolus. Cette facilit de rsolution est
imputable au fait que dans les plus grands cas il ne faut quune technique de dcomposition
spatiale et temporelle pour rsoudre le problme. La phase de mini-regroupement a ensuite t
amliore par Desrosiers et al. (1991) qui ont prsent les rsultats pour un ensemble de
donnes comprenant prs de 3000 utilisateurs [21]. Enfin, Ioachim et al. (1995) a montr qu'il
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
36

y a un avantage, en termes de qualit de la solution par lutilisation dune technique
d'optimisation pour construire des clusters [22].

Toth et Vigo (1996) ont rsolu un PTD form par des demandes de transport relles. Dans ce
problme, les voyageurs spcifient les fentres de temps sur leur origine et leur destination
[23]. Une limite proportionnelle la distance directe est impose sur la dure du trajet. Le
transport des voyageurs est garanti par une flotte de minibus et de voitures particulires. Dans
certains cas, les taxis peuvent galement tre utiliss, mais tant que ce mode nest pas le
meilleur mode de transport pour les personnes handicapes, une pnalit est impose leur
utilisation. L'objectif dans le travail Toth et Vigo (1996) est de minimiser le cot total du
service. Toth et Vigo ont dvelopp une heuristique responsable en premier lieu daffecter les
demandes de transport des vhicules au moyen d'une procdure d'insertion en parallle, et
en second lieu deffectuer des changes inter-route et intra-route. Les tests de ce travail sont
effectus sur des cas impliquant entre 276 et 312 demandes de transport. Ces tests ont montr
des amliorations significatives par rapport aux solutions prcdentes faites la main.


Une autre tude faite par Borndorfer et al. (1997) se base sur une approche en deux phases
dans lesquelles les groupes des voyageurs sont d'abord construits, puis regroups pour former
des tournes de vhicules possibles [24]. Dans cette approche, un cluster est dfini comme
un sous-tour maximal tel que le vhicule n'est jamais vide. Dans la premire phase de
cette approche, un grand nombre de clusters est construit et puis un problme
de partitionnement de lensemble de voyageurs est alors rsolu. Cette rsolution consiste
slectionner un sous-ensemble de voyageurs pour quils soient servis par le mme
vhicule. Dans la deuxime phase de cette approche, les itinraires possibles de vhicules sont
programms. Les deux problmes de partitionnement de lensemble de voyageurs et de
routage de vhicules sont rsolus par un algorithme de branch-and-cut. Cette approche est
applique pour un PTD rel Berlin qui comporte des demandes de transport dont la taille est
comprise entre 859 et 1771 demandes par jour.
En 2003, Cordeau et Laporte ont propos une heuristique base sur lalgorithme de recherche
tabou pour rsoudre le PTD avec plusieurs vhicules [25]. Dans leur travail, les utilisateurs
spcifient une fentre de temps sur l'heure d'arrive et de dpart de leur voyage. En effet, dans
cette approche un temps de trajet maximal est associ chaque demande de transport. Ce
temps peut tre soit le mme pour toutes les demandes, ou calcul en utilisant un facteur de
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
37

dviation maximale de la dure du trajet direct de chaque demande en particulier. Dans cette
approche, des contraintes de capacit maximale et de longueur de route sont imposes sur les
vhicules. L'algorithme de recherche tabou itrative se base sur la suppression dune demande
de transport et sa rinsertion dans un autre itinraire. L'algorithme propos par Cordeau et
Laporte a t test sur des instances gnres alatoirement dont la taille varie entre 24 et 144
et un ensemble de demandes compris entre 200 et 295 fournies par un transporteur danois.
Contrairement d'autres algorithmes tels que la gnration de colonnes et de branch-and-cut,
lalgorithme de recherche tabou peut facilement rpondre une grande varit de contraintes
et d'objectifs, mme si elles sont non-linaires.

Dans l'article de Aldaihani et Dessouky (2003), les auteurs traitent un PTD hybride dans
lequel deux types de services sont offerts : le transport de porte porte, et le transport vers et
depuis un arrt de bus [26]. Le choix entre les deux modes est fait par l'algorithme propos.
Les auteurs ont dvelopp une heuristique base sur une phase d'insertion-rinsertion, suivies
par la recherche tabou. Deux objectifs sont pris en compte dans cette recherche : la
minimisation de la distance parcourue par les vhicules et la minimisation du temps de
voyage des passagers. Les auteurs ont trouv des rsultats aprs des tests effectus sur les
donnes relles du comit de Lancasteren Californie aux Etats-Unis
Diana et Dessouky (2004) ont appliqu une procdure pour rsoudre une version du PTD dont
l'objectif est une somme pondre de la distance, du temps de trajet, et du temps d'inactivit
des vhicules. Ils ont fournie des rsultats partir des tests effectus sur des PTDs de
tailles qui varient entre 500 et 1000 demandes.
En 2006, quatre heuristiques ont t publies pour rsoudre PTD plusieurs vhicules. Dans
larticle rdig par Rekiek, Delchambre et Saleh (2006) [27], le principal objectif est la
minimisation du nombre de vhicules utiliss pour servir les voyageurs. Les auteurs proposent
un algorithme gntique pour la phase de regroupement de voyageurs et un mcanisme
d'insertion pour la phase de routage. Ils ont test leur approche sur des donnes relles de la
Ville de Bruxelles o (100 n 164). Xiang, Chu et Chen (2006) ont rsolu une version de
PTD dont l'objectif est la minimisation d'une combinaison de cots fixes du vhicule, les
cots variables du vhicule, les frais de conducteur, la priode d'attente et le temps de service
[28]. Dans cette approche, les insertions et les changes inter-route sont utiliss pour
construire les itinraires des vhicules. Les auteurs introduisent un lment de diversification
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
38

dans leur mcanisme de recherche en utilisant une fonction objectif secondaire responsable
sur les temps d'inactivit des vhicules. Dans ce travail, des instances contenant entre 50 et
2000 demandes de transport ont t traites. L'objectif considr par Wong et Bell (2006) est
la minimisation d'une combinaison linaire des temps de fonctionnement total, du temps de
parcours des passagers et des frais de taxi pour les demandes non affectes [29]. Les auteurs
travaillent avec plusieurs types de vhicules. Certains vhicules sont quips pour recevoir les
usages en fauteuil roulant, mais les capacits rserves pour les utilisateurs de cette catgorie
sont rduites. Les auteurs proposent une procdure d'insertion parallle. Les voyageurs sont
d'abord classs selon un indice qui mesure la difficult engendre sur les autres requtes dj
insres dans litinraire. Les insertions sont faites par l'examen des demandes les plus
difficiles. Cette phase est suivie par une phase de post-optimisation compose de rinsertions
des demandes dans d'autres itinraires. L'algorithme a t test sur des cas virtuels contenant
150 demandes de transport. Wolfler Calvo et Colorni (2006) ont dvelopp une heuristique
pour une version du PTD dans laquelle le nombre de vhicules disponibles est fix et les
fentres de temps sont imposes sur les points de ramassage et de livraison [30]. Le principe
de leur heuristique consiste construire un ensemble de routes m et un certain nombre de
sous-tours en rsolvant un problme d'affectation. Une phase de routage est ensuite effectue
pour insrer les sous-tours dans les routes m et de replanifier les demandes dans les
routes. Des essais ont t effectus sur des instances contenant entre 10 et 180 demandes de
transport.

Deux algorithmes exacts de branch-and-cut ont t proposs pour la rsolution du PTD. En
effet, Cordeau(2006) et Ropke [31], ont formul le problme comme un programme linaire
avec des nombres entiers. Cette formulation est prsente respectivement dans les
sections II.1.a et II.1.b. Dans leur travail, initialement, le modle est rsolu par la
relaxation de certaines contraintes. Pendant le processus de branchement, des algorithmes de
sparation sont appliqus pour identifier les contraintes violes parmi celles qui ont d'abord
t relaxes. Ces contraintes sont ensuite introduites et le processus se termine lorsque l'arbre
de recherche a t explor en fonction des rgles habituelles de branch-and-cut. Le plus grand
exemple rsolu avec le premier l'algorithme contenait 36 demandes, alors que le plus
important problme est rsolu par le second algorithme qui est compos de 96 demandes.

t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
39

Melachinoudis, Ilhan et Min (2007) ont propos une heuristique pour la rsolution dun PTD
avec fentres de temps [32]. Dans ce problme, l'objectif est de minimiser une combinaison
linaire des cots de transport et la non satisfaction des voyageurs. Ils ont dvelopp une
approche base sur la recherche tabou qui utilise les rinsertions des demandes de transport.
Des instances de PTD contenant jusqu' 50 demandes ont t rsolues. Jorgensen, Larsen et
Bergvinsdottir (2007) ont travaill sur le PTD avec un objectif multicritre contenant sept
critres [33]. Leur heuristique alterne entre un mcanisme de recherche gntique pour
construire des clusters de voyageurs et une mthode de recherche de voisinage pour construire
les routes de vhicules. Ils ont rsolu des PTD
s
contenant entre 24 et 144 demandes de
transport.

Plus rcemment, Claudio et al (2009) ont propos un algorithme gntique pour la rsolution
du PTD avec plusieurs vhicules [34]. Les auteurs ont test leur approche sur le benchmark de
Cordeau et Lapote (2003) [35].

b. Le cas dynamique

Borndorfer et al (1997) notent que la distinction entre PTD statique et dynamique est souvent
floue dans la pratique, puisque les demandes sont souvent annules [24]. Donc en
consquence, les transporteurs peuvent introduire de nouvelles demandes dans une solution
conue pour un problme statique. En outre, comme cest dj mentionn par ces auteurs, les
PTDs dynamiques existent rarement dans la ralit, puisque un certain nombre de
demandes de transport sont souvent connues avant le dbut de la planification. La
difficult ici est de concevoir des itinraires pour les vhicules en tenant compte des
demandes dynamique et avec une incertitude daccueillir des futures demandes dynamiques.

Une rsolution intressante du PTD dynamique avec plusieurs vhicules est faite par Madsen,
Ravn et Rygaard (1995), qui ont rsolu un problme rel concernant les services de transport
des personnes ges et handicapes Copenhague [37]. Les voyageurs peuvent spcifier une
fentre de temps sur leur ramassage ou sur le dlai de livraison, mais pas les deux la
fois. Des vhicules de plusieurs types sont utiliss pour fournir ce service de transport, mais
tous ne sont pas disponibles tout moment. Les demandes de transport arrivent en
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
40

dynamique tout au long de la journe. Les vitesses des vhicules sont variables. En plus les
vhicules peuvent devenir indisponibles en raison de pannes. Les auteurs ont dvelopp un
algorithme d'insertion appel REBUS , sur la base de la procdure prcdemment
dveloppe par Jaw et al (1986) [38]. Les nouvelles demandes sont insres de manire
dynamique dans les routes des vhicules en tenant compte de leurs difficults d'insertion dans
un itinraire existant. L'algorithme a t test sur 300 voyageurs servis par 24 vhicules. Les
auteurs motionnent que l'algorithme a t capable de gnrer de bonnes solutions en termes de
qualit dans des temps de calcul trs court.


Le PTD rsolu par Teodorovic et Radivojevic (2000) ne prend pas en compte une fonction
objectif bien dfinie [39]. En effet le PTD rsolu traite un ensemble de trois critres
minimiser: la distance parcourue, le temps d'attente des vhicules, et les temps de trajet des
passagers. Chaque fois qu'une nouvelle demande arrive, elle est insre dans l'un des
itinraires des vhicules en fonction de l'une des neuf rgles qui varient selon que l'insertion
de la demande dans un itinraire donnerait une "petite", "moyenne" ou "grande" augmentation
des critres dj motionns. Tous les critres utiliss dans l'valuation sont flous et toutes les
mesures prfrentielles sont calcules au moyen des fonctions floues. Des rgles similaires
sont utilises pour dterminer la position de la demande dans l'itinraire choisi. Le systme a
t test sur des cas virtuels contenant 900 demandes.

Colorni et Righini (2001) ont test trois objectifs diffrents du PTD dynamique, savoir la
maximisation des demandes de transport servies, la maximisation de la perception du niveau
de service par des voyageurs, et la minimisation de la distance parcourue [40]. Dans leur
recherche, un mcanisme d'insertion en alternance est mis en place. En effet, ce mcanisme
consiste en une phase de regroupement de voyageur et d'une phase de routage de
vhicules. L'algorithme de routage est un algorithme branch-and-cut appliqu un ensemble
de demandes dont les fentres de temps ne sont pas trop loignes dans le futur. Les auteurs
motionnent qu'ils ont ralis des expriences avec leur approche Crema et Verbania, situs
dans le nord de l'Italie.

Un algorithme dvelopp par Coslovich, Pesenti et Ukovich (2006) suit une stratgie en deux
phases pour l'insertion d'une nouvelle demande de transport dans un itinraire existant [41].
Une phase off-line est d'abord utilise pour crer un ensemble possible d'itinraires
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
41

concernant les demandes connues en se basant sur le mcanisme 2-opt. Aprs Une phase on-
line est utilise pour insrer la nouvelle demande en tenant compte de l'objectif de
minimisation de l'insatisfaction des utilisateurs.

II.5 Conclusion :

Le PTD est un problme de routage important et difficile rsoudre. En effet, ce problme est
rencontr dans plusieurs contextes et est susceptible de devenir trs important dans les
prochaines annes. Il partage plusieurs caractristiques avec les problmes de ramassage et de
livraison, mais comme il est un problme de transport de personnes, le niveau des critres de
service devient plus important. Ainsi, la ponctualit, la rduction des temps d'inactivit et le
cot de transport sont plus critiques dans le PTD. Aprs trois ans de recherche, nous pouvons
dire que des heuristiques excellentes existent pour le cas statique. Il est maintenant possible de
rsoudre des problmes avec plusieurs centaines d'utilisateurs dans des dlais raisonnables et
il devrait tre possible d'appliquer des techniques de dcomposition pour les grandes instances
impliquant, par exemple, deux ou trois mille utilisateurs. Nous croyons que l'accent doit
dsormais tre mis sur la version dynamique du problme. Cela implique la construction d'une
solution initiale pour un ensemble limit de demandes connues l'avance et la conception de
fonctionnalits capables de dterminer si une nouvelle demande doit tre insre ou non. Si
oui, comment les routes existantes devraient tre modifies pour en tenir compte. Dans le
mme esprit, il devrait tre possible de mettre jour une solution partiellement construite pour
faire face des annulations et autres vnements imprvus tels que les retards de la
circulation, des vhicules en panne. Enfin, les systmes avancs devraient faire pleinement
usage des nouvelles technologies comme les systmes de positionnement du vhicule utiliss
dans le domaine des services mdicaux durgence (Brotcorne, Laporte et Semet, 2003) [42].

Le PTD est un problme doptimisation de tournes de vhicules pour le transport des
voyageurs. Ce dernier est un problme doptimisation multi-objectif, il faut tenir compte dun
ensemble de critres qui sont gnralement contradictoires. Dans le chapitre suivant, nous
mettons laccent sur les problmes doptimisation multi-objectif et les mthodes existantes
pour la rsolution de ces derniers.

t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
42

Chapitre III :
Les Problmes dOptimisation Multi-
Objectif et les Approches de Rsolution
III.1 Introduction :

Dans un Problme dOptimisation Multi-objectif (POM), nous cherchons optimiser un
vecteur de fonctions compos par un ensemble de critres. Nous obtenons par consquent
plusieurs solutions la fin de la recherche appeles solution de Pareto. Les solutions obtenues
reprsentent la surface de compromis. En effet, toute solution de cet ensemble est optimale
dans le sens si aucune solution ne domine cette dernire pour tous les objectifs traits. Une
autre dfinition peut tre formule comme suit : dans cet ensemble, aucune amlioration ne
peut tre faite sur une composante du vecteur sans dgradation dau moins une autre
composante de ce vecteur [78]. Donc lobjectif ou le but dans la recherche dune solution
dun POM est dobtenir lensemble des solutions Pareto optimales ou bien, slectionner des
solutions diversifies dans lensemble. En effet, la premire phase dans la rsolution pratique
de POM est la dtermination de lensemble de solutions Pareto optimales. Puis dans un
deuxime temps, le choix dune solution partir de cet ensemble suivant des prfrences
choisies par le dcideur. Le choix dune solution par rapport une autre ncessite la
connaissance du problme et de nombreux facteurs lis ce dernier. Ainsi, un dcideur peut
choisir une solution qui ne sera pas accepte par un autre, elle pourra galement ne plus
convenir dans un milieu dynamique. Il serait judicieux davoir un ensemble de solutions
alternatives afin de choisir une solution Pareto optimale.

Dans ce chapitre, nous allons dfinir et dtailler les POM
s
. Puis, nous nous intressons aux
mthodes doptimisation combinatoire multi-critre permettant dapproximer la frontire
Pareto sans sattarder sur les aspects daide la dcision pour le choix dune solution finale.
En effet, nous prsentons un tat de lart des approches bases sur des mtaheuristiques
appliques pour la rsolution de POM. Ces approches permettent de gnrer une varit de
solutions Pareto optimales diversifies dans lespace de recherche. Une analyse critique de
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
43

chaque classe de mthode est prsente dans ce chapitre. Des rponses des questions
spcifiques aux POM
s
comme le maintien de la diversit, lvaluation des performances, et
ltude des paysages des frontires Pareto sont abordes.
III.2 Dfinitions et Vocabulaires :

Les problmes d'optimisation rels sont dcrits gnralement l'aide de plusieurs objectifs ou
critres souvent contradictoires devant tre optimiss dune faon concurrente. Alors que,
pour les problmes mono-objectifs, l'optimum cherch est clairement dfini, celui-ci reste
formaliser pour les problmes d'optimisation multiobjectif. En effet, pour un problme deux
objectifs contradictoires, la solution optimale cherche est un ensemble de solutions
correspondant aux meilleurs compromis possibles pour les deux objectifs formant un POM.
Prenons le cas d'une personne souhaitant voyager. Le voyage idal est celui qui est peu chre
avec un moyen de transport qui regroupe moins de voyageurs dans le mme vhicule. Mais ce
voyage idyllique n'existe pas. Notre voyageur va donc devoir identifier les meilleurs
compromis possibles correspondant son budget (voir figure III.1).











Figure III.1 : Relation entre le type de vhicule et prix.

Le problme doptimisation multi-objectif est formul de la faon suivante :

POM : fn(x) f2(x) (f1(x), = F(x)
C x s.c e




Avec n 2 reprsente le nombre de fonctions objectifs. ) .... x , x ( x
2 1 k
x = est le vecteur
reprsentant les variables de dcision, C reprsente lensemble des solutions ralisables
Cot
Nb de voyageurs / vhicule
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
44

associ des contraintes dgalit, dingalit et des bornes explicites (espace de dcision), et
fn(x) f2(x) (f1(x), = F(x) est le vecteur des critres optimiser.
Dans les problmes doptimisation multi-objectif, le dcideur a besoin dun ensemble de
rgles pour valuer une solution pour chaque critre. En effet, y=F(C) est lensemble
reprsentant les points ralisables dans lespace des critres et ) ...y (y = y
n 1
avec y
i
=f
i
(x)
reprsente un point de lespace des critres. Dans les POM, une relation de dominance est
impose sur cet ensemble de points.

La rsolution du problme mathmatique formul ci-dessous nous permet de trouver les
solutions Pareto optimales.


POM

_
=
n
1
i
) ( = F(x) min
i
i
x f o
C x s.c e


Avec
i
0 pour i=1,,n et
_
=
n
1
i
i
o =1

Aprs la rsolution de ce programme, les solutions trouves sont appels des solutions
supportes. De point de vue complexit un (POM

) a une complexit similaire celle du

problme combinatoire sous-jacent. En effet, si le problme combinatoire sous-jacent est
polynmial, lobtention des solutions supportes est relativement facile. Toutefois, il existe
dautres solutions qui ne peuvent pas tre obtenues par la rsolution dun programme (POM

). En effet, ces solutions, dites non supportes, sont domines par les solutions supportes. Il
existe des approches permettant de gnrer ces solutions non supportes. Parmi ces
approches, nous pouvons citer par exemple, les approches de programmation par but fondes
sur lutilisation dune norme de Tchebycheff. Le principe de fonctionnement de ces approches
est la modification de la structure du problme combinatoire qui perd ainsi ses ventuelles
proprits importantes. Et par consquent, lobtention de solutions non supportes est en
gnral encore plus difficile [72].

III.3. Approches de rsolution des problmes doptimisation multi-objectif

t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
45

propos des Approches de rsolution des problmes multi-objectif, plusieurs ouvrages ou
articles de synthse ont t rdiges, des tats de l'art plus complets peuvent tre consultes
notamment dans [43] [44] [45] [46] [47]. En effet, dans la littrature, nous constatons quil
existe un grand nombre d'approches pour rsoudre les problmes multi-objectif. Parmi ces
approches, il existe certaines qui utilisent des connaissances du problme pour fixer des
prfrences sur les critres et ainsi contourner l'aspect multicritre du problme. Cette
mthode exige la bonne connaissance du domaine du problme par le dcideur. Dautres
approches existent permettant de mettre tous les critres au mme niveau d'importance, l
aussi, il existe plusieurs faons de raliser une telle opration.

Dans les approches de rsolution des POMs, nous pouvons distinguer deux catgories : les
approches non Pareto et les approches Pareto. Les approches non Pareto ne traitent pas le
problme comme un vritable problme multi objectif. Cette technique cherche ramener le
problme initial un ou plusieurs problmes mono-objectifs. Alors que les approches Pareto
ne transforment pas les objectifs du problme mais les traitent sans aucune distinction pendant
la rsolution.
Dans cette section, Nous allons dcrire les principales approches non Pareto et commenter
leurs avantages et leurs inconvnients.
1. Les approches de transformations des objectifs du POM en un seul
objectif

Dans notre recherche bibliographique, nous avons trouv des mthodes traditionnelles qui
transforment le POM en un problme mono-objectif. Ces mthodes sont des mthodes
dagrgation des objectifs fin de transmettre le problme vers un problme mono-objectif.
Parmi ces mthodes on trouve les mthodes dagrgation, les mthodes -contrainte, et les
mthodes de programmation par but.


t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
46

a. Mthode dagrgation
La mthode dagrgation est lune des premires mthodes utilise pour la reconstruction de
solutions Pareto optimales. Elle consiste transformer le problme POM

en un problme
dOptimisation Uni-objectif (POU). Cette mthode combine les diffrentes fonctions cot f
i

du problme en une seule fonction objectif F gnralement de faon linaire (Hwang and
Masud, 1979) [48] : La fonction se prsente alors sous la forme suivante:


_
=
n
1
i
) ( = F(x)
i
i
x f o


Avec les poids des fonctions objectifs
i
e [0, 1] pour i=1,..,n, et
_
=
= o
n
1 i
i
1



Les paramtres choisis pour le vecteur de poids influe dune manire directe sur les rsultats
obtenus dans la rsolution du problme (POU). En effet, les poids
i
doivent aussi tre
choisis en fonction des prfrences adjointes aux objectifs, cette tche est assez dlicate.
Plusieurs tests seront donc ncessaires pour la rsolution dun tel problme.

La mthode dagrgation prsente lavantage de produire une seule solution et ne ncessite
donc pas dinteraction avec le dcideur. Par contre, la solution trouve par cette mthode peut
ne pas tre acceptable et ceci pour deux raisons ; la premire est que lespace de recherche est
considrablement rduit prmaturment cause de la non disponibilits dinformations
suffisantes, et la seconde, est la difficults de choisir les valeurs des poids pour chaque
fonction sans connaissance suffisante sur le problme rsoudre [49] [114].

b. Mthode -contrainte

La mthode -contrainte consiste optimiser une seule fonction objectif f
k
du POM
possdant des contraintes sur les autres fonctions objectifs.

POM
k
() (x) f min
k

C x s.c e


k j n j
j
= = s , ,..., 1 , (x) f s.c
j
c

t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
47

Avec = (
1
,
k-1,

k+1
,
n
).

Dans la mthode -contrainte, le problme est formul sous forme dun problme uni-objectif
(objectif f
k
) sujet des contraintes sur les autres objectifs. Pour pouvoir gnrer diffrentes
solutions Pareto optimales, il faut gnrer diffrentes valeurs de
i
. Il faut avoir une
connaissance a priori des intervalles appropris pour les valeurs
i
pour tous les objectifs du
POM. Pour pouvoir dfinir les valeurs adquates pour
i
, le vecteur idal doit tre calcul pour
dterminer les bornes infrieures. Nous allons avoir :


i
) (x f
*
i
,i=1,2,k-1,k+1,n

Lapproche -contrainte a t exprimente en utilisant diffrentes heuristiques. Dans ce
contexte, plusieurs travaux ont utilis les Algorithmes gntiques (AGs) pour rsoudre les
POMs (Veldhuizen et al., 1997) [50], (Ritzel et al., 1994) [51].

c. Programmation par but

Dans la mthode de programmation par but, le dcideur doit dfinir des buts ou rfrences
quil dsire atteindre pour chaque objectif. Cette mthode transforme ainsi le problme multi-
objectif en un problme uni-objectif. Par exemple, la fonction cot peut intgrer une norme
pondre qui minimise les dviations par rapports aux buts. Le problme peut tre formul de
la manire suivante :

POM

()
p
p
i
i i
z x f
1
n
1
i
) ) ( ( min
_
=
o
C x s.c e

Avec s s p 1 et z est le vecteur de rfrence (but) ou le vecteur idal. Cette normalisation
utilise est la mtrique de Tchebycheff (Lp-mtrique). Gnralement p est gal 2 ; dans ce
cas nous aboutissons une mtrique euclidienne. Si p=1, lquation revient une fonction
Min-Max. Lorsque nous slectionnons une valeur arbitraire pour le vecteur de rfrence, nous
ne pouvons pas avoir une optimisation qualifi ou dsirable, tant donn quun mauvais choix
du vecteur de rfrence peut aboutir une solution qui nest pas Pareto optimale. En effet,
diffrentes mta-heuristiques ont t utilises pour rsoudre cette classe de problmes
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
48

(Wienke et al., 1992) [52] . Dans (Coello, 1998) [53], une fonction min-max comparant les
dviations relatives par rapport des minimas atteignables (vecteur idal) est utilise.

Dans les approches bases sur la transformation du problme multi-objectif en un problme
uni-objectif, il faut possder des connaissances a priori sur le problme trait. En effet,
Loptimisation dun problme uni-objectif peut garantir loptimalit Pareto de la solution
trouve, mais trouve une seule solution. Dans les situations relles, les dcideurs ont
gnralement besoin de plusieurs alternatives. En effet, si certains objectifs sont bruits ou des
donnes sont incertaines, ces mthodes ne sont pas efficaces. Ils sont galement sensibles au
paysage de la frontire Pareto (convexit, discontinuit, etc.). Lautre inconvnient de ces
mthodes est leur sensibilit par rapport aux poids, aux contraintes et/ou aux vecteurs de
rfrence. Les solutions obtenues dpendent fortement de ces paramtres. Pour diffrentes
situations, diffrents paramtres sont utiliss, et le problme doit tre rsolu plusieurs fois,
do le cot associ cette classe dalgorithmes, qui ncessitent parfois loptimisation
indpendante de chacun des objectifs. Dans lexcution multiple des algorithmes, on espre
trouver diffrentes solutions Pareto optimales.
2. Approches non-Pareto

Dans les approches non-Pareto, nous sparons les diffrents objectifs non comparables. Dans
cette section, nous mettons laccent sur les algorithmes volutionnaires comme tant des
approches non-Pareto.
a. Slection parallle dans les algorithmes volutionnaires

Concernant lutilisation des algorithmes volutionnaires et plus prcisment les Algorithmes
Gntique AG
s,
(Schaffer, 1985) [54] a utilis les AG
s
pour rsoudre les POM. Lalgorithme
dvelopp baptis VEGA (Vector Evaluated Genetic Algorithm) slectionne les individus de
la population courante selon chaque objectif, indpendamment des autres (slection parallle)
(voir figure III.2). Dans cette approche, chaque gnration, la population est divise en
plusieurs sous-populations gal au nombre dobjectifs de la fonction cot. Chaque sous-
population i

est slectionne suivant lobjectif f
i
. Lalgorithme VEGA compose la population
complte, et applique les oprateurs gntiques (mutation et croisement).


t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
49























Figure III.2 : Slection parallle dans lalgorithme VEGA


Puisque lalgorithme VEGA affecte alatoirement les individus aux sous-populations
chaque gnration, nous pouvons trouver une situation o un mme individu peut tre valu
diffremment suivant lobjectif qui lui est affect, dune gnration lautre. Une analyse a
t effectue sur lalgorithme VEGA et a montr que son comportement est le mme quun
algorithme ralisant une agrgation linaire (Richardson et al., 1989) [55]. En effet,
lalgorithme VEGA a t lobjet de beaucoup de recherches faites par plusieurs auteurs. Surry
et Radcliffe lont utilis dans la modlisation des contraintes dun problme uni-objectif pour
viter lutilisation des pnalits dans la fonction cot (Surry et al, 1995) [56]. Dans ce travail,
les contraintes sont modlises comme des objectifs. La procdure standard de VEGA a t
transforme pour introduire une forme de ranking base sur le nombre de contraintes
violes par un individu. Dautres oprateurs de slection parallle ont aussi t proposs
comme le n-branch tournament (Jones et al, 1998) [57].

d. Reproduction multi-sexuelle

La mthode de reproduction multi-sexuelle permet lutilisation de plusieurs classes
dindividus dans un algorithme base de populations. Ces classes sont associes un des



Population



Gnration k







Sous-population 1
Sous-population k
Objectif 1
Objectif k
Slection-Reproduction



Population



Gnration k+1
Crossover-Mutation
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
50

objectifs. Ce travail a t propos dans (Allenson, 1992) [58]. Un sexe diffrent est associ
chaque classe dindividus. Un individu dun sexe donn est valu par rapport la fonction
objective associe son sexe. Dans le cas de la rsolution dun problme bi-critres, nous
associons deux sexes diffrents, mle et femelle aux deux objectifs. La reproduction est
permise seulement entre un individu mle et un individu femelle, lattribution du sexe
lindividu tant faite alatoirement la cration de ce dernier. Dans la phase de linitialisation
de lapproche de reproduction multi-sexuelle, le nombre dindividus par sexe est le mme. Par
contre cest nest pas le cas au cours des gnrations suivantes. En effet lauteur utilise les
algorithmes volutionnaires pour implmenter une forme dattracteurs sexuels.


En 1996 Lis et Eiben ont gnralis cette approche dans les AGs (Lis and Eiben, 1996) [59].
En effet, dans leur approche, loprateur de croisement a t chang pour porter sur plusieurs
individus et non pas sur deux individus seulement comme dans lAG standard. La slection
dun parent de chaque sexe (objectif) permet ainsi tous les sexes de contribuer la
gnration dun nouvel individu. Lindividu cr aura le sexe du parent dont il hrite le plus
grand nombre de gnes, et ralise un compromis entre les diffrents critres. Dans cette
approche, loprateur de mutation est limit pour viter un individu de changer de sexe.

Cette approche prsente un inconvnient majeur qui est son aptitude gnrer des solutions
optimises pour certains critres et pas du tout pour les autres. Donc, Les solutions prsentant
des compromis sont ngliges.
3. ApprochesPareto


Dans les approches Pareto, la notion de dominance est utilis dans la slection des solutions
gnres, contrairement aux autres approches qui utilisent une fonction dutilit ou traitent
sparment les diffrents objectifs. Cette approche a t introduite dans un premier travail
dans les AGs par Goldberg (Goldberg, 1989) [60]. Cette approche prsente un avantage
principal par rapport aux autres approches, qui est la possibilit de gnrer des solutions
Pareto optimales dans les portions concaves de la frontire Pareto.

Les approches Pareto se basent essentiellement sur la notion de population. Pour cette raison
Les AGs ont t largement utiliss pour la rsolution Pareto de POM, tant donn quils
travaillent sur une population de solutions. En effet, dans cette approche, deux objectifs
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
51

doivent tre pris en compte dans la rsolution dun POM. La convergence vers la frontire
Pareto et la diversification des solutions dans cette frontire [114].

- La convergence vers la frontire Pareto :

Les mthodes de ranking permettent de converger vers les solutions Pareto optimales. La
plupart des travaux de recherche sur lapplication des AGs aux POM se sont concentrs sur
ltape de slection. En effet, dans cette tape, des mthodes de ranking sont appliques dont
le rle est dtablir un ordre (rank) entre les individus. Cet ordre dpend de la notion de
dominance et donc directement de loptimalit Pareto.

- La diversification des solutions dans la frontire Pareto :

Pour stabiliser les sous-populations multiples le long de la frontire Pareto, il faut utiliser des
mthodes de maintien de la diversit. Ces mthodes se basent sur la formation de niches
cologiques et despces.
a. Les mthodes de ranking

Plusieurs travaux de recherche ont t concentrs sur les mthodes de ranking. Elles ont t
utilises dans la littrature tel que : NSGA (Non-dominated Sorting Genetic Algorithm) [60],
NDS (Non Dominated Sorting) (Fonseca and Fleming, 1995) [61], WAR (Weighted Average
Ranking) (Bentley and Wakefield, 1997) [62]. Dans cette section nous dtaillons la mthode
NSGA (Non-dominated Sorting Genetic Algorithm) [60] :

- NSGA (Non-dominated Sorting Genetic Algorithm) :

Cette mthode a t initialement propose par Goldberg (Goldberg, 1989) [60] et
implmente par Srinivas et Deb (Srinivas and Deb, 1995) [63]. Cette procdure de ranking
donne tous les individus non domins de la population le rang 1. Par la suite, ces individus
sont enlevs de la population, et lensemble suivant dindividus non domins est identifi et
on leur attribue le rang 2. Ce processus est ritr jusqu ce que tous les individus de la
population aient un rang. Cest dans les AG
s
pour la rsolution de plusieurs POM que cette
mthode de ranking a t utilise traitant les problme suivant : arbre recouvrant minimum
(Zhou and Gen, 1999) [64], sac dos (Abdelaziz et al. 1999) [65], conception de racteurs
(Parks and Miller, 1998)[66], distribution de leau (Halhal et al., 1997) [67].
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
52

- Slection

Il existe plusieurs travaux de recherches sur la slection bases sur la dominance. En effet,
Horn et al ont propos une slection base de tournoi (Horn and Nafpliotis, 1993) [69].
Chaque tournoi de cette mthode est constitu par deux individus A et B qui entrent en
comptition par rapport un ensemble de t
dom
individus. Si lindividu A domine lensemble
des individus, et le comptiteur B est domin par au moins un individu de lensemble, alors
lindividu A est slectionn. Pour contrler la pression de slection, on agit sur le paramtre
t
dom
: si t
dom
est petit, la pression est faible et le nombre de solutions Pareto dans la population
sera rduit. Par contre, si t
dom
est grand, la pression est forte et une convergence prmature
peut se produire. La mthode de tournoi a t utilise dans les AG
s
pour un problme de
design de polymre dans lindustrie plastique (Cunha et al., 1997)[70].en 1996 (Tamaki et al)
ont labor une stratgie de rservation Pareto qui correspond llitisme dans le cas uni-
objectif. (Tamaki et al., 1996) [71]. En effet, dans cette mthode, les individus non-domins
sont toujours sauvegards pour la gnration suivante. Si le nombre de solutions non-
domines est infrieur la taille de la population, le reste de la population est produit en
appliquant la slection parallle de la mthode VEGA. Par contre, si le nombre dindividus
non domins est suprieur la taille de la population, les individus de la gnration suivante
sont slectionns parmi les individus non domins en appliquant la slection parallle. Ce
travail a t amlior en utilisant une technique de partage de fonction dans la slection des
individus non domins

b. Les mthodes de diversification

Dans un POM, il est ncessaire que les solutions trouves soient Pareto optimales, mais aussi
quelles soient uniformment rparties dans le sous-espace des solutions Pareto optimales.
Pour atteindre le premier objectif qui est la convergence vers la frontire Pareto, il faut utiliser
les mthodes de ranking prsentes dans la section prcdente. Mais le deuxime objectif
nest pas pris en compte. Pour maintenir une diversit dans la population, les mthodes de
ranking doivent tre utilises en complment avec les techniques de formation de niches
cologiques et despces.

Dans loptimisation multimodale, des mthodes de formation de niches ont dabord t
utilises. Loptimisation multimodale consiste localiser les diffrents optima dun problme
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
53

uniobjectif donn. Dans les AG
s
, il est connu que la diversit gntique est perdue cause du
processus de slection stochastique. Lutilisation dun AG simple converge gnralement vers
une seule solution ; ce phnomne est connu sous le nom de drive gntique (genetic drift)
(Goldberg, 1989) [60]. Ainsi, un certain nombre de techniques bases sur les algorithmes
volutionnaires ont t proposes pour la conservation de la diversit.



III.3 Classification des mthodes doptimisation multi-objectif :

La majorit des travaux de recherche ont t concentrs sur les problmes deux critres en
utilisant les mthodes exactes tel que le "branch and bound" (Sen et al., 1988) [72],
lalgorithme A* (Stewart and White, 1991) [73], et la programmation dynamique (White,
1982) [74]. Les mthodes exactes sont efficaces pour des problmes de petites tailles. Pour
des problmes plus de deux critres et/ou de grandes tailles avec une complexit plus
importante, il nexiste pas dalgorithmes exacts efficaces qui donnent une solution dans un
temps raisonnable, tant donne les difficults simultanes de la complexit NP-complet, et le
cadre multicritres des problmes.
III.4 Les mta-heuristiques de l'optimisation multi-objectif :

Dans cette section, nous prsentons quelques mthodes de rsolution de POM. Ces mthodes
sont des mthodes Pareto fondes sur des mtaheuristiques. En effet, nous introduisons les
mthodes de recherche locale et les approches volutionnaires. Nous dcrivons aussi deux
algorithmes volutionnaires reprsentatifs adoptant une approche Pareto pour rsoudre les
problmes d'optimisation multiobjectif.
1. Les mthodes de recherche locale
a. La recherche de voisinage
La notion de voisinage est utilise dans toutes les approches de recherche locale. Ces
approches utilisent un aspect fondamental qui est la dtermination de ce voisinage.
Le voisinage est souvent reprsent par une fonction N qui, un point x, associe un
ensemble de points N(x).
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
54

Pour choisir N, Il existe plusieurs manires, il faut cependant, adapter ce choix au
problme, c'est--dire choisir la meilleure fonction N selon le problme considr.
b. La descente
La descente est une mthode d'amlioration itrative simple permettant d'atteindre le premier
optimum local. Nous pouvons dcrire la mthode de la descente pour un problme de
minimisation de la manire suivante dans la figure III.2 :
:

















Figure III.2 : Pseudo-code de la mthode de descente.

O N est la fonction de voisinage, f la fonction d'valuation, et x
0
la configuration initiale
formant le point de dpart de l'algorithme.

La mthode de descente est largement utilise dans le domaine de loptimisation
combinatoire. Elle est souvent la premire mthode exprimente sur un nouveau problme.
Elle permet, dans un temps de dveloppement assez court, de bien se familiariser avec le
problme et de calculer rapidement les premires approximations de l'optimum global.


2. Le recuit simul

Le recuit simul est un algorithme qui s'inspire du processus de recuit physique. En effet, le
processus du recuit simul rpte une procdure itrative qui cherche des configurations de
Paramtres d'entrs: N; f; x0

Rpter


Jusqu
Renvoyer x
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
55

cot plus faible. Dans cette procdure de recherche des configurations, lalgorithme accepte
de manire contrle des configurations qui sont moins bonnes pour les solutions
intermdiaires trouves (Kirkpatrick et al., 1983) [81]. Le pseudo code de lalgorithme de
recuit simul est le suivant :

Fournir une Solution initiale S
Sopt = S
Fopt = F(Sopt) (F(): Fonction objectif)
Fournir une Temprature Initiale T0
Tant que (Temprature T > Temprature Finale TF) faire
tant que (Nbitration > NBIterationMax) faire:
choisir Y dans le Voisinage de (S)
calculer DF = F(Y )- F(S)
Si DF < 0 alors
S = Y
Si F(S) < F(Sopt) alors
Sopt = S
Fopt = F(Sopt)
Sinon
Tirer P dans [0; 1]
Si P exp(-DF /T ) alors S= Y
T =*T
Retourner Sopt

Le recuit simul a eu un grand succs notamment grce des rsultats pratiques obtenus sur
de nombreux problmes dans des domaines varis. Des exemples de ces applications sont
prsents dans [82] [83] [84].
3. La recherche Tabou

t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
56

En 1986, la recherche Tabou est introduite par Glover (Glover, 1986) [85] et largement
dtaill dans (Glover and Laguna, 1997) [86].

La recherche Tabou un fonctionnement plus proche de la mthode de descente que du recuit
simul. Elle examine un chantillonnage de configurations de N(x) et retient la meilleure
solution x
0
mme si x
0
est plus mauvaise que x. Cependant, cette mthode peut entrainer des
cycles. Pour viter les cycles, on mmorise les n dernires configurations visites dans une
mmoire court terme et on interdit de revenir toute configuration qui en fait dj partie.
Cette mmoire est appele la liste Tabou. Elle est une des composantes essentielles de la
mthode. La liste Tabou nous permet dviter les cycles de longueur infrieure n.

Lalgorithme de la recherche tabou est dcrit dans lorganigramme suivant :

Linconvnient majeur de cette mthode est sa gourmandise en espace mmoire. La solution
consiste alors ne mmoriser que les caractristiques des configurations par exemple
sauvegarder uniquement un attribut de la configuration. Il en rsulte que toutes les
configurations possdent cet attribut, y compris celles qui n'ont pas encore t rencontres,
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
57

deviennent elles aussi Tabou. Un mcanisme particulier, appele l'aspiration, est mis en place
pour remdier ce problme. La fonction d'aspiration la plus simple consiste enlever le
statut Tabou d'une configuration si celle-ci est meilleure que la meilleure configuration dj
trouve.

Pour amliorer les performances de la mthode Tabou, Il existe aussi d'autres techniques
permettant, en particulier, l'intensification et la diversification. En effet, l'intensification
permet de se focaliser sur certaines zones de l'espace de recherche en apprenant des proprits
favorables. La diversification a un objectif contraire de l'intensification. Elle cherche diriger
la recherche vers des zones inexplores, en modifiant par exemple la fonction d'valuation.
L'intensification et la diversification sont donc deux objectifs complmentaires.
4. Lesalgorithmesvolutionnaires

Nous pouvons distinguer trois grandes classes d'algorithmes volutionnaires : les algorithmes
gntiques (Holland, 1975 [87]; Goldberg, 1989 [88]), les stratgies d'volution (Schwefel,
1981) [89] et la programmation volutive (Fogel, 2000) [90]. Les mthodes volutionnaires se
distinguent par rapport aux autres mta-heuristiques par la possibilit de reprsenter
l'information et par leur faon de faire voluer la population d'une gnration l'autre.
Lalgorithme volutionnaire est compos gnralement de trois lments fondamentaux :

- Une population constitue de plusieurs individus reprsentant des solutions
potentielles (configurations) du problme donne,
- Un mcanisme d'valuation des individus permettant de mesurer l'adaptation de
l'individu son environnement,
- Un mcanisme d'volution de la population permettant, grce des oprateurs
prdfinis, d'liminer certains individus et d'en crer des nouveaux.

Dans cette section, nous sintressons la classe des algorithmes gntiques des mthodes
volutionnaires.
a. Les algorithmes gntiques

t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
58

Les algorithmes gntiques (AGs) ont t invents par Holland (Holland, 1975) comme un
modle de mthode adaptative. En effet, les algorithmes gntiques se basent gnralement
sur un codage de l'information sous forme de chanes binaires de longueur fixe et d'un
ensemble d'oprateurs gntiques : la slection, la mutation et le croisement. Avec le codage
dun individu, nous appelons ce dernier un chromosome, reprsentant une configuration du
problme.

Un algorithme gntique est un algorithme itratif qui possde une architecture bien dfinie.
Pour rsoudre un problme doptimisation, cet algorithme passe par plusieurs tapes. Nous les
prsentons dans la figure III.3. En effet, il sagit des tapes de (Schwefel, 1981) [89]
- Gense : Dans cette tape la population initiale est construite dune manire alatoire
ou travers des rsultats issus dautres techniques doptimisation.
- Evaluation : consiste calculer la valeur de la fonction cot pour chaque individu.
- Slection : le choix des lments les plus adapts pour la formation de la nouvelle
gnration.
- Recombinaison et mutation : phase de reproduction, dans laquelle une nouvelle
population est construite partir des individus slectionns, via des oprateurs de
croisement et de mutation.
- Arrt : il sagit dun test de lefficacit de lalgorithme, travers une valeur de la
fonction objectif atteindre, le nombre ditrations ou le temps dexcution. La
solution courante est prise si ce test est vrifi ; sinon, lalgorithme passe litration
suivante, qui commence partir de ltape dvaluation.

t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
59


Figure III.3 : Architecture gnrale dun algorithme volutionnaire.

III.5 Conclusion :

Dans ce chapitre, nous avons prsent quelques mthodes doptimisation des problmes
multi-objectifs (POM). En effet, nous avons prsent trois classes de mthodes pour la
rsolution de ces derniers : les approches base de transformation du problme vers un
problme un seul objectif, les approches non Pareto et les approches Pareto. Nous avons
donn une prsentation dtaille des approches Pareto vue leur efficacit dans la rsolution
des POM. Les approches Pareto sont issues des mta-heuristiques pour l'optimisation multi-
objectif. Ces mthodes ont montr leur efficacit pour trouver des solutions approches
satisfaisantes pour un grand nombre de problmes. Cependant, ces mthodes ont aussi leurs
dfauts, le plus important d'entre eux concernant l'impossibilit de juger de la qualit de
l'approximation par rapport au front Pareto optimal.

Dans cette thse, nous nous intressons lapplication dun algorithme de recuit simul multi-
objectif pour la rsolution dun Problme de Transport la Demande (PTD). Cette mthode,
nous a permis de trouver des solutions approches du front Pareto.


Gense
Slection
Evaluation
Croisement
Mutation
Arrt
Arrt
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
60

Chapitre IV :
Une Approche Centralise de Rsolution
base sur lalgorithme du Recuit Simul
pour le Problme de Transport la
Demande
IV.1. Introduction :

Un PTD consiste rpondre aux demandes de transport relatives un ensemble de voyageurs
disperss gographiquement. Chaque demande de transport est modlise par une requte
contenant des informations sur cette dernire. Ces informations sont le nombre de passagers,
les points de dpart et darriv, ainsi que les intervalles des heures de passages dsirs. Le
problme du transport la demande est un systme soumis de nombreuses contraintes et
doit rpondre plusieurs attentes. Ces attentes et/ou objectifs peuvent tres contradictoires,
comme par exemple la rduction du temps de parcours, la rduction du cot engendr,
maximisation de la qualit de service. En plus, le PTD est un problme appartenant la classe
NP-difficile (Inge Li, 2006) [91]. Par consquent, les mthodes exactes ne sont pas capables
de rsoudre un tel problme dans un temps raisonnable surtout quand la taille du problme est
importante. Dans ce cas, nous avons souvent recours des mthodes qui permettent de
trouver une solution approche en un temps acceptable ; il sagit des heuristiques et mta-
heuristiques. Comme par exemple celles bases sur les algorithmes gntique, recuit simul,
recherche tabou etc.
Dans ce chapitre, nous prsentons la modlisation du problme de transport la demande
multicritre. Nous proposons notre contribution pour la rsolution du PTD en utilisant
lalgorithme du recuit simul selon deux approches. La premire mthode est base sur une
mthode agrgative. Par contre, dans la deuxime nous dveloppons une mthode base sur le
recuit simul multi-objectif pour trouver des solutions Pareto optimales. Nous dtaillons
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
61

galement les rsultats numriques obtenus prouvant lefficacit de lapproche propose.
Nous finissons ce chapitre en prsentant les perspectives pour cette approche.
IV.2. Formalisme mathmatique du PTD :

Le PTD a t modlis mathmatiquement dans plusieurs travaux de recherche. Il est
modlis gnralement par un programme mathmatique multi-objectif. Dans cette section
nous prsentons notre modlisation mathmatique du PTD. Ce modle est caractris par
deux principaux objectifs. Le premier concerne l'objectif conomique. Le second sintresse
la qualit de service rendue aux voyageurs. A cet effet, nous rsolvons un PTD multi-objectif
en utilisant la mthode d'agrgation dtaille dans (Boudali et al, 2004) [92]. Dans ce qui suit
nous prsentons notre formalisation mathmatique du problme:
- Variables du PTD:

n : Nombre de demandes de transport.
{ } n D ,.., 1 = : Ensemble de points de rcupration des voyageurs.
{ } n n A 2 ,.., 1 + = : Ensemble de points darrive des voyageurs.
{ } m M ,.., 0 = : Ensemble de dpts contenant les vhicules.
M A D N = : Ensemble de tous les nuds du graphe Ar) (N, G o Ar est
lensemble des arrtes du graphe.
{ } v V ,.., 0 = : Ensemble de vhicules.

v
Q : Capacit du vhicule v.

vi
q : Nombre de personnes qui ont t pris par la vhicule v la station i tel que D i e .
[
i
a
i
b ] : Fentre de temps associe au point de dpart i tel que D i e .
[
n i
a
+

n i
b
+
] : Fentre de temps associe au point darrive n i + tel que A n i e +

v ij ijv
C C C = : Cot de transport de i vers j avec le vhicule v tel que
v
C est le cot
kilomtrique d'utilisation du vhicule.

jv i
T : Dure de transport de i vers j avec le vhicule v .

siv
K : Heure de dbut de service pour la demande i avec le vhicule v .

aiv
t : Heure d'arrive de la demande i destination avec le vhicule v .

i
NSV : Le nombre de stations visits par une demande de transport i .

iv
L : Nombre de voyageurs dans le vhicule aprs avoir visit i tel que N i e

ijv
X : Variable de dcision du problme,
ijv
X = 1 si le vhicule emprunte un chemin direct
de i vers j , sinon
ijv
X = 0


t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
62

- La fonction objectif

La fonction objectif globale tant la somme de la fonction conomique et celle de la qualit de
service ; F = ECO + QS

Fonction objectif conomique :
ECO=
___
e e e N i N j V v
ijv ijv
C X (IV.1)
Fonction objectif qualit de service :

QS = TP + NSV (IV.2)
TP : Temps de parcours
NSV : Nombre de Stations Visites
Tel que :

TP =
_ _
e e

V v
siv aiv
D i
K t ) (
(IV.3)
NSV=
_
eD i
i
NSV (IV.4)
Donc ( ) ) ( ) (
__ _ ___
e e e e e e
+ + =
D i V v D i
i siv aiv
N i N j V v
ijv ijv
NSV K t C X F

Modle mathmatique :

Dans cette section nous prsentons notre modlisation mathmatique du PTD ainsi que la
description des contraintes formant le modle mathmatique

Minimiser F (
ijv
X ) (IV.5)
La fonction objectif du problme de transport la demande avec prise en compte de la
qualit de service rendue aux voyageurs,

t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
63

Sujet
__
e e
=
V v N j
ijv
X 1 D i e (IV.6)
Un vhicule v quitte une seule fois la station de dpart i ,
0
, ,
=
_ _
e e
+
A D j A D j
v i n j ijv
X X D i V v e e , (IV.7)
Si un vhicule v sert une demande de dpart i , il arrive certainement au point
darrive n i + ,
0 =
_ _
e e N i
jiv
N i
ijv
X X V v D A j e e , (IV.8)
Si un vhicule v arrive un nud i , il quitte ce dernier,
0 ) ( s +
sjv ijv siv ijv
T T T X Ar j i V v e e ) , ( , (IV.9)
Un vhicule v commence le service en j

aprs avoir fini le service en i et emprunt
larte ) , ( j i ,

i siv i
b T a s s V v N i e e , (IV.10)
Un vhicule v doit respecter la fentre de temps d'un nud i afin de le servie temps,

n i aiv n i
b T a
+ +
s s V v N i e e , (IV.11)
Un vhicule v doit respecter la fentre de temps d'un nud darrive n i + ,

0 ) ( = +
jv vj iv ijv
L q L X Ar j i V v e e ) , ( , (IV.12)
Conservation du nombre de personnes transmis sur un chemin ) , ( j i par un vhicule v ,

v iv iv
Q L q s s V v D i e e ,
(IV.13)
Le nombre de personnes prsentes dans le vhicule v aprs avoir visit i est suprieur
celui collect en i et infrieur la capacit maximale du vhicule.
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
64


iv v v i n
q Q L s s
+
, 0 V v D i n e e + , (IV.14)
Le nombre de personnes prsentes dans le vhicule v aprs avoir visit n i + est
infrieur ou gale la capacit du vhicule moins le nombre de personnes prises dans
la demande i ,

0 =
mv
L V v M m e e , (IV.15)
Un vhicule v sort vide d'un dpt m ,

| | 1 , 0 e
ijv
X Ar j i V v e e ) , ( , (IV.16)
La variable binaire du problme
IV.3. Une approche agrgative base sur lalgorithme de recuit simul pour
la rsolution du PTD statique :

Pour des problmes NP-complets d'optimisation (comme le problme de transport la
demande), ne nous disposons pas d'algorithmes polynomiaux permettant leur rsolution dune
faon optimale dans un dlai raisonnable. L'utilisation d'une mthode approche savre
quasiment obligatoire. Dans ce chapitre, nous avons appliqu l'algorithme de recuit simul
pour rsoudre le PTD. L'algorithme du recuit simul est une mthode issue du processus
utilis en mtallurgie. Ce processus alterne des cycles de refroidissement lent et de
rchauffage (recuit) qui tendent de minimiser lnergie du matriau. Il est class parmi les
mthodes de recherche oprant localement. En effet, il permet d'effectuer des changements
sur la solution courante pour sortir d'un optimum locale. Il a t propos comme algorithme
d'optimisation par (Kirkpatrick et al, 1983) [81]. Pour rsoudre le PTD avec l'algorithme de
recuit simul, il faut dfinir la mthode de gnration de la solution initiale "S", la mthode de
recherche du voisinage "N(S) " et la fonction objectif optimiser "f(S)".
1. Lalgorithme du recuit simul :
Le recuit est le processus par lequel un refroidissement lent du mtal produit la cristallisation
faible niveau d'nergie, tandis que le refroidissement rapide produit une mauvaise
cristallisation. La procdure d'optimisation du recuit simul imite la cristallisation pour
atteindre un minimum ou un maximum globale par le refroidissement lent. Le recuit simul
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
65

est classe parmi les mthodes de recherche locale, il peut apporter des modifications la
solution actuelle pour sortir d'un optimum local. En gnral, la rduction rapide de la
temprature leve (trempe) ne permet pas dobtenir cet tat cristallin. En revanche, le
matriel doit tre refroidi lentement (recuit) pour obtenir l'tat cristallin. En effet, lalgorithme
de recuit simul est compos par la recherche locale qui tente de trouver en permanence une
meilleure solution que celle en cours pendant le processus de recherche. Lalgorithme est
prsent dans la section III-4, paragraphe 2.

a. La solution initiale
Dans notre approche, la solution initiale a t gnre par une heuristique de distribution.
Cette heuristique permet l'affectation de m vhicules un ensemble de n demandes de
transport. Cette mthode de recherche de solution initiale se base sur le principe de
l'affectation alatoire des vhicules aux demandes de transport. Aprs avoir affect les
vhicules aux demandes, ces derniers seront ordonns alatoirement dans la tourne de
chaque vhicule.
L'heuristique de distribution propose dans notre approche est prsente dans la figue IV.1 :
Crer m routes pour m vhicules
Crer une liste L compose par l'ensemble de n requtes de transport
Pour (tous les lments K de la liste L, K=1, 2,.., n) Faire
Slectionner alatoirement une route r parmi m routes
Pos1= position gnre alatoirement de la route r
Pos2= position gnre alatoirement de la route r aprs Pos1
Insrer le point de dpart de la demande K dans la position Pos1
Insrer le point darrive de la demande K dans la position Pos2
Fin Pour
Insrer les points relatives aux dpts dans le dbut et fin de chaque route r

Figure IV.1 : Heuristique de distribution
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
66

Dans la figure IV.2, nous prsentons un exemple de composition de la solution initiale. Nous
dsignons par i le point de ramassage de la demande de transport i et i + n dsigne
le point de livraison. Notre heuristique de distribution peut produire une violation de certaines
contraintes comme la capacit du vhicule et le respect des fentres de temps associs aux
points de dpart et de livraison. En effet, dans notre approche nous partons d'une solution
initiale qui ne satisfait pas ncessairement les contraintes du problme. Ces contraintes seront
satisfaites par le processus de recherche des solutions de voisinage pour la solution initiale en
utilisant la structure de voisinage.
















Figure IV.2 : Exemple de composition de la solution initiale

b. La mthode de recherche de voisinage

Pour amliorer la solution du PTD, il faut effectuer des changements sur la solution courante.
Ces changements sont effectus par une mthode de recherche de voisinage. Dans
l'algorithme de recuit simul, on peut accepter des changements mme sils dgradent la
qualit de la solution. La mthode de recherche de voisinage est issue du travail prsent par
(Gendreau et al, 2006) [93]. Cette mthode est dcrite comme suit :
r1:
r2:
1+
2
1 4 4+
3+ 3 2+
Application de lheuristique
de distribution
r1:
r2:
Route vide
Route vide
1+
2+
2 1
4
4+
3+ 3
Ensemble des
points de
dpart et
arrive
Demande 1 [1,1+n], Demande 2 [2,2+n]
Demande 3 [3,3+n], Demande 4 [4,4+n]
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
67

(Soit r
i
et r
j
deux routes qui servent les demandes i et

j)
1. slectionner les deux demandes i et j;
2. jecter + (supprimer) la demande j de la route r
j
;
3. insrer le point de dpart de la demande j dans la meilleure position (cot minimum) de
la route r
i
;
4. insrer le point darrive de la demande j aprs le point de dpart de cette dernire dans
la meilleure position (cot minimum) de la route r
i
;
5. jecter + (supprimer) la demande i de la route r
i
;
6. insrer le point de dpart de la demande i dans la meilleure position (cot minimum) de
la route r
j
;
7. insrer le point darrive de la demande i aprs le point de dpart de cette dernire dans
la meilleure position (cot minimum) de la route r
i
;

Dans notre structure de voisinage, nous avons sept tapes et la complexit de cette structure
est la suivante: dans l'tape 1, il y a une complexit de O (n
2
). L'tape 2 est effectue en temps
constant, puisque l'impact de la suppression de chaque demande de son propre itinraire est
calcul qu'une seule fois au dbut de l'valuation de voisinage. Cela se fait en une complexit
de O(n
2
). En effet, l'insertion des lieux de ramassage et de livraison ne sont pas faites
simultanment, mais plutt de faon squentielle. Autrement dit, le meilleur endroit
d'insertion pour la collecte est d'abord identifi. Ensuite, le meilleur endroit d'insertion pour la
livraison est choisi (aprs l'insertion du point de ramassage). Dans la figure IV.3, nous
prsentons un exemple de l'volution de la solution par la structure de voisinage utilise dans
notre approche. Chaque point de ramassage pour une demande de "i" est modlis par le
nombre "i" et le point de livraison par le nombre "n + i".
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
68



Figure IV.3 : La structure de voisinage
c. La mthode de planification temporelle

L'heuristique de distribution et la structure de voisinage sont utilises pour programmer les
itinraires des vhicules. Mais la programmation temporelle de ces routes de vhicules doit
encore tre effectue pour dterminer l'heure d'arrive dans les lieux (point de dpart et
darriv). En effet, une autre heuristique de programmation ou une mthode de planification
temporelle est utilise. L'heuristique de programmation est adapte de celle prsente dans
(Cordeau et Laporte, 2003). Cette heuristique tente de rduire les violations des fentres de
temps, la dure des parcours. Considrons une route k = (v
0
...., v
i
, .... v
q
) effectue par le
vhicule k ( k K), o v
0
et v
q
reprsentent le dpt. On note par A
i
l'heure d'arrive d'un
vhicule au sommet v
i
, par B
i
max {ai; A
i
} le dbut du service au sommet v
i
, et par D
i
l'heure de dpart du sommet v
i
. Nous supposons ici que l'attente tout point v
i
est autorise
avant que le service dmarre, mais n'est plus autorise aprs la fin du service. Le temps
d'attente de la demande i est W
i
= B
i
- A
i
. Le temps de parcours relatif la demande i est
calcul par L
i
= B
i + n
- D
i
, avec i + n le point de livraison de la demande i. Ainsi, D
0
= a
0
et B
i

= max {A
i
, , a
i
} et a
i
est la borne infrieur de la fentre de temps dune demande i est
optimale en termes de minimisation des violations de fentre de temps parce que le vhicule
quitte le dpt le plus tt possible et le service chaque sommet commence aussi tt que
1+
2+
2 1
4
4+
3+ 3
r1:
r2:

1+
2+
2 1
4
4+
3+ 3
r1:
r2:
3+
2+
2 3
4
4+
1+ 1
r1:
r2:
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
69

possible. Pour toute route v
k
, le dlai F
i
est calcul tel quil est prsent dans les quations
(IV.17) et (IV.18).


{

|
|
.
|

\
|
=
_
s s
s s
j p i
p j j
q j i
i
W B b F min
(IV.17)

= ( )
)
`

+
_
s s
s s
j j
j p i
p
q j i
B b W min
(IV.18)



2. Rsultats Numriques

Dans cette contribution, nous avons choisi de tester notre approche sur les donnes prsents
dans le benchmark de (Cordeau et Laporte, 2003) [34] (tlchargeable du net partir du site
suivant: http://www.hec.ca/chairedistributique/data/darp/. Nous pouvons comparer nos
rsultats avec ceux des travaux dj publis. Nous trouvons dans ce benchmark 20 instances
varies en terme de requtes de transport et en terme de nombre de vhicules mis en jeux. Nous
trouvons dans ces instances des problmes de taille allant de 24 144 demandes. Le nombre
de vhicules utiliss pour servir les demandes de transport varie de 3 13 vhicules. Ce
benchmark est form par des vhicules homognes.
Dans (Mauri et al, 2006) [95], l'algorithme du recuit simul a t appliqu au problme avec
des mthodes de recherche de solution initiale et du voisinage diffrents de ceux appliques
dans notre approche. Nous procderons la comparaison de nos rsultats avec ceux obtenus
par Mauri et al. En effet, dans cette contribution nous avons test notre approche sur 4
instances du benchmark prsent par (Cordeau et Laporte, 2003). Les instances choisies sont
les suivants : R1a (24 demandes et 3 vhicules), R5a (120 demandes et 11 vhicules), R1b
(144 demandes et 13 vhicules) et en fin R4b (108 demandes et 8 vhicules).
Dans le tableau IV.1, nous donnons les valeurs des paramtres de l'algorithme de recuit
simul utilis dans les tests effectus dans la rsolution du problme. Ces valeurs sont choisies
aprs plusieurs tests appliqus aux dfrentes instances de ce benchmark. Les valeurs des
poids associes la fonction multi-objectifs "F" dj dtaille dans la section IV.2 sont
respectivement : [0.7, 0.2, 0.1].
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
70

Paramtre Valeur
T0 3000
0.975
TF 0.001
NBIterationMax 800

Tableau IV.1: Paramtres de l'algorithme du recuit simul

Dans le tableau IV. 2, nous prsentons les rsultats obtenus par notre approche applique sur
les instances motionns ci-dessus.
Instance Distance
parcourue

Dure de
la route
(min)
Temps dexcution
(min)
R1a 260,85 982,06 0,18
R5a 989,56 3537,19 0,29
R1b 308,89 877,62 0,24
R5b 1006,52 2947,38 0,28
Totale 2560,82 8344,25 0,99

Tableau IV.2: Les rsultats obtenus par notre approche (Zidi et al, 2010 )
a
[113]

Dans le tableau IV.3, nous prsentons les rsultats obtenus par (Mauri et al, 2006).

Instance Distance
parcourue

Dur de
la route
(min)
Temps dexcution
(min)
R1a 252,79 831,3 1,00
R5a 1085,45 3920,25 1,79
R1b 251,85 738,42 0,92
R5b 1010,09 3654,02 1,95
Totale 2600,18 9143,99 5,66

Tableau IV.3: Les rsultats obtenus par (Mauri et al, 2006)

Dans la figure IV.4, nous montrons la comparaison de nos rsultats en termes de distance parcourue
avec les rsultats obtenus par (Mauri et al, 2006).
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
71



Figure IV.4 : Comparaison de nos rsultats avec ceux obtenus par (Mauri et al, 2006)
Aprs avoir prsent nos rsultats et les rsultats obtenus dans (Mauri et al, 2006) [95], nous
remarquons que dans les instances R5a et R5b notre approche est plus efficace que
l'approche implmente dans (Mauri et al, 2006). Par contre dans les instances R1a
R1b lapproche dveloppe par (Mauri et al, 2006) et plus efficace que le ntre. En
conclusion, notre approche montre des rsultats meilleurs que ceux de (Mauri et al, 2006)
pour les instances de grande taille.
Nous avons test notre approche sur un ordinateur portable Dell B14DEE640C ayant un
processeur Intel Core 2 Duo 2Ghz et une mmoire vive RAM de 2GO. Notre approche est
implmente en langage JAVA. Les rsultats prsents dans (Mauri et al, 2006), sont obtenus
par des tests effectus sur un ordinateur portable Toshiba A10 S127 avec un processeur Intel
Celeron 2Ghz et une mmoire vive RAM de 256MO. Mauri et al, ont utiliss le langage C++
dans le dveloppement de leur approche.






R1a R5a R1b R5b
Instances du benchmark prsent par (Cordeau et
Laporte, 2003)
D
i
s
t
a
n
c
e

P
a
r
c
o
u
r
u
e
ZIDI et al
Mauri et al
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
72

IV.4. Une approche Pareto base sur lalgorithme du Recuit Simul Multi-
Objectif (RSMO) pour la rsolution du PTD statique :

1. Lalgorithme du recuit simul multi-objectif:

Lalgorithme du Recuit Simul Multi-Objectif (RSMO) reprsente une mthode
doptimisation multicritre Pareto. En effet, lalgorithme utilise la notion de dominance pour
trouver une solution aux POM.

Dfinition : Le vecteur F(U) domine un autre vecteur F(V), note F (U) <F (V) (dans le cas
de la minimisation), si et seulement si :
) ( ) ( V f U f
i i
s pour tout { } n i ,... 2 , 1 e et il existe ) ( ) ( V f U f
j j
< pour { } n j ,... 2 , 1 e

Lalgorithme de RSMO un inconvnient dans l'optimisation multi-objectif qui se rsume
dans son incapacit trouver un ensemble de solutions. Toutefois le RSMO peut faire le
mme travail en rptant les essais car il converge vers l'optimum global avec une distribution
de probabilit uniforme dans l'optimisation mono-objectif. Par contre RSMO a des avantages
par rapport aux Algorithmes Evolutionnaires (AE), car il n'a pas besoin d'une grande mmoire
pour stocker la population, et l'algorithme RSMO n'utilise pas des algorithmes
supplmentaires pour diversifier les solutions pour couvrir une partie tendue de la frontire
de Pareto. En effet, RSMO trouve un ensemble de solutions Pareto dans un court laps de
temps ce qui est apprciable quand on a besoin d'une rponse rapide, il peut galement trouver
plus de solutions en rptant la routine doptimisation.
Nous prsentons le pseudo-code de lalgorithme de Recuit Simul Multi-Objectif (RSMO)
dans la figure IV5.








t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
73





















Figure IV.5 : Pseudo-code de lalgorithme de Recuit Simul Multi-Objectif (RSMO)

0 < <1 est une vitesse de refroidissement, Iter-MAX: le nombre d'itrations maximum pour
chaque temprature, T0: la temprature initiale, TC: la temprature finale, C: le vecteur
objectif optimiser, Pt: La probabilit de transition de la solution S au voisinage S '. Les
rgles de transition gnrales tels que la mtropole ou de la mthode logistique ne peut pas
tre appliqu directement sur les problmes multi-objectif car ils ne supportent que la fonction
de cot scalaire. La rgle de transition propose dans cette thse est trs similaire la mthode
de Metropolis, sauf qu'ils ont utilis un critre de cot diffrent pour la fonction
de cot mono-objectif. La probabilit de transition de la solution i la solution j est :

Pt (i, j) = exp (c(i, j)) /T (IV.18)


Avec c (i, j) est le critre de cot pour la transition de la solution de i vers j, et T est la
temprature de recuit. Six critres sont proposs pour le recuit simul multi-objectif (RSMO).
Ces critres sont :
- Critre de cot minimum :

1. Pour (, Iter-MAX, T0 ,TC) faire
2. Crer (Une solution initiale S en utilisant la mthode de distribution);
3. IterT 0; {le numro ditration pour la temprature T}
4. T T0; {la temprature courante}
5. Tant que (T > TC) faire
6. Tant que (IterT < Iter-MAX) faire
7. IterT IterT + 1;
8. Crer (une solution voisine S pour S en utilisant la mthode de
voisinage);
9. Si (C(S) domine C(S)) S S;
10. Si non Si (x < Pt) S S;
11. Si non si (C(S) ne domine pas C(S) et C(S) ne domine pas C( S)
S S;
12. Fin si ;
13. Fin Tant que
14. T * T; IterT 0;
15. Fin tant que
16. Returner (S);
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
74

)) ( ) ( ( min ) , ( i c j c j i c
k k
k
=

O ) (i c
k

est la k
ime
valeur de cot dans le vecteur objectif de l'tat i


- Critre de cot maximum :

)) ( ) ( ( max ) , ( i c j c j i c
k k
k
=


- Critre de cot alatoire :

)) ( ) ( ( ) , (
1
i c j c a j i c
k k
D
k
k
=
_
=


O
D
est la dimension du vecteur objectif et
k
a

est une variable alatoire de distribution de
probabilit uniforme.

- Critre de cot autonome :

) ( ) , (
1
i c j i c
k
D
k
_
=
= ou ) (
1
j c
k
D
k
_
=


- Critre de cot moyen :

D
i c j c
j i c
k k
D
k
)) ( ) ( (
) , (
1

=
_
=


- Critre de cot fixe :

) , ( j i c
= valeur fixe

Dans ce travail, nous utilisons le critre du cot moyen, car nous avons test les six critres ci-
dessus et nous avons constat que le critre moyen donne de bonnes performances.

Lalgorithme de RSMO de cette recherche est dcrit comme suit: S reprsente la position de
recherche en cours (ou de l'tat actuel dans un problme de recherche tats finis) et T est le
paramtre de temprature qui est progressivement diminu au cours de lexcution de
lalgorithme. Une nouvelle solution S est gnre par la fonction N(S), son cot est valu et
compar au cot de la solution actuelle. Si le test de la domination est concluant, la nouvelle
solution est accepte mme si elle nest pas bonne (ce qui signifie que la nouvelle solution est
domine par la solution actuelle, ceci permettrai ventuellement de sortir dun optimum
local). Elle est accepte avec une certaine probabilit dite probabilit d'acceptation. Lorsque
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
75

la nouvelle solution a le mme niveau de valeur que la solution actuelle, dans ce cas, soit on
passe la nouvelle solution ou on garde la solution courante. En effet, dans (Suman et Kumar,
2006) [94] les auteures ont montr que le dplacement vers le nouvel tat est meilleur que de
rester dans ltat actuel. Alors, quand il n'y a pas de supriorit entre l'tat actuel et l'tat
suivant, le nouvel tat est accept et remplace ltat actuel, car le dplacement dans la
situation de non-domin contribue accrotre la performance des solutions.

2. Rsultats Numriques

Les meilleurs rsultats obtenus par notre approche de RSMO (tableau IV.2) sont compars
ceux obtenus par (Claudio et al, 2009) [35] et (Cordeau et Laporte, 2003) [34]. Dans le travail
de (Claudio et al, 2009), les auteurs ont appliqu l'algorithme gntique(AG) pour rsoudre le
PTD. Alors que dans le travail de (Cordeau et Laporte, 2003) cest l'algorithme de recherche
tabou qui est appliqu pour rsoudre le problme concern. En effet, il est important de
mentionner que, dans (Claudio et al, 2009), les auteures considrent une restriction dans les
solutions trouves ce qui nest pas le cas dans notre approche. Cette restriction est le fait de
considrer fentres de temps souples (des fentres de temps qui peuvent tre violes) dans la
rsolution du PTD.

Dans le tableau IV. 4, nous prsentons les rsultats obtenus par notre approche et dans les
tableaux IV.5 et IV.6 nous montrons les rsultats obtenus dans les travaux de recherches
mentionnes prcdemment. Puisque les modles n'ont pas les mmes caractristiques, la
comparaison a t faite d'une part sur la dure totale de la route et d'autre part sur la dure de
voyage dun client (dure total y compris le temps dattente) qui est associ la qualit de
service offerte.
Instance Dure de la
route
(min)
Dure du
voyage
(min)
Temps dexcution
(min)
Pr01 1020,43 582,06 0,98
Pr02 1808,99 820,19 4,70
Pr03 2730,70 3347,64 11,07
Pr05 4020,75 2895,37 9,61
Pr11 1014,38 604,12 0,88
Pr12 1462,65 743,14 4,71
Pr15 4088,85 3102,19 15,34
Pr16 4652,64 2300,06 18,90
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
76

Pr17 1407,56 904,58 2,32
Pr019 3415.79 2913,36 12,03

Tableau IV.4: les rsultats obtenu par lalgorithme de RSMO(Zidi et al, 2011
a
)[115]

Instance Dure de la
route
(min)
Dure du
voyage
(min)
Temps dexcution
(min)
Pr01 955,25 524,59 1,36
Pr02 1839,06 838,41 4,08
Pr03 2787,18 1597.95 7,96
Pr05 4068,05 2935,48 18,43
Pr11 902,18 449,91 1,58
Pr12 1503,34 744,93 4,49
Pr15 4057,08 3152,67 22,09
Pr16 4658,64 2348,48 17,48
Pr17 1223,68 612,40 3,13
Pr019 3427,06 2515,53 25,43

Tableau IV.5 : les rsultats obtenus par lalgorithme gntique (Claudio et al, 2009)

Instance Dure de la
route
(min)
Dure du
voyage
(min)
Temps dexcution
(min)
Pr01 881 1095 1,9
Pr02 1985 1977 8,06
Pr03 2579 3587 17,18
Pr05 3870 6154 46,24
Pr11 965 1042 1,93
Pr12 1565 2393 8,29
Pr15 3596 6105 54,33
Pr16 4072 7347 73,7
Pr17 1097 1762 4,23
Pr019 3249 5581 51,28

Tableau IV.6 : Les rsultats obtenus par lalgorithme de recherche tabou (Cordeau & Laporte
,2003)

Aprs avoir prsent nos rsultats et ceux obtenus dans (Claudio et al, 2009) et (Cordeau et
Laporte, 2003), nous notons que dans la majorit des cas, notre approche est plus efficace que
l'approche mise en uvre dans (Claudio et al, 2009). Les valeurs nonces dans le tableau des
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
77

rsultats prsents ci-dessus, montrent bien que notre approche est meilleure que (Claudio et
al, 2009). En effet, lorsque nous nous sommes focalis sur la dure de route, notre approche
RSMO donne de meilleurs rsultats que lAlgorithme Gntique (AG) dans 6 cas sur 10 et
uniquement dans 2 cas pour la Recherche Tabou (RT) (surlign en vert). Par contre
concernant la dure du voyage, notre approche RSMO est meilleure que les deux autres pour
toutes les instances testes.
Nous prsentons, dans la figure IV.6 la reprsentation graphique de la solution dune instance
de 48 demandes de transport et 5 vhicules. Cette solution est prsente en 5 parties, chacune
montre litinraire dun vhicule. Le dpt est marqu en rouge et les autres nuds en vert.
Litinraire du vhicule est prsent par des flches.

Figure IV.6 (a) : Itinraire du vhicule numro 1
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
78


Figure IV.6 (b) : Itinraire du vhicule numro 2


Figure IV.6 (c) : Itinraire du vhicule numro 3

t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
79


Figure IV.6 (d) : Itinraire du vhicule numro 4



Figure IV.6 (e) : Itinraire du vhicule numro 5
Comme indiqu dans les tableaux ci-dessus, la mise en uvre de notre RSMO prsente de
meilleurs rsultats que ceux obtenus dans (Claudio et al, 2009) pour la dure de voyage. Ceci
est principalement d l'utilisation des fentres temps exigeantes (hard window-time) et
l'utilisation du concept de dominance pour l'optimisation multi-objectif. Mais notre approche
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
80

RSMO montre de moins bons rsultats que ceux de RT (Cordeau et Laporte, 2003) pour la
dure de la route. En effet, ceci est probablement d lutilisation dune mthode d'agrgation
avec un grand poids attribu l'objectif dure de la route pour rsoudre le PTD multi-Objectif
dans la mise en uvre de la RT.
En se concentrant sur la dure du trajet prsente, notre solution a montr des temps gaux
ceux de l'algorithme gntique de Claudio et al dans 5 fois sur 10. Nous pensons que ceci est
d l'utilisation de fentres de temps souples dans la mise en uvre de lAG.
Dans la figure IV.7 et IV.8, nous prsentons une comparaison de notre approche avec
lAlgorithme Gntique (AG) et la Recherche Tabou (RT) laide des histogrammes

Figure IV.7 : Comparaison sur la dure de la route (RSMO, AG et RT)
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
81


Figure IV.8 : Comparaison sur le temps mis pour le voyage (RSMO, AG et RT)

Il est intressent de mentionner que les tests ont t effectus en utilisant un ordinateur
portable Dell B14DEE640C avec Intel Core 2 Duo 2,0 GHz comme processeur et 2 Go de
mmoire RAM. La mise en uvre de notre travail a t dveloppe en langage Java, tandis
que dans (Claudio et al, 2009), les tests ont t faits sur un Intel Pentium 2,66 GHz. Les tests
de Cordeau et Laporte ont t faits en utilisant un Intel Celeron 2,0 GHz.
IV.5. Une approche Pareto base sur lalgorithme de recuit simul multi-
objectif pour la rsolution du PTD dynamique :

1. Le PTD dynamique

En ralit le transport des passagers ou la mise en place dun service de transport la
demande est sujet des variations ; le problme est donc dynamique parce que la compagnie
offrant le service de TAD reoit en permanence de nouveaux appels de transport au cours du
temps. Pour chaque nouvelle demande, une dcision doit tre prise rapidement afin de
laffecter un vhicule particulier. Par la suite un ordonnancement au sein de la route doit tre
prvu pour chaque vhicule. Dans cette thse, la dynamicit du problme de transport la
demande est dcrite comme suit : tous les clients sollicitant le service de transport la
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
82

demande doivent dfinir leur lieu de dpart et darriv, ainsi que les horaires de voyages
prfres. Quand une nouvelle demande de transport est reue par le centre de rpartition de
la compagnie offrant le service de TAD, certaines demandes de transports prcdents qui ont
t dj satisfaites seront par consquent r-planifies.

Dans notre travail, il sagit d'affecter en temps rel chaque nouvelle demande de transport
l'un des vhicules disponibles et d'laborer un nouvel itinraire. Nous supposons que nous
avons un seul dpt. En dbut de journe tous les vhicules se trouvent dans le dpt, et la
capacit des vhicules est suprieur un. On admet aussi que tous les vhicules desservant les
passagers sont du mme type et ont la mme capacit.

Dans notre environnement de simulation, les demandes de transports doivent tre reues avant
la date limite fixe pour le jour de dpart du service jour. Toutefois, ceux qui sont reues
aprs la date limite, peuvent tre conserves pour le lendemain. Ainsi, il peut y avoir un
certain nombre de demandes en instance ou ''statique'' (pour lesquels une solution pourrait tre
construite en avance). La dynamique du systme provient d'une source unique, savoir
larrive de nouvelles demandes de transport. En effet, il n'y a pas d'autres sources
d'incertitudes associes aux demandes des clients, comme les annulations ou des informations
errones. De plus, les temps de voyage sont connus avec certitude, aucune perturbation
inattendue nest suppose, comme la congestion soudaine sur le rseau de transport cause par
un accident, la panne de vhicule, etc.

Dans la figure IV.9, nous donnons un exemple de situation pour un vhicule dans le contexte
dynamique, o +i et -i reprsentent respectivement les points de dpart et darriv du client i.
A t = t0, le vhicule se trouve au point X et se dirige vers son point suivant de service. Son
itinraire actuel prvu est le suivant : ramassage du client 1, ramassage du client 2, livraison
du client 2, livraison du client 1. En supposant quun appel du client 3 arrive, le problme est
donc d'insrer les nouveaux points de dpart et darriv de la demande 3 sur la route en
minimisant les objectifs du PTD.

t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
83



Figure IV.9: Le problme de transport la demande dynamique

1.1. Rsolution du PTD dynamique avec le recuit simul multi-objectif

Dans la rsolution du PTD dynamique, nous appliquons lalgorithme de recuit simul multi-
objectif dj dtaill dans la section (IV.4.1). En effet, dans cet algorithme nous utilisons les
mmes mthodes de gnration de solution initiale, mthode de recherche de voisinage et la
mthode de planification temporelle qui ont t dtailles dans la section (IV.3.1).

Dans la figure IV.10, nous prsentons le fonctionnement de lalgorithme de RSMO pour la
rsolution du PTD dynamique.

+2
Vhicule 1
X
+1
-2
-1
t=t0
+3
Vhicule 1
+1
-1
+2
X
-3
-2
t=t1
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
84



Figure IV.10 : Fonctionnement de lalgorithme de RSMO pour la rsolution du PTD
dynamique.
a. Rsultats Numriques

Dans ce travail, nous avons choisi de comparer notre approche base sur l'algorithme RSMO
avec une mthode dinsertion et une procdure de recherche locale pour montrer l'efficacit de
l'algorithme RSMO dans le contexte dynamique. Nous avons pour cela gnrs 5 exemples
pris au hasard formant des PTD dynamiques. Ces problmes gnrs sont diversifis par la
localisation des demandes de transport et le nombre de demandes statiques et dynamiques
dans chaque exemple. Ces situations refltent assez fidlement ce qui est observ dans le
monde rel. Tous ces exemples ont un horizon dune journe de travail de sept heures et de
quatre heures. Par exemple, une journe qui se droule entre 09h00 et 16h00, a un horizon
temporel de 420 min soit 7h. Dans cet horizon, des vnements en temps rel sont produits
par notre simulation pour tenir compte de l'apparition de nouvelles demandes de transport. Le
temps de service est gal 0 min chaque point de service et un appel est accept que s'il y a
au moins 30 min entre l'appel et le temps de ramassage souhait.

Dans cette section, l'algorithme RSMO est compar avec d'autres heuristiques (lheuristique
dinsertion et la mthode de recherche locale). Lheuristique dinsertion insre simplement
une nouvelle demande en choisissant le meilleur emplacement possible. Un algorithme de
Lalgorithme RSMO


Demandes de transport statistique
Demandes de transport dynamiques
Solution : S
Solution initiale: heuristique de
distribution
Mthode de Recherche de voisinage

Planification temporelle

t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
85

recherche locale commence partir d'une solution candidate, puis se dplace de manire
itrative vers une solution voisine. Pour produire une solution voisine nous utilisons la
structure de voisinage indiqu dans la section IV.3.1. La procdure de recherche locale
remplace la solution actuelle par la meilleure solution trouve dans toutes les itrations de la
procdure.


Numro dinstance heuristique dinsertion Recherche Locale RSMO
1 Distance(Km) 384
TMV (min) 19
NBSV (nombre) 520
430
16
536
281
11
508
2 415
18
530
458
16
540
343
12
528
3 325
22
533
298
17
512
267
15
507
4 313
24
566
259
18
548
233
17
530
5 460
27
589
376
21
552
343
18
531
Total 1897
110
2738
1821
89
2688
1457
75
2604

Tableau IV.7 : Simulation de 4 h avec 10 vhicules et 20 demandes par heure

TMV : Temps moyen mis pour le voyage
NBSV : nombre de stations visites
Dans ce tableau, le temps est en minutes et la distance parcourue en kilomtres, arrondies
l'entier le plus proche. Dans le tableau IV.7, nous prsentons les rsultats obtenus par
l'application de l'algorithme de RSMO, lheuristique dinsertion et la procdure de recherche
locale sur cinq exemples de PTD.
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
86

L'application utilise pour obtenir les rsultats dans le tableau IV.7, correspond des
simulations de 4 h, avec 10 vhicules et l'intensit du nombre des demandes dynamiques est
de 20 requtes par heure, avec une simulation en temps rel. Ainsi, chaque vhicule sert deux
demandes de transport par heure en moyenne. Pour chacune des mthodes (algorithme de
RSMO, lheuristique dinsertion et la recherche locale) le tableau possdent trois valeurs
diffrentes qui sont : la distance totale parcourue, temps moyen de voyage et le nombre des
stations visites.
Daprs les rsultats obtenus, RSMO surclasse les deux autres mthodes, tandis que la
recherche locale est meilleure que lheuristique dinsertion dans la majorit des cas. Les
mauvais rsultats produits par la procdure de recherche locale sont expliqu par le faite qu
chaque fois quune nouvelle demande arrive, la procdure de recherche locale perd les gains
dj obtenus par la recherche locale prcdente. L'apparition de chaque nouvelle demande de
transport active la reconstruction de la solution, sans aucune considration de la solution
prcdente.
Les rsultats prsents dans le tableau IV.7, sont obtenus par lapplication d'un scnario pas
trs intense en termes de nombre de demandes par heure. En effet, la plupart des carts entre
ces mthodes est identifiable sur la distance parcourue.
Les rsultats de l'algorithme de RSMO et de la recherche locale sont proches, avec une
diffrence de 11, 1% pour la distance parcourue en faveur de lalgorithme de RSMO. Aussi
lalgorithme de RSMO donne de bons rsultats par rapport lheuristique d'insertion en
termes de temps de trajet total avec une diffrence de 18, 9%. Il est ncessaire de mentionner
que lors de nos tests, nous avons gnrer dfrentes types de PTD diversifis par les fentres
de temps des demandes de transport, par consquent, nos tests ne produisent pas
ncessairement la mme solution lorsqu'elle est applique deux fois ou plus sur le mme
problme. Nous avons appliqu l'algorithme de RSMO 10 fois sur une instance de problme
particulier et on a obtenu un cart trs faible de lordre de 1%.
IV.6. Conclusion :

Notre vision du PTD nous a conduits considrer les deux aspects de ce problme, laspect
statique et laspect rel ou dynamique. Pour le PTD statique les demandes de transport sont
connues lavance et donc une rsolution non instantane est applique pour fournir les
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
87

itinraires des vhicules afin de servir ces derniers. Par contre dans le PTD dynamique, des
demandes de transport arrivent au fur et mesure que le systme est en train deffectuer son
service aux voyageurs. Dans ce cas, il faut un systme qui rpond en temps rel pour fournir
des solutions afin de faire face aux demandes arrivant dune manire dynamique. Dans ce
chapitre, nous avons dtaill nos contributions qui sont bases sur lutilisation de lalgorithme
de recuit simul pour la rsolution du PTD statique et dynamique. Cette approche est base
sur une architecture centralise.

Larchitecture centralise prsente beaucoup de limites tel que la qualit de la solution lorsque
il ne sagit pas dune bonne rpartition des tches doptimisation. Pour remdier ces limites,
nous avons conu une architecture dcentralise base sur les Systmes Multi-Agent (SMA)
pour la rsolution du PTD statique et dynamique. Cette approche sera dtaille dans le
chapitre suivant.









t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
88

Chapitre V :
Une approche distribue base sur
lalgorithme du Recuit Simul pour la
Rsolution du Problme de Transport la
Demande
V. 1. Introduction :
Le PTD est un problme appartenant la classe NP- difficile (Inge Li, 2006) [91]. Les
mthodes exactes ne sont pas capables de rsoudre un tel problme dans un temps raisonnable
surtout lorsque la taille du problme est importante. Dans ce cas, on a souvent recours des
mthodes qui permettent de trouver une solution approche en un temps acceptable ; il sagit
des heuristiques et mta- heuristiques. Cest pour ces raisons que nous avons appliqu une de
ces mthodes ; savoir le recuit simul. Par contre, la rsolution centralise du PTD reste
toujours un processus compliqu au regard du temps de calcul, de la complexit des tches et
de leurs nombres pendant la rsolution. Plusieurs techniques existent permettant plus au
moins une rsolution approche des problmes complexes, nous avons choisi celle base sur
la distribution du processus. Elle permettrait daboutir des rsultats de bonne qualit en un
temps raisonnable. Nous avons utilis pour notre approche base sur le recuit simul multi-
objectif, les Systmes Multi-Agents (SMA) permettant la rpartition des tches sur diffrents
agents autonomes. La distribution est un avantage pour les SMA. Cet avantage se manifeste
par la rduction de la complexit des problmes rsoudre en dcomposant le traitement en
plusieurs tches rparties sur des agents. Elle peut tre caractrise comme un lment
essentiel des systmes volutifs dans le sens o elle permet aussi le remplacement dun
systme par plusieurs sous-systmes, ce qui conduit une meilleure adaptation aux
changements de lenvironnement.
Dans ce chapitre, nous prsentons en premier lieu les SMA comme une solution de
distribution. Par la suite nous dtaillons notre approche dcentralise base sur lalgorithme
de recuit simul multi-objectif. Ensuite, Nous prsentons lapplication de lapproche dans les
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
89

cas statique et dynamique. Cest dans cette partie que nous dtaillons les rsultats numriques
obtenus prouvant lefficacit de lapproche propose. Nous finissons ce chapitre par une
conclusion sur lapproche dcentralis propose.
V. 2. Les systmes multi-agents :
1. Caractristiques des agents

Dans la littrature il existe plusieurs dfinitions attribues la notion dagent. Dans [97], nous
trouvons une dfinition de Jennings et Wooldridge o ils proposent une dfinition commune
que nous citons dans ce qui suit. Avec cette dernire, nous pouvons relever les notions de
situation, autonomie et flexibilit.

Dfinition V.1 [97] : Un agent est un systme informatique encapsul qui est situ dans un
environnement et qui est capable deffectuer des actions autonomes et flexibles afin
datteindre les objectifs pour lesquels il a t conu.

Dans cette thse, nous avons vu que cest intressant de noter une autre dfinition plus
dtaille du terme agent, elle est propose par [98] et base sur les diffrentes dfinitions
tablies par, entre autres, Jennings, Wooldridge et Ferber.

Dfinition V.2 [98] : Un agent est une entit interactive qui existe en tant que partie dun
environnement partag par dautres agents. Cest une entit conceptuelle qui peroit et agit
avec initiative ou en raction dans un environnement o dautres agents existent et
interagissent les uns avec les autres sur la base de connaissances partages de communication
et de reprsentation.

Les agents sont caractriss par un ensemble de proprits. Ces proprits sont les suivantes :
- Adaptabilit : capacit sadapter aux diffrents environnements.
- Autonomie : actions proactives et diriges par des buts.
- Comportement collaboratif : cest la notion de la sociabilit dans le monde rel, la
capacit collaborer avec dautres agents pour un objectif commun.
- Capacit infrentielle : capacit agir avec des spcifications abstraites des tches.
- Capacit de communication au niveau des connaissances : lagent doit tre capable
de communiquer avec les autres agents du systme.
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
90

- Ractivit : capacit dtecter et ragir.
- Continuit temporelle : persistance dune identit et dun tat sur une longue priode.
2. Caractristiques des systmes multi-agents

Les systmes multi-agents sont des systmes qui regroupent un ensemble dagents qui
cooprent dans une socit. La plupart des auteurs dfinissent les SMA de la manire suivante
[99] :

Dfinition V.3 : Un systme multi-agents est un rseau dagents faiblement coupls qui
cooprent pour rsoudre des problmes qui dpassent les capacits ou les connaissances
individuelles de chaque agent. Les agents sont autonomes et peuvent tre de nature
htrogne.

Dans la suite de cette section, nous prsentons les diffrentes caractristiques des systmes
multi-agents.
2.1 . Coordination

Pour assurer une communaut dagents individuels agissant avec cohrence et harmonie, nous
avons tendance dvelopper un processus de coordination entre les agents [99]. En
appliquant le processus de coordination, nous pouvons empcher les comportements
dsordonns des agents. En effet, la coordination doit tre faite dune manire globale pour
assurer lassociation des agents. Il existe deux situations dans lesquelles la coordination est
utile. La premire tant la situation la plus simple, le traitement sapparente une routine, les
agents peuvent tre parfaitement coordonns car on connait ce quils sont en train de faire et
prvoir ce quils vont faire. La deuxime situation correspond des situations non familires
et des traitements inattendus.

Dans un processus de coordination, nous attribuons des tches aux agents. Lallocation des
tches consiste affecter des responsabilits et des ressources ncessaires la rsolution de
problmes un agent. En effet, le concepteur du systme dagents peut allouer toutes les
tches davance en engendrant ainsi une procdure de rsolution des problmes qui est non
adaptable. Par contre, nous pouvons concevoir une allocation dynamique et flexible des
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
91

tches. Cette planification est une partie de la coordination. Pour un agent, elle constitue un
processus de construction dune squence dactions en tenant compte seulement des objectifs,
des capacits et des contraintes environnementales. Cette organisation nous permet dviter
les chevauchements et les conflits. Elle peut tre centralise ou distribue.
2.2. Ngociation

La ngociation dans les SMA est un processus utilis par les agents dun mme groupe. Ce
processus a pour objectif dtablir un accord partag pour accepter une affaire donne. Donc,
la ngociation est considre comme une mthode de coordination et de rsolution de
problmes. Dans ce processus, nous trouvons des changes dinformations, des relaxations
des buts initiaux, des concessions mutuelles, des menaces, etc. le principal but de ce processus
est la recherche dun consensus. Il existe deux type de ngociations ; le comptitive et le
cooprative. La ngociation comptitive est utilise dans les situations o des agents dintrts
diffrents tentent de faire un choix de groupe avec des alternatives bien dfinies. Les agents
sont nanmoins comptitifs et non coopratifs. Tandis que la ngociation cooprative
concerne les situations o les agents ont un but commun et global envisag pour le systme.
La ngociation cooprative a le mme aspect des systmes distribus conus pour raliser un
seul objectif global. Les agents de ce type de ngociation sont aussi appels collaboratifs.

2.3. Communication

Pour que les agents puissent interagir et changer de linformation, il faut que ces derniers
communiquent pour pouvoir accomplir leurs tches [97]. Il existe deux approches de langage
de communication. La premire est lapproche procdurale ; la communication est base sur
un contenu excutable (Java, etc.). La deuxime est lapproche dclarative o la
communication est base sur des phrases dclaratives (dfinitions, hypothses, etc.). Cette
dernire est prfre la premire car le contenu excutable est difficile coordonner et
contrler. La plupart des langages bass sur lapproche dclarative reposent sur des demandes
ou encore des requtes construites avec des locutions comme demander ou commander. Le
plus connu parmi ces langages est le KQML (Knowledge Query Manipulation Language).

t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
92

2.4. Formation de coalitions

La formation de coalitions est un modle obtenu avec une organisation dynamique des agents
dun systme multi-agents et dune mthode de coopration entre ces agents. Le principe de la
formation des coalitions est le fait de partitionner lensemble des agents dfinis dans un
problme et qui peuvent communiquer et ngocier, en sous-groupes dont chacun est appel
coalition.

Dans larticle de Vauvert et Seghrouchni [100], les auteures ont mentionn quune coalition
est une organisation court terme base sur des engagements spcifiques et contextuels. Dans
ce cas, les agents peuvent coexister tout en bnficiant de leurs comptences respectives.
Nous pouvons conclure que les coalitions permettent aux agents de satisfaire des besoins qui
demandent lensemble de leurs comptences. En effet, nous pouvons montrer ceci par
lexemple dans un contexte conomique distribu (problmes de tournes de vhicules,
problme dallocation de tches, etc.). Dans cet exemple, les acteurs qui agissant seuls
seraient incapables ou moins efficaces pour aboutir un but. Cest pour cette raison, nous
avons tendance tablir des coalitions pour rsoudre un problme qui ncessite des
comptences varies.

La formation des coalitions prsente plusieurs avantages. Les plus intressants sont
synthtiss dans les points suivants :

- Le concept dengagement ponctuel permet aux agents de ragir de faon opportuniste
et de rviser dynamiquement leurs intrts et par consquent leurs objectifs.
- La formation des coalitions est dpendante du contexte, ce qui permet aux agents
dadapter leur objectif et comportement.
3. Les SMA et leur application dans le domaine de transport

Il existe plusieurs travaux de recherche bass sur les SMA pour la rsolution des problmes de
transport. Parmi les premires applications dveloppes laide de la technologie multi-
agents, nous trouvons une application dans le contrle du trafic arien. En 1991, Durfee a
dvelopp une application pour la surveillance de vhicules motoriss [103]. Une autre
application daide au pilotage des avions militaires a t faite par Chaib-draa en 1996. Cette
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
93

application permet la surveillance des capteurs, la collecte, la vrification et lanalyse des
donnes, proposition de mesures correctives ou de plans optionnels au pilote pour quil puisse
atteindre le but de sa mission [104]. En se focalisant sur le trafic arien, Ljungberg propose un
SMA, nomm OASIS (Optimal Aircraft Sequencing using Intelligent Scheduling), pour le
contrle du trafic arien de la rgion de Sydney en Australie [105]. Ce systme permet de
rduire la congestion du trafic arien en maximisant lutilisation des pistes en ordonnanant
les atterrissages. Dans ce travail, on trouve deux types dagents ; des agents globaux , qui
traitent les relations entre les avions, la coordination et le raisonnement (coordinateur,
squenceur, vrificateur de trajectoire, model du vent, interface utilisateur) et des agents
avion, responsables des calculs et du raisonnement associs chaque avion (position, vitesse,
heure datterrissage, etc.). Restant dans le trafic arien, une tude des stratgies de
coopration pour pouvoir rsoudre les conflits entre les plans dun groupe dagents a t faite
par (Cammarata 83) [106]. Ces stratgies sont ensuite appliques dans le cadre dun systme
de contrle du trafic arien. Dans ce systme, chaque agent (reprsentant un avion) cherche
construire un plan de vol qui devrait le garder une distance de scurit des autres agents.
Dans le cadre de transport de marchandises, Fischer prsente une plate-forme appele
MARS pour la simulation bas sur les multi-agents pour le transport des marchandises
[107]. Elle dcrit un scnario li des compagnies de transport gographiquement distribues,
qui grent des commandes arrivant en temps rel. Le systme comprend deux types dagents
correspondant aux compagnies de transport et aux camions. Les agents compagnies doivent
affecter les ordres aux camions ou cooprer avec les autres agents du mme type pour quils
se chargent du ou des ordres. La coopration se base sur une ngociation laide dune
version volue du Contract Net Protocole . Le comportement et la cohrence du systme
sont valus partir des cots associs aux ordres ordonnancs.
En ce qui concerne la gestion du trafic urbain, (Chaib-draa, 96) aborde le problme via une
approche agent [108]. Les agents peuvent correspondre des hommes (conducteurs, policiers,
pitons) ou des machines (vhicules, feux de circulation, etc.) et doivent perptuellement
ajuster leurs actions pour viter les bouchons et les accidents. Dans ce SMA, les agents ont le
comportement de la loi sociale. Lintelligence artificielle des agents est guide par des
modles stocks de procdures prdfinies, qui vont de la perception ou de lobservation
laction. Les situations non familires sont adaptes des situations familires en utilisant des
raisonnements bass sur des cas. Le modle dagent est ainsi bas sur trois niveaux :
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
94

comptences (pour la routine), rgles (situations familires) et connaissances (situations non
familires). En 2001, Gruer a propos une approche bas sur un SMA pour la modlisation et
la simulation des systmes de transport [109]. Ce systme est compos des agents bus, arrt et
section. En 2005, (El Hmam et al 05) ont adopt le paradigme agent pour modliser le flux de
trafic au niveau microscopique [110].
Pour assister le rgulateur dans la rgulation des correspondances Saussol 00 a modlis un
rseau de transport urbain par un SMA [111]. Dans ce SMA, un agent modlise une entit
active du processus de transport. Il peut tre un agent bus, station, section dpt et interface.
Restant toujours dans le cadre de la rgulation des correspondances, (Lachour 01) prsente
un modle multi-agents bas sur trois types dagents [112]:
- lagent acquisition, qui effectue la gestion des donnes relatives aux passages des bus
aux arrts de rgulation ;
- lagent correspondance, qui soccupe de la dtection et du diagnostic des perturbations
au niveau des correspondances, ainsi que des propositions de dcisions ;
- lagent superviseur, qui a un rle dinterface entre le rgulateur et le systme daide la
rgulation des correspondances.
Un autre SMA, a t propos aussi par Balbo en 2000 pour laide la dcision afin de rguler
un rseau de transport par bus. Ce systme est bas sur un module dinteraction qui utilise
lenvironnement comme support de communication. Sa particularit rside dans son
fonctionnement sans horaires prtablis pour les vhicules, mais suivant une gestion
dynamique du planning. Il est compos dagents [113] :
- Arrt, qui assure dans les conditions normales la gestion des horaires en temps rel. Il
dfinit les horaires de passage, travers la distance du parcours et le temps ncessaire,
pour que les vhicules les suivent ;
- Bus, qui a pour rle dexcuter les courses qui lui sont affectes et de proposer des
mesures de rgulation ;
- Incident, qui est responsable de la gestion des perturbations. Il synthtise les
informations, afin dvaluer la difficult du problme et ladquation des solutions
proposes par les agents Bus.

t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
95

V. 3. Approche distribue base sur le recuit simul multi-objectif pour la
rsolution du PTD :

Lobjectif que nous avons fix au dbut de ce chapitre est de contribuer la rsolution
distribue du PTD. Aprs avoir parcouru les diffrents travaux de recherche effectus dans
cette partie, nous avons not que lapproche multi-agents est peu utilise dans la rsolution
des PTD.

1. Larchitecture multi-agents dans notre approche

Dans le cadre de cette thse, le problme doptimisation considr est un problme
multicritre. Nous avons propos une approche non agrgative pour rsoudre ce problme.
Cette approche est base sur l'algorithme de Recuit Simul Multi-Objectif (RSMO). Nous
avons dj dtaill l'algorithme dans le chapitre IV. Lapproche que nous prsentons dans ce
chapitre se base sur les SMA.

L'approche base sur le systme multi-agents dveloppe dans cette recherche est compose
de trois classes dagents majeurs. Le premier est l'agent client qui envoie une requte l'agent
centre dappel. Cet agent diffuse cette demande tous les agents vhicules. L'agent vhicule
excute une routine doptimisation base sur l'algorithme RSMO dtaille dans le chapitre 4.
Ce processus doptimisation est excut chaque fois que cet agent (vhicule) reoit une
demande du centre dappels. Ce processus d'optimisation consiste trouver une solution pour
le PTD multicritre ayant les objectifs suivants : la dure du trajet, la distance parcourue et le
nombre de stations visites. Ainsi, l'agent centre dappel rcupre toutes les solutions
proposes par les agents vhicules. Le meilleur itinraire est ensuite choisi en utilisant le
concept de dominance en fonction des objectifs du systme. Dans la figure V.1, nous
prsentons l'architecture globale de notre modle multi-agents.




t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
96



Figure V.1 : Larchitecture globale du modle multi-agents

Aprs avoir prsent le modle de notre systme multi-agents, nous prsentons dans la figure
V.2 un scnario de traitement dune demande de transport.









Figure V.2 : Le scnario de traitement dune demande de transport
Nous dtaillons ici, les diffrentes tapes du scnario de la figure V.2 prsentant le traitement
dune demande de transport :
(1) Ltape o un client (voyageur) envoi une demande de transport caractrise par les
coordonnes point de dpart, point darrive et les fentres de temps associs ces
points. Cette tape est faite par lagent client dans notre SMA.
(2) Dans cette tape, lagent centre dappels diffuse la demande de transport reue
du client (voyageur) tous les agents vhicule .
Agent : Client Agent : Centre dappels Agent : Vhicule
(1) Demande
(2) Demande
(3) Proposition
(4) Dcision
(5) Confirmation
(6) Rponse
Agent : Client 1
Agent : Client 2
Agent : Client n
.
.

Agent : Centre dappels
Agent :
Vhicule 1
Agent :
Vhicule 2
Agent : Vhicule
n
.
.
Demande 1
Demande 1
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
97

(3) Dans cette tape qui concerne lagent vhicule , un processus doptimisation sera
excut par ce dernier afin de trouver le meilleur itinraire pour la demande de
transport. Ensuite lagent vhicule envoi sa proposition (meilleur itinraire)
lagent centre dappels .
(4) Cette tape concerne lagent centre dappels , il se charge de rcolter toutes les
propositions des vhicules. Ensuite, il excute un processus doptimisation de
recherche locale bas sur la notion de dominance pour trouver la solution
convenable en termes de distance parcourue, de temps de voyage et du nombre de
stations visites. Aprs cette recherche, lagent centre dappels prendra la
dcision concernant la demande de transport reue.
(5) Le centre dappels envoi une confirmation pour le vhicule qui a envoy la
meilleure proposition concernant la demande de transport.
(6) Le centre dappels envoi une rponse lagent client en lui indiquant le
vhicule qui va le prendre en charge ainsi que les heures de dpart et darrive
estimes.

2. Le processus doptimisation

Le PTD est un problme class parmi les problmes doptimisation NP-complets. Pour les
problmes appartenant cette catgorie, il nexiste pas d'algorithmes polynomiaux permettant
leur rsolution dune faon optimale dans un temps raisonnable. Pour cette raison, nous
sommes amens appliquer une mthode approche qui donne une solution acceptable dans
un dlai raisonnable. Dans notre SMA, il existe deux modules doptimisation. Le premier
module sera excut par lagent vhicule et le deuxime par lagent centre dappels. Lagent
vhicule excute un processus doptimisation chaque fois quil reoit une demande de
transport. Ce processus est bas sur l'algorithme de Recuit Simul Multi-Objectif (RSMO).
2.1. Lagent Vhicule

Lagent vhicule doit donner une proposition de solution chaque demande de transport reue
de la part de lagent centre dappels. Dans la figure V. 3, nous prsentons le comportement de
lagent vhicule.
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
98


Figure V.3 : Larchitecture comportementale de lagent vhicule

La construction dune solution pour le PTD se fait de la manire suivante : A chaque fois
quune demande de transport arrive, lagent vhicule utilise lalgorithme de RSMO. Il
reprsente une mthode doptimisation multi-objectif Pareto utilisant la notion de dominance
pour trouver une solution optimale (proche de loptimum). Lalgorithme est prsent en
dtails dans le chapitre IV. Nous rappelons galement que les mthodes de recherche de la
solution initiale ainsi que la mthode de planification temporelle sont dtailles dans le
chapitre IV prcisment dans la section de lalgorithme de RSMO. Dans cette section nous ne
prsentons que la mthode de recherche de voisinage qui est dfrente de celle prsente dans
le chapitre prcdent.

- La mthode de recherche de voisinage

Pour amliorer la solution du PTD, il faut effectuer des changements sur la solution courante.
Ces changements sont effectus par une mthode de recherche de voisinage. En effet, dans
l'algorithme de recuit simul on peut accepter des changements mme sils dgradent la
qualit de la solution. Notre mthode de recherche de voisinage est base sur la mthode re-
order Route qui est issue du travail prsent par (Bergvinsdottir et al, 2004) [102]. Il est
intressant de motionner que dans les mouvements de cette structure de voisinage les dpts
Lalgorithme RSMO


Demande de transport
Solution : S
Solution initiale: heuristique de
distribution
Mthode de Recherche de voisinage

Planification temporelle

t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
99

ne sont pas considrs, car ils sont "fixs" dans tous les itinraires, et donc, leurs positions ne
peuvent pas tre modifies. La mthode re-order route consiste essentiellement choisir
une route de la solution, slectionner n'importe quel point dans cette route, slectionner une
nouvelle position pour ce point et puis changer la position de ce point avec la nouvelle
position. Ce mouvement est montr dans la figure V.4. Le point slectionn peut tre un point
de dpart ou un point de livraison. Dans le premier cas (figure V.4.a), la nouvelle position
sera obligatoirement avant son point de livraison. Dans le second cas (figure V.4.b), la
nouvelle position doit tre aprs le point de ramassage. Ces changements sont prsents par
les lignes pointilles dans la figure V.4.



(a)


(b)
Figure V.4 : Structure de voisinage
2.2. Lagent Centre dappels

Lgent centre dappels se comporte de la manire suivante :
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
100

Chaque demande de transport reue sera automatiquement transmise tous les agents
vhicule. Le centre dappels rcolte toutes les rponses auprs des vhicules. Ensuite, il fait
appel une procdure de recherche locale base sur la notion de dominance pour trouver la
meilleure solution. Avec cette architecture de SMA, nous pouvons explorer plus lespace de
recherche parce quil y a plusieurs vhicules qui proposent des solutions, le centre dappels
choisit alors la meilleure.
La procdure de recherche locale de lagent centre dappels est dcrite dans la figure V.5 :










Figure V.9 : comportement de lagent centre dappels
Figure V.5 : comportement de lagent centre dappels

V. 4. Applications et Rsultats Numriques :

Dans ce chapitre, nous prsentons les diffrents rsultats numriques obtenus par des
simulations et des tests sur le benchmark (Cordeau et Laporte, 2003) [34]. Nous commenons
par prsenter les outilles informatique utiliss pour dvelopper notre approche base sur
lalgorithme RSMO pour le PTD, afin de valider nos mthodes de rsolution. Concernant la
partie PTD dynamique, nous gnrons des scnarii forms par des demandes de transport
arrivant en temps rel. Alors que pour la partie du PTD statique, nous appliquons notre
approche sur le benchmark de (Cordeau et Laporte, 2003) [34].
Soit :
- m le nombre de vhicules disponibles.
- S
opt
: la meilleure solution pour le PTD
- S
i
:

la solution propose par le vhicule i
1. Tant que (heure actuel < heure de fermeture du service de TAD)
a. Recevoir une demande de transport d ;
b. Envoyer la demande de transport d tous les vhicules disponibles ;
c. Pour i = 1 m faire
i. Recevoir la solution propose S
i
par le vhicule i ;
d. S
opt
:= S
1;

e. Pour i = 1 m faire
i. Si (S
i
domine S
opt
) S
opt
:= S
i;

Fin tant que
2. Renvoyer S
opt;


t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
101

1. Loutil informatique utilis

Pour dvelopper lalgorithme de RSMO utilis dans notre approche doptimisation, nous
avons utilis le langage de programmation orient objet JAVA. En effet, ce dernier est
similaire en grande partie dans sa syntaxe au langage C++. Le langage Java vient pour donner
des solutions aux inconvnients du C++ tels que l'hritage multiple. Les concepteurs ont
privilgi l'approche oriente objet, de sorte qu'en Java, tout est objet l'exception des types
primitifs (nombres entiers, nombres virgule flottante, etc.).
Dans cette thse, notre choix du langage de programmation est bas sur les caractristiques de
ce langage. En effet, Les applications Java peuvent tre excutes sur tous les systmes
d'exploitation pour lesquels a t dveloppe une plate-forme Java. Cette plate-forme permet
dexcuter les applications faite par JAVA dont le nom technique est JRE (Java Runtime
Environment). Le JRE JAVA est constitu d'une Machine Virtuelle Java JVM (Java Virtual
Machine), Mais le JRE est surtout constitu dun package standard, partir du quel doivent
tre dvelopps tous les programmes en Java. C'est la garantie de portabilit qui a fait la
russite de Java dans le domaine de dveloppent dapplications et logiciels informatique.
Un deuxime principal avantage pour JAVA, cest l'indpendance vis--vis de la plate-forme.
En effet, tous les programmes crits en Java peuvent fonctionner sur plusieurs types de
matriel informatique sans rcriture, selon le slogan write once, run anywhere (crire le
programme une seule fois, et le faire fonctionner sur n'importe quel ordinateur).
Pour obtenir la portabilit du langage Java il faut compiler le code source d'un programme
dans un pseudo-code intermdiaire, (appel bytecode Java, des instructions machine
standardises et destines un processeur virtuel). Aprs avoir compil le code, le programme
sera excut par une implmentation de machine virtuelle (JVM) java. Le JVM va produire un
code natif qui sera excut sur le matriel cible en traduisant le pseudo-code Java en code
utilisable par le matriel concern. De plus, des packages sont offertes pour fournir l'accs
des fonctionnalits propres la machine cible, comme le graphisme ou le rseau, d'une
manire unifie. Le langage Java offre aussi le support des programmes avec plusieurs
processus lgers (threads).

t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
102

2. Le systme multi-agents

Les SMA ncessitent une plate-forme de dveloppement. En effet, avec une plate-forme de
SMA, nous pouvons organiser les agents dun tel systme et de leurs attribuer des tches. A
lheure actuelle, plusieurs outils ont t dvelopps pour la ralisation dagents. Etant donn
que ces plates-formes sont nombreuses, et ne rpondent pas toutes aux critres que nous nous
sommes fixs. Nous allons dans cette partie prsenter notre dmarche dans le choix dune
plate-forme de dveloppement dagents.
Vu que lapplication de notre approche sur le PTD dynamique nest pas ralise sur des
donnes relles, nous allons simuler le fonctionnement de ce systme de transport la
demande. Nous allons gnrer des demandes alatoires distingus par leur localisation et les
horaires de voyage souhaites. Aprs une tude dtaille des plates-formes existantes, nous
avons procd par limination pour ne garder que trois, savoir, Magique, MadKit et Jade.
Aprs des tests dimplmentation, nous avons limin la premire, parce quelle demande
beaucoup de dveloppement pour dfinir les agents. Pour les deux restantes, le choix tait
plus difficile. Nous avons fini par choisir la plate-forme JADE, cette dcision t collectif, vu
que dans notre quipe, on travaille depuis longtemps afin de dvelopper une plate-forme
gnrique regroupant tous les services lis au transport et aprs plusieurs runions de travail
avec mes collgues, le choix a t dfinitivement entrine.
2.1. La plate-forme multi-agent JADE

La plate-forme JADE (Java Agent Development Framework) est un environnement de
conception et de programmation dagents implant totalement en langage JAVA. En effet, la
plate-forme JADE facilite la mise en place dun systme multi-agents rpondant aux
spcifications de FIPA (Foundation for Intelligent Physical Agent) travers un ensemble
doutils.
Cette plate-forme utilise la spcification de FIPA et comprend tous les composants qui
permettent la gestion des agents selon la norme FIPA. Ces composants sont : le ACC (Agent
Communication Channel), le AMS (Agent Managment System) et le DF (Directory
Facilitator). Les agents communiquent travers les changes de messages. Ces messages
sont reprsents dans le langage de communication FIPA-ACL.
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
103

La plate-forme JADE donne la possibilit de distribution des agents sur diffrentes stations
(htes) dun rseau. Une seule application JAVA et par consquent une seule machine
virtuelle Java est excute sur chaque hte. Chaque machine virtuelle Java est un conteneur
des agents fournissant un environnement complet dexcution de ces agents et permettant
plusieurs agents concurrents de sexcuter sur le mme hte (Figure V.6)

Figure V.6 : le conteneur des agents dans la plate-forme JADE
Dans cette thse, JADE est la plate-forme la plus adquate pour satisfaire nos objectifs. En
effet, JADE Cest une plate-forme de cration dagents qui prend en compte les spcifications
de la FIPA pour linteroprabilit des systmes multi-agents. Les agents communiquent
travers des messages reprsents en FIPA-ACL. Sous JADE, le concept dagent est comme un
processus autonome et indpendant qui a une identit, et peut effectuer des communications
(collaboration, comptition) avec les autres agents, dans le but de rsoudre un problme
donn.
Dans le dbut de ce chapitre, nous avons motionn limportance de lautonomie dun agent :
Il ne doit pas se limite seulement ragir vis--vis des vnements venant de son environnent
externe. Il doit tre aussi capable de prendre l'initiative daccomplira de nouveaux actes
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
104

communicatifs d'une faon autonome. Dans la figure V.7, nous prsentons la communication
inter-agents de notre SMA via lenvoi de messages entre ces derniers.
Gnralement, le dveloppeur des SMA doit tendre la classe Agent par une ou plusieurs
classes Comportement pour effectuer des tches spcifiques. Aprs avoir implment des
comportements, il faut les instancier et les ajouter l'agent. La classe Agent reprsente une
super classe commune pour tous les agents dfinis par l'utilisateur. Un agent JADE est
simplement une classe Java qui tend la classe de base Agent. La consquence tant cette
relation dhritage permettant l'agent d'hriter un comportement fondamental cach (qui
traite toutes les tches lies la plate-forme, telles que l'enregistrement, la configuration, la
gestion distance, etc.). Lagent hrite galement un ensemble de mthodes qui peuvent tre
appeles pour implmenter les tches spcifiques l'agent, par exemple envoi des messages,
utilisation des protocoles d'interaction standard, enregistrement sur plusieurs domaines, etc.

Figure V.7 : La communication des agents via lenvoi de messages

3. Application de lapproche sur un PTD statique

t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
105

Pour cette partie, nous testons notre approche galement avec les donnes prsents dans le
benchmark de (Cordeau et Laporte, 2003) [34] (tlchargeable du net partir du site suivant:
http://www.hec.ca/chairedistributique/data/darp/. Voir chapitre IV, section 2.
Nous rappelons que dans ce benchmark il y a 20 instances de problmes de transport la
demande. Le nombre de demandes varie entre 24 et 144 et le nombre de vhicule varie entre 3
et 13. Les rsultats obtenus par notre approche sont prsents dans tableau V.1 et sont
compars ceux obtenus par (Claudio et al, 2009) [35] et (Cordeau et Laporte, 2003) [34]
dj prsents dans la section 2 du chapitre prcdent. Les paramtres de lalgorithme du
recuit simul restent les mmes.
Dans le tableau V. 1, nous prsentons les rsultats obtenus par l'application de notre approche
sur les instances mentionns ci-dessus.

Instance Distance
parcourue

Dure de la
route
(min)
Temps
dexcution
(min)
Pr01 932,73 516,19 1,12
Pr02 1825,39 731,2 3,29
Pr03 2806,70 3546,64 12,30
Pr05 3809 2785 10,56
Pr11 1003,77 598,13 1,53
Pr12 1366,43 811,50 5,62
Pr15 4051,60 3001,2 16,20
Pr16 4512,30 2247 15,21
Pr17 13397,50 933,58 3,60
Pr019 3312.70 2894 14

Tableau V.1: Les rsultats obtenus par lapproche multi-agents bas sur le RSMO (Zidi et al,
2011) [101]

Dans le tableau V.2, nous prsentons les rsultats obtenus par (Claudio et al, 2009).


t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
106

Instance Distance
parcourue

Dure de la
route
(min)
Temps
dexcution
(min)
Pr01 955,25 524,59 1,36
Pr02 1839,06 838,41 4,08
Pr03 2787,18 1597.95 7,96
Pr05 4068,05 2935,48 18,43
Pr11 902,18 449,91 1,58
Pr12 1503,34 744,93 4,49
Pr15 4057,08 3152,67 22,09
Pr16 4658,64 2348,48 17,48
Pr17 1223,68 612,40 3,13
Pr019 3427,06 2515,53 25,43

Tableau V.2: Les rsultats obtenus par lAlgorithme Gntique (AG) (Claudio et al, 2009)

Dans le tableau V.3, nous prsentons les rsultats obtenus par (Cordeau & Laporte, 2003) en
appliquant lalgorithme de recherche Tabou.
Instance Distance
parcourue

Dure de la
route
(min)
Temps
dexcution
(min)
Pr01 881 1095 1,9
Pr02 1985 1977 8,06
Pr03 2579 3587 17,18
Pr05 3870 6154 46,24
Pr11 965 1042 1,93
Pr12 1565 2393 8,29
Pr15 3596 6105 54,33
Pr16 4072 7347 73,7
Pr17 1097 1762 4,23
Pr019 3249 5581 51,28

Tableau V.3: Les rsultats obtenus par lalgorithme de Recherche Tabou (RT) (Cordeau &
Laporte, 2003)
a. Analyse des Rsultats

t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
107

Nous avons effectus 5 tests pour chacune des instances du benchmark, Le tableau V.1
prsente les meilleurs rsultats obtenus des 5 essais. Pour lensemble de ces tests, le nombre
de vhicules utilis tait fixe et tait le mme pour tous les essais, et toutes les demandes de
transport ont t servi. En effet, le plus important est que toutes les solutions obtenues sont
valides (toutes les contraintes du problme ont t satisfaites).
Aprs avoir prsent nos rsultats et ceux obtenus dans (Claudio et al, 2009) et (Cordeau et
Laporte, 2003) voir tableaux IV5 et IV6, nous notons que dans la majorit des cas, notre
approche est plus efficace que l'approche mise en uvre dans littrature cite. Les valeurs
nonces dans le tableau des rsultats sont sensiblement meilleures. En effet, lorsque nous
nous sommes focalis sur la distance parcourue, notre approche RSMO est meilleure que
lAlgorithme Gntique (AG) dans 7 cas sur 10. Par contre notre approche est uniquement
meilleure que la Recherche Tabou (RT) que dans 4 fois sur 10.
Lorsque nous nous sommes bass sur le total de la dure de la route, notre approche RSMO
est quivalente aux rsultats donns par lAG (une diffrence de 0,6% en faveur des AG)
par contre notre approche est nettement mieux que celle de la RT avec un gain de 50%.
4. Application de lapproche sur un PTD dynamique

Nous constatons clairement, que dans le monde rel de transport des passagers o la
fourniture dun service de TAD, le problme est dynamique. La dynamicit du systme vient
du fait que la compagnie offrant ce service, reoit en permanence de nouveaux appels de
transport de petite ou de grande taille. Donc, pour chaque nouvelle demande, une dcision
doit tre prise rapidement pour son attribution un vhicule particulier. Aprs, un
ordonnancement au sein de la route doit tre prvu pour chaque vhicule.

Dans notre travail, le problme trait est d'affecter en temps rel chaque nouvelle demande de
transport l'un des vhicules, et d'laborer un nouvel itinraire. Nous supposons en outre que
nous avons un seul dpt pour les vhicules, et en dbut la journe tous les vhicules se
trouvent dans le dpt, et leurs capacit est suprieur un. Tous les vhicules desservant les
passagers ne sont pas de mme type (parc htrognes) mais ayant la mme capacit. Donc
avec les SMA, nous pouvons simuler ce problme de PTD avec des vhicules htrognes
fin de dgager un nouveau critre qui est la satisfaction du voyageur en termes de vhicule.
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
108

Ce nouvel objectif rentre dans les critres de qualit de service et nous lavons modlis de la
faon suivante :
- Satisfaction du voyageur : SV
SV=
_
eD i
i
SV

Avec
i
SV =
i i
PROF CR NB SATSF CR NB
_
/ (eq V.1)
Avec
i
SATSF CR NB : Le nombre des critres satisfaits pour une demande i

Et
i
PROF CR NB : Le nombre des critres souhaits par une demande i

Dans notre environnement de simulation, les demandes les transports doivent tre reues
avant la date limite fixe pour la fin de service dune journe. Ceux qui sont reus aprs cette
date limite peuvent tre conservs pour le lendemain. Ainsi, il est possible davoir un certain
nombre de demandes en instance ou ''statique'' (pour lesquels une solution a pu tre construite
l'avance). La dynamicit provient dune source unique, savoir larriv de nouvelles
demandes de transport. En effet, il n'y a pas d'autre source d'incertitude associ aux demandes
des clients, comme les annulations ou des informations errones. De plus les dures de
voyage sont connus avec certitude, aucune perturbation inattendue est suppos, comme la
congestion soudaine sur le rseau cause par un accident, panne de vhicule, etc.

Dans la figure V.8, nous prsentons une situation pour le Problme de Transport la
Demande Dynamique (PTDD).






Figure V.8 : le PTD dynamique
Dans cette contribution de thse, nous avons choisi de comparer notre approche base sur
l'algorithme RSMO implant dans lagent vhicule avec une mthode dinsertion et une
+1
+2
-2
-1
+3
-3
+4
- 4
Nouvel demande
+1
+2
-2
-1
+3 -3
+4
-4
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
109

procdure de recherche locale. Cette comparaison a pour but de monter l'efficacit de
l'algorithme RSMO dans le contexte dynamique. Nous avons gnrs 5 exemples pris au
hasard formant des PTD
s
dynamique en utilisant notre SMA. Ces problmes gnrs sont
diversifies par la localisation des demandes de transport et le nombre de demandes statiques
et dynamiques dans chaque exemple. Ces exemples refltent le plus fidlement possible ce
qui est observ dans le monde rel. Tous ces exemples sont gnres sur deux horizons de
temps dune journe de travail de sept heures et de quatre heures. Dans cet horizon, des
vnements en temps discret sont produits par notre simulation pour tenir compte de
l'apparition de nouvelles demandes de transport. Par la suite, chaque demande de transport
reue par lgent vhicule il excutera la procdure d'optimisation (RSMO). Le temps de
service est gal 0 min (ngligeable) chaque point de service, et un appel est accept que
s'il y a au moins 30 min entre l'appel et le temps de ramassage souhait.
Dans cette section, l'algorithme RSMO est compar avec d'autres heuristiques (lheuristique
dinsertion et la mthode de recherche locale). Lheuristique dinsertion insre simplement
une nouvelle demande sa meilleure place dans la route concerne. Lalgorithme de
recherche locale commence partir d'une solution initiale, puis se dplace de manire
itrative vers une solution voisine. Pour produire une solution voisine nous utilisons la
structure de voisinage dtaille dans la section IV.3.1. La procdure de recherche locale
remplace la solution actuelle par la meilleure solution trouve dans toutes les itrations de la
procdure.

Le nombre de vhicules disponibles pour servir les demandes de transport est variable d'un
test lautre. Notre simulation gnre les caractristiques de chaque nouvelle demande,
savoir, son temps d'apparition ainsi que, les emplacements de dpart et de livraison avec leurs
fentres de temps et le profil de cette dernire. Toutes ces caractristiques sont gnres par
l'agent client. Ces valeurs doivent tre ralisables. Par exemple, les fentres de temps doivent
laisser suffisamment de temps pour que le vhicule puisse atteindre le point de ramassage, et
daller directement au point de livraison. En effet, l'apparition des demandes varie dans le
temps (par exemple, les heures de pointe) et de l'espace (par exemple, zone densment
peuple). Dans cette contribution, le cas des vhicules htrognes a t examin. Ainsi,
chaque vhicule est caractris par un ensemble de catgories. Dans notre cas, nous ne
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
110

donnons pas des valeurs ralistes pour le profil des clients ainsi que pour les catgories de
vhicules.
Ces problmes gnrs alatoirement reprsentent des problmes avec un seul dpt et le
modle propos dans (section IV.2) s'adapte facilement ce genre de problme. La distance
entre deux lieux i et j est calcule par la distance euclidienne entre les coordonnes des lieux i
et j. Les profils des clients et les catgories de vhicules sont choisis au hasard.
Des Problmes avec 15 et 25 vhicules ont t gnrs avec une vitesse moyenne constante de
30 km / h. La zone de tests est de taille 5 km x 5 km et le dpt est situ au cordonnes (2,5
km, 2,5 km).
a. Les rsultats numriques

Dans cette section, l'algorithme RSMO est compar avec d'autres heuristiques (lheuristique
dinsertion et la mthode recherche locale).

Numro dinstance heuristique dinsertion Recherche Locale RSMO
1 399
a

19
b
586
c

51
d


495
a

17
b
585
c

63
d


267
a
12
b

516
c
72
d


2 525
18
590
57
503
16
622
62

333
11
518
85
3 418
19
593
60
376
18
561
65

252
14
487
72

t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
111

4 583
21
589
60
429
18
568
68

230
16
519
69

5 583
24
601
51

401
19
591
68

332
17
527
71

Total 1833
97
2719
351

1767
79
2645
366

1414
70
2567
369


Tableau V.4: simulation de 4 heures avec 10 vhicules et 20 demandes par heure (Zidi et al,
2011
b
) [116]

a distance totale parcourue
b temps moyen mis pour le voyage
c nombre de stations visites
d niveau de satisfaction des clients en termes de vhicule

Dans nos tests, le temps est en minutes et la distance parcourue en kilomtres et la satisfaction
des clients en pourcentage, arrondie l'entier le plus proche. Dans le tableau V.4, nous
prsentons les rsultats obtenus par l'application de l'algorithme de RSMO, lheuristique
dinsertion et la procdure de recherche locale sur cinq exemples de PTD.
Les tests utiliss pour obtenir les rsultats dans le tableau ci-dessus, correspondent des
simulations de 4 h, avec 10 vhicules et l'intensit du nombre des demandes dynamiques est
de 20 requtes par heure. Ainsi, chaque vhicule sert deux demandes de transport par heure en
moyenne. Pour chacune des mthodes (algorithme de RSMO, heuristique dinsertion, et la
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
112

recherche locale) il existe quatre valeurs diffrentes dans le tableau : la distance totale
parcourue, temps de trajet moyen, le nombre des stations visites et le niveau de satisfaction
des clients.
Comme indiqu dans le tableau V.4, les mthodes utilisant une recherche locale (RSMO, la
recherche locale) sont beaucoup mieux que lheuristique d'insertion. En effet, le RSMO est
meilleure que la recherche locale. Les mauvais rsultats produits par la procdure de
recherche locale sont dus au fait que, chaque fois quune nouvelle demande arrive, la
procdure de recherche locale perd les gains dj obtenus. En effet, l'apparition de chaque
nouvelle demande de transport active la reconstruction de la solution, sans aucune
considration pour la solution prcdente.
Les rsultats prsents dans le tableau ci-dessus, sont obtenues par application d'un scnario
pas trs intense en termes de demandes par heure. En effet, la plupart des carts entre ces
mthodes provient de la distance parcourue. Les rsultats de l'algorithme de RSMO et de
recherche locale sont proches, avec une diffrence de 11,09 % pour la distance parcourue en
faveur de lalgorithme de RSMO. Concernant le temps mis pour le voyage le RSMO des
bons rsultats par rapport lheuristique d'insertion avec une diffrence de 6,04%. Il est
ncessaire de mentionner que nos tests sont caractriss par une varit de problme en
changeant les fentres de temps pour les demandes, par consquent, nous ne produisent pas
ncessairement la mme solution lorsqu'elle est applique deux fois ou plus sur le mme
problme.
Si nous nous concentrons sur les objectifs de la qualit de service, l'algorithme RSMO est
meilleur que l'heuristique d'insertion en termes de nombre de stations visites avec une
diffrence de 2,87%. Pour la satisfaction du client en termes du vhicule, les trois mthodes
ont des rsultats trs proches, cela est principalement d ce que cet objectif ne dpend pas
de la mthode utilise dans l'agent vhicule. Il dpend de la phase d'affection faite par l'agent
centre dappels. Nous avons excut l'algorithme de RSMO 10 fois sur une instance de
problme particulier et nous avons trouv un cart type de 0,7%.
Numro dinstance heuristique dinsertion Recherche Locale RSMO
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
113

1 468
a
19
b
592
c
58
d


529
18
583
54

377
14
549
60

2 483


17
533
63

578
15
567
82

422
13
551
85

3 480
19
594
52

389
17
581
65

321
14
499
51

4 412
20
575
65

381
17
587
72

317
15
531
70

5 548
21
559
61

440
19
588
75

412
16
512
76

Total 2391
96
2853
299

2317
86
2906
348

1849
72
2642
342


Tableau V.5: simulation de 7 heures avec 20 vhicules et 20 demandes par heure

t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
114

Dans le tableau V.5 nous prsentons les rsultats obtenus pour un horizon de 7h et en
augmentant la taille de la flotte de vhicules de 10 20. Le nombre de demandes reste le
mme cest--dire 20 demandes par heure, et chaque vhicule sert actuellement une demande
par heure en moyenne. Comme prsent dans le tableau V.5, nous constatons que la distance
parcourue et le temps de parcours ont augment par rapport aux rsultats prsents dans le
tableau V.4. Ceci nous amne dire que la rduction du nombre de vhicules conduit un
environnement doptimisation plus difficile. Nous notons que lalgorithme RSMO et la
mthode de recherche locale prsente quasiment la mme distance parcouru (en ralit une
trs faible diffrence de lordre de 0,1% en faveur de la recherche locale), par contre une
diffrence de prs de 9% dans le temps mis pour le voyage. De plus, nous notons que le total
du nombre de stations visites est plus rduit dans les rsultats du tableau V.5. Cette rduction
peut tre explique par le fait d'utiliser un grand nombre de vhicules.
Dans le tableau V.6, nous prsentons les rsultats obtenus par lapplication de notre approche
pour un scnario plus dynamique que celui prsent dans les tableaux V.4 et V.5. Dans ce
scnario, nous augmentons le taux d'arrive des demandes, nous passons de 20 35 demandes
par heure, tout en gardant le mme horizon de temps utilis cest--dire 4h et le mme nombre
de vhicules cest--dire 10. Les rsultats obtenus sont reports dans le tableau ci-dessous.
Dans cette simulation, chaque vhicule prend en charge 3,5 demandes par heure en moyenne.
Cette augmentation du nombre de demandes a un impact remarquable sur la qualit des
solutions, comme on l'a observ dans le tableau V.5. Ce scnario est un exemple illustratif. En
effet, l'cart entre l'algorithme RSMO et les deux autres algorithmes (recherche local,
lheuristique d'insertion) pour la distance parcourue et le nombre de stations visites est pass
de 11,09% 3,25% et de 2,87% 5%. Par consquent, lorsque le taux d'arrive des demandes
augmente, nous constatons que la diffrence en termes de performances entre le RSMO et les
autres mthodes augmente.
Numro dinstance heuristique dinsertion Recherche Locale RSMO
1 359

18

543

65

359


18


543


65

327


14


579


65



t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
115

2 405


16
520
77

448
14
530
82

491
15
593
71

3 310
19
523
73

283
15
502
70
367
15
582
70
4 310
22
555
61

256
17
538
67

346
15
581
70

5 449
22
578
75

365
18
549
78

482
17
589
61

Total 1833
97
2719
351

1767
79
2645
366

2013
76
2924
337


Tableau V.6 : Simulation de 4 heures avec 10 vhicules et 35 demandes par heure

Dans le contexte dynamique, le temps dexcution est intressant pour valuer la performance
de la mthode d'optimisation lors d'un vnement survenu dans l'horizon temporel dune
journe de service. Dans le tableau V.7, nous prsentons les temps de calcul pour chaque
mthode d'optimisation (heuristique d'insertion, la recherche locale et l'algorithme RSMO).
Nous remarquons que lheuristique d'insertion est plus rapide, mais elle est susceptible
d'exploiter seulement une petite partie de lespace de recherche entre deux vnements.
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
116

Tandis que la procdure de recherche locale et lalgorithme RSMO prsentent des temps de
calcul importants. Mais, ils prsentent des rsultats de bonne qualit. Nous motionnons que
les tests ont t effectus sur un ordinateur portable Dell B14DEE640C avec Intel Core 2 Duo
2,0 GHz comme processeur et 2Go de mmoire RAM. Ces mthodes ont t dveloppes sur
la plate-forme multi agent JADE en utilisant le langage JAVA.

Lheuristique dinsertion Recherche Locale RSMO
19s 38s 52s
Tableau V.7 : Temps de calcul en seconde

V.5 Conclusion :

Les PTD statique et dynamique sont des problmes de complexit importante (NP-Difficile).
Les mthodes exactes ainsi que les mthodes heuristiques centralises sont incapables de
rsoudre ce problme dans un temps raisonnable. Il faut concevoir des systmes distribus
bass sur des heuristiques et des mta-heuristiques pour dcentraliser le traitement des
approches de rsolution des problmes complexes. En effet, la distribution des tches pour
rsoudre le PTD permet non seulement de diminuer la complexit du problme mais aussi
permet une bonne prsentation du monde rel.
Dans ce chapitre, nous avons prsent en premier lieu le concept de la distribution avec la
mthodologie des systmes multi-agents. Une dfinition du SMA ainsi que laspect
comportemental des agents ont t dtaills dans ce chapitre. Aprs avoir dcrit les SMA,
nous avons prsent notre approche base sur lalgorithme de RSMO pour la rsolution du
PTD. Puis nous avons prsent les rsultats de lapplication de notre approche distribue sur
le PTD statique et dynamique.




t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
117


t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
118

Chapitre VI :
Conclusion et Perspectives
VI. 1. Conclusion :
Dans ce travail de thse, nous avons trait le Problme de Transport la Demande. Ce
problme prsente un intrt majeur la fois pour les compagnies de transport ainsi que pour
les utilisateurs des moyens de transport. Cet intrt vient du fait que le transport la demande
est class parmi les transports collective-individualis. En effet, Le PTD remplace le transport
public et le vhicule individuel. Ce systme a un impact direct sur la qualit du service offert
aux usagers. En effet, en cas de congestion des systmes de transport public, ces derniers
souhaitent avoir des informations fiables et des solutions alternatives, afin de faire leurs
voyages.
Pour implanter des systmes de transport la demande, plusieurs projets ont t lancs partout
dans le monde pour la conception de ce dernier. Ces projets ont des impacts conomique et
cologique. En effet, aprs une tude bibliographique dtaille faite dans cette thse, nous
avons pu constater que les systmes de transport la demande existants ne respectent pas tous
les objectifs fixs par la compagnie de transport et les voyageurs. Il nexiste pas une stratgie
doptimisation des objectifs du problme. Notre contribution dans cette thse est la rsolution
du PTD dans le contexte statique et dynamique dune manire optimis.
Avant de contribuer dans la rsolution du PTD, nous avons tudis les diffrentes mthodes et
approches prsentent dans la littrature et analyss les travaux effectus sur le problme qui
nous intresse. Nous avons pu positionner notre approche par rapport aux approches
existantes. Ces mthodes sont gnralement des mta-heuristiques permettant de trouver une
solution aux problmes dans un temps raisonnable et applicable la situation temps rel
contrairement aux mthodes exactes qui en sont incapable. En effet, la complexit du PTD
vient du fait que le nombre des combinaisons des itinraires de voyage est important, les
mthodes exactes sont donc viter pour la rsolution de ce type de problme.
Dans ce travail de recherche, nous avons contribu en premier lieu la modlisation
mathmatique du PTD. Cette modlisation est compose principalement de deux grands
objectifs ou critres. Le premier est lobjectif conomique, il modlise le total de la distance
parcourue ainsi que la dure des routes planifies. Cet objectif est en faveur de la compagnie
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
119

de transport prenant en charge le transport de personnes. Le deuxime objectif que nous avons
modlis est la qualit du service rendue aux voyageurs. Cet objectif est compos de trois
critres (temps mis pour le voyage, le nombre de stations visites et le niveau de satisfaction
du client en termes de vhicule). Il est noter que ces deux objectifs sont antagonistes. Cette
modlisation a t dcrite dans le chapitre III.
Aprs avoir, modlis le PTD nous avons dvelopp une approche base sur lalgorithme de
recuit simul pour la rsolution de ce problme. En effet, nous avons suivi des tapes pour
amliorer notre approche. Notre premire contribution a t la rsolution du PTD statique en
utilisant lalgorithme de Recuit Simul (RS) avec une mthode agrgative. Cette mthode
prsente plusieurs limites telles que (la favorisation dun objectif par rapport un autre). Pour
remdier cette lacune, nous avons appliqu lalgorithme de Recuit Simul Multi-Objectif
(RSMO) pour la rsolution du PTD. Nous notons que nous sommes les premiers avoir
appliqu cet algorithme sur le PTD. Nous avons obtenu des rsultats trs intressants dans le
contexte statique et dynamique en comparaison avec les rsultats obtenus par les autres
mthodes. Ces bons rsultats viennent du faite que lalgorithme de RSMO utilise la notion de
dominance pour trouver des solutions Pareto optimales. Aussi notre choix de lalgorithme de
RSMO est justifi par sa capacit de trouver des rsultats en temps rel dans le contexte
dynamique. Ces contributions sont dtailles dans le chapitre IV.
Nous avons amlior la performance de notre approche pour sadapter aux critres de
dynamicit et de lutilisation des vhicules htrognes. Cette adaptation est faite via la
distribution du traitement de notre approche sur un Systme Multi-Agents (SMA). Ce SMA
permet la fois, de modliser et de rsoudre le PTD. Pour cela, nous avons dvelopp trois
principaux agents ; qui sont, lagent client, lagent centre dappels et lagent vhicule.
Lalgorithme de RSMO est implment comme un comportement pour lagent vhicule. Ce
comportement lui permet de planifier les routes tout en tenant compte des diffrents critres.
Ensuite, lagent centre dappels, choisi parmi les solutions proposs par les agents vhicules
la meilleure solution en termes de cot et de qualit de service. Nos solutions ont t
compares avec lalgorithme gntique et la recherche tabou dans le cas statique. Par contre
dans le cas dynamique, il nexiste pas de donnes standards pour effectuer des comparaisons.
Nous avons dvelopp une mthode de recherche locale et une mthode dinsertion pour
quon puisse connatre la position de notre approche par rapport ces mthodes dans le
contexte dynamique. Ces contributions sont dtailles dans le chapitre V.
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
120


VI. 2. Perspectives :
Dans cette thse, nous avons pu dgager des perspectives pour des futurs travaux de
recherche. En effet, nous envisageons en premier lieu deffectuer une hybridation de
lalgorithme de RSMO avec dautres mta-heuristiques comme la recherche tabou. Ce choix
est justifi par le faite que la recherche tabou permet de mmoriser les solutions et donc, de
permettre une bonne exploration de lespace de recherche. Il est noter galement que
lalgorithme de recherche tabou est caractris par un temps de calcul rduit do son
adaptation lenvironnement dynamique.
Dun autre point de vue, nous envisageons la modification de notre architecture SMA afin de
dcomposer la tche de lagent vhicule. Nous esprons quavec cette dcomposition nous
une amlioration des rsultats. Le principe gnral de cette dcomposition est le suivant : la
rpartition des critres optimiser sur des sous-agents vhicule o chaque sous-agent
optimise sparment lobjectif accord. Puis une ngociation entre les agents est tablie pour
gnrer la meilleure solution. Cette ngociation peut tre galement utilise entre les agents
vhicules eux mme pour collaborer afin dinsrer une nouvelle demande, voir lchange des
demandes pour agir comme une mthode de recherche locale.
En ce qui concerne les donnes utiliss pour valider notre approche, nous avons utilis deux
types de donnes. Ces donnes sont le benchmark de (Cordeau et Laporte, 2003) [34] pour le
PTD statique et des donnes alatoires pour le PTD dynamique. En effet, ces donnes ne
refltent pas le cas rel, nous envisageons donc dappliquer notre approche sur des donnes
relles. Nous esprons avoir des donnes relles au pr du service handipole de la compagnie
de transport transpole Lille (France).

t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
121


t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
122

Les Rfrences Bibliographiques

[1] ZIDI K, Systme Interactif daide au dplacement Multimodal, thse de doctorat, Ecole
Centrale de Lille, 13 dcembre 2006.
[2] http://www.insee.fr/fr/themes/document.asp?ref_id=BDF06
[3] Institut de la Ville en Mouvement Paris, Sminaire du 21 novembre 2007
http://www.ville-en-mouvement.com/mobilite_des_salaries/indexarticle.html
[4] Le covoiturage en France et en Europe tat des lieux et perspectives, Certu, 2007
http://www.certu.fr/fr/Systmes_de_transports-
26/Technologies_des_transportsn84/catalogue/product_info.php?products_id=19
56&language=fr
[5] Cordeau J-F, Laporte G, Savelsbergh MWP, Vigo D (2007) Vehicle Routing, In: C.
Barnhart and G. Laporte (eds.), Transportation, Amsterdam: Elsevier
[6] Cordeau J-F (2006) A Branch-and-cut algorithm for the dial-a-ride problem, Operations
Research 54:573586
[7] Savelsbergh MWP (1992) The vehicle routing problem with time windows: Minimizing
route duration, ORSA Journal on Computing 4:146154
[8] Sexton T, Bodin LD (1985) Optimizing single vehicle many-to-many operations with
desired delivery times: I. Scheduling, Transportation Science 19:378410
[9] Dumas Y, Desrosiers J, Soumis F (1989) Large scale multi-vehicle dial-a-ride problems,
Les Cahiers du GERAD, G8930, HEC Montral
[11] Psaraftis HN (1980) A dynamic programming approach to the single-vehicle, many-to-
many immediate request dial-a-ride problem, Transportation Science 14:130
154
[12] Psaraftis HN (1983) An exact algorithm for the single-vehicle many-to-many dial-a-ride
problem with time windows, Transportation Science 17:351357
[13] Sexton T (1979) The single vehicle many-to-many routing and scheduling problem,
Ph.D. dissertation, SUNY at Stony Brook
[14] Sexton T, Bodin LD (1985a) Optimizing single vehicle many-to-many operations with
desired delivery times: I. Scheduling, Transportation Science 19:378410
[15] Sexton T, Bodin LD (1985b) Optimizing single vehicle many-to-many operations with
desired delivery times: II. Routing, Transportation Science 19:411435
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
123

[16] Desrosiers J, Dumas Y, Soumis F (1986) A dynamic programming solution of the large-
scale single vehicle dial-a-ride problem with time windows, American Journal of
Mathematical and Management Sciences 6:301325
[17] Psaraftis HN (1988) Dynamic vehicle routing problems, In: B.L. Golden, and A.A. Assad
(eds.), Vehicle Routing: Method and Studies. Amsterdam: North-Holland, 223
248
[18] Mitrovic-Minic S, Krishnamurti R, Laporte G (2004) Double-horizon based heuristics
for the dynamic pickup and delivery problem with time windows, Transportation
Research B 38:669685
[19] Jaw J, Odoni AR, Psaraftis HN, Wilson NHM (1986) A heuristic algorithm for the multi-
vehicle advance-request dial-a-ride problem with time windows, Transportation
Research B 20:243257
[20] Bodin LD, Sexton T (1986) The multi-vehicle subscriber dial-a-ride problem, TIMS
Studies in Management Science 2:7386
[21] Desrosiers J, Dumas Y, Soumis F, Taillefer S, Villeneuve D(1991) An algorithm for
mini-clustering in handicapped transport, Les Cahiers du GERAD, G9102,
HEC Montreal
[22] Ioachim I, Desrosiers J, Dumas Y, Solomon MM (1995) A request clustering algorithm
for door-to-door handicapped transportation, Transportation Science 29:6378
[23] Toth P, Vigo D (1996) Fast local search algorithms for the handicapped persons
transportation problem In: I.H. Osman, and J.P. Kelly (eds.), Meta-heuristics:
Theory and applications. Boston: Kluwer, 677690
[24] Borndorfer R, Klostermeier F, Grotschel M, Kuttner C (1997) Telebus Berlin: Vehicle
scheduling in a dial-a-ride system, Technical Report SC 9723, Konrad-Zuse-
Zentrum fur Informationstechnik, Berlin
[25] Brotcorne L, Laporte G, Semet F (2003) Ambulance location and relocation models,
European Journal of Operational Research 147:451468
[26] Aldaihani M, Dessouky MM (2003) Hybrid scheduling methods for paratransit
operations, Computers & Industrial Engineering 45:7596
[27] Rekiek B, Delchambre A, Saleh HA (2006) Handicapped person transportation: An
application of the grouping genetic algorithm, Engineering Application of
Artificial Intelligence 19:511520
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
124

[28] Xiang Z, Chu C, Chen H (2006) A fast heuristic for solving a large-scale static dial-a-
ride problem under complex constraints, European Journal of Operational
Research 174:11171139
[29] Wong KI, Bell MGH (2006) Solution of the dial-a-ride problem with multi-dimensional
capacity constraints, International Transactions in Operational Research 13:195
208
[30] Wolfler Calvo R, Colorni A (2006) An effective and fast heuristic for the dial-a-ride
problem, 4OR: A Quarterly Journal of Operations Research, forthcoming
[31] Ropke S, Cordeau J-F, Laporte G (2006) Models and branch-and-cut algorithms for
pickup and delivery problems with time windows, Networks, forthcoming
[32] Melachinoudis E, Ilhan AB, Min H (2007) A dial-a-ride problem for client transportation
in a health-care organization, Computers & Operations Research 34:742759
[33] Jrgensen RM, Larsen J, Bergvinsdottir KB (2007) Solving the dial-a-ride problem using
genetic algorithms, Journal of the Operational Research Society, forthcoming
[34] Cordeau J-F, Laporte G (2003) A tabu search heuristic for the static multi-vehicle dial-a-
ride problem, Transportation Research B 37:579594
[35] Claudio Cubillos, Nibaldo Rodrguez, Enrique Urra (2009), Application of Genetic
Algorithms for the DARPTW Problem. International Journal of Computers,
Communications & Control, June 2009
[36] Zidi I. Zidi K. , Ghedira K, . Mesghouni K. (2010), A Multi-Objective Simulated
Annealing for the Multi-Criteria Dial a Ride Problem11th
IFAC/IFIP/IFORS/IEA Symposium on Analysis, Design, and Evaluation of
Human-Machine Systems ,Valenciennes France, 2010.
[37] Madsen OBG, Ravn HF, Rygaard JM (1995) A heuristic algorithm for the a dial-a-ride
problem with time windows, multiple capacities, and multiple objectives, Annals
of Operations Research 60:193208
[38] Jaw J, Odoni AR, Psaraftis HN, Wilson NHM (1986) A heuristic algorithm for the multi-
vehicle advance-request dial-a-ride problem with time windows, Transportation
Research B 20:243257.
[39] Teodorovic D, Radivojevic G (2000) A fuzzy logic approach to dynamic dial-a-ride
problem, Fuzzy Sets and Systems 116:2333.
[40] Colorni A, Righini G (2001) Modeling and optimizing dynamic dial-a-ride problems,
International Transactions in Operational Research 8:155166
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
125

[41] Coslovich L, Pesenti R, UkovichW(2006) A two-phase insertion technique of unexpected
customers for a dynamic dial-a-ride problem, European Journal of Operational
Research 175:16051615
[42] Brotcorne L, Laporte G, Semet F (2003) Ambulance location and relocation models,
European Journal of Operational Research 147:451468
[43] Ulungu E.L and. Teghem J (1994). The two-phases method: an efficient procedure to
solve biobjective combinatorial optimization problems. Foundations of
Computing and Decision Sciences, 20(2):149-165, 1994.
[44] Ehrgott M. and Gandibleux X (2000). A survey and annotated bibliography of
multiobjective combinatorial optimization. OR Spektrum, 22:425-460, 2000.
[45] Deb K, Pratap A, and Meyarivan T (2001) Constrained test problems for multi-objective
evolutionary optimization. In Proceedings of Evolutionary Multi-Criterion
Optimization, pages 284-298, 2001.
[46] Miettinen K (1999) Nonlinear multiobjective optimization. Kluwer Academic Publishers,
1999.
[47] Collette Y et Siarry P (2002) Optimisation multiobjectif. Eyrolles, 2002.
[48] Hwang, C. and Masud, A (1979). Multiple objective decision making - methods and
applications. In Lectures Notes in Economics and Mathematical Systems,
volume 164. Springer-Verlag, Berlin.
[49] Ishibuchi, H. and Murata, T. (1998). A multi-objective genetic local search algorithm and
its application to flow shop scheduling. IEEE Transactions on Systems, Man,
and Cybernetics Part C: Applications and Reviews, 28(3) :392403.
[50] Veldhuizen, D. V., Sandlin, B., Marmelstein, R., Lamont, G., and Terzuoli, A. (1997).
Finding improved wire-antenna geometries with genetic algorithms. In
Chawdhry, P., Roy, R., and Pant, P., editors, Soft Computing in Engineering
Design and Manufacturing, pages 231240, London. Springer Verlag.
[51] Ritzel, B., Eheart, J., and Ranjithan, S. (1994). Using genetic algorithms to solve a
multiple objective groundwater pollution problem. Water Resources Research,
30(5) :15891603.
[52] Wienke, P., Lucasius, C., and Kateman, G. (1992). Multicriteria target optimization of
analytical procedures using a genetic algorithm. Analytical Chimica Acta,
265(2): 211225.
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
126

[53] Coello, C. (1998). Using the min-max method to solve multiobjective optimization
problems with genetic algorithms. In IBERAMIA98, LNCS. Springer-Verlag.
[54] Schaffer, J. (1985). Multiple objective optimization with vector evaluated genetic
algorithms. In Grefenstette, J., editor, ICGA Int. Conf. on Genetic Algorithms,
pages 93100. Lawrence Erlbaum.
[55] Richardson, J., Palmer, M., Liepins, G., and Hilliard, M. (1989). Some guidelines for
genetic algorithms with penalty functions. In Third Int. Conf. on Genetic
Algorithms ICGA3, pages 191197.
[56] Surry, P., Radcliffe, N., and Boyd, I. (1995). A multi-objective approach to constraint
optimization of gas supply networks: The COMOGA method. In Fogarty, T.,
editor, Evolutionary Computing, AISB Workshop, LNCS, pages 166180,
Sheffield, U.K. Springer-Verlag.
[57] Jones, B., Crossley, W., and Lyrintzis, A. (1998). Aerodynamic and aeroacoustic
optimization of airfoils via a parallel genetic algorithm. In Proc. of the 7th
AIAA/USAF/NASA/ISSMO Symposium on Multidisciplinary Analysis and
Optimization, number AIAI-98-4811, pages 111.
[58] Allenson, R. (1992). Genetic algorithms with gender for multi-function optimisation.
Technical Report EPCC-SS92-01, Edinburg Parallel Computing Center,
Edinburg, Scotland.
[59] Lis, J. and Eiben, A. (1996). A multi-sexual genetic algorithm for multi-objective
optimization. In Fukuda, T. and Furuhashi, T., editors, Int. Conf. on Genetic
Algorithms ICGA, pages 5964, Nagoya, Japan.
[60] Goldberg, D. E. (1989). Genetic algorithms in search, optimization, and machine
learning.Addison-Wesley.
[61] Fonseca, C. and Fleming, P. (1995b). An overview of evolutionary algorithms in
multiobjective optimization. Evolutionary Computation, 3(1):116.
[62] Bentley, P. and Wakefield, J. (1997). Soft Computing in Engineering Design and
Manufacturing, chapter Finding acceptable Pareto-optimal solutions using
multiobjective genetic algorithms, pages 231240. Springer Verlag, London.
[63] Srinivas, N. and Deb, K. (1995). Multiobjective optimisation using non-dominated
sorting in genetic algorithms. Evolutionary Computation, 2(8) :221248.

t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
127

[64] Zhou, G. and Gen, M. (1999). Genetic algorithm approach on multi-criteria minimum
spanning tree problem. European Journal of Operational Research, 114:141152
[65] Abdelaziz, F., Krichen, S., and Chaouachi, J. (1999). Meta-heuristics: Advances and
trends in local search paradigms for optimization, chapter A hybrid heuristic for
multi-objective knapsack problems, pages 205212. Kluwer Academic
Publishers.
[66] Parks, G. andMiller, I. (1998). Selective breeding in a multiobjective genetic algorithm.
In Parallel Problem Solving from Nature PPSN5, pages 250259, Amsterdam.
Springer-Verkag.
[67] Halhal, D., Walters, G., Ouazar, D., and Savic, D. (1997). Water network rehabilitation
with a structured messy genetic algorithm. Journal of Water Resources Planning
and Management, 123(3) :137146.
[68] Baker, J. (1985). Adaptive selection methods for genetic algorithms. In Grefenstette, J.,
editor, Int. Conf. on Genetic Algorithms and their Applications, pages 101111,
Pittsburg. Lawrence Erlbaum.
[69] Horn, J. and Nafpliotis, N. (1993). Multiobjective optimization using the niched pareto
genetic algorithm. Technical Report 93005, University of Illinois, Urbana-
Champaign.
[70] Cunha, A., Oliveira, P., and Covas, J. (1997). Use of genetic algorithms in multicriteria
optimization to solve industrial problems. In Back, T., editor, Seventh Int. Conf.
on Genetic Algorithms ICGA97, pages 682688, San Mateo, California.
Morgan Kaufmann.
[71] Tamaki, H., Kita, H., and Kobayashi, S. (1996). Multi-objective optimization by genetic
algorithms : A review. In IEEE Int. Conf. on Evolutionary Computation
ICEC96, pages 517522.
[72] Sen, T., Raiszadeh, M., and Dileepan, P. (1988). A branch and bound approach to the
bicriterion scheduling problem involving total flowtime and range of lateness.
Management Science, 34(2) :254260.
[73] Stewart, B. and White, C. (1991). Multiobjective A*. Journal of the ACM, 38(4):775
814.
[74] White, D. (1982). The set of efficient solutions for multiple-objectives shortest path
problems. Computers and Operations Research, 9 :101107.
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
128

[75] Gandibleux, X., Mezdaoui, N., and Freville, A. (1996). A tabu search procedure to solve
multiobjective combinatorial optimization problems. In Caballero, R., Ruiz, F.,
and Steuer, R., editors, Second Int. Conf. on Multi-Objective Programming and
Goal Programming MOPGP96, pages 291300, Torremolinos, Spain. Springer-
Verlag.
[76] Ulungu, E. (1993). Optimisation combinatoire multicritre : dtermination de lensemble
des solutions efficaces et mthodes interactives. PhD thesis, Universit de Mons-
Hainaut.
[77] Gandibleux, X., Libert, G., Cartignies, E., and Millot, P. (1994). SMART : tude de la
faisabilit dun solveur de problmes de mobilisation de rserve tertiaire. Revue
des systmes de Dcision, 3(1) :4567.
[78] Srinivas, N. and Deb, K. (1995). Multiobjective optimisation using non-dominated
sorting in genetic algorithms. Evolutionary Computation, 2(8) :221248.
[79] Fonseca, C. and Fleming, P. (1995a). Multiobjective genetic algorithms made easy:
Selection, sharing and mating restrictions. In IEEE Int. Conf. on Genetic
Algorithms in Engineering Systems: Innovations and Applications, pages 4552,
Sheffield, UK.
[80] Wienke, P., Lucasius, C., and Kateman, G. (1992). Multicriteria target optimization of
analytical procedures using a genetic algorithm. Analytical Chimica Acta,
265(2) :211225.
[81] Kirkpatrick S, Gelatt C.D, and Vecchi M.P. Optimization by simulated annealing.
Science, 220:671{680, 1983.
[82] Aarts E.H.L and Korst J. Simulated annealing and boltzmann machines: a stochastic
approach to combinatorial and neural computing. Wiley, Chichester, 1989.

[83] Vidal R.V. (1993). Applied simulated annealing. Lecture Notes in Economics and
Mathematical
Systems, 396, 1993. Springer-Verlag.
[84] Koulamas C., Anthony S.R., and Jean R. (1994). A survey of simulated annealing
application to operations research problems. OMEGA, 22:41-56, 1994.
[85] Glover F. (1986). Future paths for integer programming and links to artificial
intelligence. Computers and Operations Research, 13(5):533-549, 1986.
[86] Glover F. and Laguna M.(1997) Tabu search. Kluwer Academic Publishers, 1997.
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
129

[87] Back T., Fogel D.B., Michalewicz Z., and Baeck T (1997). Handbook of Evolutionary
Computation. Institute of Physics Publishing and Oxford University Press, 1997.
[88] Goldberg D.E. (1989) Genetic algorithms for search, optimization, and machine learning.
Reading, MA: Addison-Wesley, 1989
[89] Schwefel H-P. (1981) Numerical optimization of computer models. Wiley, Chichester,
1981.
[90] Fogel D. (2000) Evolutionary Computation: Toward a New Philosophy of Machine
Intelligence (second edition). IEEE Press, 2000.
[91] Inge Li Grtz, (2006). Hardness of Preemptive Finite Capacity Dial-a-Ride. Institut for
Matematik og Datalogi Syddansk Universitet, http://www.imada.sdu.dk Preprints
2006 No. 4 February 2006 ISSN No. 0903-3920.
[92] Boudali I. ,Fki W., Ghdira K., (2004). How to deal with the VRPTW by using multi-
agent coalitions. Fourth International Conference on Hybrid Intelligent Systems
(HIS'04), Kitakyushu, Japan,2004
[93] Cordeau, J.F. and Laporte G., (2006). The Dial-a-Ride Problem: Models and Algorithms.
Les Cahiers du GERAD G200678 Copyright c 2006 GERAD
[94] Suman B.and Kumar P. (2006), .A survey of simulated annealing as a tool for single and
multiobjective optimization,. Journal of the Operational Research Society, vol.
57, no. 10, pp. 1143.1160, 2006.
[95] Mauri G.R, Lorena L.A.N, (2006). A Multiobjective Model and Simulated Annealing
Approach for a Dial-a-Ride Problem. Workshop dos Cursos de Computao
2006.
[96] Ferber J. (1995) Les Systmes Multi-agents : Vers un intelligence collective.
Informatique et Intelligence Artificielle, InterEditions, Paris, 1995.
[97] Labrie M.A (2004), Langage de communication agent bas sur les engagements par
lentremise des jeux de dialogue, Mmoire prsent `a la Facult des tudes
suprieures de lUniversit Laval pour lobtention du grade de matre des
sciences, Janvier 2004
[98] Florez-Mendez R.A (1999). Towards a standardization of Multi-Agent System
Frameworks. ACM Crossroads Student Magazine, Canada, 1999
[99] Sycara K.P. (1998). Multi-Agent Systems. American Association for Artificial
Intelligence, AI Magazine, pages 79-92, 1998.
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
130

[100] Vauvert G. and Seghrouchni A.E (2000). Formation de coalitions pour agents
rationnels. In : Proceedings des JLIPN2000, pages 11-12, Villetaneuse, France,
Septembre, 2000.

[101] Zidi I. , Zidi K. , Mesghouni K., Ghedira K. (2011) ,A Multi-Agent System based on
the Multi-Objective Simulated Annealing Algorithm for the Static Dial a Ride
Problem, 18th World Congress of the International Federation of Automatic
Control (IFAC).
[102] Bergvinsdottir K.B., (2004) . The genetic algorithm for solving the dial-a-ride problem.
Master Thesis of Science in Engineering. Department of Informatics and
Mathematical Modelling (IMM), Technical University of Denmark (DTU).
[103] Durfee E. H. and Lesser V. R. (1991), Partial global planning: A coordination
framework for distributed hypothesis formation, IEEE Transactions on Systems,
Man, and Cybernetics, 21(5), pp.1167-1183, September-October 1991.
[104] Chaib-draa B. (1996) Interaction between agents in routine, familiar and unfamiliar
situations. International Journal of Intelligent and Cooperative Information
Systems, 1(5):7-20, 1996.
[105] Ljungberg M. and Lucas A. (1992), The oasis air-traffic management system, In
Proceedings of the Second Pacific Rim International Conference on Artificial
Intelligence, PRICAI '92, Seoul, Korea, 1992.
[106] Cammarata S. McArthur D. and Steeb R. (1983) Strategies of cooperation in distributed
problem solving. In Proceedings of the Eighth International Joint Conference on
Artificial Intelligence (IJCAI-83), Karlsruhe, Germany, 1983.
[107] Fischer K., Mller J.P, Pischel M.and Schier D. (1995) A Model for Cooperative
Transportation Scheduling, In Proceedings of the First International Conference
on MAS, AAAI Press/MIT Press, pp.109-116, Menlo Park, California,1995.
[108] Chaib-draa B. (1994) Distributed Artificial Intelligence: An overview. In A. Ken, J. G.
Williams, C. M. Hall, and R.Kent, editors, Encyclopedia Of Computer Science
And Technology, volume 31, pages 215-243. Marcel Dekker, Inc, 1994.
[109] Gruer P., Hilaire V. and Koukam A. (2001) Multi-Agent Approach to Modelling and
Simulation of Urban Transportation Systems, Proceedings of the 2001 IEEE
SMC Conference, 6-10 October 2001, Tucson, Arizona, USA, pp.2499-2504.
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
131

[110] Said El Hmam M., Jolly D., Abouaissa H., Benasser A. (2005) Modlisation Hybride
du Flux de Trafic. Workshop avec cole intgre Mthodologies et Heuristiques
pour lOptimisation des Systmes Industriels 24-26 Avril 2005, Hammamet,
Tunisie. Pages193-198.
[111] Saussol B., Maouche S., Hayat S., Dekokere A. Dumont A (2000), Elaboration et mise
au point dun systme daide la dcision pour la gestion du rseau de transport
collectif de Montbliar, Rapport dtape INRETS-I3D-LAIL, Appui la
modlisation du systme multi-agents, juin 2000.
[112] Lachour H., Maouche S.and Mandiau R. (2001) Traffic Control Assistance in
Connection nodes, Proceedings of the 2001 IEEE SMC Conference, 6-10
October 2001, Tucson, Arizona, USA.
[113] Zidi I. , Zidi K. , Mesghouni K., Ghedira K. (2010) , Application de l'Algorithme de
Recuit Simul pour la Rsolution d'un Problme de Transport la Demande Bi-
objectif, La Cinquime Confrence Internationale en Recherche Oprationnelle,
Marrakech Maroc,2010.
[114] Talbi E-G., Rahoual M.,. Mabed M.H, and Dhaenens C. (2001) New genetic approach
for multicriteria optimization problems: Application to the flow shop. In
Evolutionary Multi-criterion Optimization (EMO), volume LNCS 1993, pages
416428. Zurich, Switzerland, 2001.

[115] Issam Zidi, Kamel Zidi, Khaled Ghedira, Khaled Mesghouni, 11th
IFAC/IFIP/IFORS/IEA Symposium on Analysis, Design, and Evaluation of
Human-Machine Systems ,Valenciennes France,2010. IEEE.

[116] Issam Zidi, Kamel Zidi, Khaled Ghedira, Khaled Mesghouni, special issue on
engineering management of the International journal on engineering
management and economics






t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2
132

Modlisation et Optimisation du Problme de Transport la Demande Multicritre et
Dynamique

Rsum : Le Problme de Transport la Demande (PTD), consiste prendre en charge le
transport des personnes partir d'un lieu de dpart vers un lieu d'arriv. Il est caractris par
un ensemble de demandes de transport et d'un nombre de vhicules disponible. L'ultime
objectif dans ce travail de thse est d'offrir une alternative optimise au dplacement
individuel et collectif.
Le PTD est class parmi les problmes NP-difficile, la majorit des travaux de recherche ont
t concentrs sur l'utilisation des mthodes approches pour le rsoudre.
En plus, il s'avre galement multicritre, la solution propose dans ce travail permet la fois
une rduction du temps de voyage concernant les demandes de transport ainsi que la rduction
de la distance parcourue. Dans ce rapport de thse, nous proposons notre contribution l'tude
et la rsolution du problme de transport la demande multicritre et dynamique en
appliquant l'algorithme de recuit simul multi-objectif. Une grande partie de notre travail
concerne la conception, le dveloppement et la validation des approches qui permettent de
donner des solutions optimales ou quasi optimales, pour un PTD. Ces approches utilisent une
mthode multicritre qui sappuie sur lalgorithme de recuit simul. La modlisation du PTD
est reprsente par une architecture multi-acteurs. Cette architecture nous montre laspect
distribu du systme, les interactions et les relations qui peuvent avoir lieu entre les diffrents
acteurs. Nous prsentons dans ce travail un Systme Multi-Agents pour la planification des
itinraires des vhicules affectes au transport des voyageurs. Les agents de ce systme
utilisent le module doptimisation dvelopp dans la premire partie.

Mots-clefs : Heuristiques, transport la demande, optimisation multi-objectif, algorithme de
recuit simul multi-objectif, systme multi-agents.

Modeling and Optimization a Dynamic and multicriteria Dial a Ride Problem.

Abstract: The Dial a Ride Problem (DRP) is to take passengers from a place of departures to
places of arrivals. Different versions of the dynamic Dial a Ride Problem are found in every
day practice; transportation of people in low-density areas, transportation of the handicapped
and elderly persons and parcel pick-up and delivery service in urban areas. In the DRP,
customers send transportation requests to an operator. A request consists of a specified pickup
location and destination location along with a desired departure or arrival time. The ultimate
aim is to offer an alternative to displacement optimized individually and collectively. The
DRP is classified as NP-hard problem thats why most research has been concentrated on the
use of approximate methods to solve it. Indeed the DRP is a multi-criteria problem, the
proposed solution of which aims to reduce both route duration in response to a certain quality
of service provided. In this thesis, we offer our contribution to the study and solving the DRP
in the application using a multi agent system based on the Multi-Objective Simulated
Annealing Algorithm.

Keywords: Heuristics, Dial a Ride Problem, Passenger Transportation, Multi-Criteria
Optimization, Multi-Objective Simulated Annealing Algorithm, Multi-Agent System
t
e
l
-
0
0
7
3
5
8
7
9
,

v
e
r
s
i
o
n

1

-

2
7

S
e
p

2
0
1
2