Essai Mathieu Theriault PDF

___________________________________________
Faculté des sciences de l'administration

MBA Laval-Gestion manufacturière et logistique
La gestion du transport de personnes à

mobilité réduite
Mathieu Thériault
________________________________________________________________________
Centre de recherche sur

les Technologies de
l’Organisation réseau
Été 2004
________________________________________
Remerciements
Tout d’abord, je tiens à remercier très sincèrement mes deux directeurs de recherches, M.
Jacques Renaud et M. Fayez Boctor. Grâce à leur savoir, leurs idées, leur disponibilité et
leur soutien, j’ai pu réaliser ce projet. Ma reconnaissance va également à la société du
Transport Adapté Québec Métro Inc., plus particulièrement à M. Jacques Ferland et M.
Michel Wilson, tant au niveau de leur intérêt pour ce projet qu’aux données essentielles à
la réalisation de cet essai.
Mes plus sincères remerciements vont aussi à mes parents et ma grand-mère qui m’ont
toujours encouragé dans la poursuite de mes études, ainsi que pour leur aide, leur
compréhension et leur soutien. Je remercie également mes deux frères et ma copine pour
leurs généreux conseils.
De plus, j’exprime ma gratitude envers le Centre de recherche des Technologies de

l’Organisation Réseau (CENTOR) et la Faculté des Sciences de l’Administration (FSA)
pour leur encadrement académique, leur aide financière ainsi que leurs infrastructures.
Finalement, je tiens à remercier tous ceux, malheureusement oubliés ici, qui ont contribué
à leur façon à ce document.
-I-
Table des matières
Remerciements ................................................................................I
Table des matières ......................................................................... II
Liste des tableaux......................................................................... IV
Liste des figures .............................................................................V
Chapitre 1 : Introduction............................................................... 1
1.1 PROBLÉMATIQUE DU TRANSPORT ADAPTÉ ................................................................. 1
1.2 OBJECTIFS DE L’ÉTUDE .............................................................................................. 2
1.3 MÉTHODOLOGIE UTILISÉE .......................................................................................... 2
1.4 STRUCTURE DU DOCUMENT DE RECHERCHE ............................................................... 4
Chapitre 2 : Présentation du TAQM ............................................. 6
2.1 PRÉSENTATION DE L’ENTREPRISE ............................................................................... 6
2.2 MÉTHODE DE CONSTRUCTION ACTUELLE DE L’ITINÉRAIRE DE LA FLOTTE DE
VÉHICULES ....................................................................................................................... 9
Chapitre 3 : Définition du problème .......................................... 12

3.1 FORMULATION DU PROBLÈME .................................................................................. 12
3.2 MISE EN CONTEXTE .................................................................................................. 15
3.2.1 Les objectifs ..................................................................................................... 15
3.2.2 Les caractéristiques du problème .................................................................... 16
3.2.3 Les contraintes ................................................................................................. 16
3.2.4 Caractéristiques particulières reliées au TAQM............................................. 17
Chapitre 4 : Revue de la littérature ............................................. 19
4.1 PROBLÈME DE TOURNÉES DE VÉHICULES AVEC FENÊTRES DE TEMPS ........................ 19
4.2 LE PROBLÈME DE CUEILLETTE ET LIVRAISON AVEC FENÊTRES DE TEMPS ................. 21
4.3 LE PROBLÈME DE TOURNÉES SUR APPEL ................................................................... 22
4.3.1 Résolution du problème de tournées sur appel à un véhicule ......................... 24
4.3.2 Résolution du problème de tournées sur appel à plusieurs véhicules ............. 26
-II-
Chapitre 5 : Méthode de résolution proposée ............................. 35
5.1 OBJECTIFS POURSUIVIS ............................................................................................ 35
5.2 ALGORITHME DE CONSTRUCTION PAR INSERTION PARALLÈLE.................................. 36
Chapitre 6 : Présentation du logiciel........................................... 44
6.1 DESCRIPTION DU LOGICIEL ....................................................................................... 44
6.2 ILLUSTRATION D’UNE SOLUTION ............................................................................. 49
Chapitre 7 : Évaluation de l’approche proposée ........................ 56
7.1 DONNÉES UTILISÉES ................................................................................................. 56
7.1.1 Structure de chacune des bases de données de clients .................................... 56
7.1.2 Structure pour l’évaluation de l’approche proposée....................................... 58
7.2 CRITÈRES D’ÉVALUATION ........................................................................................ 59
7.3 ÉVALUATION DE LA PERFORMANCE ......................................................................... 61
7.3.2 Analyse du nombre de véhicules utilisés afin de satisfaire la demande .......... 64
7.3.3 Analyse des différents critères définissant la satisfaction des clients.............. 66
7.3.4 Analyse des temps de résolution ...................................................................... 68
7.3.5 Analyse du nombre de clients total desservis après l’insertion des clients en
taxi............................................................................................................................. 69
7.3.6 Conclusion de l’analyse................................................................................... 70
Chapitre 8 : Conclusion............................................................... 72
Références bibliographiques ....................................................... 74
Annexes........................................................................................ 79
ANNEXE 1 : EXPLICATIONS DE LA BASE DE DONNÉES..................................................... 80
ANNEXE 2 : BASE DE DONNÉES DES CLIENTS ................................................................. 81
ANNEXE 3 : PRÉSENTATION DES RÉSULTATS DES TESTS ................................................. 82
ANNEXE 4 : PRÉSENTATION DE LA PROGRAMMATION .................................................... 83
-III-
Liste des tableaux
Tableau 1 : Caractéristiques des véhicules disponibles ...................................................... 8
Tableau 2 : Demandes de transports effectuées au TAQM .............................................. 11
Tableau 3 : Comparaison des différents algorithmes de résolution (DARP) ................ 33
Tableau 4 : Comparaison des différents algorithmes de résolution (DARP) (Partie2)..... 34
Tableau 5 : Information sur les clients.............................................................................. 49
Tableau 6 : Tableau des paramètres en fonction............................................................... 50
Tableau 7 : Tableau de la première partie de la cédule..................................................... 50
Tableau 8 : Tableau de la deuxième partie de la cédule ................................................... 52
Tableau 9 : Tableau de la première partie de la cédule après la deuxième itération ........ 53
Tableau 10 : Tableau des critères d’évaluation pour la définition des itinéraires des
personnes qui nécessitent l'utilisation d’un minibus (moyenne pour les 30 tests).... 61
-IV-
Liste des figures
Figure 1 : Territoire desservi par le TAQM........................................................................ 7
Figure 2 : Page d’accueil du logiciel................................................................................. 45
Figure 3 : Page du logiciel pour établir les paramètres en fonction.................................. 46
Figure 4 : Icône qui indique le temps de résolution du logiciel........................................ 46
Figure 5 : Page du logiciel qui donne les résultats de l’algorithme .................................. 47
Figure 6 : Page du logiciel pour visualiser la solution...................................................... 48
Figure 7 : Illustration de la première partie de la cédule ................................................. 51
Figure 8 : Illustration de la deuxième partie de la cédule ................................................. 52
Figure 9 : Illustration de la première partie de la cédule après la deuxième itération ...... 53
Figure 10 : Illustration des clients non inclus dans la première partie de la cédule ......... 54
Figure 11 : Illustration des clients non inclus dans la deuxième partie de la cédule ........ 54
Figure 12 : Comparaison des moyennes des temps de trajets pour l’ensemble de la flotte
de véhicule ................................................................................................................ 62
Figure 13 : Comparaison des moyennes des temps de trajets pour l’ensemble de la flotte
de véhicule ................................................................................................................ 63
Figure 14 : Comparaison du nombre de fois qu’un véhicule supplémentaire a été
nécessaire pour répondre à la demande .................................................................... 64
Figure 15 : Comparaison du nombre de fois qu’un véhicule supplémentaire a été
nécessaire pour répondre à la demande .................................................................... 65
Figure 16 : Comparaison des moyennes des séjours des clients à bord des véhicules ..... 66
Figure 17 : Comparaison des moyennes des moyennes des différences absolues entre les
temps demandés et les temps réels accordés............................................................. 67
Figure 18 : Graphique des moyennes des temps de résolution......................................... 68
Figure 19 : Comparaison du nombre total de clients desservis après l’insertion des clients
en taxi........................................................................................................................ 69
-V-
Chapitre 1 INTRODUCTION
Chapitre 1 : Introduction
Dans ce chapitre, nous présentons la problématique de l’environnement dans lequel nous

allons travailler tout au long de cette recherche. Par la suite, nous exposerons les
objectifs, la méthodologie utilisée ainsi que l’organisation de cet essai.
1.1 Problématique du transport adapté
Les services de transport en commun prennent de plus en plus d’importance au cœur des
villes d’aujourd’hui et une excellente satisfaction de la clientèle devient de plus en plus
importante. Les personnes à mobilité réduite n’ont pas la possibilité de profiter du service
de transport en commun offert à la population dû aux complications d’accessibilité et de
mobilité qui entourent leur transport. Par contre, ces personnes ont eux aussi le droit
d’avoir accès à un service de transport en commun de qualité. C’est donc pour répondre
aux besoins de ces personnes que le transport adapté existe. La demande grandissante
pour ce service, dû au désir d’accorder une plus grande attention aux besoins des
personnes à mobilité réduite de notre société, nous fait comprendre qu’il faut porter une
attention particulière à ce type de transport. Pour que ce type d’entreprise soit viable,
puisqu’il est rarement rentable, il faut constamment réévaluer le type de gestion afin de
l’améliorer pour en arriver à diminuer les dépenses au maximum. Pour atteindre cet
objectif, il faut, entre autre, se préoccuper de bien définir les trajets pour la flotte de
véhicules afin de répondre à un maximum de demandes de transport au moindre coût.
Plusieurs recherches qui ont déjà été réalisées sur le sujet ont abouti à des conclusions
intéressantes. Par contre, les méthodes provenant de ces recherches sont différentes et
visent des objectifs variés. Les complications provenant de la confection de l’horaire des
autobus pour personnes à mobilité réduite sont dues en grande partie aux fenêtres de
temps qu’il faut respecter pour chacun des utilisateurs et au fait que chaque client à un
point de départ et un point de destination particulier. Cette confection d’horaire fait donc
-1-
face à plusieurs contraintes et constitue un problème NP-Dur. De plus, il faut se

préoccuper des objectifs divergents des différents utilisateurs du réseau et de ses
gestionnaires. Il faut donc planifier les tournées pour les différents véhicules afin
d'améliorer la satisfaction de chacun. Les utilisateurs veulent bien sûr avoir un service
maximum pour un prix minimum. Les gestionnaires, pour leur part, veulent réduire les
coûts afin d’améliorer la rentabilité de leurs opérations.
1.2 Objectifs de l’étude
Nous avons choisi comme terrain d’application la société TAQM (Transport Adapté
Québec Métro Inc.) qui semblait avoir une méthode peu efficace pour l’établissement de
l’itinéraire de sa flotte de véhicules. Un premier objectif est de se familiariser avec
l’entreprise et de bien comprendre leur manière de fonctionner. Deuxièmement, nous
désirons identifier à quelle classe de problème correspond cette situation et trouver les
problèmes reliés dans la littérature. Troisièmement, nous désirons développer une
approche de résolution adéquate pour le problème pour ainsi en arriver à une solution
réalisable qui respect la totalité des contraintes. Par la suite, un logiciel pour la mise en
œuvre de l’approche proposée. À l’aide de ce dernier, une série de tests sur des données
d’une journée type et différents problèmes construits à l’aide de ces données réelles sont
effectués. Finalement, des analyses de certains paramètres de l’approche afin de
déterminer les meilleurs paramètres viennent terminer le tout.
1.3 Méthodologie utilisée
Voici la méthodologie qui a été utilisée afin d’atteindre les objectifs de cette recherche.
Dans un premier temps, le Transport Adapté du Québec Métro Inc. (TAQM), qui est un
service de transport public pour les personnes à mobilité réduite, est décrit de façon
détaillée dans le but de pouvoir comprendre son fonctionnement actuel et d’identifier le
-2-
potentiel d’amélioration au niveau de la confection des tournées. L’entreprise de transport

pour personnes à mobilité réduite de la région de Québec a donc été analysée afin d’en
identifier les caractéristiques, les objectifs ainsi que les contraintes auxquelles l’entreprise
se doit de faire face. Par la suite, une étude approfondie de la littérature a été réalisée afin
d’atteindre une meilleure connaissance du problème.
L’analyse de la littérature nous a donc permis de mettre en relief le problème du transport

adapté par rapport aux autres problèmes connexes rencontrés dans la littérature
scientifique, plus particulièrement ceux inclus dans les problèmes de tournées sur appel.
Il a donc été possible de rattacher le problème du transport adapté pour les personnes à
mobilité réduite au problème de transport de tournées sur appel. Ce problème est en soi
un problème très complexe par l’ensemble des caractéristiques qu’il renferme : des
fenêtres de temps précises, une flotte de véhicules contenant différents types de
véhicules, des types d’handicaps différents, etc. Des recherches ont déjà permis de
formuler le problème de différentes façons (un ou plusieurs véhicules, un ou plusieurs
dépôts, un ou plusieurs types d’handicaps, etc.). Avec une bonne étude des recherches
déjà effectuées, il a donc été possible de trouver des liens intéressants afin de développer
une approche adéquate pour la résolution du problème particulier du TAQM.
Afin de rendre l’approche de résolution plus réaliste, l’incorporation des contraintes

spécifiques observées à la société TAQM a été très importante. Dans un premier temps, il
a été nécessaire de développer une approche pour effectuer la résolution du problème.
Cela englobe la constitution d’un algorithme approprié, la prise en compte des contraintes
spécifiquement reliées au TAQM et finalement le test de la qualité de l’approche.
L’approche qui a été développée est un algorithme par insertion parallèle incluant les
différentes contraintes particulières reliées au TAQM. L’approche a été programmée à
l’aide du logiciel Visual Basic®.
-3-
Par la suite, l’analyse des différentes approches développées a permis de résoudre le

problème plus efficacement et d’accroître ainsi la qualité du service de transport. Pour ce
faire, des simulations ont été effectuées à l’aide de données réelles pour évaluer la qualité
des solutions finales. Nous disposons d’un ensemble de demande de transport provenant
d’une journée représentative (un dimanche de juillet 2002) avec les caractéristiques
réelles telles que le type d’handicap du demandeur, le lieu de départ et d’arrivée de
chacun des clients, la capacité des véhicules, les caractéristiques de chacun des véhicules,
les besoins particuliers découlant de la situation particulière de chacun des clients, etc.
Différentes simulations ont été effectuées, incluant différents paramètres, dans le but de
comparer les différentes méthodes de résolutions. Enfin, une évaluation des approches
éventuelles a permis de déterminer l’approche la plus susceptible d’aider le TAQM dans
l’établissement des itinéraires de sa flotte de véhicules.
1.4 Structure du document de recherche
Suivant l’introduction, le chapitre 2 présente une description détaillée de l’entreprise sujet

de l’étude, c’est-à-dire la société TAQM. La situation générale de l’entreprise est tout
d’abord expliquée, suivie par la description de la méthode actuellement utilisée afin
d’établir les itinéraires.
Le chapitre 3 établit la définition exacte du problème. Dans un premier temps, une mise
en contexte est effectuée. Ensuite, les principaux objectifs ainsi que les principales
contraintes sont détaillées. Les caractéristiques d’une solution adéquate sont expliquées et
une évaluation de la complexité de la problématique est réalisée.
Le chapitre 4 présente une revue de la littérature concernant trois classes de problèmes de

tournées. La première classe traite des problèmes de tournées de véhicules avec et sans
fenêtres de temps. La seconde traite du problème de cueillette et livraison c’est-à-dire le
-4-
problème de ramassage et livraison avec fenêtre de temps. Finalement, nous abordons les
divers problèmes de transport adapté.
Le chapitre 5 décrit la méthode de résolution proposée afin de résoudre le problème. Un

éclairage sur les différents objectifs poursuivis et les caractéristiques particulières de
l’approche est tout d’abord effectué. Par la suite, l’algorithme de résolution est énoncé de
façon détaillée.
Le chapitre 6 effectue l’évaluation de l’approche proposée. Pour commencer, les critères

d’évaluation sont exposés ainsi que les données utilisées. Ensuite, ce chapitre présente les
résultats et une analyse de performance de la méthode de résolution.
Finalement, une conclusion, des références ainsi que des annexes complètent cet essai.
-5-
Chapitre 2 PRÉSENTATION DU TAQM
Chapitre 2 : Présentation du TAQM
Dans ce chapitre, nous présentons l’entreprise sur laquelle porte cet essai. De plus, nous
définissons précisément la problématique à laquelle cette dernière doit faire face lors de
la planification de ses tournées.
2.1 Présentation de l’entreprise
Le Transport Adapté du Québec Métro Inc. (TAQM) est un

service de transport public à l’usage exclusif des personnes à
mobilité réduite. Cette corporation, qui est à but non lucratif, a
comme mandat de transporter, sur le territoire du Réseau de
Transport de la Capitale (RTC), les personnes à mobilité réduite qui ne peuvent utiliser le
service de transport en commun régulier. Le TAQM offre un service de transport public
de « porte-à-porte ». Ceci signifie que le chauffeur prend et dépose l’utilisateur à un
endroit particulier, d’un lieu de départ à un lieu de destination. Le budget d’opération du
TAQM est constitué à 75% d’une subvention du Ministère des transports du Québec.
Pour ce qui est du 25% restant, les municipalités desservies et la clientèle comblent la
différence. Le territoire desservi par le TAQM, illustré à la figure 1, couvre les
municipalités suivantes : Québec(2), Sainte-Foy(3), Charlesbourg(4), Beauport(5),
Sillery(6), Vanier(7), Cap-Rouge(8), l’Ancienne-Lorette(9), Loretteville(10), Lac St-
Charles(11), St-Émile(12), Boischatel(13) et Val-Bélair(14). Les villes sont identifiées
sur la figure 1 par chacun des numéros mentionnés ci-haut, de plus, le numéro 1
représente l’emplacement exacte du dépôt pour les véhicules du TAQM. Les heures de
service sont de 7h00 a.m. à 1h00 a.m. du lundi au vendredi et de 9h00 a.m. à 1h00 a.m.
pour les fins de semaine et les jours fériés.
-6-
Figure 1 : Territoire desservi par le TAQM
Le TAQM possède 14 minibus qui comptent chacun 6 places pour les chaises roulantes et
4 pour les personnes ambulantes. Il y a 17 chauffeurs qui travaillent directement pour le
TAQM, 11 répartiteurs, 1 chef des opérations et 12 téléphonistes afin de noter les
réservations. Le TAQM est aussi affilié avec une compagnie informatique (Telus
Solution D’Affaire) pour faire le développement et la gestion de leur système
informatique. Il y a aussi une affiliation avec 5 compagnies extérieures de taxi. Ces
compagnies offrent différents types de véhicules. L’énumération des différents véhicules
ainsi que leurs différentes capacités est effectuée dans le tableau 1.
-7-
Tableau 1 : Caractéristiques des véhicules disponibles

Capacité du véhicule
Type de Nombre de
Propriétaire Personnes Personnes en chaise
véhicule véhicules
ambulantes roulante
TAQM Minibus 14 4 6
Minibus 6 4 6
Compagnies Taxis adaptés 2 0 2

affiliées Taxibus illimité 6 0
Taxis réguliers illimité 4 0
Le TAQM veut réussir à planifier des itinéraires qui vont satisfaire la demande de sa
clientèle tout en minimisant les coûts. Pour effectuer une analyse des différents coûts, les
coûts de revient des différents moyens de transport nous ont été fournis lors de notre
visite au TAQM. Il est important de mentionner que c’est l’utilisation des taxis
indépendants, contrairement à ce qui est mentionné dans les différents problèmes de la
littérature, qui doit être privilégiée puisque c’est elle qui offre le coût de revient le plus
bas (6$ par transport). Par contre, l’utilisation des minibus est inévitable. Encore une fois
le privé à un coût de revient moins élevé qui est de l’ordre de 9,30$ par transport
comparativement à 19$ par transport avec la flotte du TAQM. L’autre avantage qui incite
l’utilisation des taxis est que ceux-ci peuvent-être utilisés selon la demande sans coût
fixe. En effet, l’utilisation des taxis n’occasionne aucun coût fixe mais seulement des
coûts variables dépendamment du nombre de clients desservi. Par contre, lorsque
l’utilisation d’un minibus est requise, le chauffeur doit être rémunéré pour une période de
8 heures. Il faut donc essayer d’utiliser au maximum ce minibus, puisqu’il y a un coût
fixe qui sera engendré pour une période de 8 heures.
-8-
2.2 Méthode de construction actuelle de l’itinéraire de la flotte de

véhicules
Dans cette section nous présentons le mécanisme de réservation des clients ainsi que la
méthode de construction des itinéraires. Pour ce faire, des données provenant d’une visite
effectuée à la société TAQM ont été utilisées. Premièrement, les clients ont un délai de 8
heures pour faire leurs réservations. S’il y a une réservation ou une modification à moins
de 8 heures, le service de réservation acceptera de modifier ou d’ajouter la réservation
seulement si l’horaire le permet. Ceci laisse une période approximative de 6 heures 30
minutes afin de planifier les itinéraires de la flotte. Pour les périodes de fort achalandage,
ce temps peut s’avéré nécessaire pour effectuer la planification. Pour les périodes moins
achalandées comme le soir, 2 heures 30 minutes semblent suffisantes pour planifier les
itinéraires. Les informations concernant les clients (heure demandée, endroit de départ,
endroit d’arrivé, handicap de la personne, etc.) sont entrées dans une base de donnée
informatique. À l’heure convenue, les répartiteurs font sortir les cartes de renseignements
avec toutes les informations nécessaires sur les clients demandeurs. Chacun des clients
est par la suite identifié par un drapeau qui donne toute l’information pertinente sur celui-
ci. Les drapeaux sont placés sur une carte de la région Québec pour ensuite être divisé en
différents groupes de clients. Les répartiteurs commencent donc par séparer les demandes
de transport, représentées par les drapeaux, par secteur, par heure et par mode de
transport (minibus ou taxi). Par la suite, ils rassemblent les demandes qui ont des
concordances (heure et mode de transport) et ils associent les demandes qui ont des
origines et destinations dans le même secteur.
Il y a aussi comparaison avec les journées antérieures, qui ont de grandes similitudes,
avec l’aide d’un logiciel informatique. Les similitudes proviennent des clients qui font la
même routine pour une journée particulière comme par exemple, plusieurs clients vont
travailler à la même place du lundi au vendredi, semaine après semaine. Les répartiteurs
reprennent donc les journées similaires pour les adapter aux cas particuliers par la suite.
Les répartiteurs gardent habituellement les mêmes heures de travail et s’occupent des
-9-
mêmes secteurs pour qu’ils se familiarisent avec leur secteur. Les clients ne peuvent pas
passer plus de 1 heure 30 minutes à bord du véhicule et les répartiteurs possèdent un jeu
de 30 minutes, avant et après l’heure demandée, pour planifier la demande de transport.
Si l’heure accordée pour le transport diffère de plus de 15 minutes avec l’heure
demandée, le répartiteur doit aviser le client. S’il est nécessaire, le transfert d’une
personne d’un véhicule à un autre est permis. Les répartiteurs privilégient autant que
possible les taxis puisqu’ils ont des coûts par transport moins élevés. De plus, il est
possible d’utiliser un taxi pour transporter un seul client et supporter seulement les frais
pour celui-ci. L’utilisation des taxis n’occasionne donc que des coûts fixes. Les minibus
doivent être utilisés pour une période de temps de 8h00 à cause de la convention des
chauffeurs (minibus TAQM) et un respect des ententes (minibus des compagnies
affiliées) ce qui provoque un coût fixe supplémentaire lors de l’utilisation d’un minibus
additionnel.
Le TAQM affecte différentes priorités aux demandes de service. En effet, la priorité de

service est donnée successivement aux demandes de transport pour du travail, des études
aux niveaux collégial et universitaire, des soins médicaux et autres services et, enfin, des
loisirs.
Afin d’avoir une idée de l’ordre de grandeur concernant les demandes de transports
effectués au TAQM, le tableau 2 illustre la demande moyenne par mois et par jour pour
la période du 1er janvier au 31 mai 2002. L’information disponible dans ce tableau est le
nombre de demandes, le nombre d’annulations et finalement le nombre de personnes qui
avaient effectivement pris un rendez-vous mais qui étaient absentes à l’endroit et l’heure
convenue pour le départ du transport. Par exemple, du 1er janvier au 31 mai 2002 il y a eu
143 131 déplacements, 11 810 annulations et 1 330 personnes manquantes à leur rendez-
vous.
-10-
Tableau 2 : Demandes de transports effectuées au TAQM

# de demandes # d’annulations # de personnes manquantes
Moyenne par jour 1 200 80 9
Moyenne par mois 36 600 2 440 275
Le TAQM doit respecter les fenêtres de temps pour ce qui est du début et de la fin du
transport et respecter un temps maximal que les clients passent à bord du véhicule.
Toutes les tournées des véhicules du TAQM doivent débuter et terminer au dépôt central.
Par contre, les minibus de la compagnie affiliée partent d’un endroit différent et les taxis
peuvent être à n’importe quel endroit. Le TAQM doit faire le transport de plusieurs
individus d’un endroit précis vers une destination déterminée et différente pour chacun.
Elle doit faire les itinéraires en prenant en considération les différents types de véhicules
et les différents handicaps des personnes. Finalement, elle possède un délai maximum de
6 heures 30 minutes pour effectuer chacun des itinéraires.
-11-
Chapitre 3 DÉFINITION DU PROBLÈME
Chapitre 3 : Définition du problème
Ce troisième chapitre présente le problème qui est étudié dans cet essai. Dans un premier
temps, une formulation mathématique est présentée et on explique en terme algébrique le
problème à l’étude. Ce modèle mathématique énonce alors les caractéristiques de la
problématique à solutionner. Cet exercice favorise la compréhension de l’objectif et des
contraintes prises en considération. Par la suite une mise en contexte est effectuée et
finalement des explications concernant les différents objectifs et les différentes
contraintes sont données.
3.1 Formulation du problème
Le problème peut être défini comme suit (Savelsbergh et Sol (1995)). N est l’ensemble
des demandes de transport. Pour chaque demande de transport i ∈ N, l’espace utilisé est
de qi et chaque demande de transport doit être transportée du point d’origine Ni+ à un
point de destination Ni-. L’espace utilisé qi est positif lorsqu’il est question d’un
embarquement de clients et il est négatif lorsqu’il est question de débarquement de
clients. V est l’ensemble des points d’origines et de destinations. M est l’ensemble des
véhicules, chaque véhicule k ∈ M a une capacité Qk. Pour tous les i,j ∈ V il y a dij qui
donne la distance du trajet ij et tij pour le temps de trajet. Les constantes ai et bi sont les
fenêtre de temps pour chaque origine de chaque demande de transport.
-12-
Cette formulation provient du GPDP (Savelsbergh et Sol (1995)) et comporte 4 types de

variables de décision, le problème est donc :
Variables
Xijk = Variable binaire qui prend la valeur de 1 si le trajet du véhicule k part de i

pour se rendre à j, et 0 sinon
Zik = Variable binaire qui prends la valeur de 1 si la demande de transport i est
assigné au véhicule k, et 0 sinon
Di = Spécifie le temps de départ du point i (i ∈ V)
Yi = Spécifie la charge du véhicule arrivant au nœud i (i ∈ V)
Fonction objectif
min ∑ X ijk tij ∀i, j∈V, (1)

k∈M
Contraintes
∑z
k ∈M
ik =1 ∀i ∈ N , (2)
∑ X −∑ X
j∈V
ljk
j∈V
jlk =0 ∀l∈V,k∈M, (3)
∑X
j∈V
ljk − zik =0 ∀i ∈ N , l ∈ N i+ ∪ N i− , k ∈ M , (4)
Dk + = 0 ∀k ∈ M (5)
D p − Dq ≤ 0 ∀i ∈ N , p ∈ N i+ , q ∈ N i− , (6)
Di +tij −D j + MX ijk ≤M ∀i, j∈V,k∈M, (7)
Yk + = 0 ∀k ∈ M (8)
-13-
∑Q Z
k∈M
k ik −Yl ≥0 ∀i∈N, l∈V, (9)
X ijk =1⇒Yi +qi =Yj ∀i, j∈V,k∈M, (10)
Di ≥ 0 ∀i∈V (11)
yi ≥ 0 ∀i∈V (12)
D p ≥ ai ∀p ∈ N i+ , i ∈ N (13)
D p ≤ bi ∀p ∈ N i+ , i ∈ N (14)
Dq −Dp ≤90 ∀q ∈ N i− , p ∈ N i+ (15)
X ijk ∈ {0,1} ∀i, j∈V,k∈M, (16)
z ik ∈ {0,1} ∀i ∈ N , k ∈ M , (17)
La contrainte (2) sert à vérifier si chacune des demandes est assignée à exactement un
véhicule. Les contraintes (3) et (4) servent à vérifier qu’un véhicule part d'un point
seulement s’il y est déjà arrivé et que la demande de transport est vraiment assignée à ce
véhicule. La contrainte (6) s’assure que le temps d’origine précède le temps de
destination et la (5) que le temps de départ de l’entrepôt est bien de 0. La contrainte (7)
vérifie que le temps de départ du point i plus le temps de trajet tij soit plus petit ou égal
au temps d’arrivé au point j. La contrainte (9) s’assure que la charge des véhicules n’est
pas dépassée et la (8) s’assure qu’il n’y a aucune charge au départ. Les contraintes (9) et
(10) s’assurent que la capacité de chacun des véhicules est respectée. Les contraintes (13)
et (14) donnent des fenêtres de temps à être respectées où le service doit commencer et se
terminer et la (15) donne un temps maximum qu’un client peut passer à bord du véhicule.
-14-
3.2 Mise en contexte
Cette section fait une brève mise en contexte sur la problématique du transport pour les
personnes à mobilité réduite. Le TAQM doit s’adapter à ce contexte afin d’effectuer une
bonne gestion de ses opérations. Les véhicules doivent faire le transport pour chacun de
leurs clients, d’un point de départ spécifique vers un point de destination spécifique,
habituellement sans aucun transfert de client à des points intermédiaires. La résolution du
problème va donc nous permettre, par la formulation d’un groupe de routes à être
empruntées, de satisfaire toutes les requêtes de transport. En somme, pour être capable
d’effectuer une bonne résolution du problème, il faut bien connaître le contexte qui inclus
les objectifs, les caractéristiques, les contraintes et les caractéristiques particulières reliées
au TAQM.
3.2.1 Les objectifs
La solution désirée est celle qui va minimiser les coûts, la durée du trajet et le temps
d’attente des clients. Par contre, étant donnée la complexité des problèmes multi-
objectifs, le choix d’un seul ou d’un petit nombre d’objectifs principaux se doit d’être
effectué. Dans le cas présent, l’objectif principal est de minimiser le temps total sur les
routes de l’ensemble des véhicules. Par la suite, un choix de techniques de résolution se
doit d’être fait. Le choix de différentes techniques, pour minimiser cet objectif, est crucial
afin de produire différentes solutions est de choisir la meilleure. Afin d’effectuer ce
choix, il est approprié de se servir des objectifs principaux pour en faire la mesure. En
général, une décision importante pour la résolution de ce problème est de trouver un
équilibre entre la rapidité d’exécution et une bonne qualité de solution; plus l’heuristique
prend de temps d’exécution, plus elle devrait donner une meilleure solution. Lors de cette
résolution du problème, il faut prendre en considération les différentes caractéristiques du
problème, celle-ci étant présentées dans la prochaines section.
-15-
3.2.2 Les caractéristiques du problème
Une des premières caractéristiques du problème qu’il faut prendre en considération est la
nature statique ou dynamique du problème. Pour un cas statique, toutes les demandes
sont connues d’avance et sont disponibles pour la construction de la route. Dans le cas
dynamique, les demandes sont prises en considération en temps réel. Un itinéraire est
donc modifié ou créé à chaque fois qu’une nouvelle demande de transport s’ajoute et cela
même si l’itinéraire est déjà en cours d’exécution. En conséquence, le groupe d'itinéraires
doit être ré-optimisé constamment lors de l’introduction de nouvelles demandes de
transport. Dans cet ouvrage, le problème est traité de façon statique puisque c’est
généralement le cas pour la société TAQM.
Il y a aussi le concept de dépôt qui est très important dans ce problème. Il peut y avoir
plus qu’un dépôt d’où les véhicules commencent et terminent leur itinéraire. Le problème
le plus simple est celui avec un seul dépôt central où tous les véhicules commencent et
terminent leurs trajets. Pour sa part, le TAQM a un seul dépôt central. Dans la prochaine
section, les contraintes qui reviennent généralement dans ce type de problèmes sont
présentées.
3.2.3 Les contraintes
Les véhicules doivent faire le transport pour chacun de leurs clients, d’un point de départ
spécifique vers un point de destination spécifique, habituellement sans aucun transfert de
clients à des points intermédiaires. La résolution du problème va donc nous permettre,
par la formulation d’un groupe de routes à être empruntées, de satisfaire toutes les
requêtes de transport à quelques exceptions près. Il est donc possible que la solution ne
réponde pas à la totalité des requêtes de transport des personnes en chaise roulante étant
donné que le nombre de véhicules pouvant les transporter est limité. Chacun des
véhicules a une capacité donnée, une localisation de départ et de fin. Chaque demande de
-16-
transport spécifie la quantité à être transporté, la localisation où elle doit être cueillie et la
localisation où elle doit être déposée. Chaque client doit faire tout le trajet à bord du
même véhicule sans transfert.
Les contraintes de temps sont des contraintes très importantes dans le cas présent
puisqu’il est question de transport pour des personnes qui veulent être à un endroit précis
pour une heure donnée. Ceci complique le problème puisque deux clients qui sont très
près l’un de l’autre ne seront pas nécessairement desservis par le même véhicule à cause
des contraintes de temps.
Les premières contraintes de temps à traiter sont les fenêtres de temps dans lesquelles les
clients veulent que leur départ ou leur arrivée soient effectués. Il y a une seconde
contrainte de temps qui spécifie le temps maximum qu’un client peut passer à bord d’un
véhicule. Les contraintes de temps sont aussi utilisées pour déterminer le temps au plus
tôt que les véhicules peuvent partir de leur dépôt et le temps au plus tard pour y revenir.
Les contraintes de temps sont importantes dans les problèmes de transport pour les
personnes à mobilité réduite, par contre plusieurs autres contraintes et caractéristiques
sont présentes dans des contextes particuliers. Dans la prochaine section il est donc
question des caractéristiques qui sont plus particulières au TAQM.
3.2.4 Caractéristiques particulières reliées au TAQM
Plusieurs contraintes et caractéristiques particulières, provenant directement des normes

établies par le TAQM, ont été prises en compte lors de la résolution du problème.
Premièrement, il y a une priorité de service qui est donnée successivement aux demandes
de transport pour du travail, des études aux niveaux collégial et universitaire, des soins
médicaux et autres services et, enfin, des loisirs. Les clients ne peuvent pas passer plus de
1 heure 30 minutes à bord du véhicule. Les heures de départ et d’arrivé de chacun des
clients ne doivent pas différer de plus de 30 minutes, avant ou après l’heure demandée.
-17-
Lors du choix des véhicules, les taxis doivent être mis en priorités autant que possible
puisqu’ils ont des coûts par transport moins élevés. De plus, les taxis peuvent être utilisés
avec des temps coupés selon la demande tandis que les minibus doivent être utilisés pour
8h00 à cause de la convention des chauffeurs (minibus TAQM) et un respect des
ententes (minibus des compagnies affiliées). S’il s’avère nécessaire, le transfert d’une
personne d’un véhicule à un autre est permis. Cette dernière caractéristique n’a pas été
traitée dans ce document étant donné le peu d’influence qu’elle a, dû à sa très grande
rareté.
-18-
Chapitre 4 REVUE DE LA LITTÉRATURE
Chapitre 4 : Revue de la littérature
Ce quatrième chapitre présente une revue de la littérature sur différents problèmes de

transport pertinents pour l’étude du problème général de cueillette et livraison. La très
grande quantité d’articles s’explique par le fait qu’une bonne résolution de ce type de
problème entraîne une économie de coût importante et un meilleur niveau de service.
Savelsbergh et Sol (1995) ont d’ailleurs fait récemment un bon survol du sujet.
Dans ce chapitre, nous présentons trois problèmes de tournées bien connus et largement
étudiés dont la maîtrise est préalable à l’étude de notre problème. Premièrement, il y a le
problème de tournées de véhicules avec fenêtres de temps. Deuxièmement, il y a le
problème de cueillette et livraison avec fenêtres de temps. Finalement, le problème de
tournée sur appel qui est un problème de cueillette et livraison où des personnes sont
transportées et où les contraintes de fenêtres de temps jouent un rôle très important.
Notons que l’amélioration individuelle des routes, il faut utiliser des méthodes
d’amélioration conçus pour le problème du voyageur de commerce. Parmi ces méthodes
d’amélioration les plus efficaces disponibles actuellement, notons celle de Helsgaun
(2000).
4.1 Problème de tournées de véhicules avec fenêtres de temps
Le problème classique de tournées de véhicules est un problème qui a fait l’objet de

nombreuses recherches, il traite le cas où chacun des clients a une demande déterminée et
où la flotte est homogène. Taillard (1993) a apporté une grande contribution à ce
problème par son heuristique de partitionnement. Au cours des dernières années, la
méthode de recherche tabou a été appliquée au problème de tournées par plusieurs
-19-
auteurs. Ainsi, Osman (1993), Gendreau et al. (1994), Rego et Roucairol (1996) et Xu et
Kelly (1996) se sont inspirés de la méthode tabou pour développer des approches de
résolutions efficaces. Par ailleurs, Prins (2004) obtient des résultats très intéressants en
utilisant l’algorithme génétique.
Les fenêtres de temps sont des intervalles de temps où les clients se doivent d’être
desservis. C’est un problème où l’on doit définir un ensemble de trajets à partir d’un
entrepôt, visitant chaque client, soit pour une cueillette ou pour une livraison, à l’intérieur
de sa fenêtre de temps pour ensuite revenir à l’entrepôt. Divers objectifs peuvent être
visés. Entre autres, il y a la minimisation du nombre de véhicules requis, la minimisation
du temps de transport et la minimisation de la longueur du trajet effectué par la flotte de
véhicules. Une borne sur la durée des routes peut être imposée.
Cordeau, Desaulniers, Desrosiers, Solomon et Soumis (2000) présentent un article

synthèse qui porte sur les récents développements concernant le problème de tournées de
véhicules avec fenêtres de temps. Ils montrent que les contraintes de temps peuvent être
soit non rigide, auquel cas elles sont relâchées au prix d’une certaine pénalité, ou soit
rigide, auquel cas il n’est pas permis de dépasser la limite supérieure. Ils présentent un
modèle incluant des contraintes de temps et de capacité. Les méthodes heuristiques
permettant de calculer des bornes supérieures sont d’abord présentées. Suivent les
modèles d’optimisation basés sur la relaxation Lagrangienne et la génération de colonnes
pour évaluer des bornes inférieures. Enfin, on présente l’utilisation de l’algorithme de
séparation et d’évaluations successives du « branch and bound » liée à ces méthodes afin
d’en arriver avec des solutions entières. L’article se termine par l’étude de cas particuliers
et d’extensions.
Plusieurs autres auteurs ont aussi grandement contribués à la résolution de ce problème.

Parmi ceux-ci, Rochat et Taillard (1995), Taillard, Badeau, Gendreau, Geurtin et Potvin
-20-
(1997), Cordeau, Laporte et Mercier (2001), Rousseau, Gendreau et Pesant (2002), Li et

Lim (2003) et Berger et Berkaoui (2004).
4.2 Le problème de cueillette et livraison avec fenêtres de temps
Dans le problème de cueillette et livraison avec fenêtres de temps, un ensemble

d’itinéraires doit être construit afin de satisfaire des demandes de transport. Une flotte de
véhicules est disponible pour réaliser les itinéraires. Chaque véhicule a une capacité
donnée, un endroit de début et un endroit de fin. Chaque demande de transport indique la
taille de la charge à transporter, l’endroit où elle se doit d’être cueillie (l’origine) et
l’endroit où elle se doit d’être livrée (la destination). Chaque charge doit être transportée
dans un seul véhicule de son origine à sa destination sans aucun transfert de véhicule
entre les deux points. Tous les véhicules partent et reviennent à un dépôt central. Ce
problème comporte donc des contraintes de temps : un intervalle de temps dans lequel le
client se doit d’être servi soit pour la cueillette ou pour la livraison. Ces contraintes
viennent compliquer la construction des routes. Dans la littérature, ces contraintes ont
souvent été relâchées afin de trouver des solutions plus rapidement. Il faut aussi prendre
en compte qu’un nouveau client qui s’ajoute amène deux nouveaux sites à visiter, un
point d’origine et un point de destination (Savelsbergh et Sol 1995).
Gendreau, Guertin, Potvin et Séguin (1998) décrivent des heuristiques de recherche

locale avec mémoire adaptative, en particulier avec la recherche tabou, afin d’optimiser la
planification des routes pour une flotte de véhicules de transport. L’étude se situe dans un
contexte où les requêtes de service, chacune avec un point de collecte et un point de
livraison incluant des fenêtres de temps, sont reçues et doivent être réparties en temps
réel. Une approche en parallèle à deux niveaux est utilisée afin d’augmenter la puissance
de calcul entre les événements. Au plus haut niveau, différentes recherches s’exécutent en
parallèle puis, à l’intérieur de chacune, le problème est décomposé en sous-problèmes de
plus petite taille. Les résultats numériques démontrent les bénéfices apportés par de telles
-21-
procédures d’optimisation. Cette étude a montré que les heuristiques développées

permettent de résoudre les problèmes dynamiques de façon très efficaces.
Li et Lim (2001) proposent une méta-heuristique afin de résoudre un problème de

cueillette et livraison avec fenêtres de temps incluant plusieurs véhicules. Leur approche
est un algorithme de recuit simulé tabou-incorporée qui reprend une procédure de
recherche de la meilleure solution actuelle après plusieurs itérations de recherche sans
amélioration. En outre, leur algorithme peut être facilement adapté pour résoudre de
nouvelles généralisations du problème de cueillette et livraison avec fenêtres de temps.
4.3 Le problème de tournées sur appel
Le problème de tournées sur appel consiste à établir des routes et des cédules de
véhicules pour des utilisateurs qui indiquent des demandes d’embarquements et de
débarquements entre des origines et des destinations particulières. Régulièrement, le
même utilisateur aura deux demandes pour le même jour : une demande pour sortir de la
maison (par exemples : aller à l’hôpital ou aller travailler), et une demande de retour.
Dans la version standard, le transport est assuré par une flotte de véhicules identiques
établis au même dépôt. Le but est d’élaborer un ensemble d’itinéraires pour minimiser le
coût des routes des véhicules tout en respectant un ensemble de contraintes. Un excellent
sommaire des algorithmes les plus importants concernant les problèmes de tournées sur
appel a été effectué par Cordeau et Laporte (2003B). L’exemple classique du transport
sur appel est le problème de transport porte-à-porte pour les personnes à mobilité réduite
(Madsen, Ravn et Rygaard, 1995; Toth et Vigo, 1996, 1997; Borndörfer et al., 1997).
Les services de porte-à-porte peuvent fonctionner selon un mode statique ou dynamique.

Dans le premier cas, toutes les demandes de transport sont connues à l’avance, tandis que
dans le deuxième cas, les demandes sont graduellement exprimées tout au long de la
journée et les itinéraires des véhicules sont ajustés en temps réel dépendamment des
-22-
nouvelles demandes de transport. Dans la pratique, le problème de tournées sur appel

purement dynamique existe rarement puisqu’un sous-ensemble de demandes est
normalement connu à l’avance.
La plupart des études sur les problèmes de tournées sur appel se basent sur l’hypothèse
qu’une flotte de véhicules homogènes basés à un dépôt unique est disponible. La raison
étant que cette hypothèse reflète régulièrement la réalité et peut servir de base
intéressante pour la conception des modèles et des algorithmes. De plus, il est très
important de se rendre compte qu’une multitude de situations existent en pratique. Il peut
y avoir plusieurs dépôts, particulièrement dans des secteurs géographiquement larges, et
la flotte est parfois hétérogène. Quelques véhicules sont conçus pour porter des fauteuils
roulants seulement, d’autres peuvent seulement servir les passagers ambulants et certains
sont capables de s’adapter aux deux types de passagers. Dans certains problèmes, la
considération principale est d’abord de déterminer la taille de la flotte de véhicules et
d’établir les itinéraires capables de satisfaire la totalité des exigences tandis que dans
d’autres, le but est de maximiser le nombre de demandes qui peuvent être servies avec
une flotte de véhicules de taille fixe.
Ceci étant dit, il est normal de considérer le problème sous deux angles différents. Le
premier est de réduire au minimum les coûts des opérations dans le but de répondre
entièrement à la demande et aux différentes contraintes et la deuxième est de maximiser
la satisfaction des clients sujet à la disponibilité des véhicules et aux différentes
contraintes. Les coûts d’opération les plus communs sont reliés à la taille et au
fonctionnement régulier de la flotte, l’utilisation occasionnelle des véhicules
supplémentaires ainsi qu’aux salaires des conducteurs. D’autres parts, les différents
critères pour l’évaluation de la satisfaction de la clientèle sont la durée de l’itinéraire, la
longueur de l’itinéraire, le temps d’attente du client, le temps total passé à bord des
véhicules et la différence entre le temps réellement obtenu et le temps désiré pour le
début du service. De plus, certains de ces critères peuvent être traités comme contraintes
ou en tant qu’élément de la fonction objectif.
-23-
Dans les deux prochaines sections, le problème de tournées sur appel est divisé selon le
nombre de véhicules disponibles.
4.3.1 Résolution du problème de tournées sur appel à un véhicule
Bien que le cas avec un seul véhicule puisse paraître restrictif, les algorithmes développés
peuvent servir pour résoudre des problèmes incluant plusieurs véhicules. C’est
principalement pour cette raison qu’il est si important de posséder l’habileté à résoudre le
problème de tournées sur appel avec un seul véhicule. La version avec un véhicule a reçu
une attention importante de la part des chercheurs durant les dernières années.
Un des cas les plus simples du problème de tournées sur appel est celui où toutes les
demandes sont connues à l’avance et où tous les utilisateurs sont servis par un simple
véhicule. Dans ce contexte, Psaraftis (1980) a développé une procédure d’optimisation
exacte, basée sur la programmation dynamique, pour résoudre les versions statiques
considérant un seul véhicule. La fonction objectif étant la minimisation du temps total
pour l’accomplissement de l’itinéraire et la minimisation de l’insatisfaction des clients.
L’insatisfaction des clients est exprimée par une combinaison du temps d’attente avant
d’être pris en charge et le temps passé à bord du véhicule. Au lieu de procéder avec des
fenêtres de temps, le transporteur impose des contraintes de « changement de position
maximale » limitant ainsi la différence entre la position d’un utilisateur dans la liste des
demandes et sa position dans l’itinéraire du véhicule.
Ce dernier algorithme a, par la suite, été mis à jour par le même auteur (Psaraftis, 1983)
pour manipuler les fenêtres de temps que les utilisateurs spécifiaient. Comme il en est
souvent le cas dans des formulations de programmation dynamiques, l’algorithme peut
seulement résoudre, de façon optimale, des exemples relativement petits, puisque la
procédure a une complexité de O(n23n). Le plus grand exemple résolu en utilisant cette
approche contient neuf utilisateurs. Puisque la plupart des problèmes de tournées sur
-24-
appel qui se posent en pratique sont beaucoup plus grand, l’approche proposée pourrait
s’avérer utile comme sous-programme dans un algorithme incluant plusieurs véhicules si
le nombre d’utilisateurs dans chaque itinéraire demeure relativement petit. Psaraftis
(1983) a également développé une heuristique simple dont la complexité est de O(N2)
pour résoudre le problème statique de tournées sur appel avec un simple véhicule. Une
analyse de la performance de l’algorithme révèle que l’heuristique en arrive à
d’excellents résultats pour des problèmes comprenant jusqu’à 100 nœuds.
Dans le contexte du transport pour personnes à mobilité réduite, Desrosiers, Dumas et

Soumis (1984A), présentent eux aussi un algorithme de programmation dynamique pour
résoudre le problème d’un seul véhicule desservant un ensemble d’usagers donnés. La
capacité du véhicule ne doit pas être excédée et les fenêtres de temps du point d’origine et
du point de destination se doivent d’être respectées. L’objectif est de trouver l’itinéraire
qui minimise la distance totale du trajet. Leur algorithme résout les problèmes incluant 40
demandes. Le sous-problème correspond à une généralisation du problème du voyageur
de commerces et peut avoir jusqu’à 80 nœuds. L’efficacité de leur algorithme de
programmation dynamique est largement due à l’utilisation de critères efficaces
d’élimination pour les situations qui sont infaisables. Des problèmes incluant plus de 40
demandes n’ont pas été évalués puisque, dans le contexte de transport pour les personnes
à mobilité réduite, un véhicule traite, selon eux, rarement plus de 20 demandes par jour.
Cet algorithme peut également être utilisé pour faire l’optimisation de routes produites
par des heuristiques pour le problème avec plusieurs véhicules. La distance du trajet est
réduite de 4% à 5% sans diminuer la qualité du service. L’algorithme peut aussi être
utilisé pour vérifier la faisabilité de servir un groupe de demandes avec un véhicule dans
une approche qui commence par un regroupement de clients pour terminer par la
confection de la cédule.
La version dynamique du problème de tournées sur appel avec un simple véhicule a

également été considérée par Psaraftis (1980). Dans ce problème, les nouvelles demandes
se produisent dynamiquement dans le temps mais aucune information sur les futures
-25-
demandes n’est disponible. Quand une nouvelle demande devient connue une solution
prévue est disponible. Toutes les demandes qui ont déjà été traités peuvent ne plus être
considérées. Le problème est alors ré-optimisé en y introduisant la nouvelle demande.
Ceci est fait en appliquant l’algorithme de programmation dynamique développé pour le
cas statique. Une des difficultés pratiques provenant de cette approche est d’être capable
de résoudre le problème pour le temps t avant l’arrivée de la prochaine demande. Ceci
peut être infaisable si l’algorithme est lent et si les demandes arrivent trop rapidement.
Une alternative pour cette problématique a récemment été proposée par Gendreau,
Laporte et Semet (2001) dans le contexte de la re-localisation dynamique d’ambulances.
Il s’agit d’établir plusieurs scénarios en utilisant le calcul en parallèle en prévision de
futures demandes. En dépit de ses limites, le travail de Psaraftis sur la version dynamique
du problème de tournées sur appel incluant un seul véhicule a aidé à définir les concepts
utilisés dans des recherches postérieures concernant le problème dynamique de tournées
(Psaraftis, 1988 ; Psaraftis, 1995 ; Mitrovié-Minié, Krishnamurti et Laporte, 2004).
4.3.2 Résolution du problème de tournées sur appel à plusieurs véhicules
Dans le contexte du transport pour personnes à mobilité réduite, Desrosiers, Dumas et

Soumis (1984B) ont résolu le problème avec une approche de mini-regroupements des
usagers suivie d’une planification optimale des tournées de véhicules. Un algorithme
heuristique regroupe ensemble les usagers voyageant en même temps dans le même
véhicule. Le mini-regroupement est résolu de façon optimale par un algorithme de
génération de colonnes. Des problèmes comprenant jusqu’à 200 usagers et 85 mini-
groupes ont été résolus facilement. Les problèmes de taille supérieure sont résolus en
divisant la journée de travail en plusieurs périodes et en appliquant l’algorithme à
plusieurs reprises. Ce même document étudie aussi l’optimisation de routes de véhicules
pour un système à plusieurs véhicules. La construction des mini-groupes de clients
voyageant en même temps dans le même véhicule a été fait dans le but de diminuer les
difficultés de résolution. Ces mini-groupes permettent de réduire la taille du problème
tout en satisfaisant la totalité ou la majorité des contraintes.
-26-
Jaw et al. (1986) ont proposé une des premières heuristiques pour résoudre la version
statique du problème de tournées sur appel à plusieurs véhicules. Le modèle considéré
par ces auteurs impose des fenêtres de temps à chacun des arrêts des véhicules, c’est-à-
dire qu’il y a des fenêtres de temps pour les temps d’embarquement et pour les temps de
débarquement. Un temps maximum à bord du véhicule, exprimé comme une fonction
linéaire du temps à bord du véhicule, est imposée pour chaque utilisateur. Une fonction
objectif non linéaire combinant plusieurs types d’insatisfaction est employé pour
améliorer la qualité des solutions. Tout d’abord, les clients sont triés en ordre croissant
selon la demande de temps de service pour l’embarquement. Par la suite, l’heuristique
choisit successivement les utilisateurs dans cette liste triée de clients et les insère
graduellement dans des itinéraires de véhicules afin d’augmenter le moins possible la
fonction objectif. L'algorithme a été testé sur des exemples simulés avec 250 utilisateurs
et sur un vrai problème de 2 617 utilisateurs et de 28 véhicules.
Bodin et Sexton (1986) construisent des groupes d’utilisateurs qui sont étroitement reliés
ensemble dans une dimension combinée de l’espace et de temps avant d’appliquer, sur
chacun des groupes, un algorithme pour un seul véhicule (Sexton et Bodin 1985a, b). Des
résultats sont présentés sur deux exemples provenant d’une base de données de Baltimore
qui contiennent approximativement 85 utilisateurs chacun. Dumas, Desrosiers et Soumis
(1989) se sont, plus tard, basés sur cette approche biphasée en créant ce type de mini-
groupes d’utilisateurs, c’est-à-dire des groupes d’utilisateurs devant être servis dans le
même secteur et dans la même plage horaire. Ces mini-groupes sont alors combinés de
façon optimale pour former des itinéraires de véhicules réalisables, en utilisant une
technique de génération de colonne. Finalement, chaque itinéraire de véhicules est ré-
optimisée au moyen de l’algorithme pour un seul véhicule de Desrosiers, Dumas et
Soumis (1986), et une étape de confection de cédules est effectuée. Ces auteurs ont, avec
succès, résolu des exemples provenant de données réelles prises dans trois villes
canadiennes : Montréal, Sherbrooke et Toronto. Des exemples comprenant jusqu’à 200
utilisateurs sont facilement résolus. La phase de mini-regroupement a, plus tard, été
améliorée par Desrosiers et al. (1991) qui ont présenté des résultats sur un problème
comportant presque 3 000 utilisateurs.
-27-
Plus tard, Ioachim et al. (1995) ont démontré qu’il y avait un avantage, en terme de
qualité de solution, à recourir à une technique d’optimisation pour construire les mini-
groupes. Ils présentent une nouvelle approche « sous-optimale » de regroupement qui
résout un problème de cueillette et livraison à plusieurs véhicules et fenêtres de temps par
une méthode de génération de colonnes. Pour résoudre ce problème, ils ont enrichi en
plusieurs points de vue l’algorithme existant de Dumas et al. (1991). Premièrement, ils
proposent une modélisation originale du réseau, basée sur des listes de requêtes de
transports voisines. Deuxièmement, ils ont développé une nouvelle procédure
d’initialisation qui réduit le temps d’exécution de 40%. Troisièmement, ils ont généralisé
l’algorithme pour des capacités multidimensionnelles, de façon à accommoder trois types
de personnes à mobilité. Finalement, ils ont développé une heuristique pour réduire la
taille du réseau avec des pertes minimales au niveau de la qualité de la solution. Ceci
permet l’application de leur approche à des problèmes de grande taille. Pour comparer les
résultats de leur approche d’optimisation aux résultats d’une approche heuristique locale,
ils présentent également une approche de mini-regroupements par insertion parallèle. Les
résultats expérimentaux soulignent le succès de leur approche. Pour des problèmes tests
jusqu’à 250 demandes, leur méthode réduit le temps de déplacement à l’intérieur des
mini-regroupements de 10% en moyenne par rapport à l’insertion parallèle. Pour un
problème réel de 1545 requêtes, ils ont obtenu une amélioration significative de 5,9%
pour le temps total de déplacement par rapport à la procédure heuristique.
Un problème réel provenant de la vielle de Bologne a été abordé par Toth et Vigo (1996).
Les utilisateurs indiquent des demandes avec une fenêtre de temps sur leur
embarquement et sur leur descente. Une limite proportionnelle à la distance est imposée
sur le temps maximum que le client peut passer bord du véhicule. Le transport est assuré
par une flotte de minibus spécialisés et de voitures adaptées. Occasionnellement, des taxis
peuvent être utilisés, mais puisque ce n’est pas le meilleur mode de transport pour les
personnes à mobilité réduite, une pénalité est reliée à leur utilisation. L’objectif est de
réduire au minimum les coûts d’opération. Toth et Vigo ont développé un heuristique en
assignant d’abord les demandes aux itinéraires au moyen d’un procédé d'insertion en
parallèle, et en améliorant par la suite la performance en interchangeant des parties de
-28-
routes. Les essais ont été effectués sur des exemples impliquant de 276 à 312 demandes
et ont démontré des améliorations significatives comparativement aux solutions
fabriquées à la main.
D’autres améliorations ont plus tard été obtenues par ces mêmes auteurs (Toth et Vigo,
1997) par l'exécution d’une phase de post-optimisation de type « Tabu thresholding »
après l’étape d’insertion en parallèle. Ils décrivent une heuristique par insertion parallèle
qui est capable de trouver des solutions, pour des cas réels, en quelques secondes sur un
ordinateur personnel. Les heuristiques obtiennent de très bons résultats lorsque comparés
avec des solutions obtenues à la main, en termes de qualité de service (toutes les
conditions de service sont rencontrées) et de coûts en général. L’application de
l’approche proposée pour des problèmes réels avec environ 300 clients chacun montre
que l’algorithme par insertion parallèle est capable de déterminer les routes des véhicules
avec un respect de toutes les contraintes. De plus, le niveau de service obtenu avec les
itinéraires trouvés par l’algorithme est beaucoup meilleur que celui fait à la main, en
raison de la réduction de l’utilisation de taxis et du temps de service moyen pour les
utilisateurs. Les solutions initiales peuvent être améliorées en quelques minutes sur un PC
en employant une procédure tabou. Quand il y a plus de temps disponible, la procédure
tabou complète peut être appliquée pour obtenir de nouvelles améliorations.
Une autre étude, effectuée par Borndörfer et al. (1997), emploie également une approche
biphasée dans laquelle des groupes d’utilisateurs sont d’abord construits et sont ensuite
groupés ensemble pour former des itinéraires réalisables. Un regroupement est défini
comme un sous-tour durant lequel le véhicule n’est jamais vide. Le début et la fin de
chacun des sous-tours correspondent à l’embarquement du premier utilisateur et à la
descente du dernier utilisateur. Dans la première phase, un grand nombre de
regroupements intéressants est construit et un problème de division est alors résolu afin
de choisir un sous-ensemble de regroupements visitant chaque utilisateur exactement une
fois. Dans la deuxième phase, des itinéraires réalisables sont créés par la combinaison de
différents regroupements et un deuxième problème de division est résolu afin de choisir
-29-
le meilleur ensemble d’itinéraires répondant ainsi à chacun des clients exactement une
fois. Les deux problèmes de répartition sont résolus par une heuristique « branch-and-
cut ». Sur des exemples réels, l’algorithme doit parfois s'arrêter prématurément avec la
meilleure solution connue en raison des temps de calcul élevés. Il a été appliqué à des
problèmes comprenant 859 et 1771 demandes de transport par jour à Berlin.
Une heuristique développé dernièrement pour la version statique du problème de tournées

sur appel avec plusieurs véhicules provient de Cordeau et Laporte (2003A). L’heuristique
utilise la méthode de recherche tabou. Les utilisateurs indiquent une fenêtre pour la
période de débarquement lorsqu’il s’agit d’un voyage de sortie et une fenêtre de temps
pour la période d’embarquement lorsqu’il s’agit d’un voyage d’arrivée ainsi qu’un temps
maximum à bord du véhicule associé à chaque utilisateur. Le temps maximum passé à
bord du véhicule peut être identique pour tout les utilisateurs ou calculé en employant un
facteur maximum de déviation pour le temps à bord du véhicule dépendamment de
chacun des utilisateurs. Des contraintes de capacité et de temps maximum pour
l’itinéraire sont imposées aux véhicules. L’algorithme de recherche enlève itérativement
une demande de transport et la réinsère dans un autre itinéraire. Comme il est
régulièrement le cas dans de tels contextes (Gendreau, Hertz et Laporte, 1994 ; Cordeau,
Laporte et Mercier, 2001), on permet l’utilisation de solutions intermédiaires irréalisable,
à travers une fonction objectif pénalisante dans le but de trouver de meilleures solutions
ultérieurement. L’algorithme a été testé sur des exemples produits aléatoirement (24 < n
< 144) et sur six groupes de données (n = 200 et 295) fournis par un transporteur danois.
Peu de recherches sur la version dynamique incluant plusieurs véhicules sont rapportées
dans la littérature scientifique. Un cas intéressant élaboré par Madsen, Ravn et Rygaard
(1995) décrit la résolution d’un problème réel impliquant des services à des personnes
âgées et des personnes à mobilité réduite de Copenhague. Les utilisateurs peuvent
indiquer une fenêtre désirée de temps d’embarquement ou de descente, mais pas les deux
en même temps. Des véhicules de plusieurs types sont utilisés pour fournir le service, par
contre, ils ne sont pas disponibles à tout moment. Les demandes arrivent dynamiquement
-30-
tout au long de la journée, la vitesse des véhicules est variable et les véhicules peuvent
devenir indisponibles dus à une panne. Les auteurs ont développé un algorithme
d’insertion, appelé REBUS, basé sur un procédé précédemment développé par Jaw et al.
(1986). De nouvelles demandes sont dynamiquement insérées dans les itinéraires des
véhicules en tenant compte de leur degré d’urgence et de la difficulté de l’insertion dans
un itinéraire existant. L’algorithme a été examiné sur un groupe de 300 clients
comprenant 24 véhicules. Les auteurs rapportent que l’algorithme était capable de
produire des solutions de bonne qualité dans des temps de calcul très courts.
Comme il a été mentionné par Borndörfer et al. (1997), la distinction entre la version
statique et dynamique du problème de tournées sur appel est souvent difficile à faire. En
pratique, même si l’on décide de résoudre le problème de façon statique, le problème peut
paraître dynamique puisqu’il y a souvent des demandes qui sont décommandées et, en
conséquence, les transporteurs peuvent permettre l’introduction de nouvelles demandes
dans la solution préalablement conçue pour le problème statique. Bref, comme il a déjà
été mentionné, la version dynamique pure du problème de tournées sur appel existe
rarement puisqu’il y a habituellement un certain nombre de demandes qui sont connues
d’avance, la planification de ces demandes peut donc être fait en avance. La difficulté est
alors de concevoir des itinéraires de véhicules pour les demandes connues avec
suffisamment de flexibilité pour ainsi s’adapter dynamiquement à une future demande.
La problématique de la variation stochastique de la congestion routière due à

l’environnement urbain peut venir diminuer la qualité des solutions des heuristiques qui
n’en tiennent pas compte. Le transport est régulièrement, surtout dans les milieux
urbains, sujets à des contraintes étroites de temps de service et de changement de temps
dû à l’évolution du trafic routier. Fu (2002) tente d’introduire cette particularité dans la
résolution du problème. Partant de méthodologies existantes, il incorpore explicitement
un modèle de temps de voyage stochastique dans la formulation du problème. Cette
heuristique a été appliquée avec le plus grand succès pour résoudre le problème de
tournées sur appel. Il présente le problème de tournées sur appel avec des temps de route
-31-
dynamiques et stochastiques, et a finalement apporté trois contributions importantes. Tout

d’abord, la présentation d’un modèle unique des temps de route afin de représenter la
dépendance du temps et l’aspect aléatoire des temps de route, tenant compte du réalisme
et de la simplicité des modèles, aussi bien que de la disponibilité de l’information. La
deuxième contribution importante a été l’identification des hypothèses qui mènent à des
méthodes efficientes servant à déterminer des paramètres de distribution de temps
d’arrivée et des fenêtres probabilistes de temps de service. Avec ces hypothèses, la
stratégie de triage a pu être prolongée, ce qui a été à l’origine proposé pour vérifier
rapidement la faisabilité d’une étape d’insertion pour le problème de tournées sur appel
déterministe, pour résoudre le problème avec des temps stochastiques. La troisième
contribution présente un ensemble de modèles de coûts qui considèrent des objectifs de
différents problèmes de tournées et qui considèrent l’aspect aléatoire du coût des
tournées. Ces modèles servent à formuler et résoudre le problème d’optimisation de la
confection d’itinéraire donné sous le nouveau modèle de temps de route. En conclusion,
le modèle et l’algorithme ont été intégrés avec succès dans un outil de confection
d’itinéraires interactif (Fu, 2000) et pouvait résoudre des problèmes de taille réaliste sur
un ordinateur individuel.
Les deux tableaux suivants, tirés de l’article de Cordeau et Laporte (2003B), présentent
les comparaisons pour différents algorithmes de résolution considéré comme les plus
importants, pour le problème de tournées sur appel.
-32-
Tableau 3 : Comparaison des différents algorithmes de résolution (DARP) Source : Cordeau et Laporte (2003B)
Reference Type Objective Time Other Algorithm Size of prob-

windows constraints Lems solved
Psaraftis Single-vehicle, Minimize a None. Vehicle capacity. Exact. Dynamic n ≤ 9.
(1980) static and combination of route Maximum position programming.
dynamic. duration, ride time and shift.
waiting time.
Psaraftis Single-vehicle, Minimize route duration. On pick-up Vehicle capacity. Exact. Dynamic n ≤ 9.
(1983) static and drop-off. Maximum position programming.
shift.
Sexton (1979), Single-vehicle, Minimize weighted sum of Upper bounds Vehicle capacity. Heuristic. Iterates 7 ≤ n ≤ 20.
Sexton and static differences between actual on pick-up and between routing and
Bodin (1985a,b) and desired drop-off times, drop-off times scheduling phases.
and differences between
actual and shortest possible
ride times.
Desrosiers, Single-vehicle, Minimize route duration. On pick-up Vehicle capacity. Exact. Dynamic n ≤ 40.
Dumas and static. and drop-off programming.
Soumis (1986)
Jaw et al. (1986) Multi-vehicle, Minimize non-linear On pick-up or Vehicle capacity. Heuristic. n = 250 and
static. combination of several types drop-off Actual ride time cannot Insertions. n = 2617.
of disutility. exceed a given
percentage of minimum
ride time.
Bodin and Multi-vehicle, Minimize weighted sum of Upper bounds Vehicle capacity. Heuristic. Iterates n ≈ 85.
Sexton (1986) static. differences between actual on pick-up and between routing and
and desired drop-off times, drop-off times. scheduling phases.
and differences between
actual and shortest possible
ride times.
-33-
Tableau 4 : Comparaison des différents algorithmes de résolution (DARP) (Partie2) Source : Cordeau et Laporte (2003B)
Reference Type Objective Time Other Algorithm Size of prob-

windows constraints Lems solved
Dumas, Multi-vehicle, Minimize number of On pick-up Several vehicle types. Heuristic. Create mini- n ≤ 1890 in
Desrosiers and static. vehicles used, then and Vehicle capacity. clusters. Group them by
Soumis (1989), minimize total route Drop-off Maximum route duration. column generation. Apply DDS (1989),
Desrosiers et al. duration. scheduling phase. n = 2411 in
(1991), Ioachim
et al. (1995) DDSTV (1991),
n = 2545 in
IDDS (1995).
Toth and Vigo Multi-vehicle, Minimize total service On pick-up Vehicle capacity. Heuristic. Parallel 276 ≤ n ≤ 312
(1996,1997) static. cost. and Maximum ride time. insertions followed by
Drop-off intra-route and inter-route
exchanges in TV (1996)
and also tabu thresholding
in TV (1997).
Borndörfer Multi-vehicle, Minimize operational On pick-up Several vehicle types. Heuristic. Set partitioning 859 ≤ n ≤ 1771
Et al. (1997) static. costs (drivers and and Vehicle capacity. formulation solved by
vehicles). Drop-off Maximum route duration. truncated branch-and-cut
algorithm.
Wolfler Calvo Multi-vehicle, Maximize number of On pick-up Vehicle capacity. Heuristic. Clusters 10 ≤ n ≤ 180
and Colorni static. users that can be and constructed by assignment
(2001) served, then minimize Drop-off heuristic, followed by
user inconvenience. vertex reinsertions.
Cordeau and Multi-vehicle, Minimize total route On pick-up or Vehicle capacity. Heuristic. Tabu search 24 ≤ n ≤ 256
Laporte (2002) static. length. Drop-off Maximum route duration. With vertex reinsertions.
Maximum ride time.
Madsen, Ravn Multi-vehicle, Multi-criteria On pick-up or Several vehicle types. Heuristic. Vertex n = 300
and Rygaard dynamic. objective. Drop-off Vehicle capacity. insertions.
(1995) Maximum route duration.
Maximum deviation
between actual and
shortest possible ride times.
-34-
Chapitre 5 MÉTHODE DE RÉSOLUTION PROPOSÉE
Chapitre 5 : Méthode de résolution proposée
Ce cinquième chapitre présente la méthode de résolution proposée afin d’améliorer la

gestion des opérations pour le transport des personnes à mobilité réduite. Essentiellement,
comme il a déjà été mentionné, l’approche de résolution proposée se base sur
l’algorithme de Fu (2002). Des adaptations pour la situation particulière du TAQM ont dû
être apportées sur l’algorithme original. Les objectifs et les caractéristiques de l’approche
sont présentés ainsi que la description détaillée de l’algorithme.
5.1 Objectifs poursuivis
Dans un premier temps, il est important d’être capable de résoudre le problème de façon à
en arriver à une solution de base intéressante. De plus, cette solution doit satisfaire la
totalité des contraintes qui surviennent lors de la gestion des opérations du TAQM. Étant
donné l’aspect multicritère du problème, un choix parmi les différents objectifs possibles
est de mise. Lorsqu’on considère les objectifs pour un service de transport, la possibilité
de minimiser l’insatisfaction des clients à l’aide d’une fonction pondérée des temps de
retard occasionnés à chacun des utilisateurs, ou toute autre fonction qui tient compte de la
satisfaction des clients, semble intéressante. Par contre, étant donné que la satisfaction
des clients est déjà prise en considération par l’entremise du respect des contraintes
directement incluses dans l’algorithme, la possibilité d’utiliser ces critères comme
objectif a été écartée. Alternativement, nous pouvons utiliser des critères, tels que les
coûts d’opération, qui ne sont pas inclus directement dans l’algorithme. Nous pouvons en
plus choisir de garder les critères de satisfaction pour l’évaluation des résultats. Un
objectif qui cherche à minimiser les coûts d’opération du TAQM tout en améliorant par la
même occasion la satisfaction des clients est donc une alternative souhaitable.
-35-
La diminution du temps de route est un objectif qui semble traduire ces deux objectifs. En
diminuant le temps des trajets, plusieurs coûts d’opération se voient diminués : l’usure
des minibus, le besoin en essence, le besoin en chauffeurs, etc. Pour ce qui est de la
satisfaction des clients, elle est indirectement prise en considération par le respect des
contraintes incluses dans l’algorithme. De plus, étant donné la structure de l’algorithme, il
est possible de considérer un deuxième objectif. Effectivement, il est aussi possible de
minimiser le nombre de véhicules nécessaires afin de répondre à la demande. La
minimisation du nombre de véhicules provoque donc la diminution des coûts fixes
d’opération. La section suivante décrit l’approche qui a été utilisée pour traiter,
directement ou indirectement, ces divers objectifs.
5.2 Algorithme de construction par insertion parallèle
Comme il a été mentionné, nous avons décidé d’utiliser un algorithme de construction par
insertion parallèle existant et de l’adapter à notre contexte particulier. Cet algorithme
provient de l’article de Fu (2002) « Sheduling Dial-a-Ride Paratransit Under Time-
Varying, Stochastic Congestion ».
Quelques modifications ont été effectuées, mais la structure principale a été conservée.
La partie la plus importante que nous avons modifiée est celle concernant le trafic routier
puisque nous la trouvions peu pertinente dans le contexte présent. Par la suite, les
contraintes particulières rattachées au TAQM ont été ajoutées.
Pour commencer, il faut posséder toutes les informations nécessaires sur chacune des
demandes des clients : lieu de départ et de destination, les fenêtres de temps de service, le
mode de déplacement, les priorités de service, s’il y a un accompagnateur, la raison du
déplacement et toute autre information pertinente. Par la suite, un tri doit être effectué sur
le temps de cueillette demandé par chacun des clients pour ordonner les clients en ordre
croissant de temps de cueillette. Dans un second temps, un tri sur la priorité de service de
-36-
chacun des clients doit être fait afin de respecter le mieux possible ces priorités. Voici les
diverses notations qui seront utilisées tout au long de l’algorithme :
U ensemble de demandes des clients

v nombre de véhicules disponibles
w nombre de véhicules actifs devant être considéré pour la construction de la
cédule
s La cédule des véhicules créée pendant la planification avec
s*,s’, s’’ et s^ qui représentent les meilleures cédules
identifiées par différentes recherches
c Temps additionnel pour faire l’insertion d’un client dans une
route existante avec c*,c’,c’’ et c^ qui représente le temps
additionnel associé aux meilleures cédules identifiées par différentes
recherches ( c = temps total de la cédule incluant l’insertion du nouveau
client - temps total de la cédule actuelle)
n0 Profondeur de l’algorithme (cette notion sera expliqués dans la page
suivante)
n Position, dans le trajet d’un véhicule, pour l’emplacement d’origine du
client que l’on insère (lieu de départ)
m Position, dans le trajet d’un véhicule, pour l’emplacement de destination
du client que l’on insère (lieu de destination)
L’algorithme est composé en deux parties distinctes. La première partie tente d’abord de
construire une solution partielle incluant exclusivement les clients nécessitant
obligatoirement l’usage d’un minibus. Une cédule réalisable est donc crée de façon à
répondre le plus efficacement possible à la quasi totalité des demandes de transport. Par
la suite, afin de compléter cette solution partielle, l’algorithme procède à l’insertion des
clients pouvant être servis par les taxis et tente de réduire les coûts au maximum.
-37-
Partie #1 de l’algorithme
Comme mentionné ci-haut, cette première partie de l’algorithme sert à créer une cédule
réalisable de transport. Cette solution sera ensuite transféré à la seconde partie. Voici les
quatre fonctions de la première partie.
Fonction 1 : Répartition
La fonction répartition est celle avec laquelle l’algorithme s’amorce et se termine. C’est à
cette étape que le choix du client à traiter est effectué et que la profondeur de l’algorithme
est prise en considération. Ce que nous appelons la profondeur est le nombre total de
clients, tirés de la liste triée, qui seront comparés entre eux afin d’en choisir le client à
insérer. Lorsque la profondeur est mesurée en unité, il s’agit du nombre de clients qui
seront comparés entre eux. Lorsque la profondeur est indiqué par un intervalle de temps,
il s’agit de choisir parmi les clients qui ont une demande de cueillette inclus dans cet
intervalle de temps. Lorsqu’il y une profondeur en temps et en unité, il s’agit de
considérer la profondeur impliquant le moins de clients. Finalement, un appel aux autres
fonctions est effectué pour finalement revenir à la fonction répartition afin de faire la
mise à jour de la cédule qui deviendra éventuellement la solution finale. En voici les
étapes détaillées.
1. Initialisation :
¾ Déterminer les fenêtres de temps (ei,li) pour chaque arrêt (i) pour chacun des
clients dans la liste de trajets U non encore planifiés,
¾ Trier l’ensemble U en fonction du début de la fenêtre de temps (ei) pour
chacun des clients.
-38-
2. Choisir le client qui a le temps de cueillette le plus tôt :

Si le client peut être desservi par un taxi, l’affecter à un taxi et retour à l’étape 2,
Si le client nécessite l’usage d’un minibus et qui n’est pas encore inséré dans la
cédule, initialiser j au numéro séquentiel de ce client et c* = INFINI,
Si aucun client, terminer.
3. Sélectionner le client j provenant de U, faire ce qui suit :

3.1. Appeler la fonction Trouver_le_meilleur_véhicule_pour_effectuer_l’insertion (j),
qui retourne {k’, s’, c’} :
Si c’ < c*, alors j* = j ; k* = k’ ; c* = c’ ; s* = s’.
3.2. j = j+1, si j <= n0 alors répéter l’étape 3.
4. Effectuer les mises à jour :

4.1. Assigner le client j* au véhicule k*,
4.2. Mise à jour sur la cédule du véhicule k*,
4.3. Mise à jour sur l’information du client,
4.4. Enlever le client j* de l’ensemble des clients à traiter {U}, et aller à l’étape 2.
Fonction 2 : Trouver le meilleur véhicule pour effectuer l’insertion (Client i)
La seconde fonction sert tout simplement à trouver le meilleur véhicule pour effectuer
l’insertion du client en traitement. Le choix est effectué à l’aide d’une comparaison entre
les meilleures solutions possibles de chacun des véhicules actifs. Si la disponibilité des
véhicules actifs est insuffisante afin de répondre à la demande de ce client, un nouveau
véhicule devient actif. Advenant une situation où le nombre maximal de véhicule
disponible est atteint, il est donc impossible de servir ce client et il se fera refuser sa
demande de transport. Voici la fonction deux expliquée de façon détaillée.
-39-
1. Initialiser k = 1 et c’ = INFINI.
2. Sélectionner le véhicule k dans les véhicules actifs de l’ensemble w, et faire ce qui

suit :
2.1. Appeler la fonction Trouver_la_meilleure_position_pour_effectuer_l’insertion
(k, client i), qui retourne {s’’, c’’} :
Si c’’ < c’, alors k’ = k ; c’ = c’’ ; s’ = s’’.
2.2. k = k+1, si k <= w alors répéter à l’étape 2.
3. si c’ = INFINI et w < v alors :
Déplacer un véhicule de v vers w et initialiser k = w, aller à l’étape 2.
Sinon si c’ = INFINI et w = v alors :
Placer le client i comme rejeté (Il est impossible de placer ce client
dans la cédule, il sera donc impossible de le servir).
4. Retour de {k’, cedule’, c’}.
Fonction 3 : Trouver la meilleure position pour effectuer l’insertion ( véhicule k, client j)
La troisième fonction sert à trouver les meilleurs endroits pour effectuer l’insertion de
l’embarquement et du débarquement du client j dans le trajet du véhicule k. Chacune des
solutions possibles d’insertion pour le client j dans le véhicules k sera repérée et
comparée entre elles afin d’en faire ressortir la meilleure. Voici la fonction trois
expliquée de façon détaillée.
1. Initialiser n = 1, m = 2, c’’ = INFINI.
2. Appeler la fonction Vérification_des_contraintes (n, m, véhicule k, client j), qui

retourne {s^, c^}.
Si c^ < c’’, alors c’’ = c^ ; s’’ = s^.
-40-
3. Incrémenter la position de destination, dans la cédule du véhicule k, du client que l’on

veut insérer afin d’effectuer chacun des tests,
m = m+1, si m <= (n. d’arrêt du véhicule avant l’insertion + 2), aller à l’étape 2.
4. Incrémenter la position d’origine, dans la cédule du véhicule k, du client que l’on veut
insérer afin d’effectuer chacun des tests.
n = n+1, m = n +1 si n <= (n. d’arrêt du véhicule avant l’insertion + 1), aller à l’étape
2.
5. Retour de {s’’, c’’}.
Fonction 4 : Vérification des contraintes (n, m, Véhicule k, client j)
Finalement, c’est la quatrième fonction qui définit ce que la cédule deviendrait si la

dernière insertion était retenue. La fonction vérifie si les contraintes sont respectées et
termine par le calcul de la distance du trajet. Ce dernier calcul est réalisé afin d’effectuer
des comparaisons, entre chacune des solutions possibles, dans le but d’effectuer les
meilleurs choix possible pour l’évolution de la solution. Voici la fonction 4 expliquée de
façon détaillée.
1. Vérifier les contraintes de capacité :

¾ Contrainte de capacité pour le nombre de places disponibles afin
d’accommoder les personnes en chaise roulante,
¾ Contrainte de capacité pour le nombre de places disponibles afin
d’accommoder les personnes ambulantes.
Si l’une des contraintes est violée, alors c^= INFINI et l’on passe à l’étape 6.
2. Vérifier dans un premier temps si la solution respectera les contraintes de capacité et

de fenêtres de temps pour les nouveaux arrêts possibles et non pour la totalité des
arrêts. Ceci est fait dans but d’éliminer des solutions qui sont déjà irréalisables.
Lorsque la totalité de la nouvelle cédule sera connue, une deuxième vérification de
-41-
ces contraintes, et ce pour la totalité des points d’arrêts, devra être effectuée. Si l’une
des conditions est violée, alors c^ = INFINI et l’on passe à l’étape 6.
3. Trouver ce que deviendrait la cédule du véhicule k (s^) avec le client j inséré dans
l’itinéraire ayant comme embarquement le point n et comme débarquement le point
m.
4. Vérifier les contraintes. Si l’une des conditions est violée, alors c^ = INFINI et l’on
passe à l’étape 6.
Voici les différentes contraintes vérifiées :
¾ Les fenêtres de temps pour chacun des arrêts du nouveau trajet,
¾ Temps maximal à bord du véhicule pour chacun des clients.
5. Mise à jour de la cédule basé sur le temps de départ optimal (s^) et calculer la
distance additionnelle pour l’insertion (c^).
6. Retour de {s^,c^}
Partie #2 de l’algorithme
La deuxième partie de l’algorithme sert à trouver une nouvelle solution qui comprend
l’insertion des clients qui avait préalablement été affectés aux taxis dans les différentes
tournées déjà établies. Pour qu’un client soit inclus dans une tournée, il faut que sont
insertion respecte une contrainte supplémentaire établie dans le but ne pas détériorer la
qualité de la solution. Il faut donc choisir un temps maximal supplémentaire acceptable
pour insérer ce client.
En général, la deuxième partie de l’algorithme est similaire à la première incluant trois

modifications mineures. La première modification se trouve dans la première fonction. Il
s’agit tout simplement de modifier la sélection des clients afin de choisir les clients qui
ont été préalablement affectés aux taxis. Par la suite, il sera vérifié s’il est possible de les
-42-
inclure dans la cédule des minibus. Les deux autres modifications se retrouvent dans la
dernière fonction. Au tout début de la quatrième fonction, il y a une vérification pour
savoir si le client que l’on veut insérer se trouve trop loin de la trajectoire du véhicule. Si
c’est le cas, le client sera immédiatement réaffecté à un taxi pour ainsi éliminer des
possibilités inintéressantes. Finalement, une contrainte supplémentaire est ajoutée juste
après le calcul de la distance additionnelle de l’insertion. Il s’agit de vérifier si le temps
supplémentaire pour l’insertion de ce nouveau client respecte la nouvelle contrainte de
temps maximal supplémentaire pour insérer un client provenant d’un taxi.
-43-
Chapitre 6 PRÉSENTATION DU LOGICIEL
Chapitre 6 : Présentation du logiciel
Dans ce chapitre, une présentation du logiciel, qui a été programmé à l’aide du logiciel
Visual Basic®, ainsi que de son interface est effectuée. Finalement, une illustration d’une
solution obtenue à l’aide de ce logiciel est effectuée.
6.1 Description du logiciel
Le logiciel développé est une application pour la gestion des opérations dans un réseau de
transport pour les personnes à mobilité réduite. Il permet de traiter les demandes de
différents clients. C’est un outil d’aide à la décision qui permet de construire des trajets
pour une flotte de véhicules tout en respectant les différentes contraintes associées au
transport des personnes à mobilité réduite.
Dans cette section, des explications sont données sur l’utilisation du logiciel et sur les
différentes options possibles. Le logiciel est divisé en quatre interfaces principales. Il y a
premièrement la page d’accueil qui nous indique les informations pertinentes sur les
clients. Il y a deuxièmement la page des paramètres qui donne la possibilité d’identifier
les différents paramètres qui seront utilisés lors de la résolution. Il y a troisièmement la
page des résultats qui présente les résultats de l’algorithme. Finalement il y a l’interface
de visualisation qui donne la possibilité de visualiser, sur une carte routière, la solution.
L’interface visuelle du logiciel sera présentée, tout au long de cette section.
Pour commencer l’utilisation du logiciel, on doit en faire l’ouverture en pressant sur

l’icône « TAQM.exe ». La première page qui nous est alors accessible est la page
d’accueil. Il y a un tableau déroulant qui présente les informations les plus pertinentes
concernant les clients qui ont effectués une ou des demandes de transport. Lorsqu’on
arrive pour la première fois sur cette page, seulement deux options s’offrent à
-44-
l’utilisateur, soit d’aller déterminer les paramètres qu’il veut mettre en fonction pour
l’exécution de l’algorithme avec le bouton « Déterminer les paramètres » ou tout
simplement de fermer le programme avec le bouton « Sortie ». La page d’accueil est
illustrée à la figure 2.
Figure 2 : Page d’accueil du logiciel
Avant d’effectuer l’exécution de l’algorithme, il faut procéder à la définition des divers

paramètres en allant sur la page Changement des paramètres en pressant sur le bouton
« Déterminer les paramètres » de la page d’accueil. Il est alors possible de décider le
nombre de véhicules total qui seront disponibles pour répondre aux clients, le nombre de
véhicules qui seront actifs initialement, la profondeur de l’algorithme (que se soit en
unité, en minute ou les deux à la fois), la capacité du minibus pour les personnes en
chaise roulante ou ambulantes, le temps requis pour l’embarquement du client et
finalement le temps maximal supplémentaire pour accepter un nouveau client provenant
d’un taxi. Une fois les paramètres décidés, il faut valider les paramètres en pressant sur le
bouton « Valider les paramètres ». Par la suite, il est possible de retourner à la page
-45-
d’accueil pour commander l’exécution de l’algorithme. La page pour le changement des

paramètres est illustrée à la figure 3.
Figure 3 : Page du logiciel pour établir les paramètres en fonction
Lorsque les paramètres sont définis, il est possible de commander l’exécution de

l’algorithme en activant le bouton « Algorithme » de la page d’accueil. Lorsque
l’exécution de l’algorithme est terminée, une petite icône, comme celle présenté à la
figure 4, apparaît et affiche le temps d’exécution informatique en millièmes de seconde.
Par la suite, les boutons « Chemin » et « Insertion Taxi » sont activés sur la page
d’accueil et la mise à jour sur l’information des clients est effectuée. Il est donc possible
d’aller consulter le résultat de l’exécution de l’algorithme ou directement commander une
nouvelle fois l’exécution de celui-ci pour procéder immédiatement à l’insertion des
clients provenant des taxis.
Figure 4 : Icône qui indique le temps de résolution du logiciel
-46-
Lorsqu’on a pressé sur le bouton « Chemin » de la page d’accueil, on arrive sur la page
des résultats qui est illustrée à la figure 5. Il est alors possible de presser le bouton
« Résultats » pour visualiser les trajets de chacun des véhicules et les critères
d’évaluation. Par la suite, il est possible de visualiser les détails précis pour le trajet d’un
véhicule en particulier. Il s’agit simplement d’identifier le numéro du véhicule désiré
dans la case « Entrer le véhicule désiré » et de presser sur le bouton « Ok ». Il est aussi
possible de consulter les paramètres qui sont en fonction à la droite de la fenêtre. Par la
suite, il est possible de se rendre à la page qui permet de faire la visualisation des trajets
sur une carte routière en pressant sur le bouton « Visualisation ».
Figure 5 : Page du logiciel qui donne les résultats de l’algorithme
-47-
Une fois rendu sur la page de la visualisation, l’utilisateur entre le numéro du véhicule
dont il veut connaître le trajet ainsi que le premier et le dernier point de la partie du trajet
qu’il veut visualiser et presse le bouton « Visualisation ». Il est possible de visualiser une
partie exacte du parcours afin d’obtenir une visualisation plus claire du trajet. Une
explication du parcours que le véhicule doit emprunter apparaît ainsi qu’une carte
routière incluant le trajet en fluorescent et présentant les différents points d’arrêts.
Figure 6 : Page du logiciel pour visualiser la solution
Finalement, l’utilisateur peut naviguer dans le logiciel pour aller chercher l’information
qu’il désire se procurer. La prochaine section présente un exemple de la résolution d’un
problème à l’aide du logiciel.
-48-
6.2 Illustration d’une solution
Dans cette section, on présente un exemple de solution à partir d’un petit échantillon de
clients. Pour illustrer comment se comporte l’algorithme et obtenir un exemple d’une
solution, un problème comptant 15 clients a donc été résolu à l’aide du logiciel. On a
sélectionné les 15 premiers clients de la base de données officielle ayant fait des
demandes de transport qui sont inclus entre 7 heures 15 minutes et 9 heures 30 minutes
du matin. Un résumé de l’information concernant ces clients est donné dans le tableau 5.
Pour plus de détails, aller consulter les 15 premiers clients de la base de données
principale disponible dans l’annexe 2.
Tableau 5 : Information sur les clients
Position Num Code postal Code postal 2 Demande Déficiences Motif Appar Accomp Ambulante Chaise Vehicule
1 57 G1R 5N2 G1R 2J6 435 Physique Medical Can Refusé 1 0 Taxi
2 105 G1X 3E8 G1R 2J6 450 Physique Medical Quad Facult 0 1 Bus
3 120 G1C 3P9 G1R 2J6 450 Psyc Medical Aut Refusé 1 0 Taxi
4 121 G1J 2W6 G1R 2J6 450 Physique Medical Crm Facult 0 1 Bus
5 107 G3E 1B5 G1R 2J6 495 Physique Medical Aut Refusé 1 0 Taxi
6 106 G2M 1L2 G1R 2J6 495 Physique Medical Mar Facult 1 0 Taxi
7 62 G1N 4R2 G1R 4E8 570 Physique Service Mar Facult 1 0 Taxi
8 200 G1K 9B5 G1M 1N8 570 Physique Service Crm Facult 0 1 Bus
9 169 G1K 9B4 G1M 3E5 570 Physique Service Can Facult 1 0 Taxi
10 147 G1E 6P8 G1W 4X7 570 Physique Service Crm Facult (1) 1 1 Bus
11 199 G1K 2X6 G1M 1N8 570 Physique Loisirs Cre Facult 0 1 Bus
12 61 G1M 3B3 G1H 6R5 570 Physique Loisirs Mar Facult 1 0 Taxi
13 59 G1G 2N2 G1M 3J1 570 Physique Loisirs Aut Refusé 1 0 Taxi
14 167 G1R 2J6 G1E 6R4 570 Physique Loisirs Cre Facult 0 1 Bus
15 58 G1G 1Y6 G1L 4Z8 570 Intl Loisirs Aut Refusé 1 0 Taxi
Position = Position du client dans la liste lorsque le tri a été effectué sur l’heure demandé de service
Num = Position du client dans la liste primaire
Code postal 1 = Code postal de l’emplacement d’embarquement
Code postal 2 = Code postal de l’emplacement de débarquement
Demande = Demande de d’embarquement de la part du client en minute
Déficiences = Déficience du client
Motif = Motif du transport
Appar = Voir annexe 1
Accomp = Si un accompagnateur peut être accordé pour ce client
Ambulante = Combien de personnes ambulante doit être desservi par ce transport
Chaise = Combien de personnes en chaise roulante doit être desservi par ce transport
Véhicule = Type de véhicule requis
Tout d’abord, il faut choisir les paramètres qui seront en fonction tout au long de
l’exemple. Premièrement, le nombre de véhicules actifs initialement à été fixé à 1 et la
profondeur de l’algorithme à 3 unités (profondeur fixe). Le nombre de places disponibles
(personne en chaise roulante ou personne ambulante), le temps d’embarquement et le
temps maximal supplémentaire acceptable pour autoriser l’inclusion d’un client
provenant des taxis ont été fixés à partir des données réelles et des données qui ont été
-49-
utilisées tout au long des tests. Un résumé des paramètres en fonction est donné dans le
tableau 6.
Tableau 6 : Tableau des paramètres en fonction
Paramètres en fonction
Nb. de véhicules disponibles 5
Nb. de véhicules actifs initialement 1
Profondeur de l'algorithme (unité) 3
Nb. de personnes ambulantes / minibus 4
Nb. de personnes en chaise roulante / minibus 6
Temps d'embarquement (min) 5
Temps maximal supp.inclure client taxi (min) 5
L’algorithme est utilisé une premièrement fois pour traiter les clients qui nécessitent
absolument l’usage d’un minibus. Étant donnée que le nombre de véhicules actifs
initialement est de un et que le nombre de clients est petit, la solution nécessite
l’utilisation d’un seul véhicule. Les clients qui n’ont pas été inclus dans la solution sont
les clients qui ont été affectés aux taxis. L’illustration de la solution, c’est-à-dire
l’itinéraire du véhicule, est divisée en deux parties afin d’en faciliter la compréhension et
la visualisation. La division est facile puisque les clients se sont automatiquement divisés
en deux parties dépendamment de l’heure demandée. Il est possible de consulter l’état de
la solution avec le tableau 7 qui correspond à la première partie de la cédule ainsi que la
figure 7 qui correspond à l’illustration de cette partie du trajet.
Tableau 7 : Tableau de la première partie de la cédule

Première partie de la cédule
# illustration #clients Position client Emplacement Temps effectif Temps demandé Nb. chaises Nb.ambulantes
1 105 2 O 450 450 1 0
2 121 4 O 464 450 2 0
3 105 2 D 470 450 1 0
4 121 4 D 475 450 0 0
-50-
Figure 7 : Illustration de la première partie de la cédule
Il est aussi possible de consulter l’état de la deuxième partie de la solution avec le tableau
8 qui correspond à la deuxième partie de la cédule ainsi que la figure 8 qui correspond à
l’illustration de cette partie du trajet.
Il est intéressant de remarquer qu’une division s’est automatiquement effectuée selon les
heures de service et selon les emplacements d’origine ou de destination. La totalité des
contraintes a été respectée, que se soit les contraintes de temps ou de capacité. Par les
illustrations, effectuées sur les deux cartes routières, il est possible d’observer que
l’itinéraire du véhicule, malgré les multiples contraintes, a tendance à être extrêmement
logique. L’algorithme joue très bien avec les possibilités d’aller chercher un client un
peu plus tôt ou un peu plus tard pour ne pas être obligé de retourner sur ses pas.
-51-
Tableau 8 : Tableau de la deuxième partie de la cédule
Deuxième partie de la cédule

1 167 14 O 570 570 1 0
2 199 11 O 576 570 2 0
3 200 8 O 582 570 3 0
4 167 14 D 590 570 2 0
5 147 10 O 596 570 3 1
6 199 11 D 606 570 2 1
7 200 8 D 611 570 1 1
8 147 10 D 621 570 0 0
Figure 8 : Illustration de la deuxième partie de la cédule
Lorsqu’une première solution, tirée de la première itération, a été obtenue pour desservir
la totalité des clients qui nécessitent l’usage d’un minibus, il est possible de partir de cette
solution pour en fabriquer une deuxième qui prend en considération les autres clients qui
ont été attribués aux taxis lors de cette première itération. Il s’agit d’utiliser la deuxième
partie de l’algorithme, incluant quelques petites modifications et une contrainte
supplémentaire de temps maximal acceptable (ici fixé à 5 minutes de temps de route) à
l’algorithme. Ceci va faire en sorte, tout en respectant la totalité des contraintes, d’inclure
-52-
dans le minibus des nouveaux clients qui sont déjà sur le trajet établi ou bien qui ne
nécessitent qu’un léger détour. Après cette deuxième itération, il y a eu seulement des
ajouts de clients dans la première partie de la cédule. Les clients qui n’ont pas été inclus
dans la tournée sont les clients qui seront définitivement affectés à des taxis. Il est
possible de consulter l’information sur ces nouveaux clients, différenciés en ombragé,
dans le tableau 9. Par la suite, il est possible d’observer l’illustration de cette nouvelle
solution avec la figure 10. Il est à remarquer que les nouveaux clients inclus sont à
proximités de la trajectoire initiale.
Tableau 9 : Tableau de la première partie de la cédule après la deuxième itération

Première partie de la cédule (Deuxième itération)
1 105 2 O 450 450 1 0
2 57 1 O 463 435 1 1
3 121 4 O 470 450 2 1
4 105 2 D 476 450 1 1
5 121 4 D 481 450 0 1
6 57 1 D 486 435 0 0
7 169 9 O 540 570 0 1
8 62 7 O 546 570 0 2
9 169 9 D 552 570 0 1
10 62 7 D 559 570 0 0
Figure 9 : Illustration de la première partie de la cédule après la deuxième itération
-53-
Sur les figures 10 et 11, il est possible d’observer les clients qui n’ont pas été inclus dans
la cédule du véhicule dépendamment des deux différentes parties de l’horaire. Les clients
qui n’ont pas été inclus dans le trajet sont facilement identifiables puisqu’ils se trouvent
passablement loin du trajet de base. C’est donc pour cette raison que ces clients seront
desservis par un service de taxi régulier.
Figure 10 : Illustration des clients non inclus dans la première partie de la cédule
Figure 11 : Illustration des clients non inclus dans la deuxième partie de la cédule
-54-
La majorité des rejets sont explicables par l’éloignement des points de services du trajet
de base. Par contre, d’autres clients semblent être près du trajet et ne sont toutefois pas
desservis par le minibus. Ceci est dû au fait que d’autres contraintes se trouveraient
violées si ces clients étaient desservis. On peut prendre par exemple les points 12 et 13 de
la figure 11 qui représentent l’origine et la destination du client numéro 61. La raison de
son rejet est que l’itinéraire du véhicule passe par le point de débarquement du client
avant de passer par son point d’embarquement. Ceci enfreindrait donc la contrainte de
temps de route maximal supplémentaire acceptable afin d’inclure un client pouvant être
desservi par un taxi puisque le détour serait trop important. Plusieurs autres types de
rejets sont automatiquement effectués par l’algorithme dépendamment des contraintes en
vigueur.
-55-
Chapitre 7 ÉVALUATION DE L’APPROCHE PROPOSÉE
Chapitre 7 : Évaluation de l’approche proposée
Le chapitre précédent présentait le logiciel qui à été conçu ainsi qu’un exemple de
solution. De son côté, le présent chapitre traite de l’évaluation des différentes approches
et des divers paramètres sur la qualité de la solution. La première section présente les
données utilisées afin d’accomplir des tests représentatifs. Ensuite, il est question des
critères d’évaluation et de l’analyse avant de conclure avec les résultats.
7.1 Données utilisées
Dans cette section, il est question de présenter la structure des différentes bases de
données de clients et les combinaisons d’approches et de paramètres qui serviront à faire
les différents tests.
7.1.1 Structure de chacune des bases de données de clients
Pour commencer, il est important de mentionner que chacun de nos problèmes découle
d’une seule et même base de données qui provient d’un cas réel. Cette base de données
principale provient de demandes survenues pour un dimanche de l’été 2002. Elle contient
252 demandes de transport réparties sur le territoire desservi par le TAQM.
Premièrement, la base de données contient le lieu de départ et de destination de chacune
des demandes de transport des clients. On peut savoir s’il s’agit d’un retour ou d’un aller
avec l’heure demandée et l’heure accordée. Toutes les autres demandes de transport ainsi
que les heures demandées par un même client sont indiquées. Il est fait mention de la
déficience du client (physique, intellectuelle, etc.), des contraintes pour le transport (si la
personne utilise plus d’une place, chien guide, allergies, personne obèse, etc.), du motif
de déplacement (travail, études, soins médicaux, autres services, loisirs), du type de
-56-
déplacement du client (type de chaise, personne ambulante, etc.), si un accompagnateur

est accepté ou non et le type de véhicule requis qui est soit le taxi ou le minibus.
Finalement, un commentaire est fait s’il y a des spécifications particulières à prendre en
note. On peut consulter le détail de l’information renfermée dans cette base de donnée en
annexe 2. À partir de cette base de donnée principale, 29 autres bases de données ont été
élaborées dans le but d’effectuer une analyse de l’approche proposée. Cela nous procure
un total de 30 différents problèmes.
Il a été décidé que 30 problèmes de 252 clients seraient utilisés pour effectuer différents
tests afin d’évaluer la qualité de l’algorithme. Une méthode logique a donc été établie
dans le but de générer les nouveaux problèmes à partir de la base de données réelle. Pour
commencer, nous avons décidé de garder toutes les caractéristiques de chacun des clients
pour ne pas modifier le type de problème. Il a donc été convenu de seulement échanger
les données de chacun des clients entre eux. Pour ce faire, un décalage, alternativement
de 3 et de 5 positions pour chacun des nouveaux problèmes, est effectué sur chacun des
clients dans le but d’échanger leurs caractéristiques entre eux. La moitié des problèmes
ont été générés de cette façon. Par la suite, étant donné que le nombre de demande
nécessitant un minibus et le nombre de demandes nécessitant un taxi sont identiques,
c’est-à-dire 126 demandes pour chacun, il est possible de faire une simple permutation
entre ces deux caractéristiques pour générer un problème complètement différent tout en
gardant une image similaire du type de journée. En utilisant cette manière de procéder
pour générer les nouveaux problèmes, les différentes caractéristiques pour le type de
journée de travail ont été préservées. Différents tests ont été effectués sur chacun des
problèmes, la structure utilisée pour effectuer ces tests est expliquée dans la prochaine
section.
-57-
7.1.2 Structure pour l’évaluation de l’approche proposée
Pour tester la fiabilité et la performance de l’algorithme, il est important d’élaborer un

plan de tests à suivre. Il est de mise de bien comparer les différentes approches possibles
et d’étudier l’influence des paramètres sur le résultat final. Voici donc la structure des
différents tests :
¾ Comparaison entre 3 différents paramètres :

1. Un seul véhicule disponible initialement,
2. Deux véhicules disponibles initialement,
3. Quatre véhicules disponibles initialement.
¾ Tester chacune des combinaisons approche-paramètre sur 4 profondeurs de

recherche différentes :
o Choisir deux profondeurs variables et deux fixes :
¾ Profondeurs fixes (1 et 10),
¾ Profondeurs variables,
• Choisir la profondeur dépendamment d’un intervalle de
temps sur les temps de départ (15 et 30 minutes).
Pour commencer, trois différents paramètres ont été pris en considération. Premièrement,
un seul véhicule est disponible initialement, ce qui fait en sorte que les demandes sont
complètement prises en charge par un seul véhicule jusqu’à ce qu’il soit en incapacité
d’ajouter un client supplémentaire à son trajet, dès lors un nouveau véhicule est ajouté en
continuant le même processus. Deuxièmement, le nombre de véhicules actif initialement
est égal à environ la moitié du nombre total de véhicules qui sera utile pour desservir les
clients, ce qui équivaut à deux véhicules pour nos différents problèmes. Ceci fait en sorte
que l’algorithme attribue les clients au meilleur véhicule qui lui convient. L’algorithme
reçoit et organise donc les demandes jusqu’à ce que ces véhicules soient en incapacité
-58-
d’ajouter un client supplémentaire, dès lors un nouveau véhicule est ajouté en continuant
le même processus. Finalement, il a été évalué que, la majorité du temps, le nombre de
véhicules qui serait utile pour desservir la totalité des clients était de quatre. Donc, en
troisième nous initialisons le nombre de véhicules disponibles à quatre. Ceci implique
que les véhicules qui seront utilisés sont tous pris en considération dès le commencement
de la répartition des tâches.
Par la suite, une manipulation du paramètre de la profondeur de recherche dans

l’algorithme a été effectuée. Cette profondeur consiste au nombre de clients qui seront
comparés entre eux à une étape donnée de l’algorithme. Lorsqu’on choisit une profondeur
fixe, il s’agit du nombre exact de clients qui seront comparés entre eux tout au long de
l’exécution de l’algorithme. Par contre, lorsqu’une profondeur est considérée en minutes,
il s’agit de comparer les clients ayant une demande de cueillette qui est inclus dans un
intervalle de temps donné qui change dépendamment des clients traités. L’intervalle de
temps a une largeur égale à la profondeur en minutes, dans notre cas de 15 ou 30 minutes.
Pour calculer cet intervalle de temps, il suffit de prendre le premier client disponible,
ayant le temps de demande de cueillette minimal pour cette itération, et d’additionner la
profondeur au temps qui correspond à sa demande de cueillette. Bref, la borne minimale
étant le temps de cueillette et la borne maximale étant l’addition du temps de cueillette et
de la profondeur. Finalement, les différents tests seront comparés entre eux à l’aide de
critères d’évaluation qui sont présentés dans la prochaine section.
7.2 Critères d’évaluation
Étant donné que nous sommes en présence d’un problème multicritère, il n’est pas simple
de choisir un objectif précis qu’il est avantageux de suivre de façon exemplaire. Deux
objectifs ont été placés au premier plan, c’est-à-dire le temps total que la flotte de
véhicules roule sur les routes et le nombre total de véhicules utile pour répondre à la
demande. Ces deux objectifs sont donc nos critères d’évaluation principaux et c’est ceux-
-59-
ci que nous avons tenté de minimiser tout au long de notre algorithme. Par la suite, des
critères d’évaluation de la satisfaction des clients ont été choisis pour compléter
l’évaluation. Dans ce type de résolution, étant donné qu’il s’agit d’un problème réel, il est
aussi important de prendre en considération le temps de résolution informatique de
l’algorithme. Finalement, pour ce qui est de la deuxième itération de l’algorithme, le
nombre total de client qui ont pu être servi par un minibus est observé. Voici les
différents critères d’évaluation en ordre d’importance :
¾ Critères d’évaluation et de construction de la solution :

1. Distance totale pour l’ensemble des véhicules;
2. Le nombre de véhicules.
¾ Critères d’évaluation secondaires :

3. Temps de séjour de la part du client à bord du véhicule;
4. Temps de résolution de l’algorithme (Pentium III);
5. Nombre total de demandes de transport satisfaites par l’utilisation d’un
minibus après la deuxième itération de l’algorithme.
Les différents critères qui sont énumérés dans cette section peuvent être divisés en deux
groupes. Le premier groupe contient les critères d’évaluation qui nous indique à quel
point il est possible de minimiser les coûts des opérations tout en répondant le mieux
possible à la demande et aux différentes contraintes. Le deuxième groupe contient les
critères d’évaluation qui nous indique à quel point il est possible de maximiser la
satisfaction des clients tout en respectant la disponibilité des véhicules et aux différentes
contraintes. L’évaluation de la performance des différentes approches et des différents
paramètres, à l’aide de ces différents critères, fait l’objet de la prochaine section.
-60-
7.3 Évaluation de la performance
Pour commencer, comme il s’agit de nos objectifs principaux, nous portons une attention
particulière sur les différents temps de trajets obtenus pour l’ensemble de la flotte de
véhicules et sur le nombre de véhicules nécessaires afin de répondre à la demande. Tout
ceci est comparé dépendamment des paramètres en vigueur. Par la suite, des critères
touchant plus particulièrement la satisfaction de la clientèle sont étudiés. Il y a aussi une
section qui porte sur le temps de résolution informatique nécessaire pour la réalisation de
l’algorithme. Finalement, nous étudions l’influence des différents paramètres sur la partie
de l’insertion des clients provenant des taxis dans les tournées de véhicules qui ont
préalablement été construites. Une moyenne des résultats des 30 problèmes a été
effectuée dans le but d’en faire l’analyse. Les différents résultats sont présentés en annexe
3 et la moyenne des résultats est présenté dans le tableau 10.
Tableau 10 : Tableau des critères d’évaluation pour la définition des itinéraires des personnes qui
nécessitent l'utilisation d’un minibus (moyenne pour les 30 tests)
temps temps total (Flotte) #clients total Séjour total # de fois avec 5V
(p=1,v=1) 1,0 775,1 126,0 37,3 9
(p=1,v=2) 1,0 761,2 126,0 37,9 8
(p=1,v=4) 0,9 733,0 126,0 36,9 2
(p=10,v=1) 7,8 771,0 125,9 37,0 9
(p=10,v=2) 6,9 784,8 125,9 36,8 6
(p=10,v=4) 6,6 734,8 126,0 37,3 12
(p=15min,v=1) 3,3 736,9 126,0 37,2 7
(p=15min,v=2) 3,1 738,0 126,0 37,3 3
(p=15min,v=4) 2,9 708,4 126,0 36,9 1
(p=30min,v=1) 3,4 733,0 126,0 37,3 7
(p=30min,v=2) 3,3 736,4 126,0 36,8 3
(p=30min,v=4) 3,1 713,2 126,0 37,2 2
v = nombre de véhicules actifs initialement

p = profondeur de l’algorithme (soit en unité ou en minute)
temps = temps informatique, en minute, requis pour l’accomplissement de l’algorithme
temps total = temps, en minute, total requis par la flotte pour desservir les clients
#clients total = nombre de clients total desservi par la flotte de véhicule
Séjour moyen = temps moyen, en minute, passé par un client dans un véhicule
# de fois avec 5V = nombre de fois qu’une solution nécessite l’usage d’un cinquième véhicule
(normalement 4 véhicules sont suffisant pour répondre à la demande).
-61-
7.3.1 Analyse des différents temps de trajets obtenus pour l’ensemble de la flotte de
véhicules
Pour commencer l’analyse de la performance, il est approprié d’évaluer l’objectif

principal, c’est-à-dire le temps de route de l’ensemble de la flotte de véhicules pour une
journée de travail.
Moyennes des temps de trajets pour l'ensemble de la flotte de

véhicules
800,00
780,00
Temps (minute)
760,00
740,00
720,00
700,00
680,00
660,00
)
)
1)
2)
4)
)
=1
=2
=4
=1
=2
=4
=1
=2
=4
v=
v=
v=
,v
,v
,v
,v
,v
,v
v
,
1,
1,
1,
in
in
in
in
in
in
10
10
10
=
m
=
=
(p
(p
(p
15
15
15
30
30
30
(p
(p
(p
=
(p
(p
(p
(p
(p
(p
Paramètres
Figure 12 : Comparaison des moyennes des temps de trajets pour l’ensemble de la flotte de véhicule
À la figure 12, il est possible de comparer, avec des profondeurs fixes, l’influence que le
changement du nombre de véhicules initialement actifs a sur le temps de trajet de
l’ensemble de la flotte de véhicules. Il est possible de remarquer, à l’exception de la
profondeur fixe de 10 qui semble donner un temps un peu plus élevé lorsque deux
véhicules sont actifs initialement, que plus le nombre de véhicules actifs initialement est
élevé, plus on est capable de minimiser le temps de trajet. Donc, à première vue, il
semble intéressant de connaître le nombre de véhicules total qui sera utile pour combler
la totalité de la demande, pour ainsi structurer les itinéraires selon ce nombre de véhicules
dès le début de l’algorithme.
-62-
Moyennes des temps de trajet pour l'ensemble de la flotte de véhicules
800,00
780,00
T em p s (m in u te)
760,00
740,00
720,00
700,00
680,00
660,00
)
)
1)
2)
4)
1)
1)
2)
2)
4)
4)
=1
=2
=4
v=
v=
v=
v=
v=
v=
v=
v=
v=
,v
,v
,v
0,
0,
0,
in,
in,
in,
in,
in,
in,
=1
=1
=1
=1
=1
=1
m
m
(p
(p
(p
(p
(p
(p
15
30
15
30
15
30
=
=
(p
(p
(p
(p
(p
(p
Paramètres
Figure 13 : Comparaison des moyennes des temps de trajets pour l’ensemble de la flotte de véhicule
À la figure 13, il est maintenant possible de comparer les mêmes résultats, mais disposés
différemment pour une évaluation sous un nouvel angle. Il est maintenant possible
d’évaluer, avec un nombre de véhicules actifs initialement fixe, l’influence que le
changement du type de profondeur a sur le temps de trajet de l’ensemble de la flotte de
véhicules. Ici, on peut remarquer que lorsqu’on choisit d’utiliser une profondeur définie
en minutes, les résultats sur le temps de trajet semblent nettement meilleurs que
lorsqu’elle est définie de façon fixe.
Bref, pour ce qui est de la minimisation du temps de trajets pour l’ensemble de la flotte
de véhicules, il semble que plus on s’approche du nombre de véhicules nécessaire pour
répondre à la totalité de la demande et que l’on puisse activer dès le début ce nombre de
véhicules plus on arrive à de meilleurs résultats. De plus, la profondeur fixée en minutes
semble surpasser celle fixée de façon numérique.
-63-
7.3.2 Analyse du nombre de véhicules utilisés afin de satisfaire la demande
Dans cette partie, il est question de l’analyse du deuxième, et dernier, objectif qui est
explicitement tenu en compte dans l’algorithme, c’est-à-dire le nombre de véhicules
nécessaires afin de répondre à la demande d’une journée entière.
Nombre de fois qu'un véhicule supplémentaire a été nécessaire
14
Nombre de fois (unité)
12
10
8
6
4
2
0 )
)
)
1)
2)
4)
=1
=2
=4
=1
=2
=4
=1
=2
=4
v=
v=
v=
,v
,v
,v
,v
,v
,v
,v
,v
,v
0,
0,
0,
in
in
in
in
in
in
=1
=1
=1
=1
=1
=1
5m
5m
5m
0m
0m
0m
(p
(p
(p
(p
(p
(p
=1
=1
=1
=3
=3
=3
(p
(p
(p
(p
(p
(p
Paramètres
Figure 14 : Comparaison du nombre de fois qu’un véhicule supplémentaire a été nécessaire pour
répondre à la demande
Encore une fois, on peut s’apercevoir qu’en général, plus on connaît le nombre de
véhicules nécessaire et qu’on utilise ce nombre pour décider des véhicules actifs dès le
départ, plus les résultats semblent intéressants. Il y a encore les résultats provenant des
tests avec une profondeur fixe de 10 qui ne semble pas suivre la tendance. Bref, sans tenir
compte de ce dernier test, on passe de 9 à 2 fois pour une profondeur fixe de 1 unité, on
passe de 7 à 1 fois pour une profondeur de 15 minutes et finalement de 7 à 2 fois pour
une profondeur de 30 minutes en relation avec l’augmentation du nombre de véhicules
actifs initialement. De plus, on peut observer qu’en général la profondeur fixe de 10
unités ne donne pas de très bons résultats, c’est-à-dire de 9, 6 et 12 fois respectivement
pour les nombres de véhicules actifs initialement de 1, 2 et 4. La mauvaise performance
de cette profondeur s’additionne au fait que c’est seulement avec cette profondeur que
-64-
même avec 5 véhicules il est arrivé à deux reprises de ne pas satisfaire entièrement la
demande. C’est-à-dire que le nombre de véhicules disponibles était établi à 5 véhicules et
que la solution pour ces deux problèmes était incapable de satisfaire la totalité des
demandes avec ce nombre de véhicules. Ces résultats sont en rouge dans le tableau 10 des
critères d’évaluation. Ceci est survenu pour des tests effectués avec 1 et 2 véhicules actifs
initialement et ceci ce vérifie puisque la moyenne du nombre de clients total desservis par
la flotte n’est pas égale à 126.
À la figure 15, il est maintenant possible de comparer les mêmes résultats, mais disposés
différemment pour une évaluation effectuée sous un nouvel angle. Il est maintenant
possible d’évaluer, avec un nombre de véhicules actifs initialement fixe, l’influence que
le changement du type de profondeur a sur le nombre de fois qu’un véhicule
supplémentaire est nécessaire. Encore une fois, on peut observer que si l’on choisit de
définir la profondeur de l’algorithme selon un temps, la solution semble être de meilleure
qualité. On peut aussi remarquer qu’encore une fois la profondeur fixe de 10 unités donne
les moins bons résultats.
Nombre de fois qu'un véhicule supplémentaire a été nécessaire
14
Nombre de fois (unité)
12
10
8
6
4
2
0
)
2)
4)
)
)
=1
=1
=2
=4
=1
=1
=2
=2
=4
=4
v=
v=
,v
,v
,v
,v
,v
,v
,v
,v
,v
0,
0,
0,
=1
in
=1
=1
in
in
in
in
in
=1
=1
=1
0m
5m
0m
5m
0m
5m
(p
(p
(p
(p
(p
(p
=1
=3
=1
=3
=1
=3
(p
(p
(p
(p
(p
(p
Paramètres
Figure 15 : Comparaison du nombre de fois qu’un véhicule supplémentaire a été nécessaire pour
répondre à la demande
-65-
7.3.3 Analyse des différents critères définissant la satisfaction des clients
La satisfaction des clients commence par la définition d’une cédule qui répond au
maximum de demandes possible et ceci en respectant les différentes exigences que ceux-
ci ont. Dans cette section, il sera plus particulièrement question des exigences des clients.
Ces exigences sont, entre autres, de passer le moins de temps possible à bord du véhicule
et d’être servi dans un délai qui s’approche le plus possible de la demande qui a été
effectivement effectuée. Avant de passer à l’analyse, il est important de mentionner que
pour répondre aux exigences de la clientèle, nous avons posé des contraintes fixes sans
possibilité de les transgresser. Ceci qui fait en sorte qu’il est impossible de les influencer
directement, par contre, une analyse de leur réaction dépendamment des paramètres
utilisés est effectuée.
Pour commencer, nous avons analysé les séjours des clients à bord d’un véhicule.
Comme nous pouvons l’observer à la figure 16, il semble impossible de faire ressortir une
influence quelconque des différents paramètres sur ce critère. Ceci est probablement dû,
entre autres, au fait que nous n’avons pas tenu compte directement de ce critère dans
l’algorithme.
Moyennes des séjours à bord des véhicules
38,00
37,80
37,60
Temps (minute)
37,40
37,20
37,00
36,80
36,60
36,40
36,20
36,00
)
2)
)
1)
2)
4)
1)
2)
4)
=1
=2
=4
=1
=4
v=
v=
v=
v=
v=
v=
v=
,v
,v
,v
,v
,v
,
0,
0,
0,
1,
1,
1,
in
in
in
in
in
in
=1
=1
=1
=
5m
5m
5m
0m
0m
0m
(p
(p
(p
(p
(p
(p
=1
=1
=1
=3
=3
=3
(p
(p
(p
(p
(p
(p
Paramètres
Figure 16 : Comparaison des moyennes des séjours des clients à bord des véhicules
-66-
Pour ce qui est des différences absolues entre les temps demandées et les temps réels
accordés, voir l’équation 1, il semble y avoir une légère tendance à la hausse plus le
nombre de véhicules actifs initialement s’approche du nombre total de véhicules utile.
Ceci s’explique par le fait que nous avons de meilleures possibilités de desservir un client
avec un véhicule qui passe déjà près de celui-ci, puisque plusieurs trajet sont en
construction en même temps. En conséquence, il y a de très fortes possibilités que le
temps de service soit peu différent de la demande réelle puisque si un véhicule passe près
d’un client, l’algorithme l’assigne à ce véhicule, en négligeant un peu le temps de service
demandé, afin de minimiser le temps de route. Par contre, on peut s’apercevoir que les
temps ne sont pas très éloignés, donc pas très significatif pour l’instant. Le temps varie en
moyenne entre 18 et 19,5 minutes, ce qui ne change pas beaucoup la qualité de la
solution. Les fenêtres de temps, qui sont rigides, font en sorte que ces différences ne sont
pas très importantes.
Moyennes des moyennes des différences absolues entre les temps demandés et les
temps réels accordés
19,60
19,40
19,20
Temps (minute)
19,00
18,80
18,60
18,40
18,20
18,00
17,80
)
)
=1
=2
=4
=1
=2
=4
=1
=2
=4
v=
v=
v=
,v
,v
,v
,v
,v
,v
,v
,v
,v
0,
0,
0,
=1
=1
=1
in
in
in
in
in
in
=1
=1
=1
5m
5m
5m
0m
0m
0m
(p
(p
(p
(p
(p
(p
=1
=1
=1
=3
=3
=3
(p
(p
(p
(p
(p
(p
Paramètres
Figure 17 : Comparaison des moyennes des moyennes des différences absolues entre les temps
demandés et les temps réels accordés
Équation 1 : Moyenne des moyennes des différences absolues entre les temps demandés et les temps
Demande126
problème30 ∑TempsAccordé−TempsDemandé
∑
problème1
Demande1
NombreDeDemandes
réels =
NombreDeProblèmes
-67-
7.3.4 Analyse des temps de résolution
Les temps de résolution sont très souvent une contrainte importante pour ce qui est des
cas pratiques. Comme il est possible de le constater à la figure 18, le temps de résolution
de cet algorithme semble généralement respectable, de l’ordre de quelques minutes. Le
temps de résolution varie, pour cette grandeur de problème qui est de 252 demandes (126
demandes nécessitant des minibus et 126 demandes pouvant être desservies par des
taxis), entre 1et 16 minutes en moyenne. Il est évident et normal de conclure que plus on
choisit une grande profondeur, plus le temps de résolution augmente. Pour l’instant, ceci
n’est pas très contraignant, par contre si la grandeur du problème augmentait, il serait
utile d’étudier plus profondément le choix à faire entre un temps de résolution intéressant
et le type de profondeur voulu puisqu’il y a une bonne différence entre les temps de
résolution.
Moyennes des temps de résolution
18,00
16,00
14,00
Temps (minute)
12,00
10,00
8,00
6,00
4,00
2,00
0,00
)
)
1)
2)
4)
)
=1
=2
=4
=1
=2
=4
=1
=2
=4
v=
v=
v=
,v
,v
,v
,v
,v
,v
,v
,v
,v
0,
0,
0,
in
in
in
in
in
in
=1
=1
=1
=1
=1
=1
5m
5m
5m
0m
0m
0m
(p
(p
(p
(p
(p
(p
=1
=1
=1
=3
=3
=3
(p
(p
(p
(p
(p
(p
Paramètres
Figure 18 : Graphique des moyennes des temps de résolution
-68-
7.3.5 Analyse du nombre de clients total desservis après l’insertion des clients en
taxi
Le but principal de cet essai était d’effectuer une bonne gestion des opérations dans le
réseau du TAQM. La cédule d’opération, pour une journée d’activités, a été effectuée en
considérant premièrement les clients qui nécessitent obligatoirement l’utilisation d’un
minibus. Pour d’autres clients, nous avons la possibilité de les servir à l’aide d’un taxi
ordinaire. Ces clients sont premièrement directement affectés à des taxis, puisque ceux-ci
occasionnent un coût beaucoup moins élevé que le minibus. Par contre, lorsqu’un trajet
d’un des véhicules passe près de l’un des clients desservis par un taxi, il peut être
avantageux de l’inclure dans un minibus. Les caractéristiques de cette deuxième itération
sont expliquées dans la section de définition de l’algorithme.
Figure 19 : Comparaison du nombre total de clients desservis après l’insertion des clients en taxi
Nombre de clients desservis
158,0
Nombre de clients (unité)
156,0
154,0
152,0
150,0
148,0
146,0
144,0
142,0
140,0
1)
2)
5m 4)
5m 1)
5m 2)
0m 4)
0m 1)
0m 2)
)
)
)
=1
=2
=4
=4
v=
v=
v=
=
,v
,v
,v
,v
,v
,v
,v
,v
,v
0,
0,
0,
=1
=1
=1
in
in
in
in
in
in
=1
=1
=1
(p
(p
(p
(p
(p
(p
=1
=1
=1
=3
=3
=3
(p
(p
(p
(p
(p
(p
Param ètres
Il est possible de remarquer, à l’aide de la figure 19, que pour la première fois,
l’utilisation d’une profondeur fixe peut donner de meilleurs résultats. Il semble que le fait
d’utiliser une profondeur fixe peut nous permettre d’insérer plus de nouveaux clients
provenant des taxis. Par contre, étant donné que les solutions de départ de chacun des
-69-
tests, pour cette section, sont différentes, il est impossible de conclure qu’il est en général
profitable d’inclure ces nouveaux clients à l’aide d’une profondeur fixe. Il serait quand
même très intéressant de vérifier si l’interaction entre deux différents types de
profondeurs, dépendamment de l’étape de la construction des itinéraires, pourrait donner
encore une meilleure solution.
7.3.6 Conclusion de l’analyse
L’analyse des différents critères d’évaluation nous dirige vers une conclusion
intéressante. Il semble qu’un choix d’une profondeur de recherche et d’un nombre de
véhicules actifs initialement se démarquent des autres, les paramètres sont : profondeur =
30 minutes et véhicules actifs initialement = 4. En effet, plus on connaît le nombre de
véhicules nécessaires pour répondre à la demande et que l’on se sert de ce nombre pour
initialiser le nombre de véhicules actifs initialement, plus la qualité de la solution semble
intéressante. Pour ce qui est de la profondeur de recherche, une définition en minute
semble plus appropriée. La profondeur fixe ne s’adapte pas suffisamment au type de
problème. Lorsque la profondeur n’est pas assez élevée, l’algorithme peut perdre la
possibilité de placer un client de façon plus efficiente. Par contre, si la profondeur est trop
élevée, il peut y avoir une déformation de la solution puisqu’un client peut être placé à un
endroit trop tôt et nuire à la suite de la construction de la solution. Pour sa part, la
profondeur en minute permet à l’algorithme d’effectuer ses comparaisons parmi un
groupe de clients qui se trouvent passablement dans la même plage horaire puisqu’il y a
un ajustement dépendamment du client traité. Ainsi, une profondeur en minute et un
nombre de véhicules actifs initialement qui est égale au nombre total de véhicules
nécessaires semblent donner la meilleure qualité de solution dans la majorité des cas et
selon les critères les plus importants. Il est donc justifié de conclure que la décision
d’utiliser l’approche utilisant une approximation du nombre de véhicules nécessaires afin
de répondre à la demande comme étant le nombre de véhicules actifs initialement et
d’utiliser une profondeur de recherche égale à 30 minutes mène à l’obtention de
meilleures solutions. Par contre, il est aussi important de mentionner qu’il nous a été
-70-
impossible de comparer nos résultats avec la cédule de travail qui a été réellement utilisée
durant cette journée, ce qui nous a empêché de comparer nos solutions avec des solutions
réelles.
-71-
Chapitre 8 CONCLUSION
Chapitre 8 : Conclusion
Tel que mentionné à quelques reprises dans cet essai, le problème de tournées sur appel
prend de plus en plus d’importance dans la littérature pour de multiples raisons. Entre
autres, dans plusieurs des pays occidentaux, l’établissement de nouveaux services porte-
à-porte ou l’amélioration de ceux existants devient de plus en plus important en réponse à
une demande croissante. Ce phénomène peut être attribué en partie au vieillissement de la
population, mais également à une tendance vers le développement des services
ambulatoires de santé. La problématique qui a attiré plus particulièrement notre attention
est le service de transport adapté pour les personnes à mobilité réduite. Quelques sociétés
de transport pour les personnes à mobilité réduite existantes ne peuvent pas satisfaire à la
demande tandis que d’autres sont confrontés aux frais d’exploitation qui augmentent
continuellement. Il y a un besoin véritable d’amélioration du système effectif pour
diminuer les coûts, et cet essai a tenté de démontrer que la recherche opérationnelle peut
aider à atteindre ce but.
La réalisation de cet essai aura permis de démontrer qu’une automatisation de la gestion

des opérations pourrait venir faciliter la répartition au TAQM. Le problème de tournées
sur appel est impossible à résoudre de façon optimale en raison de sa complexité. Par
contre, les résultats obtenus démontrent que par l’utilisation d’un algorithme simple, il est
possible de construire une cédule de transport intéressante. De plus, la résolution
informatique de cet algorithme ne prend que quelques minutes comparativement à
quelques heures lorsqu’il est question de le faire manuellement.
Tout au long de ce travail, les données utilisées ont été extraites d’une seule et même base
de données représentant une journée de travail. Donc, nous ne possédions qu’une seule
journée réelle de travail ce qui limite le nombre de tests réels. De plus, il nous a été
impossible de comparer nos résultats avec la cédule de travail qui a été réellement utilisée
-72-
Chapitre 8 CONCLUSION
durant cette journée, ce qui nous a empêché de comparer nos solutions avec des solutions
réelles.
La résolution du problème serait plus complète si on ajoutait une étape d’amélioration.

L’algorithme de tabou serait un bon choix puisqu’il s’est démarqué dans divers travaux
sur ce problème. Le fait d’utiliser des contraintes non rigides tout au long de cette
méthode d’amélioration pourrait aussi venir améliorer la qualité des solutions.
D’autre part, la rédaction de cet essai a aussi permis de faire un bon survol des différents
problèmes de cueillette et livraison, et plus particulièrement, des problèmes de tournées
sur appel. De plus, les résultats obtenus démontrent la pertinence pour le Transport
Adapté Québec Métro Inc. d’étudier la possibilité d’automatiser la gestion de leurs
opérations pour ainsi améliorer l’efficacité de leurs opérations. De plus, l’algorithme par
insertion en parallèle que nous avons utilisé nous a permis de traiter la totalité des
contraintes et de les respecter entièrement. Il a été démontré dans la littérature ainsi que
dans cet essai qu’il est maintenant rendu possible de résoudre des problèmes incluant
plusieurs centaines d’utilisateurs dans des temps raisonnables.
Le problème de tournées sur appel partage plusieurs caractéristiques avec les problèmes
de cueillette et livraison présents dans les services de courriers, mais puisqu’il est relié au
transport de personnes, les critères de service prennent plus d’importance. Ainsi, les
différents critères pour l’évaluation de la satisfaction de la clientèle sont : la durée de
l’itinéraire, le temps d’attente du client, le temps total passé à bord des véhicules et la
différence entre le temps réel et le temps obtenu pour le début du service. Ces critères se
doivent donc d’occuper une plus grande place dans les travaux futurs.
-73-
RÉFÉRENCES
Références bibliographiques
1. Berger J., Barkaoui M.; 2004; A Parallel Hybrid Genetic Algorithm for the Vehicle
Routing Problem with Time Windows; Computer & Operations Research, 31(12),
2 037 – 2 054.
2. Bodin, L., Golden, B., Assad, A., Ball, M.; 1983; Routing and Scheduling of Vehicles
and Crews; The state of art.Computers and Operations Research 10, 69 – 211.
3. Bodin L., Sexton T.; 1986; The Multi-Vehicle Subscriber Dial-a-Ride Problem;
TIMS Studies in the Management Sciences, 22, 73-86.
4. Borndörfer R., Klostermeier F., Grötschel M., Küttner C. ;1997; Telebus Berlin:
Vehicle Scheduling in a Dial-a-Ride System; Technical Report SC 97-23,
Konrad-Zuse-Zentrum für Informationstechnik Berlin.
5. Cordeau J.-F., Desaulniers G., Desrosiers J., Solomon M.M., Soumis F.; 2000;
The VRP with Time Windows ; Les Cahiers du GERAD, G-99-13.
6. Cordeau J-F., Laporte G., Mercier A.; 2001; A Unifed Tabu Search Heuristic for
Vehicle Routing Problems with Time Windows; Journal of the Operational
Research Society 52, 928-936.
7. Cordeau J.-F., Laporte G.; 2003A; A Tabu Search Heuristic for the Static Multi-
Vehicle Dial-a-Ride Problem; Transportation Research B 37, 579-594.
8. Cordeau J.-F., Laporte G.; 2003B; The Dial-a-Ride Problem: Variants, Modeling
Issues and Algorithms; 4OR - Quarterly Journal of the Belgian, French and
Italian Operations Research Societies, 1:89-101.
9. Desrosiers et al.; 1991; An Algorithm for Mini-Clustering in Handicapped Transport;
Report G-91-02, École des Haute Étude Commerciales, Montréal.
10. Desrosiers J., Dumas Y., Solomon MM., Soumis F. ;1995; Time Constrained Routing
and Scheduling; In: Ball MO, Magnanti TL, Monma CL, Nemhauser GL (eds)
Network Routing, Handbooks in Operations Research and Management Science,
Elsevier Science, Amsterdam, 8, pp 35-139.
11. Desrosiers J., Dumas Y., Soumis F.; 1984A; A Dynamic Programming Method for
the Large Scale Single Vehicle Dial-a-ride Problem with Time Windows;
-74-
RÉFÉRENCES
Montréal, Centre de recherche sur les transports, No 361, Université de

Montréal.
12. Desrosiers J., Dumas Y., Soumis F.; 1984B; The Multi-Vehicle Subscriber Dial-a-
Ride Problem; Publication #362; Centre de recherche sur les transports;
Université de Montréal .
13. 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, 301-325.
14. Dumas Y., Desrosiers J., Soumis F.; 1989; Large Scale Multi-Vehicle Dial-a-Ride
Problems; Les Cahiers du GERAD, G-89-30, École des Hautes Études
Commerciales, Montréal .
15. Dumas Y., Soumis F., Desrosiers J.; 1989; Optimizing the Schedule for a Fixed
Vehicle Path with Convex Inconvenience Cost; Les Cahiers du GERAD, G-89-
08, École des Hautes Études Commerciales, Montréal .
16. Dumas Y., Desrosiers J. and Soumis F.; 1991; The Pick-up and Delivery Problem
with Tiume Windows; European Journal of Operational Research 54, 7-22.
17. Fu, L.; 2000; User’s guide: firstwin – a tool for routing and scheduling dial-a-ride
paratransit vehicles; Department of Civil Engineering, University of Waterloo.
18. Fu L.; 2002; Scheduling Dial-a-Ride Paratransit Under Time-Varying, Stochastic
Congestion; Transportation Research B, 36: 485-506.
19. Gendreau M., Guertin F., Potvin J.Y., Séguin R.; 1998; Neighborhood Search
Heuristics for a Dynamic Vehicle Dispatching Problem with Pick-Ups and
Deliveries; Technical CRT-98-10; Centre de recherche sur les transports;
Université de Montréal.
20. Gendreau M., Hertz A., Laporte G. ; 1994 ; A Tabu Search Heuristic for the Vehicle
Routing Problem ; Management Science, 40 : 1276-1290 .
21. Gendreau M., Laporte G., Semet F. ; 2001 ; A Dynamic Model and Parallel Tabu
Search Algorithm for Real-Time Ambulance Relocation; Parallel Computing 29 :
1641-1653.
22. Helsgaun K.; 2000; An Effective Implementation of the Lin-Kernighan Traveling
Salesman Heuristique; European Journal of Operational Research, 126, 1:106.
-75-
RÉFÉRENCES
23. Hunsaker B., Savelsbergh M.; Efficient Feasibility Testing for Dial-a-Ride
Problems; Department of Industrial and Systems Engineering; Georgia Institute of
Technology, Atlanta.
24. Ioachim I., Desrosiers J., Dumas Y., Solomon M.M., Villeneuve D.; 1995; A
Request Clustering Algorithm for Door-to-Door Handicapped Transportation;
Transportation Science 29, 63-78.
25. Jaw J., Odoni A.R., Psaraftis H.N., Wilson N.H.M. ; 1986; A Heuristic Algorithm for
the Multi-Vehicle Advance-Request Dial-a-Ride Problem with Time Windows;
Transportation Research B 20:243-257.
26. Li H., Lim A.; 2001; A Metaheuristic for the Pickup and Delivery Problem with
Time Windows; Research Paper; Department of Computer Science; National
University of Singapore.
27. Li H., Lim A.; 2003 ; Local Search with Annealing-Like Restarts to Solve VRPTW;
European Journal of Operational Research, Volume 150, Issue 1, 115-127.
28. Madsen O.B.G, Ravn H.F., Rygaard J.M.; 1995; A Heuristic Algorithm for the a
Dial-a-Ride Problem with Time Windows, Multiple Capacities, and Multiple
Objectives; Annals of Operations Research 60, 193-208.
29. Mitrovic-Minic S., Krishnamurti R., Laporte G.; 2004; Double-Horizon Based
Heuristic for the dynamic pickup and delivery problem with time windows;
Transportation Research B: Methodological, Volume 38, Issue 8, September, 669-
685.
30. Osman I. H.; 1993; Metastrategy Simulated Annealing and Tabu Search Algorithms
for the Vehicle Routing Problem; Annals of Operations Research, 41: 421-
455.
31. Pisinger D., Sig M., Sigurd M.; 2000; The Pickup and Delivery Problem with
Time Windows and Precedences; Technical Report; University of
Copenhagen, Copenhagen.
32. Prins C.; 2004; A Simple and Effective Evolutionary Algorithm for the Vehicle
Routing Problem; Computers and Operations Research, 31(12), 1985-2002.
-76-
RÉFÉRENCES
33. Psaraftis H.; 1980; A Dynamic Programming Solution to the Single Vehicle Many-
to-Many Immediate Request Dial-a-Ride Problem; Transportation Science 14,
130-154.
34. Psaraftis H.; 1983; Analysis of an O(N2) Heuristic for the Single Vehicle Many-
to-Many Euclidean Dial-a-Ride Problem; Transportation Research 17B, 133-
145.
35. Psaraftis H.; 1983; An Exact Algorithm for the Single Vehicle Many-to-Many
Dial-A-Ride Problem with Time Windows; Transportation Science 17, 351-357.
36. Psaraftis H.; 1988; Dynamic Vehicle Routing Problems; In: Golden BL, Assad AA
(eds) Vehicle Routing: Method and Studies, North-Holland, Amsterdam, pp 223-
248.
37. Psaraftis H.; 1995; Dynamic Vehicle Routing Status and Prospects; Annals of
Operations Research 61:143-164.
38. Rego C., Roucairol C.; 1996; A Parallel Tabu Search Algorithm Using Ejection
Chains for the Vehicle Routing Problem; In: Osman I, Kelly J, editors. Meta-
heuristics: theory and applications. Boston: Kluwer, 1996.
39. Rochat Y., Taillard E.D.; 1995; Probabilistic Diversification and Intensification in
Local Search for Vehicle Routing; Journal of Heuristics, 1: 147-167.
40. Roy, S., Rousseau, J.-M., Lapalme, G., Ferland, J.A.; 1984; Routing and Scheduling
for the Transportation of Disabled Persons – the algorithm; Report TP 5596E,
Transport Canada, Transport Development Center, Montreal, Canada.
41. Renaud J., Boctor F.F.; 2002; A Sweep-Based Algorith for the Fleet Size and Mix
Vehicle Routing Problem; European Journal of Operational Research, 140,
3: 618-628.
42. Rousseau L., Gendreau P., Pesant G. ; 2002 ; Using Constraint-Based Operators to
Solve Vehicle Routing Problem with Time Windows ; Journal of Heuristics, 8:
43-58.
43. Savelsbergh M., Sol M.; 1995; The General Pickup and Delivery Problem;
Transportation Science 29(1), 107-121.
-77-
RÉFÉRENCES
44. Savelsbergh M., Sol M.; 1998; Drive: Dynamic Routing of Independent
Vehicles; Operations Research, Volume 46, Issue 4 (Jul.-Aug., 1998), 474-
490.
45. Sexton T., Bodin LD.; 1985a; Optimizing Single Vehicle Many-to-Many Operations
with Desired Delivery Times: I; Scheduling. Transportation Science 19:378-410.
46. Sexton T., Bodin LD.; 1985b; Optimizing Single Vehicle Many-to-Many Operations
with Desired Delivery Times: II. Routing. Transportation Science 19:411-435.
47. Solomon, M.M.; 1987; Algorithms for the Vehicle Routing and Scheduling Problems
with Time Window Constraints; Transportation Science 31 (1), 60–71.
48. Taillard E.D.; 1993; Parallel Iterative Search Methods for Vehicle Routing Problems;
Networks, 23: 661-673.
49. Taillard E.D., Badeau P., Gendreau M., Geurtin F., Potvin J. ; 1997 ; A Tabu Search
Heuristic for the Vehicle Routing Problem with Time Windows ; Transportation
Science, 31: 170-186.
50. Toth P., Vigo D.; 1996; Fast Local Search Algorithms for the Handicapped Persons
Transportation Problem; In: Osman IH, Kelly JP (eds) Meta-heuristics: Theory
and application problem. Kluwer, Boston, pp 677-690.
51. Toth P., Vigo D.; 1997; Heuristic Algorithms for the Handicapped Persons
Transportation Problem; Transportation Science 31(1), 60-61.
52. Xu J., Kelly.; 1996; A Network Flow-Based Tabu Search Heuristics for the Vehicle
Routing Problem; Transportation Science, 30 : 379-393.
-78-
ANNEXES
Annexes
-79-
ANNEXES
Annexe 1 : Explications de la base de données
N° : Numéro de réservation du client

Code postal 1 : Code postal de l’adresse de départ du client
Départ : Adresse de départ du client
Code postal 2 : Code postal de la destination du client
Destination : Adresse de la destination du client
Heure demandée : Heure demandée par le client
Heure requise : Heure accordée au client par le transporteur
Prêt à : Heure à la quel le client se doit d’être prêt
Type d’accompagnement : Pour savoir s’il s’agit d’un rendez-vous ou d’un retour
Autre accompagnement : Pour savoir s’il y a d’autres accompagnements pour ce
même client au courrant de la journée
Déficiences : Pour connaître la déficience du client
Contraintes : Plusieurs contraintes particulières (explications dans la table
nommée « code »)
Motif : Pour connaître la priorité de service du client. Dans
l’ordred’importance (travail, étude, soin médicaux, autres
services et finalement loisirs)
Appar : Tri = Triporteur Crm = chaise manuelle Cre= chaise
électrique Aut=Ambulant
Accomp : Pour savoir si un accompagnateur, qui n’est pas handicapé,
a été accepté pour accompagner le client. (1 signifie qu’un
accompagnateur a été accordé)
Véhicule : Connaître le type de véhicule qui est requis par le client
Commentaires : Commentaires généraux sur le client
État : Pour savoir si le client était au rendez-vous ou s’il était
absent au rendez-vous
-80-
ANNEXES
Annexe 2 : Base de données des clients
-81-
ANNEXES
Annexe 3 : Présentation des résultats des tests
-82-
ANNEXES
Annexe 4 : Présentation de la programmation

Voir disquette
-83-

Essai Mathieu Theriault PDF

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Essai Mathieu Theriault PDF

Hochgeladen von

Copyright:

Verfügbare Formate

___________________________________________

Faculté des sciences de l'administration

La gestion du transport de personnes à

Centre de recherche sur

De plus, j’exprime ma gratitude envers le Centre de recherche des Technologies de

Table des matières ......................................................................... II

Liste des tableaux......................................................................... IV

Liste des figures .............................................................................V

Chapitre 3 : Définition du problème .......................................... 12

Références bibliographiques ....................................................... 74

Dans ce chapitre, nous présentons la problématique de l’environnement dans lequel nous

1.1 Problématique du transport adapté

face à plusieurs contraintes et constitue un problème NP-Dur. De plus, il faut se

1.2 Objectifs de l’étude

1.3 Méthodologie utilisée

potentiel d’amélioration au niveau de la confection des tournées. L’entreprise de transport

L’analyse de la littérature nous a donc permis de mettre en relief le problème du transport

Afin de rendre l’approche de résolution plus réaliste, l’incorporation des contraintes

Par la suite, l’analyse des différentes approches développées a permis de résoudre le

1.4 Structure du document de recherche

Suivant l’introduction, le chapitre 2 présente une description détaillée de l’entreprise sujet

Le chapitre 4 présente une revue de la littérature concernant trois classes de problèmes de

Le chapitre 5 décrit la méthode de résolution proposée afin de résoudre le problème. Un

Le chapitre 6 effectue l’évaluation de l’approche proposée. Pour commencer, les critères

Chapitre 2 : Présentation du TAQM

2.1 Présentation de l’entreprise

Le Transport Adapté du Québec Métro Inc. (TAQM) est un

Figure 1 : Territoire desservi par le TAQM

Tableau 1 : Caractéristiques des véhicules disponibles

Compagnies Taxis adaptés 2 0 2

Taxis réguliers illimité 4 0

2.2 Méthode de construction actuelle de l’itinéraire de la flotte de

Le TAQM affecte différentes priorités aux demandes de service. En effet, la priorité de

Tableau 2 : Demandes de transports effectuées au TAQM

Moyenne par jour 1 200 80 9

Moyenne par mois 36 600 2 440 275

Chapitre 3 : Définition du problème

3.1 Formulation du problème

Cette formulation provient du GPDP (Savelsbergh et Sol (1995)) et comporte 4 types de

Xijk = Variable binaire qui prend la valeur de 1 si le trajet du véhicule k part de i

min ∑ X ijk tij ∀i, j∈V, (1)

Di +tij −D j + MX ijk ≤M ∀i, j∈V,k∈M, (7)

X ijk =1⇒Yi +qi =Yj ∀i, j∈V,k∈M, (10)

Dq −Dp ≤90 ∀q ∈ N i− , p ∈ N i+ (15)

X ijk ∈ {0,1} ∀i, j∈V,k∈M, (16)

3.2 Mise en contexte

3.2.1 Les objectifs

3.2.2 Les caractéristiques du problème

3.2.3 Les contraintes

3.2.4 Caractéristiques particulières reliées au TAQM

Plusieurs contraintes et caractéristiques particulières, provenant directement des normes

Chapitre 4 : Revue de la littérature

Ce quatrième chapitre présente une revue de la littérature sur différents problèmes de

4.1 Problème de tournées de véhicules avec fenêtres de temps

Le problème classique de tournées de véhicules est un problème qui a fait l’objet de

Cordeau, Desaulniers, Desrosiers, Solomon et Soumis (2000) présentent un article

Plusieurs autres auteurs ont aussi grandement contribués à la résolution de ce problème.

(1997), Cordeau, Laporte et Mercier (2001), Rousseau, Gendreau et Pesant (2002), Li et

4.2 Le problème de cueillette et livraison avec fenêtres de temps

Dans le problème de cueillette et livraison avec fenêtres de temps, un ensemble

Gendreau, Guertin, Potvin et Séguin (1998) décrivent des heuristiques de recherche

procédures d’optimisation. Cette étude a montré que les heuristiques développées

Li et Lim (2001) proposent une méta-heuristique afin de résoudre un problème de