Abonnez-vous à DeepL Pro pour modifier ce document.

Visitez www.DeepL.com/Pro pour en savoir plus.

Le problème du détournement de la pollution à deux objectifs

Emrah Demir† Tolga Bektas¸† Gilbert Laporte‡

3 avril 2012

†School de la Direction et
Centre pour la recherche opérationnelle, la science de la gestion et les systèmes d'information
(CORMSIS) Université de Southampton
Southampton, Highfield, SO17 1BJ, Royaume-Uni e-
mail : {E.Demir, T.Bektas}@soton.ac.uk

‡Canada Chaire de recherche en gestion de la distribution et

Centre interuniversitaire de recherche sur les réseaux d'entreprises, la logistique et le transport
(CIRRELT) HEC Montre'al
3000 chemin de la Coˆte-Sainte-Catherine, Montre'al, H3T 2A7, Canada
e-mail : Gilbert.Laporte@cirrelt.ca

Résumé

Le problème bi-objectif de routage de la pollution est une extension du problème de routage de la

pollution (PRP) récemment introduit, qui consiste à acheminer un certain nombre de véhicules pour
servir un ensemble de clients, et à déterminer leur vitesse sur chaque segment de route. Les fonctions
objectives relatives à la minimisation de la consommation de carburant et du temps de conduite sont
contradictoires et sont donc considérées séparément. Cet article présente un algorithme adaptatif de
recherche de grand quartier (ALNS), combiné à un processus d'optimisation de la vitesse, pour
résoudre le PRP bi-objectif. En utilisant l'ALNS comme moteur de recherche, quatre méthodes a
posteriori, à savoir la méthode de pondération, la méthode de pondération avec normalisation, la
méthode epsilon-contrainte et une nouvelle méthode hybride (HM), sont testées en utilisant une
scalarisation des deux fonctions objectives. La méthode HM combine la pondération adaptative avec la
méthode epsilon-contrainte. Pour évaluer l'efficacité de l'algorithme, de nouveaux ensembles
d'instances basés sur des données géographiques réelles sont générés, et une bibliothèque d'instances
PRP bi-critères est compilée. Les résultats de vastes expériences de calcul avec les quatre méthodes
sont présentés et comparés les uns aux autres au moyen des indicateurs hypervolume et epsilon. Les
résultats montrent que HM est très efficace pour trouver des solutions non dominées de bonne qualité
sur des positions de PRP avec 100 nœuds.

Mots-clés : itinéraire des véhicules, consommation de carburant, émissions de CO2, transport de

marchandises, optimisation multi-objectifs, algorithme heuristique hybride.

1
2
1 Introduction

Le transport de marchandises est au premier plan de la planification logistique. Jusqu'à présent, la

planification des activités de transport de marchandises s'est principalement concentrée sur les moyens
d'économiser de l'argent et d'accroître la rentabilité en ne tenant compte que des coûts de transport
internes, par exemple le coût du carburant, les salaires des chauffeurs (voir, par exemple, Crainic, 2000 ;
Forkenbrock, 1999, 2001).

Le transport de marchandises au Royaume-Uni (RU) est responsable de 22 % des émissions de CO2 du

secteur des transports, soit 33,7 millions de tonnes, ou 6 % des émissions de CO2 du pays, dont le transport
routier représente une proportion de 92 % (McKinnon, 2007). La loi de 2008 sur le changement
climatique engage le Royaume-Uni à réduire de 80 % les émissions de gaz à effet de serre (GES) d'ici
2050, par rapport à 1990, un objectif ambitieux et juridiquement contraignant. Le secteur des transports a
un rôle important à jouer, en tant que troisième contributeur de GES, dans la réalisation des objectifs de
réduction au Royaume-Uni (Tight et al., 2005). Le GES le plus important est le dioxyde de carbone ( CO2),
dont les émissions sont directement proportionnelles à la quantité de carburant consommée par un
véhicule. Cette quantité dépend de divers paramètres liés aux véhicules, à l'environnement et au trafic, tels
que la vitesse, la charge et l'accélération des véhicules (Demir et al. , 2011).

La planification du transport de marchandises présente de nombreuses facettes, en particulier lorsqu'elle

est envisagée sous l'angle des multiples niveaux de décision. Le problème le plus connu à ce niveau est
sans doute le fameux problème de routage des véhicules (VRP), qui consiste à déterminer les itinéraires
d'une flotte de véhicules pour satisfaire les demandes d'un ensemble de clients. L'objectif traditionnel du
VRP standard est de minimiser une fonction de coût qui est traditionnellement considérée comme étant la
distance totale parcourue par tous les véhicules. En examinant de manière plus explicite les externalités du
transport de marchandises, et en particulier l'itinéraire des véhicules, Bektas¸ et Laporte (2011) ont
introduit le problème de pollution et d'itinéraire (PRP) qui vise à minimiser une fonction de coût total
comprenant les coûts de carburant et de conduite en présence de fenêtres temporelles.

La plupart des problèmes du monde réel impliquent des objectifs multiples. Dans le cadre du PRP, deux
objectifs importants doivent être pris en compte, à savoir la minimisation de la consommation de
carburant et le temps de conduite total. La quantité de consommation de carburant dépend de l'énergie
nécessaire pour déplacer un véhicule d'un point à un autre. Comme l'indiquent Demir et al. (2012), il
existe pour chaque véhicule une vitesse optimale entraînant une consommation minimale de carburant.
Cependant, cette vitesse est généralement inférieure à la vitesse préférée par les conducteurs de véhicules
dans la pratique. Une autre question importante dans le transport routier est la gestion du temps. Dans la
terminologie du transport de marchandises, le temps c'est de l'argent et il est essentiel pour les entreprises
d'effectuer des livraisons en temps voulu afin d'établir et de maintenir une bonne réputation. Dans la
pratique, les horaires des conducteurs ont tendance à être flexibles, avec un nombre d'heures de travail
différent chaque jour, sous réserve de la réglementation sur les temps de conduite. Si une économie d'une
heure peut être réalisée sur un itinéraire de véhicule donné, cela impliquerait une réduction d'une heure
des coûts du conducteur correspondant (Fowkes et Whiteing, 2006). La réduction du temps passé sur un
itinéraire peut être obtenue en roulant à une vitesse plus élevée, mais cela entraîne une augmentation des
coûts de carburant. Étant donné que les deux objectifs de réduction du carburant et du temps sont
contradictoires, le problème nécessite le recours à une optimisation à objectifs multiples pour permettre
une évaluation des compromis possibles.

Dans ce document, nous étudions un problème de routage de véhicules à deux objectifs dont l'un est lié à
la consommation de carburant et l'autre au temps de conduite. Ce document décrit également un grand
système d'adaptation amélioré
algorithme de recherche de voisinage (ALNS) pour la PRP bi-objectif, intégrant le mécanisme ALNS
classique de Ropke et Pisinger (2006) à un algorithme spécialisé d'optimisation de la vitesse décrit dans
Hvattum et al. (2012) et dans Demir et al. (2012). La contribution scientifique de cette étude est quadruple
: (i) introduire une variante bi-objectif du problème de routage de résolution, (ii) appliquer et tester les
techniques multi-objectifs existantes pour résoudre le PRP bi-objectif, (iii) décrire une nouvelle heuristique
hybride pour le PRP bi-objectif, et (iv) réaliser des expériences de calcul approfondies en utilisant quatre
méthodes a posteriori évaluées au moyen de deux indicateurs de performance.

Le reste de ce document est organisé comme suit. Dans la section 2, nous donnons un aperçu général de
l'optimisation multi-objectifs et nous résumons la littérature existante sur les PRV multi-objectifs. La
section 3 présente le PRP bi-objectif ainsi qu'une formulation de programmation mathématique. La
section 4 comprend la description de l'algorithme heuristique. La section 5 présente la génération des
instances et les résultats d'expériences de calcul approfondies, ainsi que des idées de gestion. Les
conclusions sont présentées dans la section 6.

2 Optimisation multi-objectifs

L'optimisation multi-objectifs (MOO), également connue sous le nom de programmation multi-objectifs,

d'optimisation multi-critères ou multi-attributs, est le processus d'optimisation simultanée de deux ou
plusieurs objectifs contradictoires soumis à un certain nombre de contraintes. Dans cette section, nous
considérons un problème d'optimisation multi-objectifs de la forme

(MOO) minimize{ f1(x), f2(x), ..., fk(x)}(1) sous réserv e de x ∈ S,(2)

où fk:ℜn→ℜ sont k ≥ 2 fonctions objectives à minimiser simultanément. Les variables de décision x =

(x1, ..., xn)T appartiennent à une région réalisable non vide (set) S ⊆ Rn. S'il n'y a pas de conflit entre les
fonctions objectives, on peut alors trouver une solution dans laquelle chaque objectif atteint son valus
optimal. Dans ce
Il n'est pas nécessaire de recourir à des méthodes particulières. Pour éviter des cas aussi insignifiants, nous
partons du principe qu'il n'existe pas de solution de ce type. Cela signifie que les fonctions objectives sont
au moins partiellement contradictoires. Elles peuvent également être incommensurables, c'est-à-dire
mesurées dans des unités différentes (Miettinen, 1999), comme c'est le cas dans le présent document.

Pour les problèmes multiobjectifs non triviaux, on ne peut pas identifier une solution unique qui optimise
simultanément chaque objectif. En cherchant des solutions, on arrive à un point tel que, lorsqu'on tente
d'améliorer un objectif, d'autres objectifs en souffrent. Une solution est dite non dominée, optimale de
Pareto ou efficace de Pareto si elle ne peut être éliminée de la réflexion en la remplaçant par une autre
solution qui améliore l'un des objectifs sans en aggraver un autre. Trouver de telles solutions non
dominées, et quantifier les compromis dans la satisfaction des différents objectifs, est le but de la mise en
place et de la résolution d'un problème de MOO. La section suivante présente des définitions formelles de
l'optimalité de Pareto.
2.1 Optimalité de Pareto

Dans les problèmes d'optimisation à objectif unique, l'accent est mis sur l'espace des variables de
décision. En revanche, les problèmes multi-objectifs concernent l'espace des fonctions objectives. Le
concept de l'espace de décision et de l'espace objectif, et la correspondance entre les deux, sont illustrés
dans la figure 1.

Figure 1 : Espace décisionnel et objectif

Selon le concept de Pareto-optimalité introduit par Vilfredo Pareto (voir Pareto, 1971), chaque point
optimal de Pareto est une solution également acceptable du problème de l'optimisation multi-objectifs.
Toutefois, il est généralement souhaitable de produire une solution unique. La sélection d'une solution
optimale de Pareto parmi l'ensemble des solutions optimales de Pareto nécessite des informations qui ne
sont pas contenues dans la fonction objective, ce qui différencie la MOO de l'optimisation à objectif
unique. Il faut donc qu'un décideur choisisse une solution. Un décideur est une personne ou un groupe de
personnes ayant un aperçu du problème à résoudre et qui peut exprimer des relations de préférence entre
différentes solutions.

2.2 Méthodes d'optimisation multi-objectifs

Dans cette section, nous passons en revue plusieurs méthodes pour résoudre les problèmes de MOO et
pour générer des solutions optimales de Pareto. Des références générales sur ce sujet se trouvent dans
Ehrgott et Gandibleux (2002) et Jozefowiez et al. (2008a).

Les méthodes de MOO peuvent être classées de différentes façons. L'une d'entre elles est basée sur le fait
que de nombreuses solutions optimales de Pareto sont générées ou non, et sur le rôle du décideur dans la
résolution du problème de la MOO (Rangaiah, 2009). Une telle classification est illustrée dans la figure 2,
où les méthodes sont initialement regroupées en deux : (i) les méthodes génératrices et (ii) les méthodes
basées sur les préférences. Le premier groupe de méthodes vise à générer un ou plusieurs points optimaux
de Pareto sans aucune intervention préalable du décideur. En revanche, la seconde utilise
des informations supplémentaires de la part d'un décideur dans le cadre du processus de solution. Les
méthodes de génération sont ensuite divisées en trois : (i) les méthodes sans préférence, (ii) les méthodes
a posteriori utilisant une approche de scalarisation, et
(iii) une méthode a posteriori utilisant une approche multi-objectifs.

Figure 2 : Classification des méthodes d'optimisation multi-objectifs

Les méthodes de non-préférence ne nécessitent aucune information préalable et ne donnent généralement

qu'un seul point de Pareto opti- mal. Parmi les exemples de ces méthodes, on peut citer le critère global et
la méthode des faisceaux multi-objectifs (Wierzbicki, 1999). Le deuxième type de méthodes a posteriori
utilise une approche de scalarisation. La scalarisation consiste à convertir le problème en un seul ou en
une famille de problèmes d'optimisation à objectif unique en utilisant une fonction objective à valeur
réelle, appelée fonction de scalarisation. Les méthodes de pondération et ǫ-constraint appartiennent aux
méthodes a posteriori basées sur une approche de scalarisation dans laquelle une série de problèmes d'ob-
jectif unique scalarisés doivent être résolus pour trouver les points optimaux de Pareto (Deb, 2001 ; Coello
et al. , 2002). Le troisième type de méthodes a posteriori utilise des solutions d'essai de classement multi-
objectif basées sur les valeurs de la fonction objective. L'algorithme de tri génétique non dominé et
l'optimisation des colonies de fourmis en sont des exemples. Toutes les méthodes a posteriori fournissent
de nombreuses solutions optimales de Pareto au décideur qui choisira ensuite celle qu'il préfère (Fonseca
et Fleming, 1995).

Les méthodes basées sur les préférences sont divisées en deux : (i) les méthodes a priori et (ii) les
méthodes interactives. Dans la
Dans le premier cas, les préférences d'un décideur sont recherchées et sont ensuite incluses dans la
formulation initiale d'un problème objectif unique. Certaines des méthodes a priori sont des méthodes de
fonction de valeurs, d'ordonnancement lexiographique et de programmation d'objectifs. Cette dernière
nécessite une interaction avec le décideur pendant le processus de solution. La méthode interactive de
substitution de la valeur de compromis et la méthode NIMBUS en sont des exemples (Deb et Chaudhuri,
2007).

Cet article se concentre sur l'utilisation de méthodes a posteriori utilisant la scalarisation des fonctions
objectives. Les méthodes utilisées dans ce document sont décrites ci-dessous.

2.2.1 La méthode de pondération (WM)

Dans la méthode de pondération, l'idée est d'associer à chaque fonction d'objectif un coefficient de
pondération et de minimiser la somme pondérée des objectifs. De cette façon, de multiples fonctions
d'objectifs sont transformées en une seule fonction d'objectif, comme dans Miettinen (1999). Nous
supposons que les coefficients de pondération avec
. k
non négatif pour tous les i = 1, ..., k. Les poids sont normalisés de telle sorte que
i=
wi = 1. Le MOO
est alors
s'est transformé en problème suivant :

.
minimiser wi fi(x)(3)
k

i=
1

sous réserv e de x ∈ S. (4)

Le problème (3)-(4) est un problème d'optimisation à objectif unique qui peut être résolu par des
méthodes existantes, telles que la programmation linéaire ou en nombres entiers.

2.2.2 La méthode de pondération avec normalisation (WMN)

Cette méthode est une extension de la méthode de pondération où les fonctions objectives sont
normalisées pour prendre des valeurs entre 0 et 1 (Grodzevich et Romanko, 2006). Pour ce faire, on
utilise les différences entre les valeurs des fonctions optimales dans les points les plus mauvais (appelés
Nadir) et les plus bons (appelés Utopie), ce qui donne la longueur des intervalles dans lesquels les
fonctions objectives varient dans l'ensemble optimal de Pareto. Le problème MOO est transformé en
problème suivant :

minimiser .wi( fi(x) - zU )/(zN - zU )

k
(5)
i i i
i=1

sous réserv e de x ∈ S,(6)

où zU est le vecteur objectif idéal, c'est-à-dire le point Utopia, et zN est le point Nadir. Le point idéal, qui
optimise toutes les fonctions objectives, n'est normalement pas réalisable en raison des objectifs
contradictoires, mais
fournit des limites inférieures pour l'ensemble optimal de Pareto. Le point idéal peut êtrei calculé comme
suit : zU = fi(x[i]) où
zi = arg minx { fi(x) : x ∈ S}. Le point nadir, qui correspond à la pire valeur objective pour chaque
des objectifs, peut être réalisable et fournit des limites supérieures pour l'ensemble optimal de Pareto. Il est
calculé comme suit
ziN = max1≤ j≤k fi(x[ j]), ∀i = 1, .., k. En pratique, ces points peuvent être trouvés en calculant le meilleur et le
les pires valeurs de chaque fonction objective.

2.2.3 ǫ-mode de contrainte (ECM)

Dans la méthode ǫ-constraint, une seule des fonctions objectives est sélectionnée pour être optimisée,
toutes les autres étant converties en contraintes en imposant une limite supérieure. Le problème à résoudre
prend alors la forme

minimizefl(x)(7)
sous réserve de f j(x) ≤ ǫ j ∀ j = 1, ..., k ; j Ç l(8)
x ∈ S. (9)

Afin de générer le plus grand nombre possible de solutions optimales de Pareto, le côté droit de la
contrainte (8) est progressivement augmenté d'une petite quantité et le problème est résolu à nouveau
chaque fois que ǫ j est augmenté.

Comme l'indique Mavrotas (2009), cette méthode offre plusieurs avantages par rapport à la MM et au
RMS. La méthode de pondération peut conduire à une solution extrême. En revanche, la méthode ǫ-
constraint est capable de produire des solutions non extrêmes (intérieures) efficaces. De plus, l'effort de
calcul est inférieur à celui de la méthode de pondération. En outre, WMN nécessite la normalisation des
fonctions objectives qui peuvent affecter les résultats, alors que cela n'est pas nécessaire pour la méthode
ǫ-constraint. D'autres extensions de la méthode ǫ-constraint sont examinées par Ehrgott et Ryan (2002)
et Laumanns et al. (2006).

2.2.4 Méthode hybride (HM)

Cette méthode combine la pondération adaptative et la méthode des contraintes ǫ. Le nom "hybride" a
été suggéré par Chankong et Haimes (1983) et Vira et Haimes (1983). La méthode hybride proposée
prend la forme

.
minimiser wi ( fi(x) - zU () 10)
k

i= i
1

sous réserve de f j(x) ≤ ǫ j ∀ j = 1, ..., k(11)

x ∈ S,(12)

où wi > 0 ∀(i) i = 1, ..., k.

2.3 Planification d'itinéraires à objectifs multiples

Dans cette section, nous examinons les études existantes sur le PRV multi-objectifs. Le PRP a fait l'objet
d'efforts de recherche intensifs tant pour les approches d'optimisation heuristique que pour les approches
d'optimisation exacte. Toutefois, la variante multi-objectifs du PRP n'a pas fait l'objet d'études intensives.
Une étude sur les VRP multi-objectifs est présentée dans Jozefowiez et al. (2008b), qui présente une
classification des objectifs liés aux différents aspects des VRP.
), les nœuds/arcs (fenêtres temporelles, satisfaction du client, etc.) et les ressources (gestion du parc
automobile, caractéristiques du produit à collecter/livrer, etc.

Les algorithmes évolutifs constituent une approche largement répandue pour résoudre les PRV multi-
objectifs. En raison de leur nature basée sur la population, ces algorithmes sont capables d'approcher
l'ensemble du front (ou surface) de Pareto en un seul passage. Une étude approfondie sur les algorithmes
évolutifs multi-objectifs peut être trouvée dans Zitzler et al. (2000), Veldhuizen et Lamont (2000) et Zhou
et al. (2011). Parmi les travaux existants sur les PRV multi-objectifs, nous mentionnons ceux qui suivent.

Lee et Ueng (1999) ont étudié une version du problème de l'acheminement des véhicules dans laquelle le
but est de minimiser la distance totale et d'équilibrer la charge de travail entre les employés. Ils ont
proposé une heuristique permettant de trouver un compromis entre les deux objectifs. Un modèle de PRV
qui prend en compte trois objectifs et plusieurs périodes est décrit par Ribeiro et Ramalhinho-Lourenc¸ o
(2001). Le premier objectif est la minimisation des coûts, le deuxième est l'équilibre des niveaux de travail
et le troisième est la recherche marketing. Les auteurs proposent une heuristique de recherche locale
itérative utilisant une méthode de pondération pour générer des solutions. Zografos et Androutsopoulos
(2004) étudient un problème de routage de véhicules bi-objectif avec des fenêtres temporelles (VRPTW).
Il s'agit de minimiser la longueur et le risque de transport de matières dangereuses. Les auteurs proposent
une heuristique de recherche locale pour ce problème. Dans le contexte du transport de passagers,
Pacheco et Mart'Mart´ı (2005) étudient le routage des bus scolaires avec deux objectifs : minimiser le
nombre de bus, et minimiser la durée la plus longue pendant laquelle un élève doit rester dans le bus. Les
auteurs présentent un certain nombre de méthodes de solutions constructives et un processus de recherche
tabou pour obtenir des solutions non dominées. Chen et al. (2008) étudient un PRP complexe dans un
réseau multimodal, où, outre les capacités des arcs et les fenêtres temporelles, des contraintes
supplémentaires (c'est-à-dire les nœuds obligatoires et interdits) sont prises en compte. Les auteurs tentent
d'optimiser le temps de trajet, le coût opérationnel et un indice de partage des moyens de transport pour
une application réelle en Italie. Une autre étude d'application réelle a été présentée par Caramia et
Guerriero (2009). Les auteurs ont travaillé sur le choix d'un itinéraire approprié pour le transport de
déchets nucléaires à Taïwan. Les objectifs de cette étude sont la minimisation de la durée du voyage, du
risque de transport et de la population exposée. Une autre étude pertinente est celle de Paquette et al.
(2011), qui a proposé un algorithme de recherche tabou intégrant un coût d'acheminement et une qualité
de service dans le problème du dial-a-ride, où la méthode des points d'référence est utilisée pour générer
plusieurs solutions non dominées. Enfin, nous mentionnons les travaux de Qian et al (2011), qui cherchent
à améliorer la sécurité du transport par hélicoptère en résolvant un problème de routage avec un objectif
de risque exprimé en termes de nombre de décès attendus. Jabali et al. (2012) envisagent un modèle VRP
qui prend en compte les coûts du temps de trajet, du carburant et des émissions de CO2 dans un contexte de
dépendance temporelle, ces derniers étant estimés à l'aide des fonctions d'émission fournies dans le
rapport MEET (Hickman et al. , 1999). Les auteurs décrivent un algorithme de recherche tabou pour le
problème et montrent, par des expériences de calcul, que la limitation de la vitesse des véhicules dans une
certaine mesure est efficace pour réduire les émissions, bien que coûteuse en termes de temps total de
déplacement.
3 Le problème du détournement de la pollution à deux objectifs

Nous décrivons maintenant le PRP à deux objectifs. Ce problème est défini sur un graphe orienté complet
G = (N, A) où N = {0, ..., n} est l'ensemble des nœuds, 0 est un dépôt et A = {(i, j) : i, j ∈ N et i Ç j} est
l'ensemble des arcs.
La distance entre le nœud i et le nœud j est désignée par di j. Une flotte de m véhicules de taille fixe,
chacun de capacité Q, est disponible pour desservir les nœuds. L'ensemble N0 = N\{0} est un ensemble
de clients, et chaque client i ∈ N0 a une demande non négative qi ainsi qu'un intervalle de temps [ai, bi]
dans lequel le service doit commencer ; les arrivées précoces au client
Les nœuds sont autorisés, mais un véhicule arrivant en avance doit attendre le temps ai avant que le service
puisse commencer. Le temps de service du client i est indiqué par ti. Le PRP, proposé par Bektas¸ et
Laporte (2011) et étudié plus avant par Demir et al. (2012), est un problème d'optimisation à objectif
unique. Ici, nous examinons le compromis entre les deux objectifs contradictoires du PRP, à savoir la
consommation de carburant et le temps de conduite total. Ces objectifs sont décrits plus en détail ci-
dessous.

3.1 L'objectif de consommation de carburant

L'objectif de consommation de carburant est basé sur le modèle complet d'émissions décrit par Barth et al.
(2005), Scora (2006), et Barth et Boriboonsomsin (2008), qui est un modèle instantané estimant la
consommation de carburant pour un instant donné. Selon ce modèle, le taux de carburant est donné par

FR = ξ(kNV + P/η)/κ,(13)

où ξ est le rapport de masse carburant/air, k est le facteur de friction du moteur, N est la vitesse du moteur,
V est la cylindrée du moteur, et η et κ sont des constantes. Le paramètre P est la puissance de sortie du
moteur seconde par seconde (en kW), et peut être calculé comme
P = Ptract/ηt f + Pacc,(14)

où ηt f est le rendement du groupe motopropulseur du véhicule, et Pacc est la demande de puissance du

moteur associée aux pertes de fonctionnement du moteur et au fonctionnement des accessoires du
véhicule tels que la climatisation. Le paramètre Ptract est la puissance de traction totale (en kW)
demandée aux roues :

Ptract = (Mτ + Mg sin θ + 0.5CdρAv2 + MgCr cos θ)v/1000,(15)

où M est le poids total du véhicule (kg), v est la vitesse du véhicule (m/s), τ est l'accélération (m/s2), θ
est l'angle de la route, g est la constante gravitationnelle, et Cd et Cr sont les coefficients de la traînée
aérodynamique et de la résistance au roulement, respectivement. Enfin, ρ est la densité de l'air et A est la
surface frontale du véhicule. Pour un arc donné (i, j) de longueur d, soit v la vitesse d'un véhicule
parcourant cet arc. Si toutes les variables en FR, à l'exception de la vitesse du véhicule v, restent
constantes sur l'arc (i, j), la consommation de carburant (en L) sur cet arc peut être calculée comme

F(v) = λkNVd/v(16)
+ λγPd/v,(17)

où λ = ξ/κψ et γ = 1/1000nt f η sont des constantes et ψ est le facteur de conversion du carburant de

gramme/seconde en litre/seconde. En outre, M est la charge transportée entre les nœuds i et j. Plus
précisément, M = w + f , où w est le poids à vide (c'est-à-dire le poids d'un véhicule vide) et f est la charge
du véhicule. Soit
α = τ + g sin θ + gCr cos θ être une constante spécifique au véhicule et β = 0.5CdρA être une constante
spécifique au véhicule. Nous omettons les indices (i, j) sur les variables v, d, f et α pour simplifier la
présentation. Ensuite, F(v) peut être réécrit comme
. βγv3Σ
F(v) = λ kNV + wγαv + γα f v + d/v. (18)

Afin de modéliser (18) comme une fonction objective, nous utilisons une fonction de vitesse discrétisée
définie par R non
diminution des niveaux de vitesse vr (r = 1, ..., R). Variables indiquer si oui ou non arc (i, j) ∈ A est
i
binaires zr
parcouru à un niveau de vitesse r. Nous définissons en outre des variables binaires xi j égales à 1 si et
seulement si l'arc (i, j) apparaît dans la solution, des variables continues fi j représentant la quantité totale de flux
sur chaque arc (i, j) ∈ A, et des variables continues y j représentant le moment où le service commence au
nœud j ∈ N0. La représentation mathématique de l'objectif de consommation de carburant est présentée
ci-dessous :

. .
minimiser kNVλdi j zr /v¯r (19)
(i, R
j)∈A
.
r=
1
wγλαi jdi j xi j (20)
(i,
j)∈A
. γλαi jdi j fi j (21)
(i,
j)∈A . R
βγλdi j zri (v¯r)2 . (22)
.
r=1

(i,
j)∈A

La fonction objective (19)-(22) est dérivée de (18). Pour plus de détails, le lecteur est invité à consulter
Demir et al. (2012).

3.2 L'objectif en matière de temps de conduite

L'objectif de durée de conduite est la somme de la durée totale du trajet de tous les itinéraires
commençant et se terminant au dépôt. Cette durée est égale à l'heure d'arrivée au dépôt en supposant que
les véhicules commencent leur voyage au moment zéro. La variable s j représente le temps total passé sur
un itinéraire dont le nœud j ∈ N0 est le dernier visité avant le retour au dépôt. La représentation
mathématique de l'objectif de temps de conduite est
.
minimise j. (23)
j∈N0
Cet objectif mesure le temps de conduite total. Le temps total passé sur un itinéraire où le client j ∈ N0
est visité en dernier avant de retourner au dépôt peut être calculé comme suit

s j =cj + t j + dj0/vr,(24)

où c j est le temps d'attente au nœud j, t j est le temps de service au nœud j, et (dj0/vr) est le temps de trajet
entre
dernier nœud d'une route vers le dépôt.

3.3 Contraintes

Les contraintes de la formulation de la programmation en nombres entiers du PRP bi-objectif sont

similaires à celles données dans Bektas¸ et Laporte (2011) et Demir et al. (2012), et sont présentées ci-
dessous :
.
x0 j = m(25)
j∈N
.
xi j = 1∀i ∈ N0 (26)
j∈N
.
xi j = 1∀ j ∈ N0 (27)
i∈N
. .
f ji - fi j = qi ∀i ∈
j∈N j∈N
N0 (28)
qj xi j ≤ fi j ≤ (Q - qi)xi j ∀(i, j) ∈ A(29)
.
yi - y j + ti + i di jzr /v¯r ≤ Ki j (1 - xi j)∀i ∈ N, j ∈ N0, i Ç j(30)
r∈
R
ai ≤ yi ≤ bi ∀i ∈
. N0 (31)
y j+ t j- s j+ dj0zrj /v¯r ≤ L(1 - x j0)∀ j ∈ N0 (32)
r∈
R . R
zri = xi j ∀(i, j) ∈ A(33)
r=1

xi j ∈ {0, 1∀(i, j) ∈ A(34)

fi j ≥ 0∀(i, j) ∈ A(35)
yi ≥ 0∀i ∈ N0 (36)
zri ∈ {0, 1∀(i, j) ∈ A, r = 1, ..., R. (37)

Les contraintes (25) stipulent que chaque véhicule doit quitter le dépôt. Les contraintes (26) et (27) sont
les contraintes de degré qui garantissent que chaque client est visité exactement une fois. Les contraintes
(28) et (29) définissent les flux d'arcs. Les contraintes (30)-(32), où Ki j = max{0, bi + si + di j/li j - aj} , et L est
un grand nombre, appliquent les restrictions de la fenêtre temporelle. Les contraintes (33) garantissent
qu'un seul niveau de vitesse est sélectionné pour chaque arc et
zri = 1 si xi j = 1.

Le PRP est difficile à mettre en œuvre puisqu'il s'agit d'une extension du PRP classique. Bektas¸ et Laporte
(2011) ont montré que même une version simplifiée de ce problème ne peut être résolue de manière
optimale pour les instances de taille moyenne. C'est pourquoi des heuristiques sont nécessaires pour
obtenir des solutions de bonne qualité dans des temps de calcul courts, que nous décrivons dans la section
suivante.
4 Un algorithme de recherche de grands quartiers adaptatif bi-objectif avec procédure
d'optimisation de la vitesse

Dans cette section, nous présentons une version améliorée de l'algorithme ALNS introduit dans Demir et
al. (2012), pour résoudre le PRP bi-objectif. Cette métaheuristique est une extension de l'heuristique de
recherche de grand voisinage (LNS) proposée pour la première fois par Shaw (1998), et basée sur l'idée de
modifier une solution initiale au moyen d'opérateurs de destruction et de réparation. Si la nouvelle solution
est meilleure que la meilleure solution actuelle, elle la remplace et sert d'entrée à l'itération suivante.
L'heuristique ALNS a été proposée par Ropke et Pisinger (2006) pour résoudre des variantes du PRP.
Plutôt que d'utiliser un grand quartier comme dans le LNS, elle applique plusieurs opérateurs de retrait et
d'insertion à une solution donnée. Les opérateurs d'insertion sont utilisés pour réparer une solution
partiellement détruite en réintroduisant les nœuds de la liste de suppression dans la solution. Ces
opérateurs réintroduisent les nœuds retirés dans les itinéraires existants lorsque la faisabilité en matière de
capacité et de fenêtres temporelles peut être maintenue, ou ils créent de nouveaux itinéraires. Le voisinage
d'une solution est obtenu en retirant certains clients de la solution et en les réintégrant. Notre mise en
œuvre utilise l'heuristique classique de Clarke et Wright (1964) pour construire une solution initiale. En
outre, nous utilisons 12 opérateurs de suppression et cinq opérateurs d'insertion dans l'algorithme ALNS,
qui sont sélectionnés dynamiquement dans l'algorithme en fonction de leurs performances passées. À cette
fin, chaque opérateur se voit attribuer un score qui est augmenté chaque fois qu'il améliore la solution
actuelle. La nouvelle solution est acceptée si elle satisfait à un critère défini par le recuit simulé
(Kirkpatrick et al. , 1983) utilisé comme cadre de recherche local appliqué au niveau extérieur. Un
algorithme d'optimisation de la vitesse (SOA) est appliqué à chaque itération de l'algorithme. Étant donné
un itinéraire de véhicule, le SOA consiste à trouver la vitesse optimale sur chaque arc de l'itinéraire afin
de minimiser une fonction objective comprenant la consommation de carburant et le temps de conduite.
Le pseudo-code de la procédure globale est donné dans l'algorithme 1.

Algorithme 1 : L'algorithme ALNS bi-objectif

entrée : un ensemble d'opérateurs de retrait D, un ensemble d'opérateurs d'insertion I, une constante
d'initialisation Pinit, une vitesse de refroidissement h, un nombre maximum d'itérations jmax
de sortie : Xbest

1 Générer une solution initiale en utilisant l'algorithme de Clarke et Wright (1964)

2 Soit T la température et j le compteur initialisé comme j = 1
3 Soit S la liste non dominée et S = ∅
4 Initialiser la probabilité Pd = 1/|D| pour chaque opérateur de destruction d ∈ D et la probabilité
Pi = 1/|I| pour chaque opérateur d'insertion i ∈ I

5 Régler tous les niveaux de vitesse à son niveau maximum Let Xcurrent = Xbest = Xinit
6 répéter
7 Sélectionnez un opérateur d'enlèvement d∗ ∈ D avec probabilité Pd
8 Que Xnew soit la solution obtenue en appliquant l'opérateur d∗ à Xcurrent
9 Sélectionnez un opérateur d'insertion i∗ ∈ I avec probabilité Pi
10 Que Xnew soit la nouvelle solution obtenue en appliquant l'opérateur i∗ à Xcurrent
11 Appliquer la procédure d'optimisation de la vitesse sur Xnew
12 si c(Xnew) < c(Xcurrent) alors
13 Xcurrent = Xnew

14 Soit ν = e-(c(Xnew)-c(Xcurrent ))/T

15 Générer un nombre aléatoire ℓ ∈ [0, 1]
16 si ℓ < ν alors
17 Xcurrent = Xnew

18 si c(Xcurrent) < c(Xbest) alors

19 Xbest = Xnew

20 si Xnew n'est pas dominé par un x ∈ S alors

21 S ← S ∪ {Xnew}
22 Comparer Xnew avec l'ensemble non dominé et ajouter à l'ensemble si Xnew est une solution non
dominée
23∆ ← h ∆
24 Actualiser les probabilités en utilisant la procédure d'ajustement adaptatif des poids
25 Ajuster tous les niveaux de vitesse à leur vitesse maximale si un nombre prédéfini d'itérations est
effectué
26j ← j + 1

27 jusqu'à j ≤ jmax
Dans l'algorithme 1, Xbest est la meilleure solution trouvée lors de la recherche, Xcurrent est la solution
actuelle obtenue au début d'une itération, et Xnew est une solution temporaire trouvée à la fin d'une
itération qui peut être rejetée ou devenir la solution actuelle. Le coût de la solution X est indiqué par c(X).
Une solution Xnew est toujours acceptée si c(Xnew) < c(Xcurrent), et acceptée avec la probabilité e-(c(Xnew
)-c(Xcurrent ))/T si
c(Xnew) >
c(Xcurrent) où T désigne la température. La température est initialement fixée à c(Xinit)Pinit où c(Xinit)
est la valeur de la fonction objectif de la solution initiale Xinit et Pinit est une constante d'initialisation. La
température actuelle est progressivement diminuée au cours de l'algorithme sous la forme hT , où 0 < h <
1 est un paramètre fixe. L'algorithme renvoie l'ensemble S de la solution non dominée trouvée au cours
de l'algorithme.
La figure 3 illustre les étapes de l'algorithme ALNS.

5 Résultats des calculs

Cette section présente les résultats de vastes expériences de calcul réalisées pour évaluer la performance
des méthodes multi-objectifs à l'aide de notre algorithme ALNS avec procédure d'optimisation de la
vitesse. Nous décrivons d'abord la génération des instances de test, les paramètres et les indicateurs de
qualité utilisés pour évaluer la performance des méthodes proposées. Nous présentons ensuite les résultats
des calculs. Les paramètres utilisés dans les expériences sont indiqués dans le tableau 1.

Tableau 1 : Paramètres utilisés dans les tests de calcul

Notation Description Valeurs typiques

w poids à vide (kg) 6350
ξ rapport de masse entre le carburant et l'air 1
k facteur de friction du moteur (kJ/tour/litre) 0.2
N régime du moteur (tr/s) 33
V cylindrée du moteur (litres) 5
g constante gravitationnelle (m/s2) 9.81
Cd coefficient de traînée aérodynamique 0.7
p densité de l'air (kg/m3) 1.2041
A surface frontale (m2) 3.912
Cr coefficient de résistance au roulement 0.01
nt f l'efficacité de la chaîne cinématique des 0.4
véhicules
η paramètre de rendement pour les moteurs diesel 0.9
fc coût du carburant et des émissions de CO2 par litre 1.4
(£)
fd salaire du chauffeur par (£/s) 0.0022
κ pouvoir calorifique d'un carburant diesel type 44
(kJ/g)
ψ facteur de conversion (g/s en L/s) 737
vl limite inférieure de vitesse (m/5s) ,5 (ou 20 km/h)
vu
limite supérieure de vitesse (m/27s) ,8 (ou 100 km/h)

5.1 Génération des instances de test

Pour les expériences, 13 séries de 10 cas chacune ont été générées, ce qui donne un total de 130 cas.
Chaque instance comporte 100 nœuds, qui représentent des villes du Royaume-Uni choisies au
hasard, et utilise des distances routières réelles. Le tableau 2 présente la conception de chaque
ensemble d'instances. Ce tableau présente le nombre de véhicules, les limites inférieure et supérieure
des fenêtres de temps, les temps de service et les intervalles de chargement pour chaque ensemble
d'instances. Les données relatives aux fenêtres temporelles, aux temps de service et à la charge sont
générées de manière aléatoire à l'intérieur de ces intervalles. Chaque ensemble d'instances est de
nature différente, caractérisé par le nombre moyen de véhicules (nombre minimum requis en
fonction de la charge), les fenêtres de temps (libres ou serrées) et la charge (homogène ou
hétérogène). Toutes les instances peuvent être téléchargées à partir de
http://www.apollo.management.soton.ac.uk/prplib.htm.

L'algorithme proposé a été implémenté en C. Toutes les expériences ont été menées sur un serveur d'une
vitesse de 3 GHz et d'une mémoire vive de 1 Go. Une analyse préliminaire a été effectuée pour affiner les
paramètres. Aucune revendication n'est
Figure 3 : Le cadre de la procédure ALNS avec optimisation de la vitesse
 Tableau 2 : La structure générale des instances à 100 nœuds

Fenêtre temporelle Charger

InstanceMoyenne Lower Haut de Durée de
sets # de page service
bound lié
véhicules s s s kg
1 5 0 32400 300 180
2 5 600–2400 27000–32400 300 180
3 5 0 32400 300 130–230
4 5 600–2400 27000–32400 300 130–230
5 10 0 32400 600 360
6 10 600–2400 27000–32400 600 360
7 10 0 32400 600 310–410
8 10 600–2400 27000–32400 600 310–410
9 20 0 32400 900 720
10 20 600–2400 27000–32400 900 720
11 20 0 32400 900 670–770
12 20 600–2400 27000–32400 900 670–770
13 5–20 600–2400 27000–32400 300–900 180–760

a fait en sorte que notre choix de valeurs de paramètres soit le meilleur possible. Toutefois, les paramètres
utilisés ont généralement bien fonctionné dans notre analyse préliminaire. Les valeurs détaillées de tous
les paramètres de l'ALNS sont présentées dans Demir et al. (2012), à l'exception des nouveaux réglages
indiqués dans le tableau 3.

Tableau 3 : Paramètres utilisés dans l'heuristique ALNS

DescriptionTypique
valeurs
Nombre de boucles (N1) 11
Nombre total d'itérations (N2) 10000
Nombre d'itérations pour la roulette (N3) 200
Limite inférieure des nœuds amovibles (s) 4
Limite supérieure des nœuds amovibles (s) 16
Le taux d'augmentation de l'ECM (ς) 300 s

Nous avons exécuté l'algorithme, N1 fois chacun avec N2 itérations pour chaque instance. Les scores des
opérateurs ont été mis à jour à chaque itération N3. Les nœuds amovibles sont choisis aléatoirement entre
s = 4 et s = 16 à chaque itération.

5.2 Méthodes de solution bi-objectives

Nous avons testé les quatre méthodes suivantes. Dans chacune, l'ALNS est utilisé comme moteur de
recherche pour trouver et stocker les solutions non dominées.

1. WM : Ici, l'objectif est de minimiser la somme d'une fonction bi-objectif pondérée. Les
pondérations sont augmentées de zéro à un par incréments de 0,1. La fonction objective agrégée est
calculée comme suit : w f1 + (1 - w) f2 où, f1 est la consommation de carburant (en L) et f2 est le
temps de conduite (en h).
2. WMN : Les fonctions objectives sont normalisées en utilisant les points nadir (zN ) et utopique (zU )
(i = 1, 2).
i i
La fonction objectif agrégée est calculée comme suit : w( f1 - zU )/(zN - zU ) + (1 - w)( f2 - zU )/
(zN - zU ),
1 1 1 2 2 2
 où f1 et f2 sont tels que définis ci-dessus.

3. ECM : L'algorithme est d'abord exécuté pour trouver la valeur ǫ2 qui est la valeur minimale que f2
atteint à la fin des itérations N2. L'heure d'arrivée au dépôt est ensuite fixée à ǫ2. L'algorithme est
ensuite exécuté pour minimiser f1, et ǫ2 est augmenté de ς à chaque itération.

4. HM : L'algorithme commence comme dans ECM. Toutefois, la fonction objectif est calculée
comme la pondération de deux fonctions, à savoir w( f1 - zU ) + (1 - w)( f2 - zU ). Le poids w est
mis à jour au cours de l'algorithme.
1 Vers 2
mettre à jour les poids pendant la recherche, nous avons utilisé la même procédure que dans Paquette
et al. (2011) :

wi =wi-1( fi(x) - zU
i ) (i = 1, ..., k) (38)
.
wh = wh/ wi (h = 1, ..., k),(39)
k

i=
1

où wh est le poids normalisé de la fonction objective h.

5.3 Indicateurs de qualité des solutions

L'évaluation des performances des techniques dans l'optimisation multi-objectifs est moins simple que
dans l'optimisation à objectif unique. Alors que le résultat d'une fonction à objectif unique peut être
comparé directement avec des limites inférieures ou supérieures, le résultat de l'optimisation multi-
objectifs est un ensemble de solutions se rapprochant du front optimal de Pareto. Zitzler et ses
collaborateurs (2003) présentent un examen des indicateurs d'évaluation de la qualité existants. Nous en
utilisons deux pour comparer nos quatre méthodes, à savoir l'indicateur d'hypervolume et l' indicateur ǫ
(figure 4). Ces deux méthodes sont décrites plus en détail ci-dessous. Nous utilisons également le nombre
de solutions de Pareto trouvées comme moyen supplémentaire d'évaluation des performances.
(a) Hypervolume indicator (b) Indicateur d'indicator Epsilon

Figure 4 : Indicateurs de qualité des solutions

5.3.1 Indicateur d'hypervolume

Cette mesure a été proposée par Zitzler et Thiele (1998a,b). L'indicateur d'hypervolume Ihv(H) calcule le
volume d'une région H donnée. Il est représenté sur la figure 4(a) pour le cas bi-objectif. Dans ce cas,
chaque point de l'ensemble d'approximation forme un rectangle représenté par la zone ombrée par rapport
à un point de référence (généralement le point du Nadir) qui se trouve au-delà des limites de l'ensemble
d'approximation. L'indicateur d'hypervolume est la surface de l'union de tous les rectangles (voir figure
4(a)). Plus la valeur de l'indicateur (aire) est grande, plus l'ensemble des solutions est bon.

5.3.2 Indicateur Epsilon

L'indicateur epsilon Iǫ (S, R) a été proposé par Zitzler et al. (2003). Une illustration de l'indicateur epsilon
en deux dimensions est donnée dans la figure 4(b). L'indicateur epsilon repose sur le concept de
dominance epsilon qui est expliqué ci-dessous :

Définition 1 Additif ǫ-relation de dominance. Soit xi, x j ∈ S, xi est dit ǫ-dominant additif x j, et s'écrit
x j ≤ǫ+ xi (ou équivalent f (xi) ≤ ǫ + f (xj)).

Définition 2 Relation multiplicative ǫ-dominance. Soit xi, x j ∈ S, xi est dit multiplicatif ǫ-dominant x
j, et s'écrit x j ≤ǫ xi (ou équivalent f (xi) ≤ ǫ f (xj)).

De ces deux définitions, la définition multiplicative est la plus couramment utilisée dans la littérature.
L'indicateur ǫ est basé sur la relation de dominance faiblement dominée. Pour toute méthode, plus la
valeur de ǫ est petite, meilleure est la performance de la méthode. L'indicateur ǫ peut être calculé
comme suit : Iǫ (S, R) = maxr∈R mins∈S ǫ(s, r) = max{ fi(s) - ri|1 ≤ i ≤ k}, où ri est la ième composante du
vecteur objectif r, et R est l'ensemble de référence défini ici comme l'union de toutes les solutions
optimales de Pareto connues.

5.4 Résultats des méthodes sur les instances PRP

Dans cette section, nous présentons les résultats de calcul obtenus sur les instances de PRP. Le tableau 4
indique, pour chaque méthode testée, le temps CPU moyen nécessaire pour résoudre toutes les instances
de chaque ensemble. La moyenne de toutes les valeurs est calculée sur les 10 instances de chaque
ensemble. Dans ce tableau, les ensembles d'instances sont regroupés en cinq. Le groupe I est caractérisé
par des charges homogènes et des fenêtres de temps lâches, tandis que le groupe II a des charges
homogènes mais des fenêtres de temps serrées. Les instances du groupe III ont des charges hétérogènes et
des fenêtres temporelles lâches. Enfin, les instances des groupes IV et V ont des charges hétérogènes et des
fenêtres temporelles étroites.

Comme le montre le tableau 4, les méthodes sont rapides. Les cas de 100 nœuds sont résolus en 155 s en
moyenne pour la méthode HM, sur la base d'environ 110000 itérations au total. Les données du tableau 4
révèlent que pour tout type d'instance, les temps CPU globaux requis par HM sont inférieurs à ceux des
autres méthodes. La méthode ECM est la deuxième plus performante en termes de temps CPU. Les temps
de calcul moyens des deux méthodes de pondération (WM et WMN) sont presque identiques. Cela
s'explique par le fait que ces deux méthodes nécessitent
 Tableau 4 : Temps CPU moyens des quatre méthodes de solution (en secondes)

Instance Instance WM WMN ECM HM

groups établit
1 198.4 199.5 196.6 198.7
I 5 133.8 132.9 127.8 123.9
9 120.8 119.4 107.6 93.9
Moyenn 151.0 150.6 144.0 138.8
e
2 212.2 218.8 210.6 210.0
II 6 148.2 147.2 135.5 131.6
10 127.0 126.9 114.5 102.3
Moyenn 162.5 164.3 153.5 148.0
e
3 237.0 240.9 235.8 232.7
III 7 156.4 156.6 147.7 144.5
11 132.3 132.0 127.1 119.7
Moyenn 175.2 176.5 170.2 165.6
e
4 246.4 248.8 248.1 245.3
IV 8 168.5 171.8 159.0 155.3
12 137.9 138.9 125.9 115.2
Moyenn 184.2 186.5 177.7 171.9
e
13 152.6 153.7 147.1 141.9
Global
moyenne 167.0 168.3 160.2 155.0

un effort de calcul similaire à exécuter. Le temps de calcul moyen du groupe I est d'environ 138 s pour
HM alors que celui du groupe II est d'environ 148 s. La différence est due à la répartition hétérogène de la
charge des clients. L'effet des fenêtres de temps est visible dans les performances des instances du groupe
III, pour lesquelles HM a besoin de 165 s en moyenne. L'effet combiné des fenêtres temporelles et de la
charge peut être analysé en examinant le temps moyen de CPU des instances du groupe IV, qui est
d'environ 171 s. Le groupe IV, à savoir l'ensemble d'instances de treize, est résolu en 142 s.

Les résultats des calculs des mesures de performance sont résumés dans le tableau 5. Ce tableau présente,
pour chaque méthode, le nombre de solutions de Pareto trouvées, ainsi que les valeurs de l'hypervolume et
des indicateurs ǫ.

Ces résultats confirment que HM fonctionne très bien pour toutes les méthodes, avec un nombre moyen de
40 solutions de Pareto dans tous les cas. L'ECM est la deuxième méthode la plus performante après HM.
Le nombre de solutions de Pareto trouvées est similaire pour la MM et la NMM, qui sont respectivement
de 11,6 et 9,4. Nous comparons maintenant les quatre méthodes en utilisant les deux indicateurs de qualité.
Selon l'indicateur d'hypervolume, HM est supérieure aux autres méthodes avec une valeur moyenne de
1386,3. En d'autres termes, les solutions trouvées par HM représentent un domaine plus large que les
autres méthodes. Le même indicateur donne de très mauvais résultats pour WM et WMN. Avec
l'indicateur ǫ, HM présente une fois de plus la meilleure performance, en donnant la valeur minimale. La
méthode WM et la méthode ECM ont des performances très similaires sur la base de l'indicateur ǫ, tandis
que la méthode WMN obtient les moins bons résultats.

Nous avons également examiné l'effet de l'augmentation du nombre de véhicules sur la mesure des
performances. Pour chaque méthode, le tableau 6 présente le nombre de solutions optimales de Pareto
trouvées, l'hypervolume et les indicateurs ǫ. Dans ce tableau, les ensembles d'instances sont regroupés
par nombre de véhicules pour voir l'effet sur les solutions résultantes.
 Tableau 5 : Résultats des indicateurs de qualité sur les instances de PRP bi-objectifs

WM WMN ECM HM
L'instanc # Nombre Ihv(S) Iǫ (S, R) # Nombre Ihv(S) Iǫ (S, R) # Nombre Ihv(S) Iǫ (S, R) # Nombre Ihv(S) Iǫ (S, R)
e fixe de de de de
solutions solutions solutions solutions
de Pareto de Pareto de Pareto de Pareto
1 3.5 21.44 1.1276 2.3 19.21 1.1264 17.4 117.22 1.1255 25.2 118.46 1.1271
5 5.7 67.52 1.1058 3.4 67.96 1.1056 33.8 302.98 1.1054 29.1 334.25 1.1071
9 6.6 440.08 1.1326 3.2 460.55 1.1334 48.9 3958.28 1.1330 60.5 4004.49 1.1340

2 12.3 44.47 1.1421 11.8 43.03 1.1484 19.7 61.97 1.1294 21.1 71.11 1.1227
20 6 18.1 359.63 1.1283 17.9 388.13 1.1267 28.5 711.99 1.1235 39.4 746.67 1.1081
10 25.0 1519.07 1.1324 19.7 1478.08 1.1407 49.4 4102.16 1.1413 62.7 4266.04 1.1225

3 3.7 40.52 1.1198 3.6 39.98 1.1196 26.4 156.81 1.1207 30.0 164.63 1.1250
7 4.4 70.92 1.1037 3.3 82.20 1.1031 26.0 331.50 1.1033 31.2 345.82 1.1019
11 4.7 441.61 1.1519 2.7 369.18 1.1532 42.2 3084.67 1.1551 65.7 3343.63 1.1541

4 11.5 94.72 1.1330 10.0 82.88 1.1412 23.2 194.40 1.1312 31.0 199.08 1.1285
8 18.6 165.01 1.1317 14.9 142.35 1.1314 28.5 208.28 1.1292 34.8 289.00 1.1203
12 20.2 1280.08 1.1483 14.5 1319.75 1.1499 48.6 3266.90 1.1481 58.6 3821.56 1.1299

13 16.6 176.57 1.1231 14.7 162.08 1.1304 25.7 293.10 1.1289 30.0 317.12 1.1131

Moyenn 11.6 363.20 1.1293 9.4 358.11 1.1315 32.2 1291.56 1.1288 39.9 1386.30 1.1226
e
 Tableau 6 : Résultats des indicateurs de qualité sur les cas de référence regroupés par nombre de véhicules

WM WMN ECM HM
L'instanc # Nombre Ihv(S) Iǫ (S, R) # Nombre Ihv(S) Iǫ (S, R) # Nombre Ihv(S) Iǫ (S, R) # Nombre Ihv(S) Iǫ (S, R)
e fixe de de de de
solutions solutions solutions solutions
de Pareto de Pareto de Pareto de Pareto
21 1–4 7.8 50.29 1.1306 6.9 46.27 1.1339 21.7 132.60 1.1267 26.8 138.32 1.1258

5–8 11.7 165.77 1.1174 9.9 170.16 1.1167 29.2 388.69 1.1153 33.6 428.93 1.1094

9–12 14.1 920.21 1.1413 10.0 906.89 1.1443 47.3 3603.00 1.1444 61.9 3858.93 1.1351

13 16.6 176.57 1.1231 14.7 162.08 1.1304 25.7 293.10 1.1289 30.0 317.12 1.1131

Moyenn 12.5 328.21 1.1281 10.4 321.35 1.1313 31.0 1104.35 1.1288 38.1 1185.83 1.1208
e
L'analyse du tableau 6 montre que le nombre moyen de solutions de Pareto augmente avec le nombre de
véhicules. Cela s'explique par le fait que l'espace de la solution s'élargit lorsque davantage de véhicules
sont nécessaires. Enfin, le nombre de succès de chaque méthode utilisant les deux indicateurs est indiqué
dans le tableau 7.

Tous les résultats montrent que la MF, le RMF et la MCE sont clairement dominés par la MF, en ce qui
concerne le taux de réussite, ce qui indique qu'une utilisation hybride des méthodes existantes est mieux
adaptée à notre problème. Les méthodes de pondération (WM et WMN) sont meilleures pour trouver des
solutions extrêmes (en coin), mais elles ne génèrent pas beaucoup de solutions de Pareto. D'autre part, la
méthode ǫ-constraint trouve plus de solutions mais la plupart d'entre elles sont inférieures à celles
fournies par WM.

5.5 Détails des solutions de Pareto

Dans cette partie de l'analyse, nous examinons la nature des solutions de Pareto identifiées par
l'algorithme. À cette fin, nous fournissons des graphiques d'exemples de chaque ensemble pour comparer
les quatre méthodes dans la figure 5, et vice versa dans la figure 6. Dans ces figures, les valeurs sur les
axes des x représentent l'objectif de temps de conduite ( f2) et les valeurs sur les axes des y indiquent la
consommation de carburant ( f1).

Les figures 5(a)-5(e) présentent des comportements similaires pour différents types de cas. Un thème
récurrent dans les résultats présentés dans la figure 5(a) est que le temps de conduite peut être réduit
d'environ 52-56 heures à 47-48 heures, selon l'instance testée, sans grand changement dans la
consommation de carburant. À l'inverse, la consommation de carburant peut être réduite de manière assez
significative, passant d'environ 700-800 litres à 400-500 litres avec seulement une légère augmentation du
temps de conduite. Cela est particulièrement évident dans les cas du 11 septembre, où le nombre de
véhicules est d'environ 20. En outre, les quatre méthodes testées ici sont cohérentes par rapport aux
solutions générées et donnent des résultats similaires. Il est intéressant de noter que ces résultats sur le
compromis entre la consommation de carburant et le temps de conduite montrent que l'on ne doit pas
nécessairement sacrifier lourdement un objectif pour améliorer l'autre. Les outils présentés dans ce
document offrent des moyens de trouver des solutions de bonne qualité pour les deux objectifs.

La figure 6 présente les résultats de cette expérience réalisée avec HM. Les figures 6(a)-6(d) indiquent
que chaque type d'instance a un comportement différent et produit un nombre différent de solutions de
Pareto. Dans la figure 6(a), le temps de conduite peut être réduit d'environ 24 à 21 heures, selon l'instance
testée, avec seulement une légère augmentation de la consommation moyenne de carburant pour les cinq
itinéraires. Comme le montrent les figures 6(b)-6(c), la consommation totale de carburant et le temps de
conduite augmentent lorsque davantage d'itinéraires sont nécessaires. Cela signifie qu'il est possible de
réaliser davantage d'économies de carburant ou de temps de conduite. La figure 6(d) montre le
comportement de l'ensemble d'exemples 13 pour lequel une réduction de la consommation de carburant
de 500 à 280 litres (environ 44%) peut être obtenue en augmentant le temps de conduite de 34,5 heures à
38,6 heures (environ 12%).

22
5.6 Résultats pour un échantillon de 30 nœuds

Cette section présente les résultats d'une instance de 30 nœuds. Notre but est d'examiner de plus près le
compromis entre les deux objectifs. Le tableau 8 présente deux solutions non dominantes obtenues par
HM sur la consommation totale de carburant (en L), le temps de conduite total (en h), le coût total du
carburant, le temps de conduite total et le

22
 Tableau 7 : Nombre de succès en fonction de chaque ensemble de cas

WM WMN ECM HM
InstanceIhv(S)Iǫ (S, R) Ihv(S)Iǫ (S, R) Ihv(S)Iǫ (S, R) Ihv(S)Iǫ (S, R)
établit
1 0 2 0 4 5 2 5 2
2 0 2 0 0 3 3 7 5
3 0 2 1 4 3 3 6 1
4 0 1 0 2 3 3 7 4
5 1 2 0 4 4 3 5 1
23 6 0 0 0 1 4 2 6 7
7 0 1 0 2 3 4 7 3
8 1 2 0 1 3 2 6 5
9 0 2 0 3 7 4 3 1
10 0 2 0 1 6 0 4 7
11 0 5 0 3 2 1 8 1
12 0 1 0 0 3 0 7 9
13 0 1 0 2 1 1 9 6

Total 2 23 1 27 47 28 80 52
 (a) Une instance du jeu 9

(b) Une instance du jeu 10

(c) Une instance du jeu 11

(d) Une instance du jeu 12

(e) Une instance du jeu 13

Figure 5 : Solutions optimales de Pareto trouvées pour cinq ensembles d'instances

24
 (a) Le tribunal fixe 1-4

(b) L'instance fixe 5-8

(c) L'instance fixe 9-12

(d) Instance fixée à 13

Figure 6 : Solutions optimales de Pareto trouvées par HM

quantité de CO2. Pour calculer cette dernière, nous supposons qu'un litre de diesel produit 2,67 kg de CO2
(Coe, 2005).

Tableau 8 : Deux solutions non dominées de l'instance à 30 nœuds

# Total Carburant Opérationne CO2 Carbur Chauff Total

Nomb l ant eur
re de
itinéra distance consommatio temps coût coût coût
ires n
km L h kg £ £ £
Solution A 6 1621.7 321.57 21.16 858.59 450.20 169.28 619.48
Solution B 6 1270.1 233.54 23.21 623.55 326.96 185.68 512.64

Les solutions A et B sont représentées sur la figure 7, chaque itinéraire étant représenté par une teinte
différente. La solution A (figure 7(a)) montre un circuit de 1621,7 km consommant environ 321,57 litres
de diesel. Le circuit a besoin de 21,16 heures pour être parcouru, et la quantité totale de CO2 émise est de
858,59 kg. La solution B (figure 7(b)) montre un circuit de 1 270,1 km consommant environ 233,54 litres
de gazole. La quantité totale de CO2 pour ce circuit est d'environ 623,55 kg, avec un temps de conduite de
23,21 h et une distance totale de 1270,1 km.

Le compromis entre la consommation de carburant et le temps pour ce cas particulier indique que des
économies d'énergie peuvent être réalisées en augmentant la durée totale des trajets. L'augmentation de
9,7 % du temps de conduite entraîne une économie de 27 % des besoins en énergie. La réduction de CO2 est
d'environ 235 kg si la solution B est préférée à la solution
A. En revanche, la réduction du temps de conduite de 23,21 h à 21,16 h (environ 8,8 %) offerte par la solution A
implique une augmentation des émissions de CO2 d'environ 37,7 %.

6 Conclusions

Nous avons étudié le PRP bi-critères dont l'un des objectifs est lié aux émissions de CO2, et l'autre au temps
de conduite. Un algorithme amélioré de recherche adaptative dans les grands quartiers (ALNS) a été
proposé pour la génération de solutions non dominées/optimales de Pareto. L'algorithme intègre l'ALNS
classique avec une procédure spécialisée d'optimisation de la vitesse. L'algorithme proposé appelle
d'abord l'ALNS en utilisant des vitesses fixes comme entrées, puis optimise les vitesses sur chaque
itinéraire.

En utilisant l'ALNS comme moteur de recherche, quatre méthodes a posteriori, à savoir la méthode de
pondération, la méthode de pondération avec normalisation, la méthode d'epsilon-contrainte et une
nouvelle méthode hybride (HM), ont été testées en utilisant une scalarisation des deux fonctions
objectives. La méthode HM combine une pondération adaptative avec la méthode des contraintes
d'epsilon. Pour évaluer pleinement l'efficacité de l'algorithme, de nouveaux ensembles d'instances basés
sur des données géographiques réelles ont été générés et une bibliothèque d'instances PRP bi-critères a été
compilée. Les résultats d'une vaste expérimentation informatique des quatre méthodes ont été présentés et
comparés entre eux. Les indicateurs Hypervolume et epsilon ont été utilisés pour évaluer la performance
des quatre méthodes. Nos résultats montrent que la méthode HM est très efficace pour trouver des
solutions non dominées de bonne qualité sur des instances de 100 nœuds, à la fois en termes d'indicateurs
d'hypervolume et d'epsilon, par rapport au reste des méthodes.
 (a) Solution A

(b) Solution B

Figure 7 : Deux solutions non dominées pour une instance de 30 nœuds

Un des enseignements intéressants tirés de ces expériences est qu'il n'est pas nécessaire de faire de grands
compromis en termes de temps de conduite pour obtenir une réduction significative de la consommation
de carburant et des émissions de CO2. L'inverse est également vrai, c'est-à-dire que des réductions
considérables du temps de conduite peuvent être obtenues si l'on est prêt à n'augmenter que légèrement la
consommation de carburant. Ces résultats impliquent que les compromis entre les objectifs contradictoires
du carburant et du temps ne sont pas tels que de grands sacrifices doivent être faits par rapport à un
objectif pour améliorer l'autre. Les outils décrits dans ce document fournissent aux décideurs un ensemble
de solutions parmi lesquelles ils peuvent choisir. Nos outils d'optimisation multi-objectifs décrits pour ce
problème particulier sont également d'application générale dans la mesure où ils sont indépendants des
coûts, tels que ceux du carburant ou des salaires des conducteurs, qui peuvent différer d'une organisation à
l'autre.

Remerciements

Les auteurs remercient la University of Southampton School of Management et le Conseil de recherches

en sciences naturelles et en génie du Canada pour le financement accordé dans le cadre de la subvention
39682-10.

Références

M. Barth et K. Boriboonsomsin. Les impacts réels des embouteillages sur le CO2. Dossier de recherche sur
les transports : Journal of the Transportation Research Board, 2058(1):163-171, 2008.

M. Barth, T. Younglove et G. Scora. Développement d'un modèle modal d'émissions et de consommation

de carburant pour les véhicules lourds à moteur diesel. Rapport technique, UC Berkeley : California
Partners for Advanced Transit and High- ways (PATH), 2005.

T. Bektas¸ et G. Laporte. Le problème du détournement de la pollution. Transportation Research Part B :

Methodological, 45(8):1232-1250, 2011.

M. Caramia et F. Guerriero. Une approche heuristique du transport de marchandises sur longue distance
avec de multiples fonctions d'objet. Omega, 37(3):600-614, 2009.

V. Chankong et Y. Y. Haimes. Méthodes basées sur l'optimisation pour la prise de décision multi-
objectifs : Une vue d'ensemble. Large Scale Systems, 5(1):1-33, 1983.

Y. W. Chen, C. H. Wang, et S. J. Lin. Un système d'information géographique à objectifs multiples pour la

sélection des itinéraires de transport des déchets nucléaires. Omega, 36(3):363-372, 2008.

G. Clarke et J. W. Wright. Programmation des véhicules d'un dépôt central vers plusieurs points de livraison.
Recherche opérationnelle, 12(4):568-581, 1964.

E. Coe. Moyenne des émissions de dioxyde de carbone résultant de l'essence et du carburant diesel.
Tech- nical report, United StatesEnvironmentalProtectionAgency,2005.Disponible sur :
http://www.etieco.com/content-files/EPA%20emissions%20calc%20420f05001.pdf (consulté le 26 mars
2012).
C. A. C. Coello, G. B. Lamont, et D. A. Van Veldhuizen. Algorithmes évolutifs pour la résolution de
problèmes à objectifs multiples. Kluwer, Dordrecht, 2002.

T. G. Crainic. Conception de réseaux de services dans le transport de marchandises. European Journal of

Operational Research, 122(2):272-288, 2000.

K. Deb. Optimisation multi-objectifs à l'aide d'algorithmes évolutifs. Wiley, Chichester, Royaume-Uni, 2001.

K. Deb et S. Chaudhuri. I-mode : un système interactif d'optimisation et de prise de décision multi-

objectifs utilisant des méthodes évolutives. Notes de cours en informatique, 4403:788-802, 2007.

E. Demir, T. Bektas¸, et G. Laporte. Une analyse comparative de plusieurs modèles d'émission de véhicules
pour le transport routier de marchandises. Recherche sur les transports, partie D : Transport and
Environment, 6(5):347-357, 2011.

E. Demir, T. Bektas¸, et G. Laporte. Une heuristique de recherche adaptative de grand quartier pour le
problème de la pollution et du routage. Rapport technique, École de gestion, Université de
Southampton, Southampton, 2012.

M. Ehrgott et X. Gandibleux. Optimisation multicritères : Enquêtes bibliographiques annotées à la fine

pointe de la technologie. Kluwer Academic, Dordrecht, 2002.

M. Ehrgott et D. M. Ryan. Construire des horaires d'équipage robustes avec optimisation des bicritères.
Journal of Multi-Criteria Decision Analysis, 11(3):139-150, 2002.

C. M. Fonseca et P. J. Fleming. Un aperçu des algorithmes évolutifs dans l'optimisation multi-objectifs.

Evolutionary Computation, 3(1):1-16, 1995.

D. J. Forkenbrock. Coûts externes du transport interurbain de marchandises par camion. Transportation

Research Part A : Policy and Practice, 33(7-8):505-526, 1999.

D. J. Forkenbrock. Comparaison des coûts externes du transport de marchandises par rail et par camion.
Transportation Research Part A, 35(4):321-337, 2001.

T. Fowkes et T. Whiteing. La valeur des gains de temps et des améliorations de la fiabilité du transport de
marchandises - preuves récentes en Grande-Bretagne. Dans Conférence européenne des transports
(ETC), Strasbourg, France. Association pour les transports européens, 2006.

O. Grodzevich et O. Romanko. Normalisation et autres sujets en matière d'optimisation multi-objectifs. In

Pro- ceedings of the Fields MITACS Industrial Problems Workshop, Toronto, 2006.

J. Hickman, D. Hassel, R. Joumard, Z. Samaras et S. Sorenson. MEET-

Méthodologie de calcul des émissions et de la consommation d'énergie des transports. Commission
européenne, DG
VII. Rapport technique, ISBN 92-828-6785-4, Luxembourg, 362 p., 1999. Disponible à
l'adresse suivante : http://www.transport-
research.info/Upload/Documents/200310/meet.pdf (consulté le 26 mars 2012).
L. M. Hvattum, I. Norstad, K. Fagerholt et G. Laporte. Analyse d'un algorithme exact pour le problème
d'optimisation de la vitesse du navire. A paraître dans Networks, 2012.

O. Jabali, Van Woensel T., et de Kok A. G. Analyse des temps de parcours et des émissions de CO2 dans
l'acheminement des véhicules en fonction du temps. A paraître dans Production and Operations
Management, 2012.

N. Jozefowiez, F. Semet et E Talbi. Des problèmes de routage des véhicules à un seul objectif à ceux à
plusieurs objectifs : Motivations, études de cas et méthodes. Dans The Vehicle Routing Problem :
Latest Advances and New Chal- lenges, volume 43 de la série Operations Research/Computer Science
Interfaces, pages 445-471. Springer US, 2008a.

N. Jozefowiez, F. Semet et E. G. Talbi. Problèmes de routage des véhicules à objectifs multiples.

European Journal of Operational Research, 189(2):293-309, 2008b.

S. Kirkpatrick, C. D. Gelatt Jr, et M. P. Vecchi. Optimization by simulated annealing. science, 220(4598) :

671-680, 1983.

M. Laumanns, L. Thiele et E. Zitzler. Un schéma de variation des paramètres efficace et adaptatif pour la
métaheuristique, basé sur la méthode des contraintes d'epsilon. Journal européen de la recherche
opérationnelle, 169(3):932-942, 2006.

T. R. Lee et J. H. Ueng. Une étude des problèmes d'acheminement des véhicules avec l'équilibrage des
charges. International Journal of Physical Distribution & Logistics Management, 29(10):646-657,
1999.
G. Mavrotas. Mise en œuvre efficace de la méthode des contraintes [epsilon] dans les problèmes de
programmation mathématique multi-objectifs. Applied Mathematics and Computation, 213(2):455-465,
2009.

A. McKinnon. Émissions de CO2 dues au transport de marchandises au Royaume-Uni. Rapport préparé pour le
groupe de travail sur le changement climatique de la Commission des transports intégrés, 2007.
Disponible à l'adresse suivante :
http://resilientcities. gaiaspace. org/mushin/files/-1/7/2007climatechange-freight.
pdf
(consulté le 26 mars 2012).

K. Miettinen. Optimisation non linéaire multi-objectifs. Kluwer, Norwell, 1999.

J. Pacheco et R. Mart'Mart´ı. Tabu recherche d'un problème de routage multi-objectifs. Journal of the
Operational Research Society, 57(1):29-37, 2005.

J. Paquette, J.-F. Cordeau, G. Laporte, et M. M. B. Pascoal. Combinaison de l'analyse multicritère et de la

recherche tabou pour les problèmes de composition. Document de travail, CIRRELT, Montre'al, 2011.

V. Pareto. Manuel d'économie politique. A. M. Kelley. Macmillan, Londres, 1971. (Première publication en
1909).
F. Qian, I. Gribkovskaia, G. Laporte et H. Øyvind. Minimisation des risques pour les passagers et les
pilotes dans le transport offshore par hélicoptère. Omega, 40(5):584-593, 2011.

G. P. Rangaiah. Optimisation multi-objectifs : Techniques et applications en génie chimique, vol- ume 1.

World Scientic : Singapour, 2009.
R. Ribeiro et H. Ramalhinho-Lourenc¸ o. A multi-objective model for a multi-period distribution manage-
ment problem. Rapport technique, Département d'économie et d'entreprise, Universitat Pompeu Fabra,
Barcelone, 2001.

S. Ropke et D. Pisinger. Une heuristique de recherche adaptative de grand quartier pour le problème de
ramassage et de livraison avec des fenêtres temporelles. Transportation Science, 40(4):455-472, 2006.

M. Scora , G. Barth. Modèle modal complet d'émission (CMEM), version

3.01, guide de l' utilisateur. Rapport technique , 2006.Disponible à l'adresse :
http://www.cert.ucr.edu/cmem/docs/CMEM_User_Guide_v3.01d.pdf (consulté le
26 mars 2011).

P. Shaw. Utilisation de la programmation par contraintes et des méthodes de recherche locale pour
résoudre les problèmes d'acheminement des véhicules. Dans les Actes de la 4e Conférence
internationale sur les principes et la pratique de la programmation par contraintes, pages 417-431.
Springer, New York, 1998.

M. R. Tight, A. L. Bristow, A. Pridmore et A. D. May. Quel est le niveau durable des émissions de CO2 dues
aux activités de transport au Royaume-Uni en 2050 ? Transport Policy, 12(3):235-244, 2005.

D. A. V. Veldhuizen et G. B. Lamont. Algorithmes évolutifs multi-objectifs : Analyser l'état de l'art.

Evolutionary computation, 8(2):125-147, 2000.

C. Vira et Y. Y. Haimes. Prise de décision multi-objectifs : Théorie et méthodologie. North-Holland, New

York, 1983.

A. P. Wierzbicki. Approche par points de référence. Dans la prise de décision multicritère : Advances in
MCDM Models, Algorithms, Theory, and Applications, pages 9-1-9-39. Kluwer, Dordrecht, 1999.

A. Zhou, B. Y. Qu, H. Li, S. Z. Zhao, P. N. Suganthan et Q. Zhang. Algo- rithme évolutif multi-objectif :
Un aperçu de l'état de l'art. Swarm and Evolutionary Computation, 1(1):32-49, 2011.

E. Zitzler et L. Thiele. Un algorithme évolutif pour l'optimisation multi-objectifs : L'approche du pareto

de force. Rapport technique, Rapport TIK, Zurich, Suisse, 1998a.

E. Zitzler et L. Thiele. Optimisation multi-objectifs à l'aide d'algorithmes évolutifs : Une étude de cas
comparative. Dans Parallel problem solving from nature-PPSN V : 5th international conference,
Amsterdam, The Netherlands, September 27-30, 1998 : proceedings, numéro 1498, page 292. Springer-
Verlag, Amster- dam, 1998b.

E. Zitzler, K. Deb et L. Thiele. Comparaison des algorithmes évolutifs multi-objectifs : Résultats empiriques.
Evolutionary Computation, 8(2):173-195, 2000.

E. Zitzler, L. Thiele, M. Laumanns, C. M. Fonseca, et V. G. da Fonseca. Évaluation des performances des

optimiseurs multi-objectifs : Une analyse et un examen. Evolutionary Computation, IEEE Transactions,
7(2) : 117-132, 2003.
K. G. Zografos et K. N. Androutsopoulos. Un algorithme heuristique pour résoudre les problèmes de
distribution des matières dangereuses. European Journal of Operational Research, 152(2):507-519,
2004.