Etude Et R Esolution Exacte de Probl Emes de Transport A La Demande Avec Qualit e de Service

Etude
et r
esolution exacte de probl`
emes de transport `
a
la demande avec qualit
e de service
Thierry Garaix
To cite this version:
Thierry Garaix. Etude

et resolution exacte de problèmes de transport à la demande avec qualite
de service. Modelisation et simulation. Universite dAvignon, 2007. Francais. <tel-00534894>
HAL Id: tel-00534894

https://tel.archives-ouvertes.fr/tel-00534894
Submitted on 10 Nov 2010
HAL is a multi-disciplinary open access

archive for the deposit and dissemination of scientific research documents, whether they are published or not. The documents may come from
teaching and research institutions in France or
abroad, or from public or private research centers.
Larchive ouverte pluridisciplinaire HAL, est

destinee au depot et à la diffusion de documents
scientifiques de niveau recherche, publies ou non,
emanant des etablissements denseignement et de
recherche francais ou etrangers, des laboratoires
publics ou prives.
ACADMIE DAIX-MARSEILLE
UNIVERSIT DAVIGNON ET DES PAYS DE VAUCLUSE
THSE de DOCTORAT
Prsente pour obtenir le grade de Docteur en Sciences
de lUniversit dAvignon et des Pays de Vaucluse
Spcialit : Informatique, recherche oprationnelle et gomatique
tude et rsolution exacte de problmes de transport

la demande avec qualit de service
par
Garaix Thierry
Soutenue publiquement le 13 dcembre 2007 devant un jury compos de :
M.
M.
M.
M.
M.
M.
M.
Claramunt Christophe
Cordeau Jean-Franois
Prins Christian
Artigues Christian
Charre Jol
Feillet Dominique
Josselin Didier
Professeur, IRENav, Brest

Professeur, HEC Montral
Professeur, Univ. Technologies Troyes
Rapporteur
Rapporteur
Rapporteur
Charg de recherches (HDR), LAAS-CNRS, Univ. Toulouse

Professeur, UMR ESPACE-CNRS 6012, UAPV
Matre de confrences (HDR), LIA, UAPV
Charg de recherches, UMR ESPACE-CNRS 6012, UAPV
Co-directeur
Co-directeur
Examinateur
Examinateur
Laboratoire d'Informatique
Universit d'Avignon
cole Doctorale 379 Temps, Espacce , Pouvoir et Culture

UMR ESPACE-CNRS 6012, LIA
Rsums des chapitres de la thse

1. Dans ce chapitre introductif, nous prsentons les systmes de transport la demande (TAD) dans leur fonctionnement ainsi que la place quils occupent dans le
monde du transport de personnes. Les TAD sont abords avec une vision largie,
en insistant sur les enjeux sociaux lis lvolution de la mobilit et les enjeux
technologiques ou pratiques lis la mise en place et la prennisation de tels
systme. Nous voquons galement les thmes de recherche lis aux TAD qui
peuvent susciter lintrt des communauts de la gographie et de la recherche
oprationnelle.
2. Nous prsentons un tat de lart sur les problmes de calcul de tournes de vhicules principalement ax sur les problmes de type ramassages et livraisons,
et plus particulirement lis au transport de personnes. Un intrt particulier est
port aux mthodes de rsolution exactes. Une introduction une de ces mthodes est lobjet des sections 2.2 et 2.3. Il sagit de fournir les bases pour apprhender la mthode de gnration de colonnes qui dcompose le problme en un
problme matre, un programme linaire gnralement rsolu laide dun solveur, et un problme esclave qui dans notre cas particulier prend la forme dun
Problme de Plus Court Chemin avec Contraintes de Ressources. Un algorithme
de programmation dynamique gnrique rsolvant le problme esclave est prsent. Il est utilis, diffremment adapt, tout au long de la thse.
3. Aprs avoir dfini formellement le problme tudi dans la section 3.1, nous proposons dans la section 3.2 une liste de critres de qualit de service, organise
suivant le niveau partir duquel ils sont mesurables : partir dune longue priode de fonctionnement, dune solution complte, dune tourne, de la course
dun passager ou dun simple tronon de route. Nous donnons une modlisation
formelle de ces critres lorsque cela nous semble pouvoir rentrer dans le cadre de
notre tude plus concentre sur les critres mesurables une petite chelle.
Nous considrons dans la section 3.3 loptimisation des critres mesurables au
moins sur une tourne, dans le cas o un vhicule connat exactement les lieux
quil doit visiter ainsi que lordre dans lequel ils doivent tre visits. Le problme
se restreint alors un problme dhorodatage de la tourne, et/ou de choix des
itinraires emprunter entre chaques lieux conscutifs.
4. Dans la section 4.1, nous proposons une mthode de gnration de colonnes pour
le problme de maximisation de la qualit de service prsent dans la section
3.1. Nous prsentons les dtails dimplmentation de la rsolution des problmes
3
matre et esclave, ainsi que les rsultats obtenus sur des instances de PDPTW de la
littrature. Dans la section 4.2, nous intgrons ce schma trois critres de qualit
de service slectionns pour leur intrt applicatif et discutons des modifications
apporter la mthode gnrale pour les prendre en compte. Ces trois critres sont
la distance totale parcourue, le temps perdu en transport et le taux de remplissage
des vhicules. Loptimisation suivant ces trois critre est value sur des instances
drives de celle de PDPTW de la littrature. Hormis lintgration des critres de
qualit de service, un des objectifs de ce chapitre est de calculer et de comparer les
solutions obtenues en optimisant suivant diffrents critres. Afin que les rsultats
obtenus, en terme de qualit des tournes soient comparables et ne soient pas
imputables la mthode de rsolution, une rsolution exacte simpose.
5. Lapplication produite pour le TAD du Doubs Central est le sujet de ce chapite.
Aprs un bref aperu des besoins et de la solution propose (section 5.1), nous
prsentons la partie doptimisation interne lapplication, dans la section 5.2. Le
noyau de calcul des tournes est une heuristique dinsertion. Nous comparons ses
performances avec une adaptation de la mthode de gnration de colonnes du
chapitre 4.
6. Aprs avoir mis en place des outils permettant la visualisation et la manipulation
des tournes de vhicules dans leur environnement gographique, nous gnrons
des instances ralistes correspondant diffrents scnarios de demandes de transport. Nous comparons ensuite les solutions obtenues partir des trois critres de
qualit de service que sont la distance totale parcourue, le temps perdu et le taux
de remplissage. Pour finir dans la section 6.2, nous tudions comment valuer la
sinuosit des tournes, vue comme un critre de qualit de service li la forme
des tournes.
Table des matires

I
Transport la demande
1 Enjeux, problmatiques, mthodes

1.1 volution des besoins de mobilit et TAD . . . . . . . . . . . . . . . . . .
1.2 Mise en place dun TAD et liens avec la Recherche Oprationnelle . . . .
9
9
16
2 Optimisation du calcul des tournes de vhicules : Dial-A-Ride Problem

2.1 tat de lart . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.1.1 Problmes de calcul de tournes de vhicules . . . . . . . . . . . .
2.1.2 DARP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2 Mthode de gnration de colonnes . . . . . . . . . . . . . . . . . . . . .
2.2.1 Principes de la mthode . . . . . . . . . . . . . . . . . . . . . . . .
2.2.2 Contexte dutilisation Calcul de bornes infrieures pour des programmes linaires en nombres entiers . . . . . . . . . . . . . . . .
2.2.3 Paramtrages Efficacit . . . . . . . . . . . . . . . . . . . . . . .
2.3 Plus court chemin avec contraintes de ressources (SPPRC) . . . . . . . .
2.3.1 Modlisation dun ESPPRC . . . . . . . . . . . . . . . . . . . . . .
2.3.2 Rsolution par programmation dynamique . . . . . . . . . . . . .
21
21
21
24
31
32
II
43
Qualit de service pour le transport la demande
3 Critres de qualit de service

3.1 Dfinition du problme tudi . . . . . . . . . . . . . . . . . . . . . . . . .
3.2 Critres de qualit de service . . . . . . . . . . . . . . . . . . . . . . . . .
3.2.1 valuation sur un tronon ou un arrt . . . . . . . . . . . . . . . .
3.2.2 valuation sur une course . . . . . . . . . . . . . . . . . . . . . . .
3.2.3 valuation sur une tourne . . . . . . . . . . . . . . . . . . . . . .
3.2.4 valuation sur une solution . . . . . . . . . . . . . . . . . . . . . .
3.2.5 valuation long terme . . . . . . . . . . . . . . . . . . . . . . . .
3.3 Maximisation de la qualit de service pour une squence fixe darrts
visiter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.3.1 Dfinition et modlisation . . . . . . . . . . . . . . . . . . . . . . .
3.3.2 Cas du 1-graphe . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.3.3 Cas du p-graphe . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5
34
35
36
38
39
45
45
47
49
52
54
55
60
61
61
61
66
4 Maximisation de la qualit de service

4.1 Mthode de rsolution par gnration de colonnes . . . . . . . . . . .
4.1.1 Modlisation . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.1.2 Adaptation de la mthode gnrale de gnration de colonnes
4.1.3 Adaptation de la rsolution du problme esclave . . . . . . .
4.1.4 Rsultats sur des problmes standard de la littrature . . . . .
4.2 Intgration des critres de qualit de service . . . . . . . . . . . . . .
4.2.1 La distance totale parcourue . . . . . . . . . . . . . . . . . . .
4.2.2 Le temps perdu . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2.3 Le taux de remplissage . . . . . . . . . . . . . . . . . . . . . . .
4.2.4 Rsultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
71
. 71
. 71
. 75
. 78
. 89
. 99
. 99
. 102
. 106
. 113
III tude de cas : Le TAD du Pays du Doubs Central
125
5 Lapplication dveloppe
5.1 TAD mettre en place . . . . . . . . . . . . . . . . . .
5.1.1 Description gnrale du TAD raliser . . . .
5.1.2 Dfinition du problme de calcul de tournes .
5.1.3 Lapplication TADOU . . . . . . . . . . . . . .
5.2 Heuristique doptimisation . . . . . . . . . . . . . . .
5.2.1 Rsolution par un algorithme dinsertion . . .
5.2.2 Rsultats . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
127
127
127
129
132
134
134
139
6 Visualisation des tournes

6.1 Plate-forme de travail couple un SIG . . . . . . . . .
6.1.1 Structure de la plateforme Opensource . . . . .
6.1.2 Construction dinstances types . . . . . . . . .
6.1.3 Critres de qualit de service et modles de flux
6.2 tude de la sinuosit . . . . . . . . . . . . . . . . . . . .
6.2.1 Dfinition de quatre critres dvaluation . . . .
6.2.2 Observations . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
143
143
144
144
148
150
151
154
Conclusion
165
Liste des illustrations
165
Liste des tableaux
167
Bibliographie
169
Premire partie
Transport la demande
Chapitre 1
Enjeux, problmatiques, mthodes

: Dans ce chapitre introductif, nous prsentons les systmes de transport la demande
(TAD) dans leur fonctionnement ainsi que la place quils occupent dans le monde du transport
de personnes. Les TAD sont abords avec une vision largie, en insistant sur les enjeux sociaux
lis lvolution de la mobilit et les enjeux technologiques ou pratiques lis la mise en place et
la prennisation de tels systme. Nous voquons galement les thmes de recherche lis aux TAD
qui peuvent susciter lintrt des communauts de la gographie et de la recherche oprationnelle.
RSUM
1.1
volution des besoins de mobilit et TAD
Les transports voluent pour permettre daller plus loin, plus vite un plus grand
nombre dindividus. La quantit, la diversit et la longueur des flux de passagers augmentent. Ces dernires dcennies, les transports ont pris de plus en plus de place dans
notre quotidien. Le budget temps de chaque individu consacr au transport, longtemps
constant 12%, est pass 20% (constat fait entre 1994 et 2000 en Suisse) ; ce qui premire vue contredit la loi de Zahavi (Zahavi et Ryan, 1980; Zahavi et Talvitie, 1980) sur
le budget temps (et argent) constant. La journe moyenne a subi une dsynchronisation temporelle avec par exemple une forte attnuation des pics de trafic, due entre
autres une souplesse de lorganisation du temps de travail accrue (Bailly et Heurgon,
2001). Quen est-il de notre mobilit ? et des enjeux conomiques, politiques, sociaux,
cologiques lis la gestion de ces flux ?
De nombreuses disciplines sintressent ces sujets. Une partie des gographes tudie linteraction entre les rseaux de communication (transport ou autre) et les territoires, pour savoir dans quelle mesure les territoires forment les rseaux ou quel niveau les rseaux (d)structurent les territoires. Les sociologues sinterrogent sur limpact dune plus grande offre de mobilit dans notre socit et sa fluidit. Est-ce que
cette offre de quasi-ubiquit est galitaire et gnre un gain de libert ? Ou bien, la socit se voit-elle imposer de nouvelles contraintes dans un systme litiste sparant des
9
Chapitre 1. Enjeux, problmatiques, mthodes
autres ceux qui ont un accs facilit la mobilit ? Ils sinterrogent aussi sur les sources
dun tel besoin de mobilit ; sil rpond un dsir naturel de mouvement ou des
contraintes socitales, comme par lexemple la prsence des habitats les moins onreux
loin des centres dactivits. Les industriels cherchent proposer des produits bass sur
de nouvelles technologies (GPS, Bluetooth, WI-FI. . .) satisfaisant ou anticipant les besoins en mobilit. Les transporteurs rationalisent leur offre de transport et leur gestion
des flux via des outils doptimisation et daide la dcision gnralement bass sur
des dveloppements informatiques. En effet, lorsquun systme de transport ne peut
plus tre gr manuellement, notamment lorsque la quantit de demandes de mobilit
autorise potentiellement le regroupement des passagers dans les vhicules, lutilisation de systmes automatiss pour la recherche de solutions optimises simpose. Ces
systmes permettent de grer des services au fonctionnement complexe soumis de
nombreuses contraintes. La recherche oprationnelle apporte ainsi une vision complmentaire celle de lexpert de terrain, grce lintroduction de thories et de concepts
prouvs tels que la recherche du plus court chemin base sur la thorie des graphes,
les mthodes dordonnancement ou de programmation linaire sous contraintes. Ces
approches peuvent intervenir pour aider au choix des services (simulation pralable de
fonctionnement du systme), pour grer le TAD (optimisation des tournes effectives)
ou pour suivre son fonctionnement (audit et retour sur exprience). Le trait IGAT rdig sous de la direction de G. Finke (Finke, 2002) fournit un aperu de ces diffrents
aspects.
Dans cette thse, nous nous intressons au transport collectif individualis correspondant aux exigences modernes et plus particulirement au calcul et loptimisation
des itinraires via diffrents critres de qualit de service, laide de mthodes adaptes
provenant de la recherche oprationnelle.
Les individus recherchent des services de transport toujours plus souples, plus proches de leurs besoins. Malgr de rcents efforts, les transports publics ne rpondent
que partiellement ces attentes. Si ceux-ci restent comptitifs sur certains segments (en
milieu urbain dense sur sites propres), dans la majorit des cas la voiture personnelle
reste la plus mme de rpondre aux besoins de dplacements individuels (Wiel, 2002;
Dupuy, 1999). Toutefois, sur ces segments o les vhicules privs sont les plus comptitifs (zones pri-urbaines, rurales. . .), de par leur disponibilit et leur efficacit, des
solutions alternatives existent (Castex et Josselin, 2007).
Relativement mal connus du grand public et plutt ngligs par les transporteurs,
les transports la demande (TAD), datant des annes 1970, font leur rapparition depuis la fin des annes 1990, la faveur de lavnement des technologies de linformation
et de la communication (Ambrosino et Nelson, 2004) et de volonts politiques. Les TAD
peuvent se dfinir comme : des transports terrestres collectifs individualiss de personnes, activs seulement la demande . On les trouve actuellement essentiellement
dans les pays riches (tats-Unis, Europe, Japon). Les figures 1.1 et 1.2 illustrent le principe de fonctionnement dun TAD.
La figure 1.1 reprsente les requtes (flches), les temps de trajet (pondration des
flches) estims de lorigine (cercle surmont de personnages) vers la destination. Lheure
10
1.1. volution des besoins de mobilit et TAD
10:00
20
45
10:00
13:00
40
120
12:00
F IG . 1.1: Reprsentation du Transport la Demande - Les demandes
darrive souhaite est indique ct de la destination. Les cercles accots un vhicule reprsentent les dpts des vhicules.
10:00
9:40
9:55
20
45
10:00
10:00
13:00
8:30
40
120
12:25
11:10
9:10
12:00
11:50
F IG . 1.2: Reprsentation du Transport la Demande - Les Tournes
La figure 1.2 reprsente des tournes de vhicules rpondant la demande. Litinraire de chaque vhicule est reprsent en pointills. Lheure de passage est indique
pour chaque lieu (ramassage ou livraison).
Historiquement, si on excepte le taxi-brousse africain et le taxi collectif italien, ce
mode de transport prend ses origines aux tats-Unis et commence y tre envisag
comme un mode de transport public. Les TAD possdent diffrentes dfinitions et appellations qui correspondent diffrentes philosophies allant du mode de transport
palliatif lorsquon ne peut pas faire autrement, par exemple dans des zones enclaves
11
une vritable rvolution dans le monde des transports en commun, remplaant alors
les traditionnels taxis et lignes de bus ou de tramways comme limagine le concept de
Modulobus (Josselin et Genre-Grandpierre, 2005). En 1966, les Amricains votent un
amendement sur le transport public qui dbouche notamment sur un congrs en 1968,
intitul Les transports de demain : de nouveaux systmes pour les cits du futur
1
. Cest en 1970, que onze projets rgionaux sont financs et permettent les premires
tudes et expriences denvergure. Ces projets sont principalement axs sur des aspects
oprationnels et les informaticiens furent logiquement les chercheurs les plus sollicits,
les autres disciplines ne semparant vritable du phnomne que bien plus tardivement. Le manque dtudes sur lintgration des TAD dans la socit peut expliquer en
partie la perte de vitesse du dveloppement des TAD dans les annes 80.
Les premiers TAD mis en place nont pas de vocation gnraliste et concernent des
niches dusagers trs restreintes, dont la plus reprsentative, encore lheure actuelle,
est le transport de personnes mobilit rduite (PMR) ou handicapes. Ce fut un des
principaux dclencheur de la relance des recherches dans le domaine en 1990, suite
une loi amricaine sur le dveloppement des services aux PMR ( The American with
Disabilities Act ). Dailleurs, une des premires dnominations rpandue pour ces systmes est Paratransit Sytems . Afin dlargir limage de ces systmes de transport et
dinsister sur leur caractre individualis et parfois en temps rel, apparat le terme de
Dial-A-Ride , peu peu abandonn au profit dappellations plus gnrales comme
Demand Responsive Transport et Transport On-Demand (ou On-Demand Transportation ) suivant les communauts scientifiques. En France comme en Europe, les TAD
se dveloppent au gr des lgislateurs qui leur donnent un cadre juridique et surtout
des crdits. En France, la Loi dOrientation des Transports Intrieurs (LOTI)2 les dfinit
juridiquement comme des services collectifs offerts la place, dtermins en fonction de la demande des usagers, dont les rgles gnrales de tarification sont tablies
lavance et qui sont excuts avec des vhicules dont la capacit minimale est fixe par
dcret . Ces systmes ont une forte connotation de transport public et sont donc axs
sur la demande, do le terme de Transport la Demande et mme les appellations
de (Mini)Bus la Demande permettant de les distinguer nettement des systmes
de co-voiturage ou de taxis collectifs ( car-pooling et car-sharing en anglais) avec
lesquels ils sont souvent assimils par le grand public. Par la suite, nous emploierons la
formulation Transport la Demande (TAD) de faon gnrique dans le sens donn
par Ascher (2002)(page 278) : Le transport la demande est une notion gnrique qui
englobe a priori tous les services de transport dont tout ou partie ne seffectue qu la
demande expresse de ceux qui les utilisent .
Les TAD tardent se dvelopper en France, et les tats-Unis restent largement le
pays le plus riche en TAD dans ses zones les plus fortement urbanises, comme le
montre la carte de la figure 1.3 recensant les systmes de transports intelligents (Intelligent Transport Systems (ITS) en anglais) aux tats-Unis. Leur implantation na cess
daugmenter depuis les annes 90 passant de 42,4 millions de voyages en 1991 73,2
1
De lamricain : Tomorrows transportation : new systems for the urban futur .

La LOTI fut vote en 1982 et suivie dun dcret en 1985, puis prcise par la Loi sur lAir et lUtilisation
Rationnelle de lnergie (loi LAURE ou Lepage) du 30 dcembre 1996.
2
12
millions en 2000. En France, plus de 600 services de TAD existent, couvrant plus de
Traduction des noms des technologies utilises en franais pour les TAD (=DRT)
Real time monitoring of vehicle components : Gestion des vhicules en temps rel.
Automatic Vehicle Location : Localisation de vhicule de type GPS.
Automated dispatching or control software : Logiciels de gestion.
Magnetic Stripe Readers : Lecteurs de bandes magntiques.
F IG . 1.3: Carte des Systmes de Transport Intelligents aux tats-Unis par type de technologie.
6000 communes. Ces services sont souvent dvelopps pour matriser les dpenses de
transport (remplacement des lignes de bus dficitaires), assurer le droit la mobilit
certaines populations, captives, dfavorises (PMR, par exemple) ou proposer un mode
de dplacement adapt aux zones de faibles densits, aux heures de frange de la journe (matines, soires, nuits) ou aux vnements localiss, occasionnels ou rcurrents.
Un dernier argument est celui de la lutte contre la pollution, puisque loptimisation des
tournes et le regroupement des voyageurs permettent en effet une conomie potentiellement importante de vhicules roulant et donc dmission de polluants atmosphriques (Houzet et Josselin, 2004). Dans sa thse, Castex (2007) dresse un tat des lieux
des TAD en France. Il en ressort que les TAD sont souvent mis en place pour palier un
dficit des transports en commun. Leur fonctionnement dpend fortement de la nature
du service rendre et des moyens financiers et techniques disponibles. Ainsi, lheure
actuelle 70% des TAD franais oprationnels sont trs faiblement flexibles et jouent sur
13
des ajustements de lignes fixes au niveau des horaires ou des ordres de passage. Parmi
les autres TAD qui mettent en uvre des systmes plus volus de prise en compte de
la demande, comme des outils informatiques de gestion et doptimisation, moins de la
moiti ont une gestion dynamique de la demande. Cependant, les TAD dynamiques
sont un objectif idal de fonctionnement pour une grande partie des TAD. Les TAD
dynamiques reprsentent donc une part importante des travaux de recherche sur le
sujet.
Dans le tableau 1.1, nous prsentons les avantages (marqus par un plus) et les
inconvnients (marqus par un moins) de diffrents modes de transport la voiture
particulire (VP), le bus ou tramway ou mtro, le taxi traditionnel, la bicyclette ou la
marche pied et le TAD, par rapport des critres dexigences exprimables par les diffrents acteurs du transport. Bien sr, on peut supposer que les aspirations des usagers
sont incluses dans celles des Autorits Organisatrices de Transport (AOT, prescripteurs
relayant la demande sociale via les lus) qui souhaitent le bien-tre des citoyens, ainsi
que celles des AOT le sont dans celles des transporteurs qui doivent rendre des comptes
aux AOT.
14
critre
conomie
rapidit
BUS
+ bon march
+ voies rserves
- arrts longs
- horaires fixes
- arrts fixes
- promiscuit
+ chauffeur pro
- non modulable
- dessertes limites
+ regroupement
+ regroupement
- investissements
+ rgulire
TAXI
VLO
- trs cher
+ bon march
+ voies rserves
- trop physique
+ pas darrts
+ rservation
+ libre
+ porte porte
+ porte porte
+ confort
- effort
+ chauffeur pro
- fragilit/vol
+ priv
+ priv
- cher
- sportif
- individuel
+ non polluant
- individuel
+ peu encombrant
+ forte rentabilit
non concern
+ en direct
+ non concern
(*) CT : Compagnies de transporteur
TAB . 1.1: Comparatif entre diffrents modes de transport
TAD
+ bon march
+ voies rserves
+ peu darrts
+ rservation
+ porte porte
+ confort
+ chauffeur pro
+ adapt la demande
+ accessible tous
+ regroupement
+ regroupement
+ modulable
- complexe
15
VP
U
- cher
S
+ pas darrts
A
- subit le trafic
G
choix des horaires
+ libre
E
prcision
- stationnement
R
agrment
- conduite
S
scurit
- dans le trafic
A
conomie
- contrle routier
O
galit
- cher
T
cologie
- individuel
S** fluide
- individuel
C
conomique
- non concern
T* gestion
+ non concern
(*) Autorits Organisatrices du transport
1.2
Mise en place dun TAD et liens avec la Recherche Oprationnelle
Les TAD mettent en scne autour des besoins de mobilit quatre acteurs : les AOT,
les transporteurs, les passagers et le territoire incluant le rseau de communication. De
la diversit de ces lments, nat celle des offres de transport, ce qui rend la classification des TAD assez ardue. Dans sa thse de gographie, Castex (2007) propose une
analyse par correspondances multiples, une analyse par composantes principales et
une analyse factorielle sur une base de donnes contenant lensemble des TAD franais
recenss ce jour et dcrits par une trentaine dindicateurs. De ces analyses, ressortent
nettement les distinctions entre les TAD urbains, ruraux et pri-urbains. Le territoire
semble donc avoir une forte influence sur le type doffre avec une tendance une plus
grande flexibilit en milieu urbain. Nous voquons ici simplement les caractristiques
de loffre de transport qui nous semblent essentielles.
Entre le taxi qui fait du porte porte et le bus qui suit des lignes fixes, le TAD peut,
en plus, respecter dautres types de trajets comme darrt arrt, ou des lignes fixes
dclenchement (suite au moins une demande). Les courses des vhicules peuvent
tre plus ou moins polarises et peuvent aller jusqu une convergence (ou divergence)
stricte, par exemple pour des vnements particuliers comme larrive dun train.
cela sajoute linter-modalit du transport dj trs dveloppe par les services de livraisons mais pour laquelle, nous ne connaissons pas encore dapplication oprationnelle
pour le transport de passagers la demande.
Le mode de rservation peut tre plus ou moins contraignant pour les usagers, la
gestion en temps rel avec des dlais dattente, et une quantit de rejets faibles est souvent un objectif pour les transporteurs.
Une troisime caractristique nous paraissant essentielle, est la souplesse demande
au client en terme de dtour ou dhoraire, ce qui reprsente souvent le critre principal
en terme de qualit de service. Ceci peut tre reli au mode de tarification qui a un
impact majeur sur la frquentation et le mode dutilisation du service.
Tout systme de TAD a deux vies ; une ltat de projet et une en tant que systme
oprationnel. La principale difficult pour la gestion du projet est celle de ses acteurs.
Les premiers acteurs considrer sont les diffrentes AOT comptentes, qui, suivant le
type de rseau ou le territoire changent et ne sont pas toujours prts cooprer dans
le mme sens. La figure 1.4 indique les secteurs de comptence des principales AOT
franaises. Bien sr, la cible des usagers doit tre parfaitement dfinie afin dtablir un
systme adquat en termes de service et de tarification. Enfin, les transporteurs locaux
quils soient partenaires ou concurrents imposent des contraintes assez fortes sur loffre
de transport pouvant tre mise.
Dun point de vue oprationnel, un premier problme est de dfinir un systme
de transport optimal en termes de types de vhicules, de localisation des dpts et
de tarification. Laspect volumineux et parfois flou des contraintes formules lors de
la phase de projet, ne permettent souvent pas de formaliser mathmatiquement le pro16
1.2. Mise en place dun TAD et liens avec la Recherche Oprationnelle
tat
Grands rseaux
internationaux et
interrgionaux
Rgion
Lignes rgionales
TER
Scolaires
TAD
Handicapps
Dpartement
Aire rurale
Aire urbaine
Pays
Communaut
dagglomration
Communaut
de communes
Commune
F IG . 1.4: Niveaux de comptence des AOT en France
17
Dlgation de
comptence
blme pour le rsoudre. Cependant, la gostatique spatiale permet de mettre en relation

des structures spatiales de demande affines (semis de population, taux de pntration, matrices origines/destinations) sans lesquelles aucun systme de transport oprationnel ne pourrait tre efficacement mis en place. Les mthodes de gosimulation
sont ainsi trs dveloppes en gographie.Celles-ci peuvent sappuyer sur des sousproblmes plus acadmiques tel que le problme de localisation (Drezner, 1996), pour
fixer les lieux des dpts daprs une estimation des flux de passagers, et le problme
de calcul de tournes de vhicules tablissant les feuilles de route des vhicules pour
une liste de flux, une fois les dpts fixs. Des travaux rcents permettent mme denvisager le traitement conjoint de ces deux problmatiques, localisation et routage (Prins
et al., 2006, 2007). Ces deux problmatiques font appel des mthodes relevant de la
recherche oprationnelle. Au stade de la simulation, les donnes fournies sont le fruit
direct dtudes terrain (enqutes, historiques. . .) ou dtudes analytiques (structures des
rseaux, du territoire, des semis de population. . .). Diffrents types de mthodes de rsolution peuvent tre envisages en fonction du temps imparti au calcul, du volume
de donnes et du degr dexigence en terme de qualit des solutions. Ces paramtres
guident vers des approches heuristiques pour de grands volumes de donnes et des
rponses rapides, dapproximation pour des rponses rapides avec une garantie sur la
qualit des solutions ou exactes ncessitant plus de temps de calcul et souvent envisageables sur des petits volumes de donnes.
Nos travaux se restreignent ltude des tournes de vhicules dont voici une brve
prsentation. Dans son fonctionnement, un TAD permet de rpondre des demandes
(ou requtes ) de transport via une flotte de vhicules sous certaines contraintes de
faisabilit et de fonctionnement. Les TAD posrent, ds leur apparition, des problmes
doptimisation de construction des tournes et daide la dcision nouveaux par rapport aux problmes de transport de passagers classiques o la planification des tournes nest pas quotidienne. Les enjeux de tels systmes consistent trouver des solutions optimises de fonctionnement associant les objectifs, parfois contradictoires, des
partenaires impliqus :
rationaliser loffre et rendre visible et attractif le service pour les AOT,
rentabiliser le service pour les transporteurs (socits auxquelles les AOT dlguent lorganisation des transports sur leur territoire),
conqurir de nouveaux marchs pour les sous-traitants ventuels (taxis),
amliorer le cadre de vie et laccs aux facilits (associations dusagers).
Ces objectifs impliquent la prise en compte de critres conomiques (cot de fonctionnement), sociaux (accessibilit, quit, cots attractifs, convivialit), fonctionnels (ractivit, flexibilit, niveau de remplissage des vhicules), environnementaux (pollution,
fluidit du trafic urbain, nuisances sonores et encombrement des parkings en zones
urbaines).
Cette thse propose des mthodes pour le calcul de tournes de vhicules avec les
objectifs de prendre en compte diffrents critres de qualit de service et de comparer les tendances observes sur les solutions obtenues. Afin de saffranchir du biais
pouvant tre gnr sur la comparaison des solutions par lutilisation de mthodes inexactes, nous utilisons des mthodes de rsolution exacte. Un projet de recherche-action
18
1.2. Mise en place dun TAD et liens avec la Recherche Oprationnelle
effectif dans le Pays du Doubs Central nous permet dexprimenter certains de nos travaux.
19
20
Chapitre 2
Optimisation du calcul des tournes

de vhicules : Dial-A-Ride
Problem
RSUM : Nous prsentons un tat de lart sur les problmes de calcul de tournes de vhicules principalement ax sur les problmes de type ramassages et livraisons, et plus particulirement lis au transport de personnes. Un intrt particulier est port aux mthodes de rsolution
exactes. Une introduction une de ces mthodes est lobjet des sections 2.2 et2.3. Il sagit de
fournir les bases pour apprhender la mthode de gnration de colonnes qui dcompose le problme en un problme matre, un programme linaire gnralement rsolu laide dun solveur,
et un problme esclave qui dans notre cas particulier prend la forme dun Problme de Plus
Court Chemin avec Contraintes de Ressources. Un algorithme de programmation dynamique
gnrique rsolvant le problme esclave est prsent. Il est utilis, diffremment adapt, tout au
long de la thse.
2.1
tat de lart
2.1.1 Problmes de calcul de tournes de vhicules

2.1.1.1
Terminologie
Le systme de transport est dfini par une flotte de vhicules bass dans des dpts.
Chaque vhicule peut avoir ses propres caractristiques (capacit, quipements, vitesse
de dplacement, cot dutilisation, dure dutilisation maximale. . .).
Une requte est une demande de services, un ramassage et une livraison en gnral,
formule par des passagers.
21
Chapitre 2. Optimisation du calcul des tournes de vhicules : Dial-A-Ride

Problem
Un tronon est un itinraire continu (sans arrts) entre deux services et identifiable
sur le rseau routier.
Une tourne est le plan de route exact tronons emprunts et heures de passages
comprises si ncessaire attribuable un vhicule.
Une course est un fragment de tourne relatif une requte ; cest--dire ce qui spare
le ramassage initial de la livraison finale.
Une squence est une liste ordonne de services effectuer pour un vhicule ; les
tronons emprunts ntant pas forcment dtermins.
Une contrainte de fentre de temps correspond un couple de dates de ralisation au
plus tt et au plus tard, attribu un service.
Les procdures doptimisation par sparation et valuation progressive (Branch &
Bound en anglais) sont dsignes sous lacronyme SEP. On prcise les cas o une gnration de coupes y est inclue par SEPGCOU (Branch & Cut en anglais), ou une gnration
de colonnes par SEPGCOL (Branch & Price en anglais), ou bien les deux par SEPGCC
(Branch & Cut & Price en anglais).
2.1.1.2
Le TAD parmi les problmes de transport
Une fois le systme de transport dfini, son exploitation ncessite gnralement une
procdure automatise du calcul des tournes des vhicules. Les problmes de transport reprsentent une thmatique majeure en recherche oprationnelle, tant quantitativement quhistoriquement.
Le problme de calcul de tournes de vhicules sous-jacent aux problmes de TAD
est connu sous la dnomination gnrique de Dial-A-Ride Problem (DARP). Dun point
de vue formel, ce problme apparat comme une suite dextensions de problmes de
transport dont nous prsentons les caractristiques respectives dans le tableau 2.1.
problme
TSP
mTSP
CVRP
VRPTW
PDP
PDPTW
DARP
dpt
vhicules
capacit
fentres de temps
couplage
autre
TAB . 2.1: Rcapitulatif des caractristiques de quelques problmes classiques
Le clbre Problme du Voyageur de Commerce, ou Traveling Salesman Problem (TSP)

proche du problme de recherche dun circuit hamiltonien, est connu des mathmaticiens et des statisticiens depuis le 19e sicle. Dans sa formulation aujourdhui classique,
il sagit de trouver lordre de parcours de villes visiter par un commerant itinrant, en
22
2.1. tat de lart
minimisant la distance totale parcourue. On attribue Karl Menger la premire publication propos de la rsolution du TSP (Menger, 1932), o il en considre une variation
quil appelle das Botenproblem ou the Messenger Problem. La rsolution de ce problme
sous sa forme originale resta un challenge trs concurrentiel en optimisation combinatoire pendant plusieurs dcennies. Dans les annes 90 David Applegate, Robert Bixby,
Vasek Chvtal et William Cook dvelopprent la mthode Concorde1 , base sur une
SEPGCOU qui permet de rsoudre optimalement des instances de trs grande taille
(par exemple le TSP de toutes les villes de Sude).
Des nombreux travaux traitant du TSP et de ses variantes, sont issues bon nombre
de mthodes classiques en optimisation combinatoire et recherche oprationnelle et
plus particulirement dans le domaine de la rsolution des programmes linaires en
nombres entiers. Ces mthodes sont les Plans de Coupe (ou Cutting Planes) de Dantzig
et al. (1954), le SEP avec ltude du cas asymtrique (Eastman, 1958) puis gnralise
par Land et Doig (1960). Les chercheurs abordrent galement ces problmes de faon
heuristique, comme par exemple avec de la recherche locale et le toujours trs utilis
oprateur 2-Opt (Croes, 1958). Les progrs effectus en terme de rsolution et la varit
des applications aux systmes de transport amenrent les chercheurs considrer de
nombreuses extensions ou variantes du TSP.
Hormis le cas asymtrique (ATSP), une des premires extensions naturelles du TSP
fut de considrer le transport de marchandises rcoltes en cours de trajet et ramenes
un dpt unique par plus dun vhicule, cest le problme standard de calcul de tournes de vhicules ou Vehicle Routing Problem (VRP). Ce problme prend tout son intrt
si on y intgre une contrainte de capacit sur les vhicules pour le Capacited Vehicle Routing Problem (CVRP). Les problmes se sont ensuite enrichis par des contraintes temporelles (fentres de temps) sur les lieux visiter pour le Vehicle Routing Problem with Time
Windows (VRPTW) ; des contraintes de prcdence entre les lieux visiter par exemple
dans le Problme de Ramassages et Livraisons ou Pick Up & Delivery Problem (PDP), o les
marchandises doivent tre transportes dun lieu vers un autre ; puis dautres contraintes de qualits de service de plus en plus fines, comme le temps de transport maximal,
lies au transport de biens particuliers et notamment au transport de personnes. Ces cas
particuliers de PDP sont souvent dsigns sous le terme de Dial-a-Ride Problems(DARP),
ou Problmes de Transport la Demande dont un tat de lart dtaill fait lobjet de la section 2.1.2. Dans une majeure partie de la littrature, lobjectif est la minimisation de la
distance totale parcourue. Dans un DARP, lintgration de certains critres de qualit
de service nayant pas dexpression naturelle sous forme de contraintes, peut conduire
une fonction objectif diffrente.
Dautres extensions du TSP dans la littrature sont relever, comme les problmes
avec fractionnement de la demande o les biens transports peuvent tre dposs puis
rechargs et dont la version la plus simple est le Split & Delivery Problem dans lequel
une visite en un sommet peut ne donner lieu qu un chargement partiel des biens
disponibles. Une famille importante des problmes de tournes de vhicules est celle
considrant un routage sur les arcs et non sur les sommets, cette famille est relier aux
1
http ://www-neos.mcs.anl.gov
23

Problem
problmes de recherche de circuits eulriens dans un graphe et dont le reprsentant

standard est le Problme du Postier Chinois. Un temps dlaisss, ces problmes particuliers trouvent lheure actuelle un regain dintrt du au nombre important dapplications de cette nature, comme la collecte des dchets et le dsenneigement ou le salage
des voies (Assad et Golden, 1995). Ils deviennent ainsi un champ dapplication ouvert aux mthodes doptimisation comme les algorithmes gntiques (Lacomme et al.,
2005). Les systmes de transport inter-modaux, cest--dire avec diffrents modes de
transport, offrent aussi des problmes beaucoup tudis. Loptimisation de la localisation mme des entrepts est un sujet dtude, comme dans le Location Routing Problem
(Prins et al., 2006). galement, les problmes de calcul de tournes de vhicules sont
coupls avec la gestion des stocks, comme dans le Inventory Routing Problem, ou avec la
gestion de lemploi du temps du personnel. Nous conseillons au lecteur intress par
les variantes des problmes de tournes de vhicules les ouvrages suivants : Gutin et
Punnen (2002); Toth et Vigo (2002); Crainic et Laporte (1998).
Une classification transversale aux problmes de transport est base sur la distinction entre problmes statiques, pour lesquels toutes les donnes sont connues avant le
calcul, les problmes stochastiques, o les donnes est connue par une fonction de probabilit et les problmes dynamiques, o des nouvelles donnes peuvent apparatre en
cours de calcul. Les volutions technologiques actuelles, notamment dans les Technologies de lInformation et de la Communication (TIC) comme le GPS, le Wimax et tant
dautres, et leur large diffusion rendent accessibles des applications proches du temps
rel qui deviennent un axe de recherche attractif (Semet et Malca, 2006). Cependant,
pour beaucoup de systmes, une bonne partie des requtes sont connues par avance.
Un algorithme rsolvant le cas statique est alors utile. La fonction objectif de ce dernier
peut tenir compte de larrive probable de futures requtes, cadre de loptimisation robuste.
2.1.2 DARP
2.1.2.1
Historique
Le calcul de tournes de vhicules dans les TAD commence tre trait comme un
problme doptimisation combinatoire dans les annes 70. Les systmes tudis sont
en temps rel (dynamiques) et orients vers la qualit de service des passagers ou des
chauffeurs. Des tudes analytiques sont dveloppes pour prdire le comportement
de tels systmes soumis des demandes respectant des rgles probabilistes. Daganzo
(1978) tablit un modle analytique pour la prvision des temps dattente et des temps
de transport comme fonctions du nombre de vhicules et de la quantit de demande.
Trois algorithmes rgissant laffectation des demandes aux vhicules partir de notions de proximit, sont tests puis compars sur les critres du temps dattente et du
temps de transport. Daganzo (1984) compare le comportement dun TAD de type porte-porte avec un systme lignes fixes (de type bus de ville). Le systme porte--porte
devient dautant plus attractif que la quantit de demande diminue. Cependant daprs
cette tude, le cot dexploitation du systme porte--porte est aussi plus intressant.
24
2.1. tat de lart
Le modle analytique dvelopp par Stein (1978) mesure le temps de transport moyen
pour un TAD, o les vhicules ont des zones dattribution et o la demande est leve
et respecte une loi de Poisson. Wilson et al. tudient de manire intensive les TAD en
temps rel (Wilson et al., 1971; Wilson et Weissberg, 1976; Wilson et Colvin, 1976). Ils
proposent des heuristiques bases sur des principes de meilleure insertion quils valuent en fonction du temps dattente, du temps de transport, des dtours et de lcart
par rapport une date darrive souhaite.
Dans les annes 80, faute dapplications, lengouement pour les TAD sest quelque
peu mouss. En effet, les technologies de lpoque ont du mal rendre les TAD aussi
attractifs quespr. Quelques travaux de rfrences sont malgr tout publis Psaraftis (1980, 1983a,b); Sexton et Bodin (1985a,b); Bodin et Sexton (1986); Sexton et Choi
(1986) sur le problme un vhicule, ou, Jaw et al. (1986) pour le problme plusieurs
vhicules.
Dans les annes 90 un nouvel intrt pour les TAD apparat, li aux progrs techniques de lpoque notamment dans le domaines des TIC. Jusqualors prvus pour des
catgories restreintes de personnes (scolaires, handicaps. . .), les TAD sont envisags
grande chelle (plusieurs milliers de personnes par jour) et comme systmes de transport en commun (Horn, 2002, 2003, 2004). Les mthodes heuristiques sont alors nettement privilgies et les critres doptimisation deviennent des compromis entre les
cots dexploitation et la qualit de service. Gnralement, ces critres sont la distance
totale parcourue, la dure dune tourne, la dure de transport individuel, lcart par
rapport une date de service souhaite. Une tendance actuelle est dessayer dintgrer
dautres critres doptimisation ; ce qui amne aussi ltude doutils daide la dcision multicritres.
Certains DARP ont une structure vraiment particulire qui les rapproche dun problme de VRPTW classique. Il sagit de problmes de rabattement, par exemple par des
taxis pour des voyageurs vers un dpart de train (Chevrier et al., 2006a) ou en covoiturage par des employs dune mme entreprise vers leur lieu de travail (Baldacci et al.,
2004). Ce ple de convergence (ou de divergence) est parfois assimilable un dpt de
vhicules unique et les requtes se simplifient en de simples ramassages (ou livraisons).
Soit pour des raisons de complexit, de volume de donnes, ou daspects dynamiques les TAD posent des problmes gnralement propices des approches heuristiques qui forment la majorit de la littrature ce sujet. La section suivante est consacre une rapide prsentation des principales mthodes de rsolution proposes jusqualors dans le domaine. Des tats de lart plus dtaills peuvent tre trouvs dans
Desaulniers et al. (2002) sur les problmes de Pick-Up & Delivery et dans Savelsbergh
et Sol (1995) sur leur extension en un problme de transport plus gnral : The General Pick-Up & Delivery Problem. Les articles de Cordeau et Laporte (2003a, 2008) et de
Cordeau et al. (2004) sont ddis aux DARP drivant de PDPTW. Dans Paquette et al.
(2007) on trouve une tude des diffrentes fonctions objectifs envisages et lintgration
de quatre dentre elles dans la recherche tabou de Cordeau et Laporte (2003a).
25

Problem
2.1.2.2
Approches de rsolution
Le DARP est structurellement trs proche du PDPTW, lui-mme une extension du

VRPTW. La diffrence se fait gnralement au niveau de la dtermination des dates
de service et de la fonction objectif. De nombreuses mthodes rsolvants le PDPTW
sont des adaptations de celles rsolvant le VRPTW. Il en va de mme pour le DARP. Le
PDPTW est un problme pour lequel prouver la ralisibilit est NP-complet, comme
extension du VRPTW. Ladaptation des mthodes efficaces pour le VRPTW vers le
PDPTW et ses extensions doit tre effectue avec attention. En effet, certaines contraintes peuvent changer la classe de complexit dun calcul de voisinage (en recherche locale par exemple) ou dun calcul de dominance (en programmation dynamique par
exemple). Quelques cas ont dj fait lobjet de travaux, comme tester la validit dune
squence de services soumise des contraintes de couplage et de prcdence entre ramassages et livraisons, de temps dattente et de temps de transport limits. Hunsaker
et Savelsbergh (2002) prouvent que la vrification de la validit dune telle squence
peut se faire en temps linaire. Ahuja et al. (1998) dtectent lirralisibilit de linsertion
dune requte dans une squence en temps constant avec une procdure de mise jour
en O(n2 log n).
Du caractre naturellement multicontraint du DARP, dautres approches purement
multicritres ou multiobjectifs commencent tre tudies en vue de fournir des outils
daide la dcision aux transporteurs.
Le DARP a une dcomposition naturelle en trois sous-problmes :
1. Un problme daffectation, qui consiste dterminer par quel vhicule est servie
chaque requte ; ce problme est connu sous le nom de Clustering Problem.
2. Un problme de squencement, qui consiste dterminer dans quel ordre chaque
vhicule visite les lieux qui lui sont attribus ; ce problme est connu sous le nom
de Routing Problem.
3. Un problme dhorodatage, qui consiste dterminer lheure de passage des vhicules en chaque lieu ; ce problme est connu sous le nom de Scheduling Problem2 .
Ces trois sous-problmes peuvent tre traits globalement par coopration dalgorithmes,
ou indpendamment par une squence dalgorithmes. Des phases de post-optimisation
via des recherches locales ou tabou sont souvent intgres la fin de chaque phase. Lors
dune dcomposition clustering first - routing second, le problme de routing correspond
un DARP un seul vhicule. Dans cette section, nous prsentons ou citons des travaux raliss dans le cadre dtudes de DARP ou de problmes proches. Nous nous
consacrons presque exclusivement des problmes statiques, considrant comme seul
mode de transport la voiture. Nous avons spar les publications en trois groupes : les
algorithmes dapproximation, les mthodes exactes et les heuristiques.
2.1.2.2.1 Algorithmes dapproximation La rsolution de DARP par des algorithmes
dapproximation est marginale car les systmes de transport sont trop exigeants en
2
On trouve galement le terme dordonnancement, qui, en franais regroupe le squencement et lhorodatage.
26
2.1. tat de lart
terme de qualit moyenne des solutions sur plusieurs itrations et non en terme de
pire cas. A notre connaissance, ce type dapproche a t appliqu uniquement sur des
relaxations du DARP. Le 1-PDP (PDP un seul vhicule) sans contrainte de capacit
est rsolu par Hauptmeier et al. (2001) avec des performances de 5/3 lorsque le rseau
est un arbre et de 9/4 dans le cas gnral. Charikar et Raghavachari (1998) donnent un
algorithme dapproximation de performance en min{O(log N ), O(k)} pour une version premptive dun 1-PDP avec contrainte de capacit ; Grtz (2006) montre, pour le
mme problme, que pour tout > 0 on ne peut pas atteindre une performance de
min{O(log1/4 N ), k1 }.
2.1.2.2.2 Mthodes exactes La rsolution du DARP par des mthodes exactes est rarement la priorit des applications. En effet, lobtention dune solution optimale nest
pas souvent juge pertinente dans le cas dynamique qui reprsente une part importante
des problmes tudis. Les premires mthodes exactes concernent des sous-problmes
du DARP. Dans le cas un vhicule, Psaraftis (1980) rsout par programmation dynamique un DARP un vhicule en version statique et dynamique. La qualit de service
offerte aux passagers est assure par des contraintes originales MPS (Maximum Position
Shift) qui garantissent une limite sur la position dapparition dans la squence pour
chaque requte. Il adapte ensuite son algorithme un problme comprenant des fentres de temps sur les dates de ralisation des services (Psaraftis, 1983b). La fonction
objectif minimise la dure totale de la tourne, le temps dattente des passagers aux
arrts et la dure passe par les passagers dans le vhicule. Les instances rsolues ne
dpassent pas une dizaine de passagers. Un autre algorithme de programmation dynamique (Desrosiers et al., 1986) permet de rsoudre le 1-PDPTW (sans autres contraintes
de qualit de service) efficacement sur des instances de plus grande taille (55 requtes),
condition que la contrainte sur la capacit des vhicules soit assez restrictive. Mme
si la version un seul vhicule napparat pas dans les applications relles, elle est souvent rencontre comme sous-problme de mthodes gnrales exactes, heuristiques ou
dynamiques. Notons que le mme type dalgorithme de programmation dynamique a
t appliqu avec succs aux TAD convergents par Chevrier et al. (2006a).
La premire rsolution exacte du PDPTW complet est due Dumas et al. (1991)
qui proposent un algorithme bas sur une SEPGCOL capable de fermer des instances
40 requtes dans le cadre de transport de personnes handicapes. Le schma de rsolution utilise une formulation en un problme daffectation, o les colonnes sont des
tournes valides et o les contraintes assurent le service unique de chaque requte. Le
gnrateur de colonnes (problme esclave) rsout un problme de plus court chemin
sous contraintes de ressources. Hormis les fentres de temps, un niveau de qualit de
service supplmentaire des passagers est pris en compte lors de lhorodatage des tournes en minimisant les temps dattente des passagers. Les rgles de branchement sont
adaptes en fonction de la profondeur dans larbre de recherche. En haut de larbre, les
branchements sont faits sur les vhicules puis les fentres de temps. En bas de larbre,
la convergence est assure par des branchements sur les successions (arcs) entre paires
de services. Cette approche est assez robuste dans le sens o elle supporte bien le passage une flotte de vhicules htrogne et o de nombreuses contraintes applicatives
27

Problem
peuvent sinterprter comme des ressources dans le problme esclave. Savelsbergh et

Sol (1998) apportent quelques modifications ce schma. Ils grent de faon plus fine
lensemble des colonnes traites, afin dviter les redondances et de slectionner des
colonnes prometteuses en vue dobtenir une solution entire. Le problme esclave est
rsolu de faon heuristique avant denvisager la ncessit dune rsolution exacte. Les
branchements se font sur des variables reprsentant la fraction de requte servie par
un vhicule donn. Dernirement, Ropke et Cordeau (Ropke, 2005) proposent un algorithme bas sur le mme schma pour rsoudre le PDPTW. Leurs principales contributions sont lajout de diffrentes coupes et la rsolution du problme esclave par diffrentes heuristiques avant dutiliser une mthode exacte. Cette dernire rsout le problme esclave dans sa version lmentaire, ide dj utilise par Feillet et al. (2004) et
Chabrier (2006), ce qui augmente significativement la qualit de la relaxation linaire
du problme matre. La mthode est adapte au DARP, cest--dire quune limite sur
le temps de transport des passagers est ajoute. Cette contrainte nest pas intgre au
problme esclave mais est gre par des coupes. Les rsultats sont trs bons sur les
deux problmes (DARP et PDPTW) ; des instances entre 100 et 200 requtes, suivant
leur structure, sont fermes. Dans le cadre de transport danimaux, Sigurd et al. (2004a)
doivent considrer un PDPTW incluant des contraintes de prcdence entre les requtes
lies des incompatibilits entre espces (par exemple cause de risques de transmission de maladies). Des instances jusqu 200 requtes sont rsolues par leur mthode
de gnration de colonnes.
Une autre mthode, dj rvle efficace pour le TSP et le TSP asymtrique, apporte de bons rsultats sur ce type de problmes. Il sagit dune SEPGCOU applique
un modle de flux o les variables sont les arcs reliant chaque paire de service. La
diffrence par rapport aux mthodes prcdemment prsentes est que la relaxation linaire du modle est alors rsolue directement, par un algorithme du type simplexe ou
point intrieur. Ceci est possible car le modle de flux est compact, cest--dire avec un
nombre rduit de variables le nombre darcs du graphe en loccurrence. La difficult
principale de ces mthodes vient du fait que de nombreuses coupes sont ncessaires
pour amliorer la borne obtenue par la rsolution de la relaxation linaire, qui est au
dpart de pitre qualit. Ruland et Rodin (1997) trouvent quatre familles dingalits
non seulement valides pour le 1-PDP, leur sujet dtude, mais aussi pour le PDPTW.
Dautres ingalits proviennent de travaux sur le Problme du Voyageur de Commerce
Asymtrique avec Contraintes de Prcdence ou Precedence-Constrained Asymmetric Traveling Salesman Problem (Balas et al., 1995; Ascheuer et al., 2000), o la visite dun nud
peut tre conditionne par la visite prcdente dun ensemble de nuds. La SEPGCOU de Lu et Dessouky (2004) rsout des instances de PDP et PDPTW 25 requtes,
tandis que celle de Cordeau, avec un modle de base sensiblement diffrent permet la
rsolution dinstances de DARP (PDPTW enrichi de limites sur le temps de transport
individuel) 32 requtes. Plus rcemment, Cordeau (2006) et Ropke et al. (2007) proposent deux nouveaux modles avec un nombre exponentiel de contraintes et rsolvent
des problmes de PDPTW et de DARP 100 requtes.
28
2.1. tat de lart
2.1.2.2.3 Heuristiques Comme nous lavons prcdemment crit, les TAD se prtent
gnralement bien des algorithmes heuristiques. lheure actuelle, trois approches se
partagent les faveurs des chercheurs. Une approche trs usite est base sur des algorithmes dinsertion (pouvant tre intgrs dans des recherches locales ou tabous). Les
algorithmes de construction par insertions sont gnralement moins performants en
terme dobjectif que les algorithmes de recherche locale. En revanche, ils sont plus robustes (adaptables) et sont naturellement bien conus pour les problmes dynamiques.
Le deuxime type dapproches proposes par certains auteurs est dutiliser directement
une metaheuristique de type recherche grand voisinage (LNS). Les mthodes donnant certainement les meilleurs rsultats sur des instances de la littrature sont celles
en deux phases, la premire de clustering souvent ralise par un algorithme gntique
ou un recuit simul, accompagne dune phase de routing (recherche locale, tabou. . .).
Sexton et Bodin (1985b) furent parmi les premiers proposer une mthode de dcomposition pour rsoudre un DARP plusieurs vhicules. Ils rsolvent le problme
de calcul ditinraire par une dcomposition de Benders o le problme esclave est celui dhorodatage, trait par un algorithme itratif adhoc (Sexton et Bodin, 1985a). La
fonction objectif tient compte du temps davance larrive par rapport une date limite impose et de la dure de transport. Ce travail est dvelopp avec une fonction
objectif plus gnrale autorisant des retards par Sexton et Choi (1986). Cette ide de
dcomposition est reprise et adapte des problmes plusieurs milliers de requtes,
notamment par Dumas et al. (1989), avec la notion de mini-cluster. Ioachim et al. (1993)
approfondissent cette voie en optimisant la slection des clusters. Dautres chercheurs
dveloppent des heuristiques sur un schma similaire. Xu et al. (2003) traitent un PDP
orignal incluant des contraintes de fentres de temps multiples, des contraintes de compatibilit et de temps de conduite maximum pour les chauffeurs.
Une voie longtemps privilgie par les chercheurs fut ltude de linsertion de requtes dans une tourne. Cette approche permet dobtenir directement une mthode
de construction de tournes trs rapide. Ce problme peut intervenir dans dautres
mthodes bases sur lexploration de voisinages constructifs/destructifs. De plus, linsertion dune requte dans une tourne est lenjeu majeur li la gestion dune application dynamique. Cest donc naturellement que les prcurseurs en la matire Wilson
et al. (1971); Wilson et Weissberg (1976); Wilson et Colvin (1976), calculent les plans de
route de diffrents systmes de transport aux tats-Unis, par des mthodes constructives bases sur linsertion squentielle des requtes. Cest aussi loption choisie par les
concepteurs de systmes globaux grant intgralement tous les types de transport de
personnes (Horn, 2002; Dial, 1995). De tels systmes nexistent toujours pas, et les TAD
sont plutt cibls sur certaines catgories de personnes comme les handicaps. Cest
pour un systme leur tant destin, que Roy (1984) prsente un algorithme bas sur le
mme modle que prcdemment. Des tournes sont construites partir des requtes
connues lavance sur des critres de proximit spatiale et temporelle. De nouvelles
requtes peuvent alors tre insres dans la solution courante.
Jaw et al. (1986) proposent un algorithme dinsertion pour un problme intgrant
des contraintes de qualit de service. Les passagers spcifient une date de ramassage
au plus tt ou de livraison au plus tard, laquelle sajoute une minimisation de la du29

Problem
re de transport individuelle et des temps dattente ; sachant que les vhicules ne sont
pas autoriss attendre avec des passagers lintrieur. Cette dfinition du DARP,
quelques nuances prs, est assez rpandue. Lordre dinsertion des requtes est croissant en fonction des dates de ramassage au plus tt. Les particularits des autres algorithmes dinsertion reposent soit sur une spcificit du problme, soit sur lordre de
traitement des requtes, soit sur une procdure damlioration de la solution obtenue
aprs linsertion de toutes les requtes. Ces algorithmes ont une complexit gnrale
quadratique en fonction du nombre de requtes.
Toth et Vigo (1996) considrent un problme de transport pour handicaps Bologne (300 requtes par jour). Lobjectif est la minimisation du cot du service global,
en respectant des fentres de temps imposes par les usagers, au ramassage ou la
livraison, ainsi quun temps maximal de transport. Diffrents types de vhicules sont
disponibles suivant les passagers. Une procdure dinsertion parallle assigne les requtes aux tournes puis effectue des mouvements inter et intra tournes. Une postoptimisation par une recherche tabou granulaire (Tabu Thresholding ou Granular Tabu
Search) est ajoute dans Toth et Vigo (1997).
Dessouky et al. (2003) ajoutent un critre doptimisation cologique ceux usuels.
Diana et Dessouky (2004) utilisent, eux, une mthode de regret insertion, qui bien qulevant la complexit de lalgorithme dinsertion au cube du nombre de requtes, permet
de rsoudre des instances 1000 requtes. Lu et Dessouky (2006) considrent un cot
dinsertion original. Ils valuent une insertion en mesurant les dtours effectus, mais
aussi la perte de libert sur les fentres de temps et les croisements entre les tournes.
Ce dernier critre est sens rendre la solution meilleure aux yeux de loprateur par son
allure visuelle.
Madsen et al. (1995) adaptent lalgorithme de Jaw et al. (1986) au cas dynamique.
Coslovich et al. (2006) construisent des voisinages des tournes en perturbant les donnes, afin daugmenter le taux dacceptation des requtes venir. Une modlisation
en logique floue permet de traduire lindterminisme des temps de transports ou les
contraintes horaires dune application relle. Cest via un tel modle que Teodorovic et
Radivojevic (2000) valuent linsertion des requtes. Dans le mme ordre dides, Fu
(2002) sintresse des variations stochastiques des dures de transport.
En ce qui concerne la recherche locale, nous citons dabord quelques travaux sur le 1PDPTW. Psaraftis (1983b) dveloppe un procd de mouvements standard (k-interchange)
dans un cadre non contraint, repris plus tard par Savelsbergh (1990) pour des problmes contraints. Healy et Moll (1995) dirigent, eux, leur recherche locale vers des
solutions grand voisinage plutt que vers des solutions bon voisinage. Une
approche particulire (Van der Bruggen et al., 1993) construit des tournes en ordonnant les requtes en fonction de leurs fentres de temps, ce qui amne ventuellement
des tournes irralisables. Lobjectif de la recherche locale est alors de rendre ces solutions ralisables. Plus rcemment, Wolfler Calvo et Colorni (2007) construisent itrativement, aprs avoir dtermin un nombre de vhicules, des tournes potentiellement
irralisables en rsolvant un problme daffectation ; ils modifient ensuite ces tournes
afin de les rendre ralisables. Leur heuristique est rapide sur des instances de 10 180
30
2.2. Mthode de gnration de colonnes
requtes, gnres sur le rseau routier de la ville de Milan. Xiang et al. (2006) considrent des contraintes supplmentaires pour les conducteurs : pauses, degrs de qualification suivant les requtes. . . Ils comparent leurs rsultats avec les valeurs optimales
obtenues par une adaptation de lalgorithme de SEPGCOL de Dumas et al. (1989). Cette
heuristique sert de base la rsolution dun problme dynamique sous certaines contraintes dpendant du temps ou stochastiques (Xiang et al., 2007).
Dans le cadre du PDPTW, Bent et Van Hentenryck (2006) vitent le problme des
optima locaux grce une recherche grand voisinage. Le nombre de routes est tout
dabord minimis par un recuit simul. Ropke et Pisinger (2006) ont une approche similaire, leur LNS est intgre dans un recuit simul qui contrle le filtrage des solutions.
Dautres metaheuristiques ont t appliques au DARP. Li et Lim (2001); Colorni
et al. (1996); Baugh et al. (1998) proposent des mthodes bases sur un recuit simul.
Baugh et al. (1998) dfinissent une fonction combinant dix objectifs dans une somme
pondre. Un algorithme gntique permet deffectuer la phase de clustering dans Rekiek et al. (2006), suivi dune phase dinsertion, et dans Jrgensen et al. (2006) complt
par une recherche locale. Un algorithme gntique est aussi utilis seul, dans le cas du
PDPTW par Jung et Haghani (2000), par Pankratz (2003) pour un DARP et par Chevrier
et al. (2006b). Les gnes de ce dernier ont la particularit de reprsenter un groupe de
requtes au lieu dune seule requte.
Une metaheuristique rpute efficace en transport et plus particulirement sur le
VRPTW (Gendreau et al., 1998), est la recherche tabou, qui bien quutilise souvent en
complment dautres mthodes obtient en gnral de bons rsultats seule. Nanry et
Barnes (2000); Lau et Liang (2002) proposent des premiers algorithmes pour le PDPTW.
Cordeau et Laporte (2003b) dveloppent une recherche tabou prenant en compte des
contraintes de temps maximal de transport et de dure maximale de tourne. Pour grer ces contraintes, ils autorisent en cours de rsolution lapparition de tournes irralisables. Enfin, Melachrinoudis et al. (2007) considrent des fentres de temps souples
et minimisent linconvnient occasionn par la dviation par rapport des dates de
service souhaites.
2.2
Mthode de gnration de colonnes
Dans cette section, nous prsentons les principes de la mthode de rsolution par
gnration de colonnes que nous utilisons pour rsoudre le DARP. Cette mthode de
dcomposition est souvent utilise en transport sous forme de mthode exacte mais
aussi en tant quheuristique. Pour une vision dtaille de la gnration de colonnes et
de ses applications en transport nous conseillons au lecteur les articles de Lbbecke et
Desrosiers (2005), Barnhart et al. (1998) et le livre de Desaulniers et al. (2005).
31

Problem
2.2.1 Principes de la mthode

La mthode de gnration de colonnes permet de rsoudre des programmes linaires. Les variables sont appeles colonnes. Lorsque la gnration de colonnes est intgre dans une recherche arborescente, lors de la rsolution de programmes linaires
en nombres entiers par exemple, on parle de SEPGCOL (Branch & Price en anglais).
Cest une mthode itrative. chaque itration, on rsout un problme restreint (en
nombre de colonnes). De la solution obtenue et des principes de dualit de la programmation linaire, on dduit loptimalit ou non de la solution obtenue. litration suivante on enrichit le problme restreint dune ou plusieurs colonnes. Les informations
obtenues lors de la rsolution prcdente permettent aussi de caractriser des variables
intressantes ajouter. Le problme initial rsoudre est appel problme matre ou
principal et le gnrateur de nouvelles colonnes est appel problme esclave ou sousproblme.
Considrons le problme matre gnrique MP, o les donnes ar et br sont des
rationnels et cw des rels. Les variables de dcision sont les rels w .
(MP)
min
(2.1)
s.c.q.
ar br r = 1, . . . , R,
(2.2)
(2.3)
Plaons nous litration it de la rsolution par gnration de colonnes. On rsout

optimalement le problme matre restreint it . On suppose que la mthode
de rsolution utilise donne aussi une solution optimale au dual du programme linaire3 . Notons r la variable duale associe la rime contrainte (2.2). Toute colonne
\ it susceptible de diminuer la valeur de la fonction objectif si on lajoute au
problme matre restreint a un cot rduit cw (dfini par lquation 2.4) ngatif. Le problme esclave consiste donc trouver de telles colonnes. Il est souvent pos comme un
problme de minimisation sur les cw . Si aucune colonne de cot rduit ngatif nexiste,
on dduit alors loptimalit pour MP de la solution obtenue litration it.
c = c
ar r
(2.4)
r =1
Le schma de la figure 2.1 illustre le droulement de lalgorithme de gnration de

colonnes.
Le fait daugmenter progressivement la taille du problme rsoudre rend la gnration de colonnes particulirement adapte pour la rsolution de problmes possdant
3
Les algorithmes, bass sur celui du simplexe ou celui du point intrieur, implments dans la plupart
des solveurs du march donnent les deux solutions.
32
= ensemble des variables
it
Rsolution de la relaxation linaire du problme matre
primal
Si oui, on rajoute
les variables trouves
dual
Si non, fini
Recherche de
variables de
cot rduit ngatif
Existence de variables amliorantes ?
F IG . 2.1: Mthode de gnration de colonnes.
33

Problem
un trs grand nombre de colonnes. On peut ainsi esprer obtenir une solution optimale
en ayant considr quun sous-ensemble des colonnes.
2.2.2 Contexte dutilisation Calcul de bornes infrieures pour des programmes linaires en nombres entiers
La gnration de colonnes est naturellement adapte aux problmes ayant un grand
nombre de variables. Cependant, dans le cadre de la rsolution de programme linaires
en nombre entiers, mme lorsque le problme se modlise avec un nombre raisonnable
de variables (modle compact) permettant une rsolution directe il peut tre intressant dutiliser un modle quivalent, dit tendu, possdant un grand nombre de variables. En effet, ce dernier peut fournir une meilleure relaxation linaire.
Considrons le programme linaire en nombres entiers compact IP et P sa relaxation
linaire, possdant deux types de contraintes A, que nous qualifions de globales, et D,
que nous qualifions de locales. Nous supposons x et c des vecteurs de rels de taille n
et A, D, b et d valeurs rationnelles.
(IP)
min c T x
(2.5)
s.c.q.
Ax b,
(2.6)
Dx d,
(2.7)
(2.8)
xN .
Loptimisation de P se fait sur le polydre
n
n
QP = {x R+
: Ax b} { x R +
: Dx d} .
Le passage de P un programme linaire possdant un grand nombre de variables (MP)

se fait par une transformation base sur un changement de variables appel dcomposition de Dantzig-Wolfe qui introduit les colonnes comme des objets complexes
composs dlments de { x N n : Dx d}. Les colonnes de MP restent soumises aux
contraintes A. Loptimisation de MP se fait donc sur le polydre
n
: Ax b} conv({ x N n : Dx d}),
Q MP = { x R +
o conv( E) dsigne lenveloppe convexe de E, qui est inclus dans Q P car on a

n
conv({ x N n : Dx d}) { x R +
: Dx d} .
n
On dit quun polydre (sur R +
) possde la proprit dintgralit sil est quivalent lenveloppe convexe de sa restriction sur N n . On en dduit que MP fournit une meilleure
borne infrieure IP que P si les contraintes locales forment un polydre ne vrifiant
pas la proprit dintgralit.
34
Un autre intrt li lutilisation dun modle tendu est quil permet de casser la
symtrie parfois apparente dans les contraintes locales. Par exemple, lorsque la matrice
D a une structure en blocs diagonaux.
Il est notable que la relaxation lagrangienne sur les contraintes locales des lments
de donne la mme valeur de relaxation linaire que le modle tendu.
2.2.2.1
Intgration dans une recherche arborescente
Une mthode de rsolution efficace pour les programmes linaires en nombre entiers est base sur la combinaison de la rsolution de la relaxation linaire du problme
et de la mthode classique de sparation et valuation progressive. chaque nud de
larbre de recherche on rsout un programme linaire donnant dans le cas dune minimisation, une borne infrieure au problme. Lorsque cette rsolution se fait par gnration de colonnes, on parle de SEPGCOL. Les mthodes de branchement classiques
doivent alors tre adaptes ce modle.
Considrons le problme IMP correspondant MP enrichi de contraintes dintgralits sur les variables . Brancher directement sur la valeur des variables est
souvent une mauvaise stratgie car de telles rgles sont soit faibles soit gnratrices
darbres dsquilibrs, cause du trs grand nombre de variables. De plus, de telles
rgles sont souvent difficiles intgrer dans le problme esclave. On prfre gnralement brancher sur dautres variables permettant de caractriser les lments de , par
exemple en utilisant le modle compact.
2.2.3 Paramtrages Efficacit

2.2.3.1
Convergence
Un des problmes rencontr par la gnration de colonnes est la variance erratique

des valeurs des variables duales en dbut de rsolution, qui sont aussi peu contraintes
que le nombre de colonnes est petit. Ainsi de mauvaises colonnes sont gnres sur
des paramtres quasiment alatoires avec un impact ngatif sur la convergence vers
les colonnes optimales. Une approche propose pour parer ce dfaut est de stabiliser les valeurs prises par les variables duales, do le nom de mthodes de stabilisation. Pour cela, on pnalise dans la fonction objectif, lcart entre les valeurs courantes
des variables duales par rapport des valeurs fixes chaque itration. Pour de plus
amples informations, nous dirigeons le lecteur vers les articles Ben Amor et al. (2006) et
Ben Amor et Desrosiers (2006). Une autre approche quivalente est de considrer une
solution duale qui soit une combinaison de solutions optimales (Rousseau et al., 2007).
Lors de la rsolution de programmes linaires en nombre entiers par gnration
de colonnes, il arrive souvent que la rsolution optimale de la relaxation linaire du
problme matre restreint tarde converger, tout en restant proche de loptimum ce
dernier pouvant mme tre atteint. Une solution simple pour viter cet inconvnient est
35

Problem
de brancher prmaturment plutt que dattendre lobtention dune solution optimale,

et de sa preuve doptimalit, pour la relaxation linaire du problme matre restreint.
2.2.3.2
Gestion des colonnes
Le problme matre restreint peut par sa taille ou par symtrie devenir difficile
rsoudre. Supprimer des colonnes a priori inutiles est toujours possible, puisque si des
colonnes supprimes savrent utiles une itration ultrieure, elles seront alors naturellement rgnres. Le nombre de colonnes remontes intgres au problme matre
restreint chaque itration du gnrateur de colonnes est un paramtre influent sur
la rapidit de lalgorithme.
2.2.3.3
Initialisation
Pour amorcer la mthode, il est toujours possible de crer une colonne fictive permettant de satisfaire toutes les contraintes du problme matre quon pnalise fortement dans la fonction objectif, lorsquon dispose dun ensemble 0 vide. Un bon
ensemble de colonnes de dpart peu videmment rendre la rsolution plus facile. Cependant, mme initialise par une solution optimale, la preuve doptimalit lie la
construction de la base dune solution optimale peut savrer difficile obtenir. Il peut
tre plus profitable dutiliser un ensemble 0 de colonnes trs diversifies.
2.2.3.4
Rsolution du problme esclave
La difficult du problme esclave est parfois cruciale pour la gnration de colonnes.

Il peut tre intressant de rsoudre ce problme de faon heuristique, surtout lorsque
lensemble de colonnes cot rduit ngatif est lev. Il est alors envisageable dutiliser
les colonnes dj gnres pour en construire de nouvelles.
Pour de nombreux problmes de calcul de tournes de vhicules, le problme esclave prend la forme dun Problme de Plus Court Chemin avec Contraintes de Ressources.
2.3
Plus court chemin avec contraintes de ressources (SPPRC)
Les problmes de plus court chemin entre deux sommets dans des graphes pondrs sont trs bien connus depuis longtemps et des algorithmes polynomiaux sont disponibles pour diffrents types de graphes : Dijkstra dans le cas de poids positifs, Bellman
dans le cas gnral. . . Le fait de consommer en cours de chemin des ressources disponibles en quantits limites (SPPRC) rend le problme NP-difficile. Et lajout dune
contrainte dlmentarit sur le chemin (ESPPRC) rend le problme NP-difficile au sens
36
2.3. Plus court chemin avec contraintes de ressources (SPPRC)
fort, comme rduction du problme de Sequencing Within Intervals (Dror, 1994). La figure 2.2 reprsente un SPPRC entre v0 et v3 avec une seule ressource dont la consommation cumule est contrainte en chaque sommet (la valeur ne pas dpasser est indique
prt de chaque sommet).
^ consommation
cout,
contrainte de ressource
v1 1
2, 1
1, 1
1, 1
0 v0
v3 2
3, 1
1, 1
v2 1
F IG . 2.2: Un SPPRC une ressource
Le SPPRC et le ESPPRC nous intressent particulirement car ils interviennent

plusieurs reprises dans cette thse. Le cas principal o ces problmes apparaissent est
lors de la rsolution du problme esclave du schma de gnration de colonnes adapt
au DARP. Cette approche, dont le point clef est la rsolution du problme esclave, est
dtaille dans le chapitre 4.1. Dans cette section, nous restreignons notre discours au
cas de ressources dont la quantit consomme se cumule au fur et mesure du chemin.
Ce type de ressources est assez reprsentatif des ressources dont la fonction dextension
est croissante. La fonction dextension est la fonction permettant de calculer la consommation dune ressource pour un chemin aprs lavoir tendu dun arc. Pour plus de dtails nous guidons le lecteur vers Irnich et Desaulniers (2005) et Desrosiers et al. (1995).
Nous concentrons aussi notre tude sur la rsolution exacte du problme qui est toujours indispensable pour conclure la gnration de colonnes loptimalit. Lutilisation
dheuristiques sur le problme esclave est une voie explore avec succs. Nanmoins,
ces dernires sont souvent bases sur des relaxations rsolues par un algorithme bas
sur une mthode exacte. Les approches purement heuristiques sont plus rares, nous
pouvons citer les travaux de Savelsbergh et Sol (1998) et de Xu et al. (2003) qui effectuent une recherche locale en se basant sur les colonnes de base de la rsolution du
problme matre restreint qui ont la proprit davoir un cot rduit nul. La littrature
propose diffrentes approches exactes pour les problmes de plus court chemin avec
contraintes de ressources dont des mthodes bases sur de la programmation dynamique (Desrochers, 1988; Righini et Salani, 2005) ainsi que de la programmation par
contraintes (Rousseau et al., 2004). Un cas particulier, appel problme de plus court
chemin contraint (CSPP), o les contraintes sur les ressources sont globales tous les
sommets, est rsolu par relaxation lagrangienne par plusieurs auteurs dont Beasley et
Christofides (1989) et Borndrfer et al. (2001). Nous prsentons ici un algorithme bas
sur celui propos par Desrochers (1988) pour le cas du problme de plus court chemin
avec fentres de temps.
37

Problem
Aprs avoir dfini formellement le problme, nous prsentons un algorithme standard de programmation dynamique qui sert de base pour plusieurs algorithmes dvelopps plus loin dans la thse.
2.3.1 Modlisation dun ESPPRC

Soit G = (V , A, W ) un graphe multivalu o on note les sommets vi (i = 0, . . . , V).
Le sommet v0 est la source et le sommet vV le puits. Chaque arc (vi , v j ) a une consommation cij (w) sur la ressource w (w = 0, . . . , W). La ressource 0 correspond par dfinition au cot. Une contrainte sur chaque ressource, hormis la ressource 0, est associe
chaque sommet. La consommation cumule le long dun chemin jusquau sommet
vi est note ci (w). La contrainte de consommation de la ressource w sur le sommet vi
i
prend la forme de lintervalle [ Aiw , Bw
]. En gnral, Aiw est un seuil de consommation ;
cest--dire quau sommet i on rajuste ci (w) si ncessaire par lquation (2.9).
ci (w) := max(ci (w), Aiw )
(2.9)
Lobjectif (quation (2.10)) est de trouver un chemin de cot minimal de v0 vers vV

parmi les chemins ralisables sur lensemble des ressources. La variable de dcision ij
est fixe 1 si larc (vi , v j ) appartient une solution et 0 sinon.
(EP)
min
cij (0)ij
(2.10)
(vi ,v j )A
s.c.q.
(vi ,v j )A
ij
ji = 0
j = 1, . . . , V 1,
(2.11)
ij 1
i = 0, . . . , V,
(2.12)
(v j ,vi )A
(vi ,v j )A
0j = 1,
(2.13)
(v0 ,v j )A
i
i = 0, . . . , V; w = 1, . . . , W,
Aiw ci (w) Bw
(2.14)
ij (ci (w) + cij (w) c j (w)) 0 (vi , v j ) A; w = 1, . . . , W,
(2.15)
ij {0, 1}
(vi , v j ) A.
(2.16)
Les ingalits (2.11) reprsentent les contraintes de flot assurant la continuit du chemin. Llmentarit du chemin est assure par les contraintes (2.12). Lexistence dun
chemin unique issu de la source est impose par la contrainte (2.13). Les contraintes
(2.14) contrlent la consommation cumule sur chaque ressource et les contraintes non
linaires (2.15) la continuit du flot de consommation des ressources. On admet que
toutes les ressources se cumulent par incrmentation du poids de larc associ la ressource dans la limite du seuil autoris.
38
2.3.2 Rsolution par programmation dynamique

Lalgorithme 1 part de la source et construit pas--pas des chemins vers la destination. La construction se fait par extension de chemins partiels. Un chemin partiel a pour
origine la source et pour extrmit terminale un sommet quelconque du graphe. Lextension dun chemin partiel cp se fait par le calcul des chemins partiels correspondant
cp augment par un arc sortant de lextrmit terminale de cp. Les nouveaux chemins
partiels tendus sont rejets sils violent au moins une contrainte. Sinon chaque chemin
partiel est compar avec ceux ayant la mme extrmit terminale ; les chemins partiels
domins sont limins. Il y a dominance entre deux chemins partiels si un des deux domine lautre pour chaque ressource prise individuellement. On admet quaprs extension vers le sommet i, le niveau de consommation dune ressource (ci (w)) est ajust sa
borne infrieure (Aiw ) sil y est infrieur. On note re f w (ch, (i, j)) la valeur de la fonction
dextension de la ressource w du chemin partiel ch par larc (vi , v j ). La formule (2.17)
donne les rgles dextension des ressources ; la consommation dun chemin partiel ch
sur une ressource w est note cch (w).
n
re f w (ch, (vi , v j )) = max cch (w) + cij (w),
j
Aw
(2.17)
La complexit de cet algorithme dpend donc des ressources considres. Si la consommation des ressources prend des valeurs entires et que le nombre de valeurs prises
est born par un nombre indpendant de la taille des donnes, cet algorithme est pseudopolynomial.
La figure 2.3 illustre le droulement de lalgorithme sur un graphe quatre sommets
et deux ressources dont le cot. Un chemin partiel est identifi par son nom et son
niveau de consommation des ressources entre accolades, sur le modle
chi {cot, autre ressource} .
Lobjectif est de minimiser le cot des chemins partant de v0 en respectant les contraintes de consommation de ressource en chaque sommet, indiques entre crochets sur
la figure 2.3. chaque itration, on tend le chemin partiel marqu par une toile dans
CH. Le chemin partiel ch3 issu de ch1 est supprim car il consomme 2 units sur la ressource qui est limite 1 au sommet v2 . Le chemin partiel ch5 est quant lui supprim
car il est domin par ch4 .
Les auteurs utilisant des variantes de cet algorithme pour rsoudre leur problme
esclave, apportent des spcifications sur les contraintes considres ou relches et sur
les critres de dominance.
Desrochers (1988) est sans doute le premier lutiliser en transport pour calculer
des itinraires de bus scolaires. Desrosiers et al. (1986) et Savelsbergh et Sol (1998) reprennent cet algorithme pour un PDPTW et Dumas et al. (1989) pour un DARP. Righini et Salani (2006, 2005) proposent dutiliser de faon symtrique lalgorithme, en
partant de la source et de la destination, afin de rduire le nombre de chemins partiels construire. Enfin, Ropke (2005) lutilise dans diffrentes versions heuristiques
39

Problem
Algorithme 1 : Algorithme de programmation dynamique

Donnes : G : un graphe multivalu sur W + 1 ressources ; CH : une liste de
chemins partiels non traits ; CHi : la liste des chemins partiels
dextrmit terminale i
Rsultat : CHV
1 Initialisation : CH chemin partiel rduit {0} ;
2 tant que CH 6 = faire
3
prendre ch CH;
4
etch := extrmit de ch;
5
domine := f aux;
pour chaque chemin partiel ch CHetch faire
6
7
si ch(w) ch (r ), w
= 0, . . . , W alors
8
CHetch := CHetch \ ch ;
9
sinon
10
si ch (w) ch(w), w = 0, . . . , W alors
11
domine := vrai;
12
stop;
13
14
15
16
17
18
si domine = f aux alors

CHetch := CHetch {ch};
pour chaque arc (etch , i ) faire
ch := lextension de ch par (vetch , vi );
si ch est valide alors

CH := CH ch ;
40
CH : ch0
CH : ch0 , ch1 , ch2

*
ch1 {1,1}
v1 [1]
v1 [1]
2, 1
1, 1
[0]
ch0 {0,0}
1, 1
v0
2, 1
1, 1
ch0 {0,0}
v3 2
3, 1
[0]
1, 1
v0
1, 1
3, 1
1, 1
v2 [1]
v2 [1]
itration 1
initialisation
CH : ch1 , ch2 , ch3 , ch4

*
ch1 {1,1}
ch2 {3,1}
CH : ch2 , ch4 , ch5

*
ch1 {1,1}
v1 [1]
v1 1
2, 1
1, 1
ch0 {0,0}
[0]
3, 1
itration 2
2, 1
1, 1
ch4 {3,2} ch0 {0,0}

1, 1
v0
v3 [2]
1, 1
v3 [2] [0] v0
1, 1
ch4 {3,2}
3, 1
v2 [1]
ch2 {3,1}
violation de
ch3 {2,2} contrainte
1, 1
v2 [1]
ch2 {3,1}
itration 3
F IG . 2.3: Trace de lalgorithme de programmation dynamique
41
v3 [2]
ch5 {4,2}
domin

Problem
pour des problmes de PDPTW et de DARP. Feillet et al. (2004) et Chabrier (2006) proposent aussi une version adapte au cas de recherche de chemins lmentaires alors
que dautres auteurs (Irnich et Desaulniers, 2005) interdisent les cycles excdant une
longueur maximale.
Des critres de qualit de service autres que les fentres de temps peuvent se reprsenter sous forme de ressources additionnelles dans le cadre dun ESPPRC.
42
Deuxime partie
Qualit de service pour le transport

la demande
43
Chapitre 3
Critres de qualit de service

RSUM : Aprs avoir dfini formellement le problme tudi dans la section 3.1, nous proposons
dans la section 3.2 une liste de critres de qualit de service, organise suivant le niveau partir
duquel ils sont mesurables : partir dune longue priode de fonctionnement, dune solution
complte, dune tourne, de la course dun passager ou dun simple tronon de route. Nous
donnons une modlisation formelle de ces critres lorsque cela nous semble pouvoir rentrer dans
le cadre de notre tude plus concentre sur les critres mesurables une petite chelle.
Nous considrons dans la section 3.3 loptimisation des critres mesurables au moins sur une
tourne, dans le cas o un vhicule connat exactement les lieux quil doit visiter ainsi que lordre
dans lequel ils doivent tre visits. Le problme se restreint alors un problme dhorodatage de
la tourne, et/ou de choix des itinraires emprunter entre chaque paire de lieux conscutifs.
3.1
Dfinition du problme tudi
Nous dfinissons dans ce chapitre un cas pur de DARP en fait un cas particulier de PDPTW qui sert de base ltude de loptimisation de critres de qualit de
services dont nous effectuons la prsentation dans la section 3.2. Ici, les notations sont
introduites mais le DARP nest pas prsent sous forme dun modle doptimisation.
Comme nous lavons prcdemment crit, il ny a pas de dfinition formelle rigide
du DARP. Si on reste dans lide quun DARP est un PDPTW classique (considrant
un ensemble de requtes de services, chacune tant dfinie par un ramassage et une
livraison) et enrichi de quelques contraintes ou objectifs, on peut proposer le DARP
gnrique suivant. Dans le systme considr, chaque utilisateur met une requte de
transport dfinie par un arrt pour le ramassage, un arrt pour la livraison, une quantit de passagers. Le systme doit traiter R requtes, laide dune flotte homogne de
K vhicules. Toutes les requtes doivent tre servies. On dispose du graphe G = (V , A)
o chaque sommet v V correspond un service, cest--dire un ramassage, une
45
Chapitre 3. Critres de qualit de service
livraison ou larrive (le dpart) un dpt. v+r et vr identifient respectivement le ramassage et la livraison de la requte de transport r (r = 1, . . . , R). On pose r + = r et
r = r. On note v R+k et v( R+k) les sommets des services de dpart et darrive au dpt du vhicule k. Ainsi lensemble R+ est lensemble des entiers de 1 R (ramassages),
R celui des entiers de R 1 (livraisons) et R0 = [ R K, R 1] [ R + 1, R + K ]
(dpts darrive et de dpart). Chaque service i a une dure non nulle si .
Chaque arc (vi , v j ) de A correspond un tronon reliant vi v j . Il est pondr par sa
dure Tij et son flux de passagers Fij = Fi , cest--dire le nombre de personnes montant
ou loppos du nombre de personnes descendant en i (Fi est alors ngatif). Un vhicule
ne peut tre affect qu une seule tourne sur lhorizon de temps considr ([0, T ]).
Pour toute requte, le ramassage doit tre effectu avant la livraison et par le mme
vhicule.
Pour chaque sommet vi , la date de dbut de service ti , aussi appele date de service,
in f
sup
doit respecter une fentre de temps [ Ti , Ti ].
Loccupation du vhicule la fin du service i, note f i , est elle aussi soumise une
in f
sup
contrainte de la forme [ Fi , Fi ] lie la capacit F du vhicule et dpendant de la
nature du service i, voir lquation (3.1).
in f
Fi
sup
, Fi
si i R0
[0, 0]
=
si i R+
[ F , F]
i
[0, F + Fi ] si i R
(3.1)
Une tourne est attribue un vhicule donn par k( ).

On note wij , dont lexpression est donne par lquation (3.2), le temps dattente
entre deux services i et j successifs relativement une solution.
wij = t j Tij ti si
(3.2)
Les critres de qualit de service sont intgrs au niveau du calcul du cot des tournes
ou sous forme de contraintes.
Traditionnellement, la qualit de service est mesure par son inverse, cest--dire en
terme dinconvnient.
Afin de simplifier la description formelle des critres de qualit de service pour une
tourne fixe contenant les services i et j, nous dfinissons par les quations (3.3) et
(3.4) les ensembles ij comme lensemble des sommets de prsents entre vi et v j et
x
et xy indiquent
ij comme lensemble des arcs entre vi et v j . Les variables binaires
respectivement la prsence du service x dans la tourne et la slection de larc (v x , vy ).

x
= 1 : ti t x t j
ij = v x V ,

ij = (v x , vy ) A : v x , vy ij , xy = 1
46
(3.3)
(3.4)
3.2. Critres de qualit de service
Sur la figure 3.1, est reprsente une tourne . Daprs les dfinitions, on a sur cet
exemple : +2,1 = {+2; +1; 2; 1} et +2,1 = {(v+2 , v+1 ); (v+1 , v2 ); (v2 , v1 )}.
+2
1
2
+4
+1
F IG . 3.1: Tourne du vhicule k ( ) = 2
Lorsquil ny a aucune ambigut sur le vhicule utilis, nous notons les squences
R+k, Rk et R+k, Rk respectivement et .

Lensemble des tournes dune solution est not .
Ce problme simplifi sert de base la dfinition des critres de qualit de service.
3.2
Critres de qualit de service
Dans cette section, nous proposons de dterminer prcisment un certain nombre

dindicateurs de qualit de service pour un TAD. Nous utilisons le terme de qualit de
service dans un sens trs large qui englobe les intrts de tous les acteurs du systme :
passagers, chauffeurs, transporteurs, collectivits locales. . .
Que le systme de transport la demande soit exploit par des collectivits locales
ou par des entreprises but lucratif, le calcul des tournes de vhicule doit tenir compte
de critres de cots financiers ; que ce soient des minimisations et des plafonnements
de cots dexploitation ou des maximisations et des seuils de profits. cela, on oppose gnralement des critres de qualit de service offerts aux passagers, induits par
des objectifs sociaux, de confort. . . Nanmoins, le respect de certains de ces critres a
clairement un impact conomique positif plus ou moins long terme sur le TAD. Par
exemple, il vaut mieux viter de rendre des passagers trs mcontents car cela peut
faire fortement chuter la demande et par suite la rentabilit. Pour ce qui est du cot des
tournes calcules, ils restent pnalisant. Cependant, des critres de qualit de service
comme le regroupement des passagers dans un vhicule peuvent directement amener
une rduction du cot des solutions.
De telles considrations nous amnent proposer la classification des critres de
qualit de service suivant leur niveau dagrgation. Nous distinguons trois catgories de critres de qualit de service. La premire catgorie regroupe les critres qui
se mesurent par une fonction de leur valuation indpendante pour chaque passager,
comme par exemple la somme des temps dattente ou des dures des courses. Parmi
47
eux, certains, comme le respect des fentres de temps, peuvent mme svaluer indpendamment pour chaque service. La seconde catgorie est celle des critres observables uniquement au niveau dune tourne ou dune course comme le temps de pause
des chauffeurs. La troisime catgorie concerne les critres mesurables uniquement au
niveau de la solution complte, citons par exemple lquilibrage de charge de travail
entre les chauffeurs, la rpartition gographique des vhicules et le nombre de requtes
servies. Enfin, une dernire catgorie que nous excluons de notre tude est celle des
critres valus sur un ensemble de solutions comme la rgularit dans le temps
des tournes. Le tableau 3.1 propose une classification des critres de qualit de service
que nous voquons. Chacun de ces critres est dtaill par la suite.
valuation
critre
tronon
carts par rapport des dates de service souhaites

Temps dattente absurdes
Ordre des services en un mme lieu
Diffrents niveaux de qualit de service par type de vhicules
Distance parcourue
Dure
Pnibilit
Le droulement dune course
Prgrinations
Regroupement
Rgularit des rencontres
Sinuosit
Temps de repos
Taux de remplissage
Sensibilit aux perturbations
Forme des tournes
Nombre de vhicules
quilibrage des charges
Diffrenciation des passagers
Temps dobtention de la rponse du systme et dlai pour lacceptation
dune nouvelle requte
course
tourne
solution
long terme
TAB . 3.1: Classification des critres de qualit de service par niveau dagrgation
Dans une mthode de dcomposition de type problmes matre/esclave certaines

catgories de critres peuvent donc tre gres uniquement dans le problme esclave ;
pour peu que leur valuation combine soit compatible avec le problme matre.
Un deuxime point important est le mode de prise en compte dun critre de qualit
de service. Dans le problme propos les contraintes de qualit de service sont soit dures
et appeles contraintes, soit souples prsentes dans la fonction objectif. L optimisation
de critres non-linaires est gnralement difficile. Nanmoins, comme nous le montrons dans cette section bon nombre de critres de qualit de service sexpriment de
faon linaire. Pour le cas particulier des critres de qualit de service qui sobtiennent
48
par combinaison dvaluation individuelles deux types dobjectifs sont cruciaux : celui des sommes pondres et celui des objectifs maximini. Le cas maximini nest jamais
voqu car il sapparente en terme de rsolution au cas de contraintes dures.
3.2.1 valuation sur un tronon ou un arrt

1. carts par rapport des dates de service souhaites
Les passagers peuvent avoir des prfrences ou des impratifs sur les dates de
ralisation des services. Le cas gnral donne ainsi lieu une fonction r (tr+ , tr )
associant un niveau dinconvnient aux dates de ralisation des services.
Dans certaines applications linconvnient se mesure par rapport un seul service
soit le ramassage (notion de inbound request, par exemple pour le retour chez soi),
soit la livraison (notion de outbound request, par exemple pour le dpart de chez
soi). Dune fonction exprime par rapport la date de livraison, on peut dduire
un inconvnient li la date de ramassage. La rciproque est vraie.
Un cas particulier courant de telles fonctions dinconvnient est celui des fentres
de temps, o linconvnient est infini lextrieur de la fentre.
Cette fonction peut prendre des formes diverses (fig. 1) gnralement date butoir,
fonction convexe, souvent linaire et limite dans une fentre de temps. Les fonctions dinconvnient peuvent tre intgres au modle dans la fonction objectif ou
dans des contraintes de majoration. Il est souvent possible de se ramener une
date butoir
avance-retard
quadratique
priodique
F IG . 3.2: Reprsentation de la pnalit associe lcart par rapport des horaires idaux de dbut
de service.
fonction o linconvnient est indpendant pour chaque service. Dans ce cas, il

existe une fonction sparable et des fonctions r+ et r telle que
r R, r (tr+ , tr ) = (r+ (tr+ ), r (tr )).

Par exemple, une pnalisation linairement lie la dure dune course (quation
(3.5)) est dcomposable en deux fonctions indpendantes. La figure 3.3 reprsente
un tel cas particulier.
r R, r (tr+ , tr ) = a(tr tr+ ) + b = [ a(tr ) + b] + [ a(tr+ )]
(3.5)
2. Temps dattente absurdes

Pour bon nombre de TAD, aucun passager na intrt attendre dans le vhicule
larrt avant de descendre mme sil arrive avant la date souhaite, ou bien dattendre larrt aprs tre mont dans le vhicule mme sil monte la date souhaite. La figure 3.4 indique les cas o il ne doit pas y avoir dattente ; cest--dire
49
cot
r = a(tr tr+ ) Tr+ r
r (tr ) = atr Tr+ r

+x
Tr+ r
0
in f
in f
Tr+
sup
Tr
sup
Tr+
Tr
temps
-x
r+ (tr+ ) = atr+
F IG . 3.3: Reprsentation de la pnalit associe la dure dun trajet par des fonctions du temps
associes chaque arrt
dpart
arrive
i+
dpart
arrive
i+
dpart
arrive
dpart
j
dpart
i
arrive
i+
j+
dpart
arrive
i+
F IG . 3.4: Temps dattente absurdes
50
arrive
j+
que quelque soit la fonction objectif de loptimisation, des solutions prsentant ce

genre de temps dattente auront toujours une qualit de service trop faible pour
les passagers. Dans chacun des trois cas, le schma du haut reprsente une situation avec des temps dattentes absurdes reprsents par des points de suspension, et le schma du bas la situation correspondante sans ces temps dattentes.
Le cas du haut indique que les suppressions des attentes entre un ramassage et
une livraison se font par retardement du ramassage et/ou avancement de la livraison suivante. Ceci traduit uniquement le fait que les gens nattendent pas
larrt juste aprs tre mont ni juste avant de descendre quelque soit leur date
de ralisation de service souhaite. Les deux cas de figure en-dessous, illustrent
la transitivit de ces temps dattente absurdes entre services de mme nature. On
en dduit que seules les attentes dans le vhicule entre une livraison suivie dun
ramassage peuvent avoir du sens, ce qui se traduit par lquation (3.6).
(i, j)
/ R R+ , wij = 0
(3.6)
Mme si, notre connaissance aucun outil doptimisation nen tient compte actuellement, ces temps dattente ne sont pas si absurdes dans certains cas pratiques. Pour des raisons de scurit par exemple, les passagers peuvent prfrer
attendre dans le vhicule avant de faire la correspondance avec un autre moyen
de transport.
Nous signalons que bon nombre dapplications nautorisent aucun temps dattente larrt lorsque des passagers sont bord. Ceci dans le souci daugmenter
le niveau de qualit de service ; ce qui parat assez incohrent lorsque les passagers sont prts faire des dtours.
3. Ordre des services en un mme lieu
Ds quun vhicule arrive un arrt, il y effectue toutes ses livraisons sans attendre. Il quitte ce lieu ds que tous les ramassages prvus sont faits. Ceci est
illustr par la figure 3.5 et sexprime par la formule (3.7) :
t j ti + si si (i, j) R R+ et (vi , v j ) ;
t j = ti + si si (i, j) R R et (vi , v j ) ;
(vi , v j ) A avec Tij = 0
+
+
t = ti + si si (i, j) R R et (vi , v j ) ;
j
( vi , v j )
/ si (i, j) R+ R .
(3.7)
On pourrait supposer que les livraisons et les ramassages sont simultans et alors
dune dure gale au plus long des services ou une autre combinaison. A priori,
par souci dhomognit avec le cas gnral, nous considrons que ces temps de
service se cumulent dans le temps. Ce qui nous permet dintgrer les temps de
service dans les temps de parcours.
4. Diffrents niveaux de qualit de service par type de vhicule
Les passagers peuvent exprimer des prfrences (ou des exigences) par rapport
au vhicule qui les transporte. Soit vecrk la prfrence dune requte r pour un
type de vhicule k. Dans le cas o vecrk est binaire, chaque type de vhicule se
voit attribuer un sous-graphe propre restreint lensemble des requtes quil peut
servir.
51
r1
r3
r5+
r2
arrive larrt
r6+
temps
dpart de larrt
F IG . 3.5: Ordonnancement des services pour un vhicule en un mme lieu entre deux trajets
5. Distance parcourue
Ce critre est le plus classique en calcul de tournes de vhicules. La distance est
un attribut associable chaque arc (tronon) (vi , v j ). Que ce soit par course ou par
tourne, il suffit de sommer la distance de chaque arc concern. Malgr tout, il
peut tre pertinent de modliser le rseau pour un p-graphe, rendant ainsi ce cas
plus complexe. Ce sujet est dvelopp dans la section 3.3.3.
6. Dure
Cest exactement le mme calcul que celui de la distance parcourue en utilisant
la dure des arcs et en y ajoutant les dures de service et les temps dattente aux
arrts. Les seuls tronons minimaux pour la dure sont suffisants pour obtenir
une solution optimale. Si une contrainte est impose sur la distance totale parcourue, il devient alors pertinent de considrer des trajets alternatifs comme pour
le critre de la distance parcourue.
7. Pnibilit
chaque tronon de route, est associable un facteur de pnibilit calcul partir du nombre de ralentissements ou darrts obligatoires (feux tricolores, stops,
passages pitons, ralentisseurs. . .), de la qualit du macadam, de la sinuosit de
la route, de la beaut du paysage, ou tout autre critre dterminable de faon
dfinitive et indpendante pour chaque tronon.
3.2.2 valuation sur une course

1. Droulement dune course
Le temps quun passager va mettre pour se rendre de son lieu dorigine vers sa
destination est un des premiers critres que lon va chercher minimiser. La figure
3.6 est une dcomposition dun voyage en ces diffrentes phases sur lesquelles
peuvent porter loptimisation. Il y a tout dabord laccs au service, puis le transport pris en charge par un vhicule (appel course), puis le dplacement du point
de livraison la destination finale. Le tout pouvant tre interrompu par des arrts
et des temps dattente (reprsents par des sries de trois cercles).
(a) Temps daccs au service et/ou destination finale
Cela dpend directement de la distribution gographique des points de monte et de descente. Par exemple, ce temps est nul pour du porte porte. Pour
un semis darrts donn, il sagit daffecter les passagers aux arrts adquats.
52
course
accs
accs
ramassage
livraison
arrt
...
transport
transport
transport
F IG . 3.6: Dcomposition de la dure dune course
Dans le DARP classique, ce critre est optimis de faon indpendante ; cest-dire que cette affectation est faite a priori (au plus proche). Intgrer ce
critre dans loptimisation du calcul des tournes, sous-entend de disposer
dun modle distinguant lorigine et la destination des passagers de leurs
points de ramassage et de livraison ainsi que de la possibilit daffecter diffrents arrts un mme service.
(b) Dure dune course
Par dfinition, cest le temps coul du dbut du ramassage jusqu la fin de
la livraison. On note la dure de la course pour la requte r, r . Elle sexprime
suivant lquation (3.8). Il est vident que lorsque les temps de service sont
fixes, il est quivalent, en terme de minimisation, de considrer lcart entre
les dates de dbut de service.
r R, r = sr + tr tr +
(3.8)
Une course est compose dune srie de transports (roulants) interrompus

par des arrts pouvant gnrer des temps dattente (figure 3.6). Ces attentes
larrt sont souvent plus drangeantes pour le passager que le temps pass
rouler. On peut chercher limiter leur nombre, leur dure ou leur dure
cumule. Soit wij (donn par lquation (3.2)) le temps dattente entre deux
services conscutifs i et j joints par larc (vi , v j ).
On peut introduire de la qualit de service en intervenant sur le nombre
et/ou la dure de ces temps dattente. Nous pouvons, par exemple, considrer la somme des dures de ces arrts (Wr ), dont voici lexpression (quation
(3.9)).
r R, Wr =
(3.9)
wij
(vi ,v j ) r+ r
Dans lquation 3.9, on reste dans le cas trs gnral o les passagers peuvent
attendre avant de quitter leur arrt de monte et attendre avant de descendre
leur arrt de destination. Dans le cas qui nous intresse, on peut se restreindre la sommation sur les couples (i, j) R R+ comme cela est
expliqu dans le paragraphe sur les temps dattente absurdes.
53
2. Prgrinations
On peut imposer une synchronisation respecter entre deux requtes diffrentes.
Par exemple, on peut imposer un temps de latence, Latij , minimal entre deux
requtes i et j pour un mme usager, une pour laller, lautre pour le retour. A
priori, ces requtes peuvent tre prises en charge par diffrents vhicules. Il suffit
pour cela de considrer la contrainte (3.10).
(3.10)
(vi , v j ) A, t j+ ti + si + Latij
3. Regroupement
On peut aussi estimer le temps, pour un passager, pass seul dans le vhicule.
Ceci peut-tre positif ou ngatif suivant les applications. La quantit Meetr (quation (3.12)) mesure tout au long de la course relative la requte r le nombre de
personnes autres que les passagers de la requte r dans le vhicule multipli
par le temps pass par ces personnes dans le vhicule. Pour cela, il faut dterminer lensemble Vois(r ) (quation (3.11)) des requtes concidant avec la requte
r.
o
o
n

n +

r , r r+ r 6=
(3.11)
Vois(r ) = r2 R| r2+ , r2 r+ r
2 2
Meetr =
r2 Vois(r )
(min(tr , tr ) max(tr+ , tr+ )) Fr+

2
(3.12)
4. Rgularit des rencontres

Une personne utilisant rgulirement le service peut esprer suivre des trajets
similaires chaque utilisation du service. Soit a f f r1 r2 la quantit daffinit entre
les passagers des requtes r1 et r2 , lquation (3.13) donne une mesure totale de
laffinit reue par les passagers de la requte r1 , note A f f r1 , en multipliant
le temps pass par les passagers des requtes concidentes avec r1 (lments de
Vois(r1 ), dfini au paragraphe sur le regroupement par leur quantit daffinit
avec r1 .
A f f r1 =
(3.13)
(min(tr , tr ) max(tr+ , tr+ ))a f fr1 r2
r2 Vois(r1 )
5. Sinuosit
La sinuosit dun trajet peut-tre vu comme une source dinconvnient car les
virages gnrent de linconfort et sont aussi associables des dtours. La sinuosit
dune courbe assimile un trajet peut-tre mesure de nombreuses faons.
Nous reviendrons sur ce critre dans la section 6.2.
3.2.3 valuation sur une tourne

1. Temps de repos
Afin de respecter les conventions collectives et les rglementations autoroutires
ou simplement damliorer les conditions de travail des chauffeurs, les tournes
peuvent tre soumises certaines contraintes assurant des temps de repos aux
54
chauffeurs. Gnralement, la dure totale dune tourne attribue un chauffeur est limite ainsi que les priodes de conduites sans pauses. La longueur des
pauses pouvant dpendre de celle de la priode roule prcdente.
Dans le cas pratique du Doubs Central que nous avons tudi, le transport est
gr en sous-traitance par des compagnies de taxi qui poursuivent en parallle
leur propre activit. Les pauses idales sans passagers ( f i = 0) doivent donc
tre soit trs courtes ( W bas ), pour ne pas perdre de temps, soit trs longues
( W haut ), pour permettre de prendre des passagers hors du TAD. Sous forme de
contraintes, ceci se traduit par lingalit (3.14).
|wij
W haut W bas
W bas + W haut
|
(1 f i )ij
2
2
(3.14)
3.2.4 valuation sur une solution

1. Taux de remplissage
Le taux de remplissage des vhicules est un critre qui outre le fait de participer
un aspect social du TAD, permet aussi den valuer la performance et la pertinence sur un territoire. Il peut tre intressant de lvaluer sur chaque tourne
indpendament si on considre des seuils dacceptabilit sur le taux de remplissage. La formule (3.15) en donne une dfinition en fonction des dures de chaque
tronon et de la capacit du vhicule, qui fait le rapport entre la somme des produits de la dure de chaque tronon avec son niveau doccupation et la dure
totale de la tourne, note duree( ) et gale t( R+k) t R+k si k est le vhicule
servant .
(vi ,v j ) [(t j ti ) f i /F ]
(3.15)
Meet =
duree( )
Pour passer au taux de remplissage global sur plusieurs tournes, la fonction nest
pas linaire. Le taux de remplissage global Meet (quation (3.16)) est donn par le
rapport entre la somme des numrateurs de chaque tourne et la somme des dnominateurs de chaque tourne. Nous notons lensemble des tournes dune
mme solution.
(vi ,v j ) [(t j ti ) f i /F ]
Meet =
(3.16)
duree( )
Il est aussi pertinent de calculer le taux de remplissage uniquement sur les portions roulantes des tournes. Les valeurs de Meet et de Meet sont respectivement donnes par les quations (3.17) et (3.18).
Meet =
Meet =
(vi ,v j ) [ Tij ( f i F )]
(vi ,v j ) Tij
(vi ,v j ) [ Tij ( f i F )]
(vi ,v j ) Tij
55
(3.17)
(3.18)
2. Sensibilit aux perturbations

Les perturbations dans un TAD sont du type modification du rseau, retard dun
vhicule ou dun passager, modification de lensemble des requtes servir. . . La
sensibilit du systme ces perturbations peut se mesurer de diffrentes faons :
par la capacit trouver une nouvelle solution acceptable en un temps raisonnable ; par lcart entre lancienne solution et la nouvelle. La qualit de service est
alors associe des notions de robustesse, de la mthode de calcul des tournes
comme de celle des solutions.
Une partie de la sensibilit des solutions est mesurable en contrlant le niveau
de saturation des fentres de temps alloues chaque service. La formule (3.19)
exprime lcart par rapport aux limites des fentres de temps pour les ramassages
et les livraisons.
(
in f
ti Ti
si i R+
(3.19)
i ( T ) =
sup
Ti ti si i R
En effet, une tourne dont la somme des i ( T ) est important est plus apte accepter de nouvelles requtes. Une telle mesure est aussi applicable sur dautres
contraintes comme celle lie la capacit du vhicule.
Un critre permettant de diminuer la sensibilit du systme larrive de nouvelles requtes, est la rpartition spatio-temporelle des vhicules. Si chaque instant lensemble des vhicules sont rpartis de faon rationnelle face la distribution de lapparition de nouvelles requtes sur le territoire, alors le systme est
apte accueillir des nouvelles requtes.
3. Forme des tournes
Plusieurs aspects lis la forme dans lespace et dans le temps des tournes
peuvent nuire la qualit de service offerte aux usagers. L aussi certains des
critres sur la forme peuvent svaluer diffrents niveaux mais nous estimons
quil nest pas raisonnable de ne sintresser que partiellement aux problmes lis
la forme des tournes. Passer deux fois au mme endroit, passer proche de la
destination finale, effectuer des boucles, ou privilgier (ou viter) des tronons
particuliers sont des caractristiques auxquelles les passagers et les transporteurs
peuvent accorder de limportance. La figure 3.7 (en haut) prsente un cas de solution indsirable . En effet, les passagers hachurs en oblique passent proche
de leur destination puis sen loignent. Plusieurs approches peuvent permettre
dviter ce genre de problme. Dans le premier cas (au milieu gauche), on choisit un arc reliant les deux mmes services correspondant un meilleur trajet sur
le rseau routier. Ceci implique de connatre dans le modle, le rseau et tous les
chemins pouvant mener dun arrt un autre. Le nombre de donnes et leur traitement devient alors plus complexe que dans le cadre classique o on se contente
dun modle bas sur un graphe simple.
Dans le deuxime cas (au milieu droite), on choisit un arrt plus avantageux
pour le mme service. Ceci sous-entend que pour chaque service, on dispose dun
ensemble darrts possibles. L aussi on augmente fortement laspect combinatoire du problme.
Dans le troisime cas (en bas), on modifie la squence.
56
111
000
000
111
000
111
11
00
00
11
00
11
00
11
11
00
00
11
00
11
00
11
111
000
000
111
000
111
000
111
111
000
000
111
000
111
111
000
000
111
000
111
111
000
000
111
000
111
111
000
000
111
000
111
000
111
111
000
000
111
000
111
000
111
11
00
00
11
00
11
00
11
111
000
000
111
000
111
11
00
00
11
00
11
00
11
111
000
000
111
000
111
000
111
11
00
00
11
00
11
00
11
11
00
00
11
00
11
00
11
111
000
000
111
000
111
111
000
000
111
000
111
111
000
000
111
000
111
000
111
111
000
000
111
000
111
000
111
111
000
000
111
000
111
111
000
000
111
000
111
000
111
11
00
00
11
00
11
00
11
F IG . 3.7: Modification de la course partir du rseau
57
11
00
00
11
000
111
00
11
000
111
00
11
000
111
000
111
11
00
00
11
00
11
00
11
Il parat peu pertinent de ne pas considrer toutes les approches cites pour viter
des formes de tournes indsirables . Car modifier une squence alors quil
suffit de dposer les passagers un autre endroit ou deffectuer un lger dtour,
serait absurde dun point de vue applicatif. La prise en compte de ce critre de
qualit de service ncessite donc une modlisation du problme complexe et un
volume de donnes important.
On peut nanmoins aisment en tenir compte en post-traitement, une fois les tournes calcules, et en disposant de toutes les donnes gographiques.
Dans la suite nous considrons que A contient tous les trajets offerts par le rseau
routier entre deux arrts et quil est possible de raliser un mme service en diffrents arrts. Nous notons (vi , v j )e le eime arc de vi vers v j et Arr (i ) lensemble des
sommets possibles pour i.
(a) Forme dune course
Pour un passager, les critres sur la forme ont un impact sur la faon dont
il peroit le service plus que sur le niveau rel de qualit de service qui lui
est offert. Par exemple, un passager peut mal percevoir un dtour qui lui
parat inutile mme sil permet un service dans de meilleurs dlais. Il parat
concevable de faire passer un passager deux fois au mme endroit ; cest
dire faire des boucles (figure 3.8 gauche, la requte hachure en oblique).
A la nuance prs quun passager, une fois sa course entame, ne comprendrait pas de passer proximit de son arrt de ramassage ou de son arrt de
livraison sans tre dpos (figure 3.8 droite, requte hachure en oblique).
11
00
00
11
00
11
00
11
1111
0000
0000
1111
0000
1111
000
111
000
111
000
111
111
000
000
111
000
111
11
00
00
11
00
11
00
11
111
000
000
111
000
111
11
00
00
11
00
11
00
11
111
000
000
111
000
111
0000
1111
0000
1111
111
000
000
111
000
111
11
00
00
11
00
11
00
11
111
000
000
111
000
111
11
00
00
11
00
11
00
11
111
000
000
111
000
111
F IG . 3.8: Deux types de boucles
Daprs ces remarques, on peut envisager dinterdire (ou de pnaliser) lutilisation de certains trajets pendant une course. La dtermination du niveau de
gne, not Proxr ((i, j)e ), li au passage par un trajet (arc) (vi , v j )e proximit
dun arrt extrme dune requte r au cours dune course, peut tre effectue
en prtraitement. Le problme de ce type de mesure est que les arcs a priori
les plus intressants pour servir la requte ont une valeur de Proxr ((i, j)e )
trs leve car ils passent par dfinition proximit de r . Le cas de valeurs binaires pour mesurer linconvnient permet de prendre en compte ce
58
critre assez simplement. La contrainte (3.20) assure que le vhicule ne passe

quune fois proximit du lieu de livraison de la requte r aprs en avoir
effectu le ramassage.

(3.20)
r R, | (vi , v j )e r+ r | Proxr ((i, j)e ) = 1 | = 1
(b) Forme dune tourne
Lorsquun oprateur utilise un logiciel calculant des tournes de vhicules,

certaines formes de tournes lui paraissent plus optimales que dautres
mme si elles sont moins performantes sur les critres doptimisation quil
fournit. En particulier, les tournes effectuant peu de croisement sont privilgies (Lu et Dessouky, 2006). Dans lexemple de la figure 3.9 loprateur
prfre la tourne de droite mme si son cot est suprieur. On peut ainsi
esprer quun systme automatis soit mieux accept.
11
00
00
11
00
11
00
11
111
000
000
111
000
111
111
000
000
111
000
111
11
00
00
11
00
11
00
11
11
00
00
11
00
11
00
11
111
000
000
111
000
111
000
111
000
111
000
111
111
000
000
111
000
111
111
000
000
111
000
111
11
00
00
11
00
11
00
11
111
000
000
111
000
111
000
111
000
111
000
111
F IG . 3.9: Tournes avec et sans croisements
(c) Forme dune solution

Les tournes effectues par lensemble des vhicules peuvent galement causer du dsagrment aux usagers, si par exemple lun deux passe leur arrt
(ou proximit) sans les ramasser. La figure 3.10 illustre cette situation. Dans
ce cas, le vhicule de gauche ramasse les passagers de la requte hachure
horizontalement, sans prendre ceux de la requte hachure verticalement,
ou inversement avec le vhicule de droite. Ce critre est particulirement
difficile prendre en compte puisquil met en jeu toutes les tournes dans
la dimension spatiale (proximit) et temporelle (passer peu avant un ramassage proximit de son arrt).
4. Nombre de vhicules
Souvent la limite sur le nombre de vhicules disponibles nest pas une contrainte
forte puisque lon suppose que le TAD est prvu avec un nombre suffisant de
vhicules pour servir toutes les requtes. Un cot fixe, intgr la fonction objectif, est souvent li lactivation dun vhicule. Dans plusieurs applications, la
minimisation du nombre de vhicules utiliss est un objectif prioritaire. ce moment l, une approche couramment utilise est dattribuer une forte pnalit
59
11
00
00
11
00
11
00
11
111
000
000
111
000
111
11
00
00
11
00
11
00
11
111
000
000
111
000
111
F IG . 3.10: Deux tournes en conflit
lactivation de chaque vhicule. Dans ce cas, Desaulniers (2007) montre quune

gestion dynamique incrmentale de ces pnalits est prfrable en terme de performances.
5. quilibrage des charges
La charge de travail est rpartie de faon quitable entre les diffrents chauffeurs
ou compagnies de chauffeurs. Cela peut se faire par rapport au nombre de requtes servies ou la dure des tournes.
6. Diffrenciation des passagers
Les collectivits locales peuvent choisir de privilgier certains usagers, par exemple parce que leur zone dhabitation est moins bien desservie par dautres modes
de transport ou pour des critres sociaux. Un coefficient propre chaque type
dusager peut tre intgr la fonction objectif.
3.2.5 valuation long terme

1. Temps dobtention de la rponse du systme et dlai pour lacceptation dune
nouvelle requte
Plus le systme est capable de fournir une rponse rapidement, plus cela accorde
de la souplesse au client. Ce critre prend toute son importance dans le cas dynamique, puisquil permet de dterminer jusqu combien de temps lavance un
usager peut mettre une nouvelle requte. cela on peut associer un pourcentage dacceptation dpendant de la robustesse des solutions trouves. La qualit
de service est dautant plus leve que la probabilit dacceptation dune requte
p() au temps t est inversement proportionnelle la valeur de .
Avant denvisager lintgration de ces critres de qualit de service dans le problme
gnral de calcul de tournes, nous envisageons loptimisation de certains dentre eux
dans le cas dune optimisation sur une squence fixe darrts visiter.
60
3.3. Maximisation de la qualit de service pour une squence fixe darrts visiter
3.3
Maximisation de la qualit de service pour une squence

fixe darrts visiter
3.3.1 Dfinition et modlisation

Que ce soit dans des heuristiques ou des mthodes exactes, le DARP est souvent
dcompos en sous-problmes. Les premires tapes consistent dterminer quels vhicules et dans quel ordre vont effectuer les services. Une fois de telles squences
fixes loptimisation est rarement finie. Dans un cas classique la squence de sommets
fixe implique la dtermination exacte de la squence darcs trajets emprunter.
Deux cas peuvent alors se prsenter : la fonction objectif dpend des heures de ralisation des services ou la fonction objectif nen dpend pas. Mme dans le deuxime cas, la
plupart des auteurs rsolvent le problme dhorodatage de la squence en passant par
lutilisation dune fonction objectif secondaire base sur les dates de ralisation des services. Un cas plus original est la considration de diffrents arcs entre chaque paire de
sommets, loptimisation doit alors non seulement slectionner les dates de ralisation
des services mais aussi les arcs emprunter.
Nous limitons lhorodatage la dtermination des dates de service. Nous nintgrons pas les heures de dpart du vhicule aux arrts, nous estimons que celles-ci se
dduisent trivialement une fois les dates de service fixes.
3.3.2 Cas du 1-graphe

3.3.2.1
Modlisation
Soit G = (V , A ) un 1-graphe, o V est la restriction de V la squence

et A les arcs la composant. Le problme dhorodatage HP prend la forme suivante.
La fonction de R |V | dans R exprime linconvnient li aux dates de ralisation des
services. Les contraintes (3.22) assurent le respect des fentres de temps tandis que les
contraintes (3.23) assurent la continuit du flot sur la ressource T.
(HP)
min (t)
(3.21)
sup
(3.22)
s.c.q.
in f
ti Ti
vi V ,
ti + Tij t j 0 (vi , v j ) A ,
Ti
t R |V |
(3.23)
(3.24)
Le fait dimposer
un ordre
i sur les services, permet de renforcer les contraintes de feh
in f
sup
ntres de temps Ti , Ti
initiales. Il est clair que certaines dates de dbut de service

61
peuvent tre incompatibles avec des services prdcesseurs ou successeurs. Les proc dcrites par les quations
dures rcursives, o i reprsente le successeur de i dans ,
(3.25) et (3.26) permettent la mise jour des fentres de temps.
n
o
in f
in f
in f
Ti := max Ti + Tii , Ti
vi V
(3.25)
o
n
sup
sup
sup
vi V
(3.26)
Ti := min Ti Tii , Ti
La squence est suppose valide ; cest--dire que toutes les contraintes structurelles
(lmentarit, couplage, prcdence) et doccupation du vhicule sont respectes et
quil existe un horodatage ralisable pour HP.
3.3.2.2
Rsolution
Lorsque les dates de service peuvent tre considres valeurs relles (ce qui, en
pratique, est gnralement le cas), HP est un programme linaire si est linaire et
sinon sa difficult dpend de la nature de et fait appel des mthodes de rsolution
plus ou moins standard. La littrature propose nanmoins des algorithmes adhoc.
Le cas des fonctions objectifs exprimables comme combinaison linaire de fonctions dinconvnient propres chaque service reprsente la quasi-totalit de la littrature ce sujet (Desrosiers et al., 1995). Nous remarquons que sous ces conditions,
le problme est analogue un problme dordonnancement une machine de type
(1, Fk |(r j , d j ), seq|line|), o 1 est le nombre de machines, Fk la limite de ressource consomme, r j et d j les dates de ralisation au plus tt et au plus tard, seq (pour squence)
le type de graphe reprsentant les contraintes de prcdence et line (pour linaire) le
type de mtrique. Puisque les dures de transport entre deux services successifs sont
constants, on peut appeler ces trajets des tches de dure fixe. Les contraintes de prcdence entre les tches dfinissent lordre total quivalent la squence de services
donne. Le but est de dterminer les dates de dbut pour une chane de tches de dures fixes. La tche i correspond au trajet entre les services i et i. Le dbut dune tche
i correspond donc au dmarrage du service i. Considrons une fonction de pnalit
(3.27) pour chaque tche linaire en trois morceaux.
n
o
in f
sup
i = max i ( Ti ti ), 0, i (ti Ti )
(3.27)
La pnalit pour toute la chane sobtient en sommant ces valeurs. Garey et al. (1988)
proposent un algorithme en O(n log n) rsolvant le problme pour i = i = 1, o
n est le nombre de tches. Hoogeveen et van de Velde (1996) montrent que cet algorithme fonctionne pour i = et i = . Puis Chrtienne (1999) propose un algorithme
toujours en O(n log n) pour le cas avec des coefficients de pnalit asymtriques et indpendants des tches qui stend au cas des coefficients dpendants des tches (Chrtienne et Sourd, 2000). Pour le cas gnral, Szwarc et Mukhopadhyay (1995) donnent
un algorithme en O(nm) o m est le nombre de groupes (dans la solution) qui sont des
paquets de tches se succdant sans temps dattente.
Nous prsentons quelques critres et algorithmes de rsolution adquats.
62
1. La date de fin de la tourne

Dans le cas o lobjectif est de minimiser la date de fin de la tourne, on a la
in f
solution optimale triviale telle que ti = Ti , vi V .
2. Le temps perdu
Si on ne considre que des requtes aller (voir la section 2), la fonction dinconvnient relative la date de ramassage de chaque passager est linaire dcroissante.
Optimiser suivant ce critre revient raliser un horodatage au plus tard. Linconvnient mesur tant uniquement localis aux ramassages, on peut utiliser un
second critre hirarchique sur les dates de livraison. Ces dernires sont gnralement prises au plus tt afin de minimiser les dures de transport et les temps
dattente mais surtout dviter les temps dattente absurdes. Les requtes retour
offrent un raisonnement symtrique avec les dates de livraison au plus tt. Le cas
du mlange des deux types de requtes est moins trivial et peut tre vu comme un
cas particulier dune combinaison linaire de fonctions convexes dinconvnient
par rapport une date de ralisation de service prsent par la suite.
3. Une combinaison linaire de lcart entre la dure effective de la course et sa dure
minimale et de lcart entre la date de service et une date limite de ralisation
Le problme esclave de la dcomposition de Benders de Sexton et Bodin (1985a)
pour le 1-DARP, est un problme dhorodatage optimis suivant la fonction objectif (3.28).
= min [ (tr tr+ ) tr ]
(3.28)
r R
Cette fonction dinconvnient se ramne aisment une fonction linaire en chaque

service (voir figure (3.11)). Ils proposent deux algorithmes rsolvant le problme
<0
T inf
r+
T sup
r+
<0
T inf
r
T sup
r
>0
T inf
r
T sup
r
F IG . 3.11: Fonction dinconvnient lie aux dates de service (Sexton et al.).
de flot quivalent au dual du problme dhorodatage. Le premier algorithme rpond au cas > et le second au cas . Ces algorithmes sont de complexit
linaire. Sexton et Choi (1986) gnralisent par une combinaison de fonctions
linaires en trois morceaux pour mesurer le dsagrment en chaque service, autorisant ainsi les retards de livraison.
4. Une combinaison linaire de fonctions convexes dinconvnient par rapport une
date de ralisation de service
Dumas et al. (1990) donnent un algorithme bas sur la rsolution squentielle
de minimisations de problmes dhorodatage ayant les contraintes de succession
63
(3.22) relches. Ces dernires tant intgres au fur et mesure. Cette modlisation, figure 3.12, est assez proche de linconvnient subi par les passagers. Dans
le cas particulier de fonctions quadratiques, lalgorithme est montr linaire. Bien
sr cet algorithme offre une alternative celui de Sexton et Bodin (1985a) dans
le cas de fonctions dinconvnients linaires. Les auteurs montrent quil est aussi
possible dintgrer une fonction dinconvnient linaire lie aux temps dattente
et que lalgorithme reste valide dans le cas de date de services valeurs entires.
Ce sont sensiblement les mmes algorithmes pour Dumas et al. (1990) et Chr-
T inf
i
T sup
i
F IG . 3.12: Fonction dinconvnient lie aux dates de service (Dumas et al.).
tienne et Sourd (2000). Un bloc est une suite de trajets conscutifs sans temps
dattente. On parcourt la squence des trajets (entre deux arrts successifs) de faon incrmentale. Pour un trajet de i i, soit on peut le positionner de faon
minimiser f i et on passe au trajet suivant, sinon on roptimise le bloc prcdent.
On ritre la roptimisation des blocs tant que lon rentre en conflit avec le bloc
prcdent, puis on passe au trajet suivant.
5. Une combinaison linaire dune dviation par rapport une date de service souhaite avec les temps dattente et la dure individuelle de transport
Ahuja et al. (2003) traitent une telle fonction objectif (quation (3.29)), par transformation puis rsolution en un problme dual de flot cots entiers et objectif
convexe (The Dual Network Flow Problem), modlis par DNFP.
min
vi V
[i (ti Tiid ) + i (ti Tii ti )] +
(DNFP)
min
i + ( t i t i + )
(3.29)
vi+ V
H ij (wij ) + B i (i )
(3.30)
i P
(i,j) Q
s.c.q.
i j wij (i, j) Q,
(3.31)
lij wij uij (i, j) Q,
(3.32)
li i u i
wij N, i N, P N, Q P P.
i P,
(3.33)
(3.34)
Les variables de dcisions sont les wij et les i . Les donnes li , ui , lij , uij sont entires (li et lij peuvent prendre des valeurs ngatives).
H ij et B i sont

des fonctions
convexes. De plus lensemble U = max[max uij lij : (i, j) Q , max {ui li : i P}]
est fini.
64
En prenant Q = A et P = V , Des changements de variable dcrits par les quations (3.35)-(3.36) on dduit les valeurs suivantes aux donnes de DNFP (quations (3.37)-(3.40)).
wij = t j ti Tij , (vi , v j ) A
(3.35)
i = ti , vi V
(3.36)
De lquation (3.35), on dduit aisment les contraintes (3.31).

in f
lij = Tj
sup
uij = Tj
sup
Tij , (vi , v j ) A
(3.37)
in f
Tij , (vi , v j ) A
(3.38)
Ti
Ti
Les deux quations (3.37) et (3.38) permettent, avec les contraintes (3.22) et (3.23)
de HP, de dduire les contraintes (3.32) de DNFP.
sup
, vi V
(3.39)
li = Ti , vi V
(3.40)
ui = Ti
in f
Des contraintes (3.22) de HP et des quations (3.39) et (3.40), on dduit les contraintes (3.33) dans DNFP. Il est ais de voir que la fonction objectif (3.29) sur les
trois critres : la date de service, le temps dattente et la dure de transport, se
ramne deux fonctions convexes du type de H ij et B i .
Le problme DNFP subit ensuite une suite de transformations et est rsolu comme
un problme de flot cots non linaires.
6. Une somme de fonctions linaires par morceaux dinconvnient sur des contraintes souples de fentres de temps et de dure totale de transport
Le problme dhorodatage prend alors une forme diffrente (HPS) o iT mesure
linconvnient li aux dates de service et ij celui li la dure de transport. La
difficult de HPS rside dans les contraintes dintgralit (3.43) imposes sur les
dates de service.
(HPS)
min iT (ti ) + ij (t j ti )
(3.41)
vi V
(vi ,v j )A
s.c.q.
ti + Tij t j 0 (vi , v j ) A ,
ti N
vi V .
(3.42)
(3.43)
Hashimoto et al. (2006) prouvent par une rduction du problme de sac--dos,

que le problme dhorodatage avec des contraintes souples de fentres de temps
et de dure de transport ayant la forme de fonctions linaires par morceaux, est
pseudo-polynomial. De plus, si la contrainte sur la dure de transport est convexe
le problme est alors polynomial. Ils fournissent un algorithme de programmation dynamique dans les deux cas.
65
3.3.3 Cas du p-graphe

La prsence de contraintes de fentres de temps peut amener considrer des tronons alternatifs aux plus courts en distance entre chaque paire darrts. En effet, un
ensemble de tournes structurellement diffrent utilisant des tronons parfois plus coteux en distance mais plus rapides peut former une solution finalement moins coteuse
en distance.
La figure 3.13 illustre un exemple deux requtes pour lequel lutilisation de tronons alternatifs est justifie. Il apparat que la contrainte sur la date de livraison au plus
chemin partiel {distance,dure}
{5,5}
11
00
00
11
00
11
[0,9]
fentre de temps
Solution optimale en utilisant tous les

arcs : 14.
{2,2}
distance
,dure
11
00
00
11
00
11
00
11
00
11
00
11
0,0
11 11
00
00 11
00
00
11
00
11
00
11
00
00
11
00 11
11
00 11
i+
j+
11
00
00
11
00
11
j
00
11
2,2
2,2
2,2
2,2
2,2
0,0
4,4
3,3
2,2
4,4
0,0
3,3
3,3
2,2
3,3
3,3
0,0
4,4
2,2
3,3
4,2
3,3
4,4
0,0
{0,0}
{8,8}
{9,7}
11
00
00
11
00
11
j [4,7]
00
11
{14,12}
11
00
00
11
00
11
i
[4,13]
{12,10}
3,3
i+
11
00
00
11
j+
00
11
00
11
00
11
00
11
j
00
11
[0,3]
11
00
00
11
00
11
j+
00
11
impossible !
4,2
{9,9}
[0,9]
11
00
00
11
00
11
i+
{2,2}
[0,3]
11
00
00
11
00
11
j+
00
11
{0,0}
{6,6}
11
00
00
11
[4,7]
00
11
j
00
11
{15,15}
Solution optimale en utilisant uniquement
les arcs de distance minimale : 15.
11
00
00
11
00
11
i
[4,13]
{13,13}
F IG . 3.13: Utilisation de chemins alternatifs
tard de la requte j (lignes brises) ayant pour valeur 7, oblige lutilisation de larc de
distance maximale (4, 2) entre le ramassage de i (hachur) et la livraison de j, afin de
66
valider une tourne optimale. Il est vident que porter la valeur de cette contrainte
8 permet dobtenir une solution de moindre distance en utilisant larc de pondration
(3, 3) entre le ramassage i+ et i .
Entre chaque paire de sommets, on considre donc un ensemble de tronons offrant un compromis entre distance parcourue et dure de parcours ce qui se modlise
par un p-graphe. Soit G = (V , A ) un p-graphe, o V est la restriction de V la
squence et A les arcs la composant. Par dfinition, jusqu p arcs peuvent relier
chaque paire de sommets. Pour que lutilisation dun p-graphe soit utile, il faut que les
arcs entre chaque paire de sommets prsentent un compromis intressant. Dans cette
section, nous prenons comme cas dcole celui de la minimisation de la distance totale
parcourue (voir le paragraphe 5 de la section 3.2). Les arcs offrent des compromis sur la
distance pour minimiser le cot et la dure pour satisfaire les contraintes de fentres de
temps. Les critres de qualit de service uniquement bass sur des dates de ralisation
de service ne ncessitent gnralement pas lutilisation dun p-graphe ; les plus courts
chemins en temps tant a priori dominants.
3.3.3.1
Modlisation
On note (vi , v j )e le eime arc entre i et j offrant un compromis, par exemple dure/cot. Sa dure est note Tije et son cot Cije . Par convention (vi , v j )0 est larc de
dure minimale. (HP) devient alors le problme en variables binaires suivant.
(HP)
|{(vi ,vi )e A }|
min
vi V \{v( R+k) }
e =1
Ciie iie
(3.44)
s.c.q.
in f
sup
Ti
vi V ,
(vi , v j )e A ,

{0, 1} vi , v j V V ,
ti Ti
ije (ti + Tije t j ) 0
(vi ,v j )e A
ije
(vi , v j )e A .
ije {0, 1}
(3.45)
(3.46)
(3.47)
(3.48)
Ce problme est un cas particulier deux ressources et borne de consommation

in f
sup
unique (Ti = , Ti = T, i V ) du problme que nous appelons Problme de
Slection des Arcs dans une Squence Fixe (PSASF) ou Fixed Sequence Arc Selection Problem en anglais. Dans le cas dune fonction objectif du type somme des cots des arcs,
(PSASF) est un problme NP-difficile car quivalent un Problme de Sac--Dos Multidimensionnel Choix Multiple (PSMCM), une extension NP-difficile du problme de
sac--dos (Kellerer et al., 2004) qui est modlis par les quations (3.49)-(3.52). En effet, si on considre que les objets sont les arcs, les dimensions sont les ressources et
les classes dobjets sont les paires de sommets successifs. En notant i le successeur de i
67
dans la squence, on dfinit |vi V | 1 classes dobjets. Chaque objet e de la classe i

est caractris par un poids Tiie et un cot Ciie . T est la limite de poids total impose.
(PSASF)
|{(vi ,vi )e A }|
min
vi V \{v( R+k) }
e =1
Ciie iie
(3.49)
(3.50)
i V ,
(3.51)
s.c.q.
|{(vi ,vi )e A }|
vi V \{v( R+k) }
e =1
Tiie iie T
|{(vi ,vi )e A }|
iie = 1
e =1
3.3.3.2
iie {0, 1} (vi , vi )e A .
(3.52)
Rsolution
(HP) se formule comme un SPPRC (Problme de Plus Court Chemin avec Contraintes de Ressources) sur un graphe linaire1 . Nous proposons de rsoudre ce problme
par une adaptation (algorithme 2) de lalgorithme de programmation dynamique 1 prsent dans la section 2.3.2.
La diffrence avec lalgorithme gnral est que le graphe peut tre parcouru dans
lordre de la squence en tant sr de ne pas passer deux fois par le mme sommet.
Les contraintes structurelles tant dj respectes, la validit dun chemin partiel ne
ncessite que le contrle des fentres de temps. Tout arc (vi , v j )e sert tendre tous les
chemins partiels entrant en i, puis est compar avec tous les chemins partiels sortants
de j dj crs. On en dduit une complexit en O(|A | p2 ). Le nombre maximal de
chemins partiels entre chaque paire de sommets, p est born par le produit des nombres
de valeurs possibles pour les dures et les cots. Lalgorithme 2 stend facilement au
cas plusieurs ressources (Garaix et al., 2007). La figure 3.14 illustre le droulement
de lalgorithme sur un graphe trois sommets avec C reprsentant la distance et T la
dure.
Nous appelons graphe linaire tout graphe connexe dont tous les sommets ont exactement un successeur sauf un qui nen a pas.
68
Algorithme 2 : Algorithme de rsolution de (HP) sur un p-graphe

Donnes : G un graphe linaire
Rsultat : CH( R+k) les chemins arrivant au dpt
1 Initialisation : CHR+k : = un chemin rduit au sommet de dpart;
2 i : = R + k;
3 tant que i 6 = ( R + k ) faire
4
pour chaque chemin partiel ch CHi faire
5
pour chaque arc (vi , vi )e faire
6
ch := lextension de ch par (vi , vi )e ;
7
domine=faux;
8
si ch est valide alors
9
si Tch Tch et Cch
10
Cch alors
CHi := CHi \ ch ;
11
12
sinon
si Tch Tch et Cch Cch alors
13
14
domine :=vrai;
15
stop;
si domine=faux alors

CHi := CHi ch ;
16
17
{tiquettes}
C, T
{3,8}
{0,0}
3,8
i0
{7,6}
i1
3,2
{6,10} domine
{5,12}
{10,8}
{9,10}
i2
viole
2,4
contrainte T < 11
7,6
F IG . 3.14: Algorithme de programmation dynamique pour le Problme de Slection des Arcs dans
une Squence Fixe
69
70
Chapitre 4
Maximisation de la qualit de
service
RSUM : Dans la section 4.1, nous proposons une mthode de gnration de colonnes pour le
problme de maximisation de la qualit de service prsent dans la section 3.1. Nous prsentons
les dtails dimplmentation de la rsolution des problmes matre et esclave, ainsi que les rsultats obtenus sur des instances de PDPTW de la littrature. Dans la section 4.2, nous intgrons
ce schma trois critres de qualit de service slectionns pour leur intrt applicatif et discutons
des modifications apporter la mthode gnrale pour les prendre en compte. Ces trois critres
sont la distance totale parcourue, le temps perdu en transport et le taux de remplissage des vhicules. Loptimisation suivant ces trois critre est value sur des instances drives de celle de
PDPTW de la littrature. Hormis lintgration des critres de qualit de service, un des objectifs
de ce chapitre est de calculer et de comparer les solutions obtenues en optimisant suivant diffrents critres. Afin que les rsultats obtenus, en terme de qualit des tournes soient comparables
et ne soient pas imputables la mthode de rsolution, une rsolution exacte simpose.
4.1
Mthode de rsolution par gnration de colonnes
4.1.1 Modlisation
Nous considrons le problme de DARP standard tel quil est dfini dans la section 3.1. Trois types principaux de programmes linaires en nombre entiers sont utiliss
pour ce genre de problmes : le modle bas sur les arcs ou modle compact servant
de base aux mthodes de Sparation et valuation par Gnration de Coupes (SEPGCOU), le modle bas sur les tournes ou modle tendu prenant la forme dun
problme daffectation gnralis utilis par les approches de type Sparation et valuation par Gnration de Colonnes (SEPGCOL) et un modle intermdiaire propos
71
Chapitre 4. Maximisation de la qualit de service
par Mautor et Naudin (2007) bas sur des tats sur les arcs qui bien quaux caractristiques prometteuses, offrant un compromis entre modle tendu et compact en terme
de relaxation linaire et de nombre de variables, na encore suscit aucune application
au DARP notre connaissance.
Notre choix sest port sur le modle tendu qui offre une dcomposition intressante du DARP. Comme nous lavons remarqu dans la section 3.2, la plupart des contraintes de qualit de service sont valuables au sein dune mme tourne. Ces contraintes qualifies de locales, en faisant rfrence la dcomposition prsente en introduction la gnration de colonnes dans la section 2.2, sont toutes traites dans le
problme esclave sur lequel nous concentrons nos efforts. De plus, les problmes de
calcul de tournes de vhicules avec plusieurs vhicules, de par leur structure, sont gnralement bien rsolus grce ce modle car le problme esclave est commun tous
les vhicules identiques.
On considre lensemble des tournes ralisables . Une tourne est un plan de
route complet attribuable un vhicule. Les variables de dcision binaires sont telles
que = 1 si la tourne est slectionne et = 0 sinon. Lindicateur binaire r vaut 1
si la requte de transport r est prise en charge par la tourne et 0 sinon. partir de ces
donnes nous construisons le problme matre (MP), qui est un problme daffectation
gnralis. Par rapport au problme prsent dans la section 3.1, un seul type de vhicule est considr. Considrer diffrents types de vhicules alourdit les notations sans
pour autant amener des modifications majeures au niveau de la rsolution, puisque
cela gnrerait des problmes esclaves similaires pour chaque type de vhicule. Avec R
le nombre de requtes et K le nombre de vhicules, on obtient la formulation suivante.
(MP)
min
(4.1)
s.c.q.
r = 1 r = 1, . . . , R,
(4.2)
(4.3)
K,
{0, 1}
(4.4)
Le cot, au sens gnral, dune solution est la somme des cots c des tournes la
composant. On impose par les contraintes (4.2), que chaque requte soit servie une fois
exactement. La contrainte (4.3) limite le nombre de vhicules utiliss.
Nous nous proposons de calculer la solution optimale du programme linaire obtenu par la relaxation des contraintes (4.4) qui donne les contraintes (4.5).
0 1
(4.5)
Lensemble contenant un trop grand nombre de tournes, nous appliquons le principe de la gnration de colonnes qui considre un sous-ensemble , donnant
72
4.1. Mthode de rsolution par gnration de colonnes
ainsi un problme matre restreint (MPR). Une solution optimale de (MPR) est aussi
solution optimale de (MP) sil nexiste pas de variable avec \ de cot
rduit ngatif. La recherche dune variable (colonne) de cot rduit ngatif dfinit un
problme esclave (EP) de type plus court chemin lmentaire avec contraintes de ressources (ESPPRC) que nous prsentons ci-aprs. Nous reprenons les notations des donnes et variables de la dfinition du problme de la section 3.1. Les fentres de temps
associes aux requtes et voques dans la dfinition du problme gnrique de la section 3.1 sont construites comme suit. Les passagers de la requte r dfinissent une date
sup
de livraison au plus tard Tr . Un cart maximal entre cette dernire et la date de ramasmax
sage au plus tt, not Tr , est impos. Les fentres de temps sont alors donnes par les
relations (4.6). Nous supposons la dure de service constante y compris en un mme
arrt o on somme les dures des services effectus. Ceci permet dinclure les dures
de service dans la dure des arcs et allge les notations. Nous rappelons que v R+1 et
v R1 reprsentent respectivement les sommets des dpts de dpart et darrive. Les
vhicules peuvent se dplacer dans la fentre de temps [0, T ] et ont une capacit F.
in f
in f
sup
sup
T R1 = TR+1 = 0, T R1 = TR+1 = T
sup
sup
sup
in f
Tr+ = Tr Trmax , Tr+ = Tr Tr+ r
sup
in f
Tr = Tr Trmax + Tr+ r
(4.6)
(EP) comporte des variables de dcision binaires ij telles que ij est fixe 1 si larc
(vi , v j ) appartient la solution (tourne) et 0 sinon. Les variables ti et f i reprsentent
respectivement la date de dbut du service i et le nombre de passagers dans le vhicule
une fois le service i achev.
Le cot de la tourne dans (EP) est le cot rduit de la tourne exprim par lquation (4.7), o r est la valeur de la variable duale associe la contrainte (4.2) correspondante et celle de la contrainte (4.3). Lquation (4.8) dfinit ce cot en fonction de
ij dans le cas o c est la distance parcourue et Dij reprsente la longueur de (vi , v j ).
Dans ce cas prcis, le cot dune tourne ne dpend pas des ti et des f i .
c = c
f (ij , ti , f i ) =
r r
(4.7)
r =1
ij Dij
(vi ,v j )A
r r+ j
(4.8)
(vr+ ,v j )A
(EP)
min c = f (, t, f )
73
(4.9)
s.c.q.
ij
(vi ,v j )A
ji = 0 j R+ R ,
(4.10)
ij 1
(4.11)
(v j ,vi )A
vi V ,
(vi ,v j )A
R+1,j = 1,
(4.12)
(v R+1 ,v j )A
in f
Ti
in f
Fi
sup
ti Ti
sup
Fi
fi
ij (ti + Tij t j ) 0
ij ( f i + Fij f j ) = 0
vi V ,
(4.13)
vi V ,
(vi , v j ) A,
(vi , v j ) A,
(4.14)
(4.15)
(4.16)
tR
|V |
(4.17)
f N
|V |
(4.18)
|A|
(4.19)
{0, 1}
Les contraintes (4.10) assurent la continuit de la tourne (contraintes de conservation de flot), les contraintes (4.11) son lmentarit et la contrainte (4.12) son dpart du
dpt. Le temps et les flux de passagers sont contraints par des fentres (contraintes
(4.13) et (4.14)) et conservent leur flot par les contraintes (4.15) et (4.16). Les variables
f i sont dductibles des ij mais sont introduites pour simplifier les formulations des
contraintes. De mme, les contraintes (4.15) et (4.16) ne sont pas exprimes sous une
forme linaire car, comme nous le verrons plus tard, le problme esclave est rsolu par
programmation dynamique et non par programmation linaire en nombres entiers. Les
in f
sup
fentres de flux [ Fi , Fi ] sont dfinies par les quations (4.20) et 4.21).
in f
Fi
sup
Fi
+
Fi si i R
0 si i R
=
0 si i = { R 1, R + 1}
si i R+
F
F + Fi si i R
=
0
si i = { R 1, R + 1}
(4.20)
(4.21)
Les critres de qualit de service supplmentaires sont intgrs au niveau du calcul

du cot des tournes ou sous forme de contraintes.
74
4.1.2 Adaptation de la mthode gnrale de gnration de colonnes

4.1.2.1
Rsolution du problme matre restreint
Aprs avoir t mis sous la forme du programme linaire en nombres entiers (4.1)(4.4), nous rsolvons le DARP dans un SEPGCOL o chaque nud le problme matre
(MP) est rsolu par une mthode de gnration de colonnes tel que prsent dans la
section 2.2. Les solutions primales et duales sont obtenues par un algorithme de programmation linaire de type simplexe ou point intrieur, dont lefficacit sest montre
quivalente lors de nos exprimentations. Pour lensemble des exprimentations effectues, le temps de rsolution du programme linaire se rvle ngligeable par rapport
celui du problme esclave sur nos instances quelques dizaines de requtes. Nous
ne grons donc pas de manire particulire les colonnes gnres par le problme esclave ; une colonne gnre ntant jamais supprime de lensemble . La contrainte
(4.3) sur la taille de la flotte peut tre supprime lorsque le nombre de vhicules nest
pas limitatif en pratique. Les distances tant toujours positives et respectant lingalit
triangulaire, il est possible de relcher la contrainte daffectation (4.2) en une ingalit
( 1). Le problme matre devient alors un problme de couverture a priori plus simple.
Les variables duales quil gnre sont positives ou nulles, ce qui peut tre un avantage
lors de la rsolution du problme esclave.
4.1.2.2
Reprsentation du problme esclave comme un ESPPRC
Toutes les contraintes de ralisibilit des tournes sont prsentes dans le problme
esclave. Nous modlisons le problme esclave comme un ESPPRC que nous rsolvons
par programmation dynamique. Sous leffet des contraintes de fentres de temps assez serres et des contraintes de prcdence entre ramassage et livraison, la contrainte
dlmentarit des tournes a de fortes chances dtre peu active. Nous avons pourtant
dcid de ne pas la relcher car le contrle des contraintes de couplage (et de prcdence) entre ramassage et livraison reviennent aussi contrler labsence de cycles
relativement longs. Pour compenser le manque defficacit li la conservation des informations ncessaires au respect de la contrainte dlmentarit, nous nous en servons
pour renforcer les rgles limitant lextension des chemins partiels et la dominance entre
chemins partiels. Dautre part, une partie des instances de PDPTW sur lesquelles nous
avons effectu nos tests ont des fentres de temps trs larges et le gain alors apport par
la rsolution dun ESPPRC est influent sur la qualit de la relaxation linaire du problme matre. Nous dtaillons la rsolution du problme esclave dans la section 4.1.3.
4.1.2.3
Recherche arborescente
Pour les raisons discutes dans la section 2.2.2.1, la slection des colonnes comme
variables de sparation est un mauvais choix. Le choix de variables de branchement le
plus naturel est celui de larc la plus fractionnaire dans la solution optimale de la re75
laxation linaire1 . La rgle de branchement cre un sous-arbre o lutilisation de cet arc

est impose et un sous-arbre o son utilisation est prohibe. Cette rgle de branchement
assure la convergence de la recherche. Elle peut tre gnralise au flot sortant dun ensemble de sommets (Naddef et Rinaldi, 2002). Dautres rgles de branchement sont
proposes dans la littrature, sur les vhicules (Desrochers et al., 1992), sur les fentres
de temps (Dumas et al., 1991). Ropke (2005) teste quatre stratgies de branchements :
sur les arcs, sur les vhicules puis les arcs, sur les flots sortants et sur les vhicules puis
les flots sortants. Sur ces tests, le branchement sur les flots sortants se relve lgrement
plus performant que celui sur les arcs. Brancher sur les vhicules suffit gnralement
obtenir loptimalit. Dans les cas o les vhicules ont un cot fixe dutilisation trs
lev, brancher sur les vhicules savre bien plus efficace car lcart entre les bornes
infrieures possibles a tendance tre trs lev.
La qualit de la relaxation linaire, donc des bornes infrieures, du modle daffectation savre excellente, puisque sur lensemble des instances que nous avons rsolu,
presque toutes le sont la racine. Par consquent, nous nous contentons dune seule
rgle de sparation assez simple. Nous slectionnons la succession de services la plus
fractionnaire dans la solution optimale de la relaxation linaire ; ce qui revient considrer le nombre de fois que sont utiliss tous les arcs ralisant une mme succession de
services. Lordre de traitement des nuds respecte la valeur de leur borne infrieure
respective. Lorsque le nombre de vhicules est limit, la borne infrieure de chaque
nud peut tre amliore par la somme de la valeur optimale de la relaxation linaire
du problme matre et le produit entre la taille de la flotte et la valeur optimale du
problme esclave, dans lventualit o cette dernire est connue. En effet, la valeur de
la solution courante du problme matre restreint ne peut pas tre plus diminue que
par lintgration, pour chaque vhicule, dune tourne correspondant une solution
optimale du problme esclave.
4.1.2.4
Initialisation de
Lensemble des tournes initiales nest pas forcment vide. Un algorithme de construction de tournes peut-tre utilis pour son initialisation. Cette initialisation nous
affranchit de dveloppements supplmentaires au niveau du problme esclave pour
obtenir de bonnes solutions sur des problmes peu contraints et propices aux heuristiques. Comme cest le cas de certaines instances de Li et Lim (2001), o les services sont
proches et o les fentres de temps et de flux doccupation sont presque inexistantes.
Pour ces problmes, seule la preuve doptimalit est difficile obtenir.
chaque nud de larbre de recherche, lorsquon ne dispose pas de tournes formant une solution ralisable de (MPR), on utilise une tourne passe-partout elle
effectue tous les services possdant un cot trs lev. On appelle cela la mthode
du BigM. Si le problme est ralisable et quaucune colonne nest gnre par le problme esclave alors que la solution courante du problme matre restreint donne une
1
La fraction darc utilise se mesure en sommant les valeurs des variables de slection des tournes
( ) incluant cet arc.
76
valeur non nulle passe-partout , on peut alors conclure que le coefficient attribu
passe-partout dans la fonction objectif est trop petit. Cependant, un coefficient trop
lev peut nuire aux performances de lalgorithme (Desaulniers, 2007). Lors de nos exprimentations, cet impact sest rvl assez faible et lutilisation de bornes suprieures
mme inatteignables (car trop leves), na pas dgrad la rapidit de convergence de
faon gnante, sachant que la limitation du temps de calcul ne fait pas partie de nos
objectifs principaux.
La figure 4.1 rsume le schma gnral de notre implmentation de la mthode

SEPGCOL. La borne infrieure associe un nud n est note BI (n) et BS dsigne la
meilleure borne suprieure courante. La valeur optimale du problme matre restreint
est note Z tandis que celle du problme esclave est note c .
n = argmin{ BI (m) : m un nud}
BI (n) BS ?
oui
Stop
non
Rsoudre MP
restreint : Z
Z < BS et entire ?
Ajouter les colonnes

MP restreint
Z > BI (n) ?
oui
BS := Z
non
oui
Z + Kc > BI (n) ?
oui
EP rsolu
loptimum : c ?
Crer les nuds fils
avec BI ( f ils) := Z
Rsoudre EP
oui
BI (n) := Z + Kc
oui
colonnes de
cot ngatif ?
non
F IG . 4.1: Mthode de Sparation et valuation Progressive par Gnration de Colonnes
77
4.1.3 Adaptation de la rsolution du problme esclave

La rsolution du problme est base sur une simple adaptation au cas plus gnral
de ESPPRC, de lalgorithme 1 de la section 2.3.2. Notre algorithme est donc dfini par
les rgles dextension et de dominance des chemins partiels issus du dpt de dpart.
Dautres auteurs ont dj utilis cette approche (Sol, 1994; Sigurd et al., 2004b; Ropke,
2005).
Relativement un chemin partiel ch, dont le sommet terminal est not etch , nous
dfinissons les trois ensembles de requtes suivants : les requtes en cours (ou ouvertes)
par lquation (4.22), les requtes servies (ou fermes) encore atteignables par lquation
(4.23) et les requtes inatteignables cause de la ressource T par lquation (4.24). La
quantit de la ressource X (X = F pour le flux de passagers, X = T pour la dure de
transport et X = C pour le cot) consomme sur tout le chemin partiel ch est note Xch .
On note U F O(ch) = U (ch) F (ch) O(ch).
O(ch) = {r R : r + ch, r 6 ch} (4.22)

sup
F (ch) = {r R : r + , r ch, Tch + Tetch r+ + Tr+ r Tr } (4.23)
sup
sup
U (ch) = {r R : r + 6 ch, Tch + Tetch r+ > Tr+ ou Tch + Tetch r+ + Tr+ r > Tr } (4.24)
4.1.3.1
Extension dun chemin partiel
Pour chaque ressource X, nous dfinissons une fonction dextension re f X (ch, (vetch , v j ))
dun chemin partiel ch travers un arc (vetch , v j ). Daprs les quations (4.25) et (4.26),
on constate aisment que chaque fonction dextension est croissante2 . La formule (4.27)
intgre la fonction dextension du cot, exprime par le cot de chaque arc et les valeurs duales issues du problme matre. Les valeurs initiales au dpt de dpart des
trois fonctions dextension sont nulles.
o
n
in f
re f T (ch, (vetch , v j )) = max Tch + Tetch j , Tj
re f F (ch, (vetch , v j )) = Fch + Fetch j
Cch + Detch j si j = R 1
j
re f C (ch, (vi , v j )) =
C + Detch j si j R+
ch
Cch + Detch j
sinon
(4.25)
(4.26)
(4.27)
Lors de la phase dextension nous contrlons aussi lensemble des contraintes structurelles de prcdence, de couplage et dlmentarit. La contrainte de couplage parat
2
Nous considrons ici la croissance de la fonction par rapport aux niveaux de consommation de la
ressource et non pas par rapport aux niveaux dextension du chemin partiel.
78
essentielle car elle rduit trs fortement le nombre de tournes ralisables. Le maintien
pour chaque chemin partiel de lensemble des requtes en cours permet de garantir prcdence et couplage par simple parcours de cet ensemble. Llmentarit ncessite de
connatre aussi les requtes finies encore atteignables (par rapport au temps). Certains
auteurs, comme Ropke (2005), ne grent pas directement cette contrainte et rsolvent un
SPPRC. En effet, il est probable que peu de tournes non lmentaires soient gnres.
Le fait de conserver les requtes en cours implique que la prsence dun cycle quivaut
la possibilit de servir deux fois entirement une mme requte. Ceci est improbable
dans un problme aux fentres de temps relativement serres. Cependant, un tel tat
de fait signifie aussi que lensemble des requtes accomplies atteignables (F (ch)) est
constamment de petite taille pour une tourne partielle. De plus, cet ensemble permet
de renforcer les critres de dominance, comme nous le montrons dans la section sur la
dominance. Aussi, indpendamment de son utilisation pour le respect de la contrainte
dlmentarit, nous conservons lensemble des requtes atteignables.
Une fois le sommet atteint par lextension, une mthode idale de validation de
lextension serait de rsoudre le TSPTW (le problme du voyageur de commerce avec
fentres de temps) passant par toutes les livraisons des requtes en cours et finissant au
dpt. Ce problme est NP-difficile mais sa rsolution reste envisageable pour des ensembles de requtes en cours de trs petite taille. Dumas et al. (1991) puis Ropke (2005)
rsolvent ce TSPTW sur des sous-ensembles de 3 requtes avec un fort gain en temps
de calcul, 50% en moyenne (ces comparatifs tant effectus sans lutilisation dautres
amliorations de la mthode). Nanmoins, sans retenir cette approche, nous proposons des rgles de validation plus souples bases sur une estimation (borne infrieure)
sur la dure des arcs entrants minimaux aux livraisons des requtes en cours, partir
dune date donne. Au dpart dun sommet i la date t, nous notons cette estimation
entrantMin(i, t).
Lalgorithme 3 ralise lextension du chemin partiel pere par larc (vy , v x ) (o x est
un service de la requte r). Le chemin partiel obtenu est not ch. On a et pere = vy et
etch = v x .
On commence par tendre les ressources (ligne 1) et contrler le respect des fentres
associes (lignes 2 5). La variable r_servie sert identifier si la requte r est bien ouverte. Lorsque x = r , r_servie doit tre vrai (ligne 18). Ensuite (lignes 7 8), on
initialise f in qui est une borne infrieure sur la date de fin des extensions de ch, et
maxTsup qui est une borne suprieure sur la plus grande date de livraison au plus tard
des requtes ouvertes de ch. Bien sr, si f in est suprieur maxTsup (ligne 22) aucune
extension de ch nest valide ; ch peut donc tre ignor. Dans la boucle des lignes 9 17,
on parcourt les requtes ouvertes de pere pour crer O(ch). On contrle que la requte r
ne soit pas ouverte si x est son ramassage (ligne 11), que les livraisons des requtes ouvertes soient atteignables (ligne 14). On met jour les variables f in, maxTsup et r_servie.
la ligne 18, on vrifie que r soit ouverte si x est la livraison de r. Si atteindre la livraison r est possible, on peut dbuter la requte r (lignes 19 21). Enfin, des lignes 23
26, on construit lensemble des requtes fermes encore atteignables (par rapport au
temps) de ch et on contrle ne pas avoir dj servi r (ligne 24).
79
Algorithme 3 : Algorithme dextension dun chemin partiel
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
Donnes : Un chemin partiel pere et un arc dextension (vy , v x ), x un service de la

requte r.
Rsultat : Le chemin partiel tendu ch ou un chec.
Fch := re f F ( pere, (vy , v x )) ; Tch := re f T ( pere, (vy , v x )) ; Cch := re f C ( pere, (vy , v x ));
si Fch < 0 alors chec;
sup
si Fch > Fx alors chec;
sup
si Tch > Tx alors chec;
sup
si x = r + et Tch + Tr+ r > Tr alors chec;
r_servie := f aux;
f in := Tch ;
maxTsup := T;
pour chaque i O( pere) faire
si i = r alors
si x = r + alors chec;
r_servie := vrai;
sinon
sup
si Tch + Txi > Ti alors chec;
f in = f in + entrantMin(i , Tch );

sup
maxTsup = max Ti , maxTsup ;
O(ch) i;
si x = r et r_servie = f aux alors chec;
si x = r + alors f in := f in + entrantMin(r , Tch );

sup
maxTsup := max Tr , maxTsup ;
O(ch) r;
si f in > maxTsup alors chec;
pour chaque i F ( pere) faire
si i = r alors chec;
sup
si Tch + Txi+ + Ti+ i Ti alors F (ch) i;
sup
si x = r et Tch + Tr r+ + Tr+ r Tr alors F (ch) i;
80
Afin dacclrer la phase dextension en dtectant les checs le plus tt possible, les
ensembles O et F sont tris dans lordre croissant de leur date de ramassage au plus
tard.
4.1.3.2
Dominance
Une rgle de dominance doit permettre dliminer le chemin domin sans perdre
la possibilit dobtenir une solution optimale. La relation de dominance est base sur
les deux rgles suivantes. Un chemin ralisable par rapport aux ressources arrivant
au dpt darrive domine tous les chemins arrivant au dpt darrive avec un cot
suprieur. Et, un chemin ch domine un chemin ch , si pour toute extension ext(ch ) de
ch , il existe une extension de ch dominant ext(ch ). La relation de dominance est antisymtrique et transitive. La proprit de transitivit donne tout son intrt lutilisation
de relations de dominance dans un algorithme de programmation dynamique, qui sans
dominance, construit toutes les solutions ralisables. Au plus une rgle de dominance
est forte, au plus elle permet dliminer des solutions de la recherche. Il est donc important dutiliser des rgles de dominance fortes sans toutefois, tre trop coteuses en
temps de calcul. cause des contraintes de consommation de ressources (structurelles
comprises), il est a priori difficile de dterminer sil y a dominance entre deux chemins
partiels quelconques.
Nous prsentons, ici trois rgles de dominance. Ces trois rgles, R1, R2 et R3, stablissent entre des chemins ayant la mme extrmit terminale. La premire rgle R1
(quations (4.28 4.32)), considre le cas o ch , par lquation (4.30), ne peut pas tre
tendu en servant une requte dj servie par ch ; soit parce que ch la dj servie, soit
parce quil est trop tard. Les requtes ouvertes tant les mmes et ch arrivant plus tt
en etch , il est clair que ch domine ch car toute extension de ch est ralisable partir de
ch qui a un cot infrieur.
R1 :
etch = etch
(4.28)
Tch Tch
(4.29)
F (ch) U (ch ) F (ch )

O(ch) = O(ch )
Cch Cch
(4.30)
(4.31)
(4.32)
Cette rgle de dominance sapplique ds lors que les fonctions dextension sont
croissantes mme lorsque les cots ne respectent pas lingalit triangulaire. Nous remarquons que lgalit entre les requtes en cours implique lgalit des flux de passagers, Fch = Fch . Linconvnient de R1 est quelle oblige ch et ch a une grande similarit
(O(ch) = O(ch )). Cet inconvnient est vit par la rgle R2 dfinie par les rgles (4.33)(4.37).
81
R2 :
etch = etch
(4.33)
Tch Tch
(4.34)
(4.35)
F (ch) U F O(ch )
O(ch) O(ch )
Cch Cch
(4.36)
(4.37)
la diffrence de R1, R2 impose simplement par la rgle (4.36) aux requtes ouvertes pour ch de ltre aussi pour ch . On en dduit lgalit (4.38) sur les flux de
passagers qui garantit que la contrainte de flux peut-tre nglige lors de la recherche
dextensions de ch dominant celles de ch .
(4.38)
Fch + Fr+ {O(ch )\O(ch)} = Fch
La rgle (4.35) assure que les requtes servies par ch ne puissent pas commences
tre servies ultrieurement par une extension de ch . Pour que R2 soit valide, il faut
non seulement que les fonctions dextension des ressources soient croissantes ; mais
aussi quelles soient valeurs positives sur les arcs autoriss ch et interdits ch ; et
que lingalit triangulaire sur toutes les ressources (temps, flux de passagers et cot)
soit respecte dans les triangles dont le sommet intermdiaire est une livraison. Or, en
r
propre une requte r, uniquement au
intgrant la valeur de la variable duale rho
niveau du cot des arcs sortants du ramassage, les conditions sont remplies si les cots
du problme original sont positifs et respectent lingalit triangulaire. La figure 4.2
illustre cette conservation partielle de lingalit triangulaire avec des cots dorigine
respectant lingalit triangulaire.
k R :
u =
u
0
si u R+
si u R
CRkj
CRik
i
j
CRij
bicij (k ) = CRik k + CRkj CRij + 0
F IG . 4.2: Ingalit triangulaire conserve dans EP au niveau des livraisons
R2 est videmment plus forte que R1 car toute dominance prouve par R1 est aussi
prouve par R2. Un inconvnient de cette rgle apparat lorsque, suite par exemple
des branchements ou des rductions du graphe, lutilisation darcs est force ou interdite. Le chemin ch peut se voir interdire laccs certains services accessibles pour des
extensions de ch . Il suffit pour cela quun service ne soit plus accessible, suite des
82
rductions de graphe, que par des arcs issues de livraisons de requtes de lensemble
O(ch ) \ O(ch).
Enfin, nous dfinissons avec les rgles (4.39)-(4.42), une dernire rgle de dominance
R3, o BIC2 ( E) est une borne infrieure sur le cot gnr par des dtours mettant en
cause le ramassage et la livraison des requtes de lensemble de requtes E. BIC1 ( E)
est le mme type de borne restreint aux seules livraisons de E. Dans la rgle (4.42),
les deux bornes nont pas le mme statut, BIC1 prend en compte des dtours par des
livraisons obligatoires pour ch vers lesquels ch ne peut pas tre tendu sans effectuer le
ramassage relatif. Cest pourquoi, cette borne est comptabilise quelque soit son signe.
linverse, les extensions de ch par des requtes entires de F (ch) considres dans
BIC2 ( E), ne sont pas imposables toute extension de ch . La borne infrieure BIC2 ( E)
est donc ngative ou nulle.
R3 :
etch = etch
(4.39)
Tch Tch
(4.40)
O(ch) O(ch )
Cch Cch + BIC1 (O(ch ) \ O(ch)) + BIC2 (F (ch) \ U F O(ch ))
(4.41)
(4.42)
Lintrt de R3 par rapport R2, est quelle fonctionne avec des cots ngatifs, ne
respectant pas lingalit triangulaire. R3 reste valide malgr la suppression de certains
arcs. Ces suppressions sont prises en compte dans la rgle (4.42) ; ventuellement en
fixant la borne infrieure pour les dtours ((vi , vk ), (vk , v j )) des arcs (vi , v j ) supprims.
Nous proposons une mthode gnrique pour calculer ces bornes infrieures. Nous
notons bicij (k1 , k2 , . . . , k n ) le cot minimum engendr par un dtour entre vi et v j passant par la suite de livraisons (vk1 , vk2 , . . . , vkn ). Le cot bicij (k1 , k2 , . . . , k n ) est donn par
la formule (4.43) o CRij reprsente le cot de larc (vi , v j ) dans le problme esclave. Il
en dcoule lgalit (4.44). La figure 4.3 illustre le cas dun dtour par deux livraisons
k1 et k2 entre les services i et j.
bicij (k1 , k2 , . . . , k n ) = CRik1 + CRk1 k2 + + CRkn1 kn + CRkn j CRij
bicij (k1 , . . . , k n ) = bicij (k1 , . . . , k n1 ) + bickn1 j (k n )
(4.43)
(4.44)
Par dfinition, bic(k1 , . . . , k n ) est le minimum des cots pour tous les dtours passant
par (vk1 , vk2 , . . . , vkn ) (quation (4.45)).
bic(k1 , . . . , k n ) = min bicij (k1 , . . . , k n )
(vi ,v j )A
83
(4.45)
vk1
vk2
bicij (k1 , k2 ) = bicij (k1 ) + bick1 j (k2 )
vi
vj
F IG . 4.3: Cot du dtour par k1 et k2 de i vers j
On a donc lingalit (4.46).

n
bic(ki ) bic(k1 , k2 , . . . , kn )
(4.46)
i =1
Il est alors facile de conclure que le cot minimal produit par les dtours dus aux
lments de O(ch ) \ O(ch) est suprieur donc moins bon pour une minimisation
la somme des cots minimaux de chaque livraison de O(ch ) \ O(ch), ce qui se traduit
par lingalit (4.47)).
bic(r ) BIC1 (O(ch ) \ O(ch))
(4.47)
r O(ch )\O(ch)
De mme, le cot associ aux requtes de F (ch) \ U F O(ch ) est minor par la
somme des cots ngatifs de ces requtes, comme dans lingalit (4.48).
min(0, bic(r + ) + bic(r )) BIC2 (F (ch) \ U F O(ch ))
(4.48)
r F (ch)\U F O(ch )
Lutilisation de rgles de dominances errones , cest--dire pouvant liminer des

chemins partiels dominants, permet de construire des heuristiques. Ce procd est,
notre connaissance, peu rpandu. Lorsque les tournes optimales contiennent beaucoup de requtes, la programmation dynamique peut tre est assez longue les trouver car elle explore beaucoup de tournes plus courtes avant de construire de longues
tournes. Une rgle de dominance privilgiant les tournes ayant effectu le plus de
services est alors envisageable, par exemple en comparant les cardinaux des ensembles
de requtes fermes et ouvertes quitte affaiblir les rgles sur le temps et le cot. Pour
notre part, nous avons prfr ne pas liminer de chemins partiels ventuellement inclus dans une solution optimale du problme esclave, et avons uniquement agi sur
lordre de traitement des chemins partiels (section 4.1.3.4) et en limitant temporairement lextension de certains chemins partiels (section 4.1.3.5).
4.1.3.3
Rduction du graphe
En prtraitement, on peut rduire la taille du graphe en supprimant des arcs qui

sont inutilisables.
84
Les arcs de G reprsentent des connexions entre paires de services. Pour des services de requtes diffrentes, de telles connexions sont possibles si une des six configurations de la figure 4.4 entre les quatre services de deux requtes mettant cet arc en jeu,
est possible. Des fentres de temps serres et des carts importants entre ramassage et
livraison rduisent fortement la densit du graphe. Ce prtraitement est fait une seule
fois et reste valide pour toutes les itrations du problme esclave.
i+
j+
i+
j+
F IG . 4.4: Les six configurations pour servir deux requtes
Une requte r peut tre supprime de (EP) en fonction de la valeur de sa variable

r
qui peut rendre improbable sa prsence dans une solution optimale
duale associe rho
de (EP).
La rduction du graphe peut tre aussi utilise comme heuristique par le retrait puis
lajout progressif darcs pouvant appartenir une solution optimale. De nombreuses
stratgies sont proposes. Dumas et al. (1991) conservent un pourcentage des meilleurs
arcs, Ropke (2005) limite le nombre de ramassages et de livraisons succdant chaque
service. L-encore, nous pensons que la mthode de restriction temporaire de certaines
extensions prsente dans la section 4.1.3.5, permet un comportement de lalgorithme
de rsolution quivalent.
4.1.3.4
Gestion des chemins partiels
Lordre dans lequel sont traits les chemins partiels a une influence sur la rapidit
avec laquelle lalgorithme va trouver des routes satisfaisantes. Les chemins partiels sont
dans une liste de priorit. La priorit peut correspondre un tri croissant suivant le
temps consomm pour les chemins. Ce tri est adapt lorsque des solutions cot rduit
ngatif sont difficiles obtenir puisquil favorise les chemins partiels ayant le moins de
chances dtre domins par la suite ; do laccroissement de la performance de la dominance. Cependant, afin damliorer les performances lorsque les seules bonnes routes
85
sont longues (en nombre de services) et assez nombreuses, nous trions les chemins partiels suivant leur cot rduit, favorisant ainsi les tournes prometteuses en terme de
cot. Si aprs un temps de calcul paramtr lavance en fonction de la taille de linstance, aucun chemin de cot ngatif na t trouv, nous utilisons un ordre bas sur le
temps.
En fixant une limite au nombre de chemins partiels en attente de traitement, Ropke
(2005) rsolvent de manire heuristique le problme esclave base sur la gestion des
chemins partiels.
4.1.3.5
Recherche limitation dcarts (LDS)
Lextension dun chemin partiel vers tous les successeurs de son extrmit terminale
provoque, malgr la dominance, une explosion rapide du nombre de chemin partiels
traits. Nous proposons dutiliser une mthode permettant de limiter le nombre de successeurs vers lesquels lextension des chemins partiels est ralise. Cette mthode dite
de recherche limitation dcarts (de langlais Limited Discrepancy Search ou LDS) propose par Harvey et Ginsberg (1995), part du principe que lorsquune heuristique de
branchement dans une recherche arborescente naboutit pas, le nombre de retours en
arrire correspondant de mauvais choix est assez faible. Ce procd a t utilis
pour le VRPTW par Rousseau et al. (2004). Pour notre problme, cela revient penser
quune bonne tourne est compose de bonnes liaisons entre services voisins respectant des rgles conomiques et de seulement quelques liaisons ne respectant pas
ces rgles. Nous dfinissons donc un critre permettant de slectionner des successeurs
prometteurs chaque service. Nous dfinissons aussi le nombre maximal de mauvaises
liaisons que peut contenir une tourne. Lextension dun chemin partiel se fait alors vers
tous les bons successeurs et vers tous les autres si la limite de mauvaises liaisons
nest pas atteinte par ce chemin partiel. Nous appelons les chemins partiels nayant pas
t tendus vers tous leurs successeurs, des chemins partiels limits . Si la fin de
lalgorithme aucune colonne de cot ngatif nest trouve, il est relanc partir des
chemins partiels limits avec une limite dcarts augmente. La recherche limitation dcarts fournit ainsi une mthode exacte combinant chaque itration les effets
dune rduction du graphe avec ceux dune limitation du nombre de chemins partiels
tudis.
Lapplication du LDS la recherche de chemins lmentaires de longueur 3 est illustre par la figure 4.5 qui retrace les deux premires itrations de lalgorithme. Le poids
indiqu sur les arcs reprsente le nombre dcarts cumuls pour arriver jusqu lextrmit terminale du chemin finissant par cet arc. Toute extension atteignant la limite
dcarts nest pas effectue. Lors de la premire itration, cinq extensions (dont lavant
dernier sommet est entour et dont larc terminal est en gras) sont limites car elles
atteignent la limite dcarts de 2. Ces extensions sont effectues lors de litration suivante, et ce sont les extensions atteignant la limite dcarts de 3 qui sont alors limites . Dans cet exemple, lorsquune extension vers un bon voisin est impossible
cause de la contrainte dlmentarit par exemple on considre toujours la destination de cette extension comme un bon voisin. Les arcs marqus dune croix reprsentent
86
Premire itration : limite dcarts 2
y
z
x
z
x
y
0
1
x
y
z
0
1
1
1
2
1
2
Chemins limits : (y) ; (z) ; (x,z) ; (y,x)

Chemins : (x,y,z) ; (z,x,y)
Deuxime itration : limite dcarts 3
x
y
z
y
z
x
z
x
y
Chemins limits : (y,z) ; (z,y)

Chemins : (x,z,y) ; (y,x,z) ; (y,z,x) ; (z,y,x)
1
1
2
1
2
1
2
2
2
2
3
2
2
3
x
z
x
y
y
z
y
z
z
y
z
x
y
y
z
x
z
F IG . 4.5: Recherche de chemins lmentaires par un LDS paramtr 1 bon voisin
des extensions violant la contrainte dlmentarit.

Une des difficults dadaptation de cette mthode aux problmes de type PDPTW
est de trouver une cohrence entre les bons voisins du ramassage et ceux de la livraison
dune mme requte. Cest pourquoi plutt que de fixer un nombre de bons voisins, et
afin de nous assurer que les liaisons correspondantes une bonne configuration dune
paire de requte (voir la rduction du graphe section 4.1.3.3) soient considres comme
bonnes pour chaque service concern, nous limitons les carts uniquement vers des
ramassages et ralisons systmatiquement toutes les extensions vers les livraisons.
Le choix du critre de dtermination des bons voisins est aussi important. Il peut
tre calcul en fonction dune conomie sur la fonction objectif du problme matre ou
sur la consommation dune ou de plusieurs ressources particulirement contraignantes.
Nous y incluons aussi les variables duales associes aux requtes afin dintgrer la fonction objectif du problme esclave dune part et dautre part, apporter un peu de diversification dune itration lautre. Dans le cas de la minimisation de la distance, le critre
dvaluation des successeurs dun ramassage i est donn par la formule (4.49) si on
tient compte uniquement de la fonction objectif, et la formule (4.50) si on tient compte
de la ressource temps.
j
min { Dij }
(4.49)
jR+ R
in f
min { Tij + Tj
jR+ R
87
(4.50)
4.1.3.6
Rsolution bidirectionnelle
Rsoudre le SPPRC ou le ESPPRC, par programmation dynamique, en tendant

simultanment des chemins partiels allant du dpt de dpart vers celui darrive
et dautres chemins partiels ralisant le trajet inverse, rduit fortement le nombre de
chemins partiels considrer (Righini et Salani, 2006). En effet, la concatnation de
deux chemins partiels de types diffrents permet de trouver des chemins assez longs
moindre cot en temps de calcul. Cependant, la prsence de contraintes de couplage et
de prcdence entre les ramassages et les livraisons dune mme requte rend la concatnation de chemin moins performante car souvent gnratrice de tournes invalides.
Mme si lapproche bidirectionnelle reste une piste damlioration tudier dans le cas
de problmes de type Ramassage & Livraison, nous nous contentons dune approche unidirectionnelle. Nanmoins, dans le soucis dapporter un peu de diversification dans les
colonnes remontes, nous rsolvons le problme en partant alternativement du dpt
de dpart et de celui darrive. Il suffit dadapter lensemble des rgles dextension et
de dominance un parcours invers.
4.1.3.7
Utilisation des tournes connues
Les tournes prsentes dans le problme matre peuvent servir de base des heuristiques pour trouver de nouvelles tournes ayant un cot rduit ngatif. Parmi les
tournes du problme matre on sintresse aux tournes possdant les plus petits cots
rduits. On peut esprer quaprs quelques modifications leur cot rduit devienne ngatif. Nous proposons un algorithme calculant la tourne de moindre cot dans un
certain voisinage dune tourne dorigine bas sur la mthode de programmation dynamique. Lide est de conserver uniquement les requtes ayant une valeur duale leve dans lordre fourni par la tourne dorigine. Ensuite, si la squence ainsi obtenue
contient assez de requtes (nous avons retenu la valeur 3 dans nos tests), en utilisant
une adaptation de lalgorithme 1 prsent dans les paragraphes prcdents, nous rsolvons un problme identique au problme esclave auquel on ajoute la contrainte de
respecter la squence construite partir dune tourne existante. Cela se traduit par une
contrainte supplmentaire sur lextension des chemins partiels :
tant donn i et j deux services successifs dans la squence, si i est le dernier service du
chemin partiel appartenant la squence, alors toute extension vers un autre service
que j doit pouvoir atteindre j lextension suivante.
La squence renforce les contraintes de fentres de temps sur les services la composant
(voir les quations (3.25) et (3.26)). Et, assurer lextension vers le successeur du dernier
service de la squence prsent dans un chemin partiel assure laccessibilit tous les
autres services de la squence dans le bon ordre. Les principales tapes de lheuristique
sont reprsentes dans la figure 4.6.
On reprsente la squence par une ressource P dont la valeur est lidentifiant du prochain sommet atteindre pour valider la squence. La fonction dextension de P dun
chemin partiel ch travers larc (vi , v j ) est donne par la formule (4.51), o successeur ( x )
est lidentifiant du sommet succdant x dans la squence, note Sequence. La contrainte
88
Slectionner
les tournes
de cot rduit
nul
Calculer les
fnetres de temps
lies la
squence
Retirer
les requtes
de valeur duale
ngative
Rsoudre le
ESPPRC
avec la contrainte
de squence
F IG . 4.6: Rsolution heuristique du problme esclave
(4.52) est impose sur cette ressource. Nous nadaptons pas les rgles de dominances et
conservons les mmes que pour la rsolution complte.
successeur ( Pch ) si j = Pch

P
si j 6 Sequence \ { Pch }
re f P (ch, (vi , v j )) =
ch
chec
sinon
sup
Tch + TjPch TPch
(4.51)
(4.52)
Dans notre implmentation, illustre dans la figure 4.7, les requtes conserves pour
former la squence sont celles dont la valeur duale associe est (strictement) positive.
Les tournes du problme matre slectionnes sont celles ayant le plus petit cot rduit, cest--dire zro. Parmi ces tournes, on trouve celles composant la solution courante (si elle existe) et celles reprsentant les autres variables de base. Aprs plusieurs
itrations, les tournes de la solution, outre le fait davoir un cot rduit nul, peuvent
tre espres intressantes pour lobtention de la solution optimale et les autres tournes de base pour lobtention de la preuve doptimalit.
Dautres mthodes permettent dutiliser les tournes dj calcules. De nombreuses
heuristiques ou metaheuristiques semblent applicables comme des algorithmes de suppression/insertion et de recherche locale (Savelsbergh et Sol, 1998) ou de recherche
grand voisinage (Ropke, 2005). Ces deux heuristiques savrent aussi trs efficaces dans
des versions de construction classique. Cependant, comme nous le constatons dans la
section 4.2 et dans Garaix et al. (2007), lintgration de certains critres de qualit de service originaux rend parfois le temps de calcul des oprateurs de voisinage classiques
exponentiels et donc peu pertinents. Une autre mthode construit directement des chemins partiels partir de tournes connues. En cours de rsolution, par programmation
dynamique par exemple, ces bouts de tourne (ou metaextend en anglais) peuvent
tre concatns aux chemins partiels en construction. Rousseau et al. (2004) utilisent
cette mthode dans le cadre de la rsolution dun VRPTW. Comme pour la rsolution
bidirectionnelle, les contraintes de couplage et de prcdence risquent dtre un frein
lefficacit de cette mthode.
4.1.4 Rsultats sur des problmes standard de la littrature

Il nexiste pas lheure actuelle de jeu dinstances rfrent pour le DARP. Ceci sexplique en partie par le lien troit unissant ce problme des applications pratiques, qui
89
Problme Matre
non
Construction de tournes
partir des colonnes
de cot rduit nul
chemins
limits ?
non
colonnes de
cot ngatif ?
oui
oui
Inverser le sens
de rsolution
oui
temps de calcul oui
trop long ?
colonnes de
cot ngatif ?
limite dcart+1
non
Construction et rduction
du graphe
Trier les chemins

suivant leur dure
Rsolution par
programmation dynamique
bons voisins:= 2
limite dcart:= 1
F IG . 4.7: Rsolution du problme esclave par programmation dynamique
90
prsentent des caractristiques assez diffrentes pour produire des instances de DARP
peu gnriques. Cordeau (2006) met disposition deux sries dinstances de DARP
construites alatoirement dans un repre euclidien de 20 20. Malheureusement, elles
correspondent un DARP sortant du cadre que nous nous sommes fixs. Pour ces instances, la dure de transport des passagers doit respecter une borne prdfinie, par
contre les fentres de temps associes aux ramassages et aux livraisons sont de grande
taille. Dans le DARP que nous considrons, la dure de transport est contrainte par
des fentre de temps assez serres pour la ralisation des services. De plus, la prise en
compte de faon efficace dans notre mthode de la contrainte sur la dure de transport
telle quelle est formule dans les instances de Cordeau, nest pas aise. Cette dernire
sadapte en effet assez mal une rsolution du problme esclave par programmation
dynamique.
Afin dvaluer la performance de notre implmentation, nous lavons teste sur la
srie 1 des instances de PDPTW de Li et Lim (2001) 50 requtes (environ), qui correspondent un horizon de temps court entre 0 et 250 (sauf pour la classe c qui a un
horizon de 1200). Ces instances sont construites partir de solutions des instances 100
requtes de Solomon pour le VRPTW (Solomon, 1987). Ces instances sont elles aussi
reprsentes dans un plan euclidien, et la distance en temps et en espace entre deux
services est gale la distance euclidienne sparant leurs deux sommets reprsentatifs.
Elles sont divises en trois classes, r pour random (alatoires), c pour cluster (groupes)
et rc un mlange des deux. Les ramassages des instances de Solomon ne pouvant pas
tre couples avec un autre ramassage pour former une requte de type ramassage et
livraison, sont transformes en des requtes o ramassage et livraison sont confondus.
La dure des services est de 10 pour r et rc et de 90 pour c. La proportion de services
contraints par une fentre de temps est de 25%, 50%, 75% ou 100%. Les 25 vhicules
sont identiques, bass au mme dpt et de capacit 200 ; ce qui permet en pratique de
relcher les contraintes sur le nombre de vhicules et sur la capacit.
La fonction objectif choisie est la minimisation de la distance totale parcourue, car
elle permet de se comparer en terme defficacit certains travaux sur le PDPTW et
est un bon reprsentant des critres de qualit de service dfinissables par la somme
du poids des arcs emprunts. Les rsultats obtenus sont compars avec la variante
SP4 de la mthode de sparation et valuation par gnration de colonnes et coupes
de Ropke (2005), qui est notre connaissance la plus performante sur ces instances.
Comme Ropke (2005), nous imposons une dure maximale de calcul de 2 heures. Les
solutions primales et duales du problme matre sont obtenues par un solveur du commerce : CPLEX 9.0 en mode Dual, cest--dire par lalgorithme du simplexe. Lordinateur utilis est un portable sous Linux cadenc 800 Mhz et possdant 512 Mo de RAM.
Les rsultats obtenus apparaissent dans le tableau 4.1. Pour toutes les instances, une
solution optimale, colonne dist., est obtenue avec une preuve doptimalit, sauf pour
linstance lc104 dont la preuve doptimalit est obtenue aprs 2 heures. Le temps
de calcul est donn dans la colonne sec. avec entre parenthses le temps de calcul avec
lutilisation dune heuristique dinitialisation dont la meilleure solution se trouve dans
la colonne heu. s(opt) donne le temps de calcul pour obtenir la solution optimale. La
colonne veh. correspond au nombre de vhicules utiliss. MP% donne le pourcentage
91
F IG . 4.8: Les 3 classes dinstances de Li et Lim
92
nom
lr101
lr102
lr103
lr104
lr105
lr106
lr107
lr108
lr109
lr110
lr111
lr112
lc101
lc102
lc103
lc104
lc105
lc106
lc107
lc108
lc109
lrc101
lrc102
lrc103
lrc104
lrc105
lrc106
lrc107
lrc108
veh.
19
17
13
9
14
12
10
9
11
10
10
9
10
10
10
10
10
10
10
10
10
15
12
11
10
13
11
11
10
dist.
1650,8
1487,6
1292,7
1013,4
1377,1
1252,6
1111,3
969,0
1209,0
1159,4
1108,9
1003,8
828,9
828,9
827,9
818,6
828,9
828,9
828,9
826,4
827,8
1703,2
1558,1
1258,7
1128,4
1637,6
1424,7
1230,1
1147,4
sec.
0
4
39
X
1
4
149
1293
7
3041
36
X
1
14
490
X
3
8
11
38
58
1
4
68
X
2
2
22
68
s(opt)
0
2
8
871
1
2
37
161
5
27
20
6065
1
8
438
0
2
7
7
22
36
0
3
56
6857
2
2
19
44
MP%
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
-0,1
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
-0,1
0,0
0,0
0,0
0,0
0,0
0,0
0,0
n.
1
1
1
1
1
1
1
1
1
5
1
1
1
1
1
1
1
1
1
1
1
5
1
1
1
1
1
1
1
heu%
1,9
9,7
6,8
11,1
6,0
8,4
12,0
15,5
5,9
9,9
10,8
18,6
0,0
0,0
4,2
4,9
0,0
0,0
0,0
0,0
0,0
2,3
5,0
14,6
11,4
6,0
10,8
17,9
7,3
heu s.
0
6
28
314
1
3
21
1373
6
2311
11
2552
1
7
61
X
2
7
9
15
35
1
2
10
139
1
2
15
46
SP4 d.
1650,8
1487,6
1292,7
1013,4
1377,1
1252,6
1111,3
969,0
1209,0
1135,9
1108,9
975,6
828,9
828,9
827,9
818,6
828,9
828,9
828,9
826,4
827,8
1703,2
1558,1
1258,7
1128,4
1637,6
1424,7
1230,1
1147,4
TAB . 4.1: Rsultats sur les instances de Li et Lim 50 requtes
93
SP4 s.
14
21
37
197
16
14
35
182
85
X
253
X
14
76
100
X
39
56
114
78
111
41
22
263
407
23
52
90
938
dcart entre la valeur optimale de la relaxation linaire du problme matre. Ce dernier

est presque toujours nul sauf pour deux instances pour lesquelles on donne le nombre
de nuds crs (ils ne sont pas tous valus) dans la recherche arborescente (colonne
n.). Les deux dernires colonnes concernent la mthode SP4 de Ropke et al. (2007) et
donnent la meilleure solution obtenue avec le temps de calcul, ou la borne infrieure
(en italique) obtenue le cas chant.
De lobservation des deux tableaux de rsultats 4.1 et de caractristiques 4.2, on
constate que notre mthode est assez performante sur les instances possdant les contraintes les plus serres. Pour les autres instances, lheuristique de construction de tournes pallie un peu linefficacit de notre algorithme. Mais quoiquil en soit, la rsolution de ce type dinstances trs peu contraintes ne nous intresse pas directement. Dans
tous les cas, la qualit de la borne fournie par la relaxation linaire du problme matre
est excellente et les temps de calcul sont comparables ceux de SP4 pour les instances
aux contraintes temporelles fortes.
partir des donnes de la littrature, celles de Cordeau et celles de Li et Lim, nous
avons driv de nouvelles instances aux contraintes de fentres de temps plus serres et
aux dures de service rajustes et gales au nombre de passagers ramasss (entre 1 et 6
pour les instances de Cordeau). Les tableaux 4.2 et 4.3 fournissent les caractristiques de
ces instances et de celles dorigine : le nom, le nombre de requtes, la largeur moyenne
des fentres de temps, lcartement moyen entre les fentres de temps du ramassage
in f
sup
et de la livraison dune mme requte (Tr Tr+ ), la densit du graphe et la quantit
moyenne transporter. La densit du graphe mesure le rapport entre le nombre darcs
inter services (dpts exclus) et le carr du nombre de ces services. Les arcs sont compts aprs avoir appliqu les procdures de rduction du graphe de la section 4.1.3.3. Le
nom des instances construites partir de celles de Li et Lim dbute par un g la place
dun l. Le nom des instances construites partir de celles de Cordeau est identique
loriginal prcd dun g ; le deuxime nombre y indique le nombre de requtes alors
que le premier indique le nombre de vhicules disponibles pour le problme dorigine.
Pour les requtes dont la date de ramassage au plus tt est non nulle, les fentres
de temps sont dduites partir de cette date et dun dtour maximal reprsentant un
tiers du plus court chemin en dure entre le ramassage et la livraison. Les fentres de
temps des autres requtes sont dduites partir des dates de livraison au plus tt, par
un procd similaire. Ces fentres de temps sont ensuite rajustes afin que toute requte puisse tre servie au plus tt, par un vhicule quittant le dpt la date 0. Afin
de conserver la ralisibilit de ces instances, la contrainte sur le nombre de vhicules
disponibles est relche. Les flux de passagers sont laisss lidentique pour les instances de Cordeau, cest--dire compris entre 1 et 6. Pour les instances de Li et Lim, le
flux de passagers est gal la partie entire suprieure du dixime du flux de la charge
dorigine.
Les rsultats des tableaux 4.4 et 4.5 illustrent lefficacit accrue de notre mthode
lorsque les contraintes de fentres de temps sont plus fortes. Ces rsultats ont t obtenus avec un ensemble initial de tournes vide et le coefficient dans la fonction objectif
de la tourne fictive passe-partout fix 3000.
94
nom
lr101
lr102
lr103
lr104
lr105
lr106
lr107
lr108
lr109
lr110
lr111
lr112
lc101
lc102
lc103
lc104
lc105
lc106
lc107
lc108
lc109
lrc101
lrc102
lrc103
lrc104
lrc105
lrc106
lrc107
lrc108
req.
53
55
52
52
53
52
52
50
53
52
54
53
53
53
52
53
53
53
53
53
53
53
53
53
54
54
53
53
52
largeur
5,72
9,68
5,70
42,32
6,41
73,45
5,77 118,70
5,49
26,72
6,17
45,84
7,21
79,84
6,99 122,13
6,77
53,30
5,82
73,45
5,66
72,07
6,41 107,90
2,66
57,68
2,84 231,78
3,00 412,11
3,18 708,52
2,63 116,56
2,76 152,33
2,86 179,97
2,84 235,99
2,62 346,52
6,18
27,99
6,90
58,17
5,51
88,32
5,84 124,76
6,74
45,32
6,80
52,68
6,05
76,29
6,45
96,40
cart
19,06
63,64
19,23
83,53
21,16 123,15
19,19 157,37
18,61
68,28
20,57
93,33
23,51 126,15
22,89 159,34
22,34
92,34
19,41 108,06
18,74 106,81
21,20 136,30
10,86 279,49
11,54 511,04
11,82 664,77
12,21 900,98
10,83 353,57
11,10 437,81
11,48 443,04
11,61 511,96
10,68 536,55
20,95
73,30
23,20 102,87
18,97 125,19
19,81 156,44
22,68
85,76
22,72
88,53
20,65 111,36
21,76 125,33
densit
0,0485 0,0450
0,0687 0,2193
0,0735 0,3931
0,0659 0,6629
0,0524 0,0954
0,0602 0,2046
0,0715 0,4205
0,0642 0,7108
0,0460 0,2601
0,0453 0,4212
0,0532 0,4118
0,0239 0,7723
0,1120 0,1096
0,1139 0,3224
0,1133 0,5484
0,0873 0,8127
0,1076 0,1776
0,1054 0,2592
0,1038 0,2973
0,1005 0,4069
0,0976 0,5721
0,0351 0,0724
0,0571 0,2411
0,0672 0,3930
0,0551 0,6139
0,0380 0,1591
0,0395 0,1822
0,0323 0,3580
0,0245 0,5323
flux
1,91 14,11
2,13 16,22
1,92 14,25
1,88 13,48
2,13 15,74
2,08 15,83
1,88 13,63
1,92 14,28
2,02 15,21
1,96 14,81
1,76 12,89
1,96 14,98
2,87 18,68
3,02 20,19
2,81 18,08
2,66 16,60
2,94 19,43
2,83 18,30
2,91 19,06
3,08 20,75
2,83 18,30
2,40 16,62
2,51 17,62
2,43 17,15
2,28 15,50
2,44 17,09
2,32 16,26
2,49 17,72
2,40 16,83
TAB . 4.2: Caractristiques des instances de Li et Lim originales et modifies (en gras)
95
nom
gb2-16
gb2-20
gb2-24
gb3-18
gb3-24
gb3-30
gb3-36
gb4-16
gb4-24
gb4-32
gb4-40
gb4-48
gb5-40
gb5-50
gb5-60
gb6-48
gb6-60
gb6-72
gb7-56
gb7-70
gb7-84
gb8-64
gb8-80
gb8-96
req.
16
20
24
18
24
30
36
16
24
32
40
48
40
50
60
48
60
72
56
70
84
64
80
96
largeur
5,48 369,45
4,72 376,20
5,65 369,26
5,34 369,41
4,74 375,49
5,70 366,19
5,34 382,87
6,04 381,08
4,55 382,60
5,08 389,88
5,21 364,10
4,76 353,09
5,66 380,11
5,54 363,17
5,44 394,09
5,48 372,33
5,50 371,50
5,20 367,11
5,46 383,64
4,65 369,35
5,69 376,03
4,82 377,94
5,01 378,71
5,01 362,89
cart
16,45 734,88
14,17 746,85
16,96 734,83
16,02 734,50
14,23 745,46
17,09 728,77
16,01 761,42
18,12 759,25
13,64 759,29
15,24 774,91
15,64 723,63
14,28 700,71
16,99 756,55
16,63 722,42
16,33 784,07
16,45 740,63
16,49 739,00
15,61 729,63
16,39 763,21
13,94 732,99
17,06 748,44
14,46 750,52
15,03 752,44
15,04 720,80
densit
0,1289 0,3496
0,1263 0,2094
0,1272 0,3056
0,1227 0,2863
0,1207 0,2782
0,1233 0,2883
0,1233 0,2660
0,1221 0,2021
0,1198 0,3116
0,1240 0,2729
0,1222 0,2266
0,1233 0,3064
0,1213 0,3447
0,1209 0,2824
0,1203 0,3899
0,1198 0,2632
0,1217 0,2892
0,1223 0,3020
0,1196 0,3100
0,1207 0,2770
0,1215 0,3299
0,1201 0,2947
0,1208 0,2775
0,1217 0,3355
flux
3,00 3,00
4,20 4,20
3,63 3,63
3,78 3,78
3,63 3,63
3,57 3,57
3,69 3,69
4,38 4,38
3,58 3,58
3,81 3,81
3,95 3,95
3,25 3,25
3,20 3,20
3,64 3,64
3,15 3,15
3,81 3,81
3,62 3,62
3,49 3,49
3,57 3,57
3,80 3,80
3,36 3,36
3,61 3,61
3,80 3,80
3,30 3,30
TAB . 4.3: Caractristiques des instances de Cordeau originales et modifies (en gras)
96
nom
gr101
gr102
gr103
gr104
gr105
gr106
gr107
gr108
gr109
gr110
gr111
gr112
gc101
gc102
gc103
gc104
gc105
gc106
gc107
gc108
gc109
grc101
grc102
grc103
grc104
grc105
grc106
grc107
grc108
veh.
24
22
17
25
25
18
17
27
23
25
21
27
9
9
13
28
11
13
13
12
17
22
19
17
27
25
20
29
30
dist.
1988,5
1927,2
1812,9
1897,6
2046,4
1864,0
1834,5
2125,7
1917,8
1961,4
1844,0
2182,2
1002,8
1060,9
1250,4
1982,2
1185,4
1244,7
1305,9
1191,3
1453,2
2290,9
2145,7
2055,4
2599,8
2543,2
2179,9
2632,9
2662,9
sec.
0
1
1
0
0
0
0
0
0
0
0
0
5
4
3
0
3
2
3
3
2
0
0
0
0
0
0
0
0
MP%
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
-0,6
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
nud
1
1
1
1
1
1
1
1
1
1
3
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
TAB . 4.4: Rsultats pour les instances de Li et Lim modifies
97
nom
gb2-16
gb2-20
gb2-24
gb3-18
gb3-24
gb3-30
gb3-36
gb4-16
gb4-24
gb4-32
gb4-40
gb4-48
gb5-40
gb5-50
gb5-60
gb6-48
gb6-60
gb6-72
gb7-56
gb7-70
gb7-84
gb8-64
gb8-80
gb8-96
veh.
5
6
4
3
6
7
6
4
6
7
8
9
7
8
10
8
9
10
11
12
12
11
10
12
dist.
294,3
314,0
443,7
309,9
369,7
524,4
600,5
314,3
395,5
515,6
653,7
695,6
676,9
832,4
1000,2
773,5
935,1
1058,4
924,1
986,9
1323,2
948,3
1132,8
1355,7
sec.
0
0
0
0
0
1
2
0
0
2
3
10
4
14
29
10
30
76
14
48
167
38
134
437
MP%
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
nud
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
TAB . 4.5: Rsultats pour les instances b de Cordeau modifies
98
4.2. Intgration des critres de qualit de service
La mthode propose se rvle assez performante sur des problmes standard pour
envisager de ladapter dautres critres doptimisation.
4.2
Intgration des critres de qualit de service
4.2.1 La distance totale parcourue

La distance totale parcourue est la somme des distances parcourues pour chaque
tourne. Mme si la distance parcourue dune tourne ne se dcompose pas par rapport
aux uniques requtes servies, elle est obtenue en sommant la distance parcourue entre
chaque service, dpts inclus. Ce critre rentre donc bien dans la troisime catgorie de
notre classification, voir la section 3.2. Ce critre est reprsentatif de nombreux autres
qui se calculent de faon similaire. Ce critre a un impact fort sur dautres comme la
dure totale de transport, le nombre vhicules utiliss et le cot dexploitation. Cest la
fonction objectif la plus souvent tudie et cest en loptimisant que nous avons valu
notre algorithme. Dans cette section, la minimisation de la distance totale parcourue va
nous permettre dtudier lintrt de considrer des chemins alternatifs offerts par le
rseau de transport. Ce thme est voqu dans la section 3.3.3 o se trouve un schma
dillustration de lintrt, en terme de cot de la solution, de considrer des chemins
offrant des compromis entre la dure et la distance.
Nous supposons ici que la taille de la flotte est illimite. On obtient donc le problme
matre :
(MP)
min
(4.53)
s.c.q.
r = 1 r = 1, . . . , R, [r ]
(4.54)
{0, 1}
(4.55)
Le cot c de chaque tourne est gal la somme des distances des arcs la composant, comme indiqu dans lquation 4.56.
c =
(vi ,v j )e
4.2.1.1
Dije
(4.56)
Construction du p-graphe
Considrons le rseau routier compos de nuds marquant lintersection entre plusieurs tronon. Nous construisons partir de ce rseau, le 1-graphe G0 = (V0 , A0 ), o
V0 contient lensemble des nuds du rseau routier plus un sommet pour chaque service. En un mme arrt, autant de sommets sont crs que de services y sont effectus.
99
partir de chaque paire de sommets de V0 , on construit les arcs inclus dans A0 partir
des tronons reliant les intersections ou arrts correspondant ces sommets.
chaque arc trois poids sont attribus : la dure de parcours, la distance, et le flux
de passagers3 . Lalgorithme 4 calcule lensemble des chemins Pareto-optimaux Pij entre
chaque paire de services i et j. Lensemble Pij correspond lensemble des solutions
Pareto-optimales du problme de ralisibilit associ au problme de plus court chemin
avec contraintes de ressources (SPPRC) entre i et j, avec une ressource sur le dure, une
sur le flux de passagers et une sur la distance. Ainsi, lalgorithme 4 est une simple
adaptation de lalgorithme de programmation dynamique prsent dans la section 2.3.
Le tri des chemins partiels entre deux mmes services par rapport une ressource
discriminante, comme la dure ou le cot, permet dacclrer la phase dinsertion des
nouveaux chemins partiels (des lignes 7 14).
Nous pouvons prsent considrer le p-graphe G = (V , A) o les lments vi de V
sont les services (dpart et arrive aux dpts inclus) comme dans le cas dun graphe
simple, et larc (vi , v j )e (e = 1, . . . , |Pij |) reprsente un des chemins Pareto-optimaux de
Pij .
4.2.1.2
Les amliorations apportes la rsolution du problme esclave dans la section 4.1.3

sont aisment adaptables au cas du p-graphe. Les rductions de graphe ncessitent
lutilisation des arcs reprsentant les plus courts chemins en temps. Les valeurs duales
associes aux services sont retranches lensemble des arcs entrants ce service.
Considrer lensemble des itinraires Pareto-optimaux offerts par le rseau routier
augmente considrablement la taille du graphe traiter mme aprs les procdures
de rduction voques dans la section 4.1.3.3. Nous proposons alors dutiliser pour la
rsolution du problme esclave, un 1-graphe que nous appelons graphe idal et notons
Gid . De tous les arcs incidents aux deux mmes sommets nous construisons un unique
arc idal qui prend la meilleure valeur pour chaque poids. Dans notre cas, larc idal
(vi , v j )id est dfini par les quations (4.57)-(4.58). Pour la ressource doccupation F, larc
idal prend la mme valeur que tous les autres.
o
Dije i si i R+
e=1,...,|Pij |
n
o
Dijid =
Dije
sinon
min
min
(4.57)
e=1,...,|Pij |
Tijid =
min
e=1,...,|Pij |
Tije
(4.58)
Sil ny a pas de chemin de cot ngatif dans Gid , alors il ny en a srement pas dans
G et le problme est rsolu. partir des chemins de cot ngatif issus de Gid , nous
3
Le flux de passager est nul pour les arcs sortants dun nud ntant pas un service.
100
Algorithme 4 : Algorithme de construction du p-graphe

Donnes : G0 : un graphe multivalu sur R ressources;
P : une liste de chemins partiels non traits;
Pei et : les listes de chemins partiels de ei vers et ;
Rsultat : Pei et o ei et et sont des services
1 P un chemin partiel initial pour chaque service ;
2 tant que P 6 = faire
3
prendre p P ;
4
et := extrmit terminale de p;
5
ei := extrmit initiale de p;
6
domine := f aux;
7
si et est un service alors
8
pour chaque chemin partiel p Pei et faire
si D p D p et Tp
9
T p et Fp Fp alors
P ei e t : = P ei e t \ p ;
10
11
sinon
si D p D p et Tp Tp et Fp Fp alors
12
13
domine := vrai;
14
sortir boucle;
15
16
17
18
19
20
21
22
si domine = f aux alors

si et est un service alors Pei et := Pei et { p} pour chaque arc (et , i ) faire
p := lextension de p par (et , i );
si i est un service alors
sup
sup
si Tp Ti et
Fp Fi alors
P := P p ;
sinon

P := P p ;
101
cherchons des chemins de cot ngatif dans G. Pour cela nous cherchons trouver une
slection darcs valide permettant de conserver la squence du chemin trouv intacte
et minimisant le cot. Ce problme est prsent sous le nom de problme de slection
darcs dans une squence fixe (FSASP) dans la section 3.3.3 traitant du problme dhorodatage dans un p-graphe linaire. Un algorithme de rsolution y est propos (lalgorithme 2). Si la recherche dans les squences obtenues partir des chemins du graphe
idal est infructueuse, nous rsolvons alors le ESPPRC directement sur G. L encore
ladaptation de lalgorithme 1 est aise, puisquil suffit lors de la phase dextension
dtendre les chemins partiels par tous les arcs sortants de son extrmit terminale.
Dans la figure 4.9, nous montrons lintgration de ces tapes dans le schma gnral
de rsolution. Les lments nouveaux apparaissent en gras dans des cadres bords
pais.
4.2.2 Le temps perdu

Hormis le temps de transport pass dans le vhicule, le passager est parfois oblig
dattendre le vhicule ou dattendre son arrive, attentes qui lui sont imposes par le
transporteur. Le premier cas, appel requte retour, peut correspondre une personne
souhaitant rentrer chez elle en sortant du travail une heure prcise et le second cas,
la requte aller, une personne se rendant un rendez-vous et nayant aucun intrt
tre en avance. Ces deux types de requtes forment les ensembles disjoints Aller et
Retour. Le premier type de passager souhaite donc tre livr le plus tt possible et le
second type tre ramass le plus tard possible. Nous appelons temps perdu lcart entre
la date de livraison effective et la date de livraison au plus tt pour les requtes retour
(quation (4.59)) et lcart entre la date de ramassage effective et la date de ramassage
au plus tard pour les requtes aller (quation (4.60)). Ce critre de qualit de service est
prsent plus en dtail dans la section 3.2 dans le paragraphe rserv aux carts par
rapport des dates de service souhaites.
in f
tempsperdu(r ) = tr Tr , r Retour
sup
tempsperdu(r ) = Tr+ tr+ , r Aller
(4.59)
(4.60)
Le temps perdu se mesure indpendamment pour chaque requte. Nous valuons,

au niveau dune tourne puis dune solution, le niveau de qualit de service sur ce critre en sommant le temps perdu pour chaque requte. Lobjectif est alors de minimiser
cette somme. Nous remarquons que pris comme seul critre doptimisation, si on dispose dau moins autant de vhicules que de requtes, une solution optimale triviale est
de servir chaque requte par un vhicule diffrent. Dans un TAD traditionnel, ce critre
a du sens soit combin un autre ayant un effet minimisant sur le nombre de vhicules,
soit accompagn dune contrainte forte sur la taille de la flotte disponible. La contrainte
daffectation peut tre relche en une ingalit puisquil est trivial de construire une
solution quivalente partir dune solution optimale servant plusieurs fois la mme
requte.
102
BI (n) BS ?
oui
Stop
non
BI (n) := Z + Kc
Rsoudre MP
restreint : Z
oui
Z + Kc > BI (n) ?
Z < BS et entire ?
oui
BS := Z
oui
EP rsolu
loptimum : c ?

MP restreint
Z > BI (n) ?
non
oui
Rsoudre EP
dans le Graphe Idal
Rsoudre FSASP
dans le p-graphe
linaire
oui
colonnes de
cot ngatif ?
oui
non
colonnes de
cot ngatif ?
non
Rsoudre EP
dans le p-graphe
oui
colonnes de
cot ngatif ?
non
F IG . 4.9: Adaptation de la mthode la distance totale parcourue
103
Crer les nuds fils

Le problme matre MP prend donc la forme suivante :

(MP)
min
(4.61)
s.c.q.
r 1 r = 1, . . . , R, [r ]
(4.62)
[ ]
(4.63)
{0, 1}
(4.64)
Le cot c de chaque tourne est gal la somme des temps perdus pour chaque
requte ; comme indiqu dans lquation (4.65) dans le cas des requtes aller.
c =
r +
4.2.2.1
sup
Tr+ tr+
(4.65)
4.2.2.1.1 Cas de requtes retour uniquement Rien ne change par rapport au modle
standard propos dans la section 4.1.1 si ce nest la ressource lie la fonction objectif.
Le cot nest pas dfini directement sur les arcs, il se calcule dynamiquement par sa
fonction dextension dcrite par lquation 4.66. En effet, les dates de service (ti ) obtenues par la fonction dextension dfinie par la formule 4.25 ne sont pas remises en
cause par les extensions futures, ni pour des raisons de ralisibilit les fentres de
temps tant entirement compatibles ni pour des raisons doptimalit les dates de
ramassage au plus tt tant optimales pour ce critre. Les rgles de dominance entre
chemins partiels restent les mmes. En effet, les dures respectant lingalit triangulaire, tout dtour par une livraison entrane une augmentation du cot. De plus, le fait
darriver plus tt au sommet terminal pour le chemin partiel dominant assure que ses
extensions peuvent arriver au moins aussi tt, que celles du chemin partiel domin,
pour les livraisons des requtes en cours. ce titre, les rgles de dominance sur linclusion des requtes en cours et les cots sont valides.
si j R+
Cch
in f
j
re f C (ch, (vi , v j )) =
Cch + t j Tj si j R
C v
si j = R 1
ch
(4.66)
Il est notable que cette procdure nest pas symtrique et que partir du dpt darrive provoque un affaiblissement de la dominance puisque les dates optimales des
services prsents dans un chemin partiel invers ne peuvent pas tre dtermines
avec exactitude dans ce cas.
104
4.2.2.1.2 Cas de requtes aller uniquement Dans ce cas, ce sont les dates de ramassage au plus tard qui sont optimales. Une procdure parfaitement symtrique celle
propose pour les requtes retour, construisant les tournes du dpt darrive vers
celui de dpart permet de rsoudre le problme.
4.2.2.1.3 Cas de requtes aller et retour Dans ce cas, il est impossible de dterminer les dates optimales de service lorsque la tourne est en construction. Il est donc
ncessaire daffaiblir les rgles de dominance lies aux dates de service. Cependant,
lincertitude sur une dominance ne porte que sur le cot final des tournes et non sur
leur ralisibilit. Il suffit donc de calculer une borne suprieure sur le cot de la tourne
partielle pour pouvoir effectuer la comparaison. Une borne suprieure sur le cot est
obtenue par rsolution du programme linaire BSch o le graphe Gch = (Vch , Ach ) reprsente le chemin partiel ch et Aller (ch) et Retour (ch) les ensembles de requtes aller
et retour servies dans ch. Pour i et j deux services successifs dans ch, ij est fix 1 et
0 pour tout autre paire de services.
(BSch )
max
r Retour (ch)
in f
sup
(4.67)
ti Ti
vi Vch ,

ti + Tij t j 0 (vi , v j ) Ach : ij = 1 ,
ti 0
vi Vch .
(4.68)
(tr Tr r ) +
r Aller (ch)(O(ch) Aller )
( Tr+ tr+ r )
s.c.q.
in f
Ti
sup
(4.69)
(4.70)
On note z ( BSch ) la valeur optimale de BSch et z ( BIch ) la valeur optimale de BIch

qui est le pendant de BSch pour la minimisation. Ainsi z ( BIch ) est une borne infrieure
sur le cot de ch. On remplace la rgle de dominance sur les cots (Cch Cch ) entre ch
et ch par la rgle 4.71.
z ( BSch ) z ( BIch )
(4.71)
Cette rgle est valide puisque pour toute requte retour en cours, le fait que Tch
soit infrieur ou gal Tch assure la dominance en terme de cot pour les livraisons
des requtes retour en cours. Pour les autres requtes servies ou commences, la rgle
compare le pire cas pour ch et le meilleur pour ch .
Pour calculer le cot de la tourne complte, il suffit dutiliser le mme modle en
remplaant la maximisation par une minimisation et en retranchant la variable duale
associe au vhicule.
105
4.2.3 Le taux de remplissage

Un critre permettant dvaluer la pertinence dun TAD et son ventuelle saturation,
est le taux de remplissage des vhicules roulants. Cet indicateur de performance peut
aussi tre pris comme critre doptimisation puisquil garantit une certaine efficience du
TAD et intervient comme outil de ngociation entre transporteurs et collectivits locales
qui sont prtes subir la circulation de vhicules (cot financier, congestion du trafic
routier, pollution. . .) condition quils soient bien remplis. Cependant, un tel modle
doit raisonnablement tre contraint pour ne pas dfavoriser les utilisateurs (chauffeurs
et passagers). Il parat, en effet, inconcevable de promener des passagers uniquement pour quils remplissent bien le vhicule et quainsi ils fassent augmenter le taux
de remplissage global des vhicules du systme. cet effet, nous imposons que pour
une squence de service fixe, lhorodatage soit fait en minimisant le temps perdu. Cela
garantit une qualit de service visible correcte pour les passagers qui nont pas limpression de faire des dtours aberrants. La flotte disponible se limite gnralement
quelques types de vhicules de capacit fixe. Afin destimer le niveau dutilisation du
service il est prfrable dvaluer, donc doptimiser, le taux dinoccupation des vhicules plutt que leur taux de remplissage, car le taux dinoccupation tient mieux compte
de la capacit des vhicules (voir la section 3.2). La mthode propose sadapte facilement ces deux critres. Pour garder des notations allges, nous prsentons ici le taux
de remplissage. Le problme matre prend une forme fractionnaire avec D reprsentant la dure totale roulante de la tourne (quation (4.72)) et N reprsentant son
remplissage ; cest--dire la somme des produits entre la dure et le nombre de places
occupes pour chaque tronon roulant de la tourne (quation (4.73)). Lhorodatage des
tournes suivant le temps perdu na donc pas dimpact sur la fonction objectif.
D =
Tij
(4.72)
f i Tij
(4.73)
(vi ,v j )
N =
(vi ,v j )
Dans le cas o on dsire mesurer N et D sur lensemble de la tourne et non uniquement sur les parties roulantes, imposer des contraintes de type temps perdu a un
impact sur la fonction objectif. Cependant, il reste raisonnable de considrer que pour
une squence fixe, la fonction objectif calculant les heures de passage soit diffrente
de celle du problme matre, car un passager mesure la qualit de lhorodatage de la
tourne uniquement dans le cadre de la squence darrts qui lui est propose.
Si on suppose le nombre de vhicules disponibles non contraignant, on peut supprimer la contrainte sur les vhicules. En revanche, la relaxation de la contrainte daffectation en une ingalit est incompatible avec la maximisation du taux de remplissage.
Le problme matre restreint (MPR) est donc le suivant :
(MPR)
max
N
D
106
(4.74)
s.c.q.
r = 1 r = 1, . . . , R, [r ]
(4.75)
(4.76)
Loptimisation de programmes fractionnaires (aux contraintes linaires) est un domaine tudi de longue date. Isbell et Marlow (1956) prsentent dj un premier algorithme inspir du simplexe. Pour rsoudre notre problme fractionnaire linaire, nous
proposons deux mthodes de rsolutions, une mthode itrative base sur lalgorithme
de Dinkelbach (1967) puis une mthode directe ajoutant une contrainte au problme
matre et base sur la transformation propose par Charnes et Cooper (1962).
4.2.3.1
La mthode itrative
4.2.3.1.1 Rsolution du problme matre Pour rsoudre le programme linaire fractionnaire (MPR), nous utilisons lalgorithme itratif de Dinkelbach (1967) qui permet
de traiter des fonctions objectifs au numrateur concave et au dnominateur convexe.
Soit le rapport N/D (D 6= 0, N = N et D = D ) maximiser, on

construit une suite de problmes de la forme N qn D. Le principe de lalgorithme est

de construire une suite de rapports (qn ) convergente vers loptimum du rapport N/D.
Lalgorithme de Dinkelbach est dcrit par la figure 4.10. Cet algorithme est convergent
vers une solution dont on fixe au pralable le coefficient dapproximation > 0.
Aprs avoir remarqu que N et D peuvent tre supposs non nuls, appliquer cet
algorithme (MP) amne rsoudre une suite de problmes dont la fonction objectif
est de la forme donne par lquation (4.77) ou bien la minimisation de son oppose. Le
problme matre rsoudre chaque itration est donc un programme linaire. Dans
la figure 4.11, cet algorithme est intgr la mthode de SEPGCOL standard.
max N qn D = min qn D N
(4.77)
N et D reprsentent les valeurs de N et D pour une solution optimale de (MP).

chaque nud, q0 peut prendre la valeur 0 ou la valeur dune solution courante. Le fait
de rsoudre chaque itration le problme matre sur un ensemble restreint, nuit
la convergence de la suite (qn ). En effet, il ny a pas forcment une croissance stricte de
(qn ) sur restreint. Cependant, lorsquil y a stabilisation de la suite (qn ), il est toujours
possible de gnrer des colonnes de cot rduit ngatif dans , car la solution optimale
sur est au moins aussi bonne que sur et que cet optimum ( prs) est atteint il
laurait t litration prcdente puisque la valeur de qn na pas chang. Le fait de
gnrer des colonnes peut, quant lui, faire diminuer la valeur de qn ce qui nuit aussi
la convergence. Puisque est convexe et de taille finie, et que dans tous les cas de
non-optimalit des colonnes sont gnres, on peut conclure que notre algorithme est
convergent ( prs).
107
n := 0
qn := q
Rsoudre P : max{
Maximiser
N qn
N
D
D }
z ( P) < ?
Non
q n +1 : =
N
D
Oui
Non
Solution approche
z ( P) = 0 ?
Oui
Solution optimale
F IG . 4.10: Lalgorithme de Dinkelbach
4.2.3.1.2 Rsolution du problme esclave chaque itration de lalgorithme de gnration de colonnes, la fonction objectif du problme esclave scrit par la formule
(4.78) avec i nul pour i une livraison.
min qD N
r r = min
r =1
(vi ,v j )
[(q f i ) Tij i ]
(4.78)
La fonction dextension re f C dun chemin partiel ch, qui est videmment croissante,
est dfinie par la relation (4.79).
re f C (ch, (vi , v j )) =
Cch + (q Fch ) Tij si j R+

Cch + (q Fch ) Tij
sinon
(4.79)
Nous cherchons valuer gainij (k ) = Cik + Ckj Cij , soit le gain associ un dtour
par k entre i et j. Ce gain est fonction du gain ijk , dfini par lquation (4.80) et du flux
de passagers f i , aprs avoir remarqu que f k = f i + Fk .
ijk = Tik + Tkj Tij
108
(4.80)
BI (n) BS ?
oui
Stop
non
Choix dun q0
Rsoudre MP restreint
Z := min(qm D N )
oui
N
< BS et entire ?
D
Modifier les cots

dans la
fonction objectif
q m +1 : =
E
D
non
BS :=
N
D
N qm D < ?
oui
non
N
> BI (n) ?
D
q m +1 = q m ?
non
Crer les nuds fils

N
avec BI ( f ils) :=
D
oui
oui
MP restreint
oui
Rsoudre EP
Rsoudre EP
colonnes de
cot ngatif ?
colonnes de
cot ngatif ?
non
oui
F IG . 4.11: Lalgorithme de Dinkelbach avec la gnration de colonnes pour minimiser N/D
La valeur de q reprsente un taux de remplissage moyen, lexpression q f i peut

donc prendre des valeurs ngatives. Daprs cette remarque et la figure 4.12, il est
vident que quelque soit la valeur duale associe aux ramassages ou aux livraisons,
lingalit triangulaire ne sera respecte dans aucun des deux cas (k un ramassage ou
une livraison). Par consquent, la rgle de dominance sur les cots devient invalide
car des dtours obligatoires peuvent tre source de gains pour la fonction objectif. Ceci
interdit lutilisation de la rgle de dominance R2 de lalgorithme de programmation
dynamique, comme cela est discut dans la section 4.1.3.2.
109
CRij = ( f i ) Tij
k
CRik
CRkj
i
j
CRij
CRik + CRkj CRij = ijk f i ijk Fk Tkj k < 0?
F IG . 4.12: Ingalit triangulaire pour la mthode itrative
Lutilisation de la rgle R3, permettant de conserver la rgle dinclusion entre les

ensembles de requtes en cours, ncessite destimer le gain potentiel minimal obtenu
par des extensions obligatoires ou gnratrices du diminution du cot.
Des minorations sur les cots des dtours lis chaque livraison sont dfinitivement
calculables en prtraitement pour q fix par la formule (4.81). Calculer bicij (k) revient
maximiser ou minimiser f i suivant le signe de ijk , toujours positif lorsque lingalit
triangulaire est respecte par les dures de transport. Les valeurs maximales des f i sont
donnes dans les tableaux 4.6 et 4.7 en fonction de la nature des sommets i et j et de la
capacit F du vhicule4 . Nous introduisons la notation | x | = max{ x, 0}.
bic(k) =
k R
i R+
i R
min (ijk f i + qijk Fk Tkj k )
{vi ,v j }V2
j R+
F | Fj + Fk |
F | Fi + | Fj + Fk | |
j R
F
F + Fi
(4.81)
j = R 1
Fk
Fk
TAB . 4.6: Valeurs maximales de f i pour k R
k R+
i R+
i R
i = R+1
j R+
F Fk Fj
F | Fi + Fk + Fj |
0
j R
F Fk
F | Fi + Fk |
0
TAB . 4.7: Valeurs maximales de f i pour k R+
En appliquant les rgles de dominance de (4.82)-(4.86), lalgorithme 1 de programmation dynamique sadapte sans plus de difficults.
4
Nous rappelons que Fr+ = Fr et que k = 0.
110
etch = etch
(4.82)
Tch Tch
(4.83)
Fch Fch
(4.84)
Cour (ch) Cour (ch )
Cch Cch + BIC1 (O(ch ) \ O(ch)) + BIC2 (F (ch) \ U F O(ch ))

4.2.3.2
(4.85)
(4.86)
La mthode directe
La mthode directe transforme le problme matre laide dune opration ressemblant un changement de variable classique tel que 1/ D = t. La fonction

objectif maximisant le rapport N/D est remplace la minimisation de son oppos.

(MPR)
min t
(4.87)
s.c.q.
r ) t = 1 t r = 1, . . . , R, [r ]
(4.88)
D t = 1,
[ ]
(4.89)
(4.90)
t 0
t 0.
(4.91)
En remplanant t par , on obtient (MPR) qui est un programme linaire. Do

le schma de rsolution de la figure 4.13.
(MPR)
min
(4.92)
s.c.q.
r t = 0 r = 1, . . . , R, [r ]
(4.93)
D = 1,
[ ]
(4.94)
(4.95)
0
t > 0.
(4.96)
La contrainte supplmentaire (4.94) consquente au changement de variable, gnre

une variable duale qui doit tre intgre au problme esclave.
111
BI (n) BS ?
oui
Stop
non
Rsoudre MP restreint
Z := min
Z =

MP restreint
N

Z /
D
Z < BS
et entire ?
Z > BI (n) ?
oui
BS := Z
non
oui
Crer les nuds fils
Rsoudre EP
oui
colonnes de
cot ngatif ?
non
F IG . 4.13: Mthode directe intgre au SEPGCOL pour minimiser N/D
4.2.3.2.1 Rsolution du problme esclave

prend la forme de lquation (4.97).
(EP)
min
La fonction objectif du problme esclave
[( f i + ) Tij + ]ij
(4.97)
(vi ,v j )A
On peut ainsi associer un cot CRij chaque arc. On constate, voir figure 4.14, que
ces cots ne respectent pas lingalit triangulaire mme pour des dtours dont la duale
associe (k ) est nulle. valuer chaque itration (du problme esclave) la valeur minimale du gain pour le triplet (i, j, k ) revient maximiser la valeur du flux de passagers
la sortie de i, soit f i . Ces valeurs sont les mmes que celles donnes dans les tableaux
4.6 et 4.7 pour la mthode itrative.
On en dduit les mmes rgles de dominance que dans le cas itratif avec un calcul
des bornes infrieures sur les diminutions du cot des extensions diffrent. Lquation
112
CRij = ( f i ) Tij
f k = f i + Fk
k
CRik
CRkj
j
CRij
CRik + CRkj CRij = ijk ( f i + ) Fk Tkj k < 0?

F IG . 4.14: Ingalit triangulaire pour la mthode directe
(4.98) donne lexpression du cot minimal pour les dtours par le service k.
bic(k) =
k
min (ijk f i ijk Fk Tkj ) rho
(vi ,v j )V2
(4.98)
4.2.4 Rsultats
Nous prsentons dans cette section les rsultats obtenus sur les sries dinstances
modifies de la littrature (gr, gc et grc, gb) prsentes dans la section 4.1.4. Nous
avons plong ces instances dans un p-graphe pour gnrer des sries supplmentaires
notes mr, mc, mrc et mgb. Les p-graphe sont construits en ajoutant itrativement
un arc entre deux sommets (service ou dpt) choisis alatoirement sans tenir compte
des contraintes de fentre de temps ou de capacit. Pour les instances prsentes ici,
V 2 /2 arcs sont ajouts5 . Les arcs supplmentaires sont pondrs par des valeurs indpendantes comprises entre 120% et 140% pour la dure et 60% et 80% pour la distance,
du poids de larc dorigine pour lequel la dure gale la distance.
Les chemins non-domins par rapport la distance et la dure sont calculs entre
chaque paire de sommets. Les caractristiques des instances ainsi obtenues sont prsentes dans les tableaux 4.8 et 4.9. On constate que la densit du p-graphe (en gras) est
entre 4 et 10 fois suprieure celle du 1-graphe pour les instances mr et mrc et entre
15 et 18 fois suprieure pour les instances mc.
Les conditions exprimentales sont identiques celles des rsultats obtenus sur les
instances g de la section 4.1.4, hormis pour le temps perdu o la taille de la flotte
est borne par la valeur obtenue dans la solution optimale calcule par rapport la
minimisation de la distance totale parcourue (dans un 1-graphe). Les tests sont effectus
suivant les trois critres noncs sur les instances g. Les rsultats se trouvent dans les
tableaux 4.10 et 4.11 pour les instances gr (uniformment distribues), le tableau 4.12
5
Nous rappelons que le graphe dorigine est un graphe complet et que les arcs correspondent aux
distances euclidiennes.
113
nom
mr101
mr102
mr103
mr104
mr105
mr106
mr107
mr108
mr109
mr110
mr111
mr112
mc101
mc102
mc103
mc104
mc105
mc106
mc107
mc108
mc109
mrc101
mrc102
mrc103
mrc104
mrc105
mrc106
mrc107
mrc108
req.
53
55
52
52
53
52
52
50
53
52
54
53
53
53
52
53
53
53
53
53
53
53
53
53
54
54
53
53
52
largeur
5,72
5,70
6,41
5,77
5,49
6,17
7,21
6,99
6,77
5,82
5,66
6,41
2,66
2,84
3,00
3,18
2,63
2,76
2,86
2,84
2,62
6,18
6,90
5,51
5,84
6,74
6,80
6,05
6,45
cart
19,06
19,23
21,16
19,19
18,61
20,57
23,51
22,89
22,34
19,41
18,74
21,20
10,86
11,54
11,82
12,21
10,83
11,10
11,48
11,61
10,68
20,95
23,20
18,97
19,81
22,68
22,72
20,65
21,76
densit p-G
0,3708
0,6471
0,6429
0,6498
0,4373
0,4473
0,6816
0,5985
0,3318
0,3124
0,4342
0,0846
1,5778
1,7725
1,7372
1,3188
1,6691
1,6752
1,8544
1,5326
1,6463
0,1834
0,4815
0,6284
0,4937
0,2273
0,2244
0,1691
0,0818
dens, 1-G
0,0485
0,0687
0,0735
0,0659
0,0524
0,0602
0,0715
0,0642
0,0460
0,0453
0,0532
0,0239
0,1120
0,1139
0,1133
0,0873
0,1076
0,1054
0,1038
0,1005
0,0976
0,0351
0,0571
0,0672
0,0551
0,0380
0,0395
0,0323
0,0245
flux
1,91
2,13
1,92
1,88
2,13
2,08
1,88
1,92
2,02
1,96
1,76
1,96
2,87
3,02
2,81
2,66
2,94
2,83
2,91
3,08
2,83
2,40
2,51
2,43
2,28
2,44
2,32
2,49
2,40
TAB . 4.8: Caractristiques des instances de Li et Lim modifies par un p-graphe
pour les instances gc (groupes), le tableau 4.13 pour les instances grc (mixtes) et
les tableaux 4.14, 4.15 et4.16 pour les instances gb. Pour chaque instance de rfrence,
nous donnons les rsultats de cinq optimisations : suivant la distance totale parcourue
dans un 1-graphe puis dans un p-graphe, le temps perdu pour des requtes de type
aller et le taux de remplissage (en fait son inverse) par la mthode directe puis itrative.
La valeur obtenue pour le critre optimis est indique en gras. Afin de mieux cerner
le type de solutions produites, nous avons rajout deux indications, la dure totale des
tournes (dans la colonne dure) et les dures pendant lesquelles les vhicule sont en
dplacement (dans la colonne temps roul). la fin de chaque tableau nous affichons
les rsultats moyens sur les instances du tableau (exception faite du tableau 4.10 qui est
intgr dans la moyenne du tableau 4.11).
La premire observation valable pour toutes les instances, est la qualit de la relaxation linaire du problme matre ; la valeur optimale de cette dernire tant presque toujours gale celle du problme entier (MP% 0, 0) et une solution entire tant fournie
au nud racine de larbre de recherche. Lapport des chemins alternatifs est trs impor114
nom
gb2-16
gb2-20
gb2-24
gb3-18
gb3-24
gb3-30
gb3-36
gb4-16
gb4-24
gb4-32
gb4-40
gb4-48
gb5-40
gb5-50
gb5-60
gb6-48
gb6-60
gb6-72
gb7-56
gb7-70
gb7-84
gb8-64
gb8-80
gb8-96
veh.
16
20
24
18
24
30
36
16
24
32
40
48
40
50
60
48
60
72
56
70
84
64
80
96
largeur
5,50
4,70
5,70
5,30
4,70
5,70
5,30
6,00
4,50
5,10
5,20
4,80
5,70
5,50
5,40
5,50
5,50
5,20
5,50
4,60
5,70
4,80
5,00
5,00
cart
16,50
14,20
17,00
16,00
14,20
17,10
16,00
18,10
13,60
15,20
15,60
14,30
17,00
16,60
16,30
16,50
16,50
15,60
16,40
13,90
17,10
14,50
15,00
15,00
dens. p-g.
0,7412
0,9594
0,8689
0,7338
0,9080
1,0639
1,2218
0,6865
0,6766
1,0930
1,1678
1,2195
1,3150
1,4496
1,7731
1,4902
1,9451
1,8971
1,6917
1,8830
2,1428
1,8862
1,9986
2,3407
dens. 1-g.
0,1289
0,1263
0,1272
0,1227
0,1207
0,1233
0,1233
0,1221
0,1198
0,1240
0,1222
0,1233
0,1213
0,1209
0,1203
0,1198
0,1217
0,1223
0,1196
0,1207
0,1215
0,1201
0,1208
0,1217
flux
3,00
4,20
3,60
3,80
3,60
3,60
3,70
4,40
3,60
3,80
4,00
3,30
3,20
3,60
3,20
3,80
3,60
3,50
3,60
3,80
3,40
3,60
3,80
3,30
TAB . 4.9: Caractristiques des instances de Cordeau modifies par un p-graphe
115
nom
gr101
gr102
gr103
gr104
gr105
gr106
veh.
24,0
25,0
24,0
25,0
25,0
22,0
23,0
22,0
22,0
22,0
17,0
17,0
17,0
17,0
17,0
25,0
25,0
25,0
25,0
25,0
25,0
25,0
25,0
25,0
25,0
18,0
20,0
18,0
18,0
18,0
dist.
1988,5
1530,3
2238,8
2001,7
2001,7
1927,2
1451,6
2210,5
1927,2
1927,2
1812,9
1398,4
2286,9
1812,9
1812,9
1897,6
1440,6
2432,6
1897,6
1897,6
2046,4
1562,8
2352,0
2046,4
2046,4
1864,0
1426,3
2087,4
1864,0
1864,0
tps. perdu
38,9
167,7
27,5
49,2
49,2
30,1
167,4
4,6
30,1
30,1
49,9
196,4
0,1
49,9
49,9
60,1
145,3
27,2
60,1
60,1
30,0
148,5
1,0
30,0
30,0
54,7
179,1
38,0
54,7
54,7
tx remp.
1,7568
1,9082
1,9853
1,7479
1,7479
1,4128
1,5181
1,6477
1,4128
1,4128
1,3086
1,4021
1,7056
1,3086
1,3086
1,5725
1,7967
2,0769
1,5725
1,5725
1,6570
1,8228
1,9085
1,6570
1,6570
1,3528
1,4272
1,5149
1,3528
1,3528
dure
2645,3
3243,0
2803,0
2644,9
2644,9
2987,1
3499,6
3049,1
2987,1
2987,1
2871,1
3264,7
3063,9
2871,1
2871,1
3108,5
3445,7
3178,5
3108,5
3108,5
2717,5
3221,7
2778,8
2717,5
2717,5
2445,0
2980,8
2588,7
2445,0
2445,0
tps roul
1988,5
2569,0
2238,8
2001,7
2001,7
1927,2
2528,0
2210,5
1927,2
1927,2
1812,9
2321,3
2286,9
1812,9
1812,9
1897,6
2429,0
2432,6
1897,6
1897,6
2046,4
2658,3
2352,0
2046,4
2046,4
1864,0
2398,5
2087,4
1864,0
1864,0
sec.
0,0
9,0
0,0
0,0
0,0
1,0
20,0
1,0
0,0
6,0
1,0
17,0
0,0
0,0
6,0
0,0
8,0
0,0
0,0
1,0
0,0
8,0
0,0
0,0
1,0
0,0
12,0
0,0
0,0
4,0
MP%
0,0
0,1
0,0
0,1
0,1
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
TAB . 4.10: Rsultats pour les instances de Li et Lim modifies gr101-gr106
116
nu.
1,0
3,0
1,0
3,0
3,0
1,0
1,0
5,0
1,0
1,0
1,0
1,0
7,0
1,0
1,0
1,0
1,0
2,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0
6,0
1,0
1,0
nom
gr107
gr108
gr109
gr110
gr111
gr112
Moyenne
veh.
17,0
19,0
17,0
17,0
17,0
27,0
27,0
27,0
27,0
27,0
23,0
23,0
23,0
23,0
23,0
25,0
25,0
25,0
25,0
25,0
21,0
22,0
21,0
21,0
21,0
27,0
27,0
27,0
28,0
28,0
22,6
23,2
22,6
22,8
22,8
dist.
1834,5
1412,5
2201,5
1834,5
1834,5
2125,7
1588,5
2484,1
2130,0
2130,0
1917,8
1451,5
2128,5
1917,8
1917,8
1961,4
1476,7
2191,0
1963,7
1963,7
1844,0
1413,0
2053,6
1844,0
1844,0
2182,2
1705,3
2224,1
2196,4
2196,4
1950,2
1488,1
2240,9
1953,0
1953,0
tps. perdu
46,6
201,7
18,0
46,6
46,6
28,0
190,1
27,4
36,5
36,5
65,2
227,8
17,2
65,2
65,2
51,4
154,4
30,5
58,4
58,4
56,9
156,9
33,4
56,9
56,9
78,9
171,4
67,1
92,5
92,5
49,2
175,6
24,3
52,5
52,5
tx remp.
1,2941
1,3863
1,5531
1,2941
1,2941
1,5958
1,6763
1,8649
1,5937
1,5937
1,2567
1,3243
1,4331
1,2567
1,2567
1,6632
1,8725
1,8827
1,6473
1,6473
1,6298
1,7620
1,8245
1,6298
1,6298
1,6704
1,8694
1,7156
1,6600
1,6600
1,5142
1,6472
1,7594
1,5111
1,5111
dure
2902,9
3516,7
3128,6
2902,9
2902,9
3339,4
3782,7
3287,3
3339,5
3339,5
2509,5
2882,5
2576,7
2509,5
2509,5
2587,9
3043,8
2675,9
2589,3
2589,3
2460,4
2826,9
2599,8
2460,4
2460,4
2444,5
2976,9
2496,7
2438,8
2438,8
2751,6
3223,8
2852,3
2751,2
2751,2
tps roul
1834,5
2390,7
2201,5
1834,5
1834,5
2125,7
2729,3
2484,1
2130,0
2130,0
1917,8
2405,8
2128,5
1917,8
1917,8
1961,4
2486,9
2191,0
1963,7
1963,7
1844,0
2347,3
2053,6
1844,0
1844,0
2182,2
2719,5
2224,1
2196,4
2196,4
1950,2
2498,6
2240,9
1953,0
1953,0
sec.
0,0
14,0
0,0
0,0
3,0
0,0
4,0
0,0
0,0
1,0
0,0
7,0
0,0
0,0
0,0
0,0
5,0
0,0
0,0
0,0
0,0
16,0
0,0
0,0
2,0
0,0
1,0
0,0
0,0
0,0
0,2
10,1
0,1
0,0
2,0
MP%
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,6
0,8
0,0
0,3
0,3
0,0
0,0
0,0
0,0
0,0
0,1
0,1
0,0
0,0
0,0
TAB . 4.11: Rsultats pour les instances de Li et Lim modifies gr107-gr112
117
nu.
1,0
1,0
3,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0
3,0
3,0
5,0
3,0
3,0
1,0
1,0
1,0
1,0
1,0
1,2
1,3
2,8
1,3
1,3
nom
gc101
gc102
gc103
gc104
gc105
gc106
gc107
gc108
gc109
Moyenne
veh.
9,0
9,0
9,0
9,0
9,0
9,0
9,0
9,0
9,0
9,0
13,0
13,0
13,0
13,0
13,0
28,0
28,0
28,0
28,0
28,0
11,0
11,0
11,0
11,0
11,0
13,0
13,0
13,0
13,0
13,0
13,0
14,0
13,0
13,0
13,0
12,0
12,0
12,0
12,0
12,0
17,0
17,0
17,0
17,0
17,0
13,9
14,0
13,9
13,9
13,9
dist.
1002,8
795,6
2158,5
1002,8
1002,8
1060,9
813,4
2037,6
1060,9
1060,9
1250,4
942,8
2056,6
1250,4
1250,4
1982,2
1438,4
2569,7
1982,2
1982,2
1185,4
900,1
1801,4
1185,4
1185,4
1244,7
952,5
1748,5
1244,7
1244,7
1305,9
982,5
1658,8
1305,9
1305,9
1191,3
941,8
1671,4
1191,3
1191,3
1453,2
1116,6
2255,8
1453,2
1453,2
1297,4
987,1
1995,4
1297,4
1297,4
tps. perdu
4,1
62,8
0,0
4,1
4,1
0,1
78,7
0,0
0,1
0,1
0,0
75,6
0,0
0,0
0,0
10,8
71,1
10,3
10,8
10,8
2,8
60,1
0,0
2,8
2,8
4,1
73,4
0,0
4,1
4,1
15,0
70,6
14,0
15,0
15,0
1,4
75,3
0,0
1,4
1,4
0,7
56,7
0,4
0,7
0,7
4,3
69,4
2,7
4,3
4,3
tx remp.
1,2251
1,2918
2,6370
1,2251
1,2251
1,1274
1,1682
2,1653
1,1274
1,1274
1,4531
1,5538
2,3899
1,4531
1,4531
2,2178
2,5096
2,8751
2,2178
2,2178
1,3680
1,5155
2,0789
1,3680
1,3680
1,5093
1,6320
2,1202
1,5093
1,5093
1,4353
1,6377
1,8232
1,4353
1,4353
1,2521
1,3257
1,7568
1,2521
1,2521
1,7678
1,8993
2,7444
1,7678
1,7678
1,4840
1,6148
2,2879
1,4840
1,4840
dure
6085,2
6392,4
6240,0
6085,2
6085,2
8063,4
8244,1
6791,4
8063,4
8063,4
11136,1
12999,2
10747,5
11136,1
11136,1
12631,2
13234,6
7070,9
12631,2
12631,2
6935,7
7363,4
5627,3
6935,7
6935,7
6851,7
7237,4
6719,0
6851,7
6851,7
7478,0
7999,6
6966,0
7478,0
7478,0
6030,7
6588,9
5946,4
6030,7
6030,7
6927,4
6807,0
6957,9
6927,4
6927,4
8015,5
8540,7
7007,4
8015,5
8015,5
tps roul
1002,8
1284,7
2158,5
1002,8
1002,8
1060,9
1383,6
2037,6
1060,9
1060,9
1250,4
1645,7
2056,6
1250,4
1250,4
1982,2
2633,1
2569,7
1982,2
1982,2
1185,4
1584,7
1801,4
1185,4
1185,4
1244,7
1636,7
1748,5
1244,7
1244,7
1305,9
1725,8
1658,8
1305,9
1305,9
1191,3
1562,8
1671,4
1191,3
1191,3
1453,2
1842,2
2255,8
1453,2
1453,2
1297,4
1699,9
1995,4
1297,4
1297,4
sec.
5,0
225,0
5,0
4,0
2,0
4,0
413,0
4,0
6,0
3,0
3,0
168,0
3,0
3,0
2,0
0,0
43,0
0,0
1,0
1,0
3,0
417,0
1,0
4,0
2,0
2,0
328,0
2,0
4,0
3,0
3,0
292,0
1,0
4,0
1,0
3,0
228,0
3,0
3,0
2,0
2,0
231,0
1,0
3,0
1,0
2,8
260,6
2,2
3,6
1,9
TAB . 4.12: Rsultats pour les instances de Li et Lim modifies gc101-gc109
118
MP%
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
nu.
1,0
1,0
18,0
1,0
1,0
1,0
1,0
13,0
1,0
1,0
1,0
1,0
10,0
1,0
1,0
1,0
1,0
9,0
1,0
1,0
1,0
1,0
4,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0
9,0
1,0
1,0
1,0
1,0
5,0
1,0
1,0
1,0
1,0
7,8
1,0
1,0
nom
grc101
grc102
grc103
grc104
grc105
grc106
grc107
grc108
Moyenne
veh.
22,0
22,0
22,0
22,0
22,0
19,0
21,0
19,0
20,0
20,0
17,0
18,0
17,0
17,0
17,0
27,0
27,0
27,0
27,0
27,0
25,0
25,0
25,0
25,0
25,0
20,0
21,0
20,0
20,0
20,0
29,0
29,0
29,0
29,0
29,0
30,0
30,0
30,0
30,0
30,0
23,6
24,1
23,6
23,8
23,8
dist.
2290,9
1769,1
2433,7
2297,7
2297,7
2145,7
1645,8
2500,2
2149,7
2149,7
2055,4
1545,0
2347,4
2055,4
2055,4
2599,8
1898,6
2889,0
2602,1
2602,1
2543,2
1856,4
2762,5
2544,8
2544,8
2179,9
1693,0
2270,7
2189,7
2189,7
2632,9
1926,9
2864,7
2635,2
2635,2
2662,9
1965,5
2800,8
2675,9
2675,9
2388,8
1787,5
2608,6
2393,8
2393,8
tps. perdu
39,1
144,2
36,2
64,4
64,4
112,2
232,8
78,8
114,8
114,8
36,0
166,7
29,0
36,0
36,0
45,0
177,1
39,2
50,6
50,6
60,6
239,0
24,2
66,6
66,6
100,7
187,7
74,5
97,0
97,0
75,0
180,0
31,0
89,4
89,4
57,8
159,9
25,9
85,0
85,0
65,8
185,9
42,4
75,5
75,5
tx remp.
1,4907
1,6395
1,5836
1,4351
1,4351
1,1575
1,2544
1,3520
1,1479
1,1479
1,4318
1,5242
1,6352
1,4318
1,4318
1,8858
2,0443
2,0955
1,8669
1,8669
1,6172
1,6930
1,7672
1,6111
1,6111
1,2627
1,4191
1,3244
1,2550
1,2550
1,6978
1,9019
1,8707
1,6830
1,6830
1,6981
1,8695
1,8175
1,6579
1,6579
1,5302
1,6682
1,6808
1,5111
1,5111
dure
2756,7
3388,3
2874,8
2761,5
2761,5
3034,7
3610,9
3189,4
3017,0
3017,0
3215,1
3752,1
3294,9
3215,1
3215,1
3571,9
4177,5
3548,1
3532,7
3532,7
3097,7
3803,3
3270,5
3099,4
3099,4
2736,5
3230,1
2701,2
2730,7
2730,7
3170,4
3844,7
3264,9
3172,6
3172,6
3124,5
3774,4
3202,7
3139,7
3139,7
3088,4
3697,7
3168,3
3083,6
3083,6
tps roul
2290,9
2917,3
2433,7
2297,7
2297,7
2145,7
2749,4
2500,2
2149,7
2149,7
2055,4
2666,1
2347,4
2055,4
2055,4
2599,8
3324,1
2889,0
2602,1
2602,1
2543,2
3313,3
2762,5
2544,8
2544,8
2179,9
2714,3
2270,7
2189,7
2189,7
2632,9
3377,1
2864,7
2635,2
2635,2
2662,9
3397,1
2800,8
2675,9
2675,9
2388,8
3057,3
2608,6
2393,8
2393,8
sec.
0,0
5,0
0,0
0,0
0,0
0,0
12,0
0,0
0,0
2,0
0,0
12,0
0,0
0,0
2,0
0,0
4,0
0,0
0,0
1,0
0,0
3,0
0,0
0,0
0,0
0,0
5,0
0,0
0,0
0,0
0,0
2,0
0,0
0,0
0,0
0,0
1,0
0,0
0,0
0,0
0,0
5,5
0,0
0,0
0,6
MP%
0,0
0,4
0,0
0,5
0,5
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,2
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,1
0,0
0,1
0,1
TAB . 4.13: Rsultats pour les instances de Li et Lim modifies grc101-grc108
119
nu.
1,0
15,0
1,0
5,0
5,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0
4,0
1,0
1,0
1,0
1,0
3,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0
7,0
1,0
1,0
1,0
1,0
1,0
2,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0
3,5
1,8
1,5
1,5
nom
gb2-16
gb2-20
gb2-24
gb3-18
gb3-24
gb3-30
gb3-36
gb4-16
Moyenne
veh.
5
4
3
5
5
6
6
6
5
5
4
5
4
4
4
3
4
3
3
3
6
6
6
6
6
7
7
7
7
7
6
6
6
6
6
4
4
4
4
4
5,1
5,3
4,9
5,0
5,0
dist.
294,3
221,4
338,1
294,3
294,3
314,0
226,4
366,0
315,9
315,9
443,7
311,4
513,5
443,7
443,7
309,9
233,7
372,5
309,9
309,9
369,7
270,0
450,0
369,7
369,7
524,4
371,0
640,3
524,4
524,4
600,5
423,0
758,1
600,5
600,5
314,3
232,8
376,5
314,5
314,5
396,4
286,2
476,9
396,6
396,6
tps perdu
7,6
59,9
0,0
7,6
7,6
0,0
59,7
0,0
6,2
6,2
0,0
93,9
0,0
0,0
0,0
12,4
68,1
1,8
12,4
12,4
4,4
67,7
0,0
4,4
4,4
3,2
122,6
0,0
3,2
3,2
0,0
125,4
0,0
0,0
0,0
4,2
62,1
0,0
7,1
7,1
4,0
82,4
0,2
5,1
5,1
tx remp.
0,5289
0,5451
0,6198
0,5289
0,5289
0,4001
0,3998
0,4664
0,3908
0,3908
0,4715
0,4724
0,5456
0,4715
0,4715
0,4183
0,4387
0,5059
0,4183
0,4183
0,4523
0,4628
0,5506
0,4523
0,4523
0,3983
0,3978
0,4863
0,3983
0,3983
0,4140
0,4080
0,5227
0,4140
0,4140
0,3670
0,3714
0,4395
0,3650
0,3650
0,4313
0,4370
0,5171
0,4299
0,4299
dure
1107,4
1038,6
1016,6
1107,4
1107,4
2059,4
2099,6
1249,0
1943,7
1943,7
1676,9
1857,6
1776,6
1676,9
1676,9
660,4
786,4
741,8
660,4
660,4
1705,8
1656,6
1542,6
1705,8
1705,8
2682,7
2741,4
2360,5
2682,7
2682,7
3352,8
3388,0
2637,2
3352,8
3352,8
689,8
726,4
600,8
689,8
689,8
1741,9
1786,8
1490,6
1727,4
1727,4
tps roul
294,3
381,7
338,1
294,3
294,3
314,0
411,0
366,0
315,9
315,9
443,7
591,3
513,5
443,7
443,7
309,9
420,6
372,5
309,9
309,9
369,7
484,7
450,0
369,7
369,7
524,4
706,2
640,3
524,4
524,4
600,5
784,9
758,1
600,5
600,5
314,3
414,1
376,5
314,5
314,5
396,4
524,3
476,9
396,6
396,6
sec.
0
19
0
0
0
0
19
0
1
0
0
22
1
1
1
0
20
0
0
0
0
20
0
1
0
1
25
0
2
0
2
62
2
5
2
0
19
0
0
0
0,4
25,8
0,4
1,3
0,4
MP%
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
TAB . 4.14: Rsultats des 3 critres de QoS pour instances de Cordeau modifie 1
120
n.
1
1
5
1
1
1
1
2
1
1
1
1
10
1
1
1
1
3
1
1
1
1
5
1
1
1
1
7
1
1
1
1
10
1
1
1
1
4
1
1
1,0
1,0
5,8
1,0
1,0
nom
gb4-24
gb4-32
gb4-40
gb4-48
gb5-40
gb5-50
gb5-60
gb6-48
Moyenne
veh.
6
7
6
6
6
7
7
7
7
7
8
7
8
8
8
9
8
9
9
9
7
7
7
7
7
8
10
8
8
8
10
10
10
10
10
8
9
8
8
8
7,9
8,1
7,9
7,9
7,9
dist.
395,5
300,8
488,2
395,5
395,5
515,6
363,0
684,0
515,6
515,6
653,7
460,7
790,4
653,7
653,7
695,6
504,2
963,2
695,6
695,6
676,9
478,1
902,7
676,9
676,9
832,4
589,2
1052,6
832,4
832,4
1000,2
687,4
1290,6
1000,2
1000,2
773,5
534,5
945,1
773,5
773,5
692,9
489,7
889,6
692,9
692,9
tps perdu
2,9
60,2
0,0
2,9
2,9
14,9
113,2
0,0
14,9
14,9
12,0
137,2
0,0
12,0
12,0
30,1
156,0
0,0
30,1
30,1
17,6
154,1
0,0
17,6
17,6
27,5
173,2
0,0
27,5
27,5
9,7
208,2
0,0
9,7
9,7
12,9
177,9
0,0
12,9
12,9
16,0
147,5
0,0
16,0
16,0
tx remp.
0,5042
0,5199
0,6224
0,5042
0,5042
0,4216
0,4364
0,5695
0,4216
0,4216
0,4018
0,4123
0,4900
0,4018
0,4018
0,4581
0,4763
0,6501
0,4581
0,4581
0,4577
0,4646
0,6219
0,4577
0,4577
0,4277
0,4449
0,5437
0,4277
0,4277
0,4552
0,4587
0,5874
0,4552
0,4552
0,3637
0,3687
0,4464
0,3637
0,3637
0,4363
0,4477
0,5664
0,4363
0,4363
dure
1345,0
1469,4
935,0
1345,0
1345,0
2523,3
2417,7
1857,6
2523,3
2523,3
3479,8
3161,4
3227,9
3479,8
3479,8
4552,6
4587,5
3025,5
4552,6
4552,6
2390,1
2357,2
2010,6
2390,1
2390,1
3566,6
4018,5
3397,9
3566,6
3566,6
5491,5
5484,3
3720,7
5491,5
5491,5
2730,0
3094,4
2707,9
2730,0
2730,0
3259,9
3323,8
2610,4
3259,9
3259,9
tps roul
395,5
510,7
488,2
395,5
395,5
515,6
703,6
684,0
515,6
515,6
653,7
870,5
790,4
653,7
653,7
695,6
939,0
963,2
695,6
695,6
676,9
885,1
902,7
676,9
676,9
832,4
1116,0
1052,6
832,4
832,4
1000,2
1331,3
1290,6
1000,2
1000,2
773,5
1030,3
945,1
773,5
773,5
692,9
923,3
889,6
692,9
692,9
sec.
0
19
0
1
0
2
34
1
3
1
3
74
1
8
2
10
181
5
19
10
4
80
2
6
3
14
230
5
16
4
29
644
5
42
5
10
211
4
15
2
9,0
184,1
2,9
13,8
3,4
MP%
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
121
n.
1
1
4
1
1
1
1
5
1
1
1
1
13
1
1
1
1
7
1
1
1
1
17
1
1
1
1
17
1
1
1
1
17
1
1
1
1
14
1
1
1,0
1,0
11,8
1,0
1,0
nom
gb6-60
gb6-72
gb7-56
gb7-70
gb7-84
gb8-64
gb8-80
gb8-96
Moyenne
veh.
9
10
9
9
9
10
11
9
10
10
11
11
11
11
11
12
12
12
12
12
12
13
12
12
12
11
11
11
12
12
10
12
10
10
10
12
15
12
12
12
10,9
11,9
10,8
11,0
11,0
dist.
935,1
639,4
1262,3
937,0
937,0
1058,4
719,9
1442,1
1058,4
1058,4
924,1
633,3
1117,0
925,3
925,3
986,9
677,1
1384,2
988,7
988,7
1323,2
903,6
1702,2
1324,8
1324,8
948,3
645,8
1283,7
951,8
951,8
1132,8
782,4
1615,1
1133,6
1133,6
1355,7
921,2
1865,7
1356,1
1356,1
1083,1
740,3
1459,0
1084,5
1084,5
tps perdu
22,0
224,2
0,0
23,3
23,3
16,6
244,1
0,0
16,6
16,6
25,2
196,2
0,0
32,8
32,8
8,1
197,9
0,0
21,2
21,2
52,0
326,9
0,0
68,8
68,8
15,7
206,1
0,0
18,7
18,7
28,7
257,7
0,0
32,1
32,1
25,4
320,7
0,0
26,4
26,4
24,2
246,7
0,0
30,0
30,0
tx remp.
0,3709
0,3750
0,5021
0,3705
0,3705
0,4109
0,4190
0,5617
0,4109
0,4109
0,4039
0,4141
0,4899
0,4032
0,4032
0,4238
0,4326
0,5945
0,4219
0,4219
0,4080
0,4117
0,5296
0,4062
0,4062
0,4218
0,4329
0,5777
0,4197
0,4197
0,3720
0,3805
0,5305
0,3705
0,3705
0,4305
0,4404
0,5968
0,4302
0,4302
0,4052
0,4133
0,5479
0,4041
0,4041
dure
3762,5
4066,7
3054,0
3762,5
3762,5
5438,0
6151,2
3543,9
5438,0
5438,0
3008,1
3375,4
2510,6
3008,1
3008,1
4685,2
4789,5
3565,6
4584,2
4584,2
6688,2
7493,0
5379,6
6639,5
6639,5
3571,9
3773,0
3401,1
3930,1
3930,1
4478,1
5108,7
3962,1
4478,1
4478,1
6771,4
7597,3
5118,8
6771,4
6771,4
4800,4
5294,4
3817,0
4826,5
4826,5
tps roul
935,1
1249,2
1262,3
937,0
937,0
1058,4
1412,4
1442,1
1058,4
1058,4
924,1
1237,7
1117,0
925,3
925,3
986,9
1305,1
1384,2
988,7
988,7
1323,2
1757,1
1702,2
1324,8
1324,8
948,3
1275,9
1283,7
951,8
951,8
1132,8
1531,0
1615,1
1133,6
1133,6
1355,7
1822,8
1865,7
1356,1
1356,1
1083,1
1448,9
1459,0
1084,5
1084,5
sec.
30
1187
10
79
5
76
1925
20
115
15
14
287
3
26
30
48
1249
19
75
15
167
4172
26
199
35
38
1475
7
53
50
134
3421
57
181
60
437
7200
167
638
150
118,0
2614,5
38,6
170,8
45,0
MP%
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
-0,5
0,0
0,0
0,0
0,0
-0,1
0,0
0,0
0,0
122
n.
1
1
16
1
1
1
1
33
1
1
1
1
11
1
1
1
1
34
1
1
1
1
24
1
1
1
1
11
1
1
1
1
31
1
1
1
1
59
1
1
1,0
1,0
27,4
1,0
1,0
tant en terme de minimisation de la distance totale parcourue, 24, 0% en moyenne,

mais a un impact aussi fort (+27, 8%) sur le temps cumul pendant lequel les vhicules
se dplacent. Les temps de calcul subissent une forte augmentation (+2585%) explicable par laugmentation importante de la densit du graphe (+899%) et la faible importance des temps de calcul sur le 1-graphe, souvent infrieurs la seconde. Dans les
temps de calcul, nous ne comptons pas le temps imparti la construction des graphes.
Nous constatons que les deux mthodes doptimisation du taux de remplissage
convergent assez rapidement. La maximisation du remplissage (donc la minimisation
de son inverse qui est inscrite dans les tableaux sous le nom tx remp.) produit des solutions trs similaires celles produites par la minimisation de la distance totale parcourue sur un 1-graphe. On peut expliquer ces deux phnomnes par le fait que lobligation de servir toutes les requtes borne fortement les valeurs prises par le numrateur
et le dnominateur du taux de remplissage qui nest autre que la distance totale parcourue (dans le cas de la maximisation du taux de remplissage). Nous signalons aussi
que malgr leurs diffrences, les solutions optimales fournies par la mthode directe et
la mthode itrative sont strictement identiques pour toutes instances traites.
Le critre du temps perdu engendre des solutions avec plus de distance parcourue
pour un gain en temps perdu relativement faible, surtout pour les instances de type c.
Cependant, il est remarquable que mme avec un nombre de vhicules limit, la dure
roule cumule est assez proche de celle obtenue pour les autres critres.
Ces rsultats obtenus sur des instances acadmiques ne suffisent pas juger dfinitivement loptimisation suivant ces diffrents critres. Des expriences sur des instances
relles doivent complter cette analyse.
123
124
Troisime partie
tude de cas : Le TAD du Pays du

Doubs Central
125
Chapitre 5
Lapplication dveloppe
: Lapplication produite pour le TAD du Doubs Central est le sujet de ce chapitre.
Aprs un bref aperu des besoins et de la solution propose (section 5.1), nous prsentons la
partie doptimisation interne lapplication, dans la section 5.2. Le noyau de calcul des tournes
est une heuristique dinsertion. Nous comparons ses performances avec une adaptation de la
mthode de gnration de colonnes du chapitre 4.
RSUM
5.1
TAD mettre en place
5.1.1 Description gnrale du TAD raliser

Le Pays du Doubs Central, regroupant quelques 25000 habitants rpartis dans 99
communes dont 5 bourgs et associant 4 Communauts de Communes, est dot depuis
janvier 2006 du TAD TADOU. La carte de la figure 5.1 montre la rpartition des densits
de population et la structure des flux domicile-travail alternants dans le pays. Lobjectif,
dans ce territoire rural faible densit de population, consiste regrouper des voyageurs dans des vhicules parcourant des trajets optimiss en fonction des demandes.
Lquipe pluridisciplinaire, comprenant des gographes, des informaticiens, des ingnieurs en transport et des lus locaux souhaite activer deux leviers complmentaires
pour favoriser le regroupement :
par des rductions de cot octroyes aux clients qui souhaitent voyager ensemble,
quitte leur faire supporter quelques dtours et pertes de temps raisonnables,
par lutilisation de mthodes doptimisation de tournes visant minimiser les
cots et, par consquent, rduire les dtours et les pertes de temps pour les passagers.
Pour le Doubs Central, les tournes des vhicules (horaires de passage et parcours)
sont dfinies partir des demandes de transport des usagers. Les vhicules utiliss (en
sous-traitance) sont ceux des compagnies de taxis oprant sur le territoire du Doubs
127
Chapitre 5. Lapplication dveloppe
Rougemont
Isle sur le Doubs
Baume les Dames
Sancey
DENSITE DE POPULATION
MIGRATIONS DOMICILE-TRAVAIL
(habitants / km2)
(occurrences)
F IG . 5.1: Densits de populations et migrations alternantes dans le Pays du Doubs Central

(Josselin, 2005)
128
5.1. TAD mettre en place
Central, soit une dizaine de vhicules potentiellement. Ce service tant fortement subventionn par les collectivits, son cot de fonctionnement doit tre minimal. Cest avec
cet objectif que nous nous proposons de calculer, une fois les demandes de transport
recenses, des itinraires de taxis optimiss en terme de cot pour la collectivit.
Les tournes des taxis sont calcules jour aprs jour, pour une journe entire. Un
systme centralis de rservation accueille jusqu la veille au soir les requtes des utilisateurs. Chaque usager propose un horaire de prise en charge ou darrive plus ou
moins prcis parmi un semis de 170 arrts, le chauffeur ayant ensuite la libert dajuster le lieu darrive. En fonction des dtours maximaux possibles, on lui indique la
rservation lhoraire thorique darrive ou de prise en charge le cas chant (selon une
fourchette dont la borne suprieure constitue la limite maximale ne pas dpasser par
le service). Le calcul des tournes est lanc une fois les rservations bloques pour le
lendemain. Les usagers sont ensuite rappels afin de leur spcifier leur heure effective
de prise en charge. Enfin, les feuilles de route correspondantes sont communiques
aux taxis. Ces derniers restent libres de schanger les courses par la suite. Un taxi ne
peut pas regrouper ses propres clients avec ceux du TAD, cause des risques de non
conformit aux engagements vis--vis du client. Le systme est de plus dfini par :
le niveau de demandes de mobilit (li la structure des semis de populations sur
le territoire),
le nombre de vhicules disponibles (non extensible),
le nombre et la position de dpts de ces vhicules (les adresses des compagnies
de taxis gnralement),
le calcul du cot prconis pour rmunrer les compagnies de taxis (prise en
compte du haut-le-pied 1 , fixation du facteur kilomtrique et du montant de la
prise en charge),
quatre forfaits tarifaires (selon la zone et le regroupement),
les dtours autoriss (valeurs temporelles maximales ne pas dpasser par trajet).
Le TAD du Doubs Central correspond un problme de Dial-a-Ride ralis par
une flotte de plusieurs vhicules, utilisant des donnes statiques, sous contrainte de
fentres de temps. Les caractristiques principales de ce DARP sont les suivantes :
1. plusieurs vhicules de capacit limite, bass dans des dpts,
2. plusieurs requtes de transport origine-destination manant de plusieurs personnes, soumises des contraintes de qualit de service (respect des fentres de
temps et des dlais),
3. matrices des temps, distances et/ou cots, correspondant au rseau de transport,
4. objectif de minimisation des cots,
5. toutes ces donnes sont connues lavance.
5.1.2 Dfinition du problme de calcul de tournes

La collectivit est le client de lapplication, son objectif est que toutes les demandes
des clients soient satisfaites un moindre cot pour la collectivit.
1
trajet vide du taxi pour aller chercher un client.
129
5.1.2.1
Description des donnes
Le service doit rpondre R requtes de transport dun point de ramassage (lment de lensemble R+ ) vers un point de livraison (lment de lensemble R ). Servir une requte consiste ramasser un nombre Fr de personnes en +r et toutes les
dposer en r ; on pose F+r = Fr = Fr . Ainsi, des personnes partant du mme endroit pour des destinations diffrentes sont modlises par des requtes diffrentes. On
dispose dune flotte K de K vhicules, de dpts, de capacits, de cots fixes dutilisation journalire et de cots kilomtriques respectifs o k , F k , pck et Ckmk . On regroupe
sous le nom de service les ramassages, les livraisons ainsi que les dparts et les arrives aux dpts. Un arc (vi , v j )e est un chemin (dans le rseau routier) reliant le service i au service j. On dfinit ainsi un p-graphe complet orient G = (V , A) doublement valu,
o V est lensemble
des sommets vi reprsentants les diffrents services

(V = vi : i R+ R {vok : k K}). Les arcs (vi , v j )e sont pondrs par les valeurs Dije et Tije . Pour chaque arc (vi , v j )e et vhicule k on associe un cot Cijk e fonction de
la distance, Cijk e = Ckmk Dije . Larc (vi , v j )0 reprsente le plus court chemin en temps
in f
sup
de i vers j. Le service i doit dmarrer dans la fentre de temps [ Ti , Ti ]. Comme les

formules (5.1)-(5.3) le montrent, ces fentres de temps sont dduites de la requte client
sup
(i.e., la date limite darrive, note Tr ) et du dlai maximal autoris, pourcentage du
temps de parcours du chemin le plus court, et not delair . On se ramne ainsi un
problme de type m-PDPTW standard.
sup
sup
(5.1)
Tr+ = Tr delai
in f
sup
(5.2)
in f
in f
(5.3)
Tr+ = Tr Tr+ r 0
Tr = Tr+ + Tr+ r 0
Les vhicules partent vide, Fok = 0.
Pour dterminer si la tourne du vhicule k passe par larc (vi , v j )e A, on utilise

la variable de dcision ijk e dont la valeur est fixe 1 si larc est emprunt et 0 sinon. La
variable tik reprsente linstant o le vhicule k dbute le service en vi V et f ik reprsente la charge (nombre de passagers prsents dans le vhicule k) la fin du service en
vi V .
5.1.2.2
Modle mathmatique
min Lex(
kK (vi ,v j
)e A
ijk e Cije (0) +
kK (vok ,vi
130
)e A
pck okk ie ,
sup
(Tr
r R
trk+ ))
(5.4)
s.c.q.
kK (vr+ ,v j )e A
(vok ,v j )e A
(vr+ ,v j
)e A
rk+ je
(vi ,v j
)e A
(v j ,vr
ijk e
)e A
rk+ je = 1
r R,
(5.5)
okk je = 1
k K,
(5.6)
jrk e = 0
k K, r R,
(5.7)
jik e = 0
k K, j V,
(5.8)
(v j ,vi
)e A

e
ijk e tik + si + Tijk e tkj = 0 k K, vi , v j A \ {R R+ },

e
ijk e tik + si + Tijk e tkj 0 k K, vi , v j A {R R+ },
in f
Ti
sup
tik Ti
trk+ + sr+ + Trk+ r 0 trk

ijk e f ik + Fije f jk = 0
f rk+
f rk
(vr+ ,v j
(vi ,vr )e A
)e A
rk+ je F k
irk e F k + Fir e
ijk e {0, 1}
(5.9)
(5.10)
k K, i V,
(5.11)
k K, r R,
e
k K, vi , v j A,
(5.12)
k K, r R,
(5.14)
k K, r R,
(5.15)
k K, vi , v j
e
A.
(5.13)
(5.16)
k
k
= 0 i 6= ok ; Lok = Lmk = demk ok (0) =
avec okk r = rk+ mk = 0 ; io
= 0 i 6= mk ; m
k
ki
e
e
e
dmk ok (1) = dimk (1) = dok i (1) = 0 ; Aok = Amk = et Bok = Bmk = .
5.1.2.2.1 Explication des contraintes

[5.4] La fonction objectif minimisant le cot total des trajets et les cots dutilisation des vhicules. Dans un deuxime temps, le temps perdu est minimis.
[5.5] Chaque requte est servie exactement une fois et ceci par un seul vhicule.
[5.5] Exactement un vhicule k quitte le nud de ramassage r + et ce une seule
fois.
[5.6] Un vhicule effectue au plus une tourne. Le vhicule k quitte exactement
une fois son dpt de dpart ; on considre quil neffectue pas de tourne, sil va
directement son dpt darrive.
[5.7] Une requte est servie par un seul vhicule. Si le vhicule k quitte le nud
de ramassage r + alors k arrive au nud de livraison r correspondant.
[5.8] Le vhicule k quitte un nud v j autant de fois quil le rejoint ; que j soit un
ramassage, de livraison ou de dpt.
[5.9] et [5.10] Si le vhicule k emprunte larc de vi vers v j , il doit dbuter le service en j aprs avoir pu finir le service en i puis voyag par (vi , v j )e . Un temps
de latence (ou dattente) est tolr uniquement aprs une livraison suivie dun ra131
massage. Ces contraintes assurent llimination des sous-tours 2 (Desrosiers et al.,

1984).
[5.11] Le vhicule k respecte la fentre de temps pour le dbut du service au nud
vi .
[5.12] Le ramassage doit se faire avant la livraison. 3
[5.13] Les vhicules ont lobligation deffectuer la requte complte (on prend ou
on dpose toutes les personnes) au passage en v j . On admet quon ne dpose
personne en route.
[5.14] Le nombre de personnes dans le vhicule k aprs un ramassage en vi est
compris entre le nombre de personnes prendre en vi et la capacit de k.
[5.15] Aprs une livraison en vi , il doit y avoir au moins autant de places libres
dans le vhicule que ce qui doit tre charg en vi .
[5.16] Le vhicule k prend ou ne prend pas larc numro e de vi vers v j .
La majeure diffrence entre ce modle et celui tudi dans le chapitre 4 est la prsence de diffrents vhicules. Les contraintes sur les temps dattente absurdes ninterviennent quau deuxime niveau de loptimisation, lors de la minimisation des temps
perdus. Ce modle mathmatique peut tre aisment linaris. Rsoudre ce problme
en utilisant sa relaxation linaire est possible en y ajoutant un certain nombre de coupes
non triviales (Ropke et al., 2007). Nous donnons ici le modle titre informatif puisque
nous avons opt dans cette thse pour une rsolution du modle daffectation gnralis par gnration de colonnes.
5.1.3 Lapplication TADOU
Lapplication TADOU (figure 5.2) dveloppe par lquipe de recherche et maintenant proprit de la socit Prorentsoft permet loprateur denregistrer les requtes
de transport, puis de crer manuellement ou automatiquement des tournes. Un module permet aussi la modification manuelle des tournes puis le contrle automatique
de leur validit. Enfin les tournes peuvent tre dites afin dtre transmises aux compagnies de taxis. Sur la figure 5.3 on voit comment loprateur enregistre une nouvelle
requte et peut entre autres lui attribuer des fentres de temps plus ou moins souples.
Les donnes relatives au systme de transport (vhicules, rseau routier, arrts. . .)
et aux requtes sont stockes dans une base de donnes Microsoft Access. Le noyau de
calcul des tournes est en C++. Linterface avec la base de donnes et quelques prtraitements sont cods en Microsoft Visual Basic.
2
3
un sous-tour est un circuit nayant pas de dpt pour origine.

remplacer par tik ti ,k k K, i R+ si lingalit triangulaire nest pas respecte par les Tij .
132
F IG . 5.2: Accueil de TADOU
F IG . 5.3: Enregistrement dune requte avec paramtrage de son niveau de qualit de service
133
5.2
Heuristique doptimisation
5.2.1 Rsolution par un algorithme dinsertion

Le volume de donnes traiter dans le Doubs Central permet denvisager une approche exacte. Cependant, deux contraintes nous ont orients vers une autre approche.
Premirement le projet du Doubs Central est un projet daction recherche qui par dfinition noffre pas un systme de transport clairement dfini optimiser. En effet de
nombreuses variantes mineures ou majeures ont t considres au cours dun dveloppement qui devait tre oprationnellement intgr avant la fin de la premire anne
de thse. Certaines de ces modifications auraient pu tre rdhibitoires ou auraient entran de lourds ajustements pour une mthode complexe. De plus, la socit assurant
prsent la maintenance et le dveloppement du produit possde un noyau d optimisation bas sur un algorithme dont la matrise ncessite peu de connaissances, ce qui
tait un de leurs souhaits en vue de sattaquer au march des TAD en temps rels. Nous
avons donc propos un algorithme (cod en C++) standard dinsertion combin un
oprateur simplifi de recherche locale. Cette approche nous semble raisonnablement
rpondre aux attentes des divers acteurs du projet et nous a offert un certain confort au
niveau du temps de ralisation par rapport aux dlais de livraison du premier prototype oprationnel.
5.2.1.1
Ide gnrale
Nous proposons un algorithme doptimisation dcrit par la figure 5.4 qui fonctionne
en trois phases :
une premire phase pendant laquelle on construit des tournes ralisables par
une procdure dinsertion gloutonne (algorithme 5),
une seconde phase o, par le biais dinsertions et de suppressions de requtes
dans les tournes, on cherche amliorer la qualit de la solution,
une dernire procdure fixe les dates de ralisations des services.
Linsertion des requtes se fait dans la tourne o elle est la moins coteuse. Linsertion dune requte dans une tourne ne doit pas modifier lordre dj tabli entre les
sommets composant cette tourne une itration prcdente.
5.2.1.2
Procdure dinsertion gloutonne
Des squences vides sont associes chaque vhicule. Les requtes sont insres
une une dans un ordre prdfini. Une nouvelle insertion ne remet pas en cause lordre
tabli par les insertions prcdentes. Le choix des arcs slectionns est en revanche roptimis chaque insertion. En effet, linsertion dune requte peut contraindre lutilisation de chemins plus rapides mais plus coteux. Le calcul dune tourne optimale
position dinsertion et slection des arcs est un cas particulier du problme de Slection des Arcs dans une Squence Fixe (PSASF, voir section 3.3.3) avec trois ressources,
134
5.2. Heuristique doptimisation
iter := 0
Trier les requtes suivant

lordre initial
liste des requtes
Trier les requtes suivant lordre
dcroissant des cots marginaux
Heuristique dinsertion
squence solution
Calcul des cots marginaux
Mthode de descente
Non
squence solution amliore
iter = 2 ?
iter := iter + 1
Mthode dhorodatage
Oui
solution finale
F IG . 5.4: Rsolution en trois phases
135
une pour la dure (T), une pour les flux de passagers (F) et une pour reprsenter linsertion de la nouvelle requte r (I), dans un graphe adapt. Cette dernire ressource prend
la valeur 1 lorsque la nouvelle requte est en cours, la valeur 2 lorsque sa livraison a t
effectue et 0 lorsque la nouvelle requte nest pas commence. Linsertion est bien sr
valide uniquement si la ressource I est la valeur 2 larrive au dpt. Notons que si
la quantit de passagers maximale rencontre dans la squence initiale S est infrieure
la diffrence entre la capacit du vhicule (F k ) et le nombre de passagers de la nouvelle requte, alors la ressource sur le flux de passagers peut tre ignore sans risque de
perte doptimalit. Afin dappliquer notre algorithme, nous construisons le p-graphe
acyclique Gr = (Vr , Ar ) dont les sommets sont ceux de la squence initiale S auxquels nous ajoutons un sommet pour chaque position dinsertion envisageable pour r +
et r , formant ainsi les ensembles respectifs Clone(r + ) et Clone(r ). Nous prcisons
que dterminer si une position dinsertion est envisageable ou non se fait ici par une
simple vrification sur les fentres de temps et de flux. Tous les arcs respectant lordre
impos par S = sont inclus dans Ar , comme lindique la figure 5.5. Un nouvel indiage des sommets est tabli ( ct des sommets sur la figure). Le parcours respectant
lordre de ces indices assure de ne jamais passer deux fois par un mme sommet, ce qui
vite de contrler llmentarit des chemins partiels pour les sommets de S .
Clone(r + ) :
v1
v3
v6
r+
r+
r+
v10
v8
Gr : v0
v1
v0
v2
Clone(r ) :
v2
v3
v4
v5
r
v4
v7
v9
F IG . 5.5: Insertion dune requte dans une squence construction du p-graphe
Lalgorithme 5 accompagn des deux fonctions 6 et 7, est une adaptation de lalgorithme 2 de la section 3.3.3 rsolvant (PSASF).
Cet algorithme sapplique au cas du graphe simple (ne reprsentant pas tous les
chemins non-domins entre chaque paire de sommets) condition de modifier, dans la
fonction de dominance, lingalit entre les niveaux de consommation de la ressource I
par une galit. En effet, dans ce cas, il nest pas sr de pouvoir rencontrer un arc entre
deux sommets i et j de S dominant (en fonction du cot et de la dure) un dtour
entre i et j passant par r + et/ou r . Ainsi, on ne peut pas dcider de la dominance entre
deux chemins partiels qui nont pas le mme niveau davancement dans le service de
la nouvelle requte r.
Il parat raisonnable de supposer que des bonnes tournes (peu coteuses) vont
effectuer des regroupements de requtes intressants. De tels regroupements doivent
rpondre des contraintes de proximit spatiale et temporelle. Il est clair que le regroupement de deux requtes proches spatialement et temporellement, a des chances
damliorer le cot de la solution. Linsertion dune requte seffectuant au moindre
136
Algorithme 5 : Procdure dinsertion

Donnes : Gr une squence
Rsultat : CH( R+k) les chemins arrivant au dpt
1 Initialisation : CHR+k : = un chemin au dpart du dpt;
2 i : = R + k;
3 tant que i 6 = ( R + k ) faire
4
5
pour chaque arc (vi , vi )e faire
6
ch := extension(ch, (vi , vi )e );
7
si ch 6= alors
8
si dominance(ch )=faux
alors
CHi := CHi ch ;
9
Algorithme 6 : Fonction dextension

Donnes : ch CHi , (vi , v j )e A
Rsultat : ou ch extension de ch
+
1 si j Clone (r ), Ich = 0 alors
2
Ich := 1;
3 sinon
4
si j Clone(r ), Ich = 1 alors
5
Ich := 2;
6
sinon
7
si j 6 V ou (j = R k et Ich 6= 2) alors
8
retourne ;
9
10
11
12
13
14
15
in f
Tch := max( Tch + Tije , Tj );

Fch := Fch + Fije ;
Cch := Cch + Cije ;
sup
si Tch > Tj ou Fch > F k alors
retourne ;
sinon
retourne ch ;
137
Algorithme 7 : Fonction de dominance

Donnes : ch CHi
Rsultat : ch a un dominant ?
1 pour chaque chemin partiel ch CHi faire

si Tch Tch et Cch
Cch et Fch Fch et Ich Ich alors
2
CHi := CHi \ ch ;
3
4
sinon
si Tch Tch et Cch Cch et Fch Fch et Ich Ich alors
5
6
retourne vrai;
7
retourne f aux;
cot, elle a tendance privilgier le critre spatial dans loptimisation. Nous proposons
donc de trier initialement les requtes suivant une rgle de priorit temporelle base
sur la date de livraison souhaite.
Une autre technique est de dterminer lordre de traitement des requtes partir
dune solution obtenue par lalgorithme partir dun ordre quelconque. Un bnfice
est associ la suppression momentane de chaque requte. Le calcul de ce bnfice
induit la rsolution dun nouveau PSASF sans, bien sr, la ressource reprsentant linsertion de la requte. Une fois tous les bnfices de suppressions calculs, la procdure
dinsertion est relance sur les requtes dans lordre des valeurs dcroissantes de ces
bnfices.
5.2.1.3
Optimisation locale par suppression puis insertion
Lide est de retirer certaines requtes de la solution, puis de les rinsrer au moindre
cot (avec la mme procdure dinsertion que pour lalgorithme 5) dinsertion gloutonne. La nouvelle solution est ainsi soit identique lancienne, soit plus avantageuse.
On peut esprer modifier la solution courante par cette opration puisque, par rapport
linsertion lors de la premire excution de lalgorithme 5, toutes les requtes sont
desservies. Dans un premier temps, ce traitement est appliqu aux requtes dans leur
ordre initial dinsertion (qui est lordre stant rvl comme le plus efficace exprimentalement). Ensuite, le choix de la requte insrer se fait alatoirement jusqu atteindre
une limite de temps de calcul impose ou que plus aucune amlioration de la solution
ne puisse tre espre.
5.2.1.4
Horodatage
la fin de la seconde tape, les squences et les arcs correspondant aux tournes
sont choisis. Le premier niveau de la fonction objectif est donc atteint sur lensemble
des squences obtenues. Il sagit prsent de rsoudre le problme dhorodatage de
minimisation du temps perdu, dans un 1-graphe, prsent dans la section 3.3.2. Deux
138
procdures rcursives, la premire parcourant la tourne du dpt darrive vers celui

de dpart et la seconde parcourant la tourne en sens inverse, permettent de construire
un horodatage fixant les ramassages au plus tard, afin de minimiser le temps perdu, et
les livraisons au plus tt, afin dviter les temps dattente absurdes (voir les sections 3.2
et 3.3.2 pour plus de dtails).
5.2.2 Rsultats
Afin dvaluer les performances de notre heuristique, nous comparons les rsultats
obtenus par lheuristique avec ceux obtenus par gnration de colonnes. Le problme
matre doit tre lgrement modifi pour permettre de considrer une flotte htrogne
de vhicules, compose de M vhicules type reprsentant des vhicules aux mmes caractristiques. chaque itration, les problmes esclaves inhrents chaque vhicule
type sont rsolus dans un ordre alatoire (biais par la valeur de la variable duale associe). La recherche de tournes est stoppe ds quun nombre maximal de tournes de
cot rduit ngatif est atteint. Le nombre maximal de tournes remonter au problme
matre est dcrment en fonction du temps dj imparti la rsolution des problmes
esclaves dune mme itration. Le problme matre prsent dans la section 4.1.1 prend
la forme suivante :
(MP)
min
(5.17)
s.c.q.
[r ]
(5.18)
K m m = 1, . . . , M, [m ]
(5.19)
r = 1
r = 1, . . . , R,
{0, 1}
(5.20)
Le problme esclave nest pas modifi par ces nouvelles contraintes puisquelles
sont indpendantes dun vhicule lautre. Nous prsentons des rsultats sur huit instances ralistes (le tableau 5.1) dont la construction est explique dans la section 6.1.2,
et sur les instances modifies de Li et Lim (les tableaux 5.2, 5.3 et 5.4). Le temps de
calcul de lheuristique en fait de la phase dinsertion/suppression car la construction
est trs rapide est limit 6 secondes. Le temps de calcul de la gnration de colonne
(colonne sec. opt.) inclut 18 secondes consacres trois excutions de lheuristique pour
initialiser lalgorithme.
La mthode heuristique propose ne parvient que rarement loptimum et dans le
cas de la recherche dans un p-graphe les solutions obtenues peuvent tre jusqu 20%
suprieures loptimum. Nanmoins, il est intressant de remarquer que ces solutions
obtenues rapidement sur le p-graphe (instances mr et mc), ont un cot souvent infrieur celui des solutions optimales calcules sur le 1-graphe (instances gr et gc).
139
type ala Garaix T. Univ. Avignon
type v Garaix T. Univ. Avignon
type boul Garaix T. Univ. Avignon
type ple Garaix T. Univ. Avignon
F IG . 5.6: Quatre solutions types pour des instances 50 requtes dans le Doubs Central
140
nom
mdc199
dc199
mdc200
dc200
mdc201
dc201
mdc202
dc202
mdc374
dc374
mdc375
dc375
mdc376
dc376
mdc377
dc377
veh.
11
11
16
10
14
13
11
13
11
12
16
16
14
16
14
16
dist.
1589,1
1747,9
1274,5
1427,0
1192,4
1286,4
1381,6
1475,4
1570,2
1710,5
1324,2
1470,5
1368,6
1465,3
1453,2
1583,2
dist. opt.
1463,6
1592,1
1273,3
1425,0
1173,2
1253,2
1155,0
1350,5
1471,4
1596,2
1323,0
1467,1
1361,3
1457,5
1278,0
1494,9
%opt
8,6
9,8
0,1
0,1
1,6
2,6
19,6
9,3
6,7
7,2
0,1
0,2
0,5
0,5
13,7
5,9
sec. heu.
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
sec. opt.
1144
60
193
46
1742
234
3600
48
693
36
215
24
158
23
2850
32
TAB . 5.1: Rsultats pour huit instances ralistes

nom
mr101
gr101
mr102
gr102
mr103
gr103
mr104
gr104
mr105
gr105
mr106
gr106
mr107
gr107
mr108
gr108
mr109
gr109
mr110
gr110
mr111
gr111
mr112
gr112
veh.
25
24
23
22
17
17
25
25
25
25
20
18
19
17
27
27
23
23
25
25
22
21
27
27
dist.
1536,4
2030,6
1467,1
1970,2
1461,0
1888,3
1442,4
1908,7
1570,0
2082,1
1448,5
1873,4
1464,5
1882,9
1592,7
2131,2
1489,8
1948,5
1500,8
1972,6
1427,6
1877,0
1715,4
2187,2
dist. opt.
1530,3
1988,5
1451,6
1927,2
1398,4
1812,9
1440,6
1897,6
1562,8
2046,4
1426,3
1864,0
1412,5
1834,5
1588,5
2125,7
1451,5
1917,8
1476,7
1961,4
1413,0
1844,0
1705,3
2182,2
%opt.
0,4
2,1
1,1
2,2
4,5
4,2
0,1
0,6
0,5
1,7
1,6
0,5
3,7
2,6
0,3
0,3
2,6
1,6
1,6
0,6
1,0
1,8
0,6
0,2
sec. heu.
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
sec. opt.
19,82
18,12
23,87
18,16
23,36
18,24
19,19
18,15
20,23
18,14
20,39
18,18
25,14
18,17
18,58
18,12
19,06
18,14
18,85
18,1
21,59
18,12
18,21
18,1
TAB . 5.2: Rsultats de lheuristique pour les instances gr et mr
Laffichage des tournes solutions sur la carte du Doubs Central (figure 5.2.2) apporte des informations supplmentaires quant lutilisation des routes. Les quatre so141
nom
mc101
gc101
mc102
gc102
mc103
gc103
mc104
gc104
mc105
gc105
mc106
gc106
mc107
gc107
mc108
gc108
mc109
gc109
veh.
9
9
9
9
13
13
28
28
11
11
13
13
14
13
12
12
17
17
dist.
991,8
1247,6
961,2
1296,8
1027,7
1375,0
1461,1
1984,5
982,9
1345,7
1009,4
1296,3
1000,0
1418,9
994,7
1278,7
1137,0
1488,3
dist. opt.
795,6
1002,8
813,4
1060,9
942,8
1250,4
1438,4
1982,2
900,1
1185,4
952,5
1244,7
982,5
1305,9
941,8
1191,3
1116,6
1453,2
%opt.
24,7
24,4
18,2
22,2
9,0
10,0
1,6
0,1
9,2
13,5
6,0
4,1
1,8
8,6
5,6
7,3
1,8
2,4
sec. heu.
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
sec. opt.
77,47
18,62
89,21
18,82
53,51
18,6
21,98
18,18
54,37
18,59
52,06
18,48
56,11
18,36
56,9
18,39
34,25
18,37
TAB . 5.3: Rsultats de lheuristique pour les instances gc et mc

nom
mrc101
grc101
mrc102
grc102
mrc103
grc103
mrc104
grc104
mrc105
grc105
mrc106
grc106
mrc107
grc107
mrc108
grc108
veh.
22
22
21
19
18
17
27
27
25
25
21
20
29
29
30
30
dist.
1775,7
2301,6
1655,4
2149,1
1608,5
2166,8
1916,1
2637,7
1869,0
2590,4
1693,0
2189,2
1927,9
2632,9
1965,5
2662,9
dist. opt.
1769,1
2290,9
1645,8
2145,7
1545,0
2055,4
1898,6
2599,8
1856,4
2543,2
1693,0
2179,9
1926,9
2632,9
1965,5
2662,9
%opt.
0,4
0,5
0,6
0,2
4,1
5,4
0,9
1,5
0,7
1,9
0,0
0,4
0,1
0,0
0,0
0,0
sec. heu.
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
sec. opt.
20,43
18,09
20,38
18,16
21,29
18,2
19,74
18,12
18,62
18,12
19,48
18,11
18,66
18,09
18,26
18,1
TAB . 5.4: Rsultats de lheuristique pour les instances grc et mrc
lutions (une par scnario) proposes indiquent que le scnario dune augmentation
de trafic faisant ressortir limportance des ples dhabitation entrane une utilisation
presque exclusive de seulement trois routes.
142
Chapitre 6
Visualisation des tournes

: Aprs avoir mis en place des outils permettant la visualisation et la manipulation
des tournes de vhicules dans leur environnement gographique, nous gnrons des instances
ralistes correspondant diffrents scnarios de demandes de transport. Nous comparons ensuite
les solutions obtenues partir des trois critres de qualit de service que sont la distance totale
parcourue, le temps perdu et le taux de remplissage. Pour finir dans la section 6.2, nous tudions
comment valuer la sinuosit des tournes, vue comme un critre de qualit de service li la
forme des tournes.
RSUM
6.1
Plate-forme de travail couple un SIG
Afin de pouvoir analyser les interactions entre le systme de transport et son environnement, il est ncessaire dintgrer les rsultats de lactivit du TAD dans des outils
danalyse du territoire et des populations couramment utiliss. Certains chercheurs,
dont les gographes, ont un besoin en traitement et analyse de gros volumes de donnes pour gnrer des statistiques, mais aussi un besoin de visualisation au plus proche
de la ralit gographique pour affiner et critiquer les observations statistiques.
Les Systmes dInformation Gographique ont cette proprit. Ils permettent de
traiter de vastes bases de donnes, pouvant contenir des objets gomtriques complexes, et de visualiser sous diffrentes formes, gnralement de type cartographique,
les rsultats des requtes effectues sur ces donnes. Les produits commerciaux (Mapinfo, Arcgis, Geoconcept. . .), relativement onreux, sont trs aboutis dans le traitement
et laffichage des rsultats des requtes mais leur utilisation rend linteraction directe
avec la base de donnes difficile ; ils respectent des standards qui leur sont propres
(par exemple la prsentation des objets gomtriques avec les formats MIF/MID, ESRI
shape. . .) et ne possdent pas, dans leur version de base, de modules de calcul de tournes de vhicules (au mieux une mthode de calcul de plus court chemin). Pour ces
143
Chapitre 6. Visualisation des tournes
raisons et dans la perspective de raliser un outil universitaire libre daccs, nous nous
sommes intresss aux logiciels libres (open source) du domaine.
6.1.1 Structure de la plateforme Opensource

En 2004, loffre en logiciels libres dans le domaine des SIG est au dbut de son dveloppement. Loffre sest largement toffe depuis mais lide dun projet global intgrant diffrents modules reste assez lointaine puisque les projets propres chaque
module ne sont pas encore arrivs maturit. Seule la structuration des objets gomtriques au formalisme du projet Postgis ( lorigine, une extension du projet de SGBD1
Postgres) semble simposer. Beaucoup de fonctions sont dj dveloppes pour leur
manipulation et les conversions bidirectionnelles sont possibles avec la plupart des formats de donnes standard vectoriels ou non. Nous avons donc nous-mmes assur
linteroprabilit entre diffrents projets, comme lillustre la figure 6.1 o les flches en
pointills indiquent les connexions restant ce jour accomplir.
La base de donnes est une base Postgres configure pour la gestion dobjets gographiques Postgis, capable dutiliser des milliers de Systmes Rfrentiels, et construits
partir dobjets gomtriques Postgis. Le SIG Quantum GIS permet la visualisation, la
manipulation encore limite et ldition des donnes, le croisement avec dautres
donnes provenant de diverses sources (base de donnes, fichiers Shape, MIF/MID,
Raster, Mapserver. . .) et la cration de cartes. Dautre modules sont dvelopps ou en
projet, comme le couplage un systme GPS. Un serveur de cartes, Mapserver, bas sur
un serveur Http Apache et un serveur Php, permet la diffusion de cartes travers le
rseau internet. cela, vient sintgrer le noyau de calcul de tournes de vhicules qui
prend les donnes dans la base et y rinjecte les solutions obtenues. Le noyau dvelopp
en C++ (et SQL pour certains traitements) a t adapt pour pouvoir devenir, moindre
effort, un module du projet PgRouting qui intgre dj les rsolutions du problme de
plus court chemin et du voyageur de commerce, et qui devrait donner naissance un
module dans QuantumGIS. Ce dernier permettrait alors, depuis son interface, de grer
la gnration des donnes, le calcul des tournes et lanalyse des rsultats.
6.1.2 Construction dinstances types

Comme on a pu sen apercevoir avec les rsultats obtenus sur les instances de la littrature, la structure spatiale de la demande (trois classes sont distingues : groupes,
alatoires et mixtes) a un impact sur le type de solutions trouves (nombre de vhicules
utiliss, distance parcourue. . .). Dautres caractristiques gnrales des demandes mritent dtre observes, comme lorientation des flux pour la dimension spatiale et la
rpartition dans le temps et taille des fentres de temps associes dans la dimension
temporelle. Nous souhaitons aussi tudier des caractristiques plus lies au dtail du
terrain comme le taux de frquentation des routes, la forme des tournes ou la rpartition gographique des vhicules. Il est vident que ce type dobservations nest envisa1
SGBD : Systme de Gestion de Base de Donnes.
144
6.1. Plate-forme de travail couple un SIG
TAD
requtes
vhicules
Ralisations
commandes
Apache
Internet
cartes
QGIS
Php
donnes
contrles
Mapserver
donnes
Donnes
IGN
Traitements
ajout donnes
corrections
Postgres
SQL
Noyau
de calcul
tournes
C++
chemins
tournes
p-graphes
fichiers
mif/mid
Mise au format
Postgis
rsultats
Traitements PLSQL
sinuosit
statistiques
gnrateur de flux
F IG . 6.1: Plate-forme ddition, de visualisation et de diffusion de tournes de vhicules
145
geable quavec des donnes ralistes. De plus, on peut sattendre ce que limpact des
critres de qualit de services considrs soit trs diffrent sur des donnes ralistes ;
comme nous le laisse imaginer le cas du dtour maximal autoris. Ce dernier est tabli
en fonction de la distance entre le lieu de ramassage et celui de livraison. Il correspond
une distance euclidienne pour les instances de la littrature et un itinraire sur le
rseau pour des donnes relles. Il est clair que litinraire sur le rseau a des chances
de passer par des lieux de ramassage ou de livraison dautres requtes ; regrouper ces
services dans le mme vhicule naffecterait donc nullement le volume de dtour enregistr pour les requtes concernes. La figure 6.2 prsente un exemple o le plus court
chemin dans le rseau routier entre le ramassage et la livraison passe exactement par le
ramassage dune autre requte, ce qui est fort possible dans un rseau routier. Pour que
ce cas se produise dans le plan euclidien, il faudrait que j+ se trouve sur le segment
[i+ , i ], ce qui est peu probable.
Rseau routier
i
Plan euclidien
T + 0
i i
T + +0
i j
T + +0
i j
T + +0
i j
T + 0
j i
j+
j+
Ti+ i 0 = Ti+ j+ 0 + Tj+ i 0
Ti+ i 0 < Ti+ j+ 0 + Tj+ i 0
F IG . 6.2: Regroupement sans dtours dans un rseau routier
Nous considrons trois axes de diffrentiation des flux de passagers. Le premier axe
est le niveau de polarisation spatiale des flux. Les demandes de transport peuvent tre
mises tout azimut ou plus ou moins concentres entre un ou plusieurs ples dans leur
direction et ventuellement leur orientation. Le deuxime axe correspond au niveau de
polarisation temporelle des flux ; cest--dire la prsence et la rpartition des pics de
demandes au cours du temps. Le troisime axe reprsente le niveau de dtour autoris
par les passagers.
Nous restreignons notre tude aux cas correspondants quatre scnarii dvolution
possible du systme TADOU. On peut estimer que le fonctionnement actuel qui correspond au premier scnario not alea, traite des demandes quitablement rparties dans
lespace et le temps, puisque le nombre assez faible de demandes journalires (entre
dix et trente requtes par jour) ne permet pas aux concentrations de populations des
plus gros bourgs davoir un impact significatif sur la structure des flux dune journe.
Le deuxime scnario not ple correspond une monte en charge du systme qui ferait apparatre les zones les plus densment habites comme des ples dattraction des
flux. Deux autres scnarii respectivement nots boul et vn peuvent apparatre, ils correspondent des vnements dans une zone gographique restreinte concentrant les
flux sur une plage horaire rduite ou bien tendue toute une journe.
Pour chaque type de flux, nous gnrons des instances 50 requtes car partir dun
146
certain seuil doccupation des vhicules, la monte en charge naffecte pas les critres de
qualit de service considrs et augmente uniquement le nombre de vhicules utiliss.
Ce travail est rendu possible par le dveloppement doutils dintgration des cartes
IGN2 contenant les informations dtailles du rseau (localisation spatiale en longitude,
latitude et altitude, pnibilit, types dintersection, ponts, pages, nature administrative des routes. . .), dans la base de donnes au format Postgis ; puis du dveloppement
doutils paramtrables : un intgrateur et un gnrateur de flux sur les donnes relles.
La carte 6.3 est un aperu du rseau routier du Doubs Central. Une portion dautoroute traverse le territoire dest en ouest en son milieu (trait large). Deux voies rapides
(limites 110 km/h) traversent le territoire du nord au sud et dans la direction sud-est
nord-ouest (lignes traits-points). Le reste du rseau est compos de routes limites 70
km/h (en pointills) et 50 km/h. Cela reprsente un graphe de 2 792 tronons aux
caractristiques identiques eux-mmes dcomposs en 26 585 segments, 2 151 nuds
dont 170 arrts marqus par des drapeaux, et 8 dpts reprsents par des voitures.
Nous avons calcul 166 473 chemins non-domins (par rapport la dure et la distance), avec lalgorithme 4 de construction de p-graphe de la section 4.2.1.1.
F IG . 6.3: Rseau routier du Doubs Central

2
IGN : Institut Gographique National.
147
Le tableau 6.1 contient les caractristiques de huit instances gnres suivant les
scnarii prcits et indiqus dans la colonne modle. Les instances sont groupes par
nom
dc199
dc374
dc200
dc375
dc201
dc376
dc202
dc377
modle
alea154
alea154
vn159
vn159
boul161
boul161
ple163
ple163
req.
50
50
50
50
50
50
50
50
largeur
8,09
5,39
5,64
3,76
6,35
4,24
7,16
4,77
cart
24,27
21,57
16,93
15,05
19,06
16,94
21,48
19,10
dens. 1-g.
0,96
0,94
0,97
0,96
0,91
0,78
1,02
0,99
dens. p-g.
4,48
4,40
2,51
2,48
3,27
2,87
6,74
6,57
flux
2
2
2
2
2
2
2
2
TAB . 6.1: Caractristiques de 8 instances ralistes
paires identiques deux deux. La diffrence est faite par les contraintes de fentres
de temps. Les instances dont le nom inclut un nombre compris entre 199 et 202 ont
des fentres de temps calcules avec des dtours (en temps) maximaux gaux un
tiers du plus court chemin en temps entre ramassage et livraison. Les autres instances
(numrotes entre 374 et 377) ont des flux identiques pour un mme modle avec un
dtour maximal autoris dun quart du plus court chemin en temps.
6.1.3 Critres de qualit de service et modles de flux
Les trois critres de qualit de service tudis dans la section 4.2 sont, cette fois, tests sur les instances issues de notre gnrateur et correspondant chacun des scnarii
proposs. Le taux de remplissage a t optimis via la mthode directe. Les rsultats
se trouvent dans le tableau 6.2 et sont trs semblables ceux obtenus sur les instances
issues de la littrature. La relaxation linaire est toujours de bonne qualit (MP% 0) et
amne rapidement une solution entire ; sauf pour linstance dc201 et le critre de distance, o 539 nuds sont crs. Loptimisation suivant le taux de remplissage fournit
des solutions aux valeurs proches de celles fournies par loptimisation de la distance sur
un 1-graphe. Cependant, les diffrences constates sur le nombre de vhicules utiliss
pour ces deux optimisations suggrent certaines diffrences structurelles qui pnalisent
plus les trajets regroupant des requtes en vue dun gain en distance parcourue et qui
gnrent un faible taux de remplissage. Nous remarquons quau plus la demande est
diffuse (dans le temps et le territoire), moins la rduction des fentres de temps (de un
tiers un quart du chemin le plus rapide) a dimpact sur le nombre de vhicules utiliss
et la distance parcourue. Ces rsultats montrent que mme sur un rseau rel, la modlisation par un p-graphe amliore significativement les rsultats en terme de distance
totale parcourue.
148
nom critre
dc199 dist. alt.
dist.
tx remp.
tps. perdu
dc200 dist. alt.
dist.
tx remp.
tps. perdu
dc201 dist. alt.
dist.
tx remp.
tps. perdu
dc202 dist. alt.
dist.
tx remp.
tps. perdu
dc374 dist. alt.
dist.
tx remp.
tps. perdu
dc375 dist. alt.
dist.
tx remp.
tps. perdu
dc376 dist. alt.
dist.
tx remp.
tps. perdu
dc377 dist. alt.
dist.
tx remp.
tps. perdu
veh.
11
11
13
11
16
10
17
10
14
13
14
13
11
13
12
13
11
12
11
11
16
16
18
13
14
16
15
16
14
16
15
14
dist.
1463,6
1592,1
1597,8
2178,5
1273,3
1425,0
1425,9
1650,4
1173,2
1253,2
1264,8
1956,3
1155,0
1350,5
1354,8
1928,8
1471,4
1596,2
1599,8
2238,5
1323,0
1467,1
1468,0
1698,2
1361,3
1457,5
1464,5
2122,8
1278,0
1494,9
1497,8
2086,5
tps. perdu
122,8
43,5
53,0
0,0
77,3
30,9
27,6
0,0
187,5
131,2
152,9
5,3
148,1
70,0
75,8
0,0
101,2
25,2
20,4
0,0
43,0
12,2
10,6
0,0
118,4
65,9
73,2
0,0
101,6
21,7
38,9
0,0
tx remp.
0,6599
0,6657
0,6480
0,9013
0,9141
0,9098
0,9083
1,0801
0,6394
0,6171
0,5947
1,0064
0,5239
0,5212
0,5133
0,7662
0,6727
0,6820
0,6775
0,9222
0,9681
0,9615
0,9604
1,1149
0,7667
0,7363
0,7180
1,0915
0,5916
0,5897
0,5839
0,8286
dure
4623,2
4225,9
4124,3
3703,3
3617,8
3190,2
2906,8
3357,4
1199,9
989,7
1098,4
1454,0
3810,4
3464,2
3431,5
3929,9
4616,6
4129,2
4231,2
3960,2
3922,7
3644,6
3970,9
3332,4
1362,1
1212,9
1316,7
1671,7
4192,6
4241,4
4198,0
3755,7
roule
1230,9
1119,5
1119,7
1466,1
1169,5
1064,8
1064,4
1230,3
929,2
835,5
844,2
1255,9
865,1
779,0
781,7
1095,8
1217,1
1120,6
1117,7
1500,2
1188,7
1096,7
1096,2
1269,9
1066,8
960,0
965,1
1359,0
952,4
855,2
856,8
1185,1
MP%
0,0
0,0
0,1
0,0
0,0
0,0
0,0
0,0
1,5
1,3
0,5
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
TAB . 6.2: Rsultats des 3 critres de QoS pour 8 instances ralistes
149
n.
1
5
1
2
1
11
1
10
87
539
15
3
1
19
1
4
1
1
1
15
3
1
1
13
1
1
1
2
1
1
1
19
sec.
1126
42
12
1
174
28
7
2
1724
216
15
4
3578
30
14
1
674
18
15
1
197
6
8
1
140
5
5
2
2828
14
13
1
6.2
tude de la sinuosit
La forme est un sujet dtude privilgi des gographes. Les analyses concernent des
objets trs varis comme des zones urbaines, des parcelles agricoles, des cours deau ou
des flux de population. Le sujet dtude le plus courant pour la sinuosit est lcoulement de leau, notamment pour les gologues qui tudient les dpts de sdiments
(Schumm, 1963). Plazanet (1996) et Barillot (1999) sintressent la sinuosit des rseaux routiers mais dans un but de reprsentation et de modlisation des courbures.
Dans sa thse, Plazanet (1996) cherche des fonctions de gnralisation dobjets linaires
avec comme exemple type les routes, adquates avec lchelle daffichage souhaite. Il
en rsulte une tude dtaille des diffrents types de virages qui sont directement lis
la notion de sinuosit. Cependant notre analyse et les indices de sinuosit que nous
avons choisi se distingue de cette tude sur deux points : la considration de tournes
et non dobjets inertes comme les routes et la perspective doptimiser via ces indices de
sinuosit.
Loptimisation des tournes de vhicule est rarement lie la forme relles des tournes, notamment car elles sont gnralement calcules partir de donnes agrges
dspatialises . Pourtant trois lments nous font penser que certaines informations
lies la forme des tournes mritent dtre prises en compte. Le premier lment relve de la qualit de service directe offerte au passager qui supporte mal de passer
plusieurs fois au mme endroit, de tourner en rond, de se rapprocher puis de sloigner de son lieu de destination ou den passer proximit sans tre dpos, de voir
passer un vhicule du service son arrt sans le ramasser, ou bien dans le domaine
du confort physique, de subir de nombreux virages serrs. Le deuxime lment nous
incitant nous intresser la forme des tournes, concerne lallure gnrale dun ensemble de tournes composant une solution. Il semble que la forme gnrale puisse
induire un critre dvaluation global dune solution. Par exemple dans le cas de problmes de transports convergents vers un centre ville, on peut estimer que les bonnes
tournes sont radiales et non spirodales. ce sujet, Lu et Dessouky (2006) proposent
de minimiser le nombre de croisements inter-tournes. Notons que ce type danalyse
peut permettre de limiter lespace des solutions envisages lors dune rsolution heuristique. La rpartition quitable sur le rseau des vhicules, qui est un enjeu important
pour les systmes de transport en temps rel ou la rpartition doit tre en adquation
avec des prvisions de demandes, peut aussi tre intgre la dfinition de la forme
des tournes. De telles considrations posent le problme de la reprsentation de donnes spatio-temporelles dans un SIG, dont on trouve un tat de lart dans Abraham et
Roddick (1999). Ce problme a deux variantes. Dans la version la plus classique, lobservateur est en retrait des objets mouvants (Gting et al., 2000). Lautre situation, traite
dans Noyon et al. (2007), est celle dun observateur qui est lui aussi un objet mouvant ,
dans le cas des TAD cela pourrait tre un chauffeur (Noyon et al., 2007).
Ce problme se rencontre dans de nombreuses applications, comme pour la reprsentation des trajectoires dans lespace
Le troisime motif dincitation cet tude est de fournir les moyens aux gographes
150
6.2. tude de la sinuosit
de rflchir aux interactions du systme de transport avec son environnement travers

la forme des tournes gnres en fonction de la demande.
Laspect de la forme des tournes auquel nous nous intressons est leur sinuosit des
tournes. Nous poursuivons deux objectifs principaux lis diffrentes chelles dobservation des tournes. Tout dabord, nous souhaitons rduire linconfort physique en
vitant les tronons de route contenant un grand nombre de virages sur peu de distance. Nous souhaitons ensuite prendre en compte linconfort mental provoqu par un
itinraire nayant pas pour direction gnrale la destination du passager. La sinuosit
ayant une partie de sa dfinition assez vague et subjective, il est ncessaire den donner
une ou des dfinitions formelles et den valuer la pertinence.
6.2.1 Dfinition de quatre critres dvaluation

Comme nous lavons dj dit, les gographes se sont davantage intresss la
forme des objets que les chercheurs dveloppant les algorithmes fournissant les tournes. Parmi la littrature traitant de la mesure de la sinuosit, nous avons principalement trouv des travaux ayant pour sujet les cours deau. Les deux mesures utilises
pour des cas gnraux sont : lefficacit ou rectilinarit, que nous prsentons dans
la section 6.2.1.1 et la dimension fractale (Nikora, 1991) dont linterprtation en terme
de qualit de service, ne nous a pas parue vidente dans le cas des tournes de vhicules. Quelques autres mthodes adhoc bases sur des mesures angulaires sont proposes pour traiter des cas particuliers. Ces mesures de sinuosit se font gnralement
partir de projections dans des espaces deux dimensions. Un biais, peut alors apparatre avec lutilisation de donnes (longueurs) provenant dun espace trois dimensions. Dans cette section, nous dfinissons quatre mesures diffrentes de la sinuosit
dune courbe.
Dans les donnes fournies par lIGN, les routes ont pour lment atomique des segments de route. Les formulations proposes tiennent compte de cette approximation
des routes par des courbes linaires par morceaux. Ainsi, une courbe Cij est une suite
darcs ( a0 , a1 , . . . , an ) dont la longueur respective est note Dai et dont les coordonnes
sont notes (( xi , yi ), ( xi+1 , yi+1 )), et qui forment une chane de i j. La distance vol
doiseau entre deux points i et j est note dij .
6.2.1.1
Efficacit
Lefficacit est le critre le plus frquemment utilis pour mesurer la sinuosit dune
courbe. Elle se dfinit comme le rapport de la longueur de la courbe tudie avec une
longueur idale (Gutirrez et al., 1998). Dans le cas dun trajet en voiture, on divise la
longueur du plus court chemin vol doiseau (ou ventuellement par le rseau routier) sparant deux points par la distance rellement parcourue entre ces deux points,
comme dans lquation (6.1). La figure 6.4 illustre cette mesure pour la course relative
la requte r. Il est clair que les valeurs de lefficacit sont comprises entre 0 et 1.
151
e f f (r + , r ) =
dr + r
(6.1)
aCr+ r Da
Da
aC
r+
dr + r
F IG . 6.4: Efficacit dune course
Mesurer lefficacit globalement sur une tourne comme nous lavons dfinie na
pas de sens ; surtout si le vhicule part et arrive au mme dpt, une division par zro
apparat alors dans la formulation. Nanmoins, lefficacit peut tre mesure pareillement sur chaque portion sparant deux arrts conscutifs.
Cet indicateur est assez grossier, il peut donner la mme valeur une sinusode qu
un coude. En terme doptimisation (maximisation), la maximisation de lefficacit sapparente la minimisation de la somme des distances parcourues pour chaque course.
Il est aussi remarquable que lefficacit tient compte de la sinuosit verticale au
mme titre que de la sinuosit horizontale alors quen voiture ces deux types de mouvements ne sont pas ressentis identiquement par les passagers.
6.2.1.2
Tours de Volant
Ce critre est le plus naturel pour mesurer la sinuosit dun trajet en voiture. Il correspond lintgration tout au long de la courbe, de langle (t) entre la tangente la
direction en t et la direction en t + t. Dans le cas de courbes linaires par morceaux sa
dfinition mathmatique est donne par les quations (6.2) et (6.3).
( a i a i +1 ) =
ai ai+1 [0, ]
\
ai ai+1 si \
\
ai ai+1 si \
ai ai+1 ], 2 ]
tourv(r + , r ) =
( a i a i +1 )
(6.2)
(6.3)
ai Cr+ r \{ an }
Ce critre mesure uniquement la sinuosit horizontale dune course. La sinuosit en

tours de volant dune tourne se dfinit partir de la mme formule. Le nombre de
tours de volant ne tient pas compte directement de la distance parcourue, donc de la
densit des virages.
152
(t)
r+
r
F IG . 6.5: Quantit de tours de volant dune course
6.2.1.3
Distance la destination
Afin dintgrer la notion de sinuosit, la perception de la pertinence de litinraire

quen ont les passagers, nous proposons dvaluer la distance la destination (de coordonnes ( xn+1 , yn+1 )) en chaque point de la course par une intgrale ayant pour bornes
le ramassage et la livraison. Dans le cas de courbes linaires par morceaux, on obtient
lquation (6.6). O les xi(t) et les yi(t) dfinis par les quations (6.4) et (6.5) sont les
coordonnes du point ( xi(t) , yi(t) ) variant le long du segment (( xi , yi ), ( xi+1 , yi+1 )). La
formulation prsente ici permet lapplication directe des mthodes de quadrature de
Gauss pour le calcul numrique dintgrales.
dr ( t )
r+
r
F IG . 6.6: Distance la destination au long dune course
distdest(r + , r ) =
x i +1 x i
2
y yi
= y i + ( t + 1 ) i +1
2
x i ( t ) = x i + ( t + 1)
(6.4)
yi (t)
(6.5)
ai Cr+ r
Z 1 q
1
( xn+1 xi(t) )2 + (yn+1 yi(t) )2 dt
(6.6)
La distance la destination mise sous cette forme, pnalise plus fortement les dtours loigns de la destination que ceux effectus proximit ; ce qui est leffet inverse
de leffet recherch. Par contre, la drive de cette fonction, cest--dire la vitesse laquelle volue la distance la destination na pas cet inconvnient. Le problme de la
vitesse est quelle peut changer de signe ce qui entrane des effets de compensation lors
du calcul dune intgrale.
153
6.2.1.4
Distance angulaire
Dans le souci de pnaliser plus fortement les carts la direction directe vers la
destination en fonction de leur proximit de la destination, nous proposons une quatrime mesure de la sinuosit que nous appelons distance angulaire. Il sagit de mesurer en tout point de la courbe, langle (t) entre la tangente la trajectoire et la ligne
droite vers la destination, comme lillustre la figure 6.7. Afin de rgler des dfauts lis
la symtrie des angles orients positivement avec ceux orients ngativement, nous
considrons langle (t)/2 et nous intgrons la fonction 1 cos( (t)/2) [0, 1], avec
(t) ] , ]. Ce qui donne la formule (6.8), une fois exprime3 suivant les coordonnes de la courbe Cr+ r (voir quation (6.7)) avec i la fonction exprimant (t) sur larc
ai .
(t)
r+
r
F IG . 6.7: Distance la direction au long dune course
cos(i (t)) = q
( xn+1 xi(t) )( xi+1(t) xi(t) ) + (yn+1 yi(t) )(yi+1(t) yi(t) )

q
dt
( x i +1( t ) x i ( t ) )2 + ( y i +1( t ) y i ( t ) )2 ( x n +1 x i ( t ) )2 + ( y n +1 y i ( t ) )2
(6.7)
+
angledest(r , r ) =
ai Cr+ r
Z 1
1 cos(i (t)/2)
(6.8)
6.2.2 Observations
Nous prsentons les valeurs de ces indices sur trois exemples, les deux premiers,
reprsents sur la figure 6.8 sont des cas simplistes mais reprsentatifs des problmes
rencontrs sur la perception des tournes par les passagers. Le premier exemple compare les courbes b1 et b2 qui ont la mme longueur, mais un nombre diffrent de points
dinflexions. Les courbes c1 et c2 sont symtriques et forment un dtour de mme forme
soit lorigine, soit la destination. Le troisime exemple considre un cas rel dans le
Doubs Central. Les courbes a1 et a2 correspondent respectivement au plus court chemin sur le rseau routier entre le ramassage v19+ (personnages grossis) et la livraison
v19 (gros point) qui est en pointills sur la figure 6.10, et la portion du trajet (en trait
plein sur la figure 6.10) suivie par la tourne de la figure 6.9. Ce trajet passe par v18
3
Nous rappelons la formule trigonomtrique cos( (t)) =
154
(1 + cos( (t)))/2).
(petit point), ce qui oblige un dtour qui induit un gain de temps et permet de satisfaire
les contraintes horaires des requtes 18 et 19.
2,2
b1)
b2)
1,1
3,1
4,0
0,0
4,0
2,0
0,0
c2)
c1)
0,0
1,1
2,1
1,0
2,0
4,0
0,0
2,1
3,1
2,0
3,0
4,0
F IG . 6.8: Exemples de courbes

courbe
b0
b1
b2
c0
c1
c2
a0
a1
a2
efficacit
1,00
0,71
0,71
1,00
0,52
0,52
1,00
0,83
0,64
tours de volant
0,00
4,71
1,57
0,00
4,71
4,71
0,00
43,21
61,08
dist. destination
4,00
16,88
18,64
4,00
26,66
23,08
14,06
16,14
17,27
dist. angulaire
0,00
0,63
0,66
0,00
1,17
1,18
0,00
17,55
46,43
TAB . 6.3: Valeurs des indices de sinuosit
Hormis pour lefficacit, les valeurs minimales sont synonymes de qualit (faible
sinuosit). Dans le tableau de rsultats 6.3, nous rajoutons les courbes a0, b0 et c0 qui
correspondent la ligne droite entre origine et destination. Nous remarquons que lefficacit ne discerne pas les courbes b1, c1 des courbes b2 et c2. Le nombre de tours de
volants lui ne distingue pas la localisation des dtours par rapport la destination, il est
donc identique pour les courbes c1 et c2. La distance la destination discrimine toutes
les courbes, mais distingue aussi fortement les lignes droites suivant leur longueur, par
exemple c0 avec a0 et b0. Enfin, la distance angulaire discrimine les courbes qui ont des
changements de direction. De plus dans le cas des courbes c1 et c2, cest le seul indice
fournir une meilleure valeur la courbe c2 qui effectue ses principaux dtours prs de
lorigine plutt que prs de la destination. Cette remarque sapplique aussi encore plus
nettement sur le cas rel entre les courbes a1 et a2.
155
F IG . 6.9: Aperu sur le rseau routier du Doubs Central dune tourne extraite dune solution
156
F IG . 6.10: Portion de route relatives aux requtes 18 et 19
157
158
159
Conclusion
Dj en pleine expansion lorsque nous avons dbut cette thse, les systmes de
transport la demande (TAD) ont poursuivi leur dveloppement durant ces dernires
annes. Et le nombre lev de projets en cours augure dun avenir florissant pour les
TAD. Cependant, leurs modes de fonctionnement ne sont pas encore arrivs maturit.
La minimisation des cots dexploitation et la maximisation de la qualit du service
rendu, notamment en terme de souplesse, prsentent encore de nombreux dfis aux
chercheurs et aux oprateurs. cela vient sajouter le flou encore trs prsent autour
de la place que les TAD prennent ou doivent prendre dans loffre de transport faite aux
citoyens.
Au sein dune mission dun projet de recherche-action mlant collectivits locales,
compagnies de taxis et des chercheurs principalement gographes et informaticiens,
cette thse a pour objectif de coupler une analyse qualitative gographique une optimisation mathmatique des tournes de vhicules. Un autre impratif de ce travail est
de livrer un module de calcul des tournes pour un systme de transport la demande
rservation J-1, appel TADOU et implant dans le Pays du Doubs Central. Ce TAD
a servi de sujet exprimental au projet et aprs quelques ajustements en dbut de fonctionnement, donne prsent entire satisfaction aux collectivits locales lexploitant. En
pratique, le noyau doptimisation de TADOU est bas sur une approche heuristique base sur une procdure dinsertion tandis quune mthode exacte est utilise pour lanalyse des critres. Les deux algorithmes sont coupls avec un Systme dInformation
Gographique (SIG) pour permettre lanalyse gographique des tournes. Lensemble
des produits permettant lintgration du calcul des tournes de vhicules au SIG et le
SIG lui-mme sont des logiciels libres.
Une premire rflexion est mene sur la notion de qualit de service que nous largissons tout critre pouvant ncessiter une optimisation lors de llaboration des tournes ; ceci tant fonction des diffrents acteurs des TAD (AOT, transporteur et usagers).
Nous dfinissons ainsi de nombreux critres de qualit de service originaux. Une fois
lists et classs par rapport leur niveau dvaluation (sur un tronon, une course, une
tourne, une ou plusieurs solutions), il apparat quun grand nombre de ces critres
peuvent svaluer un niveau assez bas, par exemple les tronons, et se cumuler pour
tre valus aux niveaux suprieurs. Ceci sexplique dune part par le fait, quen gnral, le dsagrment subi par un passager est uniquement li la tourne o il se trouve
dans le vhicule, sans tenir compte des autres tournes.
161
Dans un contexte o on minimise linconvnient global subi par les passagers, la

mthode de rsolution par dcomposition de gnration de colonnes semble approprie puisquelle permet de considrer un sous-problme (ou problme esclave) valuant de faon indpendante chaque tourne parmi lesquelles un problme principal
(ou problme matre) permet leur slection dans une solution optimale par rapport
un inconvnient global cumulant (par une somme) les inconvnients lis chaque tournes. Dailleurs, cest sur cette approche que sont bases beaucoup de mthodes, parmi
les plus efficaces, rsolvant de manire exacte ou heuristique des problmes de calcul
de tournes plusieurs vhicules.
Nous avons donc dvelopp un algorithme de gnration de colonnes dans lequel
nous avons intgr sparment la minimisation de la distance parcourue, la minimisation du temps perdu et la maximisation du taux de remplissage des vhicules. En
se restreignant des requtes dfinies par une date darrive souhaite et non dpassable pour le temps perdu, ces deux critres de qualit de service ont la proprit de
pouvoir se calculer en cumulant leurs valeurs lors de la construction des tournes de
proche en proche. Un algorithme de programmation dynamique est alors tout dsign
pour rsoudre ce sous-problme mis sous forme dun problme de plus court chemin
avec contraintes de ressources, tandis que le problme principal, prenant la forme dun
problme daffectation gnralis qui slectionne un ensemble de tournes satisfaisant
toutes les requtes, est rsolu par lalgorithme du simplexe. Dans le cas de la distance et
du temps perdu, le problme principal est directement rsolu en faisant appel un solveur du commerce (Cplex). Le cas du taux de remplissage prsente, dans sa forme originelle, une fonction objectif fractionnaire linaire ne sexprimant pas comme la somme
des cots des tournes. Nous proposons donc une modification du problme principal,
soit dans la fonction objectif, soit par lajout de contraintes. Les impacts de ces modifications sont alors ressentis au niveau de la rsolution du sous-problme, les cots ne
respectant plus certaines proprits. Afin dtre raisonnablement efficace quelques secondes de calcul pour des instances une cinquantaine de requtes , la mise en uvre
de lalgorithme de programmation dynamique fait lobjet de plusieurs dveloppements
spcifiques et paramtrages, dont nous prsentons ceux stant rvls les plus pertinents et permettant de conserver un fort potentiel de gnricit. Ces dveloppements
ont t tests sur des instances de PDPTW de la littrature, des instances de DARP qui
en sont drives ainsi que des instances ralistes, cest--dire issues de demandes relles
sur un vritable rseau routier. Bien que ntant pas la plus rapide, notre mthode parvient rsoudre exactement des instances dune centaine de requtes en quelques minutes. Mais plus important encore, la mthode sadapte avec succs aux trois critres
choisis ; ce qui correspond au caractre gnrique souhait pour la mthode.
Le fait de plonger les tournes dans le rseau rel nous a amen dvelopper une
optimisation des tournes dans un p-graphe qui prend en compte les chemins alternatifs offerts par le rseau routier. Malgr la forte augmentation de la taille des donnes,
nous avons montr que la rsolution dans un p-graphe est possible par programmation dynamique sur des instances relles dune zone rurale le Pays du Doubs Central
dans des dlais de calcul raisonnables. Lutilisation innovante de p-graphes dans le
domaine du calcul de tournes de vhicules est prometteuse quant lamlioration des
162
solutions obtenues et quant lintgration de critres de qualit de service originaux.

Lintgration dlments encore plus prcis lis au rseau routier et lenvironnement
est une voie intressante en terme doptimisation et dobservation gographique. Mais
considrer des caractristiques complexes des itinraires comme celles lies leur reprsentation spatiale gnre, outre une trs forte augmentation des donnes, des problmes dvaluation intra et inter tournes ; ce qui risque dentraner une modlisation
mathmatique complexe. Nous avons trait le cas de lvaluation de la forme des tournes par des aspects de sinuosit. Quatre indices sont proposs sur cette notion. Cette
tude met profit le couplage du calcul de tournes avec les outils de SIG.
La dcomposition du problme de DARP propose se rvle pertinente pour la plupart des critres de qualit de service envisags, surtout ceux lis la satisfaction des
passagers. Lefficacit de la mthode peut tre accrue par lutilisation de mthodes heuristiques au niveau du problme esclave. Cependant, la rsolution exacte par programmation dynamique peut tre mise en uvre de faon obtenir elle aussi des solutions
assez rapidement. Lajout de critres (donc de ressources) et de contraintes supplmentaires pnalise lutilisation de rgles de dominance fortes, comme nous lavons effectue, qui deviennent complexes et rarement vrifies. Il parat prfrable de se concentrer sur les rgles dextension des tournes en construction qui sont soumises de nombreuses contraintes dans le cas de contraintes dures et sur lordre de traitement de ces
tournes partielles dans le cas de contraintes douces. Dfinir un ordre de traitement des
requtes revient appliquer une rgle de dominance incomplte et donc repousser le
traitement des tournes partielles ainsi incompltement domines. Dans le cas dun
nombre important de contraintes, la rsolution du problme esclave semble pertinente
par une autre approche exacte quest la programmation par contraintes, dj utilise
avec succs pour le VRPTW (Rousseau et al., 2004; Rousseau, 2004).
Mme si lorsque lvaluation de la qualit des tournes est calcule indpendamment, celle dune solution est trs souvent (dans le cas des TAD) faite en sommant
le niveau de qualit de service atteint par chaque tourne, il est envisageable dans le
cadre des transports en commun de chercher maximiser la qualit de service offerte
aux passagers les moins bien servis. Limpact dune telle modification du modle doptimisation mrite dtre observ en dtails en terme defficacit de la mthode et de
caractristiques des solutions obtenues.
Notre tude sest limite loptimisation indpendante de chaque critre trait. Une
piste damlioration globale de la qualit de service est de combiner plusieurs critres
doptimisation avec lobjectif de former des sous-ensembles de critres minimaux permettant de couvrir une qualit de service dfinie sur plusieurs critres, ventuellement
non directement intgrs loptimisation. Les critres de qualit de service dpendant
de la forme des tournes dans le rseau de transport sont une piste srieuse pour rpondre ce problme, puisquils permettent de traduire une vision globale de lensemble des solutions.
Les TAD sont des systmes totalement plongs dans un territoire, le droulement du
service en devient trs volatile car il met en scne des utilisateurs et un rseau routier
non matriss auxquels on peut ajouter des perturbations lies aux vhicules et aux
163
chauffeurs. Ceci pose des problmes de robustesse du systme ; ce qui se traduit pour
le calcul des tournes dans le cas statique des problmes de robustesse des solutions.
Des perturbations au niveau des donnes comme lallongement arbitraire des dures
de transport, sont gnralement opres pour prvenir dventuels impondrables. Ces
problmes de robustesse se retrouvent pour les TAD en temps rel ou dynamiques,
cest--dire avec un dlai de rservation permettant lapparition ou la disparition de
requtes lorsque les vhicules disponibles sont dj en mouvement. Ce type de systme
tend devenir un modle avec des dlais de rservation avec un taux dacceptation
des requtes lev les plus brefs possibles.
La question de la pertinence pour le cas dynamique de la mthode propose dans
cette thse pour le cas statique mrite dtre pose. Deux types de fonctionnement sont
sparables. Le premier type correspond un systme o aucune (ou presque) requte
nest connue avant le dmarrage du service. Ici, on calcule des tournes pour servir des
requtes et finir de servir celles qui sont en cours, les vhicules tant positionns suivant
la solution prcdente. Il est raisonnable desprer que ce problme de taille restreinte
soit rsolu rapidement par notre mthode. Plusieurs arguments nous amnent cette
conjecture. Tout dabord, larrive dune nouvelle requte, nous disposons dj dun
ensemble de tournes valides pour tout le reste des services effectuer. Ces tournes
peuvent tre rduites un intervalle de temps ou sous-ensemble de vhicules (en fonction de leur position gographique) pour lesquels linsertion de la nouvelle requte est
susceptible davoir un impact rel ; il nest par exemple plus ncessaire de considrer
les services dj effectus. De plus, les contraintes de fentre de temps sont souvent
fortement rduites pour les requtes dont la rservation a dj t valide et pour les
requtes en cours, le vhicule est dj fix et lhoraire de livraison est souvent soumis
une contrainte supplmentaire de dure de transport maximale. Comme nous avons
pu le constater exprimentalement la diminution du nombre de services et laugmentation de ce type de contraintes a tendance acclrer la rsolution du problme via
notre approche.
Mme si notre approche peut rpondre rapidement une demande dynamique,
nous napportons aucune garantie sur la probabilit dacceptation des requtes. Pour
cela, il faut imaginer une valuation pertinente de la facult pour une solution courante daccepter de nouvelles requtes. Ce critre dpend fortement de lenvironnement
(connaissance de prvisions stochastiques sur lapparition des demandes, talement de
la zone couvrir par le TAD. . .) mais une fois dfini il peut tre intgr au modle doptimisation sous forme dobjectifs ou de contraintes. Ce critre concerne naturellement
lensemble des tournes ; cela risque dtre aussi le cas pour son valuation. Ce type
de critre, comme nous lavons montr pour le taux de remplissage, peut dans certains
cas tre trait efficacement par notre approche. Rpondre ce problme permet de rpondre celui propos par le deuxime type de fonctionnement voqu o une partie
des requtes est connue par avance.
La mthode par gnration de colonnes, mme dans une version menant une solution strictement optimale, nous parat mriter dtre considre dans le cadre de TAD
dynamiques car nous pensons possible dobtenir un cot associ en temps de calcul,
ngligeable.
164

1.1
1.2
1.3
11
11
1.4
Reprsentation du Transport la Demande - Les demandes . . . . . . . .

Reprsentation du Transport la Demande - Les Tournes . . . . . . . .
Carte des Systmes de Transport Intelligents aux tats-Unis par type de
technologie. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Niveaux de comptence des AOT en France . . . . . . . . . . . . . . . . .
2.1
2.2
2.3
Mthode de gnration de colonnes. . . . . . . . . . . . . . . . . . . . . .

Un SPPRC une ressource . . . . . . . . . . . . . . . . . . . . . . . . . . .
Trace de lalgorithme de programmation dynamique . . . . . . . . . . .
33
37
41
3.1
3.2
Tourne du vhicule k( ) = 2 . . . . . . . . . . . . . . . . . . . . . . .
Reprsentation de la pnalit associe lcart par rapport des horaires
idaux de dbut de service. . . . . . . . . . . . . . . . . . . . . . . . . . .
Reprsentation de la pnalit associe la dure dun trajet par des fonctions du temps associes chaque arrt . . . . . . . . . . . . . . . . . . .
Temps dattente absurdes . . . . . . . . . . . . . . . . . . . . . . . . . . .
Ordonnancement des services pour un vhicule en un mme lieu entre
deux trajets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Dcomposition de la dure dune course . . . . . . . . . . . . . . . . . . .
Modification de la course partir du rseau . . . . . . . . . . . . . . . . .
Deux types de boucles . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Tournes avec et sans croisements . . . . . . . . . . . . . . . . . . . . . .
Deux tournes en conflit . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Fonction dinconvnient lie aux dates de service (Sexton et al.). . . . . .
Fonction dinconvnient lie aux dates de service (Dumas et al.). . . . . .
Utilisation de chemins alternatifs . . . . . . . . . . . . . . . . . . . . . . .
Algorithme de programmation dynamique pour le Problme de Slection des Arcs dans une Squence Fixe . . . . . . . . . . . . . . . . . . . .
47
3.3
3.4
3.5
3.6
3.7
3.8
3.9
3.10
3.11
3.12
3.13
3.14
4.1
4.2
4.3
4.4
4.5
Mthode de Sparation et valuation Progressive par Gnration de Colonnes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Ingalit triangulaire conserve dans EP au niveau des livraisons . . . .
Cot du dtour par k1 et k2 de i vers j . . . . . . . . . . . . . . . . . . . .
Les six configurations pour servir deux requtes . . . . . . . . . . . . . .
Recherche de chemins lmentaires par un LDS paramtr 1 bon voisin
165
13
17
49
50
50
52
53
57
58
59
60
63
64
66
69
77
82
84
85
87
4.6
4.7
4.8
4.9
4.10
4.11
Rsolution heuristique du problme esclave . . . . . . . . . . . . . . . . .

Rsolution du problme esclave par programmation dynamique . . . . .
Les 3 classes dinstances de Li et Lim . . . . . . . . . . . . . . . . . . . . .
Adaptation de la mthode la distance totale parcourue . . . . . . . . .
Lalgorithme de Dinkelbach . . . . . . . . . . . . . . . . . . . . . . . . . .
Lalgorithme de Dinkelbach avec la gnration de colonnes pour minimiser N/D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.12 Ingalit triangulaire pour la mthode itrative . . . . . . . . . . . . . . .
4.13 Mthode directe intgre au SEPGCOL pour minimiser N/D . . . .
4.14 Ingalit triangulaire pour la mthode directe . . . . . . . . . . . . . . . .
5.1
5.2
5.3
5.4
5.5
5.6
Densits de populations et migrations alternantes dans le Pays du Doubs

Central (Josselin, 2005) . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Accueil de TADOU . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Enregistrement dune requte avec paramtrage de son niveau de qualit
de service . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Rsolution en trois phases . . . . . . . . . . . . . . . . . . . . . . . . . . .
Insertion dune requte dans une squence construction du p-graphe .
Quatre solutions types pour des instances 50 requtes dans le Doubs
Central . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Plate-forme ddition, de visualisation et de diffusion de tournes de vhicules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

6.2 Regroupement sans dtours dans un rseau routier . . . . . . . . . . . .
6.3 Rseau routier du Doubs Central . . . . . . . . . . . . . . . . . . . . . . .
6.4 Efficacit dune course . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.5 Quantit de tours de volant dune course . . . . . . . . . . . . . . . . . .
6.6 Distance la destination au long dune course . . . . . . . . . . . . . . .
6.7 Distance la direction au long dune course . . . . . . . . . . . . . . . . .
6.8 Exemples de courbes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.9 Aperu sur le rseau routier du Doubs Central dune tourne extraite
dune solution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.10 Portion de route relatives aux requtes 18 et 19 . . . . . . . . . . . . . . .
89
90
92
103
108
109
110
112
113
128
133
133
135
136
140
6.1
166
145
146
147
152
153
153
154
155
156
157
Liste des tableaux

1.1
Comparatif entre diffrents modes de transport . . . . . . . . . . . . . . .
15
2.1
Rcapitulatif des caractristiques de quelques problmes classiques . . .
22
3.1
Classification des critres de qualit de service par niveau dagrgation .
48
4.1
4.2
4.3
4.4
4.5
4.6
4.7
4.8
4.9
4.10
4.11
4.12
4.13
4.14
4.15
4.16
Rsultats sur les instances de Li et Lim 50 requtes . . . . . . . . . . 93

Caractristiques des instances de Li et Lim originales et modifies (en gras) 95
Caractristiques des instances de Cordeau originales et modifies (en gras) 96
Rsultats pour les instances de Li et Lim modifies . . . . . . . . . . . . . 97
Rsultats pour les instances b de Cordeau modifies . . . . . . . . . . . 98
Valeurs maximales de f i pour k R . . . . . . . . . . . . . . . . . . . . 110
Valeurs maximales de f i pour k R+ . . . . . . . . . . . . . . . . . . . . 110
Caractristiques des instances de Li et Lim modifies par un p-graphe . 114
Caractristiques des instances de Cordeau modifies par un p-graphe . . 115
Rsultats pour les instances de Li et Lim modifies gr101-gr106 . . . . 116
Rsultats pour les instances de Li et Lim modifies gr107-gr112 . . . . 117
Rsultats pour les instances de Li et Lim modifies gc101-gc109 . . . . 118
Rsultats pour les instances de Li et Lim modifies grc101-grc108 . . . 119
Rsultats des 3 critres de QoS pour instances de Cordeau modifie 1 . 120
5.1
5.2
5.3
5.4
Rsultats pour huit instances ralistes . . . . . . . . . . .

Rsultats de lheuristique pour les instances gr et mr .
Rsultats de lheuristique pour les instances gc et mc .
Rsultats de lheuristique pour les instances grc et mrc
6.1
6.2
6.3
Caractristiques de 8 instances ralistes . . . . . . . . . . . . . . . . . . . 148

Rsultats des 3 critres de QoS pour 8 instances ralistes . . . . . . . . . 149
Valeurs des indices de sinuosit . . . . . . . . . . . . . . . . . . . . . . . . 155
167
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
141
141
142
142
Liste des tableaux
168
Bibliographie
(Abraham et Roddick, 1999) T. Abraham et J. Roddick, 1999. Survey of spatio-temporal
databases. Geoinformatica 3(1), 6199.
(Ahuja et al., 1998) R. Ahuja, R. Dial, et J. Orlin, 1998. Fast infeasibility detection algorithms for dial-a-ride transit problems. Rapport technique WP 400598, Massachusetts Institute of Technology (MIT), Sloan School of Management.
http ://ideas.repec.org/p/mit/sloanp/2699.html.
(Ahuja et al., 2003) R. Ahuja, D. Hochbaum, et J. Orlin, 2003. Solving the convex cost
integer dual network flow problem. Management Science 49(7), 950964.
(Ambrosino et Nelson, 2004) G. Ambrosino et J. Nelson, 2004. Demand Responsive
Transport Services : Toward the Flexible Mobility Agency. Italy : ENEA.
(Ascher, 2002) F. Ascher, 2002. Le transport la demande : individualisation des mobilits urbaines et personnalisation des services publics. Annales des tlcommunications 57(3-4), 277288.
(Ascheuer et al., 2000) N. Ascheuer, M. Jnger, et G. Reinelt, 2000. A branch & cut algorithm for the asymmetric traveling salesman problem with precedence constraints.
Computational Optimization and Applications 17, 6184.
(Assad et Golden, 1995) A. Assad et B. Golden, 1995. Arc routing methods and applications. Dans M. Ball, T. Magnanti, C. Monna, et G. Nemhauser (Rds.), Network
Routing, Volume 8 dans Handbooks in Operations Research and Management Science,
375483. Amsterdam, North-Holland : Informs.
(Bailly et Heurgon, 2001) J.-P. Bailly et E. Heurgon, 2001. Nouveaux rythmes urbains :
quels transports ? (dition de lAube ed.). Socit et territoire, Srie prospective du
prsent. La Tour dAigues. 222 p.
(Balas et al., 1995) E. Balas, M. Fischetti, et W. Pulleyblank, 1995. The precedenceconstrained asymmetric traveling salesman polytope. Mathematical Programming 68,
241265.
(Baldacci et al., 2004) R. Baldacci, V. Maniezzo, et A. Mingozzi, 2004. An exact method
for the car pooling problem based on lagrangian column generation. Operations
Research 52(3), 422439.
169
Bibliographie
(Barillot, 1999) X. Barillot, 1999. Linear automatic generalization : some tools for road
shapes measurement. Bulletin du Comit franais de cartographie ISSN 0755-7647.
(Barnhart et al., 1998) C. Barnhart, L. Ellis, G. Nemhauser, M. Savelsbergh, et P. Vance,
1998. Branch-and-price : Column generation for solving huge integer programs. Operations Research 46(3), 316329.
(Baugh et al., 1998) J. Baugh, G. Krishna, R. Kakivaya, et J. Stone, 1998. Intractability
of the dial-a-ride problem and a multiobjective solution using simulated annealing.
Engineering Optimization 30, 91123.
(Beasley et Christofides, 1989) J. Beasley et N. Christofides, 1989. An algorithm for the
resource constrained shortest path problem. Networks 19, 379394.
(Ben Amor et Desrosiers, 2006) H. Ben Amor et J. Desrosiers, 2006. A proximal trustregion algorithm for column generation stabilization. Computers & Operations Research 33, 910927.
(Ben Amor et al., 2006) H. Ben Amor, J. Desrosiers, et J. Valrio de Carvalho,
2006. Dual-optimal inequalities for stabilized column generation. Operations Research 54(3), 454463.
(Bent et Van Hentenryck, 2006) R. Bent et P. Van Hentenryck, 2006. A two-stage hybrid algorithm for pickup and delivery vehicle routing problems with time windows.
Computers & Operations Research 33(4), 875893.
(Bodin et Sexton, 1986) L. Bodin et T. Sexton, 1986. The multi-vehicle subscriber diala-ride problem. TIMS Studies in Management Science 2, 7386.
(Borndrfer et al., 2001) R. Borndrfer, M. Grtschel, et A. Lbel, 2001. Scheduling
duties by adaptive column generation. Rapport technique, Konrad-Zuze-Zentrum
fur Informationstechnik Berlin.
(Castex, 2007) . Castex, 2007. Le transport la demande en France : De ltat des lieux
lanticipation. Modlisation des caractristiques fonctionnelles des TAD pour dvelopper
les modes flexibles de demain. Thse de Doctorat, Universit dAvignon et des Pays de
Vaucluse. Soutenue le 22 novembre 2007, 480 pages.
(Castex et Josselin, 2007) E. Castex et D. Josselin, 2007. Temporalits clates : la rponse des transports la demande aux nouvelles formes de mobilit. Espace Population et Socits. 15 p.
(Chabrier, 2006) A. Chabrier, 2006. Vehicle routing problem with elementary shortest
path based column generation. Computers & Operations Research 66(4), 29722990.
(Charikar et Raghavachari, 1998) M. Charikar et B. Raghavachari, 1998. The finite capacity dial-a-ride problem. Dans les actes de 39th Annual IEEE Symposium on Foundations of Computer Science.
(Charnes et Cooper, 1962) A. Charnes et W. Cooper, 1962. Programming with linear
fractional functions. Naval research logistics quart 9, 181186.
170
Bibliographie
(Chevrier et al., 2006a) R. Chevrier, P. Canalda, P. Chatonnay, et D. Josselin, 2006a.

Comparison of three algorithms for solving the convergent demand responsive transportation problem. Dans les actes de ITSC2006, 9th Int. IEEE Conf. on Intelligent
Transportation Systems, Toronto, Canada, 10961101.
(Chevrier et al., 2006b) R. Chevrier, P. Canalda, P. Chatonnay, et D. Josselin, 2006b.
An oriented convergent mutation operator for solving a scalable convergent demand
responsive transport problem. Dans les actes de ICSSSM06, IEEE Int. Conf. on Service
Systems and Service Management, Troyes, France, 959964. 6 pages.
(Chrtienne, 1999) P. Chrtienne, 1999. Minimizing the earliness and tardiness cost of
a sequence of tasks on a single machine. Rapport technique 1999-007, LIP6.
(Chrtienne et Sourd, 2000) P. Chrtienne et F. Sourd, 2000. Scheduling with convex
cost functions. Rapport technique, LIP6.
(Colorni et al., 1996) A. Colorni, M. Dorigo, F. Maffioli, V. Maniezzo, G. Righini, et
M. Trubian, 1996. Heuristics from nature for hard combinatorial optimization problems. International Transactions in Operational Research 3, 121.
(Cordeau, 2006) J.-F. Cordeau, 2006. A branch-and-cut algorithm for the dial-a-ride
problem. Operations Research 54(3), 573586.
(Cordeau et Laporte, 2003a) J.-F. Cordeau et G. Laporte, 2003a. The dial-a-ride problem
(DARP) : Variants, modeling issues and algorithms. 4OR 1, 89101.
(Cordeau et Laporte, 2003b) J.-F. Cordeau et G. Laporte, 2003b. A tabu search heuristic
algorithm for the static multi-vehicle dial-a-ride problem. Transportation Research
B 37, 579594.
(Cordeau et Laporte, 2008) J.-F. Cordeau et G. Laporte, 2008. The dial-a-ride problem :
models and algorithms. paratre dans 4OR.
(Cordeau et al., 2004) J.-F. Cordeau, G. Laporte, J.-Y. Potvin, et M. Savelsbergh, 2004.
Transportation on demand. Rapport technique 25, CRT, Montral.
(Coslovich et al., 2006) L. Coslovich, R. Pesenti, et W. Ukovich, 2006. A two-phase
insertion technique of unexpected customers for a dynamic dial-a-ride problem. European Journal of Operational Research 175, 16051615.
(Crainic et Laporte, 1998) T. Crainic et G. Laporte, 1998. Fleet Management and Logistics.
Boston, USA : Kluwer.
(Croes, 1958) G. Croes, 1958. A method for solving traveling-salesman problems. Operational Research 6, 791812.
(Daganzo, 1978) C. Daganzo, 1978. An approximate analytic model of many-to-many
demand responsive transportation systems. Transportation Research 12, 325333.
(Daganzo, 1984) C. Daganzo, 1984. Checkpoint dial-a-ride systems.
Research 18B, 315327.
171
Transportation
Bibliographie
(Dantzig et al., 1954) G. B. Dantzig, D. R. Fulkerson, et S. M. Johnson, 1954. Solution

of a large scale traveling salesman problem. Operational Research 2, 393410.
(Desaulniers, 2007) G. Desaulniers, 2007. Managing large fixed costs in vehicle routing
and crew scheduling problems solved by column generation. Computers & Operations
Research 34(4), 12211239.
(Desaulniers et al., 2002) G. Desaulniers, J. Desrosiers, A. Erdmann, M. Solomon, et
F. Soumis, 2002. VRP with pickup and delivery. Dans P. Toth et D. Vigo (Rds.),
The Vehicle Routing Problem, 225242. Philadelphia : SIAM Monographs on Discrete
Mathematics and Applications.
(Desaulniers et al., 2005) Desaulniers, G., J. Desrosiers, et M. Solomon (Rds.), 2005.
Column Generation. Springer.
(Desrochers, 1988) M. Desrochers, 1988. An algorithm for the shortest path problem
with resource constraints. Rapport technique, Les cahiers du GERAD, HEC, Montral.
(Desrochers et al., 1992) M. Desrochers, J. Desrosiers, et M. Solomon, 1992. A new optimization algorithm for the vehicle routing problem with time windows. Operations
Research 40(2), 342354.
(Desrosiers et al., 1995) J. Desrosiers, Y. Dumas, M. Solomon, et F. Soumis, 1995.
Time constrained routing and scheduling. Dans M. Ball, T. Magnanti, C. Monna,
et G. Nemhauser (Rds.), Network Routing, Volume 8 dans Handbooks in Operations
Research and Management Science, 35139. Amsterdam, North-Holland : Informs.
(Desrosiers et al., 1986) J. Desrosiers, Y. Dumas, et F. Soumis, 1986. A dynamic programming solution of the large-scale single-vehicle dial-a-ride problem with time
windows. American Journal of Mathematical Sciences 6, 301325.
(Desrosiers et al., 1984) J. Desrosiers, F. Soumis, et M. Desrochers, 1984. Routing with
time windows by column generation. Networks 14, 545565.
(Dessouky et al., 2003) M. Dessouky, M. Rahimi, et M. Weidner, 2003. Jointly optimizing cost, service, and environmental performance in demand-responsive transit
scheduling. Transportation Research Part D : Transport and Environment 8, 433465.
(Dial, 1995) R. Dial, 1995. Autonomous dial-a-ride transit introductory overview.
Transportation Research C 3(5), 261275.
(Diana et Dessouky, 2004) M. Diana et M. Dessouky, 2004. A new regret insertion heuristic for solving large-scale dial-a-ride problems with time windows. Transportation
Research B 38, 539557.
(Dinkelbach, 1967) W. Dinkelbach, 1967. On nonlinear fractional programming. Management Science 13(7), 492498.
(Drezner, 1996) Z. Drezner, 1996. Facility location : A survey of applications and methods.
Springer series in Operations Research. Springer-Verlag.
172
Bibliographie
(Dror, 1994) M. Dror, 1994. Note on the complexity of the shortest path models for
column generation in vrptw. Operations Research 42(5), 977978.
(Dumas et al., 1989) Y. Dumas, J. Desrosiers, et F. Soumis, 1989. Large scale multivehicle dial-a-ride systems. Rapport technique, GERAD, cole des Hautes tudes
Commerciales, Montral.
(Dumas et al., 1991) Y. Dumas, J. Desrosiers, et F. Soumis, 1991. The pickup and delivery problem with time windows. European Journal of Operational Research 54, 722.
(Dumas et al., 1990) Y. Dumas, F. Soumis, et J. Desrosiers, 1990. Optimizing the
schedule for a fixed vehicle path with convex inconvenience costs. Transportation
Science 24, 145152.
(Dupuy, 1999) G. Dupuy, 1999. La dpendance automobile, symptmes, analyses, diagnostic,
traitements. Paris : Anthropos, Collection Villes.
(Eastman, 1958) W. Eastman, 1958. Linear programming with pattern constraints. Thse
de Doctorat, Harvard University.
(Feillet et al., 2004) D. Feillet, P. Dejax, M. Gendreau, et C. Gueguen, 2004. An exact
algorithm for the elementary shortest path problem with resource constraints : application to some vehicle routing problems. Networks 44(3), 216229.
(Finke, 2002) Finke, G. (Rd.), 2002. Recherche oprationnelle et rseaux Mthodes danalyse spatiale. Paris : Herms Sciences Publications.
(Fu, 2002) L. Fu, 2002. Scheduling dial-a-ride paratransit under time-varying, stochastic congestion. Transportation Research B 36, 485506.
(Garaix et al., 2007) T. Garaix, D. Feillet, C. Artigues, et D. Josselin, 2007. Vehicle routing problems with alternative paths : an application to on-demand transportation.
Rapport technique, UMR Espace et LIA, Universit dAvignon et des Pays de Vaucluse.
(Garey et al., 1988) M. Garey, R. Tarjan, et G. Wilfong, 1988. One-processor scheduling with symmetric earliness and tardiness penalties. Mathematics of Operations Research 13, 330348.
(Gendreau et al., 1998) M. Gendreau, F. Guertin, J.-Y. Potvin, et R. Sguin, 1998. Dispatching problem with pick-ups and deliveries. Rapport technique CRT-98-10, Centre
de Recherche sur les Transport, Universit de Montral.
(Grtz, 2006) I. L. Grtz, 2006. Approximation, Randomization, and Combinatorial Optimization. Algorithms and Techniques, Chapitre Hardness of Preemptive Finite Capacity
Dial-a-Ride, 200211. Lecture Notes in Computer Science. Heidelberg : Springer Berlin.
(Gutirrez et al., 1998) J. Gutirrez, A. Monzn, et J. Pinro, 1998. Accessibility, network efficiency, and transport infrastructure planning. Environment and Planning
A 30(8), 13371350.
173
Bibliographie
(Gutin et Punnen, 2002) G. Gutin et A. Punnen, 2002. The Traveling Salesman Problem
and its variations. Dordrecht : Kluwer Academic Publishers.
(Gting et al., 2000) R. Gting, M. Bhlen, M. Erwig, C. Jensen, N. Lorentzos,
M. Schneider, et M. Vazirgiannis, 2000. A foundation for representing and querying
moving objects. Transactions on Database Systems (TODS) 25(1), 142.
(Harvey et Ginsberg, 1995) W. Harvey et M. Ginsberg, 1995. Limited discrepancy
search. Dans les actes de the fourteenth International Joint Conferences on Artificial Intelligence, San Francisco, CA, 607613. Morgan Kaufmann.
(Hashimoto et al., 2006) H. Hashimoto, T. Ibaraki, S. Imahori, et M. Yagiura, 2006. The
vehicle routing problem with flexible time windows and traveling times. Discrete
Applied Mathematics 154, 22712290.
(Hauptmeier et al., 2001) D. Hauptmeier, S. Krumke, J. Rambau, et H.-C. Wirth, 2001.
Euler is standing in line dial-a-ride problems with precedence-constraints. Discrete
Applied Mathematics 13, 87107.
(Healy et Moll, 1995) P. Healy et R. Moll, 1995. A new extension of local search applied
to the dial-a-ride problem. European Journal of Operational Research 83, 83104.
(Hoogeveen et van de Velde, 1996) J. Hoogeveen et S. van de Velde, 1996. A branchand-bound algorithm for the single-machine earliness-tardiness scheduling with idle
time. INFORMS Journal of computing 8, 402412.
(Horn, 2002) M. Horn, 2002. Multi-modal and demand-responsive passenger transport
systems : a modelling framework with embedded control systems. Transportation
Research A 36, 167188.
(Horn, 2003) M. Horn, 2003. An extended model and procedural framework for planning multi-modal passenger journeys. Transportation Research B 37, 641660.
(Horn, 2004) M. Horn, 2004. Procedures for planning multi-leg journeys with fixedroute and demand-responsive passenger transport services. Transportation Research
C 12, 3355.
(Houzet et Josselin, 2004) S. Houzet et D. Josselin, 2004. Rapport dtude de la faisabilit de lextension du service evolis-gare sur le primtre de la communaut dagglomration du grand besanon. Rapport technique, CAGB-ADEME.
(Hunsaker et Savelsbergh, 2002) B. Hunsaker et M. Savelsbergh, 2002. Efficient feasibility testing for dial-a-ride problems. Operations Research Letters 30, 169173.
(Ioachim et al., 1993) I. Ioachim, J. Desrosiers, Y. Dumas, et M. Solomon, 1993. A request clustering algorithm for door-to-door handicapped transportation. Transportation Science 29, 6378.
(Irnich et Desaulniers, 2005) S. Irnich et G. Desaulniers, 2005. Shortest path problems
with resource constraints. Dans G. Desaulniers, J. Desrosiers, et M. Solomon (Rds.),
Column Generation, 3366. Springer.
174
Bibliographie
(Isbell et Marlow, 1956) J. Isbell et W. Marlow, 1956. Attrition games. Naval research
logistics quart 3, 199.
(Jaw et al., 1986) J. Jaw, A. Odoni, H. Psaraftis, et N. Wilson, 1986. A heuristic algorithm for the multi-vehicle many-to-many advance request dial-a-ride problem.
Transportation Research B 20B, 243257.
(Jrgensen et al., 2006) R. Jrgensen, J. Larsen, et K. Bergvinsdottir, 2006. Solving the
dial-a-ride problem using genetic algorithms. Journal of the Operational Research Society. en ligne.
(Josselin et Genre-Grandpierre, 2005) D. Josselin et C. Genre-Grandpierre, 2005. Les
transports la demande pour rpondre aux nouvelles formes de mobilit. le concept
de modulobus. Dans B. Montulet, M. Hubert, C. Jemelin, et S. Schmitz (Rds.), Mobilits et temporalits, 151164. Bruxelles : Facults Universitaires Saint-Louis.
(Jung et Haghani, 2000) S. Jung et A. Haghani, 2000. A genetic algorithm for pick-up
and delivery problem with time windows. Transportation Research Record, T.R.B. 1733,
17.
(Kellerer et al., 2004) H. Kellerer, U. Pferschy, et D. Pisinger, 2004. Knapsack problems.
Springer.
(Lacomme et al., 2005) P. Lacomme, C. Prins, et W. Ramdane-Crif, 2005. Evolutionary algorithms for periodic arc routing problems. European Journal of Operational
Research 165(2), 535553.
(Land et Doig, 1960) A. Land et A. Doig, 1960. An automatic method of solving discrete
programming problems. Econometrica 28(3), 497520.
(Lau et Liang, 2002) H. Lau et Z. Liang, 2002. Pickup and delivery with time windows :
Algorithms and test case generation. International Journal on Artificial Intelligence Tools
(Architectures, Languages, Algorithms) 11(3), 455472.
(Li et Lim, 2001) H. Li et A. Lim, 2001. A metaheuristic for the pickup and delivery
problem with time windows. Dans les actes de 13th IEEE international conference on
tools with artificial intelligence (ICTAI) 2001, Dallas, USA, 160170.
(Lu et Dessouky, 2004) Q. Lu et M. Dessouky, 2004. An exact algorithm for the multiple
vehicle pickup and delivery problem. Transportation Science 38, 503514.
(Lu et Dessouky, 2006) Q. Lu et M. Dessouky, 2006. A new insertion-based construction
heuristic for solving the pickup and delivery problem with time windows. European
Journal of Operational Research 175(2), 672687.
(Lbbecke et Desrosiers, 2005) M. Lbbecke et J. Desrosiers, 2005. Selected topics in
column generation. Operations Research 53(6), 10071023.
(Madsen et al., 1995) O. Madsen, H. Ravn, et J. Rygaard, 1995. A heuristic algorithm
for the a dial-a-ride problem with time windows, multiple capacities, and multiple
objectives. Annals of Operations Research 60, 193208.
175
Bibliographie
(Mautor et Naudin, 2007) T. Mautor et E. Naudin, 2007. Arcs-states models for the
vehicle routing problem with time windows and related problems. Computers &
Operations Research 34(4), 10611084.
(Melachrinoudis et al., 2007) E. Melachrinoudis, A. Ilhan, et H. Min, 2007. A dial-aride problem for client transportation in a health-care organization. Computers &
Operations Research 34, 742759.
(Menger, 1932) K. Menger, 1932. Das botenproblem. Ergebnisse eines mathematischen
kolloquiums 2, 1112.
(Naddef et Rinaldi, 2002) D. Naddef et G. Rinaldi, 2002. Branch-and-cut algorithms
for the capacitated VRP. Dans P. Toth et D. Vigo (Rds.), The Vehicle Routing Problem,
5384. Philadelphia : SIAM Monographs on Discrete Mathematics and Application,.
(Nanry et Barnes, 2000) W. Nanry et J. Barnes, 2000. Solving the pickup and delivery
problem with time windows using reactive tabu search. Transportation Research Part
B 34, 107121.
(Nikora, 1991) V. Nikora, 1991. Fractal structures of river plan forms. Water Resources
Research 27(6), 13271333.
(Noyon et al., 2007) V. Noyon, C. Claramunt, et D. Devogele, 2007. A relative representation of trajectories in geographical spaces. Geoinformatica 4(11), 479496.
(Pankratz, 2003) G. Pankratz, 2003. A grouping genetic algorithm for the pickup and
delivery problem with time windows. OR Spectrum 27(1), 2141.
(Paquette et al., 2007) J. Paquette, J.-F. Cordeau, et G. Laporte, 2007. tude comparative
de divers modles pour le problme de transport la demande. Rapport technique,
CIRRELT, HEC Montral.
(Plazanet, 1996) C. Plazanet, 1996. Enrichissement des bases de donnes gographiques :
analyse de la gomtrie des objets linaires pour la gnralisation cartographique (application
aux routes). Thse de Doctorat, Universit de Marne la Valle.
(Prins et al., 2007) C. Prins, C. Prodhon, P. Soriano, A. Ruiz, et R. Wolfer-Calvo, 2007.
Solving the capacitated LRP by a cooperative lagrangean relaxation-granular tabu
search heuristic. Transportation Science. paratre.
(Prins et al., 2006) C. Prins, C. Prodhon, et R. Wolfer-Calvo, 2006. Solving the capacited
location-routing problem by a GRASP complemented by a learning process and a
path-relinking. 4OR A Quarterly Journal of Operations Research 4(3), 221238.
(Psaraftis, 1980) H. Psaraftis, 1980. A dynamic programming solution to the single
vehicle many-to-many immediate request dial-a-ride problem.
Transportation
Science 14, 130154.
(Psaraftis, 1983a) H. Psaraftis, 1983a. Analysis of an O( N 2 ) for the single vehicle
many-to-many dial-a-ride problem with time windows. Transportation Science 17B,
133145.
176
Bibliographie
(Psaraftis, 1983b) H. Psaraftis, 1983b. An exact algorithm for the single vehicle manyto-many dial-a-ride problem with time windows. Transportation Science 17, 351357.
(Rekiek et al., 2006) B. Rekiek, A. Delchambre, et H. Saleh, 2006. Handicapped person transportation : An application of the grouping genetic algorithm. Engineering
Application of Artificial Intelligence 19, 511520.
(Righini et Salani, 2005) G. Righini et M. Salani, 2005. New dynamic programming
algorithms for the resource constrained elementary shortest path problem. Rapport
technique, Dipartimento di Tecnologie dellInformazione, Universit degli Studi di
Milano.
(Righini et Salani, 2006) G. Righini et M. Salani, 2006. Symmetry helps : bounded
bi-directional dynamic programming for the elementary shortest path problem with
resource constraints. Discrete Optimization 3(3), 255273.
(Ropke, 2005) S. Ropke, 2005. Heuristic and exact algorithms for vehicle routing problems.
Thse de Doctorat, University of Copenhagen (DIKU).
(Ropke et al., 2007) S. Ropke, J.-F. Cordeau, et G. Laporte, 2007. Models and branchand-cut algorithm for pick-up and delivery problems with time windows. Networks 49(4), 258272.
(Ropke et Pisinger, 2006) S. Ropke et D. Pisinger, 2006. An adaptive large neighborhood search heuristic for the pickup and delivery problem with time windows.
Transportation Science 40(4), 455472.
(Rousseau, 2004) L.-M. Rousseau, 2004.
Integration of AI and OR Techniques in
Constraint Programming for Combinatorial Optimization Problems, Chapitre Stabilization Issues for Constraint Programming Based Column Generation, 402408. Lecture
Notes in Computer Science. Heidelberg : Springer Berlin.
(Rousseau et al., 2004) L.-M. Rousseau, D. Feillet, et M. Gendreau, 2004. New refinements for the solution of vehicle routing problems with column generation. Le
Gosier, Guadeloupe (France). TRISTAN 5.
(Rousseau et al., 2007) L.-M. Rousseau, M. Gendreau, et D. Feillet, 2007. Interior point
stabilization for column generation. Operations Research Letters 35(5), 660668.
(Rousseau et al., 2004) L.-M. Rousseau, M. Gendreau, G. Pesant, et F. Focacci, 2004.
Solving VRPTWs with constraint programming based column generation. Annals of
Operations Research 130(1-4), 199216.
(Roy, 1984) S. Roy, 1984. Routing and Scheduling of Transportation Services for Disabled
Persons. Montral, Canada : Centre de Recherche sur les Transports, Universit de
Montral.
(Ruland et Rodin, 1997) K. Ruland et E. Rodin, 1997. The pickup and delivery problem : Faces and branch-and-cut algorithm. Computers and Mathematics with Applications 33, 113.
177
Bibliographie
(Savelsbergh, 1990) M. Savelsbergh, 1990. En efficient implementation of local search

algorithms for constrained routing problems. European Journal of Operational Research 47, 7585.
(Savelsbergh et Sol, 1995) M. Savelsbergh et M. Sol, 1995. The general pickup and
delivery problem. Transportation Science 29, 107121.
(Savelsbergh et Sol, 1998) M. Savelsbergh et M. Sol, 1998. DRIVE : Dynamic routing of
independant vehicles. Operations Research 46, 474490.
(Schumm, 1963) S. Schumm, 1963. Sinuosity of alluvial channels on the great plains.
Geological Society of America Bulletin 74, 10891100.
(Semet et Malca, 2006) F. Semet et F. Malca, 2006. Modles et mthodes pour la gestion
de flotte en temps rel. Dans les actes de Logistique & Transport, Hammamet, Tunisie.
Confrencier Plnier.
(Sexton et Bodin, 1985a) T. Sexton et L. Bodin, 1985a. Optimizing single vehicle
many-to-many operations with desired delivery times : I. Scheduling. Transportation Science 19, 378410.
(Sexton et Bodin, 1985b) T. Sexton et L. Bodin, 1985b. Optimizing single vehicle
many-to-many operations with desired delivery times : II. Routing. Transportation
Science 19, 411435.
(Sexton et Choi, 1986) T. Sexton et Y. Choi, 1986. Pick-up and delivery of partial loads
with time windows. The american journal of mathematical and management sciences 6,
369398.
(Sigurd et al., 2004a) M. Sigurd, D. Pisinger, et M. Sig, 2004a. The pickup and delivery
problem with time windows and precedences. Rapport technique, Dpt. of Computer
Science, University of Copenhagen.
(Sigurd et al., 2004b) M. Sigurd, D. Pisinger, et M. Sig, 2004b. Scheduling transportation of live animals to avoid the spread of diseases. Transportation Science 38, 197209.
(Sol, 1994) M. Sol, 1994. Column generation techniques for pickup and delivery problems.
Thse de Doctorat, Technische Universitet Eindhoven.
(Solomon, 1987) M. M. Solomon, 1987. Algorithms for the vehicle routing and scheduling problems with time window constraints. Operations Research 35(2), 254265.
(Stein, 1978) D. Stein, 1978. An asymptotic probabilistic analysis of a routing problem.
Mathematical Operations Research 3, 89101.
(Szwarc et Mukhopadhyay, 1995) W. Szwarc et S. Mukhopadhyay, 1995. Optimal timing schedules in earliness-tardiness single machine sequencing. Naval Research
Logistics 42, 11091114.
(Teodorovic et Radivojevic, 2000) D. Teodorovic et G. Radivojevic, 2000. A fuzzy logic
approach to dynamic dial-a-ride problem. Fuzzy Sets and Systems 116, 2333.
178
Bibliographie
(Toth et Vigo, 1996) P. Toth et D. Vigo, 1996. Fast local search algorithms for the handicapped persons transportation problem. Dans I. Osman et J. Kelly (Rds.), Metaheuristics : Theory and applications., 677690. Boston.
(Toth et Vigo, 1997) P. Toth et D. Vigo, 1997. Heuristic algorithms for the handicapped
persons transportation problem. Transportation Science 31, 6071.
(Toth et Vigo, 2002) P. Toth et D. Vigo, 2002. The vehicle routing problem. Philadelphia,
PA, USA : Society for industrial and Applied Mathematics.
(Van der Bruggen et al., 1993) L. Van der Bruggen, J. Lenstra, et P. Schuur, 1993.
Variable-depth search for the single-vehicle pickup and delivery problem with time
windows. Transportation Science 27, 298311.
(Wiel, 2002) M. Wiel, 2002. Ville et automobile. Paris : Descarte Cie.
(Wilson et Colvin, 1976) N. Wilson et N. Colvin, 1976. Computer control of the rochester dial-a-ride system. Rapport technique, Department of Civil Engineering, Massachusetts Institute of Technology, Cambridge, MA.
(Wilson et al., 1971) N. Wilson, J. Sussman, H. Wong, et B. Higonnet, 1971. Scheduling
algorithms for dial-a-ride systems. Rapport technique, Urban Systems Laboratory,
Massachusetts Institute of Technology, Cambridge, MA.
(Wilson et Weissberg, 1976) N. Wilson et H. Weissberg, 1976. Advanced dial-a-ride
algorithms research project : Final report. Rapport technique, Department of Civil
Engineering, Massachusetts Institute of Technology, Cambridge, MA.
(Wolfler Calvo et Colorni, 2007) R. Wolfler Calvo et A. Colorni, 2007. An effective and
fats heuristic for the dial-a-ride problem. 4OR 5(1), 6173.
(Xiang et al., 2006) Z. Xiang, C. Chu, et H. Chen, 2006. A fast heuristic for solving a
large-scale static dial-a-ride problem under complex constraints. European Journal of
Operational Research 174(2), 11171139.
(Xiang et al., 2007) Z. Xiang, C. Chu, et H. Chen, 2007. The study of a dynamic dial-aride problem under time-dependent and stochastic environments. European Journal
of Operational Research 185(2), 534551.
(Xu et al., 2003) H. Xu, Z.-L. Chen, S. Rajagopal, et S. Arunapuram, 2003. Solving a
practical pickup and delivery problem. Transportation Science 37, 347364.
(Zahavi et Ryan, 1980) Y. Zahavi et J. Ryan, 1980. Stability of travel components over
time. Transportation research record 750, 1926.
(Zahavi et Talvitie, 1980) Y. Zahavi et A. Talvitie, 1980. Regularities in travel time and
money expenditures. Transportation research record 750, 1319.
179
tude et rsolution exacte du problme de transport la demande avec qualit de

service.
MOTS - CLEFS : Transport la demande, problmes de calcul de tournes de vehicules, gnration de colonnes, qualit de service.
RSUM : Nous tudions dans cette thse un problme de construction de tournes
de vhicules pour le transport de personnes la demande (TAD) qui, combinant la
souplesse des taxis la capacit de regroupement des transports en commun, est une
voie pour repenser nos pratiques en terme de mobilit.
Aprs avoir dfini puis class plusieurs critres de qualit de service, nous en slectionnons trois pour leur reprsentativit : la minimisation de la distance totale parcourue, la maximisation du taux de remplissage des vhicules et la minimisation du temps
perdu en transport. La mthode doptimisation utilise est base sur une approche par
dcomposition appele gnration de colonnes. Nous nous plaons dans le cas statique
o toutes les demandes sont connues par avance. Ladaptation de cette mthode exacte
aux trois critres choisis induit des dveloppements originaux, comme la modlisation
du rseau par un p-graphe ou loptimisation dune fonction objectif fractionnaire.
Cette tude est intgre un projet pluridisciplinaire pilot par des gographes qui
a pour sujet dexprimentation la mise en place dun TAD oprationnel dans le Pays
du Doubs Central (France). Un algorithme de rsolution heuristique spcifique a t
dvelopp pour cette application. Lintgration des rsultats des deux algorithmes
un Systme dInformation Gographique permet une analyse des critres de qualit de
service et de leurs interactions avec le territoire dun point de vue gomatique. Il en
dcoule une tude sur la forme des tournes et plus particulirement sur diffrentes
mesures de leur sinuosit.
Optimization of quality of service for on-demand transportation problems.
KEYWORDS : On-demand transport, vehicle routing problem, column generation,
quality of service.
ABSTRACT : In this thesis, we address vehicle routing problems deriving from ondemand transport systems (ODT). Such systems, combining taxi flexibility with public
transport system advantages (grouping, price), seem well suited to the new mobility
needs.
We define and classify a large set of quality of service criteria. We select three of them
among the most representative : the total distance travelled, the vehicle occupancy rate
and the passenger wasted-time. We propose branch-and-price solution schemes for the
three cases, under the assumption that demands are known in advance. The original
quality of service objectives introduce non-standard features into the vehicle routing
model, namely a multigraph and a fractional objective function, therefore inducing
non-standard algorithms.
This work is part of a multidisciplinary project managed by geographers. The implementation of an operational ODT in the Doubs Central area (France) is used as a
testing ground for experimentations. For the practical use of this system, we propose
an insertion heuristic in addition to the branch-and-price algorithm. A geomatic analysis of the interactions between quality of service criteria and the geographical area is
carried out with a Geographic Information System, with a special focus on route shapes
and route sinuosity measures.

Etude Et R Esolution Exacte de Probl Emes de Transport A La Demande Avec Qualit e de Service

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Etude Et R Esolution Exacte de Probl Emes de Transport A La Demande Avec Qualit e de Service

Uploaded by

Copyright:

Available Formats

Etude

To cite this version:

Thierry Garaix. Etude

HAL Id: tel-00534894

HAL is a multi-disciplinary open access

Larchive ouverte pluridisciplinaire HAL, est

tude et rsolution exacte de problmes de transport

Soutenue publiquement le 13 dcembre 2007 devant un jury compos de :

Professeur, IRENav, Brest

Charg de recherches (HDR), LAAS-CNRS, Univ. Toulouse

cole Doctorale 379 Temps, Espacce , Pouvoir et Culture

Rsums des chapitres de la thse

Table des matires

1 Enjeux, problmatiques, mthodes

2 Optimisation du calcul des tournes de vhicules : Dial-A-Ride Problem

Qualit de service pour le transport la demande

3 Critres de qualit de service

4 Maximisation de la qualit de service

III tude de cas : Le TAD du Pays du Doubs Central

6 Visualisation des tournes

Liste des illustrations

Liste des tableaux

Enjeux, problmatiques, mthodes

volution des besoins de mobilit et TAD

Chapitre 1. Enjeux, problmatiques, mthodes

1.1. volution des besoins de mobilit et TAD

F IG . 1.1: Reprsentation du Transport la Demande - Les demandes

F IG . 1.2: Reprsentation du Transport la Demande - Les Tournes

Chapitre 1. Enjeux, problmatiques, mthodes

De lamricain : Tomorrows transportation : new systems for the urban futur .

1.1. volution des besoins de mobilit et TAD

Chapitre 1. Enjeux, problmatiques, mthodes

TAB . 1.1: Comparatif entre diffrents modes de transport

Chapitre 1. Enjeux, problmatiques, mthodes

Mise en place dun TAD et liens avec la Recherche Oprationnelle

1.2. Mise en place dun TAD et liens avec la Recherche Oprationnelle

F IG . 1.4: Niveaux de comptence des AOT en France

Chapitre 1. Enjeux, problmatiques, mthodes

blme pour le rsoudre. Cependant, la gostatique spatiale permet de mettre en relation

1.2. Mise en place dun TAD et liens avec la Recherche Oprationnelle

Chapitre 1. Enjeux, problmatiques, mthodes

Optimisation du calcul des tournes

2.1.1 Problmes de calcul de tournes de vhicules

Chapitre 2. Optimisation du calcul des tournes de vhicules : Dial-A-Ride

Le TAD parmi les problmes de transport

TAB . 2.1: Rcapitulatif des caractristiques de quelques problmes classiques

Le clbre Problme du Voyageur de Commerce, ou Traveling Salesman Problem (TSP)

2.1. tat de lart

Chapitre 2. Optimisation du calcul des tournes de vhicules : Dial-A-Ride

problmes de recherche de circuits eulriens dans un graphe et dont le reprsentant

2.1. tat de lart

Chapitre 2. Optimisation du calcul des tournes de vhicules : Dial-A-Ride

Le DARP est structurellement trs proche du PDPTW, lui-mme une extension du

On trouve galement le terme dordonnancement, qui, en franais regroupe le squencement et lhorodatage.

2.1. tat de lart

Chapitre 2. Optimisation du calcul des tournes de vhicules : Dial-A-Ride

peuvent sinterprter comme des ressources dans le problme esclave. Savelsbergh et

2.1. tat de lart

Chapitre 2. Optimisation du calcul des tournes de vhicules : Dial-A-Ride

2.2. Mthode de gnration de colonnes

Mthode de gnration de colonnes

Chapitre 2. Optimisation du calcul des tournes de vhicules : Dial-A-Ride

2.2.1 Principes de la mthode