Un Algorithme Génétique pour Résoudre un Problème de

DARP Multi-objectif

Ahmed Atahran, Christophe Lenté, Vincent T’kindt

Université François-Rabelais de Tours, Laboratoire d’Informatique ; 64 avenue Jean Portalis - 37200
Tours, France
ahmed.atahran@etu.univ-tours.fr
christophe.lente@univ-tours.fr
tkindt@univ-tours.fr

Mots-clés : Dial-a-Ride Problem, optimisation multi-objectif, algorithmes evolutionnaires.

1 Introduction
Le Dial-a-Ride Problem (DARP) est un problème d’optimisation combinatoire qui a été très
étudié durant ces dernières décennies. Plusieurs variantes mono-objectif de ce problème ont été
étudiées dans la littérature en utilisant différentes méthodes exactes et métaheuristiques ([1]),
mais le cas du DARP multi-objectif a été exploré plus tardivement par les chercheurs ([4]).
On distingue deux types de problèmes de DARP : la version statique dans laquelle toutes les
données du problème sont connues à l’avance, et la version dynamique dans laquelle l’ensemble
ou une partie des données du problème sont inconnues à l’avance et arrivent en temps réel
ce qui nécessite de devoir mettre à jour les tournées planifiées au départ ([2]). Dans cette
communication nous utilisons une méthode basée sur l’algorithme génétique NSGA-II ([3])
pour résoudre la version statique d’un problème DARP multi-objectif.

2 Présentation du problème
Nous nous intéressons à un problème de DARP statique multi-objectif qui consiste à satis-
faire un ensemble de requêtes de transport de personnes, en utilisant une flotte de véhicules
hétérogènes localisée en un unique dépôt. Chaque requête est caractérisée par un point de dé-
part et d’arrivée, un nombre de personnes à transporter et une fenêtre de temps à l’origine et
à la destination. Nous considérons l’optimisation de trois critères, chacun étant lié à un aspect
différent des autres de la mise en oeuvre d’une politique de transport. Le premier critère, qui
reflète les préférences du transporteur, est le coût total du transport qui doit être minimisé. Le
second critère reflète la perception qu’ont les usagers du transport : c’est la qualité de service
qui doit être maximisée (ou de façon équivalente, on minimise l’insatisfaction des usagers).
Cette qualité de service prend en compte le respect des fenêtres de temps ainsi que le temps
d’attente perçu comme inutile par les usagers. Le troisième critère prend en compte l’impact
environnemental du transport puisque l’on minimise la quantité totale de Co2 émise par les
véhicules. Notons que ces trois objectifs sont en conflit les uns par rapport aux autres. Le
problème que nous traitons dans cette communication fait partie de la catégorie des problèmes
d’optimisation multicritères pour lesquels on cherche des optima de Pareto (les solutions de
meilleurs compromis).
3 Résolution du problème
Pour énumérer les optima de Pareto nous utilisons un algorithme évolutionnaire basé sur
l’algorithme NSGA-II ([3]) qui a déjà montré son efficacité sur de nombreux problèmes d’op-
timisation multicritères ([4]). L’algorithme évolutionnaire proposé repose sur un codage direct
des solutions, c’est-à-dire qu’un chromosome représente l’ensemble des tournées satisfaisant
aux requêtes de transport. Après la génération de la population de départ, une succession
d’itérations (générations) est réalisée pour faire converger cette population vers une approxi-
mation de l’ensemble des optima de Pareto pour les trois critères considérés. La particularité de
l’algorithme NSGA-II est lié au mécanisme utilisé pour évaluer les chromosomes : on utilise le
rang de Pareto qui est indépendant des critères optimisés. Grossièrement, plus un chromosome
est proche (dans l’espace des critères) de l’ensemble des optima de Pareto et meilleure sera son
évaluation. Cette approche a notamment l’avantage qu’aucun biais ne peut être introduit, dans
les processus de sélection et d’évaluation, par les différentes échelles de valeurs des critères. Les
détails de la méthode proposée seront présentés lors de la conférence.

Pour étudier le comportement de l’algorithme NSGA-II nous avons réalisé une campagne
de tests basés sur la génération aléatoire et intensive d’instances. Des résultats expérimentaux
préliminaires mettent déjà en évidence plusieurs conclusions : (i) La complexité du problème
implique une certaine lenteur dans l’exécution de l’algorithme, (ii) Une convergence a bien lieu
lors de son exécution puisque l’approximation construite à la dernière itération de l’algorithme
est bien meilleure que l’approximation contenue dans la population initiale.
Lors de la conférence, nous présenterons les résultats numériques obtenus ainsi que quelques
indicateurs de performance de l’algorithme NSGA-II sur ces instances.

Références
[1] G. Berbeglia, J.-F. Cordeau, I. Gribkovskaia and G. Laporte. Static pickup and delivery
problems : a classification scheme and survey TOP, vol 15 :1-31, 2007.
[2] S.N. Parragh, K.F. Doerner and R.F. Hartl. A survey on pickup and delivery problems.
Part I : transportation between customers and depot Journal of Betriebs wirt, vol 58 :21-51,
2008.
[3] K. Deb, A. Pratap, S. Agrawal and T. Meyarivan. A fast and elitist multiobjective genetic
algorithm : NSGA-II IEEE Transactions on Evolutionary Computation, vol 6(2) :182-197,
2002.
[4] R. Chevrier, A. Liefooghe, L. Jourdan and C. Dhaenens. On Optimizing a Demand Respon-
sive Transport with an Evolutionary Multiobjective Approach, In ITSC’2010, 13th IEEE
Intelligent Transport Systems Conference, Madeira, Portugal, :575-580, 2010.