Académique Documents
Professionnel Documents
Culture Documents
JURY
3
4
Table des matières
Introduction générale 14
2 État de l’art 40
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.2 Processus dans un terminal à conteneurs . . . . . . . . . . . . . . . 41
2.2.1 Allocation des postes à quai (Berth Allocation) . . . . . . . 42
2.2.2 Arrimage de conteneurs (Container Stowage) . . . . . . . . . 56
2.2.3 Ordonnancement des grues de quai (Crane Scheduling Pro-
blem) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2.2.4 Transport sur le quai (Quay Transport) . . . . . . . . . . . 57
5
2.2.5 Stockage de Conteneurs (Container Stacking Problem) . . . 58
2.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
6
Annexe A 169
7
Table des figures
8
4.5 Comparaison entre les méthodes Roulette et Élitisme. . . . . . . . . 98
4.6 Les variations de la fonction objectif en fonction de Pc. . . . . . . . 101
4.7 Les variations de la fonction objectif en fonction de Pm. . . . . . . 103
4.8 Représentation de la solution X0 . . . . . . . . . . . . . . . . . . . . 105
4.9 Représentation de la solution X1 . . . . . . . . . . . . . . . . . . . . 105
4.10 Les variations des fonctions objectifs de SBAP pour le scénario 1. . 114
4.11 La variation des déviations calculées pour le scénario 1. . . . . . . 115
4.12 La variation de temps de calcul pour le scénario 1 en seconde. . . . 116
4.13 Les variations des fonctions objectifs calculées pour le scénario 2. . 118
4.14 La variation des déviations pour le scénario 2. . . . . . . . . . . . . 119
4.15 La variation de temps de calcul pour le scénario 2 en seconde. . . . 120
4.16 Les variations des fonctions objectifs calculées pour le scénario 3. . 121
4.17 La variation des déviations pour le scénario 3. . . . . . . . . . . . . 122
4.18 La variation du temps de calcul pour le scénario 3 en seconde. . . . 123
9
5.14 La variation du temps d’exécution pour chaque instance dans le
scénario 3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
10
11
Liste des tableaux
12
4.19 Les valeurs des fonctions objectifs de SBAP pour le scénario 1. . . 114
4.20 Les déviations calculées pour le scénario 1. . . . . . . . . . . . . . . 115
4.21 Le temps de calcul pour le scénario 1 en seconde. . . . . . . . . . . 116
4.22 Les valeurs des fonctions objectifs calculées pour le scénario 2. . . . 117
4.23 Les déviations calculées pour le scénario 2. . . . . . . . . . . . . . . 118
4.24 Le temps de calcul pour le scénario 2 en seconde. . . . . . . . . . . 119
4.25 Les valeurs des fonctions objectifs calculées pour le scénario 3. . . . 121
4.26 Les déviations calculées pour le scénario 3 en seconde. . . . . . . . 122
4.27 Le temps de calcul pour le scénario 3 en seconde. . . . . . . . . . . 123
5.1 Récapitulatif des données utilisées pour les expériences effectuées. . 132
5.2 Les valeurs des fonctions objectifs calculées pour chaque instance
dans le scénario 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
5.3 Le temps de calcul des fonctions objectifs pour chaque instance dans
le scénario 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
5.4 Les valeurs des fonctions objectifs calculées pour chaque instance
dans le scénario 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
5.5 Les temps d’exécution pour chaque instance dans le scénario 2. . . 136
5.6 Les valeurs des fonctions objectifs calculées pour chaque instance
dans le scénario 3. . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
5.7 Les temps d’exécution pour chaque instance dans le scénario 3. . . 139
5.8 Récapitulatif des données utilisées pour les expériences effectuées. . 143
5.9 Les valeurs de la fonction objectif calculées dans le scénario 1. . . . 144
5.10 Présentation du temps d’exécution pour chaque instance dans le
scénario 1 (seconde). . . . . . . . . . . . . . . . . . . . . . . . . . . 145
5.11 Les valeurs de la fonction objectif calculées pour chaque instance
dans le scénario 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
5.12 Présentation du temps d’exécution pour le scénario 2. . . . . . . . 147
5.13 Les fonctions objectifs calculées pour chaque instance dans le scé-
nario 3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
5.14 Présentation du temps d’exécution pour chaque instance dans le
scénario 3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
13
Introduction générale
Contexte général
Ces dernières années la nouvelle conjecture économique a motivé l’engouement
de la logistique. En effet, dans ce nouveau contexte mondial caractérisé par la
globalisation des échanges et l’intensification de la concurrence, les acteurs de
l’économie mondiale ont compris que l’un des atouts les plus efficaces pour faire
face à cette nouvelle conjoncture consiste à une maitrise plus large de la chaîne
logistique en prenant en compte l’ensemble des flux des différents partenaires.
En 2012, plus de 8.72 millions de tonnes ont été transportés par voie maritime,
ce qui est équivalant à 90% du trafic mondial (UNCTAD 2012). Avec plus de 50000
navires navigant dans le monde entier en 2012, le transport maritime reste, donc,
le moyen de transport le plus important en terme de capacité, source (Armateurs
de France).
Le trafic mondial maritime en (2012), est constitué de : 3% de marchandises trans-
portées en cargaison, 2% de transport de véhicule roulants (RORO), 0.5% trans-
port de produits surgelés, 37% de marchandises en vrac sec (charbon, minéraux,
céréales,...etc), 33% de liquides en vrac (principalement, des produits pétroliers et
produits chimiques, gaz, l’ouil), 22% de marchandises conteneurisés (UNCTAD,
2012). Ce dernier type de cargaison est principalement effectué en utilisant des
conteneurs en cours de transfert.
Les conteneurs sont de grandes boites métalliques standardisées, permettant le
transfert rapide de marchandises d’un navire à un autre mode de transport. Les
terminaux portuaires qui les gèrent sont appelés terminaux à conteneurs et ont
des activités plus complexes que les activités des ports de passagers ou de vrac sec
ou liquides.
L’industrie du terminal à conteneurs a reçu une attention croissante au cours de
ces dernières années, avec le transport conteneurisé qui est devenu au premier plan
de la scène internationale de l’expédition.
L’augmentation de ce trafic conteneurisé à dépassé toute attente ces dernières an-
nées car, en 2011, le trafic maritime mondial a progressé de 4% pour s’établir au
14
niveau record de 8.7 milliard de tonnes, selon (UNCTAD 2012).
15
le nombre de navires entrants, etc...
Certaines de ces questions, qui se posent pour la politique d’ordonnancement des
postes à quai, ont été reprises par la recherche académique, mais encore plusieurs
attributs doivent être étudiés et compris pour ces modèles afin de mieux représen-
ter l’état de la pratique de l’exploitation des terminaux à conteneurs.
Dans cette thèse nous proposons un système d’aide à la décision pour le problème
d’allocation des postes à quai dans un terminal à conteneurs. Notre système tente
de représenter l’ensemble de l’environnement opérationnel d’un terminal à conte-
neurs et de comprendre certains des attributs du système qui manquent dans les
modèles actuels.
16
La problématique que nous traitons dans cette thèse est connue dans la litté-
rature par le problème d’allocation des postes à quai (Berth Allocation Problem
(BAP)). Une solution optimale de ce problème se représente par un plan de service
de (chargement/ déchargement) des navires entrants et des durées de séjour de lon-
gueurs minimales. Ce temps de séjours des navires dans le port doit être minimal
en tenant compte des contraintes dynamiques, que ce soit en termes d’espaces ou
du temps. Les interactions, les collaborations et les dynamiques qui en découlent
font que nous présentons le BAP comme un système complexe, car d’une part il
est constitué de nombreux composants en interaction dynamique entre eux et avec
le monde extérieur ; et d’autre part ouvert, c’est-à-dire capable de maintenir ses
fonctions malgré les arrivées et les départs de ses composants. Pour la résolution
de ce problème, nous proposons un système sous forme d’une boite noire que nous
appelons système NQZs (Navire-Quai-Zones de stockage) (voir la figure 2). Les
entrées de ce système représentent les paramètres considérés dans le problème et
les sorties représentent des affectations optimales des navires entrants sur les quais.
Dans la boite noire NQZs, nous proposons des modèles pour le BAPs dans
les deux cas d’arrivées des navires (statiques ou dynamiques). Ces modèles sont
résolus en utilisant des méta-heuristiques qui ont prouvé leurs efficacités pour
la résolution des problèmes combinatoires. Ces méta-heuristiques utilisées sont :
les algorithmes génétiques, le recuit simulé, l’algorithme de colonie de fourmis,
ainsi que des hybridations entre l’algorithme génétique et le recuit simulé et entre
l’algorithme de colonie de fourmis et le recuit simulé.
17
Organisation du Rapport
L’organisation de cette thèse suit une progression ordonnée. Ce document se
décompose en deux parties correspondant au cheminement de notre démarche
scientifique.
Le première partie expose notre contexte de travail dans deux chapitres.
La deuxième partie est dédiée à l’approche de résolution que nous proposons pour
l’optimisation du problème d’allocation des postes à quai dans un terminal à conte-
neurs. Elle s’articule autour de trois chapitres.
18
Chapitre 4- Système d’aide à la décision pour le problème
d’allocation des postes à quai discret et statique
Dans ce chapitre, nous présentons notre proposition pour le problème d’allo-
cation des postes à quai statique (SBAP). Un modèle est conçu et développé en
prenant en considération des contraintes réelles dans un terminal à conteneurs. Ce
chapitre analyse et compare les méthodes approchées proposées. Nous décrivons
dans ce chapitre l’environnement de l’implémentation, les paramètres d’expéri-
mentations et les résultats obtenus. Nous comparons les résultats obtenus par nos
méta-heuristiques avec les résultats obtenus par une méthode exacte (CPLEX).
Conclusion et perspectives
Le mémoire se termine par un bilan des travaux de recherche. Nous dressons
un ensemble de perspectives pouvant être développées par la suite, ouvrant ainsi
de nouvelles voies et propositions dans le but d’approfondir cette recherche.
19
Chapitre 1
1.1 Introduction
Les tendances de la mondialisation des approvisionnements, l’importance de la
concurrence par les délais, les exigences des clients, sont autant de facteurs qui ont
largement mis en évidence la nécessité pour les managers d’améliorer le fonctionne-
ment de leurs entreprises. En effet, avec la forte concurrence sur les marchés, le but
est désormais de produire et de livrer dans des délais précis, à des coûts réduits, en
satisfaisant des niveaux de service élevés, exigés par des clients géographiquement
distribués. La même remarque peut être faite pour les centres de production, de
plus en plus dispersés, ainsi que les fournisseurs et les sous-traitants des firmes
multinationales, qui se situent de plus en plus loin des centres de production afin
de réduire les coûts de main d’ ?uvre et des matières premières. Cependant, cette
politique de délocalisation engendre, d’une part un coût de transport qui peut être
élevé, et d’autre part un coût de stockage supplémentaire dû à l’utilisation des
plateformes logistiques intermédiaires. Ce paradoxe entre les coûts de production
d’un côté, et les coûts de transport et de stockage de l’autre côté, incite les en-
treprises à donner de plus en plus d’importance à une prise en compte de toutes
leurs activités, simultanément, pour mieux réduire le coût global. Le concept de
la chaîne logistique a émergé avec cet objectif d’optimisation globale du système
logistique. Les contraintes physiques et les coûts engendrés sont considérés dans le
même modèle afin d’être optimisés en une seule fois.
Dans la première partie de ce chapitre, nous aborderons les caractéristiques com-
munes à l’ensemble de la chaîne logistique, puis des définitions, en classifiant les
chaînes logistiques en trois grandes catégories. Après ces définitions générales de la
chaîne logistique, nous donnerons des définitions et des classifications de différents
20
maillons qui composent une chaîne logistique. Les maillons d’une chaîne logistique
reçoivent et traitent différents types de flux que nous présenterons également dans
cette partie. À la fin de cette première partie, nous présenterons la définition du
concept de gestion de la chaîne logistique.
Dans la deuxième partie du chapitre, nous nous concentrerons sur les différents
modes de transport utilisés dans une chaîne logistique. Dans ce contexte, nous
mettons en lumière le gain tiré par le transport maritime pour le transport de fret,
par rapport aux autres modes de transport. Nous proposerons, ainsi, une analyse
de l’activité de transport maritime et de la chaîne logistique portuaire (le passage
portuaire).
21
1.2.2.1 La chaîne logistique interne (la chaîne logistique au sien de
l’entreprise)
Plusieurs travaux de recherche se sont focalisés sur cette vision, qui considère
la chaîne logistique comme une succession des activités et des fonctions servant à
amener un produit ou un service de cette entreprise jusqu’au client. Pour Poirier
et Reiter [117], une chaîne logistique est le système grâce auquel les entreprises
amènent leur produits et leur services jusqu’aux clients. Kearney [75] a défini la
chaîne logistique, de la même vision.
La figure (1.1), représente la chaîne logistique au sein d’une entreprise.
22
à la transformation et à la circulation de biens et de services y compris les flux
d’informations, depuis l’extraction des matières premières jusqu’au client final.
23
1.2.3.2 Les fabricants
Le fabricant représente le deuxième maillon de la chaîne logistique. Il inter-
vient au stade de fabrication ou de transformation d’un produit demandé. Dans
la plupart des cas, le relais entre les fabricants et les fournisseurs est un moyen de
transport. Le choix de mode de transport varie selon les distances et les natures
des produits.
1.2.3.3 Le stockage
Le stockage peut accompagner tous les autres maillons, car, à chaque niveau
nous pouvons avoir besoin d’un moyen de stockage.
24
Figure 1.3 – Schéma représentatif des flux physiques et flux d’information dans
une chaîne logistique, Greis [50].
25
1.3 Gestion de la chaîne logistique (Supply Chain
Management)
Le Supply Chain Manegement(SCM) est le résultat d’un long processus d’évo-
lution de la chaîne logistique. Ce n’est pas une fonction de l’entreprise et n’est pas
non plus un service achetable à un prestataire de service, ni un module informa-
tique ; c’est en fait une démarche de fonctionnement qui vise à assurer une gestion
et une synchronisation de l’ensemble de processus, qui permet à une ou plusieurs
entreprises de satisfaire les besoins de leurs clients, Dornier P. et Fender M. [29].
Le SCM gère toutes les activités associées aux flux et à la transformation des biens,
depuis les matières premières jusqu’à la livraison au consommateur, ainsi que les
flux d’informations associés, Dornier P. et Fender M. [29].
Plusieurs définitions ont été données dans littérature pour le SCM. Selon Pichot
L. [102], la gestion de la chaîne logistique est une coordination entre les fonctions
internes et externes, d’une ou plusieurs entreprises, afin d’améliorer les perfor-
mances de la chaîne logistique dans sa globalité. Pour Bendriss S. [6], la gestion
de la chaîne logistique est un mode de gestion des flux physiques et d’informations
visant à optimiser les processus de commandes, de production et de livraison.
Elle a été, également, définie comme une tâche d’intégration des unités organisa-
tionnelles tout au long du processus de la chaîne logistique.
Les concepts de la chaîne logistique et de la gestion de la chaîne logistique sont
bien distincts. La chaîne logistique représente un environnement composé par dif-
férents maillons, alors que la gestion nécessite un effort volontaire d’un ensemble
d’acteurs concernés par la coordination entre ces différents maillons.
26
l’opportunité d’une gestion meilleure des flux, aux différents niveaux de décision
associés à tout projet de conception de chaînes logistiques (stratégique, tactique et
opérationnel). Le transport peut, donc, être vu comme un maillon à part entière
de la chaîne logistique. En tant que tel, il subit l’influence et le contrôle exercés
par les autres maillons, Benmansour S. [7]. Il reçoit un flux de produits et d’infor-
mations, et l’émet à son tour à l’intention des autres maillons.
Dans ce qui suit, nous présenterons les principaux concepts relatifs à la chaîne de
transport.
27
1.5.1 Les modes de transport les plus utilisés
Chaque mode de transport est caractérisé par une structure technique (infra-
structures, matériels), logistique et économique différente. Il en résulte que, pour
assurer un type de trafic déterminé sur un trajet défini, il existe le choix entre
plusieurs modes transport, Aguezzoul A. [3].
28
1.6 Le transport maritime
Le transport maritime ou fluvial a été traditionnellement un vecteur de com-
merce et de progrès. Il est très fortement concurrencé aujourd’hui par le chemin
de fer et la route.
Comparées aux autres modes de transport, les voies navigables offrent plusieurs
avantages sur lesquels les constructeurs ont sû capitaliser. Leur coût est relative-
ment faible avec la possibilité de desservir le monde entier.
En effet, 25000 milliards de Tonnes-Km de fret parcourent les océans annuellement
comparés à 7000 pour le rail et 3 000 pour la route. Il s’agit au moins de 71% de
tout le fret mondial transporté, Steenken et al. [28].
Associée aux transports terrestres que furent le portage (à dos d’animal ou d’homme)
et le roulage (voies romaines), la navigation maritime constitua le premier sys-
tème de transport. Elle favorise, en premier lieu, les littoraux situés sur les mers
les plus propices au trafic maritime à courte distance (cabotage), particulièrement
de l’Asie du Sud-est, et plus encore celui de la Méditerranée et de l’Europe du
nord-ouest. C’est donc d’abord de ces mers fermées qu’est parti le développement
des transports. La navigation maritime a connu un premier saut technologique
avec l’apparition au XIXe siècle de la machine à vapeur. Celle-ci a permis en effet
d’accélérer les transports sur l’eau en s’affranchissant des contraintes naturelles
(vents et courants) pesant sur les routes maritimes, ISEMAR ([81],[82]).
L’apparition du commerce et d’échange internationaux, ont joué un rôle crucial
pour le développement de ce mode de transport, Gazdar M. [108].
Dans le secteur des transports maritimes, tout tient aux conditions macroécono-
miques mondiales. L’évolution de l’économie mondiale et du commerce de mar-
chandises détermine également celle du trafic maritime. Par conséquent, après le
recul enregistré en 2009, le trafic maritime international a été marqué par une
reprise de la demande en 2010, et le volume des échanges par mer a augmenté,
en particulier dans les secteurs du vrac sec et des marchandises conteneurisées
(1.1). En 2010, le volume total des marchandises embarquées a ainsi atteint 8,4
milliards de tonnes, soit un niveau supérieur à celui atteint avant la crise, en 2008
( le tableau 1.1 ).
29
Année Conteneurs Marchandise en cargo 5 Principaux vracs Ouil et gaz
1980 102 1123 608 1871
1985 152 819 900 1459
1990 234 1031 988 1755
1995 371 1125 1105 2050
2000 598 1928 1295 2163
2005 969 2009 1709 2422
2006 1076 2112 1814 2698
2007 1193 2141 1953 2747
2008 1249 2173 2065 2742
2009 1127 2004 2085 2642
2010 1275 2027 2335 2772
2011 1421 2084 2486 2794
2012 1480 2184 2665 2836
2013 1578 2300 2786 2904
Table 1.1 – Évolution du trafic maritime international, diverses années (en mil-
lions de tonnes chargées), selon UNCTAD [143].
30
Dans le paragraphe suivant, nous allons voir quelques concepts liés à la conte-
neurisation, de quoi se compose un conteneur ? Quels sont ses avantages ? Et ses
inconvénients ?
1.6.1 La conteneurisation
Le transport maritime conteneurisé est né sous l’impulsion d’un entrepreneur
américain Malcolm Mac Lean qui, en 1956, adapta 4 navires pour transporter des
remorques de camions par voie maritime. En 1956, l’Ideal X reliait New York à
Houston avec 58 remorques à son bord. L’expérience se révélant positive, Mac Lean
a véritablement franchi le pas en conteneurs manutentionnés qui sont identiques
dans leur conception, Gazdar M. [108].
Chaque conteneur est identifié par une série d’inscriptions permanentes sur
ses parois (propriétaire, numéro d’immatriculation, masse brute maximale, tare et
charge utile).
Les avantages de ces conteneurs sont nombreux comme :
1- Meilleure protection de la marchandise (avarie et vol), débouchant sur des primes
d’assurance plus avantageuses.
2- Possibilités de liaisons de porte à porte sans rupture de charge de la marchan-
dise proprement dite.
2- Rapidité de transbordement.
31
3- Économies sur les emballages, sur la manutention et le stockage.
4- Possibilités d’identification et de suivi logistique.
32
Figure 1.4 – Un exemple d’un porte-conteneurs.
33
de toute urbanisation (Antifer, par exemple, pour Le Havre ouverte à 1975), Gaz-
dar M. [108]. Les densités des ports ou des terminaux apparaissent très différentes
selon les régions du monde.
La plus grande concentration des ports se trouve en Europe : de la Baltique à la
Méditerranée, et l’Asie du sud-est, la seconde présentant cependant un niveau gé-
néral de développement technique moindre que la première, sauf au Japon et dans
les autres ports de premier niveau. Un port moderne est un ensemble de terminaux
spécialisés.
Les plus grands ports jouent le rôle de plate-forme de concentration / éclatement
de dimension continentale. Dans le tableau (1.2), nous présentons, une liste des
principaux ports à conteneurs dans le monde en 2011, selon Ocean Attitude [116].
Table 1.2 – Les 20 premiers ports à conteneurs dans le monde en 2011, selon
Ocean Attitude [116].
Dans certains ports, les hubs, les conteneurs ne font que transiter entre les
grands navires est-ouest et les relais nord-sud ou entre les navires mères et les
feeders régionaux. Parmi les hubs les plus importants, on trouve Algésiras (Es-
34
pagne), Gioia Tauro (Italie) et Kingston (Jamaïque). Ainsi, un conteneur qui doit
se rendre de Tokyo à Abidjan empruntera un navire mère de 5000 EVP reliant
le Japon à l’Europe du nord avec une escale à Algésiras (près de Gibraltar), où
le conteneur sera débarqué pour être aussitôt ré-embarqué sur un navire de 1500
EVP qui descend des ports de la mer du nord vers l’Afrique de l’ouest. Le trajet
Tokyo / Abidjan aura duré une quarantaine de jours. Toute l’organisation por-
tuaire est donc très hiérarchisée et repose autant sur un petit nombre de grands
ports mondiaux que sur un nombre plus important de ports moyens, Gazdar M.
[108].
35
Figure 1.5 – Un exemple d’un terminal à conteneurs.
36
panneaux de cale, guident les conducteurs de portiques et pilotent les chariots élé-
vateurs à terre. Le pointeur est responsable de la gestion du parc à conteneurs.
Depuis son terminal informatique, il affecte les marchandises à des emplacements
précis en fonction de leurs destinations. Il est également chargé d’identifier et de
contrôler les conteneurs qui quittent le terminal. Le planificateur de navire (ship
planner) est chargé d’organiser le plan de chargement sur un navire : il doit at-
tribuer à chaque conteneur un emplacement précis à bord du navire. Il veille à
ce que la stabilité du navire soit respectée. En effet, le placement des conteneurs
est effectué de façon à faciliter leur déchargement dans la chronologie de leurs
destinations, Gazdar M. [108].
37
Laser Radar sont utilisés aussi pour repérer les conteneurs, ISEMAR [69].
Des transpondeurs (Transponder) et des circuits électriques sont utilisés pour
guider les grues de transport et les véhicules automatiquement tandis que les DGPS
sont utilisés pour guider automatiquement les cavaliers gerbeurs et d’autres équi-
pements de manutention, Gazdar M. [108].
38
1.8 Conclusion
Au cours de ce chapitre, nous avons présenté les éléments de base de la chaîne
logistique et de sa gestion, afin de bien assimiler ce vaste domaine. Nous avons mis
en évidence quelques définitions rencontrées dans la littérature. Par la suite nous
nous sommes concentrés sur les différents mode de transport utilisés dans la chaîne
logistique, et notamment le transport maritime, vu le rôle crucial qu’il joue dans
le transport de marchandises. Au sein de ce mode de transport, nous rencontrons
une chaîne logistique intérieure, connue par « la chaîne logistique portuaire » ou
« le passage portuaire ». Les différents axes du processus portuaire ont été mis en
évidence, analysés et des travaux de recherches ont été présentés.
Après avoir analysé les différents axes du processus portuaire, nous avons tenté
dans ce chapitre introductif de décrire le cadre général de notre travail et de
connaître au mieux les nouveaux concepts s’y posant, et ce, dans le but de maîtri-
ser la problématique ci étudiée.
Comme nous pouvons le constater, la conteneurisation et la logistique des termi-
naux à conteneurs mettent en questions plusieurs problèmes de décisions émanant
des différentes opérations effectuées au sein d’un terminal à conteneurs.
Ces problèmes peuvent être classés parmi les problèmes de transport et d’or-
donnancement, comme par exemple le problème de tournées de véhicules et les
problèmes d’affectation, largement abordés dans la littérature. Dans le chapitre
suivant, nous nous pencherons sur le problème d’allocation des postes à quai, au-
quel nous nous intéressons dans cette thèse, et nous présenterons un état de l’art
exhaustif de ce problème.
39
Chapitre 2
État de l’art
2.1 Introduction
Les terminaux à conteneurs sont des systèmes ouverts des flux de matière avec
deux interfaces externes : les quais où les conteneurs sont chargés et déchargés à
bord et du navire, et l’hinterland où les conteneurs sont livrés vers et du terminal,
par l’intermédiaire des camions ou des trains.
Dans un terminal, on peut distinguer trois zones : la zone de quai, où les navires
sont amarrés pour le service, la zone de parc de stockage où les conteneurs sont
stockés temporairement en attente d’être exportés ou importés et la borne de grille
qui relie le terminal à conteneurs à l’hinterland.
En conséquence, les opérations dans un terminal à conteneurs peuvent être dé-
composées en trois catégories : les opérations au bord de la mer, les opérations
côté terre et les opérations dans la cour. Toutes ces opérations interagissent les
unes avec les autres. Les opérations au bord de mer comprennent les opérations de
l’accostage des navires, le chargement et le déchargement de conteneurs sur/des
navires.
Les opérations au bord de mer interagissent avec les opérations dans la cour, via les
appareils de transport interne utilisées pour transporter des conteneurs de et vers
le navire, et de ou vers la zone de stockage. Les opérations dans la cour concerne
la gestion des conteneurs pendant le transfert entre le côté terre et le bord de mer.
Elles comprennent des opérations telles que le transport interne des conteneurs de
ou vers le navire et de ou vers les camions ou chemins de fer et les opérations de
stockage dans les zones de stockage.
Les opérations côté terre concernent les activités de réception et de livraison des
conteneurs entrants et sortants vers et depuis la zone de stockage. Bien que chaque
sous-système peut être considéré comme une entité indépendante et ses opérations
sont habituellement étudiés en tant que telles, les interactions entre les systèmes
40
sont inévitables et jouent un rôle crucial dans la gestion efficace de l’exploitation
d’un terminal à conteneurs.
Bien que les opérations au bord de mer soient interdépendantes des opérations de
transfert et de stockage des conteneurs, elles attirent un intérêt particulier pour
elles-mêmes.
En ce qui concerne la relation entre les compagnies maritimes et les exploitants de
terminaux, l’augmentation considérable du trafic conteneurisé au cours des der-
nières années, la congestion qui en résulte dans les terminaux à conteneurs dans
le monde, l’augmentation remarquable de la capacité des porte-conteneurs et le
coût d’exploitation accrue des navires porte-conteneurs ont perturbé les relations
entre les compagnies maritimes et les opérateurs des terminaux. Les compagnies
maritimes veulent que leurs navires puissent être servis immédiatement à l’arri-
vée, ou selon un modèle de prioritaire favorable, et compléter leur chargement et
déchargement dans une fenêtre de temps préétablie, quelques soient les problèmes
et le manque de ressources auxquels les opérateurs de terminaux sont confrontés.
L’exigence de ces compagnies maritimes est soutenue par la concurrence entre les
ports maritimes, particulièrement entre les plus proches géographiquement. En
conséquence, l’objectif global commun entre les compagnies maritimes et les opé-
rateurs des terminaux à conteneurs est la minimisation du temps passé par les
navires dans le port. Ajoutons à cet objectif, pour les opérateurs de terminaux,
l’objectif de maximisation de la productivité du port, en tenant compte des diffé-
rentes opérations qui s’y déroulent. Dans de nombreux cas, la limitation des postes
d’accostage est posée comme problème.
La gestion de manutentions et des flux de conteneurs dans le port, ainsi que le
temps de séjour de navire, dépendent du poste à quai auquel le navire est affecté.
Pour cela, l’affectation des navires entrants sur le quai est une problématique qui
mérite beaucoup d’intérêt, dans la théorie et dans la pratique.
41
train, jusqu’à leur chargement sur un camion ou un train, barge ou navire pour
les conteneurs en import ou en export. Nous nous intéressons, également, aux
différents équipements de manutention qui leur sont associés et discutons différents
problèmes qui en découlent, la figure (2.1).
' $
Plan de déchargement
& %
?Déchargement/ -
Arrivée Transport de Transport de Autre modalité
- - - -
chargement conteneurs Pile/stockage conteneurs
du navire de conteneurs de transport
6
' $
Plan de chargement
& %
Figure 2.1 – Le processus dans un terminal à conteneurs.
42
Figure 2.2 – Un exemple de quai dans un terminal à conteneurs.
Le BAP est l’une des opérations les plus critiques dans un terminal et dans un
processus de planification de quai, car il a un effet immédiat sur le délai d’exécu-
tion du navire et la circulation de flux du conteneurs dans le port.
Dans le passé, les opérateurs de terminaux ont appliqué des politiques de service
du premier arrivé, premier servi (PAPS), pour l’allocation de postes à quai. Au-
jourd’hui, cette politique n’est plus utilisable comme avant. Ce que nous allons
montrer dans la revue de littérature présentée dans ce qui suit, qui résume les
divers aspects du problème d’allocation de postes à quai (BAP).
Le BAP est décrit comme le problème d’allocation d’espace de quai pour les
navires entrants dans un port, en prenant en considération plusieurs contraintes
réalistes. Les navires arrivent généralement au fil du temps et l’exploitant du port
doit les affecter à des postes à quai pour être servis (charger et décharger) dès que
possible.
43
Le BAP a deux niveaux, un niveau de planification ou de contrôle (stratégique ou
tactique), et un niveau opérationnel. Le niveau stratégique ou tactique détermine
le nombre et la longueur des postes à quais qui devraient être disponibles dans
le port. Cela se fait soit à l’élaboration initiale du port ou quand une extension
est envisagée. Au niveau opérationnel, l’allocation de postes à quai à un ensemble
de navires, prévus d’être arrivées au port, dans un horizon de temps de quelques
jours, doit être décidée. Comme les navires maritimes suivent un horaire régulier,
dans la plupart des cas, la décision d’attribuer un poste à quai au navire doit être
prise sur une base régulière.
Cette problématique a été un centre d’intérêt de plusieurs travaux de recherche,
dans le but de proposer des solutions efficaces et satisfaisantes.
Le premier travail à paraître sur le problème d’allocation de postes à quai (BAP),
celui d’Edmond et Maggs [44], suivi par l’article de Sabria et Daganzo [135]. Cette
recherche a porté sur la théorie des files d’attente, en utilisant une représentation
des séries du problème. Les questions relatives à l’applicabilité de cette approche
de modélisation pour le BAP ont été examinées par Nikolaou [114].
Après 1990, la recherche sur le BAP a uniquement porté sur la programmation
mathématique et la simulation, car les modèles de files d’attente ont échoué à
capturer plusieurs attributs du problème. Les rares exceptions étaient une étude
réalisée par Legato et Mazza [85] et par Dragovic et al. [38].
Les travaux de recherche qui suivent ont classifié le BAP en prenant en considé-
ration des contraintes réalistes. Cette classification est présentée et détaillée dans
les paragraphes suivants, sous forme d’une revue de littérature complète et à jour
sur les différentes approches du BAP.
44
BAP statique et discret
Le BAP peut être modélisé comme un problème discret si le quai est considéré
comme un ensemble fini de places, où chaque poste est décrit par un segment d’une
longueur fixe.
L’un des premiers travaux apparu dans la littérature qui traite cette problématique,
et qui ne suit pas une approche en série, était par Lai et Shih [80]. Les auteurs
supposent qu’un quai est représenté par une ligne continue et pourrait être divi-
sée en plusieurs sections, à chacun desquels un seul navire pourrait être accosté à
un moment précis. Les règles d’allocation des places ont pris en considération les
facteurs suivants : les sections disponibles d’un quai, le temps d’allocation d’un
navire à chaque section disponible, la taille et l’heure d’arrivée de chaque navire.
Un algorithme heuristique a été élaboré, en tenant compte de la règle du premier
arrivé, premier servi (PAPS).
Imai et al. [67], sont les premiers à introduire l’idée que pour un débit de ports
élevé, des affectations optimales des navires sur les quais devrait être trouvées sans
tenir compte du principe PAPS. Toutefois, cela peut entraîner l’insatisfaction de
certains navires, concernant l’ordre de service. Afin de traiter les deux critères,
c’est-à-dire, la performance de couchette et l’insatisfaction de client sur l’ordre du
service, ils ont développé un algorithme heuristique pour trouver un ensemble de
solutions tout en maximisant le débit du port et en minimisant l’insatisfaction des
clients. Ils introduisent une approche multi-objective de nouveaux problèmes d’or-
donnancement à machines. Un programme de deux objectifs, entier et non linéaire,
est conçu pour identifier l’ensemble des allocations de couchettes.
Li et al. [86], ont formulé le BAP comme un problème d’ordonnancement, avec un
processeur unique à travers lequel plusieurs tâches peuvent être traitées simulta-
nément. Le problème suppose que tous les navires sont déjà arrivées au port et
la minimisation de temps de séjour de navires a été tentée sur la base de cette
hypothèse. Ils présentent deux cas de problème : le cas d’une position fixe et le
cas d’une position non fixe. Les auteurs ont indiqué que les deux cas pourraient
être applicables au problème d’ordonnancement des couchettes sous différentes
hypothèses. Ils considèrent également le cas où le processeur est partiellement dis-
ponible. Ils ont proposé des heuristiques pour lesquelles des expériences numériques
ont été réalisées pour le trois cas. Les résultats ont montré que les erreurs relatives
moyennes des heuristiques sont inférieures à 20%, pour tous les paramètres testés
et concluent que les heuristiques sont efficaces pour produire une solution quasi-
optimale.
Semblables à Li et al. [86], Guan et al. [47], considèrent, le problème d’allocation
de couchettes comme un problème d’ordonnancement de tâches multi-processeurs.
Un navire (emploi) est attribué à un certain nombre de grues (m processeurs pa-
45
rallèles/variables de décision). Ils ont développé une heuristique pour minimiser
le temps d’exécution total pondéré de service de navires et réaliser le pire des cas
d’analyse. Les pondérations ont été affectées à chaque tâche, en fonction de la taille
des navires. Pas de règles de service prioritaires qui ont été employées, et aucun
des exemples numériques n’a été présenté ou discutés.
Park et Kim [123] ont étendu leurs travaux précédents pour combiner le BAP en
tenant compte des capacités des portiques. Leur étude détermine les temps d’ac-
costages optimaux de navires et les emplacements associés, en même temps que
l’affectation optimale des grues de quai pour les navires. Ils ont supposé que les
délais de traitement varient linéairement avec le nombre de grues de quai affectées
sur un navire, afin de résoudre le problème intégré. Le temps de manipulation
a été considéré comme indépendant de l’emplacement d’accostage du navire. La
formulation de la fonction objectif est similaire à celle de Park et Kim [124], mais
plus complexe car elle comprend quatre pénalités différentes de coûts (coûts de
manutention, arrivée tôt, arrivée tardive et le retard en délai).
Semblable à Park et Kim [123], Meisel et Bierwirth [104], ont présenté un modèle
pour les problèmes d’affectation des postes à quai et des grues de quai. Une heu-
ristique basée sur des méthodes de règle de priorité a également été fournie pour la
solution intégrée de ces problèmes. Des résultats de calcul sur une base de données
réelle ont été présentés. L’objectif était la réduction de la quantité inutilisée de
grues de quai. Les auteurs ont indiqué que des recherches supplémentaires sont en
cours.
Lokuge et Alahakoon [88], présentent une approche unique, en se distinguant de
tous les travaux précédemment présentés. Ils utilisent l’intelligence artificielle (IA),
et plus spécifiquement( Beliefs, Desires and Intention (BDI)) comme architecture
d’agent. Ils décrivent l’utilisation d’une architecture BDI d’agent hybride pour un
système de demande d’accostage de navire. Un système étendu hybride d’agent
BDI avec des outils intelligents (de réseaux de neurones et d’adaptation du sys-
tème neuro-floue (ANFIS)) a été proposé pour améliorer les performances dans le
terminal.
Imai et al. [57], ont abordé le problème d’allocation des postes à quai dans un
terminal à conteneurs multi-utilisateurs, avec des postes à quai utilisées pour une
manipulation rapide.
Pour compléter les études proposées précédemment dans la littérature sur le BAP,
Chang et al. [32] proposent avec l’objectif de réduire le temps et le coût total
d’accostage, un modèle d’intégration de l’allocation des postes à quai et de la
planification dans la cour. Un exemple d’un terminal à conteneurs spécifiques à
Shanghai est utilisé pour illustrer la faisabilité et l’efficacité de l’approche propo-
sée.
Similaire aux travaux de Demetro et al. [39] et Legato et al. [118], le travail
46
d’Arango et al. [17] qui traite le problème d’allocation des postes à quai dans
le port de Séville. L’objectif est de faire la planification et l’affectation des navires
d’une façon à minimiser le temps total de service pour chaque navire. Ce dernier,
propose un modèle mathématique et développe une procédure heuristique, basée
sur l’algorithme génétique pour résoudre ces problèmes non-linéaires. Il considère
une stratégie d’allocation du premier arrivé, premier servi. Tandis que les premiers
utilisent pour résoudre le problème, une simulation par des méthodes statistiques,
celles du classement et de la sélection (R& S).
Dans de récents travaux, comme le travail de Song et al. [94], les auteurs s’inté-
ressent aux choix optimaux des postes à quai, pour les navires entrants, en prenant
en compte le nombre de grues de quai, qui vont le servir. L’objectif est de minimi-
ser le temps global d’attente plus le temps de manipulation. Ils supposent que tous
les navires sont déjà au port, lors du début de planification (problème d’allocation
des postes à quai statique). En utilisant un algorithme génétique et une méthode
branch-and-bound (B and B), ils ont fourni une solution intégrée pour ces deux
processus communs dans un terminal à conteneurs (processus d’attribution des
postes à quai, processus de planification des grues de quai).
Dans cette section une revue de littérature complète et à jour sur les différentes
approches du DBAP continu est présentée.
Kim et Moon [76] ont étudié le DBAP continu et formulé un modèle de MIP,
semblable au modèle d’Imai et al. [56], mais ils utilisent à la place de recuit simulé
la relaxation lagrangienne, pour trouver des solutions optimales. L’objectif était
de réduire les délais et les coûts de manutention par endroits non-optimaux d’ac-
costage des navires et de tenter de déterminer simultanément l’heure d’accostage
47
et l’emplacement. Contrairement à Imai et al. [56], ils appliquent une pénalité de
coût pour le stationnement dans les couchettes non-privilégiées.
Lim [87] avec Li et al. [86], ont traité la même problématique, avec l’objectif de
minimiser la quantité maximale d’espace de quai utilisée à tout moment avec l’hy-
pothèse selon laquelle une fois qu’un navire est à quai, il ne sera pas transféré à
autre endroit avant son départ. Ils ont également supposé que chaque navire est
accosté dès qu’il arrive au port. Le problème a été représenté comme un graphe,
avec des arêtes dirigées et non orientées, et transformé en une version limitée du
problème d’emballage en deux dimensions. Une heuristique qui a présenté de bons
résultats dans les données historiques est proposée.
Park et Kim [124] ont utilisé la technique d’optimisation de sous-gradient. Leur
objectif était d’estimer le temps d’accostage et l’emplacement en minimisant le
temps total d’attente et de service ainsi que l’écart par rapport à l’emplacement
d’accostage préféré. Ils sont les premiers à inclure la pénalisation de l’écart de la
couchette optimale.
Imai et al. [65], ont prolongé leurs travaux précédents par la résolution du DBAP
dans un espace de quai continu. Ils supposent que les temps de traitement dé-
pendent de l’emplacement de navire sur le quai, par rapport à la zone de stockage
de conteneurs. Dans leurs formulations, le temps de traitement est de nouveau
considéré comme déterministe. Ils n’ont pas tenu compte des priorités de service.
Moorthy et Teo [102], ont élargi le travail de Dai et al. [34], et ont présenté une nou-
velle approche (peut-être la plus intéressante à ce jour) pour le DBAP continu. Le
problème a été modélisé comme un problème d’optimisation bi-critères. Le premier
objectif portait sur l’équilibre entre le coût opérationnel de déplacer les conteneurs
d’un bateau à un autre et les retards (différence d’arrivée réelle de navire et du
début d’accostage). Le deuxième objectif portait sur la stochasticité dans l’arrivée
des navires et la robustesse du calendrier définitif. Les auteurs tentent de minimi-
ser les retards attendus des navires de transbordement. L’objectif de ces résultats
expérimentaux réside dans la nature stochastique du problème. Ils utilisent une
représentation continue, mais notons que dans la solution finale, le chevauchement
des navires n’est pas évitée, surtout quand la demande augmente. Néanmoins, c’est
le premier document qui a étudié le BAP en incorporant la nature stochastique
des arrivées de navires avec des résultats très prometteurs. Les auteurs ont indiqué
que d’autres recherches sont en cours.
Lee et Chenb [149] ont approfondi les études proposées par Li et al. [86] et Brown
et al. [11], pour l’optimisation de BAP dynamique et continu, en proposent plus
d’exigences physiques. Leur modèle prend en considération plusieurs facteurs im-
portants dans la pratique, y compris la règle du premier arrivé, premier servi,
la distance de sécurité entre les navires et la possibilité de déplacer un navire.
Les navires sont affectés aux quais sur la base de premier arrivé, premier servi,
48
mais le changement de la position d’un navire pour faire une place à un autre
est également autorisé. Le processus de la solution proposée résout le problème en
trois étapes. Dans la première phase, il génère un nombre de postes d’accostage
pour chaque navire. Dans l’étape suivante, il utilise une heuristique de recherche
de voisinage pour trouver les meilleures affectations possibles. Enfin il utilise une
approche gloutonne pour sélectionner la meilleure solution parmi les solutions pro-
posées par la recherche de voisinage.
Similaire avec Guan et Cheung [48] qui traite le DBAP continu, Lee et al. [35]
ont traité la même problématique avec un objectif de minimiser le temps d’écoule-
ment total pondéré et d’identifier un emplacement possible pour les navires dans
le diagramme temps-espace. Par la suite, deux versions de Greedy Randomized
Adaptive Search Procedure (GRASP) ont été développées pour chercher des so-
lutions optimales à proximité. Des petites et grandes instances des expériences
numériques sont testés pour examiner l’efficacité des saisies, ils proposent une
comparaison avec CPLEX et les résultats de Wang et Lim [145], respectivement.
Raa et al. [9] traitent la même problématique. Ils présentent un modèle de pro-
grammation linéaire de nombre entier mixte (MILP) pour la gestion intégrée de
BAP-CAP en tenant compte des priorités des navires, des endroits préférés d’accos-
tage et du temps de manutention. Le modèle est résolu en utilisant une heuristique
hybride et testé avec des données réelles.
En se basant sur le modèle de Kim et Moon [76], Du et al. [147] ont proposé un
modèle d’allocation des postes à quai avec l’objectif de minimiser la consommation
de carburant de navires.
Dans cette section une revue de littérature complète et à jour sur les différentes
approches du DBAP discret est présentée.
Imai et al. [56] ont abordé le DBAP discret. Leur objectif, était de minimiser la
somme de temps d’attente et de manipulation des navires. Des expériences in-
formatiques ont montré que l’heuristique proposée fonctionne bien, d’un point de
vue pratique. Dans le même contexte, Nishimura et al. [113], abordent le même
problème, mais pour un système de quai public. Dans ce document, les auteurs
ont étendu le travail effectué par Imai et al. [56] pour inclure des restrictions phy-
siques telle que la profondeur de l’eau et la longueur de quai. Ils ont également
laissé tomber la supposition que chaque poste à quai peut gérer un seul navire
à la fois. L’objectif était d’optimiser le temps de séjours des navires (y compris
le temps d’attente). Une heuristique basée sur des algorithmes génétiques (AG)
49
est utilisée pour obtenir des bons résultats dans un délai de calcul raisonnable.
Les résultats expérimentaux sont présentés pour l’occupation simultanée et simple
d’une couchette. Pour les problèmes de petite taille, l’écart d’optimalité était de
10%, alors qu’il a atteint 20% pour les problèmes de plus grande taille.
Hansen et Oguz [52], ont critiqué la formulation du modèle de Imai et al. [56],
et soutenu que la formulation était incorrecte, en présentant une nouvelle for-
mulation. Imai et al. [65], ont publié un rectificatif pour clarifier cette question.
Plusieurs expériences de calcul ont été effectuées pour les besoins de ce document,
en utilisant à la fois les formulations de Imai et al. [56] et Hansen et Oguz [52].
Dans tous les cas de test, la même valeur optimale de la fonction objectif a été
obtenue.
Imai et al. [66] ont modifié et prolongé la formulation DBAP de Imai et al. [56] et
de Nishimura et al. [113], afin d’inclure des contraintes de priorité de service. L’ob-
jectif était de réduire la durée totale de service, tout en différenciant les priorités
de navires par variation de leur temps de service dans la solution. Ils ont supposé
qu’un seul navire peut être amarré à un poste à quai à la fois et que le temps
de service dépend du poste à quai choisi. Aucune restriction physique/technique
n’a été envisagée. Plusieurs exemples numériques sont présentés selon différentes
formules prioritaires de poids et une petite discussion sur le choix de la valeur des
poids est fournie.
Lee et al. [78], suite aux travaux de Park et Kim [123], ont présenté une mé-
thode pour la planification des postes à quai et des grues de quai, qui sont des
ressources critiques dans les terminaux à conteneurs. Ils ont présenté un modèle
de programmation à deux niveaux, dans lequel le problème d’allocation des postes
à quai avec l’objectif de minimiser la somme des temps d’attente et du temps de
traitement de chaque navire est traité comme un problème de niveau supérieur,
alors que le problème d’ordonnancement des grues de quai avec l’objectif de mini-
miser la somme des durées totales d’exécution de tous les navires est traité comme
un problème de niveau inférieur. Ce modèle est formulé, en tenant compte de di-
verses contraintes pratiques, telles que les interférences entre les grues de quai.
Pour résoudre ce modèle, un algorithme génétique est utilisé pour déterminer la
solution quasi-optimale. Une expérience informatique est menée pour examiner la
performance du modèle de programmation à deux niveaux. Des résultats sont pré-
sentés pour des petites instances du problème. Selon l’auteur, la recherche est en
cours pour résoudre le problème de grandes instances.
Guan et Cheung [48] ont présenté un modèle d’allocation des postes à quai. Ils
estiment l’heure d’arrivée des navires et optimise le temps d’écoulement total pon-
déré. Deux formulations ont été présentées : la formulation de position relative
(semblable au modèle de Kim et Moon [76], avec une fonction objectif légère-
50
ment différente), et la formulation d’affectation des postes à quai. Ils développent
une procédure d’arbres et une heuristique qui combine la procédure d’arbre avec
l’heuristique de Guan et al. [47]. Des expériences informatiques montrent que l’heu-
ristique composée est très efficace.
Cordeau et al. [23], similaire à Imai et al.[65], considèrent le DBAP discret, ils
ont fourni deux formulations : une formulation similaire à Imai et al. [56], et une
formulation similaire au problème de routage de multi-dépôt de véhicule avec une
fenêtre du temps.
Briano et al. [10], présentent l’intégration entre un simulateur flexible qui repré-
sente les opérations maritimes d’un terminal à conteneurs, et un modèle de pro-
grammation linéaire pour l’amélioration de la gestion de l’affectation des navires
aux postes à quai et la gestion des zones de stockage des conteneurs. La métho-
dologie proposée, commence par un modèle mathématique pour soutenir la plani-
fication des postes à quai. La position optimale de l’accostage de chaque navire
est considérée comme l’endroit le plus proche de la zone où les conteneurs vont
être chargés/déchargés. Le but du modèle est de minimiser le coût de sanction
résultant de départs retardés de navires et le coût de traitement supplémentaire
qui résulte de la déviation de la position d’accostage et du meilleur emplacement
sur le quai. Les auteurs notent que le problème est difficile et ne peut être résolu
dans un délai raisonnable pour un maximum de sept navires et un horizon de 72
heures.
Imai et al. [58] ont adressé une variation du problème d’allocation des postes à quai
des terminaux multi-utilisateurs, où les navires vont être servis dans un terminal
avec un temps d’attente prévu qui ne dépasse pas une certaine limite. S’il dépasse
cette limite, les navires seront attribués à un autre terminal extérieur. L’objectif
du problème est de minimiser la manutention de conteneurs et maximiser la pro-
ductivité du port.
Wang et Lim [145], ont résolu le DBAP en minimisant la non-attribution des posi-
tions et les coûts des retards en utilisant une heuristique stochastique. Les auteurs
ont conclu que la formulation de l’approche et la solution sont rapide, facile à mo-
difier et à mettre en oeuvre et peuvent être directement appliqué à la résolution
de plusieurs problèmes de la prise de décision.
Hansen et al. [54], ont étudié le DBAP discret, en considérant la minimisation des
coûts totaux d’attente et de manutention, ainsi que la précocité ou le retard, pour
+peut être réduite au BSP présenté par Imai et al. [56] et [66].
Monaco et Sammara [103], ont présenté une formulation compacte pour le BAP
discret et dynamique, et ont développé une heuristique lagrangienne pour résoudre
le problème.
Imai et al. [57] ont proposé une formulation pour l’attribution simultanée de postes
51
d’accostage-grues de quai, qui minimise le temps de service total et ont développé
une heuristique basée sur l’algorithme génétique pour résoudre le problème.
Imai et al. [61] ont résolu un BAP avec l’utilisation d’un terminal externe sur
la base des versions statiques et dynamiques du BAP proposé dans Imai et al. (
[56], [60]), qui trouvent l’affectation optimale des navires-postes d’amarrage avec
la minimisation du temps de service total (temps de service est composé de délai
d’attente et du temps de manutention à quai de navire). Une heuristique basée
sur un algorithme génétique est développée et une grande variété d’expériences
numériques a montré que l’heuristique développée donne de bons résultats.
Chengji et al. [19] ont élargi les études proposées par Park et Kim [123] et de
Liang et Gen [89], pour le traitement des problèmes d’ordonnancement, de grue de
quai et des postes à quai, en les considérant comme deux problèmes indépendants
les uns des autres. Leur objectif, comme la plupart des travaux sur le BAP, est
de minimiser la somme des temps de traitement et d’attente, ainsi que le retard
pour chaque navire. Ils ont formulé un modèle pour présenter le problème. Ils ont
proposé une heuristique basée sur l’algorithme génétique pour trouver une solution
approchée du problème.
Dans le travail de Giallombardo et al. [49], l’approche est un peu différente des
approches précédemment proposées, par Park et Kim [123], Imai et al. [61], Meisel
et Bierwirth [112] , qui attribuent généralement une grue de quai par heure, sans
aucun contrôle sur le résultat final. En termes de profils de grue de quai(QC),
leur fonction objectif vise, d’une part à maximiser la valeur totale des profils QC
choisis, et d’autre part à minimiser le coût d’entretien généré par les flux de trans-
bordement entre les navires. Ils présentent deux formulations pour le problème
mixte intégré : un programme entier quadratique et une linéarisation qui le réduit
à un nombre entier de programme linéaire mixte. Les deux modèles ont été validés
sur des cas fondés sur des données réelles. Les résultats de calcul sont présentés et
discutés.
En élargissant les études précédemment proposées par Imai et al. ( [66] [62]) et
Hansen et al. [54], Golias et al. [99] ont proposé deux formulations séparées du pro-
blème, la première pour minimiser le temps de service (maximiser la satisfaction
du client) pour un ensemble des navires et la second pour minimiser le temps de
service total de tous les navires qui accostent au terminal (maximiser le débit total
du port). Une heuristique basée sur l’algorithme génétique est développée pour ré-
soudre le problème. Un certain nombre d’expériences numériques ont montré que
l’heuristique donne de bons résultats.
Plus récemment, Bierwirth et Meisel [8] ont présenté une revue de littérature
sur l’allocation des postes à quai et des grues de quai ainsi que le problème d’or-
donnancement entre les deux. Ils ont conclu qu’il y avait un intérêt croissant dans
52
les modèles d’intégration qui a permis de trouver des solutions équilibrées pour le
problème de fonctionnement individuel de chaque processus au bord de mer.
Dans les travaux d’Imai et al. ([56], [66]) et Hansen et al. [54], Mihalis et al. [101],
le BAP a été étudié en considérant un quai discret.
Mihalis et al. [101] traitent la problématique avec un objectif de minimiser le
temps total de service pondéré de tous les navires. Ils proposent une heuristique
basée sur lambda-optimale pour la résoudre. Une deuxième heuristique basée sur
l’algorithme génétique est également proposée pour réduire le temps de calcul
requis pour les moyennes et les grandes instances. Des expériences numériques
réalisée montrent que l’heuristique proposée est suffisante pour produire des résul-
tats quasi-optimaux, dans des temps de calcul acceptables.
Suite aux travaux de Liang et al. [19] et Imai et al. [61] ; Zhang et al. [129], ont
proposé une allocation des postes à quai en considérant les plages de couverture de
grues de quai et en permettant des ajustements limités de grues de quai pendant
le chargement et le déchargement de navires. Un modèle de programmation mixte
entier est construit, et un algorithme d’optimisation de sous-gradient est appliqué
pour résoudre le problème. En utilisant des données réelles, la performance de l’al-
gorithme a été démontrée.
Giallombardo et al. [51] intègrent au niveau tactique deux problèmes de décision
qui se posent dans les terminaux à conteneurs : le problème d’allocation des postes
à quai et le problème d’affectation des grues de quai. Ce travail est inspiré du
travail de Cordeau et al. [23] sur l’OBAP. Alors que pour Cordeau et al. [23], la
fonction à minimiser est la somme pondérée du temps de service de tous les na-
vires dans le port, pour Giallombardo et al. [51], la fonction objectif vise, d’une
part, à maximiser la valeur totale des profils des grues de quai choisies, et d’autre
part à minimiser les coûts d’entretien ménager générés par les flux de transborde-
ment entre navires. Ils ont développé un algorithme heuristique qui combine des
méthodes de recherche tabou et des techniques de programmation mathématique
pour la résolution de BAP. Des résultats de calcul sur des instances fondées sur
des données réelles sont présentés et comparés aux résultats obtenus par un sol-
veur commercial. La même problématique est abordée par Chang et al. [33]. Leur
fonction objectif vise à minimiser les déviations totales des postes à quai, la somme
des pénalités et la consommation d’énergie des grues de quai.
Par la suite, un algorithme hybride génétique parallèle (HPGA), qui combine l’al-
gorithme génétique parallèle (PGA) et un algorithme heuristique, a été utilisé
pour résoudre le modèle proposé. Des expériences numériques sur un terminal à
conteneurs spécifique ont été faites pour illustrer les modèles et les algorithmes
proposés. Ce faisant, l’efficacité de l’approche proposée a été vérifiée.
Similaire aux travaux de Han et al. [146] qui abordent la même problématique de
l’ordonnancement des postes et des grues de quai avec des incertitudes de l’heure
53
d’arrivée des navires et du temps de manutention de conteneurs.
Ils considèrent le BAP discret et dynamique. Un modèle de programmation mixte
entier et une simulation basée sur l’algorithme génétique (GA) sont proposés. Des
expériences informatiques ont montré la performance de l’algorithme développé
dans l’incertitude.
Le travail de Buhrkal et al. [77] s’intéresse au BAP discret et dynamique. Il révise
et décrit trois modèles principaux des BAPs discrets et dynamiques. Son modèle
est un mixte des modèles de Imai et al. [56], Monaco et Sammarra [103], Cordeau
et al. [23] et Christensen et Holst [21]. A travers de nombreux tests numériques qui
comparent tous les modèles d’un point de vue informatique, les résultats indiquent
que le modèle proposé par Cordeau et al. [23] surpasse tous les autres modèles en
terme d’efficacité et de temps de calcul.
Zhen et al. [90] ont élargi le travail proposé par Kim et Moon [76]. Ces derniers
visent, dans leur modèle, à minimiser les coûts de retard et de position des navires
tandis que les premiers minimisent au lieu du coût de retard, le coût d’attente de
navire.
L’article de Zhen et al. [90] étudie le même problème avec l’heure d’arrivée et le
temps de fonctionnement incertain pour les navires.
Un modèle décisionnel en deux étapes est développé pour le BAP sous incertitudes.
En outre, une approche méta-heuristique est proposée pour résoudre le problème
ci-dessus de grande envergure dans des environnements réalistes. Des expérimenta-
tions numériques sont réalisées, afin de valider l’efficacité de la méthode proposée.
Les principales hypothèses retenues par Barros et al. [4], pour le traitement de
BAP, dans leur modèle sont liées à des conditions de marée et de niveau de stock.
Ces problèmes sont définis et résolus par un solveur commercial et par une heuris-
tique basée sur le recuit simulé.
Les travaux de Cordeau, Laporte et Mercier [22] ; Mauri et al. [98], ont été
élargi par Oliveira et al. [128]. Ces derniers ont traité la problématique, avec l’ob-
jectif de minimiser le temps total de séjour des navires au port (temps d’attente+
temps d’exécution de navire). L’alternative proposée est basée sur l’application
de la recherche d’une méthode de classification (CS) en utilisant le recuit simulé
(SA) pour la génération des solutions. Les résultats de calculs sont comparés aux
résultats de calculs donnés par Cordeau, Laporte et Mercier [22] et Mauri et al.
[98]. Cette comparaison prouve que les résultats obtenus par ce modèle sont plus
convaincants que les résultats obtenus par les travaux précédents.
Nishimura et al. [113] ; Barros et al. [4] ont traité le BAP en prenant en considéra-
tion des conditions physiques telles que la profondeur de l’eau, mais aucun d’entre
eux n’a considéré l’affectation de navires sur les quais à différentes périodes avec
54
différentes profondeurs d’eau.
Cette hypothèse est prise en considération par Dongsheng et al. [36]. Cet article
traite la problématique en prennent en considération la profondeur de l’eau et
l’état de la marée. Ils modélisent le problème en divisant l’horizon de planification
en deux périodes, une période de basse eau et une de haute eau. Leur objectif est
de réduire la durée de service totale pondérée des navires.
L’article de Yang et al. [24] propose une approche pour résoudre le problème d’al-
location de postes à quai et l’affectation de grues de quai dans un terminal à
conteneurs multi-utilisateurs. Le problème de couplage est étudié et formulé avec
des interactions entre l’allocation des postes à quai et l’affectation des grues de
quai. L’objectif est de minimiser le temps moyen de service des navires entrants
et le nombre moyen des grues de quai utilisées pour les opérations de charge-
ment/déchargement par navire. Pour minimiser le nombre des grues de quai, ils
utilisent la formulation proposée par Legato, Gulli et Trunfio [91], où les grues de
quai ne pouvait pas se déplacer d’un endroit à un autre par l’intermédiaire d’autres
grues. Tandis que pour le BAP, ils considèrent la formulation de Guan et Cheung
[48], où la solution peut être représentée dans un diagramme espace-temps et le
plan d’allocation pour chaque navire est représenté par un rectangle. Par la suite,
un algorithme génétique avec des boucles imbriquées, a été développé pour obtenir
des solutions optimales.
La plupart des travaux de recherche dans la littérature sur le BAP ont été
consacrés pour réduire le temps de service des navires, c’est encore le cas de Lalla-
Ruiz et al. [45]. Ils ont traité cette problématique en considèrent le cas dynamique
et discret. Ils proposent une méta-heuristique hybride qui combine la recherche
taboue avec le chemin Relier.
D’autre part, Zhen et Chang [93], ont traité la problématique avec un objectif
de développer un planning strict pour l’allocation des postes à quai, en intégrant
un degré d’anticipation de l’incertitude (par exemple, l’heure d’arrivée des navires
et le temps de fonctionnement) pendant l’exécution du planning. Cette étude pro-
pose un modèle d’optimisation bi-objectif pour minimiser les coûts et maximiser
la robustesse des horaires. Pour l’objectif de minimisation des coûts, ils utilisent le
modèle proposé par Kim et Moon [76]. Une heuristique est également développée
pour résoudre le modèle bi-objectif en cas de problèmes à grande échelle. Des ex-
périmentations numériques sont réalisées, afin de valider l’efficacité du modèle et
de la méthode proposée.
Dans l’article de Robenek et al. [142], qui n’a pas été publié, le problème est un
peu différents que les autres problèmes traités dans les articles précédents, qui
s’intéressaient au problème d’allocations des postes à quai dans des terminaux à
conteneurs. Cet article traite la problématique dans le contexte de ports en vrac.
55
L’objectif est de minimiser le temps de service total des navires qui accostent au
port. Ils proposent un algorithme de résolution exact, basé sur la génération de
colonnes, pour résoudre le problème combiné. Le problème principal est formulé
en tant que problème d’un ensemble de partitionnement, et le sous-problème pour
identifier les colonnes avec des coûts réduits négatifs est résolu comme un pro-
gramme entier mixte. Les auteurs n’ont pas présenté des résultats de calcul pour
que nous puissions juger l’efficacité de leur modèle.
Les conteneurs seront chargés/ déchargés à l’aide des portiques affectées au na-
vire. Certainement, le nombre de portiques affectées à un navire influe le temps de
manipulation de ce dernier. Ceci donne naissance au problème d’ordonnancement
56
des grues de quai (Crane Scheduling Problem).
57
2.2.4.2 Straddle carriers ou yard machines
C’est un système alternatif, pour le transport des conteneurs dans un
quai. Il consiste à utiliser des cavaliers gerbeurs (straddle carriers) ou (yard ma-
chines). Ces derniers combinent les propriétés d’une grue et celles d’un véhicule.
En effet, ils sont capables de retrouver les conteneurs recherchés et de les amener
vers les portiques. Étant donné que ces véhicules peuvent eux-mêmes charger et
décharger les conteneurs, ils n’ont pas besoin d’attendre une grue, à condition qu’il
existe une zone tampon de capacité suffisante. En vue de ces différents arguments,
les cavaliers gerbeurs semblent être une composante préconisée de l’équipement
d’un terminal, Andy et al. [1].
Cependant, ils sont trop coûteux et nécessitent plus d’espace pour pouvoir fonc-
tionner.
C’est un système possible, mais qui n’est plus utilisé : il consiste à empiler tous
les conteneurs sur des châssis. Ensuite, seuls les wagons transporteurs du terminal
sont utilisés pour conduire les remorques aux portiques. Ce système a l’avantage de
pouvoir accéder directement à chaque conteneur, ce qui facilite le fonctionnement
dans un terminal. Son inconvénient majeur est de requérir un grand espace de
stockage ; puisque chaque conteneur est empilé sur un châssis, Andy et al. [1].
58
de fonctionnement, Murty et al. [73].
La zone de stockage de conteneurs est généralement séparée en différentes piles
(ou blocs), qui se différencient en lignes, baies et gradins. Un bloc typique dis-
pose de sept lignes (ou voies) d’espaces, dont six sont utilisés pour le stockage
des conteneurs en piles ou en colonnes, le septième est réservé aux camions qui
passent pour ramasser ou livrer un conteneur lorsque les grues de chantier sont
utilisés pour l’empilement du conteneur.
2.3 Conclusion
Dans ce chapitre, nous avons situé le contexte de notre étude en mettant en
évidence les problèmes qu’affrontent les gestionnaires des ports d’aujourd’hui pour
l’affectation et l’ordonnancement des navires entrants sur les quais.
En effet, la gestion de processus portuaires, notamment l’allocation des postes à
quai dans les terminaux portuaires de nos jours, n’est plus la simple tache sans
enjeux importants. Elle est, au contraire, devenue un élément stratégique incon-
tournable avec l’importance de la concurrence par les délais, l’augmentation consi-
dérable du trafic conteneurisé au cours des dernières années, la congestion qui en
résulte dans les terminaux à conteneurs dans le monde, l’augmentation remar-
quable de la capacité des porte-conteneurs et le coût d’exploitation accrue des
navires porte-conteneurs.
Avec le nombre limité des ressources dans les terminaux à conteneurs, comme les
grues responsables de chargements/déchargements des conteneurs et les postes à
quai pour l’accostage des navires entrants, une bonne gestion de ces derniers reste
cruciale pour mieux maîtriser la gestion des autres maillons du processus por-
tuaire, car le temps de manipulation des navires et les distances parcourus par
les conteneurs imports/exports dans la zone portuaire dépend des postes à quai
où les navires sont assignés. A partir des travaux de recherche présentés dans ce
chapitre, nous pouvons remarquer que les chercheurs ont tenté de répondre à la
question d’allocation des postes à quai, pour augmenter la compétitivité du port,
par différentes méthodes.
Certains chercheurs ont tenté de répondre à la question en prenant des règles de
priorité de service pour l’affectation des navires sur le quai, le facteur de poids des
vaisseaux ou la pénalité de coût de temps pour le départ tardif. D’autres prennent
en compte l’affectation des navires sur les quais qui minimise le temps total de
service en maximisant la productivité des grues de quai alors que que d’autres
chercheurs visent à minimiser le temps total de service en prenant en compte des
priorités différentes.
À notre avis, des questions restent à traiter dans le BAP, comme la position privi-
légiée d’accostage en minimisent les distances parcourus par les conteneurs entre
59
les navires et leurs destinations dans la zone portuaire (ou l’inverse) et le temps
total de séjour des navires dans le port. En traitant cet aspect de la problématique,
nous optimisons le transport interne des véhicules et les productivités des grues
de quai, car le temps de séjour de navires correspond au (temps d’attente+ temps
de traitement), et le temps de traitement est calculé en fonction de la productivité
des grues de quai.
60
61
Chapitre 3
3.1 Introduction
L’ordonnancement des postes à quai dans un terminal à conteneurs est une
branche de la recherche opérationnelle et de la gestion du terminal qui vise à
améliorer l’efficacité d’un port en termes de coût de manutention et de temps
de traitement des navires. Résoudre ce problème d’ordonnancement consiste à
organiser des tâches, c’est-à-dire à déterminer leurs dates de démarrage et à leurs
attribuer des ressources matérielles ou humaines nécessaires, de telle sorte que des
contraintes soient respectées, afin d’optimiser un certain objectif préalablement
défini.
La planification des ressources pour affecter une grande variété des navires et les
servir dans des délais impératifs est un garant de la compétitivité d’un port et
c’est une raison pour laquelle les problèmes d’ordonnancement des postes à quai
sont devenus plus complexes et plus importants.
Dans ce chapitre, une description des principales méthodes d’optimisation utilisées
dans la littérature est donnée, nous permettant ainsi de préciser celles que nous
utiliserons dans la suite de ce travail.
62
3.2 Problèmes d’optimisation
Le désir humain de perfection trouve son expression dans la théorie de l’opti-
misation. Cette dernière étudie comment décrire et atteindre ce qui est meilleur,
une fois que l’on connaît comment mesurer et modifier ce qui est bon et ce qui est
mauvais. La théorie de l’optimisation comprend l’étude quantitative des optimums
et les méthodes pour les trouver, Beightler.S [144]).
A partir de la citation ci-dessus, on comprend la motivation d’un processus d’op-
timisation. En effet, l’optimisation cherche à améliorer une performance en se
rapprochant d’un point optimum.
Les problèmes d’optimisation peuvent être présentés, comme un problème mono-
objectif ou multi-objectif. Le problème d’optimisation multi-objectif (MOO), peut
être défini de la manière suivante comme indiqué par Coello.C [25] :
Trouver un vecteur des variables de décision (aussi appeler solution) X = [x1, x2....., xn],
qui optimise (minimise ou maximise) une fonction objectif :
F (X) = [f 1(X), f 2(X), ......., f n(X)],
Sous réserves de m contraintes d’inégalités Gi (X), (i = 1, 2, 3......, m) et k contraintes
d’égalités Hj (X), j = (1, 2, 3, ...., k).
Si les variables X sont discrètes, alors le problème est appelé un problème d’opti-
misation multi-objectif combinatoire (MOCO).
En raison de la nature contradictoire des objectifs, il y a habituellement des cas où
il n’y a pas de solution unique. Il est possible d’améliorer séparément au moins une
(mais pas touts). Ainsi, plusieurs solutions différentes pourraient être considérées
comme optimales, si aucune solution ne domine l’autre.
La principale difficulté de l’approche multi-objectif réside dans la comparaison des
solutions. Par définition, une solution surpasse une autre si les valeurs des fonc-
tions objectifs de la première solution sont meilleures que celles de la seconde. En
d’autres termes, si X1 et X2 sont deux solutions alors, fi (X1) domine fi (X2) si
est seulement si fi (X1) > fi (X2) (ou fi (X1) < fi (X2) pour un problème de mi-
nimisation), pour au moins un i. Ces solutions sont dites «optimum de Pareto».
Si aucune solution ne peut dominer la solution donnée, elle peut alors être consi-
dérée comme optimale.
Méthodes de résolution
La principale difficulté à laquelle est confronté un décideur, en présence d’un
problème d’optimisation, est celle du choix d’une méthode efficace capable de
produire une solution optimale en un temps de calcul raisonnable.
Dans la littérature, on distingue essentiellement deux classes de méthodes : les
méthodes exactes assurant la résolution des problèmes en un temps polynômial
63
et les méthodes approchées ou heuristique, permettant de trouver une solution
proche de l’optimale en un temps tolérable Harrath.Y [148].
64
3.4.2 Les méta-heuristiques
Les méta-heuristiques constituent des méthodes générales de recherche dédiées
aux problèmes d’optimisation difficiles. Elles sont en général présentées sous forme
de concepts.
Dans la littérature, plusieurs méthodes ont été proposées, parmi lesquelles nous
citons :
65
3.4.2.1.2 Paramètres de l’algorithme
L’algorithme de recuit simulé a un certain nombre de paramètres et de termes
comme :
66
Configuration
initiale
Température initiale
-
Modification élémentaire
variation de l’énergie ∆E
Règles d’acceptation
- Si ∆E ≤ 0 : Modification acceptée
- Si ∆E ≥ 0 : Modification acceptée
avec une probabilité exp(−∆E/T )
HH
Équilibre
H
HH
non thermodynamique
HH ?H
H
HH
H
oui
HH
H
H
H non
Gel du système ? H Diminuer T
HH
H
HH
H
oui
Stop
67
3.4.2.1.4 Les avantages et les inconvénients
Les méthodes de recuit simulé ont l’avantage d’être souples et rapidement im-
plementables lorsqu’on veut résoudre des problèmes d’optimisation combinatoire,
le plus souvent de grande taille.
Les principaux inconvénients de recuit simulé résident dans le choix de ces nom-
breux paramètres, tels que la température initiale, la loi de décroissance de la
température, les critères d’arrêt ou la longueur des paliers de température. Ces
paramètres sont souvent choisis de manière empirique.
68
La qualité du codage des données conditionne le succès des algorithmes génétiques.
69
Population
initiale
-
Évaluation
Sélection
Opérateur
(croisement, mutation...)
HH
H
HH
non
Population finale
?H
HH
H
HH
H
oui
Stop
Figure 3.2 – Organigramme d’un algorithme génétique.
70
1 1 0 1 0 0 1 0 1
B A M C P V L Z H
2 parents
2 enfants
?
4 7 5 6 3 1 8 2 4 7 2 5 1 8 6 3
-
7 4 2 5 1 8 6 3 7 4 5 6 3 1 8 2
6
Figure 3.5 – Croisement en un point.
2 parents
2 enfants
? ?
4 7 5 6 3 1 8 2 7 4 5 6 1 8 6 3
-
7 4 2 5 1 8 6 3 4 7 2 5 3 1 8 2
6 6
Figure 3.6 – Croisement en deux points.
4 7 2 6 5 3 8 1
?
4 7 2 4 5 3 8 1
71
3.4.2.2.2 Description détaillée
Dans ce paragraphe nous détaillons davantage le fonctionnement de l’algo-
rithme génétique.
-Le Codage réel : Dans ce cas, le génotype se définit par une chaîne d’entiers
ou de réels, Goldberg.D [42], ou encore plus généralement par une combinaison des
deux. Cette forme de codage révèle plusieurs avantages comme :
- Les opérations de codage et de décodage sont souvent simples et la structure du
problème est conservée dans le codage.
- Le génotype devient structuré et peut être décomposé en différentes parties identi-
fiables, parfois appelées gènes. Cette structure peut être utilisée par des opérateurs
de croisement et de mutation spécifiques afin d’augmenter les chances d’obtenir
des descendants meilleurs que leurs parents, lors du renouvellement de la popula-
tion (figure(3.4)).
Dans notre travail et pour mieux explorer le champ de recherche, nous utiliserons
ce type de codage.
72
Ce mécanisme doit être capable de produire une population d’individus non ho-
mogène qui servira de base pour les générations futures. Le choix de la population
initiale est important, car il peut rendre plus ou moins rapide la convergence vers
l’optimum global. Dans le cas où l’on ne connaît rien du problème à résoudre, il est
essentiel que la population initiale soit répartie sur tout le domaine de recherche.
73
nombre aléatoire de distribution uniforme entre 0 et 1, puis on regarde quel est
le segment sélectionné. Avec cette méthode, les individus les mieux évalués sont
statistiquement sélectionnés plus souvent (Figure (3.8)).
-La sélection par rang : Cette méthode est une variante du système de rou-
lette. Il s’agit également d’implémenter une roulette, cette fois ci les secteurs de la
roue ne sont plus proportionnels à la qualité des individus, mais à leur rang dans
la population triée en fonction de la qualité des individus.
74
de permettre une convergence (plus) rapide des solutions, mais au détriment de la
diversité des individus. On prend en effet le risque d’écarter des individus de piètre
qualité, mais qui auraient pu apporter de quoi créer de très bonnes solutions dans
les générations suivantes.
3.4.2.2.8 Remplacement
Cet opérateur est le plus simple. Il consiste à réintroduire les descendants ob-
tenus par application successive des opérateurs de sélection, de croisement et de
mutation (la population P’) dans la population de leurs parents (la population P).
Nous trouvons essentiellement deux méthodes de remplacement différentes :
75
3.4.2.3 L’algorithme à colonie de fourmis
Ce type d’algorithme a été proposé récemment (1992), par Dorigo.M [30]. Il
s’inspire des comportements collectifs de dépôt et de suivi des traces. Dans la
nature, les fourmis utilisent des phéromones pour marquer des informations dans
leur environnement.
Elles utilisent ensuite leur capteur de phéromones pour déterminer le chemin le
plus marqué en phéromones qu’elles suivront.
Les études ont démontré que les fourmis étaient capables de sélectionner le plus
court chemin pour aller du nid à une source de nourriture grâce au dépôt et au
suivi de pistes de phéromone.
76
à visiter. On utilisera pour cela une liste taboue.
3- Lorsqu’une fourmi a terminé un tour, une quantité de phéromones est déposée
sur chaque arc (i,j) visité.
Soit τij (t) la quantité de phéromones sur l’arc (i,j) au temps t. Chaque fourmi au
temps t choisit la prochaine ville ou elle s’y positionnera au temps t+1. Une ité-
ration comprendra donc l’ensemble des m mouvements. Les fourmis compléteront
leurs tours après n itérations (un cycle) et la mise à jour des phéromones se fera à
cet instant comme suit :
τij (t + n) = ρτij (t) + ∆τij ,
Ou ρ est un coefficient tel que (1 − ρ) représente l’évaporation de la phéromone
entre le temps t et t + n,
∆τij = m k k
P
k=1 ∆τij , ou ∆τij est la quantité de phéromone par unité de longueur dé-
posée sur l’arête (i,j) par la kième fourmi entre le temps t et t+1. Elle est donnée
par : (
Q
, Si la kième fourmi utilise l’arc (i,j) dans son tour,
∆τijk = Lk
0, sinon
77
Configuration
initiale
HH
HH
Chaque fourmi H
non
H
a construit une solution ?H
H
H
H
H
HH
H
HH
oui
Sélection de la meilleure solution
HH
CritèresH
HH
HHd’arrêt atteints ?
H non
H
HH
H
oui
Fin
78
Toutefois, ACO a ses propres inconvénients qui résident, principalement, dans les
problèmes de paramétrage. En effet, ACO nécessite une instanciation des différents
paramètres dont dépend le problème. Généralement, les paramètres correspondant
aux meilleurs solutions prouvées expérimentalement sont retenus.
79
Méthode 1
Méthode 1 Méthode 2
Résultats @
I
de la méthode 1 Méthode 1
Méthode 2
R
@
Coordinateur
@
I
@R
? Méthode 4 Méthode 3
Méthode
2
I- Hybridation d’AG/RS
L’algorithme hybride proposé est présenté dans la figure (3.11). Il commence
par une phase d’exploration de l’espace de recherche grâce à AG. Après un cer-
tain nombre de générations, le meilleur individu trouvé est choisi comme solution
initiale de RS. Le processus de RS est répété jusqu’à ce qu’un seuil prédéfini est
atteint. La solution obtenue par le RS est considérée comme la solution finale de
l’algorithme.
80
Population
initiale
-
Évaluation
Sélection
Opérateur
(croisement, mutation...)
HH
H
HH
non
Population finale
?H
HH
H
HH
H
oui
Stop
Solution finale obtenue
l’algorithme
par
81
La solution proposée par la méthode hybride est la solution obtenue après l’appli-
cation du RS. L’algorithme est proposé dans la figure (3.12).
82
Configuration
initiale
HH
HH
Chaque fourmi H
non
H
a construit une solution ?H
H
H
H
H
HH
H
HH
oui
Sélection de la meilleure solution
HH
CritèresH
HH
HHd’arrêt atteints ?
H non
H
HH
H
oui
Récupération de la meilleure solution trouvée par ACO (Sm )
Configuration initiale de RS
(état initial=Sm )
Algorithme de RS
Fin
83
3.5 Conclusion
Nous avons défini dans ce chapitre les problèmes d’optimisation multi-objectifs
et les éléments de base relatifs. Nous avons présenté plusieurs approches heuris-
tiques et méta-heuristiques pour résoudre nos deux problèmes.
Au cours de ce chapitre, nous avons présenté les méta-heuristiques, que nous
voulons employer pour résoudre le problème d’allocation des postes à quai dans
un terminal à conteneurs.
84
85
Chapitre 4
4.1 Introduction
Comme nous l’avons mentionné dans les chapitres précédents, le BAP veille
sur l’efficacité dans les terminaux à conteneurs telle que, la réduction du délai
d’exécution et de séjour des navires dans le port, l’augmentation du débit du port
et de la productivité de la manutention. Ce qui conduit à des revenus plus élevés
et à une plus grande compétitivité du port, tout en maintenant la satisfaction de
la clientèle (généralement fixé par des accords contractuels).
Dans la pratique, les navires arrivent au port pendant une période de temps et
demandent normalement un temps de début et de fin de service (une fenêtre du
temps). Ces fenêtres de temps sont généralement déterminées par des accords
contractuels entre l’exploitant du port et le transporteur.
Les opérateurs portuaires sont intéressés à conserver des niveaux de service sa-
tisfaisants, pour tous les clients, puisque cela est habituellement une mesure de
négocier des ententes contractuelles à venir avec de nouveaux clients. Enfin, l’une
des principales préoccupations des opérateurs portuaires est la minimisation du
coût associé aux opérations de manutention des navires et du temps de séjour des
navires dans le port.
Le BAP peut être considéré comme statique (tous les navires sont au port avant le
début du plan de planification), ou dynamique (les navires peuvent arriver après
le début du plan de planification).
Dans ce chapitre nous proposons un système d’aide à la décision qui aborde toutes
les questions reliées au BAP statique.
86
L’objectif est d’optimiser ce système, en visant plusieurs points, y compris la ré-
duction du temps d’attente et du temps de manipulation des navires ainsi que la
minimisation des distances parcourues par les conteneurs (imports/exports) dans
le port.
Dans la suite du chapitre nous présentons notre système, en détaillant davantage
ses composants, ainsi que les solutions que nous proposons pour son optimisation.
Les exemples de calculs pour comparer et évaluer la performance des solutions
proposées sont également présentés dans ce chapitre.
87
K(= 1, ..., T ) ∈ O ensemble des ordres de service.
4.2.0.7 Paramètres
Si : le moment ou le poste à quai i devient libre, pour la planification d’alloca-
tion des postes à quai,
Aj : le temps d’arrivée du navire j,
Ccjn : le nombre des conteneurs associés au navire j, qui vont être déchargés dans
la zone n,
Cdjn : le nombre des conteneurs associés au zone n, qui vont être chargés dans le
navire j,
din : la distance entre le poste à quai i, et la zone n,
Cij : le temps de traitement de navire j sur le poste à quai i.
88
6
W1 H1
W3 H3
W2 H2
W4 H4
-
A1 A2 = A3 A4 Si = 0 2 5 9 14 Temps
A chaque poste à quai, nous attribuons des ordres de service pour l’affectation
de navires. En effet la deuxième hypothèse, précise que chaque poste à quai ne
peut accueillir qu’un seul navire à la fois. Les ordres de services sont notés par
l’indice k, avec (k ∈ O = 1, 2, ...T ). Notons que ces ordres de services ne sont pas
connus en avance et sont générés par le système comme des sorties.
Il est alors facile de voir que le temps de traitement d’un navire j sur un poste à
quai i sera :
X X
(Si − Aj )Xijk + Cij Xijk (4.1)
j∈V k∈O
89
est affecté. L’examen des systèmes de manutention dans les terminaux à conte-
neurs met en évidence que le temps de traitement peut être aussi dépendant de la
position géographique du navire par rapport à l’emplacement du conteneur. Pour
cela nous avons introduit un terme que nous avons appelé le coût de transport des
conteneurs.
Le coût de transport des conteneurs = le nombre de conteneurs * la somme des
distances parcourues par ces conteneurs (Zoubeir Z. et Benabdelhafid A. ([151])).
Pour un navire j, affecté sur un poste à quai i, il est clair que le coût du transport
des conteneurs (chargés/déchargés) par ce navire est :
X
(Ccjn din + Cdjn din )Xijk (4.3)
n∈P
90
Si ≥ Aj ∀i ∈ B, j ∈ V, (4.11)
La fonction objectif 4.5, est une fonction multi-objectif qui minimise le coût
total du transport de conteneurs (imports/exports), dans la zone portuaire et le
temps d’attente et de manipulation des navires entrants. C’est la même fonction
objectif proposée par Zoubeir Z. et Benabdelhafid A. ([152]).
La contrainte 4.6, assure que chaque navire sera servi sur un poste à quai dans un
ordre de service donné.
La contrainte 4.7, assure que chaque poste à quai ne peut accueillir qu’un seul
navire à la fois.
La contrainte 4.8, garantit que le nombre des conteneurs chargés dans le navire j
soit égal la somme des conteneurs provenant de différents terminaux.
La contrainte 4.9, assure que la somme des conteneurs affectés dans des terminaux
différents à partir d’un navire j soit égal au nombre de conteneurs déchargés par
ce navire.
La contrainte 4.10, donne les valeurs que prenne la variable de décision.
La contrainte 4.11, assure que dans le cas statique, les navires doivent arriver avant
le début du plan de planification.
91
moire. L’algorithme génétique que nous proposons est expliqué, étape par étape,
dans les paragraphes suivants.
X121 = 1 (4.12)
À l’ordre 4, la couchette 1 est vide, c’est à dire qu’aucun navire n’est servi par la
couchette 1 à l’ordre 4. Ce que nous pouvons traduire par l’équation suivante :
X1j4 = 0 ∀j ∈ V, (4.13)
Pour la construction de chaque individu, nous avons élaboré une fonction qui
vérifie sa validité, c’est-à-dire, la fonction qui vérifie si cet individu respecte bien
les contraintes (4.5, 4.6, 4.11).
Couchette 1 Couchette 2
2 4 5 0 0 1 3 0 0 0
92
La génération de la population dans ce travail, est accompagnée par une fonction
qui teste la validité de chaque individu.
93
H
HH n
10 20 30 40 50
T*I HHH
5*2 11757042 11757042 11757042 11757042 11757042
10*2 55698346 55749860 56382282 55916525 55749981
15*5 140334719 134384226 136751374 133832754 136070181
20*5 187257566 189254433 184999632 181948463 178889241
25*10 391334798 376749879 374124074 365857592 367064182
30*10 507008073 502785003 482809458 486778669 457363159
35*10 510121048 499461466 497896088 497895461 497895362
40*15 956900874 936884658 929936365 935885187 925962701
45*15 1.2250 ∗ 1.09 1.2122 ∗ 109 1.2106 ∗ 109 1.2093 ∗ 109 1.2108 ∗ 109
50*15 1.4641 ∗ 109 1.4507 ∗ 109 1.4470 ∗ 109 1.4502 ∗ 109 1.4272 ∗ 109
60 70 80 90 100 CPLEX
11757042 11757042 11757042 11757042 11757042 11757042
55531508 55749735 54889190 55531597 54889083 54670633
134022925 134010950 133025616 130632211 134319192 127168164
182301394 186566923 186068017 176462976 180609176 170474584
369025689 364354041 356902500 368964658 364211865 344929547
473300185 473286499 483898032 471221062 479533994 457363159
497895188 497895529 498754196 496946483 497652486 477363147
916518709 924742017 929498974 932105849 923346182 839255110
1.2140 ∗ 109 1.2134 ∗ 109 1.2117 ∗ 109 1.2093 ∗ 109 1.2108 ∗ 109 1.1396 ∗ 109
1.4429 ∗ 109 1.4426 ∗ 109 1.4295 ∗ 109 1.4182 ∗ 109 1.4212 ∗ 109 1.2943 ∗ 109
94
Figure 4.4 – Les valeurs des fonctions objectifs en fonction de n.
HH n
HH
10 20 30 40 50 60 70 80 90 100
T*I HH
5*2 0 0 0 0 0 0 0 0 0 0
10*2 1.84 1.93 3.03 2.22 1.93 1.55 1.93 0.39 1.55 0.39
15*5 9.38 5.36 7 4.97 6.54 5.11 5.1 4.4 2.65 5.32
20*5 8.96 9.92 7.85 6.3 4.7 6.48 8.62 8.38 3.39 5.61
25*10 11.85 8.44 7.8 5.72 6.03 6.52 5.33 3.35 6.51 5.29
30*10 9.79 9.03 5.27 6.04 4.36 3.36 3.36 5.48 2.94 4.62
35*10 6.42 4.42 4.12 4.12 4.12 4.12 4.12 4.28 3.94 4.07
40*15 12.29 10.42 9.75 10.32 9.36 8.43 9.24 9.7 9.96 9.1
45*15 6.96 5.98 5.86 6.06 6.12 6.12 6.07 5.94 5.76 5.87
50*15 11.59 10.78 10.55 10.75 9.31 10.29 10.28 9.45 8.73 8.92
Moyenne 7,9 6,62 6,12 5,65 5,24 5,27 5,4 5,13 4,54 4,91
Table 4.2 – Les déviations calculées pour les fonctions objectifs obtenues en fonc-
tion de n.
95
H
HH n
10 20 30 40 50 60 70 80 90 100 CPLEX
T*I HHH
5*2 12 16 19 23.8 26 29.4 31.2 35 39.2 41.8 7
10*2 23 28.5 33.1 43.2 49.3 60.8 72.5 86 97 102 11
15*5 52 67.4 78 96.8 105.7 123.1 145.7 196 206 213 18
20*5 98.6 103.2 114 128.7 145 171 194.7 207.4 215 234.5 21
25*10 108.3 117.9 125 134.1 141.8 152 167.7 173 194 210.7 37
30*10 145.8 189 219.3 231 254.7 273 298 302.5 314 319.5 43
35*10 189.5 213 224.3 240 248 250.9 261.6 274 283 300.9 72.9
40*15 325.6 345.8 360 368 375 389.7 395 409.3 412 418.5 98.2
45*15 531.5 539 547.2 558 569 575.5 586.4 594 602.5 613.9 135
50*15 912 946 995 1098.8 1119 1156 1220.5 1295 1307 1318.2 194
Les déviations calculées dans le tableau (4.2), représente les déviations entre les
valeurs optimales de la fonction objectif (4.5) calculées par CPLEX et les autres
fonctions objectifs calculées avec notre algorithme. Les valeurs sont présentées dans
le tableau (4.1) et la figure (4.4).
Déviation= (Valeur de la fonction objectif (calculé avec notre algorithme)-Valeur
de la fonction objectif (calculé avec CPLEX))/(Valeur de la fonction objectif (cal-
culé avec notre algorithme).
96
nous la présentons comme suit :
1
f (x)f itness = , ∀x ∈ R, (4.14)
F (x)
F (x) : c’est la fonction objectif (4.5).
R : l’ensemble de solutions valides pour le SBAP.
97
Figure 4.5 – Comparaison entre les méthodes Roulette et Élitisme.
En comparent les déviations calculées dans les deux dernières colonnes du ta-
bleau (4.4), nous constatons que la méthode de sélection Élitisme domine la mé-
thode de Roulette dans la plupart de cas, et dans d’autres cas la méthode de
Roulette se montre plus performante en terme de résultat. Le temps de calcul est
plus court pour la méthode d’Élitisme, tableau (4.5). Pour éviter que l’algorithme
tombe dans le minimum local, ce qui est probable avec la méthode d’Élitisme et
98
pour exploiter au maximum l’espace de recherche, ce qui fait l’avantage avec la
méthode de Roulette, nous proposons une méthode de sélection hybride. Cette mé-
thode utilise séquentiellement ces deux méthodes de sélection. Elle est présentée
dans l’algorithme 2.
99
HH Pc
H
0.1 0.2 0.3 0.4 0.5
T*I HHH
5*2 6913527 6913551 6913533 6913523 6913523
7*2 32012444 32012444 32012444 32012444 32012445
10*2 39536117 39536117 39536114 39536113 39536111
12*3 73512573 73261056 73260915 72973053 72834233
14*3 112077560 114610876 113426107 112309854 110808786
15*5 104729592 102978131 106503632 105452460 105162654
17*5 157323355 157654390 158558618 156336090 158610903
19*5 194773002 190609197 195236221 195746625 197804594
20*7 222637566 222714964 222757197 223240798 228324241
25*7 405684028 409304669 406831684 407739278 405508962
100
Figure 4.6 – Les variations de la fonction objectif en fonction de Pc.
H Pc
HH
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
T*I HHH
5*2 ≈0 ≈0 ≈0 0 0 ≈0 ≈ 0 26.64 0 0
7*2 ≈0 0 0 0 0 0 0 0 0 ≈0
10*2 ≈0 ≈0 ≈0 ≈0 ≈0 ≈0 ≈0 ≈0 ≈0 0
12*3 3.59 3.26 3.26 2.88 2.68 1.56 0.79 1.96 0.83 2.19
14*4 6.91 8.97 8.02 7.1 5.84 6.15 6.79 6.98 5.02 7.65
15*5 12.63 11.14 14.08 13.23 12.99 12.73 14.54 13.1 12.52 13.66
17*5 3.37 3.58 4.13 2.76 4.16 2.82 2.89 2.84 2.51 4.5
19*5 14.67 12.8 14.87 15 15.9 13.37 14.7 13.42 12.14 10.42
20*7 6.69 6.72 6.74 6.94 9.01 6.78 9.13 7.22 5.62 9.2
25*7 2.52 3.38 2.8 3.01 2.48 2.18 3.56 3.43 2.18 2.03
Moyen 5.03 4.92 5.39 5.09 5.55 4.55 5.24 7.87 4.08 4.96
Table 4.7 – Les déviations calculées pour les fonctions objectifs obtenues en fonc-
tion de Pc.
A partir des déviations calculées dans le tableau (4.7), nous constatons que la
déviation moyenne minimale correspond à une probabilité de croisement P c = 0.9.
Cette probabilité sera considérée comme notre probabilité de croisement pour la
suite de la thèse.
101
4.3.1.7 Opérateur de mutation
A l’instar de l’opérateur de croisement, l’opérateur de mutation défini dans le
paragraphe (3.2.2 chapitre 3) est adapté à notre problème. L’opérateur de mu-
tation choisi est la mutation bi-points. Le tableau (4.8) présente les expériences
effectuées, pour fixer la probabilité de mutation.
Pour ces expériences nous fixons les paramètres de l’algorithme comme suit :
Nombre de la population n=50,
Méthode de sélection : Élitisme,
Pc=0.9,
Nombre de générations=50.
PP
PP Pm
PP 0.1 0.2 0.3 0.4 0.5
T*I P PP
5*2 18095561 18095561 18095561 18095561 18095561
7*2 26820290 26820290 26820312 26820289 26820275
10*2 40753506 38720477 40959830 38650210 38720391
12*3 64666075 61783060 64776672 65462447 64514601
14*3 96037549 98648710 97337295 95814615 95828105
15*5 116615078 111858531 116108150 109581266 114746587
17*5 143763180 140355644 135867047 144482224 140491533
19*5 220782790 214959039 220622536 219084300 217353001
20*7 215367828 214946454 215367549 215368109 214921897
25*7 281683524 28161327 281537114 281195354 279608666
102
Figure 4.7 – Les variations de la fonction objectif en fonction de Pm.
PP
PP Pm
PP 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
T*I PP
P
5*2 0 0 0 0 0 0 0 0 0 0
7*2 ≈0 ≈0 ≈0 ≈0 ≈0 ≈0 ≈0 ≈0 ≈0 ≈0
10*2 10.14 5.43 10.60 5.26 5.43 8.83 5.26 5.43 5.26 5.26
12*3 6.26 1.89 6.42 7.4 6.04 5.53 4.09 6.41 4.37 6.04
14*3 2.91 5.48 4.2 2.68 2.7 3.68 2.82 2.57 3.72 2.93
15*5 12.55 8.84 12.17 6.94 11.13 4.91 9.09 6.23 9.35 10.78
17*5 15.55 13.5 10.64 15.97 13.58 10.69 13.39 11.92 12.21 13.72
19*5 6.78 4.25 6.71 6.05 5.31 6.54 5.36 5.78 6.78 6.78
20*7 0.21 ≈ 0 0.21 0.21 ≈0 0.21 ≈ 0 0.019 0.21 0.019
25*7 2.31 2.29 2.26 2.14 1.59 2.14 1.91 4.26 2.06 1.59
Moyen 5.67 4.16 5.32 4.66 4.57 4.25 4.19 4.26 4.39 4.71
Table 4.9 – Les déviations calculées pour les fonctions objectifs obtenues en fonc-
tion de Pm.
A partir des déviations calculées dans le tableau (4.9), nous constatons que la
déviation moyenne minimale correspond à une probabilité de mutation P m = 0.2.
Cette probabilité sera considérée comme notre probabilité de mutation pour la
suite de la thèse.
103
4.3.1.8 Le critère d’arrêt
Comme un critère d’arrêt de cet algorithme, nous considérons un nombre de
générations, fixé à 50 générations.
104
initiale pour l’algorithme de recuit simulé. Supposons que le premier changement
de X0 engendré par l’algorithme donne X1 (4.9). La solution X1 sera acceptée dans
les conditions suivantes :
Si FX1 < FX0 , avec FX : la fonction objectif que nous cherchons à minimiser (4.5).
Si non, elle sera acceptée avec une probabilité de exp( −∆F
T
), et X1 sera la solution
courante.
Si les deux conditions précédentes ne sont pas vérifiées, alors X0 reste la solution
courante.
Couchette 1 Couchette 2
2 4 5 0 0 1 3 0 0 0
Couchette 1 Couchette 2
0 4 5 2 0 1 3 0 0 0
105
PP
T
PP in
PP
50 100 150 200 250 300
T*I PP
P
5*2 16470176 16470176 16470176 16470176 16470176 16470176
10*2 52474412 52474412 52474412 52474412 52474412 52474412
15*5 115951009 113278057 109542350 113936741 111879331 114977413
20*5 204751242 205505919 204326870 205559443 202023296 202743520
25*10 427291827 426763568 416253053 415937754 418232094 423649331
30*10 391668866 368029662 392493930 388597452 383497170 389651913
35*10 708676801 687535037 698638694 693130044 688805151 696871461
40*15 837410721 796405890 813905890 758284476 793861599 799185859
45*15 1.18 ∗ 109 1.18 ∗ 109 1.18 ∗ 109 1.18 ∗ 109 1.18 ∗ 109 1.18 ∗ 109
50*15 1.33 ∗ 109 1.29 ∗ 109 1.28 ∗ 109 1.29 ∗ 109 1.29 ∗ 109 1.28 ∗ 109
106
H Ti
HH
50 100 150 200 250 300 350 400
T*I HHH
5*2 0 0 0 0 0 0 0 0
10*2 0 0 0 0 0 0 0 0
15*5 8,79 6,64 3,46 7,18 5,47 7,24 5,75 8.02
20*5 6,12 6,47 5,93 6,49 4,86 5,19 5,73 5,35
25*10 3,15 3,03 0.58 0,5 1,05 2,31 3,58 0,89
30*10 10.31 4,55 10.49 9,6 8,4 9,84 7,31 10.68
35*10 7,55 4,7 6,22 5,47 4,88 5,98 7,38 7,96
40*15 16,02 11,7 13,6 7,26 11,42 12,01 10,05 10,33
45*15 13,55 13,55 13,55 13,55 13,55 13,55 13,55 13,55
50*15 6,76 3,87 3,12 3,87 3,87 3,12 2,36 2,36
Moyenne 7,22 5,45 5,69 5,39 5,35 5,92 5,57 5,91
Table 4.12 – Les déviations calculées pour les fonctions objectifs obtenues en
fonction de Tin .
Nous pouvons constater à partir des résultats présentés dans les tableaux (4.11,
4.12), que l’augmentation de la température initiale n’entraine pas forcement une
minimisation de la valeur de la fonction objectif. Ce qui peut être traduit par le fait
que le système à haute température a plus de chance d’accepter des solutions qui
dégrade la valeur de la fonction objectif, et ce n’est pas le cas pour les températures
moyennes et minimales. Pour cette raison et la raison du temps de calculs, nous
avons choisi une température que nous jugeons suffisante pour que le système
puisse exploiter une grande partie de son espace de recherche. Cette température
est : Tin = 250.
107
4.3.2.5 Gel du système ou critère d’arrêt
Le signal de la fin du traitement correspond au fait qu’aucune transformation
n’est plus acceptable. Là, nous avons fixé la température minimale à Tmin = 0.0025.
108
```
Nombre
````` de fourmis
5 10 15 20 25
T*I
```
``` `
5*2 21776357 21776357 21776357 21776357 21776359
10*2 40895334 40895362 40895345 40895365 40895395
15*5 92667333 92667424 92667277 92667434 92667429
20*5 37607019 37607016 37607019 37607019 37607016
25*10 59040335 59040351 59040357 59040375 59040359
30*10 130295037 130295260 130295168 130295183 130295198
35*10 68254726 68254747 68254682 68254745 68254745
40*15 156536826 156536845 156536795 156536885 156536868
45*15 156864868 156864865 156864867 156864865 156864868
50*15 156864907 156864873 156864873 156864866 156864873
30 35 40 45 50 CPLEX
21776357 21776368 21776421 21776460 21776357 21776357
40895401 40895401 40895378 40895346 40895379 40894609
92667429 92667473 92667375 92667398 92667518 92666359
37607016 37607022 37607022 37607030 37607019 37606908
59040391 59040377 59040387 59040348 59040377 59040034
130295246 130295077 130295183 130295213 130295128 130294553
68254745 68254758 68254762 68254745 68254799 68254602
156536847 156536902 156536902 156536881 156536909 156536774
156864877 156864868 156864881 156864873 156864873 156864708
156864868 156864872 156864872 156864873 156864865 156864872
109
```
Nombre
````` de fourmis
5 10 15 20 25 30 35 40 45 50
T*I
```
``` `
5*2 0 0 0 0 '0 0 '0 0 '0 0
10*2 '0 '0 '0 '0 '0 '0 '0 '0 '0 '0
15*5 '0 '0 '0 '0 '0 '0 '0 '0 '0 '0
20*5 '0 '0 '0 '0 '0 '0 '0 '0 '0 '0
25*10 '0 '0 '0 '0 '0 '0 '0 '0 '0 '0
30*10 '0 '0 '0 '0 '0 '0 '0 '0 '0 '0
35*10 '0 '0 '0 '0 '0 '0 '0 '0 '0 '0
40*15 '0 '0 '0 '0 '0 '0 '0 '0 '0 '0
45*15 '0 '0 '0 '0 '0 '0 '0 '0 '0 '0
50*10 '0 '0 '0 '0 '0 '0 '0 '0 '0 '0
Table 4.15 – Les déviations calculées pour les fonctions objectifs obtenues en
fonction du nombre de fourmis.
Après avoir calculé les déviations pour les fonctions objectifs en fonction du
nombre de fourmis, tableau (4.15), nous constatons que pour toutes les instances
utilisées, l’algorithme donne des résultats optimaux ou quasi-optimaux quelque
soit le nombre de fourmis utilisé. Pour éviter un temps de calcul long, nous fixons
le nombre de fourmis à nf = 15.
110
H
HH ρ
0.99 0.89 0.79 0.69 0.59
T*I HHH
5*2 15332085 15332093 15332087 15332069 15332049
10*2 65331671 65331671 65331666 65331666 65331666
15*5 198152871 198152871 198152871 198152871 198152866
20*5 219356013 219356013 219356031 219356020 219356020
25*10 444122096 444122080 444122133 444122096 444122139
30*10 381175863 381175891 381175871 381175891 381175891
35*10 651348807 651348816 651348826 651348790 651348782
40*15 789896212 789896212 789896212 789896212 789896212
45*15 860682944 860682960 860682944 860682713 860682957
Moyen 402822062,44 402822067,44 402822071,22 402822036,44 402822064,66
Table 4.16 – Les variations des valeurs de la fonction objectif en fonction du taux
d’évaporation ρ.
A partir des simulations que nous avons effectuées, nous constatons que la
valeur moyenne minimale de la fonction objectif correspond à une valeur de ρ =
0.09. Cette valeur sera utilisée pour notre algorithme.
111
4.3.3.4 Réglage des paramètres τmin et τmax
Pour éviter une stagnation de la recherche, les valeurs possibles de la trace
de phéromone sur chaque composant de solution sont limitées à l’intervalle [τmin ,
τmax ]. Dans ce travail nous les avons fixés après plusieurs expériences à : τmax = 10
et τmin = 1.
112
Nombre des navires entrants T : donné pour chaque instance
Nombre de conteneurs chargés dans Cc : générer aléatoirement entre 1600
chaque navire et 16000 EVP
Nombre de conteneurs déchargés par Cd : générer aléatoirement entre 1600
chaque navire et 16000 EVP
L’heure d’arrivée de chaque navire Aj : générer aléatoirement entre 1 et
48h
Nombre de poste à quai disponible I : donné pour chaque instance
Nombre de grue de quai sur chaque Gi : générer aléatoirement entre 1 et 7
poste à quai grues
L’heure de disponibilité de chaque Si : générer aléatoirement entre 1 et 48h
poste à quai
Nombre de zone de stockage pour calculée par P = d(I + T )/2e
chaque instance
Les distances entre les zones de sto- din : générer aléatoirement entre 400 et
ckages et les quais 1600 m
113
T*I AG RS ACO AG/RS ACO/RS CPLEX
5*2 16162458 16162458 16162458 16162458 16162458 16162458
7*2 33233252 33233252 33233252 33233252 33233252 33233252
9*2 72963594 72963594 72963594 72963592 72963592 72963592
10*3 76418849 75715004 75715004 75715004 75715004 75715004
12*3 103635883 103635720 103635738 103728748 103635738 103635720
12*4 89142073 106614979 89142055 89142055 89142055 89142055
14*4 135442588 137202231 133828032 134447445 133828032 133828032
15*4 167871048 187588762 167871048 167870885 167870885 167870885
16*4 194398158 189067330 18906455 189067330 189067185 189067185
16*5 168287790 166896673 160995361 167602532 160994943 160994943
Table 4.19 – Les valeurs des fonctions objectifs de SBAP pour le scénario 1.
Figure 4.10 – Les variations des fonctions objectifs de SBAP pour le scénario 1.
114
T*I D(AG) D(RS) D(ACO) D(AG/RS) D(ACO/RS)
5*2 0 0 0 0 0
7*2 0 0 0 0 0
9*2 '0 '0 '0 0 0
10*3 0.92 0 0 0 0
12*3 '0 0 '0 '0 '0
12*4 '0 16.38 0 0 0
14*4 1.19 2.45 0 0.46 0
15*4 '0 10.51 '0 0 0
16*4 2.74 '0 '0 '0 0
16*5 4.33 3.53 '0 3.94 0
Moyenne 0.91 3.28 0 0.44 0
115
T*I T(AG) T(RS) T(ACO) T(AG/RS) T(ACO/RS) T(CPLEX)
5*2 16 7 7.6 21 12 8
7*2 29 12 12.2 34 18.5 13
9*2 42 15 17 59.5 26 18
10*3 50 23 28 69.3 41 21
12*3 78.4 34 36.5 85.6 49.8 31.5
12*4 81.9 36.5 37 96.5 52 34
14*4 120 40.2 49.5 156 70 48
15*4 134 50.6 58.5 156 102 57
16*4 178 56.7 61 206 119 65
16*5 182 64 68.8 227.5 135 72
A partir des tableaux (4.19 et 4.20) et des figures (4.10 et 4.11), nous pouvons
constater que les méta-heuristiques proposées donnent des résultats optimaux ou
quasi-optimaux pour toutes les instances testées dans ce scénario. Les déviations
calculées dans le tableau (4.20), montrent que la méta-heuristique ACO/RS do-
mine les autres méta-heuristiques, car ces déviations ont été nulles ou quasi-nulles
pour toutes les instances. Le tableau (4.21), ainsi que la figure (4.12), montrent
116
que nos algorithmes sont capables de fournir des solutions optimales pour le SBAP
dans ce scénario, dans un temps de calcul minimal. Pour ACO et RS, les temps
de calcul ont été inférieurs au temps de calcul par CPLEX, pour la plupart des
instances.
Table 4.22 – Les valeurs des fonctions objectifs calculées pour le scénario 2.
117
Figure 4.13 – Les variations des fonctions objectifs calculées pour le scénario 2.
118
Figure 4.14 – La variation des déviations pour le scénario 2.
119
Figure 4.15 – La variation de temps de calcul pour le scénario 2 en seconde.
A partir des résultats présentés dans les tableaux (4.22, 4.23) et les figures
(4.13, 4.14), nous constatons que les méta-heuristiques proposées donnent dans
l’ensemble de bons résultats. Les méta-heuristiques ACO et ACO/RS surpassent
les autres méta-heuristiques, car la déviation moyenne a été nulle pour ACO/RS
et quasi-nulle pour ACO. Le temps de calcul est présenté dans le tableau (4.24)
pour chaque instance. Pour les algorithmes de RS et ACO, le temps de calcul de
la majorité des instances est plus court que le temps de calcul par CPLEX. Pour
les autres algorithmes le temps de calcul et très raisonnable.
120
T*I AG RS ACO AG/RS ACO/RS CPLEX
38*15 187029185 187540835 176210843 183819369 176210596 176210506
40*15 242156095 241510492 234373173 239470986 234372882 234372882
42*15 269066650 260711696 252501445 260147940 252501138 252501138
45*15 268059227 263730336 246388891 251792972 246387189 246387183
47*15 380080051 377025060 365418130 368565626 365417996 365417961
49*15 406494519 406853417 395252030 404877000 395252001 395251923
51*15 440169240 403918756 389782512 400250104 389781698 389781698
54*15 524270742 538006369 474777700 510174070 474776856 474776647
56*15 619399615 655966275 517278192 618902319 516787621 516435187
60*20 835032873 856204448 825377924 835031437 825377792 825377716
Table 4.25 – Les valeurs des fonctions objectifs calculées pour le scénario 3.
Figure 4.16 – Les variations des fonctions objectifs calculées pour le scénario 3.
121
T*I D(AG) D(RS) D(ACO) D(AG/RS) D(ACO/RS)
38*15 5.78 6.06 '0 4.13 '0
40*15 3.21 2.95 '0 2.12 0
42*15 6.15 3.14 '0 2.93 0
45*15 8.08 6.57 '0 2.14 '0
47*15 3.85 3.07 '0 0.85 '0
49*15 2.76 2.85 '0 2.61 '0
51*15 11.44 3.49 '0 2.61 '0
54*15 9.44 11.75 '0 6.93 '0
56*15 16.62 21.27 0.16 16.55 0.06
60*20 1.15 3.6 '0 1.15 '0
Myenne 6.84 6.47 0.016 4.02 0.006
122
T*I T(AG) T(RS) T(ACO) T(AG/RS) T(ACO/RS) T(Cplex)
38*15 1460 512 563 1689 1083 337
40*15 1715 712 749 2208 1345 385
42*15 2008 985 1012 2856 1758 425
45*15 2498 1108 1103 3006 2085 545
47*15 2860 1450 1256 3789 21856 789
49*15 3125 1678 1458 4085 2589 978
51*15 3588 1875 1785 4574 2869 1052
54*15 4158 2140 2045 5589 4052 1189
56*15 4632 2345 2258 6645 4587 1239
60*20 5452 2896 2981 6958 4635 1358
Les résultats obtenus pour ce scénario sont présentés dans les tableaux (4.25,
4.26) ainsi que les figures (4.16, 4.17). À partir des déviations calculées dans le
tableau (4.26), nous pouvons constater que les algorithmes proposés pour le SBAP
donnent des résultats très raisonnables voir optimaux pour ACO/RS et quasi-
optimaux pour ACO. Alors que nous constatons que le temps de calcul pour chaque
instance, présenté dans le tableau (4.27) et la figure (4.18), pour ce scénario est
123
devenu plus important que le temps de calcul pour les autres scénarios, notamment
pour les hybridations AG/RS et ACO/RS, mais il reste toujours très raisonnable.
4.5 Conclusion
Dans ce chapitre, nous avons présenté un système d’aide à la décision pour
le problème d’allocation des postes à quai statique et discret dans un terminal à
conteneurs (SBAP). Ce système est modélisé et des méta-heuristiques sont pro-
posées pour chercher des affectations optimales des navires entrants. La nature
statique du modèle proposé dans ce chapitre nous permet de comparer les ré-
sultats obtenus par les méta-heuristiques proposées avec ceux obtenus par une
méthode exacte (CPLEX). Cette comparaison nous permet de fixer les paramètres
de chaque méta-heuristique, ainsi que de voir ses limites et ses points forts.
Après l’analyse des résultats obtenus dans ce chapitre pour les différents scénarios,
nous pouvons conclure que nos méta-heuristiques donnent des résultats très satis-
faisants avec un temps de calcul très raisonnable, quelque soit la taille de l’instance
utilisée.
Les algorithmes ACO et ACO/RS dominent les autres algorithmes avec leurs ré-
sultats quasi-optimaux voir optimaux. Ce qui nous a permis de les utiliser comme
des algorithmes de référence pour traiter le problème d’allocation des postes à
quai dynamique DBAP, étudié en chapitre 5, et qui ne peut pas être traité par des
méthodes exactes.
124
125
Chapitre 5
5.1 Introduction
Si l’hypothèse (1) de SBAP étudiée dans le chapitre (4) est détendue, c’est-à-
dire, si certains navires peuvent arriver et être servis après le début du plan de
planification, le problème d’allocation des postes à quai dynamique se pose. Ce
problème reste difficile, même dans son cas le plus facile, avec par exemple un
seul poste à quai disponible. Pour résoudre ce problème en prenant en considé-
rations toutes les contraintes qui s’imposent dans la réalité, nous avons proposé
dans ce chapitre deux systèmes d’aide à la décision (Navire-Quai-Zone de stockage
NQZs). Pour le premier système, nous considérons le DBAP en mettant à l’écart
des contraintes physiques, telles que les profondeurs d’eau et les distances entre
les navires. Alors que pour le deuxième système, toutes les contraintes sont prises
en considérations. Les deux systèmes ont été modélisés, puis des solutions efficaces
ont été proposées. Ces solutions visent plusieurs objectives parmi lesquelles, la ré-
duction du temps de séjour des navires dans le port et l’optimisation de flux des
conteneurs (imports/exports) dans la zone portuaire.
126
5.2 Le problème d’allocation des postes à quai
dynamique et discret (DBAP)
Le principe du premier arrivé, premier servi peut être adopté pour des raisons
de justice, c’est-à-dire pour éviter le dépassement entre les navires et assurer la
satisfaction des clients, mais ce n’est pas forcement optimal pour le critère de la
durée d’exécution des navires.
Ceci peut être facilement constaté avec les affectations proposées dans la figure
(5.1), pour une seule couchette et deux navires.
Soit A1 = 0, A2 = 0, C11 = 10, C12 = 1 et S1 = 0.
Si le navire 1 est traité en premier, à partir de s11 = 0 avant le navire 2, et le
navire 2 est traité à s12 = 10, alors la durée totale de séjour de navires va être :
T T E = C11 + w2 + C12 = 10 + 8 + 1 = 19.
Si le navire 2, est servi en premier, alors, la durée totale de séjour de navires est :
T T E = w1 + C12 + C11 = 2 + 1 + 10 = 13.
Cet exemple montre également un autre effet contre-intuitif : même si un navire
est déjà au port, il peut être préférable de garder la couchette inactive pendant un
certain temps, afin de minimiser le temps global de séjour des navires.
Contrairement au SBAP, si Aj > Si pour certains navires et des couchettes, alors,
la possibilité de périodes d’inactivité de certaines couchettes doit être prise en
compte. Ceci est fait par Imai et al. [56], qui ont introduit des variables continues
supplémentaires yijk , représentant la longueur de la période d’inactivité d’un poste
à quai i, avant qu’il accueille un navire j dans un ordre k.
Plan
6
C11
w2 C12
w1 C11
I C12
-
0 5 10 Temps
127
5.2.1 DBAP sans les contraintes physiques
Pour le traitement du DBAP sans prendre en considération certaines contraintes
physiques (la profondeur d’eau, les distances entre les navires), nous proposons un
système d’aide à la décision NQZs (5.2), qui prend en considération la totalité
de l’environnement (Navire-Quai-Zones de stockage). Ce système est un système
ouvert, (E) représente ses entrées (tous les paramètres qui affectent le système,
et la sortie (X) est un vecteur des variables de décision qui propose des affecta-
tions optimales pour les navires entrants. Ce système est modélisé et des solutions
efficaces sont proposées.
5.2.1.2 Indices
i(= 1, ..., I) ∈ B ensemble des postes d’amarrage,
j(= 1, ..., T ) ∈ V ensemble des navires entrants,
n(= 1, ..., N ) ∈ P ensemble des zones de stockage,
k(= 1, ..., T ) ∈ O ensemble des ordres de service.
5.2.1.3 Paramètres
Si : le moment où le poste à quai i devient libre, pour la planification d’alloca-
tion des postes à quai,
Aj : le temps d’arrivée de navire j,
Ccjn : le nombre de conteneurs associés au navire j, qui vont être déchargés dans
128
la zone n,
Cdjn : le nombre de conteneurs associés à la zone n, qui vont être chargés dans le
navire j,
din : la distance entre le poste à quai i, et la zone n,
Cij : le temps de traitement du navire j sur le poste à quai i,
yijk : le temps d’inactivité de poste à quai i, entre le départ de navire (k − 1) et
l’accostage du navire k, avec le navire j est servi comme le k-ième navire.
XX X X
F = min ((k.Cij + Si − Aj + (Ccjn + Cdjn )din )Xijk + k · yijk ) (5.1)
i∈B j∈V k∈O n∈P
129
Sous réserve de :
XX
Xijk = 1 ∀j ∈ V, (5.2)
i∈B k∈O
X
Xijk ≤ 1 ∀i ∈ B, k ∈ O, (5.3)
j∈V
X
Ccjn = Ccj ∀j ∈ V, (5.4)
n∈P
X
Cdj = Cdjn ∀j ∈ V, (5.5)
n∈P
X X
(Cil Xilm +yilm )+yijk −(Aj −Si )Xijk ≥ 0 ∀i ∈ B, ∀j ∈ Wi , ∀k ∈ O, (5.6)
l∈V m∈Pk
yijk ≥ 0 ∀i ∈ B, j ∈ V, k ∈ O, (5.8)
Avec Pk sous-ensemble de O, Pk = p/p < k ∈ O,
La fonction objectif 5.1, est une fonction multi-objectif qui minimise le coût
total du transport de conteneurs (imports/exports), dans la zone portuaire, et la
somme de temps d’attente et de manipulation des navires entrants.
La contrainte 5.2, assure que chaque navire sera servi sur un poste à quai dans un
ordre de service donné.
La contrainte 5.3, assure que chaque poste à quai ne peut accueillir qu’un seul
navire à la fois.
La contrainte 5.4, garantit que le nombre de conteneurs chargés dans le navire j
soit égal à la somme des conteneurs provenant de différents terminaux.
La contrainte 5.5, assure que la somme des conteneurs affectés dans des terminaux
différents à partir d’un navire j soit égal au nombre de conteneurs déchargés de ce
navire.
La contrainte 5.6, assure que les navires doivent être entretenus après leurs arri-
vées.
La contrainte 5.7, donne les valeurs que prend la variable de décision.
La contrainte 5.8, montre les possibilités de yijk .
130
5.2.2 Procédures de solutions
La nature complexe de notre système traité a laissé la problématique diffi-
cile à résoudre, notamment avec les méthodes exactes, qui s’avèrent difficiles voir
impossibles. À la recherche des solutions optimales pour notre problématique, dif-
férentes méta-heuristiques ont été développées dans ce chapitre. Pour l’évaluation
de l’efficacité des résultats obtenus par ces méta-heuristiques, nous proposons une
comparaison entre les résultats obtenus par ces méta-heuristiques pour les mêmes
instances.
Les méta-heuristiques proposées dans ce chapitre sont basées sur : l’algorithme
génétique (AG), le recuit simulé (RS), l’algorithme de colonie de fourmis (ACO),
ainsi que des hybridations de AG/RS et ACO/RS. Les paramètres de ces algo-
rithmes sont présentés dans le chapitre 4.
Ces algorithmes proposés sont codés en Matlab 2012b et sur un poste de travail
DELL PRECISION T3500 processeur Intel 5GH.
131
Nombre des navires entrants T : donné pour chaque instance
Nombre de conteneurs chargés dans Cc : générer aléatoirement entre 1600
chaque navire et 16000 EVP
Nombre de conteneurs déchargés par Cd : générer aléatoirement entre 1600
chaque navire et 16000 EVP
L’heure d’arrivée de chaque navire Aj : générer aléatoirement entre 1 et 96
h
Nombre de postes à quai disponible I : donné pour chaque instance
Nombre de grues sur chaque poste à Gi : générer aléatoirement entre 1et 7
quai grues
Les heures de repos de chaque poste à yijk : générer aléatoirement entre 0 et 5
quai entre les navires h
Nombre de zones de stockage calculé pour chaque instance P = d(I +
T )/2e
Les distances entre les zones de sto- din : générer aléatoirement entre 400 et
ckages et les quais 1600 m
Table 5.1 – Récapitulatif des données utilisées pour les expériences effectuées.
132
T*I AG RS ACO AG/RS ACO/RS
5*2 13241685 13241659 13241659 13241685 13241659
7*2 36880391 36880381 36880381 36880381 36880381
9*2 65555941 65555941 65555941 65555941 65555941
10*2 64159387 64159372 64159371 64159372 64159371
10*3 36606444 36606444 36606444 36606444 36606444
12*3 94789566 94789566 94789566 94789566 94789566
12*4 76562975 72739962 72739962 72739962 72739962
14*4 116361264 116546615 113159053 114967501 113159053
15*4 106897066 115130417 105711210 105710958 105711210
16*4 150311650 135287655 135287655 135287655 135287655
16*5 139664604 137437046 11351201 11627384 11351192
Table 5.2 – Les valeurs des fonctions objectifs calculées pour chaque instance
dans le scénario 1.
Figure 5.3 – Les variations des valeurs de la fonction objectif calculées en fonction
des instances du scénario 1.
133
T*I T(AG) T(RS) T(ACO) T(AG/RS) T(ACO/RS)
5*2 8 4 5 12 8
7*2 11 7 9 17 14
9*2 18 10 12 30 21
10*2 29 15 14 41 32
10*3 38.5 22 18 52 38.8
12*3 54 36.5 29.5 86 64
12*4 57.9 40.5 38 92.4 70
14*4 76 58.5 46 126 98.8
15*4 92.5 66.2 69 148 112.8
16*4 125 75.6 81.5 198.5 146.8
16*5 148 98 104 228 186.4
Table 5.3 – Le temps de calcul des fonctions objectifs pour chaque instance dans
le scénario 1.
Figure 5.4 – Les variations du temps d’exécution pour chaque instance dans le
scénario 1.
A partir des résultats présentés dans le tableau (5.2) et la figure (5.3), nous pou-
vons constater que les méta-heuristiques proposées donnent quasiment les mêmes
résultats pour la plupart des instances testées dans ce scénario. Alors que pour le
temps de calcul présenté dans le tableau (5.3) et la figure (5.4 , tous les algorithmes
proposés sont capables de fournir des résultats avec un temps de calcul minimal,
134
notamment les algorithmes de RS et ACO.
Table 5.4 – Les valeurs des fonctions objectifs calculées pour chaque instance
dans le scénario 2.
135
Figure 5.5 – Les variations des valeurs des fonctions objectifs calculées pour
chaque instance dans le scénario 2.
Table 5.5 – Les temps d’exécution pour chaque instance dans le scénario 2.
136
Figure 5.6 – Les variations des temps d’exécution pour chaque instance dans le
scénario 2.
A partir des résultats présentés dans le tableau (5.4) et la figure (5.7), nous
constatons que les valeurs de la fonction objectif calculées par la méta-heuristique
ACO/RS sont plus optimales que les valeurs calculées par les autres méta-heuristiques.
Cette méta-heuristique a prouvé son efficacité dans le chapitre 4, en comparant ses
résultats avec les résultats obtenus par CPLEX. Les résultats obtenus par ACO se
montrent plus optimaux que les résultats obtenus avec les autres méta-heuristiques
et avec des temps de calculs très raisonnables. La même remarque, pour le temps
de calcul, est valable pour l’algorithme de RS voir le tableau (1.8) et la figure (1.6).
137
T*I AG RS ACO AG/RS ACO/RS
38*15 344133398 338645985 328965288 338973319 328758445
40*15 340771774 323990922 300506604 340771774 300506600
42*15 380388216 373038555 346342146 372079173 346158944
45*15 359351147 392527309 359009472 359350057 359009154
47*15 542775555 548001347 515900658 536480701 515900454
49*15 433382670 472606821 361396128 415942941 361396100
51*15 503472026 505152357 483560196 503469432 483548966
54*15 569037643 531765875 521489233 529664958 521466548
56*15 631732367 620313389 597717899 619654563 597715655
60*20 731751066 679897057 66890144 665457107 660890021
Table 5.6 – Les valeurs des fonctions objectifs calculées pour chaque instance
dans le scénario 3.
Figure 5.7 – Les variations des valeurs des fonctions objectifs calculées pour
chaque instance dans le scénario 3.
138
T*I T(AG) T(RS) T(ACO) T(AG/RS) T(ACO/RS)
38*15 1356.9 1085.5 1125 2089.8 1889
40*15 1523 1147.8 1208.5 2247.5 2007.5
42*15 1712.5 1212.6 1279.4 3147.3 2147
45*15 1905.3 1293 1307.5 3458 2304.3
47*15 2175.5 1403.8 1448 3899.5 2687.4
49*15 2345 1578.4 1612 4208.6 2947.4
51*15 2647 1713.8 1781.3 4563 3246.1
54*15 3012 1983.2 1889.5 4854.2 3451
56*15 3328.5 2147.8 2234.8 5236.9 3603.2
60*20 3586.2 2314.5 2454 5587.2 3895
Table 5.7 – Les temps d’exécution pour chaque instance dans le scénario 3.
Figure 5.8 – Les variations des temps d’exécution pour chaque instance dans le
scénario 3.
Nos mêmes remarques sur le scénario 2 sont valables pour ce scénario. Car
les deux méta-heuristiques ACO et ACO/RS se montrent meilleurs que les autres
méta-heuristiques en termes de valeurs des fonctions objectifs calculées, les ta-
bleaux (5.6) et (5.7). Alors que pour le temps de calcul, le RS et ACO se montrent
plus efficaces, les tableaux (5.7) et (5.8).
139
5.2.4 DBAP avec les contraintes physiques
Pour le traitement de DBAP en prenant en considération toutes les contraintes
physiques, telles que la profondeur d’eau et les distances entre les navires, nous
proposons un système d’aide à la décision qui a les mêmes caractéristiques avec le
système proposé pour le DBAP étudié dans le paragraphe suivant, figure (5.2).
5.2.4.2 Indices
i(= 1, ..., I) ∈ B ensemble des postes d’amarrage,
j(= 1, ..., T ) ∈ V ensemble des navires entrants,
n(= 1, ..., N ) ∈ P ensemble des zones de stockage,
k(= 1, ..., T ) ∈ O ensemble des ordres de service.
5.2.4.3 Paramètres
Si : le moment où le poste à quai i devient libre, pour la planification d’alloca-
tion des postes à quai,
Aj : le temps d’arrivée de navire j,
Ccjn : le nombre de conteneurs associés au navire j, qui vont être déchargés dans
la zone n,
Cdjn : le nombre de conteneurs associés à la zone n, qui vont être chargés dans le
navire j,
din : la distance entre le poste à quai i et la zone n,
Cij : le temps de traitement de navire j sur le poste à quai i,
Wj : la profondeur d’eau du poste à quai j,
Dk : le tirant d’eau du navire k,
QLi : la longueur du poste à quai i,
Lk : la longueur du navire k,
yijk : le temps d’inactivité du poste à quai i, entre le départ de navire (k − 1) et
l’accostage du navire k, avec le navire j est servi comme le k-ième navire.
140
(
1 Si le navire j est affecté au poste à quai i dans l’ordre k,
Xijk =
0 Sinon,
XX X X
F = min ((k.Cij + Si − Aj + (Ccjn + Cdjn )din )Xijk + k · yijk ) (5.9)
i∈B j∈V k∈O n∈P
Sous réserve de :
XX
Xijk = 1 ∀j ∈ V, (5.10)
i∈B k∈O
X
Xijk ≤ 1 ∀i ∈ B, k ∈ O, (5.11)
j∈V
X
Ccjn = Ccj ∀j ∈ V, (5.12)
n∈P
X
Cdj = Cdjn ∀j ∈ V, (5.13)
n∈P
X X
(Cil Xilm + yilm ) + yijk − (Aj − Si )Xijk ≥ 0 ∀i ∈ B, ∀j ∈ Wi , ∀k ∈ O,
l∈V m∈Pk
(5.16)
yijk ≥ 0 ∀i ∈ B, j ∈ V, k ∈ O, (5.18)
Avec Pk sous-ensemble de O, Pk = p/p < k ∈ O,
Wi sous-ensemble des navires avec Aj ≥ Si ,
141
La fonction objectif 5.9, c’est une fonction multi-objectifs qui minimise le coût
total du transport de conteneurs (imports/exports), dans la zone portuaire, et la
somme du temps d’attente et de manipulation des navires entrants.
La contrainte 5.10, assure que chaque navire sera servi sur un poste d’amarrage
dans ordre de service donné.
La contrainte 5.11, assure que chaque poste à quai ne peut accueillir qu’un seul
navire à la fois.
La contrainte 5.12, garantit que le nombre de conteneurs chargés dans le navire j
soit égal à la somme des conteneurs provenant de différents terminaux.
La contrainte 5.13, assure que la somme des conteneurs affectés dans des termi-
naux différents à partir d’un navire j soit égal au nombre de conteneurs déchargés
par ce navire.
La contrainte 5.14, assure la compatibilité entre la profondeur d’eau du poste à
quai et le tirant d’eau du navire.
La contrainte 5.15, assure la distance de sécurité entre les navires.
La contrainte 5.16, assure que les navires doivent être entretenus après leurs arri-
vées.
La contrainte 5.17, donne les valeurs que prend la variable de décision.
La contrainte 5.18, montre les possibilités de yijk .
142
Nombre de navires entrants T : donné pour chaque instance
Nombre des conteneurs chargés dans Cc : générer entre 1600 et 16000 EVP
chaque navire
Nombre de conteneurs déchargés par Cd : générer entre 1600 et 16000 EVP
chaque navire
L’heure d’arrivée de chaque navire Aj : générer aléatoirement entre 1 et 96
h
Le tirant d’eau de chaque navire Dk : générer aléatoirement entre 2 à 12
m
La longueur de chaque navire Lk : générer aléatoirement entre 10 à 40
m
Hauteur d’eau de chaque poste à quai Wi : générer aléatoirement entre 2 à 14
m
La longueur de chaque poste à quai Qli : générer aléatoirement entre 20 à
100 m
Nombre de postes à quai disponibles I : donné pour chaque instance
Nombre de grues sur chaque poste à Gi : générer aléatoirement entre 1et 7
quai grues
La durée du repos de chaque poste à yijk : générer aléatoirement entre 0 et 5
quai entre les navires h
Nombre de zone de stockage calculé pour chaque instance P = d(I +
T )/2e
Les distances entre les zones de sto- din : générer aléatoirement entre 400 et
ckages et les quais 1600 m
Table 5.8 – Récapitulatif des données utilisées pour les expériences effectuées.
143
Scénario 1 : Concerne des petits terminaux à conteneurs, avec un nombre de
navires entrants, pendant une durée de planification de 4 jours, qui varie entre 5 et
16 navires , et un nombre de couchettes disponibles variant entre 2 et 5 couchettes.
Figure 5.9 – Les variations des fonctions objectifs calculées dans le scénario 1.
144
T*I T(AG) T(RS) T(ACO) T(AG/RS) T(ACO/RS)
5*2 12.5 8.5 9.6 16 12
7*2 13 9.5 10.5 19.3 17
9*2 19.3 11 13.4 32 23
10*2 32 17 15 43 34
10*3 39.5 24 18 54 40.8
12*3 55.6 38.5 31.5 88.9 74
12*4 59 41 40 94 72
14*4 76 60.5 48 127 102
15*4 95 68 72 152 115
16*4 129 77 83 199.7 148
16*5 152 102 110 232 192
Figure 5.10 – Les variations du temps d’exécution pour chaque instance dans le
scénario 1.
145
Les durées d’exécution ont été courtes pour toutes les méta-heuristiques présen-
tées dans ce scénario, le tableau (5.10) et la figure (5.10).
Table 5.11 – Les valeurs de la fonction objectif calculées pour chaque instance
dans le scénario 2.
146
Figure 5.11 – Les variations de la fonction objectif calculées en fonction des
instances dans le scénario 2.
147
Figure 5.12 – Les variations du temps d’exécution de chaque instance dans le
scénario 2.
A partir des résultats présentés dans le tableau (5.11) et la figure (5.11), nous
constatons dans ce scénario que les deux algorithmes ACO et ACO/RS ont été
meilleurs que les autres algorithmes, en donnant des résultats minimales pour
toutes les instances, mais les différences sont restées toujours raisonnables. L’algo-
rithme de ACO a tiré aussi profit de son temps de calcul minimal (tableau 5.12 et
la figure 5.12), la même remarque est valable pour l’algorithme de RS.
148
T*I AG RS ACO AG/RS ACO/RS
38*15 88355529 89212113 85389006 85389046 85389006
40*15 87481749 89239883 69097167 87841428 69095938
42*15 117636704 119971630 110021847 117636259 110021202
45*15 186662328 190418065 184694617 184799022 184691339
47*15 188833641 191541849 167156291 184388933 167097139
49*15 250927669 247052544 221121489 241815917 221119376
51*15 274060740 264467497 242292651 272246065 242291782
54*15 306213430 302330386 257592990 299909510 257585413
56*15 340809166 341503676 317383088 319141772 317381978
60*20 432334723 435003651 363013807 408098753 363013293
Table 5.13 – Les fonctions objectifs calculées pour chaque instance dans le scé-
nario 3.
149
T*I T(AG) T(RS) T(ACO) T(AG/RS) T(ACO/RS)
38*15 1578 1120.5 1098 2214.9 2016
40*15 1708.3 1227 1291 2577.8 2118.5
42*15 1844.5 1348 1478.3 3348.5 2263.5
45*15 2134 1457.5 1413.9 3789 2578.4
47*15 2175.5 1607.8 1669 4189.5 2988
49*15 2403 1705.5 1687 4258 3022.25
51*15 2705 1787 1804 4618 3317.5
54*15 3145 2085 1921.5 5108 3512
56*15 3412.5 2205 2297 5302.5 3669
60*20 3618 2389 2479 5617 3978.9
150
5.3 Conclusion
Dans ce chapitre, le BAP discret et dynamique a été formulé et résolu comme
un problème combinatoire multi-objectif. Deux systèmes d’aide à la décision ont
été proposés : le premier système a pour objectif de traiter le DBAP en mettant
à l’écart quelques contraintes physiques, alors que le deuxième système traite le
DBAP en prenant en considération toutes les contraintes physiques qui s’imposent
dans un terminal à conteneurs, tels que les profondeurs d’eaux et les distances
entre les navires. Ces systèmes ont été modélisés et des méta-heuristiques ont été
développées comme des approches de solutions pour ces problèmes.
Différents scénarios ont été proposés dans ce chapitre, pour tester l’efficacité de
nos système sur des différents types des terminaux à conteneurs.
Après l’analyse des résultats obtenus dans ce chapitre, pour les deux systèmes et
les différents scénarios, nous pouvons conclure que les résultats d’affectation des
navires entrants obtenus par le système sont très satisfaisants et que le temps
de calcul très raisonnabless, notamment en utilisant les algorithmes de ACO et
ACO/RS.
Le seul inconvénient est que le système prend un temps un peu plus important en
cas d’utilisation de l’hybridation AG/RS, notamment pour de grandes instances.
151
152
Conclusion générale et
perspectives
Dans cette thèse, nous avons présenté de nouveaux systèmes d’aide à la déci-
sion pour les différents BAPs, dans une tentative de saisir l’environnement opéra-
tionnel d’un terminal à conteneurs et d’inclure au système certains attributs, qui
manquaient dans les modèles actuels. Les systèmes, présentés ici, récapitulent une
part importante des pratiques actuelles de l’opérateur du terminal à conteneurs,
tout en respectant les hypothèses faites sur des conditions du monde réel, et sont
accompagnés par des formulations et des algorithmes qui fournissent des solutions
représentées sous forme des affectations possibles ou optimales des navires entrants
sur les postes à quai disponibles dans un terminal à conteneurs. Des exemples de
calcul ont été présentés pour des approches de solution proposées en utilisant dif-
férents BAPs.
L’une des principales contributions de cette thèse qui à notre avis, mérite d’être
soulignée, est que les modèles présentés et les algorithmes de résolution ne sont pas
limités aux problèmes d’allocation des postes à quai, et peuvent, avec des modi-
fications mineures, être appliquées au calcul d’itinéraire de véhicule, au problème
de la localisation de l’installation et au problème d’atterrissage des avions.
153
et pratique. Notre première contribution était de proposer un système d’aide à la
décision pour l’allocation des quais dans un terminal à conteneurs, en prenant en
considération toutes les contraintes rencontrées dans la réalité. Pour ce système,
nous avons considéré deux cas :
- Un premier cas dans lequel le système considère un problème d’allocation des
postes à quai statique (SBAP).
- Dans le deuxième cas, nous avons proposé un système pour le problème d’allo-
cation des postes à quai dynamique (DBAP). Ces systèmes prennent en considé-
rations toutes les contraintes réelles rencontrées dans un terminal à conteneurs.
Notre deuxième et principale contribution dans cette thèse, était de développer
des modèles paramétrables, basés sur des méta-heuristiques d’optimisation, appli-
cables aux BAPs. Ces modèles sont basés sur : les algorithmes génétiques, le recuit
simulé, les algorithmes de colonie de fourmis, ainsi que des hybridations entre les
algorithmes génétiques et le recuit simulé, et, entre l’algorithme de colonie de four-
mis et le recuit simulé.
La diversité des instances testées montre que notre système est applicable sur
les différents types de terminaux à conteneurs, en prenant en considérations les dif-
férentes contraintes qui s’imposent. Les solutions proposées dans cette thèse pour
les problèmes d’allocations des postes à quai dans les terminaux à conteneurs,
peuvent être utilisées pour les autres types de terminaux.
Nous avons également abordé, dans cette thèse, certains problèmes auxquels
les opérateurs portuaires sont confrontés lorsqu’il s’agit de l’affectation des navires
sur les quais. Ce domaine de recherche est vaste et nous aimerions conclure en
indiquant un certain nombre de perspectives de recherches futures :
154
2-Appliquer les modèles sur des problèmes d’allocation des postes à quai en consi-
dérant un espace de quais continu,
3- Créer une application logicielle qui met en oeuvre les algorithmes proposés,
4- L’application des systèmes sur l’ensemble du terminal entre les quais et l’hin-
terland,
5- L’application des systèmes sur l’ensemble des maillons de la chaîne logistique,
6- La programmation simultanée de véhicules de transport internes, grues de quai
et l’allocation des postes à quai,
7- L’application des modèles proposés sur les autres types de terminaux,
8- La comparaison des résultats de nos modèles avec les résultats obtenus par des
logiciels utilisés par les opérateurs des terminaux à conteneurs.
155
156
Bibliographie
157
[11] Brown, G.G., Lawphongpanich, S., et Thurman, K.P. Optimizing vessel ber-
thing. Naval Research Logistics 41, 1-15, (1994).
[12] Brown, G.G., Cormican, K.J., Lawphongpanich, S., et Widdis, D.B. Optimi-
zing submarine berthing with a persistence incentive. Naval Research Logistics
44, 301-318, (1997).
[13] C. Y. Low. Simulated annealing heuristic for flow shop scheduling problems
with unrelated parallel machines. Computers and Operations Research, vol.
32(8), pp. 2013-2025, (2005).
[14] C.L Bridges and D.E Goldberg. An analysis of multipoint crossover. In Pro-
ceedings of the Foundation Of Genetic Algorithms. FOGA, (1991).
[15] Canrong Zhang, Li Zheng, Zhihai Zhang, Leyuan Shi, Aaron J. Armstrong.
The allocation of berths and quay cranes by using a sub-gradient optimization
technique. Computers and Industrial Engineering 58 40-50, (2010).
[16] Caramia, M., et Dell’Olmo, P. Multi-objective Management in Freight Logis-
tics : Increasing Capacity, Service Level and Safety with Optimization Algo-
rithms. London : Springer-Verlag, (2008).
[17] Carlos Arango, Pablo Cortés, Jesús Muñuzuri et Luis Onieva. Berth alloca-
tion planning in Seville inland port by simulation and optimisation. Advanced
Engineering Informatics 25 452-461, (2011).
[18] C-Y. Chen, S-L. Chao, et T-W. Hsieh. A time-space network model for the
space resource allocation problem in container marine transportation. Techni-
cal report, National Cheng Kung University Taiwan, (2000).
[19] Chengji Liang, Youfang Huang et Yang Yang. A quay crane dynamic sche-
duling problem by hybrid evolutionary algorithm for berth allocation planning.
Computers and Industrial Engineering 56 1021-1028, (2009).
[20] Cerny.V. A thermodynamical approach to the travelling salesman problem :
An efficient simulation algorithm. Optimization Theory Applications, (1985).
[21] Christensen, C.G., Holst, C.T. Berth Allocation in Container Terminals.
Master’s Thesis. Department of Informatics and Mathematical Modelling,
Technical University of Denmark, April (in Danish), (2008).
[22] Cordeau, J. F., Laporte, G., et Mercier, A. A unifed tabu search heuristic
for vehicle routing problems with time windows. Journal of the Operational
Research Society, 52(8), 928-936, (2001).
[23] Cordeau, J-F., G. Laporte, P. Legato, et L. Moccia. Models and tabu search
heuristics for the berth-allocation problem. Transportation Science, Vol. 39,
pp. 526-538, (2005).
158
[24] Chunxia Yang, Xiaojun Wang et Zhenfeng Li. An optimization approach for
coupling problem of berth allocation and quay crane assignment in container
terminal. Computers & Industrial Engineering 63, 243-253, (2012).
[25] Coello Coello, A.C. An updated survey of evolutionary multi-objective optimi-
zation techniques : State of the art and future trends. Congress on Evolutio-
nary Computation 1, 3-13, Washington, D.C., July (1999).
[26] De Castilho B, Daganzo C F. Handling strategies for import containers at
marine terminals. Transportation Research-B 27 : 151-166, (1993).
[27] D. Ambrosino, M. E. Marina, et A. Sciomachen. Decision rules for the yard
storage management. Technical report, University of Genova, (2002).
[28] D. Steenken, S. Voß, et R. Stahlbock. Container terminal operation and ope-
rations research- a classification and literature review. OR Spectrum, 26 :30-
32, (2004).
[29] DORNIER Philippe-Pierre, FENDER Michel, La logistique globale. Page 27,
ISBN : 2-7081-2537-0, 463 pages, (2001).
[30] Dorigo M., V. Maniezzo & A. Ant system : Optimization By a Colony Of
Cooperating Agents. (1992).
[31] David.E.Gold berg. Algorithmes génétiques. Editions Addisson-Wesley
France, (1991).
[32] Daofang Chang, Wei Yan, Chun-Hisen Chen et Zuhua Jiang. A berth allo-
cation strategy using heuristics algorithm and simulation optimisation . In-
ternational Journal of Computer Applications in Technology 32 (4), 272-281,
(2008).
[33] Daofang Chang, Zuhua Jiang , Wei Yanb, Junliang He. Integrating berth al-
location and quay crane assignments. Transportation Research Part E 46,
975-990, (2010).
[34] Dai J., Lin W., Moorthy R. , Teo C-P. Berth Alloca-
tion Planning Optimization in Container Terminal. 2004.
<www.bschool.nus.edu.sg/staff/bizteocp/berthplanningjuly2004.pdf >.
[35] Der-Horng Lee, Jiang Hang Chen, Jin Xin Cao. The continuous Berth Allo-
cation Problem : A Greedy Randomized Adaptive Search Solution. Transpor-
tation Research Part E 46 1017-1029, (2010).
[36] Dongsheng Xu, Chung-Lun Li, Joseph Y.-T. Leung. Berth allocation with ti-
medependent physical limitations on vessels. European Journal of Operational
Research 216, 47-56, (2012).
[37] Dornier. Trade marketing & logistique. Thèse de doctorat, http ://fa-
culty.essec.fr/pp.dornier/pdf/These_dornier.pdf.
159
[38] Dragovic, B., Park N-K., Radmilovic Z. Ship-berth link performance evalua-
tion : simulation and analytical approaches. Maritime Policy and Manage-
ment, Vol. 33, 3, pp. 281-299, (2006).
[39] Demetrio Lagana, Pasquale Legato, Ornella Pisacane, Francesca Vocaturo.
Solving simulation optimization problems on grid computing systems. Parallel
Computing 32, 688-700, (2006).
[40] D. Steenken. Latest operational experience with satellite based container posi-
tioning systems. In Proceedings IIR-Conference on Container Handling, Au-
tomation and Technology, London, (1999).
[41] D. Steenken, T. Winter, et U.T. Zimmermann. Online optimization of large
scale systems, chapter Stowage and transport optimization in ship planning.
Pages 731-745. Springer, Berlin, (2001).
[42] D.E Goldberg. Genetic Algorithms in Search, Optimization and Machine
Learning. Reading MA Addison Wesley, (1989).
[43] E.Talbi P.Preux. Ssessing the evolutionary algorithm paradigm to solve hard
problems. Constraint Processing, workshop on really hard problem solving,
September (1995).
[44] Edmond E. D., et Maggs R. P. How useful are queue models in port investment
decisions for container berths. Journal of the Operational Research Society
Vol. 29, 741-750, (1978).
[45] Eduardo Lalla-Ruiz, Belean Meliaén-Batista, J. Marcos Moreno-Vega. Artifi-
cial intelligence hybrid heuristic based on tabu search for the dynamic berth
allocation problem. Engineering Applications of Artificial Intelligence 25, 1132-
1141, (2012).
[46] E.K. Bish. A multiple-crane-constrained scheduling problem in a container
terminal. European Journal of Operational Research, 144 :83-107, (2003).
[47] Guan, Y, W-Q. Xiao, R.K. Cheung, et C-L. Li. A multiprocessor task schedu-
ling model for berth allocation : heuristic and worst case analysis. Operations
Research Letters, Vol. 30, pp. 343-350, (2002).
[48] Guan, Y., et Cheung, K. R. The Berth Allocation Problem : Models and
Solution Methods. Operations Research Spectrum, 26 : 75-92, Springer-Verlag,
(2004).
[49] G. Giallombardo, L. Moccia, M. Salani. Vacca. The Tactical Berth Allocation
Problem with Quay Crane Assignment and Transshipment-related Quadratic
Yard Costs. European Transport Conference (ETC) October 6, (2008).
[50] Greis N.P., et Kasarda J.D. Enterprise logistics in the information era. Cali-
fornia Management Review, Vol.39, N4, pp. 55-78, (1997).
160
[51] Giovanni Giallombardo, Luigi Moccia, Matteo Salani et Ilaria Vacca. Mo-
deling and solving the Tactical Berth Allocation Problem . Transportation
Research Part B 44, 232-245, (2010).
[52] Hansen, P., et C. Oguz. Papadimitriou. A Note on Formulations of Static
and Dynamic Berth Allocation Problems. Report, Les Cahiers du GERAD,
(2003).
[53] Hulten L A R. Container logistics and its management. PhD thesis, Chal-
mers University of Technology : Department of Transportation and Logistics,
(1997).
[54] Hansen, P., C. Oguz, et N. Mladenovic. Variable neighborhood search for mi-
nimum cost berth allocation. European Journal of Operational Research 131
(3), 636-649, (2008).
[55] Haguel P., Viardot E. De la Supply Chain au réseau industriel. In Expansion
Management Review, juin (2001).
[56] Imai, A., Nishimura, E., et Papadimitriou, S. The dynamic berth allocation
for a container terminal. Transportation Research Part B 35, 401-417, (2001).
[57] Imai, A., Nishimura, E., M. Hattori, et S. Papadimitriou. Berth allocation at
indented berths for mega-container vessels. European Journal of Operations
Research, Vol.179, No. 2, pp. 579-593, (2007a).
[58] Imai A., Sasaki, K., Nishimura, E., et Papadimitriou, S. Multi-objective si-
multaneous stowage and load planning for a container vessel with container re-
handle in yard stacks. European Journal of Operational Research. (In Press),
(2006).
[59] Imai A., Nishimura, E., et Papadimitriou, S. Berthing ships at a multiuser
container terminal with a limited quay capacity. Transportation Research Part
E 44, 136-151, (2008).
[60] Imai, A., X. Sun, E. Nishimura, et S. Papadimitriou. Corrigendum to ”The
dynamic berth allocation problem for a container port”. Transportation Re-
search Part B 39, 197, (2005a).
[61] Imai, A., Chen, H. C., Nishimura, E. et Papadimitriou, S. The simultaneous
berth and quay crane allocation problem. Transportation Research Part E 44 :
900-920, (2008).
[62] Imai, A., Zhang, J.-T., Nishimura, E., Papadimitriou, S. The berth allocation
problem with service time and delay time objectives. Maritime Economics and
Logistics 9, 269-290, (2007b).
[63] I. D. Wilson et P.A. Roach. Container stowage planning : a methodology
for generating computerised solutions. Journal of the Operational Research
Society, 51 :1248-1255, (2000).
161
[64] I.D. Wilson, P.A. Roach, et J.A. Ware. Container stowage pre-planning :
using search to generate solutions-a case study. Knowledge based systems,
14 :137-145, (2001).
[65] Imai, A., X. Sun, E. Nishimura, et S. Papadimitriou. Berth Allocation in a
Container Port : Using Continuous Location Space Approach. Transportation
Research Part B, Vol. 39,pp. 199-221, (2005).
[66] Imai, A., Nishimura, E., et Papadimitriou, S. Berth allocation with service
priority. Transportation Research Part B 37, 437-457, (2003).
[67] Imai, A., Nagaiwa, K., et Chan, W.T. Efficient planning of berth allocation for
container terminals in Asia. Journal of Advanced Transportation 31, 75-94,
(1997).
[68] I. Kacem. Ordonnancement multicritère des job-Shop flexibles : formulation,
bornes infèrieures et approche évolutionniste coopérative. Thèse de Doctorat,
Université des Sciences et Techniques de Lille1, (2003).
[69] ISEMAR. Le principe de la standardisation. (2002).
[70] John Holland. Outline for a logical theory of adaptive system. Journal of the
Association of Computing Machinery, 3, (1962).
[71] J. Böse, T. Reiners, D. Steenken, et S. Voss. Vehicle dispatching at seaport
container terminals using evolutionary algorithms. In Proceedings of the 33rd
Hawaii International Conference on Systems Sciences, (2000).
[72] Jean- Michel Renders. Algorithmes génétiques et réseaux de neurones. Hermes,
(1995).
[73] K.G. Murty, Y-W. Wan J. Liu, C. Zhang, M. C. L.Tsang, et R.Linn. Dss for
operations in a container shipping terminal. In The Proceedings of the First
Gulf Conference on Decision Support System. Pages 189-208, State of Kuwait,
Council of Ministers General Secretariat, November (2000).
[74] K. H. Kim, Y. M. Park, et K. R. Ryu. Deriving decision rules to locate export
containers in container yards. European Journal of Operational Research,
124 :89-101, (2000).
[75] Kearney A.T. Management approach to Supply Chain integration. Rapport
aux membres de l’équipe de recherche A.T, Kearney. (1994).
[76] Kim, K.H., et K.C. Moon. Berth scheduling by simulated annealing. Trans-
portation Research Part B, Vol. 37, pp. 541-560, (2003).
[77] Katja Buhrkal, Sara Zuglian, Stefan Ropke, Jesper Larsen et Richard Lusby.
Models for the discrete berth allocation problem : A computational comparison.
Transportation Research Part E 47, 461-473, (2011).
162
[78] Lee D-H, Song L., et Wang H. A genetic algorithm for a bi-level programming
model of berth allocation and quay crane scheduling. Proceeding of the 2006
Annual Transportation Research Board Meeting. Washington D.C., (2006).
[79] Lee H.L., Billington C. The evolution of supply-chain Management models
and practice at Hewlett-Packard. Interfaces Vol.25. (1995).
[80] Lai, K.K, et K. Shih. A study of container berth allocation. Journal of Advan-
ced Transportation, Vol. 26, pp. 45-60, (1992).
[81] La conteneurisation fleuviale. ISEAMAR, (51), Janvier (2003).
[82] La révolution du conteneur. ISEAMAR, (49), Novembre 2002.
[83] Lee H.L., Billington C. Managing Supply Chain Inventory : Pitfalls and Op-
portunities. Sloan Management Review, vol 33/3, (1992).
[84] Lawrence Davis. Handbook of Genetic Algorithms. Van Nostrand Reinhold,
(1991).
[85] Legato P., et Mazza R. M. Berth planning and resources optimization at a
container terminal via discrete event simulation. European Journal of Opera-
tional Research 133 : 537-547, (2001).
[86] Li, C-L, X. Cai, et C-Y. Lee. Scheduling with multiple-job-on-one-processor
pattern. IIE Transactions, Vol. 30, pp. 433-445, (1998).
[87] Lim, A. The berth planning problem. Operations Research Letters, Vol. 22,
pp. 105-110, (1998).
[88] Lokuge P. et Alahakoon D. Improving the adaptability in automated vessel
scheduling in container ports using intelligent software agents. European Jour-
nal of Operational Research, (In Print) , (2006).
[89] Liang, C. J., et Gen, M. Hybrid genetic algorithm for considering quay crane
scheduling in berth allocation planning problem. In proceedlings of Asia-Pacific
Workshop on Intelligent and Evolutionary Systems (APWIES), Korea, (2006).
[90] Lu Zhen, Loo Hay Lee, Ek Peng Chew. A decision model for berth alloca-
tion under uncertainty. European Journal of Operational Research 212, 54-68,
(2011).
[91] Legato, P., Gull, D., & Trunfio, R. The quay crane deployment problem at
a maritime container terminal. In Proc. of the 22th European conference on
modelling and simulation, Nicosia (pp. 53-59).
[92] Laure PICHOT. Stratégie de déploiement d’outils de pilotage de chaines logis-
tiques : Apport de la classification. Thèse de doctorat en Informatique et Sys-
tème Coopératifs pour l’Entreprise (ISCE), de l’institut National des Sciences
Appliquées de Lyon , (2006).
163
[93] Lu Zhena, Dao-Fang Chang. A bi-objective model for robust berth allocation
scheduling. Computers & Industrial Engineering 63, 262-273, (2012).
[94] Liying Song, Tom Cherrett, Wei Guan. Study on berth planning problem in
a container seaport : Using an integrated programming approach. Computers
and Industrial Engineering 62, 119-128, (2012).
[95] M.B. Duinkerken, J.J.M. Evers, et J. A Ottjes. A simulation model for integra-
ting quay transport and stacking policies automated containers terminals. In
Proceedings of the 15th European Simulation Multi-conference, June (2001).
[96] M. Avriel, M. Penn, et N. Shpirer. Container ship stowage problem : complexity
and connection to the coloring of circle graphs. Discrete Applied Mathematics,
103 :271-279, (2000).
[97] MAHDI MACHANI, HEURISTIQUES EFFICACES POUR LA PLANIFI-
CATION INTÉGRÉE DE LA MAINTENANCE PRÉVENTIVE ET DE LA
PRODUCTION D’UN SYSTÈME MULTI-ÉTATS , DEPARTEMENT DE
GENIE MECANIQUE FACULTÉ DE SCIENCES ET GÉNIE UNIVERSITÉ
LAVAL QUÉBEC, 2009.
[98] Mauri, G. R., Oliveira, A. C. M., Lorena, L. A. N. Heuréstica basead a no
simulated annealing aplicada ao problema de aloca ao de beros. REVISTA
DE GESTAO DE ÁGUA DA AMÉRICA LATINA REVISTA DE GESTION
DEL AGUA DE AMERICA LATINA GEPROS-Gest a, 1, 113-127, (2008a).
[99] Mihalis M. Golias , Maria Boile, Sotirios Theofanis. Berth scheduling by cus-
tomer service differentiation : A multi-objective approach. Transportation Re-
search Part E 45, 878-892, (2009).
[100] Monaco, M.F., Sammarra, M. The berth allocation problem : a strong formu-
lation solved by a lagrangean approach. Transportation Science 41 (2), 265-280,
(2007).
[101] Mihalis M. Golias, Maria Boile, Sotirios Theofanis. A lamda-optimal based
heuristic for the berth scheduling problem. Transportation Research Part C
18, 794-806, (2010).
[102] Moorthy, R. et C-P. Teo. Berth management in container terminal : The tem-
plate design problem. OR Spectrum, DOI 10.1007/s00291-006-0036-5, (2006).
[103] Monaco F.M. et M. Sammarra. The Berth Allocation Problem : A Strong
Formulation Solved by a Lagrangean Approach. Transportation Science, Vol.
41No. 2, pp. 265-280, (2007).
[104] Meisel, F. et Bierwirth, C. Integration of berth allocation and crane assi-
gnment to improve the resource utilization at a seaport container terminal.
Operations Research Proceedings 2005, Springer, pp. 105-110, (2006).
164
[105] M. Andresen, H. Bräsel, M. Mörig, J. Tusch, F. Werner et P. Wille-
nius.Simulated annealing and genetic algorithms for minimizing mean flow
time in an open shop. Mathematical and Computer Modelling, vol. 48, pp.
1279-1293, (2008).
[106] Muller G. Intermodal freight transportation. 3rd edn. Eno Foundation for
Transportation, Westport, CN, (1995).
[107] Mentzer J., DeWitt W., Keebler J., Min S., Nix N., Smith C., et Zacharia
Z. Defining supply chain management. Journal of Business Logistics, vol. 22,
n 2, p. 1-25, (2001).
[108] Meriam Kefi Gazdar. Optimisation Heuristique Distribuée du Problème
de Stockage de Conteneurs dans un Port. DOCTORAT DELIVRE PAR
L’ECOLE CENTRALE DE LILLE, (2008).
[109] Marco Dorigo, Vittorio Maniezzo, et Alberto Colorni. AThe Ant System :Op-
timization by a colony of cooperating agents . IEEE Transactions on Systems,
Man, and Cybernetics-Part B, Vol.26, No.1, pp.1-13, (1996).
[110] Ministère de l’équipement, des Transports, du Logement, du Tourisme et de
la Mer. (2002).
[111] M. Sakarovitch. Graphes et Programmation Linéaire. Edition Hermann, Pa-
ris, (1984).
[112] Meisel, F. and Bierwirth, C. , Nishimura, E. et Papadimitriou, S. Heuris-
tics for the integration of crane productivity in the berth allocation problem.
Transportation Research Part E p. doi :10.1016/j.tre.2008.03.001, (2008).
[113] Nishimura, E., A. Imai, et S. Papadimitriou. Berth allocation planning in the
public berth system by genetic algorithms. European Journal of Operational
Research, Vol. 131, pp. 282-292, (2001).
[114] Nikolaou N.S. Berth planning by evaluation of congestion and cost. Journal
of Waterways Highways Div. Proc. Am. Soc. Civ. Engrs. pp. 107-132, (1991).
[115] N. Metropolis, A. Rosenbluth, M. Rosenbluth, A. Teller et E. Teller. Equa-
tion of state calculations by fast computing machines. Chemical Physics, vol
21, n 6, p 1087-1092, (1953).
[116] Ocean Attitude. Liste des principaux ports à container dans le monde ,des-
criptif et photos. http ://www.oceanattitude.org/index.php.
[117] Poirier C., Reiter S.E. La Supply Chain Optimiser la chaîne logistique et le
réseau inter-entreprises. Edition Dunod, (2001).
[118] P. Legato, P. Canonaco, R. Mazza. Yard management by simulation and
optimization. Maritime Economics and Logistic 11, 36-57, (2009).
165
[119] P. Baptiste, C. Le Pape. A constraint-Based Branch and Bound Algorithm
for Preemptive Job-Shop Scheduling. 5th IEEE, International Symposium on
Assembly and Task Planning, Besançon, (1996).
[120] P.Michelon T.Mautor. Minausa. une nouvelle méthode combinant résolution
exacte et recherche locale. page 24. Premier congrès de la société française de
Recherche opérationnelle et aide à la décision (ROADF’89), Janvier (1998).
[121] Peterkofsky, R.I., Daganzo, C.F. (1990). A branch and bound solution me-
thod for the crane scheduling problem. Transportation Research Part B 24 (3),
159-172, (1990).
[122] Park K.T. et Kim, K.H. Berth scheduling for container terminals by using
a sub-gradient optimization technique. Journal of the Operational Research
Society, Vol. 53, pp. 1054-1062, (2002).
[123] Park, M.Y., et Kim, H.K.A. A scheduling method for berth and quay cranes.
Operations Research Spectrum, Vol. 25, pp. 1-23, (2003).
[124] Park K.T. et Kim, K.H. Berth scheduling for container terminals by using
a sub-gradient optimization technique. Journal of the Operational Research
Society, Vol. 53, pp. 1054-1062, (2002).
[125] P.A. Roach et I.D. Wilson. A genetic algorithm approach to strategic stowage
planning for container-ships. Working paper, University of Glamorgan, UK,
(2002).
[126] Pierre Médan, Anne Gratacap. Logistique et Supply Chain Management In-
tégration, collaboration et risques dans la chaîne logistique globale. Collec-
tion : Gestion Sup, Dunod , page 8, 287 pages - 170x240 mm EAN13 :
9782100491131, (2008).
[127] R. Dekker, P. Voogd, et E. van Asperen. Advanced methods for container
stacking. OR Spectrum, 28(4) :563-586, October (2006).
[128] Rudinei Martins de Oliveira, Geraldo Regis Mauri et Luiz Antonio Nogueira
Lorena. Clustering Search for the Berth Allocation Problem. Expert Systems
with Applications 39, 5499-5505, (2012).
[129] R. Zhang, C. Wu. A hybrid immune simulated annealing algorithm for the
job shop scheduling problem. Applied Soft Computing, vol. 10, Issue 1, pp.
79-89, (2010).
[130] R. E. Bellman. The Bellman continum. Editions Robert S. Roth, Philadel-
phia (USA), (1986).
[131] Rolstadas, A. 1998. Virtual and Extended Enterprise - DeÖnition (Edi- to-
rial). Production Planning and Control,9 (3), 215.
166
[132] Youssef HARRATH. CONTRIBUTION A L’ORDONNANCEMENT
CONJOINT DE LA PRODUCTION ET DE LA MAINTENANCE : AP-
PLICATION AU CAS D’UN JOB SHOP, GRADE DE DOCTEUR DE
L ?UNIVERSITE DE FRANCHE-COMTE, 2003.
[133] Sideris, A., Boil M.P. et Spasovic L. Using On Line Information to Estimate
Container Movements for Day-to-Day Marine Terminal Operations. Procee-
dings of the 81st Transportation Research Board annual meeting, (2002).
[134] SUPERSTRUCTURES LE GEANT DES MERS. transport maritime.
http ://www.cdmt.droit.u-3mrs.fr/memoires/2000/m00chma2.html.
[135] Sabria F. et Daganzo F.C. Approximate Expressions for Queueing Sys-
tems with Schedule Arrivals and an Established Service Order. Transportation
Science, 23(3), pp. 159-165, (1989).
[136] Seyed-Mohammad Seyed-Hosseini, K. Khalili Damghani. Fuzzy containers
allocation problem in maritime terminal. Journal industrial engineering and
management, JIEM, 2009-2(2) : 323-336-ISSN : 2013-0953
[137] Sabri BENDRISS. Contribution à l’analyse et la conception d’un système
d’information pour la gestion de la traçabilité des marchandises dans un
contexte de transport multimodale. Thèse de doctorat en Génie Informatique-
Automatique de l’université du havre, (2009).
[138] S. Kirkpatrick, C.D. Gelatt et M.P. Vecchi. Optimization by simulated an-
nealing. Science, vol 220, nf4598, p 671-680, mai (1983).
[139] Taleb-Ibrahimi, M., De Castilho, B., et Daganzo F.C. Storage Space VS
Handling Work in Container Terminals. Transportation Research Pt. B., 27B,
No.1, 13-32, (1993).
[140] Tong, J.C., Lau, C.H., et Lim, A. Ant Colony Optimization for the Vessel
Berthing Problem. JP.S. Thiagarajan, R. Yap (Eds.) : ASIAN’99, LNCS 1742,
pp. 359-370, Springer-Verlag Berlin Heidelberg, (1999).
[141] T. Winter. Online and real-time dispatching problems. GCA-Verlag, Her-
decke, (2000).
[142] Tomâs Robenek, Nitish Umang et Michel Bierlaire. Integrated Berth Alloca-
tion and Yard Assignment in Bulk Ports using Column Generation
[143] UNITED NATIONS CONFERENCE ON TRADE AND DEVELOPMENT.
REVIEW OF MARITIME TRANSPORT. (2013).
[144] S. Beightler, D. Phillips, D. Wilde. Foundations of optimization. 2nd ed.
Englewood Cliffs, (1979).
[145] Wang, F., et A. Lim. A stochastic beam search for the berth allocation pro-
blem. Decision Support Systems, Vol. 42 No. 4, pp. 2186-2196, (2007).
167
[146] Xiao-le Han, Zhi-qiang Lu, Li-feng Xi. A proactive approach for simultaneous
berth and quay crane scheduling problem with stochastic arrival and handling
time. European Journal of Operational Research 207, 1327-1340, (2010).
[147] Yuquan Du , Qiushuang Chen, Xiongwen Quan, Lei Long, Richard Y.K.
Fung. Berth allocation considering fuel consumption and vessel emissions.
Transportation Research Part E 47, 1021-1037, (2011).
[148] Y. Harrath. Contribution à l’ordonnancement conjoint de la production et
de la maintenance : application au cas d’un job shop. Thèse de Doctorat à
L’UFR des Sciences et Techniques de l’Université de Franche-Comté, Besan-
çon, (2003).
[149] Yusin Leea, Chuen-Yih Chenb. An optimization heuristic for the berth sche-
duling problem. European Journal of Operational Research 196, 500-508,
(2009).
[150] ZOUBEIR Z. , BENABDELHAFID A., Development Berth Allocation De-
cision model for container terminal based on utilization of artificial neuro-
nal networks. The 3rd International Conference on Business and Economics
(ICBE) , 2012.
[151] ZOUBEIR Z., BENABDELHAFID A.. Development of a model of decision
support for optimization of physical flows in a container terminal, Advanced
Logistics and Transport (ICALT), International Conference on, Page(s) : 421
- 426, (2013).
[152] ZOUBEIR Z., BENABDELHAFID A., The Development of a Decision
Support Model for the Problem of Berths Allocation in Containers Terminal
Using a Hybrid of Genetic Algorithm and Simulated Annealing. ACIIDS 2014,
Part I, LNAI 8397, pp. 454-463, 2014. Springer International Publishing
Switzerland 2014.
168
Annexe A
Publications effectuées
ZOUBEIR Z. BENABDELHAFID A., Development Berth Allocation Decision
model for container terminal based on utilization of artificial neuronal networks.
The 3rd International Conference on Business and Economics (ICBE) , 2012.
169