Le problème de Localisation de Hubs et Routage dans le contexte de logistique verte

Green Hub Location-Routing Problem for LTL transport

• Auteur / Autrice : Xiao Yang
• Direction : Nathalie Bostel, Pierre Dejax, Marc Paquet
• Type : Thèse de doctorat
• Discipline(s) : Automatique et Informatique appliquée
• Date : Soutenance le 22/05/2018
• Etablissement(s) : Nantes
• Ecole(s) doctorale(s) : École doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes)
• Partenaire(s) de recherche : COMUE : Université Bretagne Loire (2016-2019)
• Partenaire(s) de recherche : Laboratoire : Laboratoire des Sciences du Numérique de Nantes
• Jury : Président / Présidente : Marc Sevaux
• Jury : Examinateurs / Examinatrices : Marc Sevaux
• Jury : Rapporteurs / Rapporteuses : Caroline Prodhon, Mozart Vergetti de Menezes

Mots clés

Mots clés contrôlés

Transport de marchandises

Mots clés libres

Plate-forme de correspondance

Hub

Algorithme mémétique

Résumé

Le problème de localisation de hubs et tournées combinées (Hub Location-Routing Problem, HLRP), concerne la conception d’un réseau de transport performant entre de nombreuses origines (fournisseurs) et destinations (clients). Ce système est basé sur la localisation de plates formes (hubs) permettant de concentrer les flux et l’organisation de tournées pour la collecte des marchandises des fournisseurs et la distribution vers les clients. Nous étudions le cas spécifique du HLRP à capacités et allocations uniques (CSAHLRP) et de processus de tournées de collecte et distribution séparés. Nous proposons un modèle de programmation linéaire mixte (MILP) et un Algorithme Mémétique (MA) pour ce problème en vue de la minimisation du coût total du réseau de transport. De plus, nous étendons le modèle MILP pour le cas bi-objectif afin de minimiser à la fois le coût total et les émissions de CO2 du transport. Notre algorithme Mémétique (MA) et adapté et combiné à un algorithme génétique de tri non-dominé élitiste rapide (NSGAII) afin de déterminer des approximations du front de Pareto. Enfin, nous proposons une procédure en deux phases pour résoudre le HLRP mono objectif, comportant la résolution du problème de localisation des hubs (HLP) suivi pour chaque hub de la résolution de deux problèmes de tournées relatifs à la collecte et la livraison. Notre modèle MILP mono objectif est décomposé et notre MA est adapté pour résoudre le problème suivant ces deux étapes. Un ensemble d’instances de différents tailles et caractéristiques a été développée afin de conduire des expérimentations et de valider nos approches de résolution de ces différents problèmes.

We study the Hub Location-Routing Problem (HLRP) aiming at the design of an efficient freight transportation network for LTL (less-than-truck) transport between many origins (suppliers) and destinations (clients). Such a network relies on the location of consolidation hubs, the organization of routings for the collection/distribution of freight from suppliers to hubs and from hubs to clients, as well as direct shipment of consolidated freight between hubs. We focus on the Capacitated Single Allocation Hub Location-Routing Problem (CSAHLRP) in the case of distinct collection and delivery processes. We propose mixed integer linear programming (MILP) model and a Memetic Algorithm (MA) to solve the problem for minimizing the total cost of the network. Then we extend the model into a bi-objective model for minimizing both the total cost and CO2 emissions of transport. A modified memetic algorithm (MA) combined with a fast elitist non-dominated sorting genetic algorithm (NSGAII) is developed to capture the trade-off between minimizing total cost and CO2 emissions and exhibit approximations of the Pareto front. At last, a two step procedure is proposed to solve the single-objective HLRP based on a hub location problem (HLP) and two distinct vehicle routing problems for suppliers and clients allocated to each hub by the first step. Our single objective MILP model is decomposed accordingly and our MA is adapted to solve the HLRP following these two steps. A data base of instances of different sizes and characteristics has been developed in order to conduct extensive experiments for solving all these problems using the different solution techniques and validate our approaches.