probleme de tournees de vehicules avec chargement et fenetres
Transcription
probleme de tournees de vehicules avec chargement et fenetres
8e Conférence Internationale de MOdélisation et SIMulation - MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie Évaluation et optimisation des systèmes innovants de production de biens et de services Ż PROBLEME DE TOURNEES DE VEHICULES AVEC CHARGEMENT ET FENETRES HORAIRES (2L-CVRPTW) S. KHEBBACHE-HADJI1 , 1 MGSI/ IUT de Montreuil 140 rue de la Nouvelle France 93100 MONTREUIL - France [email protected], C. PRINS2 , A. YALAOUI2 2 ICD-LOSI/ UTT 12 rue Marie Curie, BP 10 010 Troyes, Cedex - France [email protected], [email protected] RÉSUMÉ : La majorité des études portant sur les problèmes de tournées de véhicule (VRP) s’assurent de la faisabilité du chargement en vérifiant que le poids des objets affectés aux véhicules ne dépasse pas une limite supérieure. Très peu d’études s’intéressent à la faisabilité de l’agencement des objets dans les camions. Le problème combinant l’optimisation du chargement des véhicules conjointement à celle de l’établissement des tournées, en prenant en compte la contrainte des fenêtres horaires a été introduit très récemment. Cet article résume les travaux réalisés sur ce nouveau problème d’une part; et les complète d’autre part par des nouveaux résultats. Après avoir proposé une modélisation, nous rappelons nos résultats sur la minimisation du coût des tournées (cas mono-objectif ). Les résultats de diverses heuristiques et d’un algorithme mémétique y sont rappelés. Suite à cela, une étude multi-objectifs, pour la minimisation conjointe du coût des tournées et du nombre de véhicules, est développée à travers un algorithme génétique NSGA-II. L’ensemble des résultats des différentes approches est alors analysé. MOTS-CLÉS : Tournées de véhicules, Placement à deux dimensions, Mono-objectif, Multi-objectif, Fenêtres horaires, Optimisation. 1 INTRODUCTION Le problème de tournées de véhicule, considérant les contraintes de chargement et de fenêtres horaires, noté 2L-CVRPTW (Two loading capacitated vehicle routing problem with time windows), a été introduit très récemment (Khebbache et al. 2009a). De nombreuses études se sont intéressées au VRP avec fenêtres horaires, voir par exemple (Bräysy et Gendreau, 2005), mais très peu concernent le problème de tournées de véhicule avec prise en compte du chargement. Dans la grande majorité des études, on suppose que la demande d’un client consiste en un ensemble d’objets avec un poids donné, et on s’assure que le poids total des objets d’une tournée ne dépasse pas le poids que peut supporter un véhicule. Toutefois, la prise en compte de l’aspect chargement dans l’établissement des tournées (de livraison et/ou prélèvement) est incontournable dès lors qu’il s’agit d’objets ayant une forme particulière engendrant des contraintes au niveau de l’agencement dans la zone de chargement du véhicule. L’une des premières études ayant porté sur le problème de VRP avec intégration du problème de Bin Packing (Wäscher et al., 2006) est celle menée par (Iori et al. 2007). Les auteurs ont présenté une approche basée sur un branch and cut. L’algorithme peut résoudre des instances avec au plus 30 clients et 90 objets. Ces limites ne correspondent pas aux problèmes très concrets que l’on peut rencontrer. Ceci souligne la nécessité de développer des méthodes heuristiques et métaheuristiques pour résoudre ce problème NP-difficile (Khebbbache et al. 2009a, 2009b). (Gendreau et al. 2007) ont proposé une recherche tabou pour le même problème. Ils ont considéré le problème de strip packing (Wäscher et al., 2006) à deux dimensions afin de vérifier la faisabilité des routes en terme de chargement. En 2009, (Zachariadis et al., 2009) ont quant à eux proposé une recherche tabou guidée. L’aspect chargement du problème est traité en utilisant des heuristiques bien connues pour le problème de placement comme Bottom left et Maximum Touching perimeter. Comme introduit précédemment, un autre aspect important pour la résolution des problèmes de tournées de véhicule est la prise en compte des fenêtres horaires (VRPTW), ce qui permet de refléter la réalité en terme de disponibilité des clients, comme souligné par (Labadi et al. 2008). Dans la littérature, on rencontre souvent deux objectifs MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie En ce qui concerne le problème de tournées de véhicles avec fenêtres horaires et chargement (2LCVRPTW), qui combine les différents aspects évoqués précédemment, il y a très peu de travaux. Le problème a été introduit par (Khebbache et al., 2009a) qui l’ont défini et ont proposé 6 heuristiques différentes. Ils ont ensuite développé un algorithme mémétique (Khebbache et al. 2009b) pour la minimisation du coût des tournées. (Khebbache et al. 2009c) ont également introduit une approche multi objectif pour la minimisation conjointe du coût des tournées et du nombre de véhicules. Les seuls autres travaux qui se rapprochent concernent le problème à 3 dimensions (3L-VRPTW) et le problème de chargement de conteneurs (CLP), introduits par (Moura et al. 2008a, 2008b). Dans (Moura et al. 2008b), les auteurs proposent une étude multi-objetif. En effet, ces dernières années, l’approche multi-objectif a suscité de nombreuses applications aux problèmes de tournées de véhicules. Par exemple, en ce qui concerne les problèmes de tournées sur noeuds avec fenêtres horaires, (Ombuki et al. 2006) ont appliqué l’algorithme NSGA-II pour la minimisation de la distance totale et la minimisation du nombre de véhicules. L’objet de cet article est d’abord de proposer un modèle mathématique pour le 2L-CVRPTW et de résumer nos travaux dans les cas mono et multiobjectifs en les complétant. Le problème est donc définit et modélisé à la section 2. Les premiers résultats (heuristiques et métaheuristiques pour le problème mono-objectif) sur le 2L-CVRPTW de (Khebbache et al. 2009a, 2009b) sont rappelés dans les sections 3 et 4. Suite à cela, une étude multi-objectif est développée, complétant les idées introduites dans (Khebbache et al. 2009c) à la section 4. Ce document se termine par une conclusion et une discussion sur les perspectives de cette étude. 2 DEFINITION DU PROBLEME ET MODELISATION 2.1 Définition du problème Considérons un graphe non orienté G = (V, E), où V est l’ensemble des sommets incluant les n clients et un dépôt central (noeud 0), et E = {(i, j) : i, j ∈ V, i 6= j} est l’ensemble des arêtes. A chacune d’entre elles est associé un coût cij = cji qui représente la distance (coût) entre les clients i et j. Considérons une flotte (W,H) (0,H) H−edge pour le VRPTW : la minimisation du nombre de véhicules (Solomon, 1987) et la minimisation de la distance totale parcourue (coût des tournées). De nombreuses métaheuristiques sont disponibles pour minimiser en priorité le nombre de véhicules. Par exemple, (Rochat et Taillard 1995) ont proposé une recherche tabou, (Berger et al. 2003) ont conçu un algorithme génétique et (Kontoravdis et Bard, 1995) un GRASP. Seulement deux travaux sont dédiés à la minimisation de la distance totale parcourue (Tan et al. 2001) et (Alvarenga et al. 2007). En 2008, (Labadi et al. 2008) ont proposé un algorithme mémétique pour le VRPTW qui prend en compte les deux objectifs dans une fonction linéaire. W−edge (0,0) (W,0) Figure 1: Surface de chargement illimitée de véhicules homogènes de capacité Q, avec une surface rectangulaire (figure 1) de chargement de hauteur H et de largeur W (Q = H × W ). Un ensemble D de m articles doit être livré aux clients. L’article t (t = 1, 2, . . . , m) possède une hauteur ht ≤ H et une largeur wt ≤ W . D est partitionné en n sous-ensembles D1 ∪ D2 ∪ . . . ∪ Dn , où Di est le sous-ensemble d’articles requis par le client i, avec un poids total connu de qi . Chaque client i a (W,H) (0,H) vtk (0,0) utk (W,0) Figure 2: Position d’un objet t dans véhicule k une fenêtre horaire qui lui est associée, notée [ei , li ]; où ei et li sont respectivement l’heure de service au plus tôt et celle au plus tard. D’autre part, les objets doivent être placés dans la surface de chargement sans MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie subir de rotation. Toutes les données sont supposées être des entiers positifs. La surface de chargement est représentée par un repère cartésien dont le coin inférieur gauche est en (0,0), sa largeur est parallèle à l’axe des abscisses et sa longueur à l’axe des ordonnées. La surface de chargement est donc limitée par le rectangle de la figure (fig.1). La position d’un objet t dans le véhicule k est définie par les coordonnées (utk ,vtk ), comme illustré à la figure 2. Le 2L-CVRPTW est défini par les cinq contraintes suivantes : qu’un seul véhicule quitte chaque client i. La continuité d’une tournée est garantie en utilisant les contraintes (3). Le poids des véhicules est respecté via les contraintes (4). min K X n n X X cij xijk (1) xijk = 1 ∀i = 1, . . . , n (2) k=1 i=0 j=0,j6=i n K X X j=0,j6=i k=1 n X xijk = • Chaque tournée doit commencer et se terminer au dépôt. • Chaque client doit être servi par un seul véhicule. • Le poids total des objets des clients affectés à une même tournée ne doit pas dépasser la capacité d’un véhicule. • Il doit exister un chargement réalisable des objets dans la surface de chargement, c’est-à-dire un placement des objets rectangulaires, sans chevauchement, respectant les dimensions de chacun. • Chaque client doit être servi pendant sa fenêtre horaire. Notons enfin qu’il existe deux variantes du 2LCVRP : le cas non restreint (considéré dans cette étude) et le cas séquentiel (Khebbache et al. 2009a), où aucun objet ne doit gêner le déchargement de la commande d’un client quand le véhicule arrive chez ce dernier. 2.2 Modélisation Afin de compléter les travaux existants qui ne proposaient pas de modélisation, un modèle de programmation linéaire mixte pour le 2L-CVRPTW est développé dans cette section. Il permet une spécification non-ambiguë du problème et peut être utilisé pour résoudre des instances de petite taille avec un solveur. Dans cette modélisation, M est un nombre infini, K la taille de la flotte (introduit pour limiter la taille du modèle; dans le pire cas, K = n). Des variables de décision binaires xijk sont utilisées, et prennent la valeur 1 si le véhicule k va directement de i à j (0 sinon). Le temps de trajet entre les clients i et j est une donnée notée tij . L’instant d’arrivée du véhicule k au client i est noté aik . Afin de gérer le placement des objets dans les zones de chargement, on définit les variables ytk , qui prennent la valeur 1 si l’objet t est dans le véhicule k (0 sinon). La fonction-objectif (1) à minimiser est la longueur totale des tournées. Les contraintes (2) assurent j=0,j6=i n X n X xjik j=0,j6=i ∀k = 1, ...K, ∀i = 0, ...n n X xijk qi ≤ Q ∀k = 1, ...K (3) (4) i=1 j=0,j6=i aik + tij ≤ ajk + M (1 − xijk ) ∀i = 0, ...n, ∀j = 0, ...n, i 6= j, ∀k = 1, ...K aik ≥ ei ∀i = 0, ...n, ∀k = 1, ...K aik ≤ li ∀i = 0, ...n, ∀k = 1, ...K m X ytk wt × ht ≤ W × H ∀k = 1, ...K t=1 n X (5) (6) (7) (8) xijk = ytk ∀i = 1, ...n, j=1 ∀k = 1, ...K, ∀t ∈ Di utk + wt ≤ W + M (1 − ytk ) ∀t = 1, ...m, ∀k = 1, ...K vtk + ht ≤ H + M (1 − ytk ) ∀t = 1, ...m, ∀k = 1, ...K utk + wt ≤ ut0 k + M (2 − ytk − yt0 k ) or ut0 k + wt0 ≤ utk + M (2 − ytk − yt0 k ) or vtk + ht ≤ vt0 k + M (2 − ytk − yt0 k ) or vt0 k + ht0 ≤ vtk + M (2 − ytk − yt0 k ) ∀t, t0 = 1, ...m, t 6= t0 , ∀k = 1, ...K xijk ∈ {0, 1} ∀i = 0, ...n, ∀j = 0, ...n, i 6= j, ∀k = 1, ...K ytk ∈ {0, 1} ∀t = 1, ...m, ∀k = 0, ...K aik ≥ 0 ∀i = 0, ...n, ∀k = 0, ...K (9) (10) (11) (12) (13) (14) (15) Les contraintes (5) sont utilisées pour empêcher les sous-tours et déterminer le temps d’arrivée. Les contraintes (6) et (7) garantissent que les fenêtres de temps sont respectées pour chaque noeud. Les contraintes (8) garantissent que la surface d’un véhicule n’est pas dépassée. Avec les contraintes (9), lorsqu’un client est visité par un véhicule, tous ses articles sont placés dans ce véhicule. En utilisant les contraintes (10) et (11), chaque article est réellement placé dans le véhicule qui le transporte. Les contraintes (12) évitent des chevauchements de deux articles t et t0 dans MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie un véhicule. Les trois derniers groupes de contraintes définissent les domaines et les signes des variables. 3 ETUDE MONO-CRITERE Les principaux résultats sur l’étude mono-critère sont rappelés avant de détailler l’optimisation de l’étude multi-critère. 3.1 3.1.1 Heuristiques Heuristiques pour le 2L-CVRPTW Six heuristiques ont été proposées dans (Khebbache et al. 2009a), capables de fournir de bonnes solutions en un temps de calcul raisonnable. Elles combinent deux heuristiques pour le VRPTW et trois pour le placement des articles dans les véhicules. Les deux heuristiques de tournées sont l’heuristique séquentielle d’insertion de (Solomon 1987) et l’heuristique d’insertion parallèle de (Potvin et Rousseau 1995). Les trois heuristiques de placement sont obtenues en adaptant à notre problème l’algorithme constructif de (Alvarez-Valdes et al. 2005), la méthode maximum touching perimeter de (Lodi et al. 2002) et la méthode SHF de (Ben Messaoud 2004). A titre d’exemple, la structure générale de l’heuristique de Solomon, combinée avec des heuristiques de placement, est présentée dans l’algorithme 1. Chaque itération de la boucle interne vérifie chaque client i non visité avec un chargement de véhicule L et appelle l’heuristique de placement afin de vérifier la faisabilité du chargement. L’heuristique essaie d’abord d’ajouter les objets de i sans déplacer ceux déjà chargés. En cas d’échec, elle décharge le véhicule et tente de replacer tous les objets. Si le chargement est réalisable, le coût C de la meilleure insertion pour i dans la tournée courante T et la position d’insertion associée k sont calculés. Si des insertions faisables sont trouvées, alors la moins coûteuse parmi cellesci, définie par son client imin , son coût Cmin et sa position kmin est exécutée. Sinon la boucle interne s’arrête. La méthode de Potvin et Rousseau consiste en une version parallèle de l’heuristique séquentielle d’insertion de Solomon. Plus de détails sur les heuristiques de placement sont disponibles dans (Khebbache et al. 2009a). 3.1.2 Analyse des performances Étant donné que le 2L-CVRPTW n’a jamais été traité en littérature, aucune instance n’était disponible. De chaque instance de (Iori et al. 2007), 3 autres instances dont le nombre d’articles est différent ont été générées (Khebbache et al. 2009a). La surface du véhicule est définie par W = 20 et H = 40. L’ensemble des problèmes peut alors Algorithm 1 – Structure générale des heuristiques du 2L-CVRPTW dérivées de l’heuristique de Solomon 1: repeat 2: Initialiser une nouvelle tournée T comme une boucle sur le dépôt et un véhicule vide 3: L←0 4: loop 5: Cmin ← +∞ 6: for chaque client non visité i avec L + qi ≤ Q do 7: Appeler une heuristique de placement pour voir si les articles de i peuvent être chargés 8: if oui then 9: Calculer le coût C de l’insertion la moins chère de i dans T et sa position associée k 10: if C < Cmin then 11: Cmin ← C 12: imin ← i 13: kmin ← k 14: end if 15: end if 16: end for 17: sortir lorsque Cmin = +∞ 18: Insérer le clientimin à la position kmin dans la tournée T 19: Mettre à jour le chargement du véhicule 20: L ← L + qimin 21: end loop 22: until tous les clients sont insérés MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie être classé en 3 classes A, B, C, en fonction de la taille des fenêtres horaires. Les résultats ont été classes A B C Description small middle large TW size [5-20] [15-30] [30-45] Table 1: Differentes classes comparés à la borne inférieure de (Martello et Vigo 1998) pour le nombre de véhicules. En général, les combinaisons basées sur l’heuristique du maximum touching perimeter donnent de meilleurs résultats, particulièrement pour la classe A. Les temps moyens d’exécution sont faibles. Concernant le nombre de tournées, l’écart à la borne n’est pas très stable en fonction des instances, du fait de l’introcution des contraintes de chargement et des fenêtres horaires (Khebbache et al. 2009a). Suite à l’étude de ce nouveau problème à travers quelques heuristiques spécifiques développées, et du fait de la complexité du problème, un algorithme mémétique a été développé (Khebbache et al. 2009b). 3.2 Algorithme mémétique Les algorithmes mémétiques sont des algorithmes génétiques hybridés avec une recherche locale, les rendant ainsi plus puissants (Moscato, 1999). Ils reposent, comme les algorithmes génétiques classiques, sur les principes de sélection et de croisements des parents afin d’obtenir des enfants. On applique alors une recherche locale sur les enfants obtenus, puis on applique à ceux retenus une mutation avec une faible probabilité. Un mécanisme de sélection définit ensuite la population qui va constituer la génération suivante. Le processus est répété jusqu’à ce qu’une condition d’arrêt soit satisfaite. 3.2.1 Algorithme mémétique pour le 2LCVRPTW L’algorithme mémétique développé dans (Khebbache et al. 2009b), pour la minimisation de la distance totale parcourue, propose un codage des solutions reposant sur une séquence S de n clients sans délimiteurs de tournées. Cette séquence peut être interprétée comme un tour géant dans lequel les capacités des véhicules, les fenêtres de temps et les contraintes de chargement sont ignorées. Une procédure optimale de découpage (split (Prins 2004)) a été adaptée pour calculer la meilleure solution du problème relative à la séquence S, en vérifiant les capacités des véhicules, les fenêtres de temps et les contraintes de chargement (Khebbache et al. 2009b). La population contient un nombre fixé de chromosomes. Elle est initialisée en utilisant les solutions obtenues par les heuristiques présentées à la section précédente, complétées par des solutions obtenues aléatoirement. Les parents sont choisis en utilisant un tournoi binaire et subissent ensuite un croisement de type (OX). On applique la recherche locale avec une probabilité donnée aux solutions obtenues suite au croisement. Elle utilise des mouvements de type Or-Opt, 2-Opt, échange de clients et 2-Opt*. L’algorithme n’utilise pas de mutation, comme suggéré dans (Labadi et al., 2008). La diversité de la population est ici garantie par un critère de dispersion des coûts qui consiste à accepter une nouvelle solution seulement si son coût est suffisamment différant des coûts des autres solutions de la population. 3.2.2 Analyse des performances L’algorithme mémétique ainsi développé a été testé sur les mêmes instances que les heuristiques de la section précédente. Les résultats obtenus sont comparés à ceux donnés par les heuristiques et à la borne pour le nombre de véhicules. L’algorithme mémétique améliore les résultats des heuristiques sur toutes les instances, avec un pourcentage d’amélioration global de 21,32%. Toutefois, on peut noter que le nombre moyen de véhicules, toutes instances considérées, est de 19,20 pour le mémétique, contre 16,70 pour les heuristiques. Ce phénomène est d’autant plus important pour les instances de grande taille. En effet, l’algorithme mémétique a été développé pour minimiser le coût (la distance) de la solution. Bien que le nombre de véhicules utilisés reste relativement lié à ce coût, on est parfois obligé d’augmenter le nombre de véhicules afin de faire diminuer le coût global de la solution. L’algorithme mémétique développé est très performant pour la minimisation du coût des tournées en terme de distance parcourue, mais si l’on considère le coût d’utilisation d’un véhicule supplémentaire relativement à la diminution du coût, on peut s’intérroger sur l’intérêt pour une société de privilégier l’un par rapport à l’autre. Ceci nous a donc poussé à nous intéresser à la minimisation conjointe du coût de la solution et du nombre de véhicules à travers une étude multi-objectif. 4 ETUDE MULTI-CRITERE Dans cette section, le problème de minimisation conjointe du coût des tournées et du nombre de véhicules est présentée. Cette étude a été initialisée dans MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie (Khebbache et al. 2009c) et est ici approndie et détaillée, avec entre autres de nouveaux résultats. 4.1 4.1.1 été repris du fait du caractère muti-objectif de cette étude, pour ne pas favoriser un objectif par rapport à l’autre. La taille de la population a été fixée à 30. NSGA-II Principe (Deb et al. 2002) ont proposé un algorithme élitiste qu’ils ont appelé NSGA-II. Il consiste à générer une population d’enfants à partir de la population de parents, à fusionner ces deux populations pour appliquer une procédure de tri basée sur l’optimalité de Pareto (Deb et al. 2002). Le tri de NSGA-II classe les solutions de la population fusionnée selon les rangs de Pareto. Le premier rang de Pareto, aussi appelé front de Pareto, est composé de l’ensemble des solutions non-dominées de la population. Le deuxième rang comprend l’ensemble des solutions qui sont non-dominées lorsque l’on exclut les solutions du premier rang de la population, et ainsi de suite pour les autres rangs. 4.1.3 Analyse des performances Cette approche multi-objectif a été testée sur les mêmes instances (décomposées en 3 classes A, B et C) que pour le problème mono-objectif. Pour chaque instance, les solutions obtenues ont été comparées à celle donnée par l’algorithme mémétique, de manière à apprécier l’augmentation du coût si l’on essaie de diminuer le nombre de véhicules. Une synthèse des résultats est donnée au tableau 2. Pour chaque classe, on indique la valeur moyenne de la borne inférieure (LB) sur le nombre de véhicules, le coût moyen (C) et le nombre moyen de véhicule (R), d’une part pour le NSGA-II et d’autre part pour le mémétique. On notera que les valeurs LB Classe A Classe B Classe C 11.60 11.60 11.60 NSGA-II C R 1423.41 17.93 1527.38 15.42 1632.12 16.31 Mémétique C R 1195.00 19.17 1395.64 21.75 1329.53 22.04 Table 2: Valeurs moyennes pour les différenres classes Figure 3: Principe du NSGA-II (Deb et al. 2002) La nouvelle population est générée, de sorte que la taille de la population soit constante, et en utilisant une mesure de densité (crowding distance), qui pénalise les groupes de solutions trop rapprochées (figure 3). 4.1.2 Algorithme Afin de mettre en oeuvre cette méthode, les différents codages et réglages utilisés pour l’agorithme mémétique présenté à la section précédente ont été repris. L’opérateur de croisement (OX) a été conservé et le critère de dispersion des coûts n’a quant à lui pas moyennes pour le NSGA-II sont ici calculées en prenant la solution du front de Pareto qui a le moins de véhicules. Par exemple, pour la classe A, le nombre moyen de véhicules utilisés est de 17,93 pour les meilleures solutions du front en terme de nombre de véhicules contre 19,17 pour l’algorithme mémétique. On notera que ceci se fait moyennant une augmentation moyenne de 19.3 % du coût obtenu par l’algorithme mémétique, pour cette même classe, passant d’un coût moyen de 1195.00 à 1423.41 pour le NSGA-II. En moyenne, toutes classes confondues, il y a une réduction de 20.52% du nombre de véhicules entre la meilleure solution du front pour ce critère et la solution du mémétique. Cette réduction est surtout visible pour les instances à plus de 100 clients, comme l’illustre le tableau 3. A la figure 4 (où le coût de la solution est indiqué en abscisses et le nombre de véhicules en ordonnées), on peut observer, pour une instance donnée, les solutions obtenues par les heuristiques, le reste de la population initiale et le front de Pareto. On peut remarquer sur l’ensemble des instances testées que, en moyenne, la solution obtenue avec l’algorithme mémétique (représentée par carré à la figure 5) est dans 16% des cas dans le front des solutions non-dominées (représenté par ♦). Dans le reste des cas, le NSGA-II ne retrouve pas la solution du mémétique. Ceci nous encourage donc MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie n m LB 15 24 31 20 20 29 46 21 21 31 37 22 22 32 41 25 25 40 61 29 29 43 49 30 30 56 82 50 50 82 103 75 75 112 155 100 100 157 212 120 120 183 242 150 150 225 298 199 199 299 497 240 240 370 490 252 252 367 507 255 255 387 786 Moyenne 1 3 3 1 4 4 1 3 3 1 4 4 1 5 5 1 5 4 1 5 6 1 9 9 1 12 14 1 18 18 1 20 21 1 25 27 1 33 34 1 40 42 1 39 43 1 41 38 11.60 15 Figure 4: Evolution du front Pareto MA C R 320.31 5 352.18 6 328.59 5 442.79 5 492.89 6 501.18 7 527.90 6 546.25 6 541.16 6 815.22 5 912.86 7 868.70 6 574.66 6 673.15 8 668.44 9 806.48 7 927.44 7 877.20 7 517.02 5 594.79 9 643.06 9 754.58 8 950.63 13 970.50 15 1135.09 13 1409.25 20 1387.09 20 1309.45 13 1821.22 26 1838.18 27 1632.43 11 3451.71 29 3233.40 26 1609.00 34 2334.49 34 2396.88 36 1963.27 45 2932.56 45 2979.93 46 904.22 20 1470.43 53 1541.80 57 1059.88 20 1736.31 51 1809.63 56 908.55 15 2085.06 52 1807.54 47 1257.61 19.20 font de Pareto C R 320.30 5 354.60 5 340.12 5 442.78 5 512.95 6 508.47 6 527.90 6 577.29 6 541.16 6 815.21 5 944.72 6 883.95 6 574.66 6 682.31 8 726.17 8 806.48 7 961.73 7 950.47 7 517.01 5 685.33 7 687.40 9 788.34 7 1041.77 13 1070.10 14 1158.42 12 1479.63 19 1519.59 20 1342.15 13 2023.53 25 2051.11 26 1706.24 8 4259.29 28 4043.18 25 2993.33 16 1838.40 10 2731.65 33 3493.98 20 2178.76 11 3453.94 42 975.42 10 1795.02 52 1845.52 55 1162.72 10 2164.29 50 2375.83 55 928.75 10 2395.04 52 2146.62 46 1423.41 17.93 Table 3: Résultats de la classe A à rajouter des mouvements de recherche locale dans l’algorithme génétique afin d’améliorer les résultats. Figure 5: Front Pareto et solution du mémétique pour une instance. Dans cette section, les résultats obtenus suite à cette première étude multi-objectif ont montré qu’il est possible d’obtenir des solutions avec un nombre de véhicules plus petit, moyennant une augmention du coût. La diminution du nombre de véhicules est d’autant plus importante que le nombre de clients est important. Toutefois, la solution du mémétique n’est pas retrouvée dans le front de Pareto final pour toutes les instances, ce qui souligne le fait que la recherche locale utilisée par l’algorithme mémétique est d’une grande efficacité. Ceci conduit alors à chercher à réaliser un algorithme mémétique multi-objectif afin d’améliorer les résultats obtenus sur cette partie. MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie 5 CONCLUSION Dans cette communication, une étude d’un nouveau problème a été proposée, tout d’abord en considérant l’aspect mono-objectif, puis le cas multiobjectif. La minimisation du coût des tournées pour le 2L-CVRPTW conduit à une minimisation du nombre de véhicules utilisés, jusqu’à un certain seuil. Il est ensuite possible de diminuer encore le nombre de véhicules, moyennant une augmentation du coût. Nous travaillons actuellement sur l’introduction d’une recherche locale multi-critère permettant d’améliorer les résultats obtenus. Cette étude s’est intéressée au cas d’un agencement non restreint dans les véhicules, mais il est assez courant de rencontrer des contraintes d’agencement limitant les mouvements de manutention à effectuer pour décharger un objet (cas séquentiel). Une perspective à court terme serait de généraliser toute cette approche à ce cas de figure, ce qui devrait avoir un impact direct sur les algorithmes de vérification du chargement et engendrer une augmentation du nombre de véhicules et du coût. D’autre part, le problème étudié dans cet article est directement inspiré des problèmes de décision rencontrés dans les sociétés de transport logistique. Une autre perspective intéressante serait de traiter des versions à données aléatoires comme le nombre d’objets de chaque type demandé par les clients. REFERENCES Alvarenga, G.B., Mateus G.R. et Tomi G. 2007, A genetic and set partitioning two-phase approch for the vehicle routing problem with time windows, Computers and Operations Research, 34, 1561-1584. Alvarez-Valdes R., Parreno F. et Tamarit J.M., 2005, A Grasp algorithm for constrained twodimensional non guillotine cutting problems, Journal of the Operational Research Society, 414425. Ben Messaoud S., 2004, Caractérisation, modélisation et algorithmes pour des problèmes de découpe guillotine, thèse de doctorat de l’UTT. Berger J., Barkaoui M. et Bräysy O., 2003, A routedirected hybrid genetic approach for the vehicle routing problem with time windows, Information Systems and Operational Research, 41, 179-194. Bräysy O. et Gendreau M., 2005, Vehicle Routing Problem with Time Windows, Part I: heuristics, Transportation Science, 39, 119-139. Deb. K, 2002, Multi-Objective Optimization using evolutionary Algorithms, John Wiley and Sons Ltd 245-253. Gendreau, M., M. Iori, G. Laporte, S. Martello, 2007, Tabu search heuristic for the vehicle routing problem with two-dimensional loading constraints, Wiley InterScience, 51, 4-18. Iori, M., Salazar-Gonzalez J. J., Vigo D., 2007, An exact approach for the vehicle routing problem with two-dimensional loading constraints, Transportation Science, 41, 253-264. Khebbache S., Prins C., Yalaoui A. et Reghioui M., 2009a, Heuristics for two-demensional loading capacitated vehicle routing problem with time windows, INCOM , 3-5 June 2009, Moscow. Khebbache S., Prins C., Yalaoui A. et Reghioui M., 2009b, Memetic algorithme for two-dimensional loading capacitated vehicle routing problem with time windows, CIE 39 , 5-8 July 2009, Troyes. Khebbache S., Prins C. et Yalaoui A., 2009c, A multi-objective Genetic Algorithme: twodemensional loading capacitated vehicle routing problem with time windows, AIRO, 8-11 September 2009, Siena. Kindervater G.A.P., et Savelsbergh M.W.P, 1997, Vehicle routing : handling edge exchanges, dans E.H.L. Aarts et J.K. Lenstra (éd.), Local search in combinatorial optimization, Wiley, Chichester, 311-336. Kontoravdis, G. et Bard J., 1995, A GRASP for the Vehicle Routing Problem with Time Windows, ORSA Journal on Computing, 7, 10-23. Labadi, N., C. Prins, M. Reghioui, 2008, A memetic algorithm for the vehicle routing problem with time windows, RAIRO Operations Research, 42, 415-431. Lodi, A., Martello S. et Vigo D., 2004, Heuristic and metaheuristic approaches for a class of twodimensional bin packing problems, Journal of Combinatorial Optimization, 8, 363-379. Martello S. et Vigo D., 1998, Exact solution of the two-dimensional finite bin packing problem, Management Science, 44, 388-399. Moscato P., 1999, Memetic algorithms : a short introduction, in D. Corne, M. Dorigo et F. Glover, New ideas in optimization, MacGraw-Hill, 219234. Moura A. et Oliveira J.F. , 2008a, An integrated approach to the routing and loading problems, OR Spectrum, 41, 1436-6304. Moura, A., 2008b, A Multi-Objective Genetic Algorithm for the Vehicle Routing with Time Windows and Loading Problem, Intelligent Decision Support, Business and Economics. MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie Ombuki B., Ross J. et Hanshar F., 2006, Multiobjective Genetic Algorithms for vehicle Routing Problem with Time Windows, Apllied Intelligence , 24, 17-30. Potvin J.Y. et Rousseau J.M., 1995, An exchange heuristic for Routing Problems with Time Windows, Journal of the Operational Research Society, 46, 1433-1446. Prins C., 2004, A simple and effective evolutionary algorithm for the vehicle routing problem, Computers and Operations Research, Volume 31, Issue 12, 1985-2002. Rochat Y., Taillard E. D., 1995, Probabilistic diversification algorithm for the vehicle routing problem, Journal of Heuristics, 147-167. Solomon M.M., 1987, Algorithms for the Vehicle Routing and Scheduling Problems with Time Window Constraints, Operations Research, 35, 254-265. Tan, K.C., L.H. Lee et K. Ou, 2001, Hybrid genetic algorithms in solving vehicle routing problems with time window constraints, Asia-Pacific Journal of Operational Research, 18, 121-130. Wäscher G., Haussner H., Schumann H., 2006, An improved typology of cutting and packing problems. European Journal of Operational Research, 183, 1109-1130. Zachariadis E., Tarantilis C.D. et Kiranoudis C.T., 2009, A guided tabu search for the vehicle routing problem with two-dimensional loading constraints, European Journal of Operational Research, 195, 3, 729-743.