Problème de tournées de véhicules combinées à la gestion des
Transcription
Problème de tournées de véhicules combinées à la gestion des
Problème de tournées de véhicules combinées à la gestion des stocks. Sophie Michel François Vanderbeck [email protected] JFRO, 6 avril 2007. S.Michel, F.Vanderbeck Inventory Routing 1 Plan 1 2 3 4 5 6 Problématique Modélisation Bornes duales Bornes primales Solutions sur les données industrielles Conclusion et perspectives de recherche S.Michel, F.Vanderbeck Inventory Routing 2 Tournées de véhicules et Gestion des stocks 1 2 3 4 5 6 Problématique: Tournées de véhicules et Gestion des stocks Modélisation Bornes duales Bornes primales Solutions sur les données industrielles Conclusion et perspectives de recherche S.Michel, F.Vanderbeck Inventory Routing 3 Tournées de véhicules et Gestion des stocks Application Collecte d’un produit sur différents sites Application industrielle (260 sites) Décisions à long terme S.Michel, F.Vanderbeck Inventory Routing 4 Tournées de véhicules et Gestion des stocks Problématique Structure modèle de tournées de véhicules modèle de gestion de stock 3 décisions: S.Michel, F.Vanderbeck 1 quand visiter un client? 2 quelle quantité collecter? 3 quelle route utiliser? Optimisation simultanée Inventory Routing 5 Tournées de véhicules et Gestion des stocks Problématique Structure modèle de tournées de véhicules modèle de gestion de stock Période1 3 décisions: S.Michel, F.Vanderbeck 1 quand visiter un client? 2 quelle quantité collecter? 3 quelle route utiliser? Optimisation simultanée Inventory Routing 5 Tournées de véhicules et Gestion des stocks Problématique Structure modèle de tournées de véhicules modèle de gestion de stock Période2 3 décisions: S.Michel, F.Vanderbeck 1 quand visiter un client? 2 quelle quantité collecter? 3 quelle route utiliser? Optimisation simultanée Inventory Routing 5 Tournées de véhicules et Gestion des stocks Problématique Structure modèle de tournées de véhicules modèle de gestion de stock Période3 3 décisions: S.Michel, F.Vanderbeck 1 quand visiter un client? 2 quelle quantité collecter? 3 quelle route utiliser? Optimisation simultanée Inventory Routing 5 Tournées de véhicules et Gestion des stocks Littérature "Inventory Routing Problem" (IRP) [Ba] Bell, Dalberto, Fisher, Greenfield, Jaikumar, Kedia, Mack, Prutzman 1983 [Ga] Golden, Assad, Dahl 1984 [AF] Anily, Federgruen 1990 [WL] Webb, Larson 1995 [C] Christiansen 1999 [Qa] Qu, Bookbinder, Iyogun 1999 [Ca] Campbell, Clarke, Savelsbergh 2002 [Ma] Malépart, Boctor, Renaud, Labillois 2002 [GF] Gaur, Fisher 2004 S.Michel, F.Vanderbeck Inventory Routing 6 Tournées de véhicules et Gestion des stocks Littérature "Inventory Routing Problem" (IRP) Nombreuses variantes un produit [Ba,Ga,AF,WL,C,Ca,GF] ou plusieurs [Qa,Ma] horizon mono-périodique [Ga,Ma], roulant [Ba,Ca], multi-périodique [C,GF], infini [AF,WL,Qa] demande déterministe [AF,WL,C,Ca,Ma,GF], stochastique [Ga,Qa], en ligne [Ba] et applications Livraisons pour des industries de gaz, de produits chimiques [Ba,Ga,Ca], par bateau [C], pour des chaînes de supermarché [GF], pour des stations essence [Ma]... S.Michel, F.Vanderbeck Inventory Routing 7 Tournées de véhicules et Gestion des stocks Littérature "Inventory Routing Problem" (IRP) Politiques restrictives Heuristique en deux phases Partition fixe [AF,GF] [Ga,Qa,Ca,Ma] 1 Planification sur un horizon T 2 Elaboration des routes pour chaque période Basées sur une approche exacte Heuristiques primales [Ba] Branch-and-Price [C] ”Order up to level” [WL] difficultés de comparaisons des méthodes S.Michel, F.Vanderbeck Inventory Routing 8 Modélisation 1 2 3 4 5 6 Problématique Notre problème : modélisation du niveau tactique Bornes duales Bornes primales Solutions sur les données industrielles Conclusion et perspectives de recherche S.Michel, F.Vanderbeck Inventory Routing 9 Modélisation Modèle de tournées pour un véhicule et sur une période Modèle de tournées Régionalisation Cluster, ensembles homogènes de clients: S.Michel, F.Vanderbeck Inventory Routing 10 Modélisation Modèle de tournées pour un véhicule et sur une période Structure coût [1] coût d’ouverture du centre k: ck c0k ck 1 coût de connexion du client i au centre k: cki cki fi min c0i c0k ci1 ck 1 fk ck cki k i [1] ML. Fisher et R. Jaikumar, A Generalized Assignment Heuristic for Vehicle Routing, 1981. S.Michel, F.Vanderbeck Inventory Routing 11 Modélisation Modèle de gestion de stock Gestion de stock Hypothèses un seul type de produit demandes déterministes à chaque collecte, le stock est entièrement vidé politique “order up to level” pas de coût de stockage horizon la quantité collectée est normalisée en nombre de périodes. S.Michel, F.Vanderbeck Inventory Routing 12 Modélisation Modèle de gestion de stock Planning périodique P 1 Pmax fixé. H la longueur du cycle de régénération du planning ppcm des périodicités des clusters du planning T ppcm p p P . Cluster p périodique, où p P 1 2 3 : S.Michel, F.Vanderbeck t1 i1 i2 i3 p 3 t2 t3 t4 3 Inventory Routing t5 t6 H 3 13 Modélisation Modèles de gestion de stock pour un client Cluster périodique = planning partiel Pour un client, cluster = triplet s p Planning-client: C2 = (1 4 2) + (2 2 1) r C1 = (1 4 2) + (2 4 1) + (3 4 1) Planning partiel = une matrice indicatrice C1 C2 ! ! ! ! Symétrie dans le choix des dates de départ. S.Michel, F.Vanderbeck s la date de départ p la périodicité la quantité collectée Inventory Routing C1’ C1” t1 t2 t3 t4 1 0 0 0 1 0 0 0 1 1 0 0 " # $ " " % "% " " # " $ # $ " 14 Modélisation Approche de décomposition Problème maître discret & (' ) ! * + FormDiscrete, min Soit c q s q p q q q Q l’ensemble des clusters périodiques et la matrice q et la variable q associées à chacun d’eux. Vmax -/. ) . ! * 0 1 . ! * Vmax * 0 1 Vmax IN 5 q Q q it q q q 0t q q q cq pq * q 1 i t 32 1 t 3 4 1q it t résoudre le maître PL par génération de colonnes S.Michel, F.Vanderbeck Inventory Routing 15 Modélisation Approche de décomposition Problème de pricing Pour chaque périodicités p, date s et centre k: problème de sac-à-dos à choix multiple (MCKP) [1] 6 7 p 7 8 8 89 ' 7 . ' 7 11i . 7 d ' 7 W 7 ' 7 0 1 : 1 i 5 max i psk i i i i i i i Stop à la première colonne de coût réduit négatif [1] D. Pisinger, A minimal Algorithm for the Multiple-Choice Knapsack Problem, 1995. S.Michel, F.Vanderbeck Inventory Routing 16 Modélisation Approche de décomposition Symétrie en t énumération de solutions équivalentes instabilité des variables duales 2 it Agrégation des périodes (“state space relaxation”) ;< Q r r q c c = ' ' p p * . * ) >? Soit Q r q r q r q r r s q libre q q Q r S.Michel, F.Vanderbeck Inventory Routing 17 Modélisation Approche de décomposition Problème maître agrégé + FormAgr , - . min Vmoy . ' 7* 0 ) p . 1* ) p * r ) r R r i r 1 r r Vmoy r IN r R r R Vmoy Vmoy S.Michel, F.Vanderbeck IN 5 cr pr * r 1i 1 32 34 i r Vmax Inventory Routing 18 Modélisation Comparaison des formulations Comparaison des solutions linéaires + + , , BD( FormDiscrete ) = BD( FormAgr ) Solution symétrique: 1 r q Q r @ V* A max * A V moy A A q 1 pr r + FormAgr , est plus rapide. S.Michel, F.Vanderbeck Inventory Routing 19 Modélisation Comparaison des formulations Comparaison des solutions entières le modèle agrégé est une relaxation du modèle discret S.Michel, F.Vanderbeck Inventory Routing 20 Modélisation Comparaison des formulations EX 1 : Sous-estimation du nombre de véhicules 0 1 . R1 utilise . R2 utilise 1 3 1 2 R1, p 2 R2, p B B 3 2 de véhicule de véhicule + , C C Solution pour FormAgr : 1 R1 1 R2 et Vmoy ! S.Michel, F.Vanderbeck t 0 1 2 R2 3 R1 4 R2 Inventory Routing 5 1 6 R1 - R2 21 Modélisation Comparaison des formulations Ex 2 : Planning d’un client irréalisable . R1 couvre ! . R2 couvre t i 1 R2 2 1 2 1 2 E E R1: p R2: p 0 i B 6D B B 4D B i2 1 1 11 12 i3 de la demande de la demande + , C C 8 9 R2 Solution pour FormAgr : 1 R1+1 R2 3 S.Michel, F.Vanderbeck 4 R1 E 5 R2 6 7 Inventory Routing E E E 10 R1 E 22 Bornes duales 1 2 3 4 5 6 Problématique Modélisation Bornes duales avec FormAgr , P 1 2 3 4 5 6 Bornes primales Solutions sur les données industrielles Conclusion et perspectives de recherche F S.Michel, F.Vanderbeck G Inventory Routing HJI K K K K K L 23 Bornes duales Branch-and-Price-and-cut tronqué Coupes i tmax . R1 couvre 5 6 M B 6D B i5 t1 t2 t3 t4 R1 Solution fractionnaire: 1 2 R1 de la demande R1: p 0 1 5 5C t5 t6 E E E E *N p *O Q P p 0 2 + Inégalités valides pour FormAgr , Pour tout h 1 O T 2 et i N tel que tmax R 1, h h . ' 7* . W V ' 7* 0 p pX p S7 T S 7 TU Une coupe: 2 i r i r h mod p 0 S.Michel, F.Vanderbeck r i r r 1 r h mod p 0 Inventory Routing 24 Bornes duales Branch-and-Price-and-cut tronqué Coupes : implémentation Modifie seulement l’objectif du problème de pricing. Nombre polynômial de coupes. Séparation exacte Enumération. Ajout de K coupes. Stop quand on a trouvé K coupes violées. S.Michel, F.Vanderbeck Inventory Routing 25 Bornes duales Branch-and-Price-and-cut tronqué Branchement sur Vmoy Vmoy N1 : Vmoy B v ZY IN []\ v ^ N2 : Vmoy _a` v b numériquement irréalisable (pure phase 1) S.Michel, F.Vanderbeck valeur Vmoy entière Inventory Routing 26 Bornes duales Branch-and-Price-and-cut tronqué Branchement + coupes : résultats numériques Nom moy AL100 moy S60 GN172 Pb157 moy 17 inst BDrac 325.674 224.836 517.348 601 dev 22.81 26.38 16.46 15.40 23.05 SpSol 10.84 S.Michel, F.Vanderbeck MR 8.14 dev+cp 21.31 25.51 15.59 14.39 21.80 dev+br 10.37 12.51 8.65 5.83 10.63 BD+br+cp 366.123 254.083 558.452 659.839 dev+br+cp 9.24 11.83 7.89 5.11 9.67 am = 12.42% Temps (en %) PC (sep) N0 73.49 (4.14) 5.87 Inventory Routing N1 16.17 N2 77.91 27 Bornes primales 1 2 3 4 5 6 Solutions heuristiques Problématique Modélisation Bornes duales Bornes primales avec FormAgr et FormDiscrete , P 1 2 3 4 5 6 Solutions sur les données industrielles Conclusion et perspectives de recherche HcI K K K K K L S.Michel, F.Vanderbeck F G F Inventory Routing G 28 Bornes primales Solutions heuristiques Heuristique d’arrondi 1 Résoudre le maître continu: initialement à l’optimum, réoptimisation limitée, génération de colonnes compatibles. 2 3 4 Fixer une colonne à 1 et choisir une date de départ coût selon le score satisfaction des contraintes Mettre à jour le maître et le problème de pricing. Si (“critères d’arrêt”) alors STOP; sinon étape 1. nouveau départ sur le même solution continue S.Michel, F.Vanderbeck Inventory Routing 29 Bornes primales Solutions heuristiques Diverses Variantes sur moy 17 inst nbMaxCg = 300, racine, 3P nbMaxCg = 100 Toutes les 200 iter Coupes Branchement dev 14.76 21.18 16.82 26.92 11.66 Vmax 4.05 4.11 4.18 4.65 4 Temps HA 10m20s 3m18s 20m27s 1h15m 19m47s Temps BP dev Vmax HA (en %) Total nbMaxCg = 300, 3P, racine et après branchement moy AL100 409.399 12.29 4 90 18m22s moy S60 285.056 11.75 3 78 6m10s GN172 589.582 5.574 6 79 1h22m2s Pb157 731.48 10.85 7 91 1h30m16s moy 17 inst 11.66 4 Nom P 1 2 3 : dev = 9,67% en moins de 1h, + post-optimisation, P 1 2 3 6 : dev = 8,84% (en moins de 1s). S.Michel, F.Vanderbeck Inventory Routing 30 Bornes primales Solutions heuristiques Diverses Variantes sur moy 17 inst nbMaxCg = 300, racine, 3P nbMaxCg = 100 Toutes les 200 iter Coupes Branchement dev 14.76 21.18 16.82 26.92 11.66 Vmax 4.05 4.11 4.18 4.65 4 Temps HA 10m20s 3m18s 20m27s 1h15m 19m47s Temps BP dev Vmax HA (en %) Total nbMaxCg = 300, 3P, racine et après branchement moy AL100 409.399 12.29 4 90 18m22s moy S60 285.056 11.75 3 78 6m10s GN172 589.582 5.574 6 79 1h22m2s Pb157 731.48 10.85 7 91 1h30m16s moy 17 inst 11.66 4 Nom P 1 2 3 : dev = 9,67% en moins de 1h, + post-optimisation, P 1 2 3 6 : dev = 8,84% (en moins de 1s). S.Michel, F.Vanderbeck Inventory Routing 30 Bornes primales Solutions heuristiques Heuristique de recherche locale 1 2 A h Qh enm Qh o Q1 p Q2. Solution d S egfiQh ekj voisine de (S flQ); h jOm d S erf Qh e j et retour en (a), sinon STOP. Si S e q S alors d S f Q Solution initiale (S Q). Faire: 1 2 Une solution voisine = 1 échange 1 Supprimer les mauvaises colonnes et des colonnes voisines. 2 Fixer une colonne. 3 Compléter la solution à l’aide de l’heuristique d’arrondi. Exploration du voisinage Stop à la première meilleure solution trouvée. Le nombre d’échanges est borné. S.Michel, F.Vanderbeck Inventory Routing 31 Bornes primales Solutions heuristiques Heuristique de recherche locale 1 2 A h Qh enm Qh o Q1 p Q2. Solution d S egfiQh ekj voisine de (S flQ); h jOm d S erf Qh e j et retour en (a), sinon STOP. Si S e q S alors d S f Q Solution initiale (S Q). Faire: 1 2 Une solution voisine = 1 échange 1 Supprimer les mauvaises colonnes et des colonnes voisines. 2 Fixer une colonne. 3 Compléter la solution à l’aide de l’heuristique d’arrondi. Exploration du voisinage Stop à la première meilleure solution trouvée. Le nombre d’échanges est borné. S.Michel, F.Vanderbeck Inventory Routing 31 Bornes primales Solutions heuristiques Appel à la racine sur les solutions des différentes passes de l’heuristique d’arrondi. Le nombre de colonnes fixées est limité. Nom moy AL100 moy S60 GN172 Pb157 moy 17 inst moy HA S.Michel, F.Vanderbeck BP 407.892 285.18 590.48 708.594 dev 11.8858 11.7374 5.73506 7.38898 11.22 11.66 Vmax 4 3 6 7 4 4 Inventory Routing HA 19 22 48 71 Temps (en %) RL Total 76 46m4s1 74 13m27s 38 1h0m50s 24 54m50s q 1h30 32 Données Industrielles 1 2 3 4 5 6 Problématique Modélisation Bornes duales Bornes primales Résolution du Problème Industriel Conclusion et perspectives de recherche S.Michel, F.Vanderbeck Inventory Routing 33 Données Industrielles Résolution Collecte d’un produit sur différents sites BD+br+cp = 838.17 en 8h34m (PC = 5h21m). Heur BP HA RL 915.735 912.981 HA RL 894.125 890.384 S.Michel, F.Vanderbeck Temps (en %) dev Vmax nbCol HA RL Total P 1 2 3 4 5 6 9.25414 9 55460 84 4h29m 8.9255 9 48278 45 44 3h40m P 1 2 3 +post-optimisation 6.67584 9 39119 35 1h49m 6.22948 9 40826 12 60 2h53m mts f f f f f u mvs f f u Inventory Routing 34 Données Industrielles Résolution Solution: Solution industrielle (6-périodique) S.Michel, F.Vanderbeck Inventory Routing 35 Données Industrielles Comparaison Comportement moyen sur une période Solution opérationnelle industrielle (année 2005) Notre solution tactique basée sur les fréquences de collecte 10 routes 59 collectes 782.63 km Semaines creuses ou fortes S.Michel, F.Vanderbeck Inventory Routing 9 routes 98.5 collectes 711.125 km aider le modèle opérationnel 36 Conclusion et perspectives de recherche 1 2 3 4 5 6 Problématique Modélisation Bornes duales Bornes primales Solutions sur les données industrielles Conclusion et perspectives de recherche S.Michel, F.Vanderbeck Inventory Routing 37 Conclusion et perspectives de recherche Conclusion Problème industriel w littérature. Choix de modélisation tactique. Solutions avec garantie de la déviation à l’optimum. Perspectives et développements Algo exacte de Branch-and-Price-and-Cut. Heuristiques primales basées sur la décomposition. Niveau opérationnel. S.Michel, F.Vanderbeck Inventory Routing 38 Conclusion et perspectives de recherche Conclusion Problème industriel w littérature. Choix de modélisation tactique. Solutions avec garantie de la déviation à l’optimum. Perspectives et développements Algo exacte de Branch-and-Price-and-Cut. Heuristiques primales basées sur la décomposition. Niveau opérationnel. S.Michel, F.Vanderbeck Inventory Routing 38