Académique Documents
Professionnel Documents
Culture Documents
terminal portuaire
Nobar Kassabian
OPTIMISATION DU STOCKAGE DE
CONTENEURS DANS UN
TERMINAL PORTUAIRE
Nobar Antoine KASSABIAN
nobar.kassabian@uha.fr
i
tandis que la seconde est un algorithme génétique hybridé avec le recuit simulé comme
opérateur de mutation. Ces hybridations ont accéléré la convergence de nos algorithmes et,
dans certains cas, amélioré la qualité des meilleures solutions obtenues.
Mots Clés :
Optimisation Combinatoire, Modélisation Mathématique, Méta-heuristiques, Stockage de
Conteneurs.
ii
Abstract
A container terminal is an important intermodal interface for the global transport
system. The competitiveness of a port is measured by the efficiency of its terminals. The
efficient handling of goods represents a critical point in the transport chain, reducing
storage and management costs.
The container storage problem (CSP), is one of the most common and important
problems in a container terminal. The objective of this problem is to create an optimal
storage plan that defines the ideal location for each container while taking into account the
real constraints of the storage area.
In this thesis, we deal with the problem of container storage in a port terminal,
focusing on two cases:
- The static case which aims to determine the best storage strategy for imported containers.
- The critical case which consists of finding an optimal storage plan for dangerous
containers.
In this report, we give a state of the art and a bibliographic research in which are
described the previous works on this subject. Next, we discuss the two storage cases
respectively. We propose an in-depth study for each of them, as well as an efficient
mathematical modeling that models the real situation and we detail the optimization
methods proposed to solve this problem. To perform a theoretical study of this problem,
we propose a proof of its complexity, which further confirms its NP-hard character. This
type of problem is difficult to solve with exact methods. This is verified by numerical
simulations carried out using the "GUROBI" optimization software. However, this
software has limitations because it is memory intensive, and it takes a lot of execution time
when the number of containers to store becomes larger, which adds to the complexity of
the problem.
Accordingly, we have proposed iterated local search algorithm, randomized greedy
algorithm, genetic algorithm, simulated annealing based algorithm and bee colony
algorithm as meta-heuristic algorithms. These proposed algorithms are approximate
solution methods, which means that the optimality of the solutions they provide cannot be
guaranteed. However, comparisons with the results obtained by “GUROBI”, on instances
of reasonable size, have demonstrated the good quality of our solutions.
Hybridizations between these distinct meta-heuristic algorithms have been
developed in order to take advantage of their respective advantages and thus avoid
premature convergence towards local optima. The first proposed hybridization is a method
that reinforces the iterated local search algorithm with a randomized greedy algorithm,
while the second is a genetic algorithm hybridized with simulated annealing as the mutation
iii
operator. These hybridizations have accelerated the convergence of our algorithms and, in
some cases, improved the quality of the best solutions obtained.
Key words:
Combinatorial Optimization, Mathematical Modeling, Meta-heuristics, Container Storage.
iv
Dédicaces
v
Remerciements
vi
Table des matières
Résumé ..............................................................................................................................................i
Table des figures .............................................................................................................................. x
Liste des tableaux ........................................................................................................................... xii
Introduction générale ....................................................................................................................... 1
Chapitre 1 La conteneurisation et les opérations portuaires au Liban .................................... 7
1.1 Introduction ..................................................................................................................... 7
1.2 Histoire et Origine de la conteneurisation ....................................................................... 7
1.3 Définition, types et caractéristiques du conteneur ........................................................... 9
1.3.1 Définition du conteneur ........................................................................................... 9
1.3.2 Types et caractéristiques des conteneurs ................................................................. 9
1.4 Définitions et rôles des ports ......................................................................................... 12
1.5 Structure et développement des ports ............................................................................ 14
1.6 Processus et Opérations des terminaux à conteneurs et Aménagements ....................... 17
1.6.1 Opérations des terminaux à conteneurs ................................................................ 17
1.6.2 Aménagements des terminaux à conteneurs .......................................................... 21
1.7 Equipements de manutention, planification et nouvelles technologies ......................... 23
1.7.1 Equipements de manutention et planification........................................................ 23
1.7.2 Technologie de sécurité portuaire.......................................................................... 27
1.8 Conclusion ..................................................................................................................... 33
Chapitre 2 .............................................................................................................................. 35
Le problème de stockage de conteneurs dans la littérature ........................................................... 35
2.1 Introduction ................................................................................................................... 35
2.2 Problèmes d’optimisation .............................................................................................. 36
2.3 Les différentes stratégies de stockage ........................................................................... 37
2.3.1 Ségrégation et Non-ségrégation............................................................................. 37
2.3.2 Groupage et Dispersion ......................................................................................... 38
2.3.3 Stockage direct et Stockage indirect ...................................................................... 38
2.3.4 Priorité aux déchargements et Priorité aux chargements ....................................... 39
2.4 Méthodes de résolution.................................................................................................. 40
2.4.1 Analyses et simulations pour la résolution de problème de stockage de conteneurs
40
vii
2.4.2 Méthodes exactes................................................................................................... 52
2.4.3 Méthodes approchées ............................................................................................ 53
2.5 Conclusion ..................................................................................................................... 67
Chapitre 3 .............................................................................................................................. 69
Etude et résolution du cas statique ............................................................................................ 69
3.1 Introduction ................................................................................................................... 69
3.2 Etude de cas : Port de Tripoli-Liban.............................................................................. 69
3.3 Définition du problème.................................................................................................. 71
3.4 Hypothèses .................................................................................................................... 73
3.5 Modélisation Mathématique .......................................................................................... 74
3.6 Explication de la démarche entamée précédemment ..................................................... 78
3.7 Méthodes de résolution.................................................................................................. 85
3.7.1 L’algorithme génétique proposé ............................................................................ 86
3.7.2 L’algorithme glouton randomisé (RGA) proposé.................................................. 99
3.7.3 Recherche locale itérée (ILS) proposé................................................................. 104
3.7.4 Algorithme hybride de glouton randomisé et recherche locale itérée (RGA/ILS)
110
3.8 Conclusion ................................................................................................................... 121
Chapitre 4 ............................................................................................................................ 123
Etude et résolution du cas critique........................................................................................... 123
4.1 Introduction ................................................................................................................. 123
4.2 Etude de cas : Port de Tripoli-Liban............................................................................ 123
4.3 Matières Dangereuses .................................................................................................. 126
4.3.1 Classification des matières dangereuses .............................................................. 126
4.3.2 Ségrégation des matières dangereuses ................................................................. 128
4.4 Définition du problème................................................................................................ 129
4.5 Hypothèses .................................................................................................................. 131
4.6 Modélisation Mathématique ........................................................................................ 131
4.6.1 Explication du calcul de la distance (X+Y) ......................................................... 135
4.7 Méthodes de résolution................................................................................................ 136
4.7.1 L’algorithme de Recuit Simulé (RS) proposé ..................................................... 136
4.7.2 L’algorithme génétique (AG) proposé ................................................................ 142
4.7.3 L’algorithme de Colonie d’Abeilles (BA) proposé ............................................. 148
viii
4.7.4 L’algorithme hybride (HAGRS) proposé ............................................................ 153
4.7.4.1 Résultats des expérimentations ............................................................................ 155
4.8 Conclusion ................................................................................................................... 159
Conclusion générale .................................................................................................................... 162
Perspectives ................................................................................................................................. 165
Bibliographie........................................................................................................................ 168
ix
Table des figures
Figure 1. 1 Le pétrolier réaménagé de Malcolm MC Lean transportant la première
cargaison de conteneurs en avril 1956 (source : Commons Wikimédia)............................ 8
Figure 1. 2 Plus gros porte-conteneurs en 2021, opéré par CMA CGM Container Line [3]
............................................................................................................................................. 8
Figure 1. 3 Différents types de conteneurs ........................................................................ 9
Figure 1. 4 Équipements de manutention ......................................................................... 18
Figure 1. 5 Espace de stockage ......................................................................................... 19
Figure 1. 6 Structure d’un terminal à conteneurs .............................................................. 20
Figure 1. 7 Récupération d'un conteneur cible ................................................................. 20
Figure 1. 8 Blocs de stockage sont perpendiculaires aux quais ........................................ 21
Figure 1. 9 Blocs de stockage sont parallèles aux quais ................................................... 22
Figure 1. 10 Quay Crane ................................................................................................... 23
Figure 1. 11 RMGC .......................................................................................................... 24
Figure 1. 12 RTGC ........................................................................................................... 24
Figure 1. 13 Reach Stacker ............................................................................................... 25
Figure 1. 14 AGV ............................................................................................................. 25
Figure 1. 15 Cavalier Gerbeur .......................................................................................... 26
Figure 1. 16 Représentation schématique d'un terminal à conteneurs (adapté de [20]). .. 26
Figure 1. 17 Système d'inspection de conteneurs intégré SAIC ....................................... 29
Figure 1. 18 Le Rapidscan Eagle ...................................................................................... 30
Figure 1. 19 VeriSpreaderTM utilisé au port d'Oakland, en Californie ........................... 31
Figure 1. 20 Véhicule de numérisation ............................................................................. 33
x
Figure 3. 2 Détermination du meilleur emplacement d’un conteneur .............................. 79
Figure 3. 3 Emplacement d’ conteneur selon la hauteur et la profondeur ........................ 80
Figure 3. 4 Emplacement des conteneurs selon les arcs de cercles .................................. 81
Figure 3. 5 Conteneurs existants dans la zone de stockage .............................................. 82
Figure 3. 6 Conteneurs existants dans la zone de stockage avec dates de départ ............. 83
Figure 3. 7 Conteneurs existants selon la catégorie .......................................................... 84
Figure 3. 8 Représentation d’un chromosome .................................................................. 87
Figure 3. 9 Etapes de croisement ...................................................................................... 88
Figure 3. 10 Procédure de mutation .................................................................................. 89
Figure 3. 11 Résultats graphiques pour les petites instances de l'algorithme génétique vs
Gurobi ............................................................................................................................... 93
Figure 3. 12 Résultats graphiques pour les moyennes instances de l'algorithme génétique
vs Gurobi ........................................................................................................................... 95
Figure 3. 13 Comparaison des distances ........................................................................... 97
Figure 3. 14 Comparaison des nombres de remaniements .............................................. 97
Figure 3. 15 Résultats graphiques pour les petites instances de RGA vs Gurobi ........... 102
Figure 3. 16 Résultats graphiques pour les moyennes instances de RGA vs Gurobi ..... 104
Figure 3. 17 Résultats graphiques pour les petites instances de ILS vs Gurobi ............. 108
Figure 3. 18 Résultats graphiques pour les moyennes instances de ILS vs Gurobi........ 110
Figure 3. 19 Résultats graphiques pour les petites instances de RGA/ILS vs Gurobi .... 113
Figure 3. 20 Résultats graphiques pour les moyennes instances de RGA/ILS vs Gurobi
......................................................................................................................................... 115
Figure 3. 21 Comparaison de l'écart moyen entre les algorithmes et Gurobi ................. 115
Figure 3. 22 Comparaison des distances ........................................................................ 117
Figure 3. 23 Comparaison des nombres de remaniements ............................................ 117
Figure 3. 24 Comparaison RGA/ILS, RGA et ILS ......................................................... 119
Figure 3. 25 Comparaison de GA avec RGA/ILS .......................................................... 119
xi
Liste des tableaux
Tableau 1. 1 Dimensions des conteneurs ISO .................................................................. 11
Tableau 1. 2 Les 25 premiers ports à conteneurs mondiaux en H Zhu et al................... 16
Tableau 2. 1 Résumé des principales études liées au problème d'allocation d'espace pour
les conteneurs entrants et les contributions ....................................................................... 42
Tableau 2. 2 Tableau comparatif des travaux connexes des conteneurs normaux importés
........................................................................................................................................... 46
Tableau 2. 3 Tableau comparatif des travaux connexes des conteneurs dangereux
importés............................................................................................................................. 51
xii
Tableau 4. 1 IMDG Classes ............................................................................................ 125
Tableau 4. 2 La matrice de compatibilité entre les classes de matières dangereuses ..... 128
Tableau 4. 3 Paramètres RS ........................................................................................... 138
Tableau 4. 4 Description des instances ........................................................................... 139
Tableau 4. 5 RÉSULTATS NUMÉRIQUES POUR LES PETITES INSTANCES ...... 139
Tableau 4. 6 RÉSULTATS NUMÉRIQUES POUR LES MOYENNES INSTANCES 140
Tableau 4. 7 Résultats numériques de l'algorithme RS. ................................................. 141
Tableau 4. 8 Paramètres AG ........................................................................................... 145
Tableau 4. 9 RÉSULTATS NUMÉRIQUES POUR LES PETITES INSTANCES ...... 146
Tableau 4. 10 RÉSULTATS NUMÉRIQUES POUR LES MOYENNES INSTANCES
......................................................................................................................................... 146
Tableau 4. 11 Résultats numériques de l'algorithme AG................................................ 148
Tableau 4. 12 Valeurs des paramètres de BA ................................................................. 150
Tableau 4. 13 RÉSULTATS NUMÉRIQUES POUR LES PETITES INSTANCES .... 151
Tableau 4. 14 RÉSULTATS NUMÉRIQUES POUR LES MOYENNES INSTANCES
......................................................................................................................................... 152
Tableau 4. 15 Résultats numériques de l'algorithme AG................................................ 153
Tableau 4. 16 RÈGLES DE SÉPARATION .................................................................. 155
Tableau 4. 17 RÉSULTATS NUMÉRIQUES POUR LES PETITES INSTANCES .... 157
Tableau 4. 18 RÉSULTATS NUMÉRIQUES POUR LES MOYENNES INSTANCES
......................................................................................................................................... 157
Tableau 4. 19 Résultats numériques de l'algorithme HAGRS ........................................ 158
xiii
xiv
Introduction générale
Cette introduction tente d'inculquer les prémisses de la recherche présentée dans
cette thèse, en soulignant l'importance de la gestion des terminaux portuaires à conteneurs
pour améliorer le transport des marchandises dans l'ensemble de la chaîne
d'approvisionnement mondiale, en définissant notre problème de recherche, qui est
essentiel, entre autres, à la performance de cette chaîne logistique, en modélisant le
problème sous forme de programme mathématique, et enfin en présentant les méthodes
numériques les plus efficaces pour le résoudre.
Cadre général
Dans un siècle où la mondialisation et l'internationalisation dominent, où le globe
terrestre est devenu un gigantesque village d'interconnexion et d'échange d'informations,
l'économie devienne aussi performante et compétitive que possible, elle doit s'appuyer en
premier lieu et dans les poids les plus élevés sur l'obtention d'un système de transport
puissant. Cela énoncera à coup sûr un message fort sur toutes les transactions commerciales
et offrira un classement parmi les autres concurrents.
La conteneurisation est devenue l’épine dorsale de la mondialisation, s'est
solidement implantée dans les réseaux de transport d'aujourd'hui et est définitivement
devenue une composante nécessaire. Hormis une courte période de baisse en 2009, le
nombre de conteneurs expédiés par les compagnies maritimes mondiales sur des porte-
conteneurs n'a cessé d'augmenter au cours des dernières décennies. Toute opération
commerciale dans n'importe quel pays repose essentiellement sur l'échange de
marchandises entre les différents secteurs résidents. Le développement technologique a fait
son chemin est devenu une nécessité plutôt qu'un choix et a touché le développement du
réseau de conteneurs comme il l'a fait dans le spectre de tous les autres domaines. Cette
évolution est intimement liée au commerce international par voie maritime et notamment
aux produits manufacturés. Aux Etats-Unis en 1956 Malcom McLean s'appuie sur le fait
que les marchandises qu'elles soient volumineuses ou nombreuses peuvent être
transportées facilement, rapidement et à moindre coût grâce à son idée créative : Le
Conteneur.
Cette révolution dans les transports a eu un impact positif sur l'industrie du transport
maritime dans le monde entier. Au cours des dernières décennies, le transport est devenu
l'un des éléments les plus importants de la croissance et du développement économiques.
Aujourd'hui, les transferts d'un mode de transport à un autre demeurent la composante
essentielle d'un système de transport efficace. Les terminaux portuaires de conteneurs sont
des interfaces multimodales essentielles pour le réseau mondial de transport. Ils jouent un
rôle important dans la logistique moderne en tant que plaque tournante du transport
maritime.
1
Trois types d'équipements sont couramment utilisés dans les terminaux à
conteneurs : Des grues à quai assurant le chargement et le déchargement des navires, des
camions de cour (des véhicules auto guidés, des cavaliers, etc.) qui transportent des
conteneurs du quai aux zones de stockage et vice versa, et des grues de cour assurant le
stockage des conteneurs dans les zones de stockage.
Les activités de manutention des terminaux à conteneurs ont considérablement
augmenté ces dernières années en raison de l'énorme croissance du trafic de conteneurs par
voie maritime. En effet, pour réduire les coûts de transport et établir des plans
d'embarquement, une manutention efficace des conteneurs dans les ports est essentielle. En
conséquence, il est nécessaire de construire de nouveaux terminaux portuaires ou au moins
d'augmenter la capacité de ceux existants. Par ailleurs, l'infrastructure des terminaux
actuels sera étendue. La question est de savoir si les terminaux existants sont capables de
gérer des volumes croissants de conteneurs ou s'ils doivent être remplacés par une
technologie plus efficace. Plusieurs études ont été menées sur l'optimisation des opérations
d'un terminal à conteneurs à l'aide de nouvelles méthodologies de recherche opérationnelle
afin de répondre à ces préoccupations. Ces études portent sur des problématiques
spécifiques telles que la l'ordonnancement de certains types d'équipements, l'affectation
des navires aux postes d'amarrage, la gestion des espaces de stockage, le tout dans le but
d'optimiser au maximum le trafic des conteneurs.
L'organisation de l'espace de stockage des conteneurs dans le terminal nécessite une
attention particulière. En effet, la localisation des conteneurs dans le port a un impact
important sur le respect des contraintes de temps pour le chargement des navires, camions
et trains. Le temps qu'il faut pour trouver des conteneurs peut être important, entraînant des
retards importants et des pénalités financières pour les sociétés en charge des terminaux. Il
est important de déterminer le meilleur emplacement pour chaque conteneur afin de gérer
avec succès cette espace. Ce problème est au centre de nos recherches dans cette thèse.
Le nombre de conteneurs utilisés chaque année dans le commerce maritime
international continue d'augmenter. Le flux de conteneurs dans le monde était d'environ 1
milliard 296 millions de pieds équivalents vingt pieds en 2020, contre 46 millions
équivalents pieds en 1996 [1].
Les conteneurs sont une idée modulaire très utile dans le secteur maritime depuis
leur création dans les années 1960. Ils facilitent en effet les transferts des produits entre les
différentes parties de la chaîne logistique, tels que les usines de production, les transitaires,
les sociétés de transport et les clients (intermédiaires et utilisateurs finaux). Les terminaux
à conteneurs sont principalement utilisés pour connecter diverses formes de transport telles
que les chemins de fer, les camions, les barges et les navires. Les routes maritimes de
conteneurs se développent à un rythme rapide, ce qui entraîne une rivalité féroce entre les
ports à conteneurs. Cette rivalité oblige les ports non seulement à améliorer leurs capacités
de manutention, mais aussi à utiliser des logiciels logistiques, des configurations et de
nouvelles technologies pour augmenter la productivité.
2
Un terminal à conteneurs est, en général, un système complexe avec des
interactions très dynamiques entre une connaissance souvent imparfaite des événements
futurs et différents équipements de manutention, de transport et de stockage. Deux
catégories de problèmes de décision concernant les terminaux à conteneurs maritimes
existent : Problèmes de conception et problèmes de planification. Les problèmes de
conception sont généralement résolus avant la construction d'un terminal à conteneurs. Ces
questions doivent être examinées à la fois d'un point de vue économique et technologique.
Les plus importants sont : Les interfaces multimodales, le plan du terminal, la sélection des
équipements, la capacité d'amarrage, les systèmes d'information technologiques et les
logiciels de contrôle, l'allocation des postes d'amarrage, l'allocation des grues, la
planification et séquençage d'arrimage, la stratégie de stockage et d'empilement et la
gestion de la main d'œuvre.
Au cours de cette thèse, nous nous intéressons au problème de stockage de
conteneurs importés. Cela implique de trouver les meilleurs emplacements de stockage des
conteneurs arrivant à un terminal et y restant pendant une courte période. Une solution
efficace à ce problème nécessite de prendre en considération les contraintes réelles du
terminal, telles que le type d'équipement de transport et de manutention utilisé ainsi que la
configuration de la zone de stockage. En plus, il est essentiel de vérifier que chaque
conteneur est accessible au moment du départ. La plupart des études de la littérature qui
proposent le stockage par groupe n'abordent pas strictement cette contrainte, en attribuant
des groupes de conteneurs à des groupes d'emplacements de stockage. Cette approche peut
fonctionner pour les conteneurs partant du même train ou navire, mais elle n'est pas adaptée
aux conteneurs partant par camion. Une des rares œuvres qui ont traité la contrainte d'accès
des conteneurs déterminant l'emplacement de stockage exact pour chacun d'eux a proposé
de placer les conteneurs dans chaque pile par ordre décroissant du date de départ et a
interdit toute sorte de réarrangement, [2]. Cette méthode n'est pas adaptée aux ports à
conteneurs qui reçoivent simultanément de gros volumes de conteneurs et disposent d'un
espace de stockage limité. C'est pour cela, nous proposons des méthodes de résolution du
problème de stockage de conteneurs importés qui déterminent l'emplacement précis pour
chaque conteneur dans la zone de stockage tout en minimisant le nombre de remaniements
pour les deux niveaux supérieurs dans la pile. En plus, nous minimisons la hauteur de la
place du conteneur dans n'importe quelle pile pour réduire l'énergie exercée donc le coût,
la distance entre les piles et la porte de sortie pour réduire le temps et minimisant la distance
entre les piles appartenant à la même catégorie en utilisant la technique du centre de gravité.
Deux cas de stockage sont distingués dans cette thèse, à savoir: le cas statique et le cas
critique. Le cas statique, qui compte sur la détermination de la meilleure stratégie de
stockage pour les conteneurs importés en considérant que tous les conteneurs sont arrivés
au terminal avant le début des opérations de stockage, alors que le cas critique qui consiste
à trouver un plan optimal de stockage pour les conteneurs dangereux en évitant de les placer
dans un emplacement critique et en respectant les distances entre les classes selon la table
IMDGc pour éviter toute réaction entre eux. Nous proposons une étude analytique pour
chaque cas, suivie d'une modélisation mathématique et des algorithmes de résolution
numériques comprenant des méthodes méta-heuristiques (recherche locale itérée,
algorithme glouton randomisé, recuit simulé, génétique, algorithme de colonie d’abeilles),
3
ainsi que des hybridations d'algorithme de recherche locale itérée et l’algorithme glouton
randomisé, et recuit simulé et génétique.
Contribution
Depuis qu'il a été utilisé pour la première fois dans le transport maritime, le conteneur
a profité au transport maritime en renforçant son rôle essentiel dans la chaîne logistique
mondiale. Cette nouvelle méthode garantit que les marchandises peuvent être déplacés
entre les moyens de transport sans être bourrés ou dépouillés, ce qui rend les procédures
de manutention plus faciles et plus efficaces. Grâce à l'automatisation des activités de
chargement et de déchargement, il favorise le gain de temps tout en renforçant la sécurité
des produits en minimisant le risque de rupture de charges lors des transbordements.
Malgré ses nombreux avantages, l'utilisation de conteneurs dans le transport maritime a
entraîné des dépenses financières massives. L'exigence de dépenses en aires de stockage
de conteneurs, d'équipements et d'entretien le justifie. En plus de ces dépenses, il existe
d'autres implications associées au potentiel de gerbage des conteneurs, telles que les
remaniements et la nécessité d'utiliser parfois des conteneurs vides pour maintenir
l'équilibre du navire. En fait, avec la mondialisation, le besoin d'importer et d'exporter des
conteneurs ne cesse de croître, ce qui a entraîné de créer de très gros navires capables de
transporter un grand nombre de conteneurs. En conséquence, le nombre de conteneurs qui
doivent être traités dans un port par unité de temps augmente. Deux contributions existent
pour faire face à ce phénomène.
- La première étape consiste à agrandir l'espace de stockage du port, même si cela
coûtera beaucoup d'argent. En conséquence, rien n'est assuré d'avoir un rendement,
et cela est dû à la nature concurrentielle des ports.
- La seconde approche est de découvrir des moyens de gestion qui vont booster la
productivité du port. Cette méthode est plus efficace que la précédente, mais elle
nécessite un travail mental continu.
Une bonne gestion de la zone de stockage est très importante dans le port maritime, de
gros efforts sont donc nécessaires pour maintenir la zone de stockage du terminal
strictement organisée. La raison du choix de la deuxième contribution est de trouver des
moyens de gestion qui augmentent la productivité du port au lieu d'étendre la zone de
stockage du port, ce qui conduit à dépenser de l'argent dont la rentabilité n'est pas garantie.
A noter qu'il est très important d'avoir un espace de stockage suffisamment grand pour une
bonne organisation.
4
Dans cette thèse, nous proposons des systèmes d'aide à la décision visant à faciliter la
gestion d'un grand nombre de conteneurs en assurant un bon plan de stockage dans un délai
raisonnable. On distingue deux cas : le cas statique et le cas critique. Pour chaque cas, une
étude analytique est étudiée et analysée en identifiant les contraintes physiques et
opérationnelles afin de proposer un modèle mathématique qui traite le problème du
stockage des conteneurs. Ensuite, des algorithmes de résolution de problèmes appropriés
sont proposés.
Organisation de la thèse
Cette thèse comporte quatre chapitres dont les objectifs sont décrits ci-dessous : Les
chapitres 1 et 2 présentent l'état de l'art du domaine tandis que les chapitres 3 et 4 portent
sur nos méthodes de résolution.
Tout d’abord, nous présentons une étude bibliographique du problème du stockage des
conteneurs dans les chapitres 1 et 2, puis nous présentons les différentes approches de
résolution proposées pour résoudre le problème du stockage des conteneurs pour le cas
statique et le cas critique et de donner les raisons qui prouvent son utilité, notamment son
efficacité dans les chapitres 3 et 4.
Ce chapitre relate une histoire détaillé de la conteneurisation ainsi que son impact dans la
chaine logistique, les changements apportés dans le monde par cette technologie, exposer
les différents types de conteneurs existant et mentionner les différents types d'équipements
de manutention utilisés.
Les objectifs du troisième chapitre sont dans l'ordre: La présentation de l’étude de cas du
port de Tripoli-Liban, la définition du problème dans le port en fonction de sa capacité, la
modélisation mathématique du problème de stockage de conteneurs, la présentation des
algorithmes de résolution utilisés pour aborder notre MIP ainsi que les résultats des
simulations numériques et la vérification de l'efficacité des algorithmes après avoir
présenté une étude comparative.
5
Le quatrième chapitre est consacré à la présentation, la modélisation, l'étude théorique et
la résolution du cas critique du problème de stockage de conteneurs dangereux.
6
Chapitre 1 - La conteneurisation et les opérations portuaires au Liban
Chapitre 1
La conteneurisation et les opérations
portuaires au Liban
1.1 Introduction
7
Chapitre 1 - La conteneurisation et les opérations portuaires au Liban
Figure 1. 1 Le pétrolier réaménagé de Malcolm MC Lean transportant la première cargaison de conteneurs en avril
1956 (source : Commons Wikimédia).
Figure 1. 2 Plus gros porte-conteneurs en 2021, opéré par CMA CGM Container Line [3]
8
Chapitre 1 - La conteneurisation et les opérations portuaires au Liban
a. Conteneurs standard : Ce sont des conteneurs à usage général. Ils sont équipés
des portes que l’on retrouve sur au moins une des faces d'extrémité ou sur la face
9
Chapitre 1 - La conteneurisation et les opérations portuaires au Liban
d'extrémité et sur toute la longueur du ou des côtés longs. Ils peuvent être utilisés
pour transporter des marchandises générales et sèches. Le poids total autorisé est
généralement compris entre 20 et 30 tonnes.
c. Conteneurs Hard-Top : Ce type de conteneur standard est doté d'un toit métallique
amovible. En ouvrant le conteneur, il peut être chargé et déchargé par le haut. En
particulier, des grues de chargement sont utilisées. Cela accélère le processus de
chargement et accélère la manutention de la cargaison. Le toit peut être laissé ouvert
lors du transport de marchandises surdimensionnées. Ces conteneurs mesurent
généralement 20 pieds ou 40 pieds et sont utilisés pour transporter des
marchandises sèches.
e. Conteneurs flat rack : Ce type de conteneur n'a pas de parois latérales. Les parois
d'extrémité permettent d'installer la charge latéralement à l'aide d'entretoises et
permettent également d'empiler plusieurs conteneurs plats les uns sur les autres. Le
sol est spécialement renforcé de sorte que les conteneurs plats conviennent
principalement aux marchandises lourdes et volumineuses nécessitant un
chargement latéral. Ce type de conteneur est principalement utilisé pour transporter
des marchandises lourdes avec une hauteur excessive et une grande largeur.
10
Chapitre 1 - La conteneurisation et les opérations portuaires au Liban
11
Chapitre 1 - La conteneurisation et les opérations portuaires au Liban
Dimensions intérieures 5.90 m x 2.35m x 2.39 m 12.03 m x 2.35m x 2.39 m 13.56m x 2.35m x 2.70 m
(longueur x largeur x
hauteur)
Le volume 33.1 m3 67.5 m3 86.1 m3
Le poids 2.3 t 4t 4.8 t
Poids de charge 21.7 t 26.5 t 25.7 t
Poids total 24 t 30.5 t 30.5 t
C'est d'une manière rapide, que le concept de la conteneurisation s'est adopté par les
industries du transport maritime, et les ports maritimes ont déplacés vers une nouvelle
infrastructure appelée « terminal à conteneurs ».
Selon R. REZENTHEL dans son ouvrage " les ports maritimes" (1989), rappelle que
le Code Français des ports maritimes ne donne pas de définition. Seule la Convention de
Genève du 9 décembre 1923 définissant le statut du régime international des ports
maritimes en donne une : « Les ports maritimes sont des ports fréquentés par les
navires de mer utilisés pour le commerce extérieur". Cette définition est également très
partielle, car elle éliminerait tous les ports de rivières ou de lacs. D'autres auteurs ont fourni
les définitions suivantes qui, de même, ne peuvent être considérées comme exhaustives.
Par conséquent, nous allons citer quelques-unes, en commençant par celle donnée par
LE CLERE (L’organisation d’un système portuaire [5]), “Un port est un lieu aménagé sur la
côte pour permettre aux navires de faire des opérations commerciales à l’abri de la mer
et du large”.
Cette définition est très simple, mais elle donne un aperçu du rôle essentiel du port.
Dans le même temps, il est important de comprendre que le rôle du port est plus complexe
qu'un simple emplacement balnéaire.
A.VIGARIE (L’organisation d’un système portuaire [5]), décrive le rôle du port comme
suit: “Le port est une aire de contact entre deux domaines, de la circulation terrestre et de
la circulation maritime; son rôle est donc d’assurer une solution de continuité entre deux
schémas de transport adaptés à la traversée de deux espaces aux caractéristiques
différentes”.
12
Chapitre 1 - La conteneurisation et les opérations portuaires au Liban
Cette définition donne une explication claire du lien entre le côté terrestre d’une part et
le côté maritime d’autre part et la continuité du processus de transport entre deux espaces
ayant de caractéristiques différentes.
J.LATTY (L’organisation d’un système portuaire [5]), “Le port maritime est l’espace que
la mer remplit continuellement ou par intermittence et dans lequel les navires, abrités
contre les vents et les lames, peuvent être construits, entretenus, réparés, chargés et
déchargés”.
En revanche, si l'on veut mettre en évidence toute la puissance économique d'une place,
on peut adopter la définition suivante de ce que l'on appellera, au sens large, une place
portuaire, (L’organisation d’un système portuaire [5]),
« Un port est une entité géographique et économique, portant un nom spécifique, située au
bord d'une mer, d'un fleuve ou d'un lac, accueillant des navires, et où transitent des
marchandises et des passagers, d'un mode fluvial à un mode terrestre et dont les
installations peuvent s'étendre à la fois sur terre et sur l'eau, pour fournir les services
supplémentaires nécessaires aux navires, aux passagers, aux marchandises et à leurs
utilisateurs, afin de contribuer au bon déroulement des opérations de transport et au
développement du commerce international, de l'industrie et, plus généralement, l'économie
des pays entrant dans la sphère d'influence du port. »
En tant que point de passage obligatoire pour les marchandises transportées par voie
maritime, un port maritime est l'expression le plus sensible de la navigation et du transport
maritime, et il est aussi le reflet de l'activité continentale comme le contact entre le transport
terrestre et maritime. L'étude et l'analyse d'un port reposant sur un grand nombre de critères,
il existe de nombreuses classifications possibles des ports maritimes. Fischer [6] a étudié
certains de ces critères, et a tenté d'identifier et d'étudier les grandes classifications et les
grands types de ports.
La situation portuaire est particulièrement avantageuse dans trois situations : a) en
bordure d'une région très développée économiquement, susceptible d'importer une grande
quantité de produits et de fournir un fret important à l'exportation (côte nord-ouest de
l'Europe) ; b) à la lisière d'une région où la richesse des ressources naturelles présente des
excédents importants susceptibles d'être exportés (les ports pétroliers du Moyen-Orient) ;
c) sur le littoral d'une zone caractérisée par la présence d'une marchandise à haute valeur
marchande.
Il existe généralement deux catégories de ports maritimes : les « ports intérieurs » et
les « ports extérieurs ». Historiquement, la plupart des grands ports sont des ports intérieurs,
dont la création correspondait à la volonté de pénétrer le plus de territoire intérieur possible
afin de réduire les transports routiers coûteux. La construction du port intérieur est aisée et
moins coûteuse que celle du port extérieur occupé dans l'espace offshore. Le port extérieur
est souvent créé à partir de zéro, il est plus artificiel que le port intérieur (bien que tous les
ports modernes soient artificiels). Enfin, le port intérieur est souvent mal protégé du vent
et de la houle, malgré l'importance des ouvrages de protection. Le port intérieur est toujours
13
Chapitre 1 - La conteneurisation et les opérations portuaires au Liban
14
Chapitre 1 - La conteneurisation et les opérations portuaires au Liban
Dans [9], Edward Branch décrit le processus de privatisation des ports, par lequel
les gouvernements externalisent la gestion de certains ports pour les rendre plus attractifs.
Les objectifs de ce processus sont les suivants : accroître l'investissement en capital
étranger, augmenter la productivité et stimuler le commerce.
Dans Stopford [10], Quatre niveaux de développement sont décrits et sont
constitués de: Les petits ports locaux (niveau 1), les grands ports locaux (niveau 2), les
grands ports régionaux (niveau 3), et les centres de distribution régionaux (niveau 4) qui
sont basés sur les niveaux d'infrastructure.
- Petits ports locaux (niveau 1) : Ces ports disposent d'un terminal à usage général avec un
quai et des grues pour chaque opération dans la zone de stockage, se trouvent
principalement dans les pays en développement et les zones rurales des pays développés.
Ils reçoivent et expédient de petites quantités de marchandises locales c.à.d. à l'intérieur de
la région. Des navires de transport maritime à courte distances sont utilisés pour différents
types de marchandises telles que des conteneurs, des palettes et des marchandises
emballées.
- Grands ports locaux (niveau 2) : Ces ports sont plus développés que les petits ports locaux.
Ils disposent de terminaux à usage général et peuvent accueillir une variété de
marchandises et amarrer de gros vraquiers. En plus, ils se caractérisent par une
infrastructure pour de grandes exploitations.
- Grand ports régionaux (niveau 3) : Ces ports ont la possibilité de gérer les envois trop
volumineux qui ne peuvent pas être traités par les ports de niveau 1 ou 2. Ils disposent
d'équipements spécialisés qui leur permettent d'effectuer des opérations plus importantes
que celles qui peuvent être effectuées dans les ports de niveau 2. De plus, ils ont de vastes
capacités de stockage, de multiples terminaux, d'avantage d'équipements de manutention
et sont souvent connectés à de grands réseaux de transport (routes pour camions, chemins
de fer, etc.).
- Centres de distribution régionaux : Selon Mangan [11], les cinq modes de distribution
sont : agir comme des plates-formes dans leurs régions, permettre la distribution des
expéditions aux niveaux intra et interrégional, opérer spécifiquement dans le marché
européen, recevoir des marchandises d'autres horizons, puis les redistribuer vers différentes
destinations par différents modes de transport (maritime, fluvial, routier, ferroviaire, ou par
canalisation). Ces types de ports disposent de terminaux spécialisés pour différents types
de cargaisons, ils ont également d'équipements de manutention avancés et peuvent amarrer
les plus gros navires existants. Ils ont de grands réseaux de transport pour transborder les
marchandises [10]. On mentionne le plus grand centre de distribution de l'Europe qui est
le port de Rotterdam, suivi du port d'Anvers.
On peut dire que le rôle des ports s'est développé avec le temps et qu'ils occupent
désormais une place centrale dans le commerce international.
15
Chapitre 1 - La conteneurisation et les opérations portuaires au Liban
, d’après [12]
16
Chapitre 1 - La conteneurisation et les opérations portuaires au Liban
D’un point de vue opérationnel, le terminal portuaire lui-même peut également être
considéré comme une chaîne constituée de maillons consécutifs (par exemple
déchargement de navires, transport de stockage, stockage, transport de chargement et
chargement de l’arrière-pays) de processus ou de sous-systèmes indépendants (navire à
terre, transfert, stockage et livraison/réception), selon Zondag [13].
17
Chapitre 1 - La conteneurisation et les opérations portuaires au Liban
terminal, les conteneurs peuvent être transférés vers la zone de stockage par des systèmes
multi-remorques, des camions, des véhicules à guidage automatique (AGV), des véhicules
de levage automatisés (ALV) capables de soulever un conteneur depuis le sol par eux-
mêmes ou en utilisant des chariots cavaliers (RS), comme le montre la figure 1.4.
L’équipement de transport est également utilisé pour déplacer les conteneurs de la cour
à la porte et, au besoin, pour déplacer les conteneurs dans la zone de stockage. Ce processus
peut également être exécuté dans l’ordre inverse, à savoir le chargement des conteneurs
d’exportation sur un navire ou le chargement et le déchargement des conteneurs de
transbordement.
Van der Meer [14], leur but était de traiter le problème transport des conteneurs en
minimisant la distance totale parcourue par les véhicules, en réduisant le nombre de
véhicules de manutention utilisés et leur temps de fonctionnement.
18
Chapitre 1 - La conteneurisation et les opérations portuaires au Liban
dépend de la date de départ du navire. Avant de charger les conteneurs dans le navire, un
plan de chargement est préparé en tenant compte de la destination finale, du type et du
poids de chaque conteneur et du poids maximum permis de chaque pile, ainsi que de la
stabilité du navire.
Deux modes de stockage des conteneurs peuvent être distingués : le stockage sur
châssis et l’empilage au sol. Avec un système de châssis, chaque conteneur est accessible
individuellement. Avec l’empilage au sol, les conteneurs peuvent être empilés, ce qui
signifie que tous les conteneurs ne sont pas directement accessibles. En raison de l’espace
de stockage limité, l’empilage au sol est aujourd’hui le plus courant.
La zone de stockage est un grand espace divisé en blocs. Chaque bloc est composé de
plusieurs baies chacune comprend aussi un ensemble de piles. La place d’un conteneur
dans un bloc est identifiée par la baie, la pile et la position, comme le montre la figure 1.5.
Une méthode préliminaire de distribution est suivie pour les conteneurs dans les zones
de stockage, basée sur différents critères afin de simplifier les transferts de conteneurs vers
d'autres zones. Les conteneurs d'exportation sont généralement situés à proximité des grues
à quai afin de réduire la distance parcourue par les véhicules de transport intérieur lors des
opérations de chargement des navires. Les conteneurs déchargés du navire qui quitteront
le terminal par voie ferrée seront stockés à proximité des voies ferrées afin de réduire la
distance à parcourir lors du chargement des trains. Les conteneurs vides et les conteneurs
d'importation qui quittent le terminal par transport routier sont stockés dans l'espace restant
de la zone de stockage, Dubreuil [15]. La figure 1.6 présente une disposition d’un terminal
à conteneurs.
19
Chapitre 1 - La conteneurisation et les opérations portuaires au Liban
1
C C
B 4 3 B 2 C
A A CC A
B
(a) (b) (c)
Figure 1. 7 Récupération d'un conteneur cible
20
Chapitre 1 - La conteneurisation et les opérations portuaires au Liban
équipement de transport interne ou par un YC à partir des voies de bloc ou des points de
transfert à l’intérieur des blocs désignés.
Le stockage de conteneurs est l'une des décisions les plus importantes et les plus
complexes dans un terminal à conteneurs. Ainsi, l'affectation de tous les conteneurs qui
arrivent au port aux emplacements les plus appropriés permet de réduire les mouvements
inutiles des conteneurs pendant leur transfert vers le navire, le camion ou le train. Cela
réduit le temps de fonctionnement des grues de quai et le temps que le camion passe au
terminal.
21
Chapitre 1 - La conteneurisation et les opérations portuaires au Liban
Pour les deux configurations de terminal, la zone de stockage est divisé en zones
appelées blocs. Un bloc peut être considéré comme l’unité de base de l’espace de stockage
Lee et Kim [16]. Habituellement, les terminaux divisent leur zone de stockage disponible
en blocs de conteneurs d’importation, d’exportation et de transbordement. Chaque bloc est
organisé en baies. Chaque baie a plusieurs piles dans lesquelles les conteneurs peuvent être
22
Chapitre 1 - La conteneurisation et les opérations portuaires au Liban
placés les uns sur les autres. Dans chaque pile, les conteneurs sont empilés de 3 à 6 niveaux
de hauteur en fonction de la portée du RTGC.
Chu et Huang, dans [17], ont proposé une formule mathématique qui estime le
nombre de rangées nécessaires aux terminaux à conteneurs à l'aide de cavaliers ou d'autres
treuils (RTGC ou RMGC). Une étude a été menée sur les terminaux portuaires de Taiwan
pour déterminer la meilleure structure pour chaque type d'équipement. Il en résulte que les
cavaliers gerbeurs sont plus adaptés aux stations qui utilisent un seul quai, tandis que les
grues de cour sont plus utiles pour les stations plus grandes.
Les équipements de manutention typique comprennent des Quay Cranes (QC), Yard
Cranes (YC) qui peuvent être single Rubber-Tired Gantry Crane (RTGCs), et single Rail
Mounted Gantry Crane (RMGC) et/ou Reach Stacker.
- Les Quay Cranes sont utilisées pour le chargement et le déchargement des porte-
conteneurs. Ces types de grues fonctionnent sur des rails Figure 1.10. Généralement, le
déchargement se fait avant le chargement. Plusieurs grues à quai peuvent s’occuper du
bateau simultanément, mais il faut suivre un plan de travail bien défini qui assurera
l’équilibre du navire.
23
Chapitre 1 - La conteneurisation et les opérations portuaires au Liban
- Les RMGC sont automatisés, généralement plus rapides que les RTGCs, elles
peuvent parcourir 300 mètres en 1 minute 15 secondes, Saanen et al. [18] et fonctionnent
sur des rails comme le montre la Figure 1.11
Figure 1. 11 RMGC
- Les RTGC Figure 1.12 sont utilisées pour empiler et retirer des conteneurs dans la
zone de stockage, il s'agit d'un équipement de manutention non automatique et nécessite le
contrôle du conducteur et elles sont couramment utilisées sur de très grands terminaux en
raison de leur grande flexibilité et de leur très haute densité d'empilement. Elles peuvent
rouler sur des roues en caoutchouc, se déplacent entre la cour et l'arrière-pays et peuvent
être utilisé pour la manutention de conteneurs des deux côtés. Elles sont capables de faire
une rotation de 90 degré pour effectuer un mouvement orthogonal; Mais ce type de
mouvement prend du temps qui dure 15 minutes, Carlo et al. [19]. Les RTGC peuvent
empiler les conteneurs par blocs de six conteneurs maximum, plus une voie pour véhicule
et un conteneur sur six en hauteur.
Figure 1. 12 RTGC
- Les Reach Stackers Figure 1.13 déplacent les conteneurs au moyen d'une flèche
avec des entretoises qui s'ouvrent en fonction de la taille du conteneur, ils peuvent empiler
des conteneurs à haute densité (jusqu'à 8 hauteurs et 3 rangées de profondeur). Ils peuvent
être facilement transportés entre les terminaux et peuvent être utilisé pour gérer de
nombreux types de marchandises. Ces équipements sont bien adapté aux terminaux de
petite à moyenne taille et polyvalents.
24
Chapitre 1 - La conteneurisation et les opérations portuaires au Liban
Les véhicules internes, y compris les camions de triage, les chariots gerbeurs et les
véhicules à guidage automatique (AGV).
- Un véhicule autoguidé (AGV) est un robot en mouvement qui suit des marqueurs
ou des fils dans le sol, ou utilise un aimant ou un laser pour le guider. Il est contrôlé par
ordinateur et dispose de pare-chocs automatiques. Chaque AGV est capable de transporter
un conteneur et d'interagir avec des grues. L'utilisation d'AGV permet principalement
d'économiser du travail. La Figure 1.14 est un exemple d’AGV.
Figure 1. 14 AGV
- Les cavaliers gerbeurs Figure 1.15 sont des véhicules de transport et des
équipements de manutention qui nécessite un chauffeur. L'avantage du cavalier gerbeur
réside dans le fait qu'il est capable de soulever, déplacer et placer un conteneur sans aucune
interférence. De plus, elle a la possibilité d'empiler jusqu'à quatre conteneurs, et ne
nécessite donc pas l'intervention de grues.
25
Chapitre 1 - La conteneurisation et les opérations portuaires au Liban
La Figure 1.16 présente l'agencement typique d'un terminal à conteneurs avec les trois
sections principales d'un terminal à conteneurs : 1. Le côté mer comprenant le navire (sea
side), le quai et les zones de transport interne ; 2. La zone de stockage (the Storage yard) ;
et 3. Le côté ville (Land side), y compris les zones de transport externes et la porte. Chaque
équipement fonctionne dans une ou plusieurs sections d'un terminal à conteneurs (voir
Figure 1.16).
Un conteneur peut appartenir à l'un des trois types suivants : Les conteneurs
d'importation arrivent sur un navire et partent sur les modes de transport intérieurs ; les
conteneurs d'exportation arrivent sur des modes de transport intérieur et repartent par la
mer sur des navires ; et les conteneurs de transbordement arrivent et repartent par navire.
En règle générale, les conteneurs vides, réfrigérés et dangereux sont généralement
affectés à des zones spécifiques du chantier.
Le choix de l'aménagement et de l'équipement a un impact important sur la productivité
du terminal et dépend en grande partie du pourcentage de conteneurs d'importation,
d'exportation et de transbordement, ainsi que la capacité totale de stockage cible du
terminal. Par exemple, les chariots gerbeurs offrent une meilleure flexibilité mais une
capacité de stockage inférieure à celle des grues de chantier. Kemme et al. [21], présentent
26
Chapitre 1 - La conteneurisation et les opérations portuaires au Liban
une liste plus détaillée des équipements de manutention et des aménagements de terminaux
et évaluent leur impact sur la performance globale du terminal selon différentes métriques.
En raison des attentats terroristes qui ont eu lieu dans le monde spécialement les
événements du 11 septembre 2001 à New York, il est devenu nécessaire d'être pleinement
conscient de la vulnérabilité aux attaques terroristes de tous les modes de transport, Fritelli
[22]. Selon Fritelli [22], une augmentation de l'utilisation de plusieurs technologies
d'inspection de conteneurs est le résultat de la vulnérabilité de la chaîne logistique des
conteneurs maritimes à d'éventuelles attaques terroristes. Par conséquent, l'intégrité du
conteneur ne peut être garantie pendant le transport d'un endroit à un autre dans la chaîne
logistique. Avec suffisamment de temps, d'opportunités et d'un emplacement éloigné, les
malfaiteurs pourront ouvrir un conteneur et altérer son contenu, Van De Voort et al [23].
Le terme « sécurité portuaire » est un raccourci pour désigner l'effort général de
sécurisation de l'ensemble de la chaîne d'approvisionnement maritime, de la porte de l'usine
de fabrication dans un pays à la destination finale Haverman & Shatz [24]. La sécurité des
conteneurs n'est pas principalement une question de sécurité portuaire; il s'agit de la
sécurité partout.
D'ailleurs, selon Cohen [25], un conteneur est un excellent moyen de transport, ou
porteur, d'armes de destruction massive car il est indispensable et omniprésent. Il n'est pas
possible d'inspecter manuellement et de façon complète tous les conteneurs qui entrent
dans un pays. Compte tenu des difficultés des inspections complètes, la défense doit être
en couches, avec des contrôles à plusieurs étapes du parcours d'un conteneur. L'une des
couches est la technologie; technologie – l'utilisation et le développement de nouvelles
technologies d'inspection et de suivi, Cohen [25]. La section suivante traite des
technologies actuellement utilisées pour soutenir l'inspection des conteneurs pour les
matériaux susceptibles d'être utilisés dans la fabrication d'armes atomiques de destruction
massive.
27
Chapitre 1 - La conteneurisation et les opérations portuaires au Liban
28
Chapitre 1 - La conteneurisation et les opérations portuaires au Liban
Le Rapidscan Eagle, illustré à la figure 1.18, est une unité mobile d'inspection de fret
fournissant une imagerie radiographique en temps réel de gros articles inspectés, y compris
les conteneurs de fret dans un port.
29
Chapitre 1 - La conteneurisation et les opérations portuaires au Liban
30
Chapitre 1 - La conteneurisation et les opérations portuaires au Liban
3- L'identification par radiofréquence RFID est une technologie qui utilise les ondes
radio pour fournir une identification automatisée des objets et des personnes. Un système
RFID simple consiste en une étiquette (ou transpondeur) qui est une petite puce RF couplée
à un microprocesseur qui communique sans fil avec un lecteur RFID [33]. Par rapport à la
technologie d'identification par code-barres traditionnelle, les RFID sont plus supérieures
et plus efficaces car elles ne nécessitent pas de lumière visuelle pour accéder aux données,
ont une plage de lecture plus large, avec des lecteurs capables de communiquer avec
plusieurs étiquettes. La technologie RFID a le potentiel de fournir une capture de données
et une analyse de système automatisées, de permettre une visibilité dans des
environnements où le suivi n'est pas possible, de fournir une meilleure utilisation des actifs
et ainsi d'optimiser et d'améliorer l'efficacité opérationnelle d'un système.
La technologie d'identification par radiofréquence peut être utilisée à la fois sur et dans les
conteneurs maritimes. En règle générale, les entreprises ont une assez bonne idée de ce
qu'elles ont en stock, mais parfois les conteneurs se perdent dans une cour de distribution
après leur arrivée dans un grand entrepôt et même sont parfois ouverts pour que des articles
puissent être volés. La RFID peut aider à résoudre chacun de ces problèmes. Lorsque le
camion arrive dans un parc de distribution ou que le conteneur est déchargé d'un navire, il
peut être égaré. Avec une étiquette active, le conteneur spécifique peut être localisé
facilement dans une grande installation de stockage. Cela peut réduire le vol, ainsi que le
risque de terrorisme. Les informations sur le contenu du conteneur peuvent ensuite être
écrites dans une balise active qui identifie ce conteneur particulier. La balise active peut
également contenir un émetteur GPS de sorte qu'elle peut communiquer sa position par
satellite ou par le réseau cellulaire.
31
Chapitre 1 - La conteneurisation et les opérations portuaires au Liban
Le système d'inspection mobile THSCAN MT1213LT s'est avéré être une alternative très
rentable à la méthode obsolète, coûteuse et peu fiable consistant à inspecter manuellement
une gamme de camions, de conteneurs ou de voitures. Ce système est capable d'identifier
rapidement et en toute sécurité les contrebandes illégales, les produits interdits, les
marchandises éludées des droits de douane et autres matériaux et substances à l'intérieur
des camions et des conteneurs.
b- Sous-système d'imagerie par rayons X : pour traiter les images acquises et produire
une image de transmission par rayons X du véhicule numérisé.
32
Chapitre 1 - La conteneurisation et les opérations portuaires au Liban
Enfin, les nouvelles technologies affectent constamment toutes les parties des
opérations des terminaux à conteneurs. Sur le côté mer, une nouvelle génération de grues
à quai entièrement automatisées a été développée ces cinq dernières années avec chariot
double ou triple levage et navettes pour effectuer des déplacements horizontaux plus
rapides des conteneurs.
En ce qui concerne le transport terrestre, le nombre de véhicules motorisés a
considérablement augmenté, renforçant l'utilisation des technologies NII, Détection de
rayonnement et RFID pour créer une coordination et suivre les conteneurs et les
ressources.
Dans la zone de stockage, de nouvelles grues avec des capacités de manutention et de
franchissement ont été conçues. Enfin, de nombreuses solutions innovantes se sont
concentrées sur la conception de nouveaux agencements et systèmes d'empilage basés sur
les innovations en matière d'entreposage, comme le stockage compact sur rack ou les
systèmes de rails à grille aérienne, l'exemple le plus célèbre étant l'entrepôt à conteneurs
ultra-hauts d'Ez-Indus en Corée du Sud.
1.8 Conclusion
Dans ce chapitre, nous avons présenté une histoire détaillé de la conteneurisation en
plus des changements que cette technologie a apporté dans le monde, exposé les différents
types de conteneurs qui existent et leurs utilisations ainsi que la présentation des différentes
opérations des terminaux portuaires à conteneurs et les aménagements, mentionné les
différents types d'équipements de manutention utilisés pour transborder les conteneurs des
navires vers les barges, les camions et les trains et vice versa, la planification et les
33
Chapitre 1 - La conteneurisation et les opérations portuaires au Liban
nouvelles technologies affectant toutes les parties des opérations des terminaux à
conteneurs.
34
Chapitre 2 - Le problème de stockage de conteneurs dans la littérature
Chapitre 2
Le problème de stockage de conteneurs
dans la littérature
2.1 Introduction
Le problème de stockage de conteneurs (PSC) est d'une grande importance dans un
terminal portuaire en raison du nombre croissant de conteneurs à manipuler. Aujourd'hui,
les terminaux portuaires jouent un rôle important dans le monde face à la mondialisation
et au déploiement de la conteneurisation.
Cependant, en raison de la croissance continue de conteneurs entrants et du
développement des ports maritimes, les zones de stockage sont devenues de plus en plus
limités. Cette ressource doit donc être optimisée afin de stocker un maximum de
conteneurs.
De nombreux problèmes liés à l'automatisation et à la conteneurisation sont apparus au
cours des dernières décennies. Le type de ces problèmes et leurs complexités dépendent de
la taille du port. Certains ports maritimes sont très grands et surpeuplés, d'autres sont plus
petits et ont moins de mouvements quotidiens. L'un de ces problèmes est lié au stockage
des conteneurs dans les terminaux qui consiste à décider, à l'arrivée d'un conteneur, sa
position exacte dans la zone de stockage en tenant compte de plusieurs contraintes et en
garantissant à la fois la sécurité des conteneurs et de tout le terminal.
Récemment, au cours des dernières années, le nombre de conteneurs maritimes dans le
monde a considérablement augmenté et est devenu un moyen de transport fiable entre les
pays d'expédition. D'où l'importance de réduire le prix de revient par rapport au prix du fret
routier. Une bonne gestion de la zone de stockage est l'un des indicateurs d'efficacité
portuaire.
Ainsi, nous comptons certains des problèmes de base dans lesquels les ports maritimes
ont souffert et qui ont un impact négatif sur la zone de stockage ; les navires arrivent à quai
simultanément, mais le déchargement des conteneurs se fait à un autre moment, où de
nouveaux conteneurs sont empilés sur les anciens, d'où le nom de remaniements est apparu.
Les remaniements consistent à déplacer certains conteneurs qui se trouvent au-dessus pour
atteindre ceux souhaités. Ainsi, placer le conteneur dans la bonne position en respectant
certaines contraintes (date de départ des conteneurs) permet de réduire le nombre de
35
Chapitre 2 - Le problème de stockage de conteneurs dans la littérature
36
Chapitre 2 - Le problème de stockage de conteneurs dans la littérature
conséquence, une variété de solutions peut être considérée comme optimale si aucune
solution ne domine les autres.
L'aspect le plus difficile de l'approche multi-objectif est la comparaison des solutions.
Donc, une solution surpasse l'autre si les valeurs de la fonction objectif de la première
solution sont meilleures à celles de la seconde solution. Autrement dit, si x1 et x2 sont deux
solutions, fi (x1) ne domine fi (x2) que si fi (x1) > fi (x2) pour au moins un i. Celles-ci sont
connues sous le nom de solutions " optimum de Pareto". S'il n'y a pas de solution capable
de dominer la solution donnée, elle est alors considérée comme optimale.
Certains des problèmes d'optimisation n'ont pas de contraintes et nécessitent seulement
de minimiser ou de maximiser la fonction objectif. Cependant, la plupart des problèmes
d'optimisation en pratique ont des contraintes. Les algorithmes basés sur l'intelligence
Swarm ne peuvent gérer que des problèmes d'optimisation sans contraintes. Par
conséquent, il devient nécessaire de transformer le problème d'optimisation avec
contraintes en un problème sans contraintes. Ceci est réalisé soit en utilisant une fonction
de pénalité, soit en utilisant un mécanisme fly-back.
37
Chapitre 2 - Le problème de stockage de conteneurs dans la littérature
La méthode de stockage par groupe est principalement utilisée dans les terminaux à
conteneurs qui utilisent des RTGCs, car les conteneurs sont regroupés autant que possible
pour économiser de la main-d'œuvre et réduire le nombre de grues de cour utilisées [18].
Il existe deux manières de réserver d'emplacements de stockage pour cette stratégie
[38]. La première technique, appelée "unité pile", commence par réserver une pile vide
pour chaque groupe de conteneurs, puis définit une nouvelle pile vide à chaque fois que le
groupe est rempli. La deuxième technique est connue sous le nom de « unité baie» et
réserve dès le départ une baie vide entière pour chaque catégorie de conteneurs. Lorsqu'une
baie de catégorie est remplie, elle réserve immédiatement une autre baie vide pour ce type
de conteneur.
Contrairement à cette technique, la méthode de stockage dispersé ne tente pas de
regrouper les conteneurs. Ils sont stockés indépendamment les uns des autres.
Un exemple de cette méthode est le stockage aléatoire, qui suppose la possibilité de choisir
entre des emplacements compatibles avec chaque conteneur [40]. C'est ainsi qu'on peut le
résumer.
1: Choisir une baie au hasard.
2: Choisir n'importe quel emplacement dans cette baie.
3: Tester si le conteneur peut y être placé.
4: Si oui, alors stocker le conteneur.
5: Sinon, recommencer avec la baie suivante.
La méthode aléatoire ne prenant pas en compte toutes les informations concernant les
conteneurs et les piles (par exemple: dates de départ, distances, etc.), elle ne fournit aucune
garantie quant à la qualité des solutions qu'elle propose. Certes, il apporte des solutions
pratiques ; Mais il est également intéressant de considérer d'autres paramètres qui peuvent
avoir un effet à la fois sur l'efficacité du stockage et sur l'efficacité du déstockage.
Les conteneurs sont déposés directement dans la cour de stockage de la plupart des
terminaux portuaires, où ils resteront jusqu'à leur départ. En revanche, le stockage indirect
commence par le placement des conteneurs dans une zone d'agencement avant d'être
déplacés vers la cour de stockage. L'objectif de cette opération est de réduire les temps
38
Chapitre 2 - Le problème de stockage de conteneurs dans la littérature
d'attente des camions extérieurs transportant des conteneurs, ainsi que d'accélérer les
activités des grues de cour en séparant les périodes de stockage et de remorquage. L'une
des décisions qui peuvent être prises en considération dans les terminaux à conteneurs qui
utilisent ce type d'opération est de trouver la bonne répartition de l'espace de stockage.
Dans [41], Chen a exploré un compromis consistant à avoir trop d'espace de planification
et une cour de stockage avec des piles trop longues. Cette solution semble très adaptée aux
terminaux à conteneurs situés dans des pays où les terrains sont très chers.
Malgré les avantages de la méthode de stockage indirect, elle nécessite beaucoup de
mouvements, et tous ne sont pas nécessaires. Ces mouvements de conteneurs nécessitent
des moyens techniques (grues ou cavaliers) et aussi, dans le cas des terminaux à conteneurs
non-automatisés, de la main d'œuvre.
39
Chapitre 2 - Le problème de stockage de conteneurs dans la littérature
départ. Leur idée est de stocker les conteneurs par ordre décroissant des dates de départ
tout en minimisant l'espace requis. De ce fait, le nivellement se fait par rapport aux dates
de départ plutôt qu'au sol. La recherche d'un emplacement de stockage de conteneur dans
cette méthode se décompose en trois étapes, qui sont énumérées ci-dessous.
1: On commence par parcourir les piles qui ne sont ni pleines ni vides, celles qui ont des
conteneurs dont la date de départ est supérieure à celle que l'on souhaite placer en haut. Le
cas échéant, nous calculons la différence entre la date de départ du conteneur à son sommet
et la date de départ du conteneur que nous essayons de stocker. Après cela, nous choisissons
la pile avec le moins de différence.
2: Si ces piles ne sont pas présentes, on choisira parmi les piles vides, qui sont plus proches
de la sortie par laquelle le conteneur sera livré.
3: Si aucune pile appartenant aux deux premiers cas n'est trouvée, placez le conteneur en
haut de la pile parmi les non remplis ; Pour minimiser les remaniements futurs.
Cette stratégie est plus efficace que le stockage aléatoire et le stockage par niveau, selon
Borgman et al. [9], car le risque de remaniement est considérablement plus faible. Des
combinaisons de plusieurs stratégies de stockage ont été proposées dans la littérature, et
elles seront décrites dans la section suivante.
40
Chapitre 2 - Le problème de stockage de conteneurs dans la littérature
Pour des articles de synthèse sur les différents types de problèmes d'empilement,
Castilho et al. [45] ont concentré sur les opérations d'importation de conteneurs dans les
ports maritimes, et ont utilisé deux stratégies de méthodes pour estimer le nombre de
remaniements nécessaires pour récupérer un conteneur en fonction des hauteurs de pile et
de la stratégie d'empilement. Les premiers, s'appuient sur le maintien de la même hauteur
de piles, tandis que les seconds dépendent des heures d'arrivée pour séparer les conteneurs.
Afin d'être concret, la comparaison a été faite idéalement, pour voir la différence et apporter
toute modification qui pourrait intervenir.
Kim, K.H. [46] composent un ensemble d'équations qui ont étudié plusieurs configurations
de pile, estimant le nombre attendu de remaniements qui ramassent les conteneurs et le
nombre total de remaniements pour récupérer tous les conteneurs dans la baie. Une étude
ultérieure de Kim et al. [47] s'est concentrée sur l'allocation d'espace de stockage pour les
conteneurs d'importation en utilisant la stratégie de séparation, qui n'est pas autorisée à
empiler les nouveaux conteneurs arrivés sur ceux déjà existants. Un lieu de stockage a été
attribué à chaque navire entrant afin de réduire le nombre attendu de remaniements, car les
cas de taux d'arrivée ont été étudiés pour être statiques, périodiques ou dynamiques pour
les conteneurs d'importation, afin d'obtenir une solution optimale, et des méthodes
appropriées sont suggérées pour chaque cas étudié. Plusieurs études sur l'emplacement des
conteneurs entrants et sortants ont été réalisées. Puis, Kim et Kim [48] ont également traité
l'allocation d'espace de stockage pour les conteneurs d'importation avec des variables de
décision de hauteur de pile et d'espace d'allocation. Le problème a été discuté concernant
l'importation de conteneurs nécessitant un espace dynamique. L'objectif est de minimiser
le nombre de remaniements en fonction des besoins en espace. Tout d'abord, on observe le
cas où les conteneurs d'importation arrivent avec un taux d'arrivée constant. On en déduit
que la hauteur optimale de la pile est égale au nombre total de conteneurs d'importation
pendant la durée de l'horizon de planification divisé par le nombre total d'emplacements
disponibles dans la pile. Deuxièmement, le taux d'arrivée des conteneurs d'importation est
supposé suivre un modèle périodique d'une semaine. Troisièmement, a noté que la situation
dans laquelle les taux d'arrivée de conteneurs varient à l'infini sur un horizon glissant. Ces
deux problèmes peuvent être résolus en formulant un modèle de programme linéaire. La
solution peut être obtenue en résolvant le double problème et les sous-problèmes associés
à l'application de la technologie d'amélioration des sous-gradients.
Huynh [49] a évalué l'effet du temps de séjour des conteneurs et des politiques de stockage
sur le débit d'importation, la densité de stockage et la productivité de remaniement. Deux
stratégies de stockage d'importation sont considérées par l'analyse: non mixte - pas
d'empilement de nouveaux conteneurs d'importation sur les anciens, mixte - empilement
de nouveaux conteneurs d'importation sur les anciens.
41
Chapitre 2 - Le problème de stockage de conteneurs dans la littérature
Les résultats mettent en évidence l'effet du temps de séjour sur le débit et la productivité
de la reprise. Pour la politique de stockage non mixte, l'augmentation du temps de séjour
des conteneurs réduit le débit et la hauteur moyenne des piles, ce qui se traduit par une
augmentation de la productivité de remaniement. D'autre part, pour la politique de stockage
mixte, l'augmentation du temps de séjour des conteneurs augmente le débit et la hauteur
moyenne de la pile, ce qui entraîne une diminution de la productivité de remaniement.
Zhang [50] a analysé le problème de l'emplacement des conteneurs dans le sous-problème
d'allocation d'espace, dans lequel les conteneurs entrants dans chaque zone de stockage
doivent être empilés dans un bloc spécifique, et le sous-problème de détermination des
emplacements, où l'emplacement de stockage exact de chaque conteneur entrant est
déterminé.
Le tableau 2.1 présente les contributions les plus importantes des articles existants.
Tableau 2. 1 Résumé des principales études liées au problème d'allocation d'espace pour les conteneurs entrants et
les contributions
Contributions
Stratégie de Objectif Calcul de Applicabilité de
Auteurs stockage remaniements la stratégie de
stockage
Castilho et Stratégie de Fournit des Une méthode a La stratégie de
Daganzo (1993) ségrégation méthodes pour été développée ségrégation
mesurer la pour calculer le semble mieux
quantité d'effort nombre de fonctionner
de manutention remaniements lorsque les
requis pour pour récupérer conteneurs
chaque stratégie un conteneur entrants ont un
proposée. d'une baie et faible taux
d'autre part, pour d'arrivée ou
récupérer lorsque le terrain
plusieurs est rare et que les
conteneurs d'un conteneurs
groupe de piles. doivent être
empilés en
hauteur car
l'effet des
mouvements de
dédouanement
devrait être
relativement plus
faible.
Stratégie de non- Les auteurs ont Une approche La stratégie de
ségrégation suggéré la probabiliste non-ségrégation
disponibilité des basée sur les réduit l'effort de
deux stratégies valeurs attendues manutention
concernant la et la variabilité a pour les taux
hauteur été envisagée. d'arrivée plus
d'empilement et élevés et favorise
42
Chapitre 2 - Le problème de stockage de conteneurs dans la littérature
43
Chapitre 2 - Le problème de stockage de conteneurs dans la littérature
Une méthode a été présentée par Kim et al. [51] qui fixe le meilleur barème de prix pour
le stockage de conteneurs entrants dans un terminal à conteneurs. Le tarif de cette étude est
caractérisé par le temps gratuit maximum pendant lequel le conteneur peut être stocké sans
frais dus lorsque le temps gratuit maximum est dépassé, une facture sera émise pour le coût
spécifié. Leur stratégie était de réduire le nombre de remaniements de conteneurs entrants,
donc les temps de séjour.
Kefi [52] a optimisé le stockage des conteneurs en utilisant une heuristique gloutonne dans
une architecture multi-agents.
Cao et al [53] ont étudié simultanément le problème d'ordonnancement des camions et
l'allocation de stockage pour les conteneurs d'importation. L'objectif de ce modèle visait à
réduire à la fois le nombre de congestions, le temps d'attente des camions et le temps de
retrait des conteneurs des camions. Ils ont proposé un algorithme génétique et un
algorithme heuristique glouton pour obtenir des solutions quasi optimales, puis après, il a
prouvé que les solutions obtenues par l'algorithme heuristique sont meilleures que celles
obtenues par l'algorithme génétique.
Saury et al. [54] se sont concentrés sur l'organisation des conteneurs importés dans la zone
de stockage, et ils ont présenté trois stratégies, prenant en compte les taux d'arrivée et de
départ des conteneurs et les caractéristiques de la zone de stockage. Sur la base d'un modèle
mathématique probabiliste développé pour réduire le nombre de reprises dans le terminal
à conteneurs importés, les résultats montrent que la stratégie optimale dépend de la hauteur
44
Chapitre 2 - Le problème de stockage de conteneurs dans la littérature
45
Chapitre 2 - Le problème de stockage de conteneurs dans la littérature
Tableau 2. 2 Tableau comparatif des travaux connexes des conteneurs normaux importés
46
Chapitre 2 - Le problème de stockage de conteneurs dans la littérature
47
Chapitre 2 - Le problème de stockage de conteneurs dans la littérature
48
Chapitre 2 - Le problème de stockage de conteneurs dans la littérature
Chu et al. [64] ont étudié la sécurité du port, en particulier le parc à conteneurs de
marchandises dangereuses, devenu une préoccupation majeure. Une étude de cas est
présentée afin d'évaluer le stockage crucial des marchandises dangereuses dans le parc à
conteneurs du port. Une gestion efficace des risques est un élément essentiel de la
prévention des accidents.
Yachba et al. [65] ont discuté le problème du stockage des conteneurs dangereux au
terminal à conteneurs. L'emplacement optimal du conteneur au terminal est très important
pour l'entreprise car ce processus réduit les coûts de transport. Ils décrivent un modèle
d'optimisation pour résoudre et optimiser la méthode de l'espace de stockage disponible et
suggèrent une méthode pour résoudre le problème de placement des conteneurs dangereux.
Le but de ce travail est de développer un outil informatique permettant l'utilisation d'un
algorithme génétique pour déterminer les meilleurs emplacements pour les conteneurs
dangereux.
Salido et al. [66] ont utilisé une série d'heuristiques basées sur l'intelligence artificielle pour
résoudre le problème d'allocation des postes d'amarrage ainsi que le problème
d'empilement des conteneurs. Le problème du gerbage des conteneurs avait pour but de
réduire le nombre de délocalisations. Ensuite, ils ont développé un algorithme pour
résoudre ces deux problèmes de manière intégrée.
49
Chapitre 2 - Le problème de stockage de conteneurs dans la littérature
Ambrosino et al. [67] ont envisagé de stocker des conteneurs dangereux qui adhèrent aux
principes décrits dans l'annexe des classes de code IMDG. Dans sa forme la plus simple,
MBPP consiste à décider comment stocker un ensemble de n conteneurs, divisés en
différentes classes en fonction de leur taille, type, niveau de poids et destinations, dans un
ensemble de m emplacements disponibles, qui sont des positions sur le pont ou dans des
entrepôts de baies prédéfinies d'un porte-conteneurs. L'arrimage des marchandises
dangereuses nécessite la prise en compte de restrictions supplémentaires à vérifier dans
chaque emplacement concernant la protection globale de la cargaison, en vertu desquelles
les marchandises dangereuses sont classées en catégories distinctes et doivent être arrimées
à l'écart des marchandises incompatibles.
Ils ont montré comment les lois de ségrégation dérivées du code IMDG affectent les
emplacements disponibles dans les bacs. Kamieniev et al. [68] ont suggéré de diviser la
tâche en deux phases pour résoudre le problème de l'automatisation de la compilation d'un
programme de chargement sur un porte-conteneurs. Le premier calcul l'agencement
admissible des conteneurs en tenant compte des limites structurelles et de la compatibilité
des cargaisons dangereuses, et le second calcul les critères de sécurité (stabilité, durabilité,
etc.). Un modèle mathématique booléen de programmation linéaire en nombres entiers est
suggéré, qui prend en compte les caractéristiques structurelles des conteneurs, les
caractéristiques structurelles des navires et les règles du code IMDG pour le
positionnement des cargaisons dangereuses (International Maritime Dangerous Goods
Code). Ils ont sélectionné un algorithme classique pour valider le modèle mathématique,
qui est basé sur des concepts de la méthode générale des branches et des frontières.
Marlair et al. [69] ont longuement discuté de ce que pourraient être les contributions des
différentes classifications et étiquetages des matières dangereuses à la sécurité des
entrepôts de stockage, notamment en phase de conception et dans l'identification des règles
de conformité ou des principes de séparation des produits.
Hamidou et al. [70] ont proposé une architecture hybride, utilisant un système multi-facteur
et un automate cellulaire, pour gérer le problème de stockage de conteneurs dangereux. Il
s'agit d'un problème d'amélioration puisque l'objectif est d'améliorer l'agencement du
terminal à conteneurs, ou la manière dont les conteneurs dangereux sont acheminés via le
terminal. Des méthodes heuristiques d'optimisation simples ont été évaluées sur un
terminal avec quatre types de conteneurs dangereux.
Hervas Peralta et al. [71] ont contribué au processus de conception de schémas ITDG
(inland terminals for containers with dangerous goods) et PITDG (port inland terminals for
containers with dangerous goods)) sûrs, écologiques et rentables en développant une
méthode pour aider les directeurs d'usine et les planificateurs à prendre des décisions
éclairées. Une analyse de sensibilité a été réalisée pour s'assurer de la fiabilité des résultats.
Rekik et al. [72] ont proposé un système pour déterminer l'emplacement exact des
conteneurs entrants dans la zone de stockage et pour contrôler la distribution des conteneurs
et répondre aux événements inhabituels et aux perturbations de manière intelligente,
autorégulée et en temps réel. Afin de mieux gérer les informations liées aux perturbations
et à l'environnement des conteneurs, ils ont suggéré des processus d'apprentissage et des
modèles de connaissance. Ce système prend en compte une variété de tailles de conteneurs,
en particulier le stockage de conteneurs dangereux. Les résultats obtenus ont été
encourageants, démontrant que l'heuristique évoluée basée sur le CBR (Case Based
50
Chapitre 2 - Le problème de stockage de conteneurs dans la littérature
Reasoning) peut être efficace pour résoudre des problèmes connexes, tels que l'empilage
de conteneurs en ligne.
Tableau 2. 3 Tableau comparatif des travaux connexes des conteneurs dangereux importés
51
Chapitre 2 - Le problème de stockage de conteneurs dans la littérature
d'apprentissage et
des modèles de
connaissance.
Kamieniev et al Le problème de Algorithme Propose un modèle
(2019) l'automatisation de classique pour mathématique
la compilation d'un valider le modèle booléen de
programme de mathématique basé programmation
chargement sur un sur les concepts de linéaire en nombres
porte-conteneurs. la méthode générale entiers, qui prend en
des branches et des compte les
frontières. caractéristiques
structurelles des
conteneurs, des
navires et les règles
du code IMDG pour
le positionnement
des cargaisons
dangereuses.
Les algorithmes heuristiques, basés sur des règles simplifiées pour optimiser un ou
plusieurs critères, sont généralement spécifiques à des cas particuliers du problème. Alors
que les algorithmes méta-heuristiques sont plus flexibles et dédiées aux problèmes
d'optimisation difficiles, parmi lesquelles nous citons: la recherche locale itérée (ILS), le
recuit simulé, les algorithmes génétiques, l'algorithme glouton aléatoire, l’algorithme de
colonie d’abeilles. Nous parlerons de ces approches d'optimisation dans les paragraphes
suivants, en citant les références où elles ont été utilisées pour résoudre le problème de
stockage de conteneurs.
52
Chapitre 2 - Le problème de stockage de conteneurs dans la littérature
Parmi elles, on cite l’algorithme de branch and cut, branch and bound ou la programmation
dynamique.
La recherche locale itérée (ILS) est une méta-heuristique basée sur la recherche locale
qui a été introduite dans Lourenço et al. [73] pour résoudre des problèmes d'optimisation
combinatoire. Une modification simple consiste à itérer les appels à la routine de recherche
locale, en partant à chaque fois d'une configuration initiale différente.
L'idée de la recherche locale est de ne garder qu'un seul état "actuel", ILS commence
par construire une solution initiale de haute qualité avec une heuristique efficace et puis la
recherche locale est appliquée pour améliorer la qualité de cette solution initiale, ce qui
signifie que nous ne nous déplacerons que vers les voisins de ce nœud. Ensuite, une boucle
principale s'appuie sur une série de solutions optimisées localement, comprenant la
perturbation, la recherche locale et le critère d'acceptation, est répétée jusqu'à ce qu'un
critère de terminaison soit satisfait. La perturbation vise à obtenir une nouvelle solution
différente pour aider l'algorithme à éviter d'être piégé dans les optima locaux. Cette
perturbation doit être suffisante pour ouvrir la voie à un bassin d'attraction différent
conduisant à un optimum local différent.
La recherche locale est utilisée pour améliorer cette nouvelle solution, et le critère
d'acceptation est appliqué pour déterminer si cette nouvelle solution remplace l'ancienne.
53
Chapitre 2 - Le problème de stockage de conteneurs dans la littérature
Les grandes lignes de l'algorithme ILS sont fournies dans l'algorithme ci-dessous. De cette
procédure, il est clair que l'algorithme ILS est assez simple et assez facile à mettre en
œuvre. En fait, la partie principale et la plus complexe est la recherche locale, et il est
nécessaire de concevoir une recherche locale efficace basée sur les caractéristiques du
problème considéré. Une description de la succession des étapes de l’algorithme de
recherche locale itérée est la suivante.
54
Chapitre 2 - Le problème de stockage de conteneurs dans la littérature
Etape 2 :
Répéter
Générer X’ de X par-échange recherche locale
Si f(X’) <= f(X) Alors
X = X’
Sinon
∆ = f(X’) – f(X)
Si e(-∆/T) > random [0,1] Alors
X = X’
Finsi
Finsi
Mettre à jour la température, T = T x c
Si f(X) < f(Xbest) Alors
Xbest = X
Finsi
Jusqu’à condition d’arrêt
Figure 2. 2 Algorithme Recuit Simulé
Enfin, Lorsqu'il s'agit de résoudre des problèmes d'optimisation combinatoire, qui sont
le plus souvent de grande taille, les algorithmes de recuit simulé ont l'avantage d'être
simples et rapides à appliquer. Pour cela, il faut bien choisir les paramètres de manière
empirique, tels que la température initiale, la loi de décroissance de la température, les
critères d’arrêt ou la longueur des paliers de température pour obtenir des bonnes solutions.
55
Chapitre 2 - Le problème de stockage de conteneurs dans la littérature
Une description générale de l'AG est la suivante : elle commence par un ensemble
initial de solutions aléatoires appelées population, chaque individu de la population est
appelé un chromosome représentant une solution au problème, les chromosomes évoluent
par itérations successives appelées générations.
56
Chapitre 2 - Le problème de stockage de conteneurs dans la littérature
Chromosome masculin
Chromosome féminin
Figure 2. 3 Croisement de Chromosomes
Figure 2. 4 Mutation
Ensuite, une nouvelle génération est formée en sélectionnant, selon les valeurs de
fitness, certains des parents et descendants et en rejetant d'autres, afin de maintenir la taille
de la population constante. Par conséquent, les chromosomes plus aptes ont des
probabilités plus élevées d'être sélectionnés. Enfin, après plusieurs générations, les
algorithmes convergent vers le meilleur chromosome, qui, espérons-le, représente la
solution optimale ou quasi optimale au problème (Gen & Chen 1997, pp.1-2).
En automatisation, l'objectif de l'utilisation d'algorithmes génétiques est de maximiser
les gains des régulateurs qui sont employés dans la commande. L'utilisation de l'algorithme
génétique pour résoudre les problèmes d'optimisation dans le domaine du contrôle des
systèmes électromécaniques a été mentionnée dans plusieurs études des années 1990.
57
Chapitre 2 - Le problème de stockage de conteneurs dans la littérature
Les algorithmes génétiques sont utilisés pour trouver les extrêmes d'une fonction
fitness f [77]. L'utilisation d'un algorithme génétique requiert la détermination préalable de
cinq éléments détaillés suivants :
1- Un principe de codage de l’élément de population.
2- Une méthode pour générer la première population.
3- Une fonction à optimiser appelée fitness ou fonction d’évaluation.
4- Des opérateurs qui permettent la diversité de la population au cours des générations et
l'exploration l'espace d'état. L'opérateur de croisement recompose les gènes des individus
existants dans la population, tandis que l'opérateur de mutation assure l'exploration de
l'espace d'état.
5- Des paramètres de dimensionnement: Taille de la population, nombre total de
générations ou critère d’arrêt, probabilités d’application des opérateurs de croisement et de
mutation.
Le principe général de l'architecture d'un algorithme génétique est représenté dans la
figure 2.5.
Initialisation de la population
Evaluation
Sélection
Croisement
Mutation
58
Chapitre 2 - Le problème de stockage de conteneurs dans la littérature
Dans cette partie, nous passerons en revue certains des termes utilisés dans la mise en
œuvre des algorithmes génétiques.
- Individu : un chromosome (génome) représente un individu.
- Un chromosome est une série de gènes.
- Génotype : ensemble de gènes représentés par un seul chromosome.
- Phénotype : l’ensemble des valeurs observables prises par chaque gène.
- Fonction d’adaptation : fitness.
- Croisement : est le phénomène qui associe une partie d’un chromosome masculin à une
autre partie d’un chromosome féminin, pour former un nouveau chromosome.
- Mutation : modifie certaines informations contenues dans un chromosome, par
conséquent elle améliore certains caractères du nouvel individu crée.
- Génération : la population totale à un moment précis du processus.
2.4.3.2.4 Le codage
1 1 0 0 1 0 1 0 1
Figure 2. 6 Codage Binaire
L'utilisation du codage réel est préférée par de nombreux chercheurs. Il vous permet de
représenter la solution d'une manière plus claire et simple.
P H A M B C V Z X
Figure 2. 7 Codage Réel
59
Chapitre 2 - Le problème de stockage de conteneurs dans la littérature
Pour créer de nouvelles solutions, l'utilisateur doit choisir l'opérateur de sélection et les
opérateurs génétiques après avoir spécifié le codage et la fonction Fitness.
L'opérateur le plus important est la sélection car elle permet aux individus d'une
population de survivre, de se reproduire ou de mourir. Chaque individu est sélectionné
proportionnellement à sa fonction "fitness", par conséquent, un individu avec une fonction
"fitness" plus élevée a plus de chances d'être sélectionné qu'un autre avec une valeur
"fitness" inférieure. Ce processus donne une forte probabilité de contribuer à la prochaine
génération. On trouve dans la littérature un nombre important de méthodes de sélection.
Nous abordons les plus connues d’entre elles.
- Sélection de la roulette [78] : la méthode la plus connue et la plus utilisée est sans aucun
doute la roulette de Goldberg (1989). Avec cette méthode, chaque individu a une chance
60
Chapitre 2 - Le problème de stockage de conteneurs dans la littérature
- Sélection par rang [78] : Le processus de sélection par rang commence par le tri des
chromosomes par ordre croissant de la fonction fitness, et il affecte le classement de chacun
dans la population, l'individu qui a le plus mauvais fitness aura le rang 1. Les composants
sont liés au rang plutôt qu'à la fonction d'évaluation dans cette technique, qui est
comparable à la roulette. La sélection par rang augmente la probabilité de choisir les moins
bons individus, mais il faut beaucoup de temps pour arriver à la bonne solution.
2 parents 2 enfants
Parent 1 10010011101001 10010 100101101 Enfant 1
- Croisement à deux points : C'est similaire au croisement à un point, sauf qu'au lieu
d'un, deux points de section sont choisis. Les parties qui se situent entre ces deux parties
sont ensuite permutées. La figure 2.9 en est une illustration.
61
Chapitre 2 - Le problème de stockage de conteneurs dans la littérature
2 parents 2 enfants
Parent 1 10010011101001 10010 10010 1001 Enfant 1
- Croisement uniforme : Gen, M. & Cheng, R a développé cette méthode, qui n'est
applicable qu'aux chromosomes codés sous forme de chaînes de bits [79]. Elle crée un
modèle aléatoire sur lequel elle fonde son échange chromosomique des parents. Ainsi, elle
produit deux enfants de la même taille que leurs parents. Gen, M. & Cheng, R [79] propose
une amélioration du croisement uniforme dit croisement basé sur les positions et propose
également une petite variante du croisement à positions dit croisement à ordres. La seule
différence est qu'avec cette méthode, lorsqu'on sélectionne des positions dans un des deux
parents, les symboles qui sont dans les positions correspondantes dans l'autre parent
conservent également leur ordre. La figure 2.10 en est une illustration.
2 parents 2 enfants
Parent1 A B C D E A G C D J Enfant 1
Parent 2 F G H I J F B H I E Enfant 2
Figure 2. 10 Croisement Uniforme
Le rôle de cet opérateur est de modifier aléatoirement, avec une certaine probabilité, la
valeur d'une composante de l'individu. La mutation est considérée comme un opérateur
marginal bien qu'elle confère en quelque sorte aux algorithmes génétiques la propriété
d'ergodicité. Grâce à cette propriété, nous sommes donc sûrs de pouvoir atteindre
l'optimum global. Cet opérateur a une grande importance. En fait, il a un double rôle : celui
d'effectuer une recherche locale et/ou de sortir d'un piège (recherche à distance).
L'opérateur de mutation modifie donc de manière totalement aléatoire les caractéristiques
d'une solution, ce qui permet d'introduire et de maintenir la diversité au sein de notre
population de solutions. Il joue le rôle d'un « élément de perturbation », il introduit du «
bruit » au sein de la population.
Les algorithmes génétiques sont des outils puissants pour un large éventail de
problèmes. De plus, ils permettent de résoudre des problèmes dans lesquels la fonction
d'optimisation, par exemple, manque de propriétés de continuité ou de dérivabilité. Ils
présentent cependant certaines limitations, telles que :
- Les nombreux paramètres qui les contrôlent sont difficiles à régler (par exemple, les
chances de croisement et de mutation, ainsi que le codage des chromosomes, qui peuvent
altérer drastiquement la vitesse de convergence).
- Avant d'obtenir une bonne solution, il est généralement nécessaire de calculer un grand
nombre de fitness (parfois des centaines de milliers) afin de s'assurer de la robustesse des
62
Chapitre 2 - Le problème de stockage de conteneurs dans la littérature
algorithmes évolutifs. Lorsque le coût de calcul de la fitness est élevé, notamment lorsque
l'on travaille sur des fonctions à grande échelle avec une complexité élevée, par exemple,
ce grand nombre de calculs peut être problématique.
Trois techniques de diversification sont connues dans cette méthode, afin d'encourager
la génération de solutions améliorées : Randomness, Perturbation et Penalization.
Randomness: le choix localement optimal est sélectionné aléatoirement ; et le choix est
sélectionné au hasard en fonction des pondérations des coûts à partir d'une liste construite
des choix de coûts les plus minimaux.
Perturbation : elle conduit à une solution différente pour chaque itération en ajoutant
un petit nombre aléatoire (bruit) modifiant légèrement les coûts réels. Notons que la
technique de perturbation a été utilisée avec succès dans le cadre des méthodes de recherche
locale par Storer et al. [82], Charon et Hudry [83], et Codenotti et al. [84].
Penalization: Cette technique permet de tirer des leçons de la solution précédente en
augmentant les coûts élevés des candidats pour les rendre moins susceptibles d'être choisis
à nouveau dans les itérations suivantes.
63
Chapitre 2 - Le problème de stockage de conteneurs dans la littérature
Etant donné que la randomisation joue un rôle très important dans la conception des
algorithmes, elle peut également être utilisée pour rompre les liens, de sorte que différentes
trajectoires puissent être suivies à partir de la même solution initiale dans les méthodes
multi-Start ou pour échantillonner des fractions de grands quartiers.
Les algorithmes gloutons aléatoires sont basés sur le même principe des algorithmes
gloutons purs, mais utilisent la randomisation pour construire différentes solutions à
différentes exécutions. RGA illustre le pseudocode d'un algorithme aléatoire glouton pour
la minimisation. A chaque itération, l'ensemble des éléments candidats est formé de tous
les éléments qui peuvent être incorporés à la solution partielle en construction sans détruire
la faisabilité. La sélection de l'élément suivant est déterminée par l'évaluation de tous les
éléments candidats selon une fonction d'évaluation gourmande. L'évaluation des éléments
par cette fonction conduit à la création d'une liste restreinte de candidats (RCL) formée des
meilleurs éléments, c'est-à-dire ceux dont l'incorporation dans la solution partielle courante
entraîne les coûts incrémentaux les plus faibles. L'élément à incorporer dans la solution
partielle est choisi au hasard parmi ceux de la RCL. Une fois l'élément sélectionné intégré
à la solution partielle, les coûts incrémentaux sont réévalués.
64
Chapitre 2 - Le problème de stockage de conteneurs dans la littérature
pour la préparation du miel. Des recherches récentes ont permis de mieux comprendre les
sociétés apicoles. Parmi ces travaux, on peut citer ceux de D.T. Pham et al. [13] et J.L.
Gould et al. [14], qui ont révélé qu'une colonie d'abeilles mellifères est capable de parcourir
de longues distances (plus de 10 km) et dans plusieurs directions pour explorer un grand
nombre de sources de nourriture.
Chaque membre de la colonie a un rôle déterminé; certains d'entre eux travaillent
comme butineurs. Avant le début d'une récolte, seules les abeilles éclaireuses sont
déployées pour rechercher des champs de fleurs. Lorsque les abeilles éclaireuses font des
découvertes, elles essaient d'en trouver de meilleures, avant de retourner dans leur ruche
pour informer les butineuses. Lorsque les éclaireuses retournent dans leur ruche, elles
déposent leur récolte et se rendent sur la «piste de danse » pour exécuter «la danse
frétillante ». Cette danse mystérieuse est le moyen de communication des abeilles. Cette
danse est basée sur la course frétillante, qui consiste à déplacer le corps d'un côté à l'autre
afin de produire un fort bourdonnement. Pour accomplir cette danse, l'abeille fait d'abord
vibrer les muscles de ses ailes, puis court en ligne droite pour indiquer l'orientation des
fleurs. La fréquence et la gamme de bourdonnements du frémissement reflètent la qualité
de la source, tandis que le rythme et la durée de la danse sont proportionnels à la distance
de la source.
L'algorithme de colonie d’abeilles, que nous proposons pour résoudre le problème
d'empilement de conteneurs dangereux, implique six paramètres : le nombre maximum
d'itérations (mic), le nombre d'abeilles éclaireuses (nsb), le nombre de solutions d'élite
(nes), le nombre de meilleures solutions après les élites (nbs), le nombre de butineuses pour
les solutions d'élite (nfe), le nombre de butineuses pour les meilleures solutions (nfb).
L’algorithme de colonie d’abeilles est représenté dans la figure 2.12 suivante.
65
Chapitre 2 - Le problème de stockage de conteneurs dans la littérature
Les algorithmes hybrides sont une combinaison de deux algorithmes ou plus qui ont
été développés et appliqués pour améliorer et accroître l'efficacité d'une recherche dans son
ensemble. Pour le bien public, les chercheurs utilisent régulièrement le concept
d'hybridation pour tirer parti de chaque algorithme individuel. L'efficacité des résultats des
algorithmes hybrides dépend de la manière dont les algorithmes sont combinés. Ils nous
permettent d'élargir la gamme d'applications pour des méthodes de résolution spécifiques
tout en améliorant leurs performances. Afin d'appliquer efficacement ces approches, nous
devons avoir une bonne compréhension des points forts de chaque méthode séparément.
P.Michelon et al. [85] affirment que toutes les approches, y compris les méthodes exactes
et heuristiques, peuvent être hybridées. Cependant, les problèmes de performances et les
ressources informatiques limitées limitent les possibilités d'hybridation. En conséquence,
il faut être prudent dans l'application des approches afin d'obtenir une bonne coopération
entre les constituants et les méthodes hybrides.
66
Chapitre 2 - Le problème de stockage de conteneurs dans la littérature
2.5 Conclusion
Dans ce chapitre, nous avons défini le problème du stockage de conteneurs dans lequel
les ports maritimes ont soufferts qui a un impact négatif sur la zone de stockage. Ce
problème a fait l'objet de nombreuses recherches dans la littérature, et de nombreuses
techniques pour résoudre les différentes variantes ont été présentées.
Nous avons présenté une recherche bibliographique sur le thème de problème du
stockage de conteneurs dans un terminal portuaire. En général, les articles relatés, dans
cette recherche bibliographique, considèrent une variété de théories qui sont toutes liées
aux équipements utilisés dans les ports considérés. Pour résoudre le problème du stockage
des conteneurs, plusieurs études ont utilisé des approches d'optimisation, qui sont discutées
dans ce chapitre. Deux familles d’approches peuvent être utilisées ; les méthodes exactes
et les méthodes approchées. Le problème du stockage de conteneurs dans un terminal
portuaire a été traité sous plusieurs aspects, selon la recherche dans la littérature.
Autant que nous le sachions, même les rares papiers qui recommandent une
détermination précise de l'emplacement de stockage de chaque conteneur considèrent les
conteneurs entrants ou sortants. C'est pourquoi nous proposerons dans les chapitres
suivants des méthodes de stockage permettant de déterminer avec précision l'emplacement
de stockage affecté à chaque conteneur, en tenant compte du conteneur entrant.
67
68
Chapitre 3 – Etude et résolution du cas statique
Chapitre 3
Etude et résolution du cas statique
3.1 Introduction
Un des problèmes les plus importants dans un terminal portuaire est le problème du
stockage de conteneurs, qu'il s'agisse un cas statique ou dynamique. De nos jours, le
problème de stockage de conteneurs est considéré comme le problème prioritaire à
résoudre et à prendre place dans la plupart des articles des chercheurs.
Dans ce chapitre, nous nous concentrons sur la résolution du problème de stockage de
conteneurs dans le port de Tripoli, au Liban. Le cas statique a été étudié, analysé et traité
après avoir visité et interrogé les responsables du port et recueilli toutes les informations
nécessaires. Dans ce cas, on suppose que tous les conteneurs sont arrivés au port avant le
début des opérations de stockage. Pour faire ça, nous utilisons une approche analytique en
donnant un modèle mathématique et étudiant la complexité du problème et une approche
numérique proposant des algorithmes de résolution.
Le reste de ce chapitre est organisé comme suit : la section 3.2 présente l’étude de cas
du port de Tripoli-Liban, la section 3.3 est la définition du problème dans le port en fonction
de sa capacité. La section 3.4 nous décrivons les hypothèses. Une modélisation
mathématique du problème de stockage de conteneurs est donnée dans la section 3.5 la
section 3.6 présente les algorithmes de résolution utilisés pour aborder notre MIP, rapporte
les résultats des simulations numériques et vérifie l'efficacité des algorithmes après avoir
présenté une étude comparative.
69
Chapitre 3 – Etude et résolution du cas statique
superficie de trois millions de m2 avec une grande superficie de 420 000 m2 est utilisé pour
la zone de stockage des conteneurs.
Selon Vis et al. [87], un terminal à conteneurs peut être divisé en deux zones : la zone de
quai et la zone de stockage. La zone de quai comprend la section d'arrimage des navires et
des grues de quai (QC) qui chargent et déchargent les conteneurs, tandis que la zone de
stockage est une surface utilisée pour le chargement, le déchargement et le transbordement
temporaires des conteneurs. Notez que la zone de quai du port de Tripoli ne dispose que de
deux grues à quai (QC) utilisées pour soulever les conteneurs du navire au camion et vice
versa. Quant à la zone de stockage du port de Tripoli, elle est divisée en cinq zones
parallèles au poste à quai appelées blocs : transbordement, importation, conteneurs vides
et deux parties pour l'exportation.
Chaque bloc de conteneurs est équipé d'une grue d'empilage, qui est une grue à portique
sur pneus (RTGC) utilisée pour empiler et retirer les conteneurs dans la zone de stockage,
il s'agit d'un équipement de manutention non automatique et nécessite le contrôle du
conducteur. Chaque conteneur est numéroté et possède un numéro de position spécifique
dans une pile déterminée numérotée. Sachant que chaque bloc peut contenir jusqu'à 50
baies (en longueur), chaque baie est constituée de 6 piles au maximum (en largeur) et
chaque pile contient 6 conteneurs de même taille.
Environ 450 navires accostent chaque année au port de Tripoli-Liban, avec une
moyenne de 37 navires par mois. La zone d'importation de conteneurs de stockage dans le
port de Tripoli est relativement importante étant donné que nous recevons un nombre tout
aussi acceptable de 2000 conteneurs par an. Contrairement à la zone de stockage de
transbordement qui est pleine de conteneurs, une partie de la zone d'importation utilisée
quand c'est nécessaire. Le port traite trois types de conteneurs d'une longueur latérale de
70
Chapitre 3 – Etude et résolution du cas statique
20, 40 et 45 EVP. Les plus fréquents sont les conteneurs de 20 et 40 EVP. Le processus de
stockage dans le port de Tripoli se déroule en plusieurs étapes.
Au départ, les porte-conteneurs arrivent au quai du port, la manutention des conteneurs
par les grues à plate-forme commence, les Quay Cranes (QCs) gèrent l'élévation des
conteneurs par un opérateur du navire pour soulever la cargaison, une fois le palonnier
verrouiller sur le conteneur, le conteneur est levé et placé sur un châssis de camion
(remorque) pour être emmené à l'endroit approprié de la zone de stockage selon une carte
approuvée par le planificateur pour être stocké.
Le stockage des conteneurs entrants se fait par 2 dispositifs, RTGC (Rubber Tired
Gantry Crane) et/ou RS (Reach Stacker) selon la taille des conteneurs. Les grues RTGC
sont couramment utilisées sur de très grands terminaux en raison de leur grande flexibilité
et de leur très haute densité d'empilement. Il peut rouler sur roues, se déplacer entre la cour
et l'arrière-pays et peut être utilisé pour la manutention de conteneurs des deux côtés. La
RTGC peut empiler les conteneurs par blocs de six conteneurs maximum, plus une voie
pour véhicule et un conteneur sur six en hauteur.
Les Reach Stackers déplacent les conteneurs au moyen d'une flèche avec des
entretoises qui s'ouvrent en fonction de la taille du conteneur, ils peuvent empiler des
conteneurs à haute densité (jusqu'à 8 hauteurs et 3 rangées de profondeur). Il peut être
facilement transporté entre les terminaux et peut être utilisé pour gérer de nombreux types
de marchandises. Cet équipement est bien adapté aux terminaux de petite à moyenne taille
et polyvalents.
71
Chapitre 3 – Etude et résolution du cas statique
souffert et qui ont un impact négatif sur la zone de stockage ; les navires arrivent à quai
simultanément, mais le déchargement des conteneurs se fait à un moment différent, par
conséquent les nouveaux conteneurs sont empilés sur les anciens, d'où le terme de «
remaniement » est apparu. Les remaniements consistent à déplacer certains conteneurs qui
se trouvent au-dessus pour atteindre ceux souhaités. Ainsi, placer le conteneur dans la
bonne position en respectant certaines contraintes (date de départ des conteneurs) permet
de réduire le nombre de remaniements, afin d'améliorer la gestion de la zone de stockage.
La dispersion aléatoire des conteneurs est interdite, des règles doivent être respectées et
appliquées. Un petit espace équivaut un mètre entre les baies des conteneurs est nécessaire
pour faciliter le travail pour le mouvement des humains et même pour tout équipement
utilisé dans la zone de stockage. Pour cette raison, placer les conteneurs aussi près que
possible de la porte de sortie permet d'économiser de l'énergie et du temps, donc des coûts.
Les conteneurs catégorisés dans la zone de stockage ne sont pas mis en œuvre dans
plusieurs ports maritimes. La numérotation séquentielle des conteneurs permet au
planificateur de retirer plus facilement le conteneur souhaité. La collecte de conteneurs
appartenant à la même catégorie prépare le stockage en cour à être efficace lorsqu'un
conteneur est récupéré.
Notre contribution est triple. Dans un premier temps, nous proposons un modèle MIP
pour minimiser la somme de la distance et de la position des conteneurs dans une pile, leurs
remaniements et en regroupant les conteneurs appartenant aux mêmes catégories sur un
point de gravité prédéterminé. Notre approche est basée sur l'interaction avec les agents
portuaires et sur la visualisation de l'activité réelle qui se déroule dans le port. Le modèle
mathématique a été choisi sur la base des suggestions de l'équipe de manutention portuaire
pour faciliter le stockage du conteneur au terminal.
Deuxièmement, nous développons un algorithme génétique efficace produisant une
solution de haute qualité et finalement nous réalisons un algorithme hybride qui combine
un algorithme aléatoire glouton (RGA) avec une recherche locale itérée (ILS) pour
résoudre le problème.
Contrairement aux autres auteurs, nous avons proposé une nouvelle stratégie de
stockage de conteneurs efficace qui évite tous les inconvénients mentionnés ci-dessus et
suggère des politiques de stockage innovantes pour réduire l'énergie et le temps qui en
résultent, donc le coût. Ainsi, l'utilisation d'outils de recherche opérationnelle et de
méthodes scientifiques est devenue cruciale dans un port maritime. Les méta-heuristiques
sont des méthodes génériques qui ont été appliquées avec succès pour résoudre de
nombreuses classes difficiles de problèmes combinatoires, et ces stratégies obtiennent
souvent de très bons résultats lors de diverses compétitions d'implémentation, telles que le
problème du stockage de conteneurs (PSC) en tant que problèmes NP difficiles.
72
Chapitre 3 – Etude et résolution du cas statique
3.4 Hypothèses
Dans une zone de stockage, surtout dans une seule pile, nous ne stockons que des
conteneurs de même taille, il s'agit d'une restriction physique pour éviter d'éventuels
dommages. Les nouveaux conteneurs entrants appartiennent à l'un des trois types, à savoir
20, 40 et 45 EVP. La dimension d'un conteneur de 20 occupe 1 EVP dans la zone de
stockage, tandis qu'un conteneur de dimension 40 occupe 2 EVP. Pour résoudre le
problème su stockage de conteneurs (PSC), un programme linéaire en nombres entiers
(PLNE) est proposé. Les hypothèses suivantes sont prises en compte avant de décrire le
modèle mathématique.
1. Les conteneurs sont numérotés par ordre croissant en fonction de leurs ordres d’arrivée
croissante.
2. Pour chaque pile, les conteneurs sont stockés dans l'ordre décroissant de leur date de
départ.
3. Avant le début de chaque période, nous connaissons l'état de la zone de stockage. Pour
chaque type de pile, on connaît le nombre de conteneurs stockés et leur date de départ,
donc l'espace libre disponible.
4. Les conteneurs sont stockés en respectant la contrainte de compatibilité dimensionnelle.
Tous les conteneurs stockés dans la même pile ont la même dimension.
5. Dans la zone de stockage, une baie contient au maximum 6 piles successifs, de sorte que
le dernier numéro de pile dans une baie et la première pile dans l'autre aient des numéros
successifs.
6. Nous avons pris en compte les 2 premiers niveaux supérieurs d'une pile pour remanier
les conteneurs afin de réduire le nombre de mouvements improductifs.
7. Nous supposons qu'après un remaniement, les conteneurs déplacés sont stockés dans une
pile vide ou dans une pile appropriée en respectant l'ordre décroissant de la date de départ,
si possible.
8. Afin d'assurer un service rapide lors de la livraison des conteneurs, nous minimisons le
nombre de remaniements attendus, la distance entre les piles et la porte de sortie, la distance
entre les conteneurs appartenant à la même catégorie et nous les centralisons.
73
Chapitre 3 – Etude et résolution du cas statique
Par souci de clarté, nous avons d'abord noté les indices, les paramètres et les variables
de décision, puis nous proposons le modèle mathématique avec toutes les contraintes
correspondantes.
a- Indices
• 𝑐 : conteneur
• 𝑠 : pile
• 𝑖 : emplacement dans une pile
b- Paramètres concernant les piles
• 𝑁𝑠 : Nombre de piles tel que 𝑆 = {1, . . . , 𝑁𝑠 }
• 𝑓𝑠 : Nombre d'espaces libres dans une pile 𝑠 tels que 𝐹 = {1, . . . , 𝑓𝑠 }
• 𝑑𝑠 : Dimension de la pile 𝑠 (20 EVP, 40 EVP ou 45 EVP)
• 𝑑𝑑𝑠 : Date de départ du conteneur existant en haut de la pile 𝑠 au début des opérations de
stockage
c- Paramètres concernant les conteneurs
• 𝑁𝑐 : Nombre de conteneurs tels que 𝐶 = {1, . . . , 𝑁𝑐 }
• 𝑑𝑐 : Dimension du conteneur 𝑐 (20 EVP, 40 EVP ou 45 EVP)
• 𝑑𝑑𝑐 : Date de départ du conteneur 𝑐
• 𝑐𝑎 : Catégorie à laquelle appartient le conteneur
d- Données générales
𝑐
• ℎ𝑠,𝑖 : Hauteur du conteneur 𝑐 et son emplacement 𝑖 dans la pile 𝑠
𝑐
• 𝑑𝑠,𝑖 : Profondeur du conteneur 𝑐 et son emplacement 𝑖 dans la pile 𝑠
• 𝑀 : est un grand nombre entier
e- Variables de décision suivantes
1, Si le conteneur 𝑐 est affecté à
𝑐
𝑥𝑠,𝑖 ={ l′emplacement 𝑖 de la pile 𝑠
0, Sinon
74
Chapitre 3 – Etude et résolution du cas statique
{ 0, Sinon
{ 0, Sinon
𝑠
𝑑𝑐𝑐′𝑔𝑟𝑎 (𝑐)
: S’articule autour la centralisation du processus de stockage de conteneurs
appartenant aux mêmes catégories sur un point de gravité prédéterminé. Il permet de
calculer la distance entre la place de la pile contenant le conteneur et la place de la pile où
se situe le centre de gravité de ce conteneur. Les points de centres sont prédéfinis dans la
zone de stockage en tant que catégories, donc tous les nouveaux conteneurs appartenant
aux mêmes catégories sont stockés à proximité de ces points.
∑ 𝑦𝑖
Le centre de gravité est calculé par 𝑌 = avec 𝑁𝑐 est le nombre de conteneurs
𝑁𝑐
stockés déjà dans la zone de stockage, 𝑥𝑖 et 𝑦𝑖 sont les coordonnées de la pile 𝑠 qui contient
le conteneur appartenant à la même catégorie. 𝑋 est la sommation de 𝑥𝑖 divisé par 𝑁𝑐 ,
tandis que Y est la sommation de 𝑦𝑖 divisée par 𝑁𝑐 pour obtenir le couple (𝑋, 𝑌 ) comme
centre de gravité de la catégorie courante. Cette formule nous amène à collecter de
nouveaux conteneurs entrants à proximité les uns des autres autour du centre de gravité
ayant la même catégorie.
Dans notre modèle, nous avons concentré sur la réduction de l'énergie et du temps,
donc des coûts. La première et la deuxième partie de notre approche sont axées sur
l'amélioration des mouvements des grues en considérant les efforts de déplacement vertical
et horizontal, diminuant ainsi ces distances en plaçant les conteneurs au plus près du sol et
en maintenant une faible profondeur horizontale, là où d'autres études ont pensé à un
mouvement de la grue comme une ligne simplifiée non réaliste. Dans la troisième partie de
notre approche, nous avons tenté de réduire les mouvements improductifs en optimisant le
nombre de remaniements en prenant en compte non seulement le premier niveau comme
d'autres l'ont fait mais aussi le deuxième niveau de la pile. Dans la quatrième partie, notre
intérêt s'est porté sur la centralisation du processus d'empilage de conteneurs appartenant
aux mêmes catégories dans un concept que nous avons intitulé « Stack center of Gravity »
où dans d'autres travaux ce concept n'a pas été pris en compte.
75
Chapitre 3 – Etude et résolution du cas statique
𝑁𝑐 𝑁𝑠 𝑓𝑠 𝑁𝑐 𝑁𝑠 𝑓𝑠
𝑐 𝑐 𝑐 𝑐 𝑐
𝑀𝑖𝑛𝑖𝑚𝑖𝑠𝑒𝑟 (∑ ∑ ∑ ℎ𝑠,𝑖 𝑥𝑠,𝑖 + ∑ ∑ ∑(ℎ𝑠,𝑖 + 𝑑𝑠,𝑖 ) 𝑥𝑠,𝑖
𝑐=1 𝑠=1 𝑖=1 𝑐=1 𝑠=1 𝑖=1
𝑁𝑐 𝑁𝑠
(3.1)
+ ∑ ∑(𝑦𝑠𝑐 + 𝑦2𝑐𝑠 )
𝑐=1 𝑠=1
𝑁𝑐 𝑁𝑠 𝑓𝑠
𝑠
𝑐
+ ∑ ∑ ∑ 𝑑𝑐𝑐 ′𝑔𝑟𝑎(𝑐) 𝑥𝑠,𝑖 )
𝑐=1 𝑠=1 𝑖=1
Par
𝑁𝑐 𝑁𝑠 𝑓𝑠 𝑁𝑐 𝑁𝑠 𝑁𝑐 𝑁𝑠 𝑓𝑠
𝑐 𝑐 𝑐 𝑐 𝑠
∑ ∑ ∑ 𝑥𝑠,𝑖 (2ℎ𝑠,𝑖 + 𝑑𝑠,𝑖 ) + ∑ ∑(𝑦𝑠𝑐 + 𝑦2𝑐𝑠 ) + ∑ ∑ ∑ 𝑑𝑐𝑐 ′𝑔𝑟𝑎(𝑐) 𝑥𝑠,𝑖
𝑐=1 𝑠=1 𝑖=1 𝑐=1 𝑠=1 𝑐=1 𝑠=1 𝑖=1
𝑁𝑠 𝑓𝑠
𝑐
∑ ∑ 𝑥𝑠,𝑖 = 1, ∀ 𝑐 ∈ 𝐶 (3.2)
𝑠=1 𝑖=1
La contrainte (3.2) garantit que chaque conteneur est stocké dans un seul emplacement.
𝑁𝑐
𝑐
∑ 𝑥𝑠,𝑖 ≤ 1, ∀ 𝑠 ∈ 𝑆, 𝑖 ∈ 𝐹 (3.3)
𝑐=1
La contrainte (3.3) vérifie que plusieurs conteneurs ne sont pas stockés simultanément à
un même emplacement.
𝑁𝑠 𝑓𝑠
𝑐
∑ ∑ 𝑥𝑠,𝑖 = 0, ∀ 𝑐 ∈ 𝐶; 𝑑𝑐 ≠ 𝑑𝑠 (3.4)
𝑠=1 𝑖=1
76
Chapitre 3 – Etude et résolution du cas statique
La contrainte (3.4) tient compte des différences entre les dimensions des conteneurs, ce
qui impose que les conteneurs ayant les mêmes dimensions soient affectés à une même
pile.
𝑁𝑐 𝑁𝑐
𝑐 𝑐
∑ 𝑥𝑠,𝑖 ≥ ∑ 𝑥𝑠,𝑖+1 ,∀ 𝑠 ∈ 𝑆,𝑖 ∈ 𝐹 − 1 (3.5)
𝑐=1 𝑐=1
La contrainte (3.5) garantit qu'une position intermédiaire vide est interdite entre les
conteneurs stockés dans une même pile.
𝑓𝑠
𝑐
𝑦𝑠𝑐 ≤ ∑ 𝑥𝑠,𝑖 , ∀ 𝑠 ∈ 𝑆, 𝑐 ∈ 𝐶 (3.6)
𝑖=1
La contrainte (3.6) garantit que, si le conteneur 𝑐 n'est pas affecté à une pile 𝑠, alors 𝑦𝑠𝑐 =
0. En d'autres termes, si un conteneur n'est pas affecté à une pile, alors il ne peut pas
causer de mouvements improductifs dans cette pile.
𝑓𝑠
𝑐
(𝑑𝑑𝑐 − 𝑑𝑑𝑠 ) ∑ 𝑥𝑠,𝑖 ≤ 𝑀 𝑦𝑠𝑐 , ∀ 𝑠 ∈ 𝑆, 𝑐 ∈ 𝐶 (3.7)
𝑖=1
La contrainte (3.7) impose que 𝑦𝑠𝑐 = 1, si le conteneur 𝑐 est affecté à une pile 𝑠 et
provoque un remaniement attendu pour le premier niveau supérieur de la pile.
𝑓𝑠
𝑐
(𝑑𝑑𝑐 − 𝑑𝑑2𝑠 ) ∑ 𝑥𝑠,𝑖 ≤ 𝑀 𝑦2𝑐𝑠 , ∀ 𝑠 ∈ 𝑆, 𝑐 ∈ 𝐶 (3.8)
𝑖=1
La contrainte (3.8) impose que 𝑦2𝑐𝑠 = 1, si le conteneur 𝑐 est affecté à une pile 𝑠 et
provoque un remaniement attendu pour le deuxième niveau supérieur de cette pile.
𝑁𝑐 𝑁𝑐
𝑐 𝑐
∑ 𝑑𝑑𝑐 𝑥𝑠,𝑖 ≥ ∑ 𝑑𝑑𝑐 𝑥𝑠,𝑖+1 , ∀ 𝑠 ∈ 𝑆, 𝑖 ∈ 𝐹 − 1 (3.9)
𝑐=1 𝑐=1
La contrainte (9) vérifie que, dans chaque pile les nouveaux conteneurs sont stockés par
ordre décroissant de leurs dates de départ, ce qui permet de minimiser le nombre de
remaniements.
𝑐
𝑥𝑠,𝑖 ∊ {0,1}, 𝑦𝑠𝑐 ∊ {0,1}, 𝑦2𝑐𝑠 ∊ {0,1} (3.10)
∀𝑐 ∊ 𝐶; 𝑠 ∊ 𝑆; 𝑖 ∊ 𝐹
77
Chapitre 3 – Etude et résolution du cas statique
A) Au niveau théorique
La première partie de la fonction objectif réalisée par Fatma Ndiaye [57] visait à
minimiser la distance totale entre l’emplacement des conteneurs dans la zone de stockage
et la porte de sortie. Notre travail s’est porté sur deux points étroitement liés et différents
du raisonnement de Fatma Ndiaye qui sont: la hauteur et la profondeur.
Lorsque la grue de chantier transporte le conteneur d'un endroit à un autre, elle
consomme de l'énergie, de même lorsqu'elle soulève le conteneur de la zone de stockage
pour le mettre sur le camion, elle consomme de l'énergie. Par conséquent, nous
consommons simultanément de l'énergie et perdons du temps.
Plus la hauteur entre deux positions est élevée plus l'énergie exercée est importante.
La formule de l'énergie potentielle gravitationnelle est l’énergie emmagasinée par un
objet selon sa position par rapport au sol [88]. Pour la force gravitationnelle, la formule
est P.E. = mgh, où m est la masse en kilogrammes, g est l'accélération due à la gravité
9,8 m/s2 à la surface de la terre et h est la hauteur en mètres.
La figure 3.2 illustre notre raisonnement.
78
Chapitre 3 – Etude et résolution du cas statique
Notion de vérification :
D’après la figure 3.2, on remarque que les conteneurs C1 et C5 sur l'arc de cercle ont
chacun une hauteur et une profondeur spécifique. L’addition de la hauteur à la
profondeur ne conduit pas nécessairement au même résultat. Par conséquent, nous
déterminons la distance à laquelle "(hauteur + profondeur) du conteneur est maximale"
lorsque la bissectrice coupe l'angle à deux angles égaux, figure 3.2
Supposons que les six conteneurs suivants (C1, C2, C3, C4, C5, C6) existent sur le même
arc de cercle. Nous pouvons observer que la distance entre O (0, 0) "la porte de sortie"
et l'emplacement des conteneurs (C1, C2, C3, C4, C5, C6) sur l'arc de cercle sont égales.
Dans ce cas, nous perdons la priorité pour chacune de ces places (C1, C2, C3, C4, C5,
C6) puisqu'il sélectionne n'importe quelle place disponible.
Les conteneurs C1 et C5, dont la hauteur et la profondeur (h1, H5, d1, d5), se trouvent
sur le même arc de cercle, figure 3.2. Nous utilisons hx pour exprimer la hauteur du
79
Chapitre 3 – Etude et résolution du cas statique
80
Chapitre 3 – Etude et résolution du cas statique
Dans la deuxième partie de la fonction objectif, la plupart des auteurs dans la littérature
se sont concentrés sur la minimisation du nombre de remaniements attendus du
conteneur qui existe en haut de la pile. Fatma [57] suppose qu'après un remaniement, les
conteneurs déplacés sont stockés dans une pile selon les critères.
- Si une pile est vide, les nouveaux conteneurs seront stockés dans l'ordre
décroissant de leurs heures de départ.
- Si une pile n'est pas vide et que les heures de départ des conteneurs qu'elle
contient sont supérieures à celles de ses nouveaux conteneurs, alors les
conteneurs entrants seront stockés dans l'ordre décroissant de leurs heures de
départ.
Dans le cas contraire, les conteneurs entrants seront stockés dans l'ordre croissant de
leurs heures de départ. Ainsi, après l'extraction des conteneurs qui se trouvent en bas, les
conteneurs déplacés seront rangés suivant l'ordre décroissant de leurs heures de départ
dans une autre pile.
Sur la base des exigences du planificateur du port de Tripoli (Liban), nous avons tenté
de réduire le nombre prévu de remaniements de piles pour le premier et le deuxième
niveau dans notre recherche. Quant à la thèse de Fatma [35], elle a positionné le nouveau
conteneur à l'emplacement idéal, ignorant le deuxième niveau de la pile.
81
Chapitre 3 – Etude et résolution du cas statique
1 2 3 4 5 6
7 8 9 10 11 12
13 14 15 16 17 18
19 20 21 22 23 24
Tableau 3. 1 Différence de mouvement entre deux piles
Dans notre modèle, nous avons travaillé sur la création d'une formule simple, que nous
lui avons donné le nom suivant "centre de gravité". L'idée du centre de gravité est
calculée comme suit :
∑ 𝑥𝑖 ∑ 𝑦𝑖
𝑋= 𝑒𝑡 𝑌= 𝑎𝑣𝑒𝑐
𝑁 𝑁
B) Au niveau pratique
Nous supposons que nous avons deux nouveaux conteneurs mesurant 45 et 20 EVP, qui
doivent être stockés dans la zone de stockage parmi cinq piles différentes, les espaces
disponibles, comme illustrés dans la figure 3.5, contenant déjà des conteneurs et prenant
en considération la date d'arrivée des nouveaux conteneurs entrants. Les positions
disponibles pour les nouveaux conteneurs à placer dans chaque pile sont les suivantes:
une place disponible dans la première pile, quatre dans la deuxième, cinq dans la
troisième, quatre dans la quatrième et cinq dans la cinquième. Dans notre étude, nous
nous sommes concentrés sur deux concepts : Premièrement, minimiser la hauteur, afin
de réduire l'énergie exercée. Deuxièmement, ajouter la hauteur à la profondeur (h+d)
82
Chapitre 3 – Etude et résolution du cas statique
afin de minimiser la distance à la porte de sortie. Nous obtenons d'après nos analyses le
résultat suivant : le premier conteneur doit être placé dans la pile 5 position 1, et le second
dans la pile 3 position 2, respectivement. Ainsi, dans cette étude, nous visons à trouver
la meilleure position pour empiler les conteneurs entrants.
Nous supposons que nous avons 3 nouveaux conteneurs mesurant 45, 20 et 40 EVP qui
doivent être stockés dans la zone de stockage parmi 5 piles différentes, les espaces
disponibles, comme illustrés dans la figure 3.6, contenant déjà des conteneurs et prenant
en considération la date d'arrivée des nouveaux conteneurs. Les positions disponibles
pour les nouveaux conteneurs à placer dans chaque pile sont les suivantes, une place
disponible dans la première pile, 4 dans la deuxième, 4 dans la troisième, 4 dans la
quatrième et 6 places disponibles dans la cinquième.
Deux piles de dimensions 20 EVP sont présenté dans la figure 3.6, ce qui signifie que le
conteneur de 20 EVP sera stocké dans l'une d'elles en fonction de la date du nouveau
conteneur après la comparaison. Dans cette illustration, les dates des niveaux 1 et 2 dans
la deuxième pile sont 5 et 10, tandis que les niveaux 1 et 2 dans la troisième pile sont
7 et 8, respectivement.
Les auteurs ont travaillé sur le premier niveau de remaniements dans leurs études, donc
ils n'ont aucun problème à placer le nouveau conteneur dans l'une de ces piles. Étant
donné que le nouveau conteneur a une date de départ 9, il peut être placé juste au-dessus
du sommet, qui est 5 dans la deuxième pile ou 7 dans la troisième pile. Dans ce cas, il
entraînera un mouvement improductif, mais s'ils ont placé le conteneur dans la troisième
pile ils auront deux mouvements improductifs.
Dans notre modèle, nous avons travaillé sur les deux niveaux supérieurs de la pile pour
minimiser le nombre de remaniements. Le deuxième niveau de la deuxième pile a une
date de départ 10 et le premier niveau 5. En utilisant le même conteneur qui a une date
de départ 9 mentionné ci-dessus, nous remarquons que 9 est supérieur à 5 mais inférieur
à 10, donc dans ce cas nous n'avons qu'un seul mouvement improductif. Quant à la
troisième pile, le deuxième niveau a une date de départ 8 et le premier niveau 7. Dans ce
cas, nous remarquons que 9 est supérieur à 7 et 8 ce qui signifie que nous avons 2
mouvements improductifs. Ainsi, la deuxième pile est le meilleur endroit pour mettre le
nouveau conteneur au lieu de la troisième pile car nous n'avons qu'un seul mouvement
improductif.
83
Chapitre 3 – Etude et résolution du cas statique
Nous supposons que nous avons 4 nouveaux conteneurs de 45, 20, 45 et 20 EVP qui
doivent être stockés dans la zone de stockage parmi 5 piles différentes, avec les places
disponibles comme indiqué dans la figure 3.7, contenant des conteneurs et en tenant
compte de la date des nouveaux conteneurs. Les positions disponibles pour les nouveaux
conteneurs à placer dans chaque pile sont les suivantes, une place disponible dans la
première pile, 4 dans la deuxième, 4 dans la troisième, 4 dans la quatrième et 6 places
disponibles dans la cinquième.
Dans notre modèle, nous avons travaillé sur la création d'une formule simple, appelée
"centre de gravité" mentionnée ci-dessus. L'idée de la formule nous a conduit à collecter
tous les nouveaux conteneurs importés et à les placer à proximité les uns des autres
autour du centre de gravité ayant la même catégorie.
Dans notre modèle, les deux nouveaux conteneurs de 20 EVP sont placés dans la pile 2,
mais si nous recevons de nouveaux conteneurs entrants, ils seront empilés près des
anciens entourant le centre de gravité. Ainsi, on déduit que tous les conteneurs
appartenant à la même catégorie sont proches les uns des autres.
84
Chapitre 3 – Etude et résolution du cas statique
Dans cette section, nous proposons en détails les méthodes de résolution utilisées pour
la résolution du problème de stockage de conteneurs, dont la première est l'optimiseur
Gurobi qui est un solveur d'optimisation commercial, qui réalise des solutions optimales
pour des instances de tailles raisonnables, pour la programmation linéaire (LP), la
programmation quadratique (QP), la programmation à contraintes quadratiques (QCP), la
programmation linéaire mixte en nombres entiers (MILP), la programmation quadratique
en nombres entiers mixtes (MIQP) et les nombres entiers mixtes quadratiques
programmation sous contraintes (MIQCP). Les quatre autres algorithmes méta-
heuristiques proposées sont les suivants : un algorithme génétique (GA), un algorithme
glouton aléatoire (RGA), une recherche locale itérée (ILS) et un algorithme hybride
(RGA/ILS) pour résoudre le problème d'empilement de conteneurs et rechercher la
meilleure solution.
Comme nous le savons, il existe un grand nombre de méthodes d’optimisation qui sont
les méthodes exactes et les méthodes approchées. Puisque les méthodes exactes sont
limitées aux instances de petite taille et nécessitent trop de mémoire d'ordinateur et puisque
le problème de stockage de conteneurs est très important en logistique portuaire et connu
comme un problème NP-Difficiles, Il devient alors nécessaire d'utiliser des méthodes méta
heuristiques pour trouver des solutions, non forcément exactes, dans des temps impartis
restreints, pour des instances réelles où il est difficile et parfois impossible, de déterminer
la solution optimale pour des problèmes de grande taille par des méthodes exactes.
En effet, ces méthodes sont choisies car elles fournissent des solutions de qualité
satisfaisante, selon leur capacité dans un temps raisonnable pour des problèmes de grande
taille. Les simulations numériques apportées par notre travail ont prouvé l'efficacité et
l'efficience de ces algorithmes. Bien sûr, il est toujours possible de trouver de meilleures
solutions, mais cela se fait au détriment du coût de l'approche utilisée.
L'intérêt de notre travail c'est la proposition d'un nouveau modèle mathématique qui
détermine le meilleur emplacement pour un conteneur importé en tenant compte de toutes
les contraintes physiques et opérationnelles du port maritime en l'occurrence celui de
Tripoli-Liban.
Par conséquent, ces algorithmes utilisés ont permis d'accélérer le processus de stockage
d'un grand nombre de conteneurs importés, ce qui a entraîné d'importantes économies de
temps et de coût, et a abouti à agrandir la productivité du port, réduisant ainsi l'erreur
humaine et la concurrence avec les ports voisins.
Ces algorithmes proposées sont codés et exécutés en langage JAVA. Les simulations
numériques sont réalisées à l'aide d'un processeur Core i7 - 3610QM @ PC Win7 2,30 GHz
avec 6 GB de RAM pour mesurer les performances des algorithmes déjà évoqués.
85
Chapitre 3 – Etude et résolution du cas statique
86
Chapitre 3 – Etude et résolution du cas statique
Deux méthodes principales sont utilisées pour initialiser une population dans un GA,
qui sont l'initialisation aléatoire et heuristique, où la première remplit la population initiale
avec des solutions complètement aléatoires, tandis que la seconde remplit la population
initiale en utilisant une heuristique connue pour le problème. Dans la recherche, il a été
observé expérimentalement que : Lorsque toute la population est initialisée à l'aide d'une
initialisation heuristique, cela peut entraîner des solutions similaires et très peu de diversité.
Les solutions aléatoires sont celles qui conduisent la population à l'optimalité. Par
conséquent, la meilleure pratique consiste à commencer par une initialisation heuristique,
en semant simplement la population avec quelques bonnes solutions initiales, puis en
remplissant le reste avec des solutions aléatoires.
Le choix de la taille de la population est critique car il affecte la convergence de
l'algorithme. Pour cette raison nous avons partis d'une population de 100 solutions initiales
qui se répartissent comme suit : 30 solutions heuristiques issues des algorithmes de
recherche locale qui sont ILS, RGA et l'hybride et 70 autres solutions aléatoires (Ligne 1
– 4).
87
Chapitre 3 – Etude et résolution du cas statique
L'opérateur de sélection est le plus important, elle est la première phase et permet le
renouvellement aux individus d'une population. Chaque individu est choisi en proportion
de sa fonction « fitness » ; un individu qui a une fonction « fitness » élevée est plus
susceptible d'être choisi qu'un autre ayant une valeur « fitness » inférieure. Dans notre
algorithme, on choisit deux solutions selon la méthode de roulette. Il existe différentes
méthodes de sélection mais la plus connue et la plus utilisée est la roulette de Goldberg
(1989), qui est utilisée dans notre algorithme.
88
Chapitre 3 – Etude et résolution du cas statique
L'opérateur de mutation a une grande importance. Cet opérateur modifie les propriétés
d'une solution de manière complètement aléatoire, nous permettons de créer et de préserver
de la variété au sein de notre population de solutions. La mutation est effectuée à la fin de
chaque itération avec une certaine probabilité. Pour ce faire, on choisit un conteneur
aléatoirement de la solution la plus fittest et on l’affecte à une pile choisie aléatoirement
qui satisfont les contraintes. De même, pour la deuxième solution la plus fittest. Ce
processus évolutif se poursuit jusqu'à ce que le critère d'arrêt soit satisfait.
89
Chapitre 3 – Etude et résolution du cas statique
Irace [88] reçoit en entrée une série de paramètres correspondant à ceux de l'algorithme
cible qui sera réglé, un ensemble d'instances pour lesquelles les paramètres doivent être
réglés et un ensemble d'options pour Irace qui définissent le scénario de configuration.
Ensuite, Irace recherche dans l'espace des paramètres les bonnes configurations
d'algorithmes en exécutant l'algorithme cible sur différentes instances et avec différentes
configurations de paramètres.
Le targetRunner doit être fourni pour exécuter l'algorithme Génétique avec une
configuration et une instance de paramètre spécifique et agit comme une interface entre
l'algorithme génétique et Irace, Il reçoit l'instance et la configuration en arguments et
renvoie l'évaluation de l'exécution de cet algorithme cible.
Le tableau 3.1 montre les valeurs des principaux paramètres utilisés pour l'exécution
de l'algorithme génétique proposé. Les valeurs de tels paramètres dépendent fortement du
problème étudié. Il n'y a donc pas de paramètres propres à résoudre tous les problèmes qui
peuvent être posés à un algorithme génétique. Cependant, certaines valeurs sont souvent
utilisées et peuvent être de bons points de départ pour démarrer une recherche de solution
à l'aide d'un AG. Les valeurs de ces paramètres sont basées sur de nombreux tests de
performance et de convergence de l’AG sur différentes instances. Ces résultats montrent
clairement l'intérêt d'utiliser Irace Package pour obtenir la solution quasi optimale de
l'algorithme génétique.
Tableau 3. 2 Paramètres d'algorithme génétique
Tant que les instances sont volumineuses, le problème devient plus complexe et ne peut
pas être résolu par l'optimiseur Gurobi. Des simulations ont été effectuées afin de trouver
les meilleures valeurs de paramètres des algorithmes, dans un premier temps. En respectant
les enjeux des paramètres, nous avons déterminé le nombre de piles et conteneurs limité
entre 3 et 160, nous avons généré aléatoirement toutes les propriétés liées à ces piles et
conteneurs et nous avons testé notre modèle sur les instances mentionnées dans les tableaux
3.3 et 3.4 pour obtenir les résultats suivants.
Notez que les trois tailles de conteneurs utilisées sont 20, 40 et 45 EVP mais les plus
courantes sont 20 et 40 EVP. Pour illustrer l'utilité des améliorations apportées au modèle
90
Chapitre 3 – Etude et résolution du cas statique
proposé, des simulations numériques ont été réalisées avec l'optimiseur Gurobi. Pour ce
faire, nous avons codé l’algorithme présenté en langage Java par le modèle mathématique
considéré. Les instances utilisées, dans cette phase de simulation, sont considéré par deux
groupes les instances de petite et moyenne taille, qui sont décrites dans le tableau 3.2.
Cet algorithme méta-heuristique est considéré comme rapide. Il ne dure pas plus d'une
seconde pour les petites et moyennes instances comme temps d'exécution.
91
Chapitre 3 – Etude et résolution du cas statique
92
Chapitre 3 – Etude et résolution du cas statique
Le tableau 3.3 montre que l'algorithme génétique donne des solutions presque
optimales, avec un très faible écart moyen de 0,38 % et un temps d’exécution très rapide,
inférieure à une seconde pour les petites instances par rapport au solveur Gurobi.
Figure 3. 11 Résultats graphiques pour les petites instances de l'algorithme génétique vs Gurobi
L'axe des x dans le graphe de la figure 3.5 correspond aux instances de petite taille
(piles et conteneurs) tandis que les résultats de la fonction objectif apparaissent sur l'axe
des y. Le pourcentage d'écart est présenté sur le deuxième axe vertical. Nous observons
clairement que les valeurs optimales augmentent régulièrement (de la première à la
dernière instance), ce qui est considéré comme un bon résultat par rapport au solveur
Gurobi.
Tableau 3. 5 Résultats numériques de l’algorithme génétique pour les moyennes instances
93
Chapitre 3 – Etude et résolution du cas statique
94
Chapitre 3 – Etude et résolution du cas statique
Le tableau 3.4 montre que l'algorithme génétique donne des solutions presque
optimales, avec un très faible écart moyen de 0,93 % et un temps d’exécution très rapide,
inférieure à une seconde pour les moyennes instances par rapport au solveur Gurobi.
Figure 3. 12 Résultats graphiques pour les moyennes instances de l'algorithme génétique vs Gurobi
L'axe x de la figure 3.6 montre les instances de taille moyenne exécutées par
l'algorithme génétique proposé mentionné ci-dessus, et la fonction objectif est présentée
sur l'axe y. L'axe secondaire vertical présente le Gap pour chaque instance réalisée. Ce
graphique est une illustration de l'exécution moyenne pour toutes les instances
mentionnées. Nous observons que l'algorithme génétique donne un pourcentage moyen
d'écart qui est égal à 0,93 %.
Des simulations numériques effectuées sur quatre-vingt-dix instances de petites et de
moyennes tailles prouvent que l'algorithme génétique est efficace pour résoudre le
problème d'empilement des conteneurs et a un écart moyen qui est égal à 0,66%.
Nous avons comparé les résultats de l'algorithme génétique aux solutions optimales
offertes par le programme "Gurobi" pour voir à quel point ils étaient bons. Le tableau 3.5
présente les principales caractéristiques des instances utilisées dans cette section.
95
Chapitre 3 – Etude et résolution du cas statique
On constate dans le tableau 3.5 que les distances et le nombre de remaniements trouvés
par l'algorithme génétique ne sont pas loin de celles trouvées par Gurobi, et même dans
certains cas, nous avons obtenu des distances et des nombres de remaniements meilleurs
que ceux acquis par le solveur Gurobi.
On peut remarquer que dans certains cas, l'algorithme génétique et Gurobi trouvent les
mêmes distances, et même dans certains cas GA donne des meilleurs résultats comme
l'illustre la figure 3.7.
96
Chapitre 3 – Etude et résolution du cas statique
300
250
200
Distance
150
100
50
0
Instances
gurobi GA
25
Nombre de Remaniements
20
15
10
5
0
Instances
Gurobi GA
97
Chapitre 3 – Etude et résolution du cas statique
Une forte stabilité est clairement présentée dans le tableau 3.6 pour un nombre fixe de
piles avec un nombre variable de conteneurs, ce qui prouve la cohérence de l'algorithme
développé. Par conséquent, l'algorithme génétique utilisé montre une stabilité et des
résultats optimaux en essayant 10 fois l'exécution pour ces mêmes petites instances par
rapport aux résultats obtenus par le solveur Gurobi.
Tableau 3. 8 Analyse statistique pour la stabilité de la moyenne instance
98
Chapitre 3 – Etude et résolution du cas statique
Les algorithmes gloutons randomisés sont construits sur la même idée que les
algorithmes gloutons, mais ils utilisent la randomisation pour fournir des différentes
solutions pour diverses exécutions. Depuis cela, l'algorithme glouton randomisé a un degré
d'aléatoire dans certaines parties de sa logique et dépend de l'algorithme itératif qui est
exécuté de manière répétée, nous conduisons à utiliser la technique de Perturbation dans
notre problème en ajoutant un petit nombre aléatoire qui conduit à différentes solutions
pour chaque itération et montre une amélioration différente par rapport à l'algorithme
glouton.
1. Mettre tous les conteneurs dans ContNotSet (Initialiser ContNotSet);
2. Tant que (𝑖 ≤ 𝑛) faire
3. Trier tous les conteneurs par ordre décroissant de la date de départ 𝑑𝑑𝑐 ;
4. Tant que ContNotSet n’est pas vide faire
5. Prendre le conteneur 𝑐 ayant le 𝑑𝑑𝑐 le plus élevé dans l'ensemble
ContNotSet;
6. Si des piles existent ayant une dimension est égale à la dimension de
conteneur 𝑑𝑠 = 𝑑𝑐 alors
7. Choisir aléatoirement une pile 𝑠 en fonction de la perturbation
(bruit) ayant la solution la plus basse pour le conteneur 𝑐;
8. Mettre le conteneur 𝑐 dans la pile 𝑠;
9. Sinon
10. Solution non réalisable;
11. Fin ;
12. Fin Si
13. Fin Tant que
14. Obtenir la somme de toutes les solutions de tous les conteneurs pour cette
itération 𝑖;
15. Mettez tous les conteneurs dans ContNotSet (Reset ContNotSet);
99
Chapitre 3 – Etude et résolution du cas statique
16. 𝑖 = 𝑖 + 1;
17. Fin Tant que
18. Obtenir la solution la plus basse de toutes les itérations;
ContNotSet : est l'ensemble des conteneurs non encore placés dans les piles.
La fonction récursive d'un conteneur est utilisée pour rechercher tous les espaces
disponibles dans la zone de stockage qui ont les mêmes dimensions est représenté à la ligne
6. Puis à la ligne 7, une fonction aléatoire est créée pour obtenir la fonction objectif la plus
basse en utilisant la technique de perturbation selon une condition particulière, elle est
utilisée pour choisir à chaque fois une distribution différente pour calculer la fonction
objectif pour chaque conteneur jusqu'à obtenir la plus basse. La technique de perturbation
utilisée, consiste à faire du bruit pour chaque conteneur et à les différencier, si la différence
est supérieure à un nombre prédéfini, donc on fait un léger changement (bruit), cela veut
dire que la plupart du temps on choisit la fonction objectif la plus basse sinon nous le
laissons tel quel, et nous continuons pour tous les conteneurs existants à les vérifier.
L'utilisation de la technique de perturbation nous a donné diverses distributions, et pour
tirer parti de ces distributions, nous effectuons un certain nombre d'itérations jusqu'à ce que
nous obtenions la solution presque optimale. Ainsi, l'itération de l'algorithme glouton
randomisé à divers coûts perturbés peut conduire à diversifier la recherche, explorer de
nouveaux domaines de recherche, donc différentes solutions de bonnes qualités.
Lors de la mise en œuvre de l'algorithme aléatoire glouton, nous avons utilisé les
mêmes valeurs de paramètres que celles utilisées dans l'algorithme génétique.
Pour évaluer la qualité des solutions proposées par l'algorithme aléatoire glouton, nous
les avons comparées aux solutions optimales fournies par Gurobi. Les résultats sont
présentés dans le tableau 3.8 et 3.9 pour les petites et moyennes instances.
Tableau 3. 9 Résultats numériques de l’algorithme glouton aléatoire RGA pour les petites instances
100
Chapitre 3 – Etude et résolution du cas statique
A partir du tableau 3.8, on peut constater que l’écart moyen entre les résultats obtenus
par RGA et les résultats optimaux obtenus par Gurobi est égal à 2.06%.
101
Chapitre 3 – Etude et résolution du cas statique
Une représentation graphique figure 3.9 montre les résultats de la fonction objectif ainsi
que le gap de RGA comparé aux résultats optimaux obtenus par Gurobi. L'écart moyen
fourni par RGA est 2.06% pour les petites instances, nous pouvons donc dire que
l'algorithme glouton randomisé proposé est de haute qualité et pratique pour le problème
mentionné.
Tableau 3. 10 Résultats numériques de l’algorithme glouton aléatoire RGA pour les moyennes instances
102
Chapitre 3 – Etude et résolution du cas statique
Le tableau 3.9 montre que l'algorithme glouton randomisé (RGA) donne une solution
de haute qualité, avec un faible écart qui est égale à 1,38 % pour les moyennes instances
par rapport au solveur Gurobi.
103
Chapitre 3 – Etude et résolution du cas statique
La méta-heuristique de ILS est basée sur une stratégie de recherche locale utilisant une
solution unique tout au long du processus itératif. L'idée d'une recherche locale est de ne
garder qu'un seul état "actuel", et d'essayer de l'optimiser, ce qui signifie que nous n'irons
que vers les états voisins de ce nœud. Il s'appuie sur une série de solutions optimisées
localement par : Perturbation du minimum de courant local ; appliquer la recherche locale
après avoir démarré à partir de la solution modifiée. La perturbation doit être suffisante
pour ouvrir la voie à un bassin d'attraction différent qui mène à un meilleur local différent.
Généralement, le processus effectué par la méthode ILS commence par une solution initiale
aléatoire dans l'espace de recherche prédéfini, et le critère d'arrêt peut être un nombre
d'itérations. L'idée de base de ILS est régie par les étapes d'une recherche locale, d'une
perturbation et d'un critère d'arrêt. Pour résoudre le problème, plusieurs points doivent être
suivis pour appliquer la recherche locale itérée (ILS).
104
Chapitre 3 – Etude et résolution du cas statique
105
Chapitre 3 – Etude et résolution du cas statique
Tableau 3. 11 Conteneurs triés par ordre décroissant de date de départ et respectant les contraintes après la
permutation
𝑐𝑖+2 𝑏𝑗+2
𝑐𝑖+1 𝑏𝑗+1
𝒄𝒊 𝒃𝒋
𝑐𝑖−1 𝑏𝑗−1
𝑐𝑖−2 𝑏𝑗−2
𝑆𝑡𝑎𝑐𝑘 𝑠 𝑆𝑡𝑎𝑐𝑘 𝑠’
Notons qu'après la permutation de 𝑐𝑖 par 𝑏𝑗 , les piles deviennent comme suit tableau
3.11, avec :
- 𝑑𝑑𝑐𝑖−1 > 𝑑𝑑𝑏𝑖 > d𝑑𝑑𝑐𝑖+1
Tableau 3. 12 Conteneurs triés par ordre décroissant de date de départ et respectant les contraintes
𝑐𝑖+2 𝑏𝑗+2
𝑐𝑖+1 𝑏𝑗+1
𝒃𝒊 𝒄𝒋
𝑐𝑖−1 𝑏𝑗−1
𝑐𝑖−2 𝑏𝑗−2
𝑆𝑡𝑎𝑐𝑘 𝑠 𝑆𝑡𝑎𝑐𝑘 𝑠’
Ainsi, la fonction objectif pour cette permutation est calculée comme suit :
𝐹1 est la fonction objectif de la distribution initiale
𝑓𝑏𝑗 (𝑐𝑖 ) est la fonction objectif du conteneur 𝑐𝑖 à la place du conteneur 𝑏𝑗
Nous avons utilisé les mêmes valeurs de paramètres que celles utilisées dans
l'algorithme génétique, pour l’implémentation de ILS.
Les solutions obtenus par ILS, nous les avons comparées aux solutions optimales
fournies par Gurobi. Les résultats sont présentés dans le tableau 3.12 et 3.13 pour les petites
et moyennes instances.
106
Chapitre 3 – Etude et résolution du cas statique
Tableau 3. 13 Résultats numériques de Recherche locale itérée ILS pour les petites instances
107
Chapitre 3 – Etude et résolution du cas statique
A partir du tableau 3.12, on peut constater que l’écart moyen entre les résultats de ILS
et les résultats optimaux obtenus par Gurobi est égal à 5.83%.
Une représentation graphique figure 3.11 montre les résultats de la fonction objectif
ainsi que le gap de ILS comparé aux résultats optimaux obtenus par Gurobi.
108
Chapitre 3 – Etude et résolution du cas statique
Le tableau 3.13 montre que l’algorithme Recherche Locale Itérée (ILS) donne des
résultats loin des valeurs optimales avec un pourcentage d'écart moyen égal à 22.09%, ce
qui prouve que ILS n’a pas réussi à traiter le problème de stockage de conteneurs pour les
instances de tailles moyennes par rapport au solveur Gurobi.
109
Chapitre 3 – Etude et résolution du cas statique
Ce graphique figure 3.12 montre les résultats de l’algorithme ILS ainsi que le Gap
calculé.
110
Chapitre 3 – Etude et résolution du cas statique
conteneur 𝑑𝑠 = 𝑑𝑐 alors
7. Choisir aléatoirement une pile 𝑠 en fonction de la perturbation
(bruit) ayant la solution la plus basse pour le conteneur 𝑐;
8. Mettre le conteneur 𝑐 dans la pile 𝑠;
9. Sinon
10. Solution non réalisable;
11. Fin ;
12. Fin Si
13. Fin Tant que
14. Obtenir la somme de toutes les solutions de tous les conteneurs;
15. Mettre tous les conteneurs dans ContNotSet (Reset ContNotSet);
16. Créer m nouvelles distributions à partir de la distribution initiale actuelle
ligne 14 basée sur une permutation aléatoire pour deux conteneurs de pile
différents;
17. Obtenir la solution la plus basse des 1+m distributions ci-dessus ;
18. 𝑖 = 𝑖 + 1;
19. Fin Tant que
20. Obtenir la distribution ayant la solution la plus basse pour toutes les itérations;
ContNotSet: est l'ensemble des conteneurs non encore placés dans les piles.
En raison des bons résultats obtenus par l'algorithme hybride, le scénario est expliqué
comme suit : les lignes 2 à 7 sont déjà présentées dans l'algorithme mentionné ci-dessus
algorithme glouton randomisé et recherche locale itérée. Une fois que la solution de la ligne
13 est obtenue en tant que distribution initiale actuelle, nous créons m nouvelles
distributions à partir de cette solution actuelle de la ligne 14, basées sur une permutation
aléatoire pour deux conteneurs de pile différents pour les placer dans la position appropriée
sont déclarées à la ligne 15 et 16. À chaque itération, nous obtenons une solution, la
comparons à la précédente et gardons la solution la plus basse après avoir répété cette
procédure jusqu'à ce que nous atteignions n itérations.
La qualité des solutions fournies par l’algorithme RGA/ILS est évaluée après que nous
les avons comparé aux solutions obtenus par Gurobi, utilisant les mêmes valeurs des
paramètres qui sont utilisés par les autres algorithmes.
111
Chapitre 3 – Etude et résolution du cas statique
112
Chapitre 3 – Etude et résolution du cas statique
A partir du tableau 3.14, on peut constater que l’écart moyen entre les résultats de
RGA/ILS et les résultats optimaux obtenus par Gurobi est égal à 1.35%, ce qui est un
pourcentage important par rapport aux résultats des écarts par d'autres algorithmes.
Une représentation graphique figure 3.13 montre les résultats de la fonction objectif
ainsi que le gap de RGA/ILS qui est égale à 1.35% comparé aux résultats optimaux obtenus
par Gurobi.
Tableau 3. 16 Résultats numériques de RGA/ILS pour les moyennes instances
113
Chapitre 3 – Etude et résolution du cas statique
114
Chapitre 3 – Etude et résolution du cas statique
Le tableau 3.15 montre que l’algorithme RGA/ILS donne des valeurs optimales avec
un pourcentage d'écart moyen égal à 1.16%, ce qui prouve que RGA/ILS a réussi à traiter
le problème de stockage de conteneurs pour les moyennes instances par rapport au solveur
Gurobi. Par conséquent, l’écart moyen de déviation pour les petites et les moyennes
instances est égale à 1.26% ce qui est très prometteur.
Ce graphique figure 3.14 montre les résultats de l’algorithme RGA/ILS ainsi que le
Gap calculé.
115
Chapitre 3 – Etude et résolution du cas statique
116
Chapitre 3 – Etude et résolution du cas statique
300
250
200
150
100
50
Gurobi RGA/ILS
25
20
15
10
Gurobi RGA/ILS
117
Chapitre 3 – Etude et résolution du cas statique
Le tableau 3.17 montre que l'algorithme RGA/ILS améliore les résultats de l'algorithme
glouton randomisé et aussi ceux de la recherche locale itérée.
D'autre part, l'algorithme génétique trouve les meilleurs résultats de la fonction objectif
par rapport aux résultats trouvés par l’algorithme hybride RGA/ILS.
Le graphique suivant figure 3.18 résume les résultats obtenus par les algorithmes
(RGA/ILS, RGA et ILS) comparés ci-dessus dans le tableau 3.17
118
Chapitre 3 – Etude et résolution du cas statique
700
600
Fonction Objectif
500
400
300
200
100
Instances
Le graphique figure 3.19 résume les résultats obtenus par l’algorithme génétique comparés
aux résultats de l’algorithme hybride RGA/ILS dans le tableau 3.17.
600
500
Fonction objectif
400
300
200
100
Instances
RGA/ILS GA
Le tableau 3.18 montre que l'algorithme RGA/ILS trouve les mêmes distances dans la
plupart des cas, comparé à l'algorithme génétique.
119
Chapitre 3 – Etude et résolution du cas statique
Instances RGA/ILS GA
𝑵𝒔 𝑵𝒄
13 75 74
7 16 104 104
22 142 142
15 80 80
10 20 132 132
30 199 199
10 41 41
20 40 229 232
45 272 272
10 45 45
30 30 157 156
50 281 280
10 33 36
40 40 234 238
45 249 248
Le tableau 3.19 montre que l'algorithme RGA/ILS trouve les mêmes nombres de
remaniements dans la plupart des cas, comparé à l'algorithme génétique.
Tableau 3. 20 Comparaison des nombres de remaniements
Instances RGA/ILS GA
𝑵𝒔 𝑵𝒄
13 7 8
7 16 12 12
22 16 16
15 13 13
10 20 12 12
30 21 21
10 3 3
20 40 10 11
45 14 14
10 2 2
30 30 5 5
50 21 20
10 2 2
40 40 21 22
45 13 11
120
Chapitre 3 – Etude et résolution du cas statique
3.8 Conclusion
Dans ce chapitre, le cas statique est traité du problème du stockage de conteneurs dans
un terminal portuaire. Un modèle mathématique est proposé qui prend en considération les
limitations physiques et opérationnelles du problème. Quatre principaux objectifs sont
visés dans ce modèle, qui sont : la minimisation de la hauteur de la place du conteneur, la
minimisation de la distance entre les piles et la porte de sortie, la minimisation du nombre
de remaniements pour les deux niveaux supérieurs de la pile et la minimisation de la
distance entre les piles appartenant à la même catégorie en utilisant la technique du centre
de gravité.
Le cas étudié concerne plusieurs types de conteneurs pour la résolution numérique,
considérant que la zone de stockage est assez grande et les piles ne sont pas initialement
vides. Un algorithme de recherche locale itérée, un algorithme glouton randomisé, un
algorithme génétique et une hybridation sont proposés. Des simulations numériques et
des comparaisons avec "GUROBI" ont montré que ces différents algorithmes fournissent
de bons résultats, et que l'hybridation est un bon moyen pour améliorer les résultats des
algorithmes.
Le cas critique qui consiste à trouver un plan optimal de stockage pour les conteneurs
dangereux est traité dans le chapitre suivant.
121
Chapitre 3 – Etude et résolution du cas statique
122
Chapitre 4 – Etude et résolution du cas critique
Chapitre 4
Etude et résolution du cas
critique
4.1 Introduction
L'une des précautions les plus importantes à prendre au port est d'organiser les
conteneurs dangereux et de prendre des précautions contre toute interaction inattendue qui
en résulterait. Le problème du stockage des conteneurs en général et des conteneurs
dangereux en particulier est devenu une question d'importance qui doit être traitée pour
éviter tout accident inattendu.
C'est un problème que de nombreux chercheurs abordent au niveau du navire mais pas
dans la zone de stockage, c'est pourquoi dans ce chapitre nous nous concentrerons sur le
problème du stockage des conteneurs dangereux importés dans la zone de stockage en les
plaçant à l'endroit approprié à distance des autres conteneurs qui peuvent interagir pour
fournir un service de sécurité et ceci conformément au calendrier standard IMDGc
(International Maritime Dangerous Good code).
Le reste de ce chapitre est organisé comme suit : la section 4.2 présente une étude de
cas du port de Tripoli-Liban. La section 4.3 présente la classification et la ségrégation des
matières dangereuses. La section 4.4 présente la définition du problème. La section 4.5
nous décrivons les hypothèses. Une formulation mathématique pour le PSC, qui peut être
résolue par le solveur Gurobi pour les petites et moyennes instances dans la section 4.6. La
section 4.7 présente les algorithmes de résolution utilisés pour aborder notre MIP et
rapporte les résultats des simulations numériques et vérifie l'efficacité des algorithmes
après avoir présenté une étude comparative. Enfin, la conclusion est tirée dans la section 8.
123
Chapitre 4 – Etude et résolution du cas critique
dans le port de Beyrouth en Août 2020, une décision stratégique doit être prise afin de
déterminer les meilleures solutions pour faire face et combler les lacunes découvertes au
port de Tripoli-Liban. En tant que hub logistique, le port de Tripoli est le deuxième port à
conteneurs du Liban. Il est situé dans une région prospère de la région nordique.
La zone de stockage des conteneurs entrants contient environ 1 800 conteneurs d'une
taille de 20 EVP (unités équivalentes à vingt pieds), ce qui est considéré comme grand par
rapport à ce qui entre dans la zone de stockage, d'où la zone de stockage importée contient
jusqu'à 50 baies (de longueur), chaque baie contient 6 piles (en largeur) et chaque pile
contient 6 conteneurs de même taille. Voir la figure 4.1
124
Chapitre 4 – Etude et résolution du cas critique
125
Chapitre 4 – Etude et résolution du cas critique
stockage sur des conteneurs existants non dangereux, l'objectif est de maintenir la
configuration sécurisée du terminal.
Les Nations Unies (ONU) ont proposé une catégorisation des substances dangereuses
en fonction de l'acuité de leurs effets. Il existe neuf classes principales définies, plusieurs
d'entre elles ayant des classes subordonnées.
Cette catégorisation est composée de quatre éléments principaux : l'appellation
réglementaire du produit, sa classe, son numéro ONU et son groupe d’emballage [GPMH,
2012+].
Les types principaux et secondaires de matières dangereuses sont les suivants :
126
Chapitre 4 – Etude et résolution du cas critique
127
Chapitre 4 – Etude et résolution du cas critique
Pour assurer leur sécurité et gérer leurs risques, les matières dangereuses nécessitent de
bonnes conditions de stockage. La réglementation proposée par l'ONU prend en compte
les propriétés physiques des marchandises afin d'atténuer les risques d'interactions
probables entre elles lors du stockage. À cet égard, avant de stocker un produit, le
responsable doit s'assurer que les classes de matériaux à stocker sont compatibles.
Le stockage des produits doit respecter les règles de classification des matières
dangereuses. Ces règles sont définies par une matrice qui combine les neuf classifications
dont nous avons mentionné précédemment afin de déterminer la compatibilité des produits.
Le but de la classification est de fixer les distances de sécurité entre les conteneurs
dangereux afin d'éviter les interactions entre les produits et d'éviter l'effet domino d'un
événement sur d'autres matières dangereuses stockées dans la même zone.
Le tableau 4.2 présente la matrice de compatibilité entre les matières dangereuses et les
distances de séparation qui doivent être maintenues lors du stockage [GPMH, 2012].
1. 2. 3.
1 1.2 1.3 1. 2. 2 1 3. 4. 4. 4. 5. 5. 6. 7 8
1. 4 1 2. 3. 3 1 2 3 1 2 1
5 3 2
Explosives 1.1 4 2 4 4 4 4 4 4 4 2 2 4
1.5
Explosives 1.2 4 2 4 4 4 4 4 4 4 2 2 4
Explosives 1.3 4 2 4 4 3 3 4 4 4 2 2 4
Explosives 1.4 2 1 2 2 2 2 2 2 2 X 2 2
Gaz 4 4 4 2 X 2 2 1 2 1 2 4 X 2 1
inflammabl 2.1
es
Autres que 2.2 2 2 2 1 X 2 2 X 1 X X 2 X 1 X
les gaz 2.3
inflammabl
es
Liquides 3.1 4 4 4 2 2 2 2 2 2 2 3 X 2 2
inflammabl 3.2
es
Liquides 4 4 4 2 2 2 1 2 2 2 3 X 2 1
inflammabl 3.3
es
128
Chapitre 4 – Etude et résolution du cas critique
Solides 4 4 3 2 1 X 2 1 1 1 1 2 X 2 1
inflammabl 4.1
es
Substances 4 4 3 2 2 1 2 2 1 1 2 2 X 2 1
spontanéme 4.2
nt
combustible
s
Substances 4 4 4 2 1 X 2 2 1 1 2 2 X 2 1
dangereuses
lorsqu'elles 4.3
sont
mouillées
Substances 5.1 4 4 4 2 2 X 2 2 1 2 2 2 1 1 2
oxydantes
Peroxydes 5.2 4 4 4 2 4 2 3 3 2 2 2 2 1 2 2
organiques
Poisons 6.1 2 2 2 X X X X X X X X 1 1 X X
Substances 7 2 2 2 2 2 1 2 2 2 2 2 1 2 X 2
radioactives
Corrosives 8 4 4 2 2 1 X 2 1 1 1 1 2 2 X 2
Diverses
substances 9 isolement non général recommandé ; les horaires individuels doivent être consultés
dangereuses
1 3m
2 10 Distance
m s
3 30
m
4 Dans différents entrepôts ou séparés par des murs coupe-feu ; à l'air libre à au moins 30 m
de distance
X Aucune ségrégation générale recommandée ; les horaires individuels doivent être
consultés.
129
Chapitre 4 – Etude et résolution du cas critique
réduire les risques qui peuvent survenir et de les séparer par un distance selon le code
IMDG pour limiter les interactions entre eux.
Lors d'une récente visite au port maritime de Tripoli-Liban avec une observation
attentive, conclure à un grave chaos dans la gestion des conteneurs dangereux. Pour éviter
tout accident catastrophique qui pourrait survenir, nous proposons un modèle
mathématique qui se concentre sur le stockage de conteneurs dangereux dans une zone de
stockage, tout en maintenant et en respectant une distance fixe entre toutes les classes selon
le code standard IMDG pour interdire toute interaction et sécuriser la zone de stockage.
Empêcher l'empilement de conteneurs contenant du liquide inflammable dans les coins de
la zone de stockage pour éviter tout accident qui pourrait survenir à tout moment.
Notre contribution est double. Premièrement, nous proposons un modèle MIP pour
maximiser la somme de la distance entre les conteneurs dangereux d'une distance fixe selon
le code IMDG et éviter d'empiler des liquides inflammables dans les coins de la cour de
stockage et le long de la ligne parallèle à la porte de sortie. Notre travail est basé sur la
communication avec les agents portuaires ainsi que sur le suivi de l'action réelle dans le
port. Le choix du modèle mathématique s'est appuyé sur les recommandations de l'équipe
de manutention portuaire pour faciliter le stockage du conteneur dangereux au terminal.
Deuxièmement, nous développons trois méta-heuristiques différentes ; un algorithme
de recuit simulé (RS), un algorithme génétique (AG), un algorithme de colonie d’abeilles
(BA) et enfin un algorithme hybride qui combine (AG/RS) pour résoudre le problème
d'empilement de conteneurs dangereux. RS, AG et BA sont des algorithmes efficaces pour
résoudre le problème tout en produisant une solution de haute qualité. Le problème devient
plus complexe, ce qui signifie que le choix d'une bonne méta-heuristique peut fournir un
bon résultat, car RS et BA sont des approches heuristiques les plus préférables pour
résoudre les problèmes d'optimisation. RS comprend un compromis entre le temps de
calcul et la sensibilité de la solution qui l'article présente comme une étude de cas du port
maritime de Tripoli-Liban. À notre connaissance, BA n'était pas appliqué auparavant pour
résoudre ce type de problème dans la zone de stockage. Compte tenu des résultats de la
comparaison des algorithmes, nous émettons l'hypothèse que de meilleurs résultats peuvent
être obtenus en introduisant cette nouvelle méta-heuristique inspirée de la nature.
Les nouvelles méta-heuristiques inspirées de la nature surpassent les anciens
algorithmes dans la résolution de nombreux problèmes d'optimisation, selon les résultats
rapportés dans [92], [93], [94], [95] comparant les anciens algorithmes (algorithme
génétique, algorithme de colonie de fourmis et particle swarm algorithm) avec les
nouveaux (BA, firefly, et bat algorithm) inspirés par la nature.
Contrairement à d'autres auteurs, nous avons proposé une nouvelle stratégie efficace
pour stocker les conteneurs dangereux, qui évite autant que possible les défauts mentionnés
pour minimiser les incidents imprévus. Ainsi, les méta-heuristiques sont des méthodes qui
ont été appliquées avec succès pour résoudre des problèmes combinatoires, et ces stratégies
130
Chapitre 4 – Etude et résolution du cas critique
fonctionnent souvent bien dans diverses compétitions de mise en œuvre, telles que le
problème d'empilement de conteneurs dangereux en tant que problèmes NP difficiles.
4.5 Hypothèses
Pour résoudre le problème d'empilement de conteneurs dangereux, un programme
linéaire en nombres entiers (PLNE) est proposé. Avant de décrire le modèle mathématique,
les hypothèses qui sont considérées sont les suivantes.
1. Les conteneurs dangereux sont numérotés dans l’ordre ordre croissant de leurs ordres
d’arrivée croissant.
2. Pour chaque pile, les conteneurs dangereux sont stockés dans l'ordre décroissant de leur
date de départ.
3. Avant le début de chaque période, nous connaissons l'état de la zone de stockage, donc
l'espace libre disponible.
4. Les conteneurs sont stockés conformément à la contrainte de compatibilité
dimensionnelle. Cette approche prend en compte deux tailles (20 EVP et 40 EVP) de
conteneurs, et dans chaque pile, nous ne stockons que les conteneurs ayant la même
dimension.
5. Dans la zone de stockage, une baie contient au maximum 6 piles successives.
6. Les conteneurs de différentes classes doivent être séparés par une distance fixe selon le
tableau IMDGc.
7. S'assurer d'éviter le placement de conteneurs contenant des liquides inflammables dans
des emplacements critiques.
131
Chapitre 4 – Etude et résolution du cas critique
Dans notre cas, nous supposons que nous avons un grand espace de stockage lorsque
les conteneurs dangereux sont stockés au-dessus des non dangereux. Nous avons noté les
indices, paramètres et variables de décision, puis proposé un modèle mathématique avec
toutes les contraintes correspondantes.
f- Indices
• 𝑐 : Conteneur dangereux
• 𝑠 : Pile
• 𝑖 : Emplacement dans une pile
• 𝑚 : Distance en mètres
g- Paramètres concernant les piles
• 𝑁𝑠 : Nombre de piles tel que 𝑆 = {1, . . . , 𝑁𝑠 }
• 𝑓𝑠 : Nombre d'espaces libres dans une pile 𝑠 tels que 𝐹 = {1, . . . , 𝑓𝑠 }
• 𝑑𝑠 : Dimension de la pile 𝑠 (20 EVP, 40 EVP ou 45 EVP)
• 𝑑𝑑𝑠 : Date de départ du conteneur existant en haut de la pile 𝑠 au début des opérations de
stockage
• 𝑛𝑒𝑠 : Pile à placer sur les bords de la zone de stockage ou non
h- Paramètres concernant les conteneurs
• 𝑁𝑐 : Nombre de conteneurs tels que 𝐶 = {1, . . . , 𝑁𝑐 }
• 𝑑𝑐 : Dimension du conteneur ℎ𝑐 (20 EVP, 40 EVP)
• 𝑑𝑑𝑐 : Date de départ du conteneur 𝑐
• 𝑐𝑎𝑐 : Catégorie à laquelle appartient le conteneur 𝑐
𝑖𝑙 : Conteneur dangereux 𝑐 contient du liquide ou non
i- Données générales
• 𝑑𝑚 : la distance fixe entre les conteneurs dangereux (3 m, 10 m ou 30 m selon la table
IMDGc)
𝑐
• 𝑧𝑐′ : la distance en mètres entre deux conteneurs appartenant à des classes de matières
dangereuses déterminées.
• 𝑓𝑐𝑐′ : la somme des distances d'espacement entre deux conteneurs appartenant à des classes
de matières dangereuses déterminées.
132
Chapitre 4 – Etude et résolution du cas critique
𝑁𝑐 𝑁𝑐 𝑁𝑐 𝑁𝑠 𝑓𝑠
𝑀𝑎𝑥𝑖𝑚𝑖𝑠𝑒𝑟 (∑ ∑ 𝑓𝑐𝑐′ 𝑐
+ ∑ ∑ ∑ 𝑛𝑒𝑠 𝑖𝑙𝑐 𝑥𝑠,𝑖 ) (4.1)
𝑐=1 𝑐 ′ =1 𝑐=1 𝑠=1 𝑖=1
La fonction objectif (4.1) de ce modèle vise à maximiser la distance entre les conteneurs
dangereux entrants après avoir trouvé les meilleurs emplacements dans la zone de
stockage pour éviter toute interaction entre eux, et à éviter les conteneurs contenant des
produits liquides inflammables d'être empilés dans les coins et tout le long de la porte de
sortie de la zone de stockage pour éviter tout accident qui peut survenir à tout moment.
𝑁𝑠 𝑓𝑠
𝑐
∑ ∑ 𝑥𝑠,𝑖 = 1, ∀ 𝑐 ∈ 𝐶 (4.2)
𝑠=1 𝑖=1
La contrainte (4.2) garantit que chaque conteneur est stocké dans un seul emplacement.
𝑁𝑐
𝑐
∑ 𝑥𝑠,𝑖 ≤ 1, ∀ 𝑠 ∈ 𝑆, 𝑖 ∈ 𝐹 (4.3)
𝑐=1
La contrainte (4.3) vérifie que plusieurs conteneurs ne sont pas stockés simultanément à
un même emplacement.
𝑁𝑠 𝑓𝑠
𝑐
∑ ∑ 𝑥𝑠,𝑖 = 0, ∀ 𝑐 ∈ 𝐶; 𝑑𝑐 ≠ 𝑑𝑠 (4.4)
𝑠=1 𝑖=1
La contrainte (4.4) tient compte des différences entre les dimensions des conteneurs, ce
qui impose que les conteneurs ayant les mêmes dimensions soient affectés à une même
pile.
𝑁𝑐 𝑁𝑐
𝑐 𝑐
∑ 𝑥𝑠,𝑖 ≥ ∑ 𝑥𝑠,𝑖+1 ,∀ 𝑠 ∈ 𝑆,𝑖 ∈ 𝐹 − 1 (4.5)
𝑐=1 𝑐=1
133
Chapitre 4 – Etude et résolution du cas critique
La contrainte (4.5) garantit qu'une position intermédiaire vide est interdite entre les
conteneurs stockés dans une même pile.
𝑁𝑐 𝑁𝑐
𝑐 𝑐
∑ 𝑑𝑑𝑐 𝑥𝑠,𝑖 ≥ ∑ 𝑑𝑑𝑐 𝑥𝑠,𝑖+1 , ∀ 𝑠 ∈ 𝑆, 𝑖 ∈ 𝐹 − 1 (4.6)
𝑐=1 𝑐=1
La contrainte (4.6) vérifie que, dans chaque pile les nouveaux conteneurs sont stockés
par ordre décroissant de leurs dates de départ.
𝑁𝑠 𝑓𝑠 𝑁𝑠 𝑓𝑠
𝑐 𝑐 𝑐′
𝑧𝑐′ = |∑ ∑ 𝑠 𝑥𝑠,𝑖 − ∑ ∑ 𝑠 𝑥𝑠,𝑖 | (4.7)
𝑠=1 𝑖=1 𝑠=1 𝑖=1
∀ 𝑐 ∈ 𝐶; 𝑐 ′ = 𝑐 + 1, … , 𝐶
𝑐
La contrainte (4.7) 𝑧𝑐′ : Calcule la distance entre deux conteneurs, 𝑐 et 𝑐′, appartenant à
des classes de matières dangereuses déterminées. La distance est calculée en mètres.
𝑁𝑐 𝑁𝑐
∀ 𝑐, 𝑐 ′ ∈ 𝐶
∀ 𝑐, 𝑐′ ∈ 𝐶
La contrainte (4.9) garantit que la distance enregistrée entre les conteneurs appartenant
à des classes de matières dangereuses déterminées, doit être supérieure ou égale à une
distance fixe prédéfinie 𝑑𝑚 selon le code IMDG.
𝑐
𝑥𝑠,𝑖 ∊ {0,1} (4.10)
∀ 𝑐 ∊ 𝐶; 𝑠 ∊ 𝑆; 𝑖 ∊ 𝐹
134
Chapitre 4 – Etude et résolution du cas critique
135
Chapitre 4 – Etude et résolution du cas critique
car 𝑠𝑖 𝑋 + 𝑌 est minimum => 𝑋 + 𝑌 = 𝐷; 𝑠𝑖 𝑋 + 𝑌 > 𝑘√2 => 𝐷 > 𝑘√2 =>
𝐷 > 𝑘
Pour optimiser le modèle, Un algorithme de recuit simulé (RS) est proposé pour
résoudre le problème étudié et rechercher une solution quasi optimale. Le recuit simulé
(RS) est une technique probabiliste de résolution de problèmes combinatoires initiée par
Kirkpatrick et al. [96] . Comme son nom l'indique, cet algorithme suit la procédure de
recuit en métallurgie. La technique consiste à chauffer le métal à très haute température
puis à le refroidir progressivement pour améliorer sa structure.
RS est un algorithme basé sur la recherche locale, qui explore le voisinage d'une
solution initiale afin de trouver de meilleures solutions en utilisant les paramètres suivants
: 𝑇𝑚𝑎𝑥 une température maximale, 𝑇𝑚𝑖𝑛 une température minimale, 𝐾 un coefficient pour
diminuer la température 𝑇, une solution initiale S, et une méthode pour rechercher un voisin
S'. L'algorithme peut être résumé comme suit.
136
Chapitre 4 – Etude et résolution du cas critique
La fonction de solution 𝑓(𝑆) est une somme de deux opérations : Premièrement, nous
calculons la somme des distances entre les conteneurs dangereux. Deuxièmement, si le
conteneur contient du liquide et qu'il n'est pas sur le bord, ajoutez 1 sinon c'est 0.
RS fonctionne comme suit : Nous commençons par initialiser la valeur des
paramètres 𝑇𝑚𝑎𝑥 , 𝑇𝑚𝑖𝑛 𝑒𝑡 𝐾, ils ont été définis comme 3000°C, 1°C et 0.987 selon Irace
Package. Lors de la construction de la solution initiale S, nous affectons les conteneurs aux
piles de manière séquentielle dans un ordre aléatoire. On choisit aléatoirement un conteneur
c qui n'est pas encore traité, puis on choisit aléatoirement une pile s de même taille que c
qui respecte la date de départ afin d'obtenir la répartition initiale (Ligne 1 et 2). Par la suite,
une exploration de son voisinage S' sera établie et une nouvelle solution basée sur la
première sera choisie en sélectionnant au hasard un conteneur et en l'affectant à une autre
pile (ligne 3). Si elle est meilleure que la solution actuelle, elle prendra sa place, sinon elle
sera sélectionnée avec un nombre de probabilité r compris entre [0, 1], où 𝑇 est le paramètre
de température, qui sera à son tour réduit. Cette probabilité décroît de façon exponentielle,
suite à la dégradation de la solution actuelle. Par la suite, 𝑇 diminuera, selon un facteur 𝑘
défini, au fur et à mesure que l'algorithme se déroulera pour simuler le processus de
refroidissement des matériaux. Sa décroissance est suffisamment lente pour que l'équilibre
thermodynamique soit maintenu.
Enfin, le critère d'arrêt de l'algorithme peut être un nombre maximum d'itérations, une
valeur minimum de la température finale ou un nombre d'itérations sans améliorer la
meilleure solution (Ligne 5 – 12) [75]. Puisque la température devient inférieure à un, nous
arrêtons l'algorithme, en obtenant la solution quasi optimale.
137
Chapitre 4 – Etude et résolution du cas critique
L’algorithme RS est codé et exécuté en langage Java. Les simulations numériques sont
réalisées à l'aide d'un processeur Core i7 - 3610QM @ PC Win7 2,30 GHz avec 6 GB de
RAM pour mesurer les performances de cet algorithme.
L'utilisation principale d'Irace est la configuration automatique d'algorithmes
d'optimisation et de décision, c'est-à-dire trouver les paramètres les plus appropriés d'un
algorithme étant donné un ensemble d'instances d'un problème.
Le tableau 4.3 montre les valeurs des principaux paramètres utilisés pour l'exécution
de l'algorithme RS proposé. Les valeurs de tels paramètres dépendent fortement du
problème étudié. Il n'y a donc pas de paramètres propres à résoudre tous les problèmes qui
peuvent être posés à un recuit simulé.
Cependant, certaines valeurs sont souvent utilisées et peuvent être de bons points de
départ pour démarrer une recherche de solution à l'aide d'un RS. Les valeurs de ces
paramètres sont basées sur de nombreux tests de performance et de convergence de RS sur
différentes instances. Ces résultats montrent clairement l'intérêt d'utiliser Irace Package
pour obtenir la solution quasi optimale de l'algorithme de recuit simulé.
Tableau 4. 3 Paramètres RS
En raison de la complexité du problème, nous avons remarqué que les grandes instances
ne peuvent pas être résolues par le solveur Gurobi car il nécessite beaucoup de place
mémoire. En commençant par 72 comme nombre de piles et 18 comme nombre de
conteneurs, le problème devient plus complexe, nous interrompons donc la simulation de
Gurobi car elle a durée plus de 2 heures. Notez que RS donne une solution de 1755 en
0,204 secondes.
Par conséquent, pour faire les comparaisons, nous avons utilisé des petites et moyennes
instances qui ont généré aléatoirement toutes les propriétés liées aux piles et aux conteneurs
et nous avons testé notre modèle sur les instances mentionnées dans les tableaux suivants.
Les instances utilisées, dans cette phase de simulation, sont considéré par deux groupes les
instances de petite et moyenne taille, qui sont décrites dans le tableau 4.4.
138
Chapitre 4 – Etude et résolution du cas critique
Nombre de piles 30 ≤ 𝑁𝑠 ≤ 42 48 ≤ 𝑁𝑠 ≤ 72
Le tableau 4.5, montre une comparaison faite entre Gurobi et RS pour les petites
instances. On peut voir que RS atteigne la solution optimale obtenue par Gurobi et ceci est
exécuté en un temps très court de moins de 1 seconde. On indique par 𝑁𝑠 le nombre de pile
et par 𝑁𝑐 le Nombre de conteneur dangereux, 𝑓𝐺𝑢𝑟𝑜𝑏𝑖 est la valeur de solution optimale
trouvée par Gurobi. 𝑓𝑅𝑆 est la meilleure valeur de la solution trouvée par cet algorithme,
𝑓𝑅𝑆 𝐴𝑣𝑔 est la valeur moyenne trouvée de nombreux essais, ainsi que le Gap pour chacun. La
dernière colonne représente le temps d'exécution pour chaque instance qu'ils sont
considérés comme efficaces pour les instances de petite taille. Par conséquent, la formule
pour calculer le pourcentage d'écart est : 𝐺𝑎𝑝𝒇 ,𝒇 = [(𝑓𝐺𝑢𝑟𝑜𝑏𝑖 − 𝑓𝑅𝑆 )/𝑓𝐺𝑢𝑟𝑜𝑏𝑖 ] × 100
𝑮𝒖𝒓𝒐𝒃𝒊 𝑺𝑨
On peut voir dans le tableau 4.6 que Gurobi donne la solution optimale mais avec un
temps croissant en fonction de la taille de l'instance, tandis que RS donne une solution
quasi optimale par rapport à Gurobi en un temps inférieur à 1 seconde avec un pourcentage
moyen d'écart égal à 2,65%. De plus, cet algorithme est également capable de résoudre de
grandes instances qui ne peuvent pas être résolues par Gurobi. Nous pouvons conclure que
cet algorithme proposé est efficace pour ce problème.
139
Chapitre 4 – Etude et résolution du cas critique
140
Chapitre 4 – Etude et résolution du cas critique
Les tirets suivants --- indiquent que la simulation s'est arrêtée car elle a durée plus de deux
heures.
Nous avons comparé les résultats de l'algorithme RS aux solutions optimales offertes
par le programme "Gurobi" pour voir à quel point ils étaient bons. Le tableau 4.4 présente
les principales caractéristiques des instances utilisées dans cette section. Le tableau 4.7, en
revanche, fournit des informations supplémentaires.
Une comparaison des distances par le solveur Gurobi et RS est donnée dans le tableau
4.7.
On constate dans le tableau 4.7, que les distances trouvées par RS sont proche de celles
trouvées par le solveur Gurobi, et même dans certains cas, RS et Gurobi trouvent les mêmes
distances. D'ailleurs le pourcentage de déviation moyen ne dépasse pas 3%.
141
Chapitre 4 – Etude et résolution du cas critique
L'algorithme génétique (AG) est une technique de recherche aléatoire basée sur le
mécanisme de la sélection naturelle. L'AG commence par un ensemble de solutions
aléatoires appelées population. Il a été développé par John Holland à l'Université du
Michigan. Chaque individu, appelé chromosome, est représenté par une chaîne. Les
chromosomes se développent par itérations successives appelées générations. La
progéniture est générée par les processus de croisement et de mutation sur des
chromosomes sélectionnés au hasard. Une nouvelle génération est ensuite sélectionnée sur
la base de l'évolution darwinienne grâce à l'évaluation de la fitness. Les individus ayant de
meilleures performances auront plus de chances d'être choisies.
L’AG a été affiné par plusieurs chercheurs et est devenu l'un des algorithmes
heuristiques les plus populaires pour résoudre les problèmes d'ordonnancement des
installations et des opérations dans les terminaux à conteneurs [97]. Après de nombreuses
générations, les algorithmes arrivent enfin au meilleur chromosome, qui devrait être la
meilleure ou presque la meilleure solution au problème. (Gen & Chen 1997, pp.1-2).
1 2 3 4 5 6 … n
Genes
Trois opérateurs clés qui ont une influence significative dans le succès d'une AG : la
sélection, le croisement et la mutation.
1) Opérateur de sélection : C'est l'opérateur le plus important. Un individu avec une valeur
de « fitness » plus élevée a une meilleure probabilité d'être sélectionné qu'un autre avec
une valeur plus faible. Ce processus garantit la capacité de contribuer à la prochaine
génération. Plusieurs méthodes existent pour la reproduction, la plus connue et la plus
utilisée étant la roulette de Goldberg (1989). Le principe de la roulette de Goldberg est que
chaque individu a une probabilité proportionnelle d'être choisi en fonction de ses
performances, donc plus il y a d'individus qui se sont adaptés au problème, plus ils ont de
chances d'être choisis. Chaque individu se voit attribuer un secteur avec un angle
proportionné à sa « forme physique ». Lorsque la roue s'arrête de tourner, l'individu qui
correspond au secteur assigné est choisi.
2) Opérateur de croisement : Le croisement est le processus de recombinaison entre deux
individus pour générer des individus de nouvelle génération. Le nouvel individu hérite
certaines des caractéristiques du premier parent et des autres caractéristiques de l'autre
parent. Le nouvel individu créé dans le processus peut être plus en forme que les parents
ou peut être plus faible. Cela dépend du choix des caractéristiques de l'individu. Le
croisement en un point met un point de croisement selon un taux de croisement définit.
Selon une probabilité de croisement, un enfant prélève une partie avant le point de
142
Chapitre 4 – Etude et résolution du cas critique
croisement d'un parent et l'autre section après le point de croisement de l'autre parent, puis
recombine les deux sections pour produire un nouveau chromosome. La sélection de
bonnes caractéristiques des deux parents qui conduisent à une bonne condition physique
conduit à de meilleurs individus et vice versa.
Solution 1 C_1 C_2 C_3 C_4 C_5 C_6 … C_n
Solution 2 C_1 C_2 C_3 C_4 C_5 C_6 … C_n
Nous partons d'une population de 100 solutions initiales (ligne 1). Chaque individu
de la population est appelé un chromosome, qui est composé d'une série de baies et
représente une solution. Le chromosome est constitué de plusieurs gènes représentant les
emplacements des conteneurs stockés en pile dans la zone de stockage, et il a une fonction
objectif qui mesure l'adaptation d'un individu à son environnement local (ligne 4). La
1
( )
formule suivante est utilisée pour calculer la fonction de fitness : 𝑓𝑖𝑡𝑛𝑒𝑠𝑠 = (∑𝑃𝑜𝑓𝑜𝑓).
1
143
Chapitre 4 – Etude et résolution du cas critique
144
Chapitre 4 – Etude et résolution du cas critique
AG est codé et exécuté en langage Java. Les simulations numériques sont réalisées à
l'aide d'un processeur Core i7 - 3610QM @ PC Win7 2.30 GHz avec 6 GB de RAM pour
mesurer les performances de cet algorithme.
L'utilisation principale d'Irace est la configuration automatique d'algorithmes
d'optimisation et de décision, c'est-à-dire trouver les paramètres les plus appropriés d'un
algorithme étant donné un ensemble d'instances d'un problème.
Les valeurs des principaux paramètres, comme indiqué dans le tableau 4.8, dépendent
fortement du problème étudié et de l'AG utilisé pour le résoudre. Les valeurs de ces
paramètres sont basées sur une variété d'expériences de performance et de convergence
d'AG réalisées sur diverses instances, car il n'y a pas de paramètres idéaux pour résoudre
tous les problèmes qu'un AG peut être utilisé pour résoudre.
Tableau 4. 8 Paramètres AG
L'utilisation du package Irace pour obtenir une solution presque optimale pour
l'algorithme mentionné est clairement démontrée par ces résultats.
En raison de la complexité du problème, nous avons remarqué que les grandes instances
ne peuvent pas être résolues par le solveur Gurobi car il nécessite beaucoup de place
mémoire. En commençant par 72 comme nombre de piles et 18 comme nombre de
conteneurs, le problème devient plus complexe, nous interrompons donc la simulation de
Gurobi car elle a durée plus de 2 heures. Notez que AG donne une solution de 1723 en
87,94 secondes ce qui est très encourageant. Par conséquent, pour faire les comparaisons,
nous avons utilisé des petites et moyennes instances qui ont généré aléatoirement toutes les
propriétés liées aux piles et aux conteneurs et nous avons testé notre modèle sur les
instances mentionnées dans les tableaux suivants.
145
Chapitre 4 – Etude et résolution du cas critique
Les instances utilisées, dans cette phase de simulation, sont considéré par deux groupes
les instances de petite et moyenne taille, qui sont décrites dans le tableau 4.4 ci-dessus.
Le tableau 4.9 montre une comparaison faite entre Gurobi et AG pour les petites
instances. On indique par 𝑁𝑠 le nombre de pile et par 𝑁𝑐 le Nombre de conteneur dangereux,
𝑓𝐺𝑢𝑟𝑜𝑏𝑖 est la valeur de solution optimale trouvée par Gurobi, 𝑓𝐴𝐺 est la meilleure valeur de
la solution trouvée par cet algorithme, ainsi que le Gap pour chacun.
La dernière colonne représente le temps d'exécution pour chaque instance qu'ils sont
considérés comme efficaces pour les instances de petite taille. Par conséquent, la formule
pour calculer le pourcentage d'écart est : 𝐺𝑎𝑝𝒇 ,𝒇 = [(𝑓𝐺𝑢𝑟𝑜𝑏𝑖 − 𝑓𝐴𝐺 )/𝑓𝐺𝑢𝑟𝑜𝑏𝑖 ] × 100
𝑮𝒖𝒓𝒐𝒃𝒊 𝑨𝑮
On peut voir dans le tableau 4.10 que Gurobi donne la solution optimale mais avec un
temps croissant en fonction de la taille de l'instance, tandis que tandis que AG donne une
solution quasi optimale mais dans des temps d'exécution différents selon la taille des
instances, avec un écart moyen égal à 4,37%. De plus, cet algorithme est également capable
de résoudre de grandes instances qui ne peuvent pas être résolues par Gurobi. Nous
pouvons conclure que cet algorithme proposé est efficace pour ce problème.
146
Chapitre 4 – Etude et résolution du cas critique
Les tirets suivants --- indiquent que la simulation s'est arrêtée car elle a durée plus de deux
heures.
Pour évaluer l'excellence des résultats de l'algorithme AG, nous les avons comparés
aux solutions optimales du logiciel "Gurobi". Une comparaison des distances trouvée par
le solveur Gurobi et AG est donnée dans le tableau 4.11.
147
Chapitre 4 – Etude et résolution du cas critique
On constate dans le tableau 4.11 que les distances trouvées par AG sont proche de celles
trouvées par le solveur Gurobi, et même dans certains cas, AG et Gurobi trouvent les
mêmes distances. D'ailleurs le pourcentage de déviation moyen ne dépasse pas 4%.
148
Chapitre 4 – Etude et résolution du cas critique
mystérieuse est le moyen de communication des abeilles. Cette danse est basée sur la
course waggle, qui consiste à déplacer le corps d'un côté à l'autre afin de produire un fort
bourdonnement. Pour accomplir cette danse, l'abeille fait d'abord vibrer les muscles de ses
ailes, puis court en ligne droite pour indiquer l'orientation des fleurs. La fréquence et la
gamme de bourdonnements du frémissement reflètent la qualité de la source, tandis que le
rythme et la durée de la danse sont proportionnels à la distance de la source.
L'algorithme de colonie d’abeilles (BA), que nous proposons pour résoudre le problème
d'empilement de conteneurs dangereux, implique six paramètres : le nombre maximum
d'itérations (mic), le nombre d'abeilles éclaireuses (nsb), le nombre de solutions d'élite
(nes), le nombre de meilleures solutions après les élites (nbs), le nombre de butineuses pour
les solutions d'élite (nfe), le nombre de butineuses pour les meilleures solutions (nfb).
L'algorithme peut être résumé comme suit.
1 Générer des solutions aléatoires (chaque abeille éclaireuse construit une solution)
2 Évaluer la fitness (la fonction objectif pour chaque solution)
3 Initialiser le nombre d'itérations, i = 1
4 Tant que i < mic faire
4.a Sélectionner nes solutions d'élite (le plus grand de la fonction objectif)
4.b Sélectionner les sites nbs pour les solutions de voisinage du point 4.a en fonction
du rayon de recherche autour de chaque conteneur.
4.c Générer de nouvelles solutions en déplaçant les conteneurs (gauche, droite, haut
et bas) dans les sites précédents, nfe améliore les solutions des élites et les évalue.
4.d Sélectionner nes la meilleure solution dans chaque site
4.e Générer de nouvelles solutions aléatoires, nfb améliore les meilleures solutions et
les évalue
4.f Nouvelle population = solution de 4.e + solution de 4.d
5 Fin tant que
149
Chapitre 4 – Etude et résolution du cas critique
maximum d'itérations lorsqu'à chaque itération une meilleure solution est trouvée que celle
obtenue précédemment, soit on arrête l'algorithme après un nombre d'itérations
prédéterminé si on ne trouve pas meilleure solution que celle obtenue.
BA est codé et exécuté en langage Java. Les simulations numériques sont réalisées à
l'aide d'un processeur Core i7 - 3610QM @ PC Win7 2.30 GHz avec 6 GB de RAM pour
tester les performances de l'algorithme mentionné.
L'utilisation principale d'Irace est la configuration automatique d'algorithmes
d'optimisation et de décision, c'est-à-dire trouver les paramètres les plus appropriés d'un
algorithme étant donné un ensemble d'instances d'un problème. Le tableau 4.12 montre les
valeurs des principaux paramètres utilisés pour l'exécution de l'algorithme BA proposé.
Les valeurs de tels paramètres dépendent fortement du problème étudié.
Cependant, certaines valeurs sont souvent utilisées et peuvent être de bons points de
départ pour démarrer une recherche de solution à l'aide d'un BA. Les valeurs de ces
paramètres sont basées sur de nombreux tests de performance et de convergence de BA sur
différentes instances. Ces résultats montrent clairement l'intérêt d'utiliser Irace Package
pour obtenir la solution quasi optimale de l'algorithme de colonie d’abeilles.
150
Chapitre 4 – Etude et résolution du cas critique
En raison de la complexité du problème, nous avons remarqué que les grandes instances
ne peuvent pas être résolues par le solveur Gurobi car il nécessite beaucoup de place
mémoire. En commençant par 72 comme nombre de piles et 18 comme nombre de
conteneurs, le problème devient plus complexe, nous interrompons donc la simulation de
Gurobi car elle a durée plus de 2 heures. Notez que BA donne une solution de 1911 en
10.73 secondes ce qui est très encourageant. Étant donné que ce BA est la technique la
plus récente de Swarm Intelligence, il donne également une solution très encourageante
par rapport aux résultats obtenus par Gurobi.
Par conséquent, pour faire les comparaisons, nous avons utilisé des petites et moyennes
instances qui ont généré aléatoirement toutes les propriétés liées aux piles et aux conteneurs
et nous avons testé notre modèle sur les instances mentionnées dans les tableaux suivants.
Le tableau 4.13 montre une comparaison faite entre Gurobi et BA pour les petites
instances. On indique par 𝑁𝑠 le nombre de pile et par 𝑁𝑐 le Nombre de conteneur dangereux,
𝑓𝐺𝑢𝑟𝑜𝑏𝑖 est la valeur de solution optimale trouvée par Gurobi, 𝑓𝐵𝐴 est la meilleure valeur de
la solution trouvée par cet algorithme, 𝑓𝐵𝐴 𝐴𝑣𝑔 est la valeur moyenne trouvée par BA après de
nombreux essais, ainsi que le Gap pour chacun. La dernière colonne représente le temps
d'exécution en moins de 1 seconde pour chaque instance de petite taille qu'ils sont
considérés comme efficaces. Par conséquent, la formule pour calculer le pourcentage
d'écart est : 𝐺𝑎𝑝𝒇 ,𝒇 = [(𝑓𝐺𝑢𝑟𝑜𝑏𝑖 − 𝑓𝐵𝐴 )/𝑓𝐺𝑢𝑟𝑜𝑏𝑖 ] × 100
𝑮𝒖𝒓𝒐𝒃𝒊 𝑩𝑨
151
Chapitre 4 – Etude et résolution du cas critique
Les tirets suivants --- indiquent que la simulation s'est arrêtée car elle a durée plus de
deux heures.
152
Chapitre 4 – Etude et résolution du cas critique
Pour évaluer l'excellence des résultats de l'algorithme BA, nous les avons comparés
aux solutions optimales du logiciel "Gurobi". Une comparaison des distances trouvée par
le solveur Gurobi et BA est donnée dans le tableau 4.15
On constate dans le tableau 4.15 que les distances trouvées par BA sont proche de celles
trouvées par le solveur Gurobi, et même dans certains cas, BA et Gurobi trouvent les
mêmes distances. D'ailleurs le pourcentage de déviation moyen ne dépasse pas 1%.
Les algorithmes hybrides se composent de deux algorithmes ou plus qui sont créés et
utilisés pour augmenter et améliorer l'efficacité globale de la recherche. L'efficacité de la
sortie des algorithmes hybrides est déterminée par la façon dont les algorithmes sont
intégrés. En conséquence, le concept de création d'un algorithme hybride (HAGRS) qui
combine un algorithme génétique (AG) avec un recuit simulé (RS) pour fournir une
solution presque optimale à ce problème.
HAGRS est testé sur des instances de petite et moyenne taille et comparé aux
performances de Gurobi afin d'optimiser les meilleures solutions trouvées par RS et les
153
Chapitre 4 – Etude et résolution du cas critique
solutions créées aléatoirement. Le scénario est expliqué comme suit, et ce, grâce aux bons
résultats obtenus par l'algorithme hybride : L'algorithme HAGRS est une hybridation qui
permet d'enrichir l'algorithme génétique grâce à un recuit simulé. Comme pour l'algorithme
génétique, l'algorithme HAGRS commence par la création d'une population initiale (ligne
1). Ainsi, le recuit simulé est appliqué sur un nombre x de solutions qu'il fasse partie de la
population initiale (ligne 2) et les y restes de solutions sont créés aléatoirement car les
solutions aléatoires sont celles qui conduisent la population à l'optimalité (ligne 3). Pour
cette raison, nous partons d'une population de 100 solutions initiales réparties comme suit
: 20 solutions en appliquant l'algorithme RS et 80 autres solutions aléatoires. Ensuite, nous
évaluons la population initiale en fonction de la fitness en calculant la fonction objectif de
chaque solution (ligne 4). Les lignes 5 à 21 sont déjà présentées dans l'algorithme
mentionné ci-dessus « Algorithme génétique ». Nous acquérons une solution à chaque
itération, la comparons à la meilleure actuelle et maintenons la solution la plus élevée après
avoir poursuivi cette procédure jusqu'à ce que le nombre d'itérations n soit atteint. Elle peut
être résumée par l'algorithme suivant.
1 Initialisation de la taille de la population (popSize) ;
2 Appliquer l'algorithme de recuit simulé sur un nombre x de solutions ;
3 Ajouter y solutions aléatoires ;
4 Évaluer la population initiale en fonction de la fitness 𝑓 en calculant la fonction
objectif de chaque solution;
5 bestFittest ⃪ meilleure solution en population;
6 Tant que 𝑖 ≤ 𝑛 faire
7 Tant que 𝑗 ≤ 𝑁𝑐 /2 faire
8 Sélectionner deux solutions selon la méthode de la roulette ;
9 Sélectionner un point de croisement (crossOverPoint);
10 Tant que (𝑘 ≤ 𝑐𝑟𝑜𝑠𝑠𝑂𝑣𝑒𝑟𝑃𝑜𝑖𝑛𝑡) faire
11 Permuter le conteneur dangereux entre la solution la plus adaptée et la
deuxième solution la plus adaptée ;
12 𝑘 ⃪ 𝑘 + 1;
13 Fin tant que
14 Sélectionner un conteneur dangereux aléatoirement de la solution la plus
adaptée, et choisir une pile valide aléatoirement pour ce conteneur;
15 Sélectionner un conteneur dangereux aléatoirement de la deuxième solution
la plus adaptée et choisir une pile valide aléatoirement pour ce conteneur;
16 Remplacer la pire solution par la meilleure en fonction de la fitness 𝑓;
17 Si meilleure solution > bestFittest alors
18 bestFittest ⃪ meilleure solution
19 Fin Si
20 𝑗 ⃪ 𝑗 + 1;
21 Fin Tant que
22 𝑖 ⃪ 𝑖 + 1;
23 Fin Tant que
154
Chapitre 4 – Etude et résolution du cas critique
Pour évaluer l'efficacité de ces stratégies, des tests ont été effectués. Seuls cinq types
de conteneurs sont évalués dans le modèle, avec des critères de séparation réalistes, pour
simplifier les choses. Les liquides inflammables, les substances oxydantes et les peroxydes
organiques, les substances toxiques et infectieuses, les matières radioactives et les
substances corrosives sont représentés respectivement par C3, C4, C5, C6 et C7 dans les
résultats de calcul. Le tableau 4.16 ci-dessous montre les règles de séparation entre les
classes Ali, R. [101], utilisées dans la fonction objectif pour résoudre le problème
d'empilement de conteneurs dangereux.
Tableau 4. 16 RÈGLES DE SÉPARATION
Classes C3 C5 C6 C7 C8
C3 X 30 m O 10 m 10 m
C5 30 m X 3m 10 m 10 m
C6 O 3m X O X
C7 10 m 10 m O X 10 m
C8 10 m 10 m O 10 m X
155
Chapitre 4 – Etude et résolution du cas critique
En raison de la complexité du problème, nous avons remarqué que les grandes instances
ne peuvent pas être résolues par le solveur Gurobi car il nécessite beaucoup de place
mémoire. En commençant par 72 comme nombre de piles et 18 comme nombre de
conteneurs, le problème devient plus complexe, nous interrompons donc la simulation de
Gurobi car elle a durée plus de 2 heures. Notez que HAGRS donne une solution de 1755
en 4.7 secondes ce qui est très encourageant.
Par conséquent, pour faire les comparaisons, nous avons utilisé les mêmes instances
qui ont généré aléatoirement toutes les propriétés liées aux piles et aux conteneurs et nous
avons testé notre modèle sur les instances mentionnées dans les tableaux suivants. Le
tableau 4.17 montre une comparaison faite entre Gurobi et HAGRS pour les petites
instances. On indique par 𝑁𝑠 le nombre de pile et par 𝑁𝑐 le Nombre de conteneur dangereux,
𝑓𝐺𝑢𝑟𝑜𝑏𝑖 est la valeur de solution optimale trouvée par Gurobi, 𝑓𝐻𝐴𝐺𝑅𝑆 est la meilleure valeur
de la solution trouvée par cet algorithme,
𝒇𝑯𝑨𝑮𝑹𝑺 𝑨𝑽𝑮 est la valeur moyenne trouvée par HAGRS après de nombreux essais, ainsi que le
Gap pour chacun.
La dernière colonne représente le temps d'exécution en seconde pour chaque instance
de petite taille qu'ils sont considérés comme efficaces. Par conséquent, la formule pour
calculer le pourcentage d'écart est : 𝐺𝑎𝑝𝒇 ,𝒇
𝑮𝒖𝒓𝒐𝒃𝒊
= [(𝑓𝐺𝑢𝑟𝑜𝑏𝑖 − 𝑓𝐻𝐴𝐺𝑅𝑆 )/𝑓𝐺𝑢𝑟𝑜𝑏𝑖 ] × 100
𝑯𝑨𝑮𝑹𝑺
Le tableau 4.18 montre que les performances de l'algorithme HAGRS sont très
encourageantes par rapport aux résultats de Gurobi, d'autant plus que le temps d'exécution
n'était pas supérieur à 30 secondes alors que le temps d'exécution de Gurobi augmentait
avec la taille de l'instance.
De plus, dans certains cas, HAGRS a donné les mêmes résultats que Gurobi dans un
temps d'exécution très court par rapport au long temps d'exécution pris par Gurobi, ce qui
signifie que HAGRS peut résoudre une instance de grande taille dans un délai raisonnable
et donner une solution quasi optimale qui ne peut pas être résolu par Gurobi.
Ainsi, l'écart moyen en pourcentage pour les instances de taille moyenne est de 2.11 %.
Nous pouvons conclure que le HAGRS proposé est efficace pour résoudre ce problème.
156
Chapitre 4 – Etude et résolution du cas critique
157
Chapitre 4 – Etude et résolution du cas critique
Les tirets suivants --- indiquent que la simulation s'est arrêtée car elle a durée plus de deux
heures.
Pour évaluer l'excellence des résultats de l'algorithme HAGRS, nous les avons
comparés aux solutions optimales du logiciel "Gurobi". Une comparaison des distances
trouvées par le solveur Gurobi et HAGRS est donnée dans le tableau 4.19
158
Chapitre 4 – Etude et résolution du cas critique
On constate dans le tableau 4.19, que les distances trouvées par HAGRS sont proche
de celles trouvées par le solveur Gurobi. Dans certains cas, HAGRS et Gurobi trouvent les
mêmes distances, et même parfois les distances de HAGRS dépassent les distances obtenus
par Gurobi. D'ailleurs le pourcentage de déviation moyen ne dépasse pas 2%.
Les méthodes méta-heuristiques sont toutes rapides, ne prenant pas plus de 30 secondes
pour l'une des instances moyennes du tableau 4.18, mais elles nécessitent des temps
d'exécution différents, comme le montre la figure 4.7
300
250
Runtime in seconds
200
150
100
50
0
M485-10 M485-10 M605-14 M665-17 M725-17
Instances
RS AG HAGRS BA
4.8 Conclusion
Dans ce chapitre, nous avons proposé un nouveau modèle pour résoudre le
problème de stockage des conteneurs dangereux importés qui est conçu pour augmenter
l'espacement entre eux pour éviter l'interaction et le stockage de produits liquides
inflammables dans des emplacements critiques. Ce type de problème est devenu très
courant dans la logistique portuaire et est considéré NP Difficile.
En raison de sa complexité, les grandes instances sont difficiles à résoudre et parfois
impossibles à donner une solution optimale par le solveur Gurobi. Ainsi, il nécessite
l'utilisation d'algorithmes méta-heuristiques pour trouver une solution approchée optimale.
Cette stratégie de stockage est modélisée mathématiquement avec un programme
linéaire mixte en nombres entiers. Par conséquent, nous avons proposé quatre algorithmes
159
Chapitre 4 – Etude et résolution du cas critique
160
161
Conclusion générale
Pour résoudre le problème du stockage des conteneurs au terminal portuaire dans
ce travail, des contributions scientifiques ont été proposées. Ces contributions sont le
résultat d'une recherche bibliographique approfondie sur cette question, et les nombreuses
visites au port de Tripoli-Liban ont permis de bien cerner la problématique et les demandes
des constructeurs portuaires. L'une des plus importantes observations discutées était le
besoin d'outils d'aide à la décision robustes qui permettraient aux planificateurs de gagner
du temps pour augmenter la productivité du port. Une étude analytique du problème est
réalisée afin d'étudier sa complexité et de proposer des modèles mathématiques, prenant en
compte les contraintes physiques et logiques de stockage, qui visent à assurer le meilleur
placement pour chaque conteneur. Les principaux atouts concernant le cas statique sont :
La détermination d'un endroit spécifique pour chaque conteneur importé à stocker.
La minimisation du nombre de remaniements pour les deux niveaux supérieurs dans
une pile.
La minimisation de la distance entre les piles et la porte de sortie.
La minimisation de la distance entre les conteneurs appartenant à la même catégorie et
ses centralisations.
Alors que pour le cas critique, les principaux atouts sont :
La maximisation de la distance entre les conteneurs dangereux appartenant à des
différentes classes en respectant la table IMDGc, après détermination du bon emplacement
pour le conteneur dangereux importé à stocker.
S’assurer d’éviter au maximum le placement des conteneurs contenant des liquides
inflammables dans les places critiques.
Au niveau de la résolution numérique, nous avons commencé par utiliser un solveur
d'optimisation commercial nommé « Gurobi » version 9.0.2. Les résultats des simulations
numériques réalisées avec le solveur « Gurobi » sur des instances de petites et moyennes
tailles prouvent l'efficacité des modèles mathématiques proposés, tandis que les instances
de grandes tailles ne peuvent pas être résolues par le solveur d'optimisation « Gurobi » car
il nécessite trop de mémoire d’ordinateur et un temps de calcul coûteux. Donc, des
algorithmes heuristiques et des hybridations sont proposés pour résoudre ce problème et
accélérer la résolution des instances de grandes tailles. Nous avons développé cinq
algorithmes pour résoudre ce problème : un algorithme génétique (AG), un algorithme
glouton aléatoire (RGA), une recherche locale itérée (ILS), un algorithme de colonie
d’abeilles (BA) et le recuit simulé (RS). Parmi ces algorithmes, le recuit simulé ; c’est un
algorithme séquentiel, dans le sens où il utilise une seule solution initiale et la modifie
successivement en utilisant une approche de recherche locale. Les algorithmes hybrides
que nous avons proposé sont au nombre de deux, et sont constitués de ces combinaisons :
un algorithme glouton aléatoire et recherche locale itérée, génétique et recuit simulé. Des
simulations numériques prouvent l'efficacité des algorithmes hybrides qui produisent des
162
résultats proches de la solution optimale sur des instances réelles prélevées sur le terminal
à conteneurs pour les petites et moyennes tailles par rapport à l'optimiseur Gurobi.
163
Publications dans des revues internationales avec comité de
lecture
164
Perspectives
Les approches que nous proposons dans cette thèse pour résoudre le problème du
stockage de conteneurs dans un terminal portuaire sont assez importantes. Cependant,
plusieurs perspectives existent pour développer ce travail. En premier lieu, ça sera
intéressant d'enrichir le modèle mathématique tout en ajoutant des contraintes
opérationnelles comme par exemple:
- Réorganiser les conteneurs dangereux existants dans la zone de stockage appartenant à
la même catégorie et collecter à eux les nouveaux conteneurs dangereux importés de la
même catégorie.
- Maximiser la distance entre les conteneurs dangereux des différentes classes restantes
dans la zone de stockage, y compris ceux d'une même pile.
- Tester notre approche dans un autre port maritime.
Ou en proposant un nouveau modèle afin de motiver d'autres chercheurs à s'intéresser à ce
sujet comme :
- Minimiser la distance entre les conteneurs et la porte sortie en donnant la priorité de
stocker les conteneurs qui ont une date de départ proche à ceux qui ont une date de départ
plus loin.
- Utiliser le premier modèle comme extension d'un nouveau modèle pour résoudre le
chargement et le déchargement de conteneurs avec des grues de quai et des véhicules de
triage.
- Combiner le premier modèle avec le deuxième modèle pour résoudre le problème de
stockage des conteneurs dans un terminal portuaire.
En plus d'enrichir le modèle mathématique, des recherches peuvent être faites pour
trouver d'autres approches efficaces pour résoudre le problème de stockage des conteneurs.
En raison du caractère NP difficile du problème, la principale difficulté se situe au niveau
des méthodes exactes car les instances de grande taille ne peuvent être résolues par
l'optimiseur « Gurobi ». En conséquence, d'autres types d'approches méta
heuristiques pourraient être attrayantes à essayer telles que les plus connues sont
les algorithmes évolutionnistes, les algorithmes d’optimisation par essaims particulaires,
la recherche avec tabou, la méthode GRASP et même des hybridations.
C'est l’approche d'agrégation qui est utilisé pour résoudre le problème de stockage des
conteneurs qui est une problématique multi-objective.
165
166
167
Bibliographie
[11] J. L. C. B. T. &. J. R. Mangan, "Supply chain strategies," Global Logistics and Supply Chain
Management, second ed. John Wiley & Sons Ltd, pp. 59-77, 2012.
168
[14] R. van der Meer, Operational control of internal transport, Erasmus University
Rotterdam, 2000.
[16] Y.-T. L. P. T.-W. K. H.-J. &. S. S.-H. Chang, "Optimization Model for Transportation of
Container Cargoes considering Short Sea Shipping and External Cost: South Korean
Case.," Transportation Research Record, vol. 2166(1), pp. 99-108, 2010.
[18] Y. A. &. D. R. Saanen, "Intelligent stacking as way out of congested yards? part 1," Port
Technology International, vol. 31, pp. 87-92, 2007.
[22] J. Frittelli, "Port and maritime security: Background and Issues for Congress," Military
Technology, 2005.
[23] M. O. K. R. e. R. V. Van De Voort, ""Seacurity?" : Improving the security of the global sea-
container shipping system," 2005.
[24] J. &. S. H. Haveman, "Protecting the nation’s seaports: balancing security and cost,"
Public Policy Institute of California, San Francisco, 2006.
169
[28] "TRADE FACILITATION IMPLEMENTATION GUIDE," [Online]. Available:
tfig.itcilo.org/FR/contents/NII-technology.htm. [Accessed 9 8 2022].
[30] A. J. Ituh, "Port Security Technology for Closed Container Inspection at United States
Seaports of Entry," University of Oregon, 2010.
[31] "Rapiscan Systems Opens New Facility in North Carolina," 2007. [Online]. Available:
www.domesticpreparedness.com/updates/rapiscan-systems-opens-new-facility-in-
north-carolina/. [Accessed 9 8 2022].
[32] "VeriTainer Corporation, Trust, but verify,," VeriTainer, 2014. [Online]. Available:
http://www.veritainer.com/technology.html. [Accessed 9 8 2022].
[38] Y. &. K. K. H. Ma, " A comparative analysis: various storage rules in container yards and
their performances," Industrial Engineering and Management Systems, vol. 11(3), pp.
276-287, 2012.
[40] B. v. A. E. &. D. R. Borgman, "Online rules for container stacking," OR spectrum, vol.
32(3), pp. 687-716, 2010.
[41] T. Chen, "Yard operations in the container terminal-a study in the ‘unproductive
moves’," Maritime Policy & Management, vol. 26(1), pp. 27-38, 1999.
170
[42] M. B. E. J. J. &. O. J. A. Duinkerken, "A simulation model for integrating quay transport
and stacking policies on automated container terminals," In Proceedings of the 15th
european simulation multiconference, pp. 909-916, 2001.
[46] K. (. Kim., "Evaluation of the number of rehandles in container yards," computers and
industrial engineering,, vol. 32(4), pp. 701-711, 1997.
[47] K. H. &. K. K. Y. Kim, "Optimal price schedules for storage of inbound container,"
Transportation Research Part B: Methodological, vol. 41(8), pp. 892-905, 2007.
[48] K. H. &. K. H. B. Kim, "Segregating space allocation models for container inventories in
port container terminals," International Journal of Production Economics, Vols. 59(1-3),
pp. 415-423, 1999.
[49] N. Huynh, "Analysis of container dwell time on marine terminal throughput and
rehandling productivity," Journal of International Logistics and Trade, no. 6(2):69-89, pp.
69-89, 2008.
[51] K. H. &. K. K. Y. Kim, "Optimal price schedules for storage of inbound containers,"
Transportation Research Part B: Methodological, vol. 41(8), pp. 892-905, 2007.
[53] J. S. Q. &. L. D. H. Cao, "A decision support method for truck scheduling and storage
allocation problem at container," Tsinghua Science & Technology, vol. 13, pp. 211-216,
2008.
[54] S. &. M. E. Sauri, "Space allocating strategies for improving import yard performance at
marine terminals," ransportation Research Part E: Logistics and Transportation Review,
vol. 47(6), pp. 1038-1057, 2011.
171
[55] M. &. Q. X. Yu, "Storage space allocation models for inbound containers in an automatic
container terminal," European Journal of Operational Research, vol. 226(1), pp. 32-45,
2013.
[58] N. F. Y. A. &. D. I. Ndiaye, An ant colony algorithm to solve the container storage
problem. In Forging Connections between Computational Mathematics and
Computational Geometry, Springer, Cham, 2016, pp. 63-73.
[59] D. &. A. T. S. Ku, "Container relocation problem with time windows for container
departure," European Journal of Operational Research, vol. 252(3), pp. 1031-1039.,
2016.
[61] H. Zhu, M. Ji and W. Guo, "Two-stage search algorithm for the inbound container
unloading and stacking Practoblem.," Appl. Math. Model., vol. 77, p. 1000–1024., 2019.
[63] M. Yu, Z. Liang, Y. Teng, Z. Zhang and X. Cong, "The inbound container space allocation
in the automated container terminals.," Expert Syst. Appl., vol. 115014., p. 179, 2021.
[64] G. &. L. G. Chu, "Critical Assessment on Dangerous Goods Storage Container Yard of
Port: Case Study of LPG Tank Container," IEEE International Conference on Industrial
Engineering and Engineering Management (IEEM), pp. 1751-1755, 2018.
[66] M. A. R.-M. M. &. B. F. Salido, "Integrated intelligent techniques for remarshaling and
berthing in maritime terminals," Advanced Engineering Informatics, vol. 25(3), pp. 435-
451, 2011.
[67] D. &. S. A. Ambrosino, "Using a bin packing approach for stowing hazardous containers
into containerships," In Optimized packings with applications, pp. 1-18, 2015.
172
[68] K. K. A. &. T. M. Kamieniev, "Construction of a Mathematical Model and a Method for
Arranging Hazardous Cargoes on a Containership," Eastern-European Journal of
Enterprise Technologies, vol. 6(3), pp. 20-27, 2019.
[72] I. E. S. &. C. H. Rekik, " A case based heuristic for container stacking in seaport
terminals," Advanced Engineering Informatics, vol. 38, pp. 658-669, 2018.
[76] K. H. &. B. J. W. Kim, "A dispatching method for automated guided vehicles to minimize
delays of containership operations.," Management Science and Financial Engineering,
vol. 5(1), pp. 1-25, 1999.
[77] J. D. &. D. L. Kelly Jr, "A Hybrid Genetic Algorithm for Classification," In IJCAI, vol. Vol. 91,
pp. 645-650, 1991.
[80] M. &. C. J. S. Haouari, " A probabilistic greedy search algorithm for combinatorial
optimisation with application to the set covering problem," Journal of the Operational
Research Society, vol. 53(7), pp. 792-799, 2002.
[81] V. Chvatal, " A greedy heuristic for the set-covering problem.," Mathematics of
operations research, vol. 4(3), pp. 233-235, 1979.
173
[82] R. H. F. S. W. &. W. S. D. Storer, " Problem space local search for number partitioning,"
Annals of Operations Research, vol. 63(4), pp. 463-487, 1996.
[84] B. M. G. M. L. &. R. G. Codenottiy, INFORMS Journal on Computing, vol. 8(2), pp. 125-
133, 1993.
[86] P. &. T. E. G. Preux, "Assessing the evolutionary algorithm paradigm to solve hard
problems," In Constraint Processing, workshop on really hard problem solving., 1995.
[89] "The irace package: Iterated racing for automatic algorithm con," Operations Research
Perspectives, vol. 3, pp. 43-48, 2016.
[92] "Port Technology," Top four dangerous shipping statistics, 2017. [Online]. Available:
https://www.porttechnology.org/news/top_four_dangerous_shipping_statistics..
[93] D. a. B. B. Karaboga, "A powerful and efficient algorithm for numerical function
optimization: artificial bee colony (ABC) algorithm.," Journal of Global Optimization, vol.
39(3), pp. pp. 459-471., 2007.
[94] K. a. S. A. Khan, "A Comparison of BA, GA, PSO, BP and LM for Training Feed forward
Neural Networks in e-Learning Context.," International Journal of Intelligent Systems and
Applications, vol. 4(7), pp. pp. 23-29., 2012.
174
[96] ]. M. A. a. R. R., "A Comparison of Artificial Bee Colony algorithm and Genetic Algorithm
to Minimize the Makespan for Job Shop Scheduling.," Vols. Procedia Engineering, 97, pp.
pp. 1745-1754., 2014.
[98] W. C. &. M. K. L. Ng, "Yard crane scheduling in port container terminals," Applied
mathematical modelling, vol. 29(3), pp. 263-276., 2005.
[99] Y. &. L. M. Lu, "The integrated optimization of container terminal scheduling with
uncertain factors," Computers & Industrial Engineering, vol. 75, pp. 209-216, 2014.
[102] R. Ali, "Safe transport operations, handling and storage of dangerous cargoes in the
ports of Pakistan," 1989.
[103] H. J. M. &. G. W. Zhu, "Two-stage search algorithm for the inbound container unloading
and stacking problem.," Applied Mathematical Modelling, vol. 77, pp. 1000-1024, 2020.
175