Optimisation Du Stockage Des Conteneurs

Optimisation du stockage des conteneurs dans un
terminal portuaire
Nobar Kassabian
To cite this version:

Nobar Kassabian. Optimisation du stockage des conteneurs dans un terminal portuaire. Infrastruc-
tures de transport. Université de Haute Alsace - Mulhouse, 2022. Français. �NNT : 2022MULH4607�.
�tel-04082720�
HAL Id: tel-04082720

https://theses.hal.science/tel-04082720
Submitted on 26 Apr 2023
HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
THESE
Présentée pour obtenir le titre de DOCTEUR en

Mathématiques Appliquées Informatique
OPTIMISATION DU STOCKAGE DE
CONTENEURS DANS UN
TERMINAL PORTUAIRE
Nobar Antoine KASSABIAN
nobar.kassabian@uha.fr
Soutenue publiquement le 12 Décembre 2022 devant un jury composé de :

Lionel AMODEO Professeur des Universités Rapporteur 1
à l’UTT
Ammar OULAMARA Professeur des Universités Rapporteur 2
à l’Université de Lorraine
Sylvie NORRE Professeure des Examinateur
Universités, Université de
Clermont-Auvergne
Lhassane IDOUMGHAR Professeur des Universités, Directeur de thèse
UHA
Olivier GRUNDER Maître de conférences, Co-directeur de thèse
Université de Technologie
Belfort-Montbéliard (MCF
HDR)
Zakaria HAMMOUDAN Docteur en Automatique Co-encadrant de thèse
Institut de Recherche en Informatique, Mathématiques, Automatique et Signal (IRIMAS)

Thèse réalisée au Institut de Recherche en Informatique, Mathématiques,
Automatique et Signal (IRIMAS)
Université de Haute-Alsace, IRIMAS UR 7499, F-68100
Mulhouse, France
Sous la direction de Lhassane IDOUMGHAR lhassane.idoumghar@uha.fr
Co-directeur Olivier GRUNDER olivier.grunder@utbm.fr
Co-encadrant Zakaria HAMMOUDAN zakaria.hammoudan@gmail.com

Résumé
Un terminal à conteneurs constitue une interface inter-modale importante pour le
système de transport mondial. La compétitivité d'un port se mesure par l'efficacité de ses
terminaux. La manutention efficace des marchandises représente un point critique de la
chaîne de transport, la réduction des coûts de stockage et de gestion.
Le problème de stockage de conteneurs (PSC), est l'un des plus courants et
importants problèmes dans un terminal à conteneurs. L'objectif de ce problème est de créer
un plan de stockage optimal qui définit l'emplacement idéal pour chaque conteneur tout en
tenant compte des contraintes réelles de la zone de stockage.
Dans cette thèse, nous traitons le problème du stockage de conteneurs dans un
terminal portuaire, en nous concentrant sur deux cas :
- Le cas statique qui vise à déterminer la meilleure stratégie de stockage pour les conteneurs
importés.
- Le cas critique qui consiste à trouver un plan optimal de stockage pour les conteneurs
dangereux.
Dans ce mémoire, nous donnons un état de l'art et une recherche bibliographique
dans lesquels sont décrits les travaux antérieurs sur ce sujet. Ensuite, nous abordons
respectivement les deux cas de stockage. Nous proposons une étude approfondie pour
chacun d'entre eux, ainsi qu'une modélisation mathématique efficace qui modélise la
situation réelle et nous détaillons les méthodes d'optimisation proposées pour résoudre ce
problème. Pour effectuer une étude théorique de ce problème, nous proposons une
démonstration de sa complexité, ce qui confirme encore son caractère NP-difficile. Ce type
de problème est difficile à résoudre avec des méthodes exactes. Ceci est vérifié par des
simulations numériques réalisées à l'aide du logiciel d'optimisation "GUROBI".
Cependant, ce logiciel a des limites car il est gourmand en place mémoire, et il prend
beaucoup de temps d'exécution lorsque le nombre de conteneurs à stocker devient plus
grand, ce qui ajoute à la complexité du problème.
En conséquence, nous avons proposé un algorithme de recherche locale itérée, un
algorithme glouton randomisé, un algorithme génétique, un algorithme à base de recuit
simulé et un algorithme de colonie d’abeilles comme algorithmes méta-heuristiques. Ces
algorithmes proposés sont des méthodes de résolution approchées, ce qui signifie que
l'optimalité des solutions qu'ils fournissent ne peut être garantie. Cependant, les
comparaisons avec les résultats obtenus par « GUROBI », sur des instances de tailles
raisonnables, ont démontré la bonne qualité de nos solutions.
Des hybridations entre ces algorithmes méta-heuristiques distincts ont été
développées afin de tirer profit de leurs avantages respectifs et d'éviter ainsi la convergence
prématurée vers des optima locaux. La première hybridation proposée est une méthode qui
renforce l'algorithme de recherche locale itérée par un algorithme glouton randomisé,
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
A notre pays, car il a tellement besoin du don...

A nos familles qui leur ont appris qu'un vrai don doit être
toujours lié à l'amour...
A tous ceux qui ont eu confiance en nous, et qui leur ont
appris que seul le travail mettre en évidence une partie de cet
amour...
v
Remerciements
Au terme de ce travail, mes remerciements sont adressés à tous ceux

qui m'ont aidé à élaborer et accomplir cette thèse, en particulier:
Mr. Lhassane IDOUMGHAR, Professeur à l’Université de Haute-
Alsace, pour son attention et ses remarques importantes, sa présence et sa
présidence de ce rapport, qui m'a donné le bagage nécessaire pour réaliser
cette thèse. Je le remercie pour ses qualités humaines et scientifiques.
Mr. Olivier GRUNDER, HDR. Docteur à l'Université de Belfort
Montbéliard, pour les informations et conseils fructueux qu'il m'a fourni, ce
qui a été primordial pour la réalisation de cette thèse, et qui m'a tellement aider
à surmonter les difficultés et exécuter ce travail. Je tiens aussi à le remercier
pour ses qualités humaines et son soutien permanent.
Mr. Zakaria HAMMOUDAN, Docteur en Automatique, pour son
encadrement, sa présence constante, son assistance et ses conseils. Je le
remercie pour ses notes détaillées qui m'ont beaucoup appris.
Nos amis et tous les autres que nous savons qu'ils sont nombreux pour
être pour leur aide au moment les plus difficiles de mon travail et le support
moral nécessaire qu'ils m'ont fournis pour surmonter les moments de
dépression. En particulier, Mazen KHODER et Nassrallah AKDI.
En résumé, je voudrais remercier tous ceux qui m'ont appris à se faire
valoir par des choses qui ne dépendent point des autres ou renoncer à se faire
valoir.
Merci pour tout.....
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
Figure 2. 1 Algorithme Recherche Locale Itérée ............................................................. 54

Figure 2. 2 Algorithme Recuit Simulé ............................................................................. 55
Figure 2. 3 Croisement de Chromosomes ........................................................................ 57
Figure 2. 4 Mutation ......................................................................................................... 57
Figure 2. 5 Organigramme de l’algorithme génétique ..................................................... 58
Figure 2. 6 Codage Binaire .............................................................................................. 59
Figure 2. 7 Codage Réel................................................................................................... 59
Figure 2. 8 Croisement à un point .................................................................................... 61
Figure 2. 9 Croisement à deux points .............................................................................. 62
Figure 2. 10 Croisement Uniforme .................................................................................. 62
Figure 2. 11 Algorithme glouton randomisé ..................................................................... 64
Figure 2. 12 Algorithme de colonie d’abeilles................................................................. 65
Figure 3. 1 Port maritime de Tripoli-Liban ...................................................................... 70
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
Figure 4. 1 Structure de la zone de stockage .................................................................. 124

Figure 4. 2 Classification des matières dangereuses ....................................................... 127
Figure 4. 3 Démonstration de (X+Y) et graphe de (X+Y) ............................................. 135
Figure 4. 4 Positionnement des conteneurs de remplacement du chromosome ............. 142
Figure 4. 5 étapes de croisement ..................................................................................... 143
Figure 4. 6 Processus de mutation .................................................................................. 143
Figure 4. 7 Comparaison des temps d'exécution des algorithmes .................................. 159
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
Tableau 3. 1 Différence de mouvement entre deux piles.................................................. 82

Tableau 3. 2 Paramètres d'algorithme génétique .............................................................. 90
Tableau 3. 3 Description des instances ............................................................................. 91
Tableau 3. 4 Résultats numériques de l’algorithme génétique pour les petites instances 92
Tableau 3. 5 Résultats numériques de l’algorithme génétique pour les moyennes instances
........................................................................................................................................... 93
Tableau 3. 6 Résultats numériques de l'algorithme génétique. NR est le nombre de
remaniements. ................................................................................................................... 96
Tableau 3. 7 Analyse statistique pour la stabilité de la petite instance ............................. 98
Tableau 3. 8 Analyse statistique pour la stabilité de la moyenne instance ....................... 98
Tableau 3. 9 Résultats numériques de l’algorithme glouton aléatoire RGA pour les petites
instances .......................................................................................................................... 100
Tableau 3. 10 Résultats numériques de l’algorithme glouton aléatoire RGA pour les
moyennes instances ......................................................................................................... 102
Tableau 3. 11 Conteneurs triés par ordre décroissant de date de départ et respectant les
contraintes après la permutation ..................................................................................... 106
Tableau 3. 12 Conteneurs triés par ordre décroissant de date de départ et respectant les
contraintes ....................................................................................................................... 106
Tableau 3. 13 Résultats numériques de Recherche locale itérée ILS pour les petites
instances .......................................................................................................................... 107
Tableau 3. 14 Résultats numériques de ILS pour les moyennes instances ..................... 108
Tableau 3. 15 : Résultats numériques de RGA/ILS pour les petites instances ............... 112
Tableau 3. 16 Résultats numériques de RGA/ILS pour les moyennes instances ........... 113
Tableau 3. 17 Résultats numériques de l'algorithme RGA/ILS. NR est le nombre de
remaniements. ................................................................................................................. 116
Tableau 3. 18 Comparaison des valeurs de la fonction objectif ..................................... 118
Tableau 3. 19 Comparaison des distances ...................................................................... 120
Tableau 3. 20 Comparaison des nombres de remaniements ........................................... 120
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
......................................................................................................................................... 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
......................................................................................................................................... 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.
En raison de l'augmentation continue du nombre de conteneurs dans le port, il est

devenu nécessaire d'utiliser des moyens efficaces de gestion portuaire. Ainsi, la tendance
vers des logiciels ou des algorithmes efficaces et rapides est devenue un cas urgent pour
gagner du temps et des efforts, plutôt que de planifier un stockage manuel qui ne dépend
que de l'expérience des travailleurs.
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.
Chapitre 1. La conteneurisation et les opérations portuaires au Liban
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.
Chapitre 2. Le problème de stockage de conteneurs dans la littérature

Dans ce troisième chapitre, on décrit le problème du stockage de conteneurs dans lequel
les ports maritimes ont soufferts qui a un impact négatif sur la zone de stockage. Les articles
relatés considèrent une variété de théories qui sont toutes liées aux équipements utilisés
dans les ports considérés sont présentés, de même que les méthodes de résolution
analytiques et les méthodes de résolution numériques.
Chapitre 3. Etude et résolution du cas statique
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.
Chapitre 4. Etude et résolution du cas critique
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
La conteneurisation s'est solidement implantée dans les réseaux de transport

d'aujourd'hui et définitivement devenue une composante nécessaire. L'avancée
technologique a fait son chemin et a touché le développement du réseau de conteneurs
comme elle l'a fait dans le spectre de tous les autres domaines. Elle est l'utilisation des
conteneurs comme moyen de transport de biens et de marchandises.
Le concept de conteneurisation est apparu au XXème siècle, mais depuis lors, il est
devenu une composante indispensable du transport. Le processus de conteneurisation et
son développement continu impliquent des changements et des innovations technologiques
dans les porte-conteneurs et les terminaux maritimes à conteneurs.
À l'ère actuelle du « gigantisme», malgré la capacité excédentaire actuelle de la flotte,
les compagnies maritimes réservent des navires plus grands et plus économes en carburant
pour profiter des économies d'échelle et des coûts d'exploitation inférieurs. Par conséquent,
les terminaux portuaires doivent faire face à des volumes de conteneurs sans précédent et
à des demandes croissantes, de sorte que les opérations de manutention risquent d'être
retardées.
Le reste de ce chapitre est organisé comme suit : l'historique et origine de la
conteneurisation 1.2, les différents types et caractéristiques de conteneurs sont présentés
dans la section 1.3, la définition et rôles des ports dans la section 1.4, la structure et le
développements des ports dans la section 1.5, les opérations des terminaux à conteneurs et
aménagements dans la section 1.6, les équipements de manutention, planification et
nouvelles technologies dans la section 1.7.
1.2 Histoire et Origine de la conteneurisation

La naissance du transport par conteneurs est traditionnellement considérée en avril
1956 lorsque Malcolm McLean a transporté 58 conteneurs de Newark à Houston (voir
Figure 1. 1). Depuis lors, l'industrie du transport par conteneurs n'a cessé de croître. Le
navire amiral Jacques-Saadé de la CMA- CGM, plus gros porte-conteneurs au monde a
battu un nouveau record lundi 26 avril 2021. En escale au Havre, il transportait 21 433
conteneurs (voir Figure 1. 2). Aujourd'hui, le terme conteneurisation désigne le système de
7
transport intermodal de marchandises utilisant des conteneurs. Dans de tels systèmes, la

dimension des conteneurs 20 pieds équivaut 1 EVP, 40 pieds équivaut (2 EVP) et 45 pieds
(high-cubes) devait être normalisée pour faciliter leur utilisation par divers moyens de
transport (bateaux, camions, trains,...).
Cette tendance à la conteneurisation, confirmée par l'évolution du commerce maritime

véhiculé par les porte-conteneurs, est présentée dans une étude menée à partir de 2017.
En outre, Alphaliner.com a estimé le nombre d'EVP dans la flotte mondiale de porte-
conteneurs le 29 juin 2021 à environ 24 781 400 EVP. Naturellement, les principaux
propriétaires de ces conteneurs sont également de grands exploitants de navires. En juin
2021, APM-Maersk, Mediterranean Shg Co et CMA CGM Group sont les 3 premiers
propriétaires.
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
1.3 Définition, types et caractéristiques du

conteneur
1.3.1 Définition du conteneur
Un conteneur est grande une boîte métallique rectangulaire est utilisée pour stocker des
marchandises qui doivent être transportés d'une destination à une autre. Par rapport au vrac
conventionnel, l'utilisation de conteneurs présente plusieurs avantages, à savoir moins
d'emballages de produits, moins de dommages et une productivité plus élevée [4]. Sa
dimension est définie par les normes ISO 1496 et ISO 668. L'unité de mesure de conteneur
est l'équivalent 20 pieds (EVP) de longueur (6,058 m) ou de 40 pieds (2 EVP) de longueur
(12,19m), avec une hauteur de 8,6 pieds (2,591m) et une largeur de 8 pieds (2,438m).
1.3.2 Types et caractéristiques des conteneurs

Les différents types de conteneurs sont apparus dans le secteur des transports et de la
logistique. Tous ont certaines propriétés ou caractéristiques qui permettent de transporter
certaines marchandises; dont les plus connues sont : standard, High-cube, hard-top, open-
top, flatracks, plat, ventilé, isolés et réfrigérés, vrac, et citernes. La figure 1. 3 illustre ces
différents types de conteneurs disponibles.
Figure 1. 3 Différents types de conteneurs
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
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.
b. Conteneurs High-cube : Ils correspondent aux structures des conteneurs standards

mais ils sont plus grands et sont environ 30 cm plus haut. De plus, les dimensions
typiques ne sont pas seulement de 40 pieds mais ils existent aussi des 45 pieds de
ce type. Par conséquent, ces conteneurs peuvent contenir beaucoup plus de fret et
sont particulièrement adaptés au transport de marchandises légères et
volumineuses. Le poids total autorisé est légèrement supérieur à 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.
d. Conteneurs Open-Top : Ce type du conteneur standard est également de taille 20

ou 40 pieds. Au contraire du conteneur Hard-Top, le toit est constitué d'une
couverture amovible. L'avantage est la rapidité de chargement et de déchargement
ainsi que le prix moins cher. De plus, la bâche peut couvrir des marchandises
encombrantes et les protéger. Ce type de conteneur est adapté à toutes sortes de
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.
f. Conteneurs plat : Le conteneur plat se compose uniquement d'une structure de

quai avec une capacité de chargement très élevée et n'a ni parois latérales ni
extrémités. Les marchandises particulièrement lourdes avec des machines
surdimensionnées ou individuelles sont entre de bonnes mains sur un conteneur
plat. Celui-ci n'a qu'un plancher renforcé avec des tunnels à col de cygne, par lequel
le conteneur peut être placé sur des remorques de camions, des navires ou des
wagons. Les conteneurs plats sont généralement utilisés pour le transport de
marchandises très volumineuses et lourdes.
g. Conteneur Ventilé : Ces types de conteneurs correspondent au conteneur standard.

Il en existe deux types : la ventilation passive et la ventilation active. Les conteneurs
ventilés passifs ont des fentes protégées contre l'eau sur les côtés longs supérieurs.
10
L'échange d'air se produit au-dessus de cela. Les conteneurs à ventilation active

sont également appelés conteneurs ventilés car ils ont un ventilateur sur les faces
d'extrémité. Ils conviennent aux marchandises nécessitant une ventilation.
L'élément le plus important à transporter est le café vert, à partir duquel le terme
récipient à café est également utilisé.
h. Conteneurs réfrigérés / isolés : Les conteneurs isolés et réfrigérés sont utilisés

pour les produits qui doivent être transportés à une température constante
supérieure ou inférieure à 0°C. Avec ces conteneurs, une distinction est faite entre
les conteneurs intégrés et les conteneurs à fenêtre. Les conteneurs intégrés ont une
unité de réfrigération active qui est installée à l'intérieur et au coût de la capacité.
Les conteneurs alcôve sont spécialement isolés. De plus, le conteneur aspire l'air
froid à travers les aérations de l'extérieur et expulse l'air chaud vers le haut, Ce qui
aboutit à une basse température constante. Le conteneur réfrigéré convient aux
denrées périssables telles que les fruits, les légumes, la viande ainsi que les fleurs.
Les dimensions extérieures correspondent à des conteneurs standards ou des
conteneurs high cube.
i. Conteneurs Vrac : Le conteneur vrac a trois trappes de chargement sur le toit,

chacune d'environ 455 mm de diamètre. Il dispose également de deux trappes
d'évacuation sur le côté de la porte. Ces conteneurs peuvent également être utilisés
pour des marchandises générales. Cependant, des bagues de montage doivent être
montées sur les rails latéraux supérieurs pour permettre l'arrimage de la charge.
Cependant, les conteneurs vrac sont généralement utilisés pour transporter des
marchandises en vrac, telles que des céréales, des aliments pour animaux et des
épices.
j. Conteneurs citerne : Contrairement aux conteneurs vrac, ces conteneurs

contiennent des substances liquides. Les produits typiques sont telles que : des
denrées alimentaires (jus de fruits, huiles douces, etc.), et des produits chimiques
(pétrole, gazole, etc.). Selon le type de charge, des dispositifs de contrôle de la
température (refroidissement / chauffage) peuvent être installés. Par rapport à un
camion-citerne, ces caisses ont l'avantage de permettre une manutention plus rapide
des marchandises.
Il existe un grand nombre de tailles standard différentes pour les conteneurs de

transport. Ces conteneurs peuvent différer dans les dimensions extérieures et intérieures ou
la charge ou le poids total ainsi que dans d'autres données. Cependant, les tailles standard
ISO les plus courantes sont les conteneurs de 20 pieds, 40 pieds et high cube.
Tableau 1. 1 Dimensions des conteneurs ISO
Conteneur de 20 pieds Conteneur de 40 pieds Cube de 45 pieds de

haut
Dimensions extérieures 6.06 m x 2.44 m x 2.59m 12.19 m x 2.44 m x 2.59m 13.72 m x 2.44 m x 2.90
(longueur x largeur x (20 x 8 x 8.6 pieds) (40 x 8 x 8.6 pieds) m
hauteur) (45 x 8 x 9.6 pieds)
11
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 ».
1.4 Définitions et rôles des ports

Les ports jouent un rôle vital dans l'économie nationale et dans le commerce du pays,
et la quasi-totalité d'entre eux utilisent la route maritime. C'est l'un des principaux outils
industriels et commerciaux pour le développement économique et social du pays.
Tous les auteurs, considérant la question de savoir quelle est la définition d'un port de
commerce, ont constaté qu'aucune formule n'avait effectivement été élaborée qui donnerait
entière satisfaction.
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
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
proche du centre de la vie économique, et du carrefour des communications, à un centre

urbain ; La vie marine a constaté qu'il existe déjà des centres de redistribution organisés et
des liens déjà établis entre les activités marines et terrestres.
Contrairement au port intérieur, le port extérieur attire la vie urbaine, commerciale et
industrielle; L'agglomération dont dépend le port intérieur est plus vivante et dynamique,
avec plus d'activités que la ville portuaire côtière formée autour d'un avant-port car cette
ville dépend d’avantage des activités portuaires et plus maritime; Ainsi, la structure urbaine
et les activités de Rouen sont beaucoup plus complexes que celles du Havre.
De même, le port intérieur a un rôle régional et suprarégional qui est souvent plus
important que le port extérieur car ses relations avec l'économie régionale sont plus étroites
qu'avec le port maritime qui, en revanche, est souvent mieux placé pour avoir une nationale.
Aujourd'hui, les ports sont des éléments clés dans le système du transport
international, c'est à cause de leur existence les navires seraient plus utiles dans le transport
de marchandises, afin qu'ils y auraient plusieurs endroit où ils pourraient être chargés ou
déchargés.
L'avantage d'avoir des ports dans le monde se fait sentir même dans les régions qui
n'ont pas de côtes maritimes, ces dernières bénéficiant du commerce maritime d'autres
régions. Comme les pays enclavés la Suisse, la République tchèque, l'Autriche, la Hongrie,
la Slovaquie etc., qui bénéficient du marché européen. Cependant, il convient de noter que
certains de ces pays disposent de petits ports fluviaux reliés aux océans par des voies
navigables. Le commerce maritime a doublé de volume depuis les années 1980 ce qui
corrobore l'utilité des ports dans le monde. Selon Ducruet [7], 90% du commerce mondial
a été traité par des ports. Dans Mangan [8] précisent que les ports sont des éléments
essentiels pour déterminer la compétitivité globale des régions et des pays au niveau
économique, comme Singapore. Cela signifie que les ports ont des rôles plus complexes et
non seulement sont des zones géographiques dans lesquelles les marchandises sont
chargées et déchargées.
1.5 Structure et développement des ports

D'où le phénomène de spécialisation des navires (porte-conteneurs, vraquiers solides
ou liquides, développement de la manutention directe roulante….). Les ports ont dû adapter
leur conception et leurs équipements en conséquence et ont engagé des dépenses
importantes pour construire de vastes infrastructures et des équipements spécialisés de
haute performance. En plus de cela, les armateurs exploitant de grands navires hautement
spécialisés ont cherché à limiter le nombre de ports touchés par ces unités importantes sur
lesquels ils ont concentré leur trafic maritime, et ensuite desservir les ports où la quantité
de cargaison à embarquer ou à débarquer ne justifie pas l'arrêt d'un grand navire, avec des
unités plus petites, le coût de construction et d'exploitation est beaucoup plus faible.
14
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
Tableau 1. 2 Les 25 premiers ports à conteneurs mondiaux en H Zhu et al
, d’après [12]
Rang Port Volume en Volume en Variation

EVP 2020 EVP 2019
1(1) Shanghai 43 501 400 43 303 000 +0.5%
2(2) Singapour 36 870 940 37 195 636 -0.9%
3(3) Ningbo-Zhoushan 28 734 300 27 535 000 +4.4%
4(4) Shenzhen 26 553 000 25 771 700 +3%
5(5) Guangzhou-Nansha 23 191 500 23 236 200 -0.2%
6(7) Qingdao 22 004 700 21 010 000 +4.7%
7(6) Busan 21 813 073 21 992 000 -0.8%
8(9) Tianjin 18 356 100 17 300 700 +6.1%
9(8) Hong Kong 17 961 000 18 303 000 -1.9%
10(10) Los Angeles/ Long Beach 17 326 720 16 969 666 +2.1%
11(11) Rotterdam 14 350 000 14 810 804 -3.1%
12(12) Dubaï/ Jebel Ali 13 486 000 14 111 000 -4.4%
13(13) Port Kelang 13 243 741 13 580 717 -2.5%
14(14) Anvers 12 031 469 11 860 204 +1.4%
15(15) Xiamen 11 405 000 11 122 180 +2.5%
16(18) TanJung Pelepas 9 800 000 9 077 485 +8%
17(16) Kaohsiung 9 621 667 10 428 634 -7.7%
18(17) Hambourg 8 750 000 9 282 012 -5.7%
19(20) Laem Chabang 7 546 494 7 980 560 -5.4%
20(21) New York/ Newark 7 585 819 7 471 131 +1.5%
21(23) Hô Chi-Minh Ville 7 200 000 6 848 360 +4.9%
22(22) Colombo 6 850 000 7 228 337 -5.2%
23(24) Jakarta 6 170 468 6 802 200 -9.3%
24(31) Tanger Med 5 771 221 4 801 710 +20.2%
25(26) Yingkou 5 673 100 5 480 000 +3.5%
Le Tableau 1.2 reflète le développement de l’économie sino-asiatique et

l’amélioration de l’industrie portuaire dans cette région. Cinq des six plus grands ports du
monde sont désormais chinois. Alors que, les trois ports européens conservèrent leur rang,
mais seul Anvers ne coula pas. Avec une croissance de 20 %, Tanger Med fait entrer le
monde portuaire sur la plateforme. Le port marocain s’est hissé à la 24e place mondiale,
qui était encore 48e en 2018.
16
1.6 Processus et Opérations des terminaux à

conteneurs et Aménagements
1.6.1 Opérations des terminaux à conteneurs
Aujourd’hui, les conteneurs sont le principal moyen d’équipement utilisé dans le

transport intermodal, tout conteneur dispose d’une unité de charge standardisée adaptée
aux navires, aux camions et aux trains et peut être transféré rapidement d’un mode de
transport à un autre. Les terminaux à conteneurs sont des connexions clés entre les
différents modes de transport et la manutention des marchandises représente un point
critique de la chaîne de transport.
Généralement, les terminaux à conteneurs sont décrits comme des systèmes ouverts de
flux de marchandises avec deux interfaces externes : le quai, avec le chargement et le
déchargement des porte-conteneurs, et le côté ville, où les conteneurs sont chargés et
déchargés sur/des camions et trains externes. Les conteneurs sont stockés en piles, ce qui
facilite la séparation des opérations à quai et à terre, puisque le moment de chargement et
de déchargement du navire ne coïncide pas toujours au moment de chargement en mode à
distance.
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].
Bien que les terminaux à conteneurs portuaires varient considérablement en fonction

du type d’équipement de manutention utilisé, de la taille et de la disposition géométrique,
les processus et les opérations des terminaux ont de nombreux aspects en commun entre
les terminaux à conteneurs, qui sont brièvement décrits comme suit :
- Arrivée du navire (Opérations à quai):

Lorsqu’un navire arrive au port, il doit s’amarrer au quai qui est constitué de postes
d’accostage. Le chargement et le déchargement des navires sont effectués par des grues de
quai (QC) qui retirent les conteneurs des navires ou de la plate-forme. Les grues de quai
QC sont utilisés à la fois dans les terminaux automatisés et dans les terminaux habités et
sont fonctionnés car l’automatisation de ce processus rencontre des problèmes pratiques,
comme le positionnement exact des conteneurs. Le processus de chargement ou de
déchargement des conteneurs vers/depuis le navire est effectué selon un plan d’arrivage
préalablement analysé par l’opérateur du terminal et la compagnie maritime.
- Transfert (Opérations de transport):

Une fois que les conteneurs sont déchargés du navire, ils sont transférés des QC aux
véhicules qui circulent entre le navire et la zone de stockage. Selon les caractéristiques du
17
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.
Système multi-remorque Camion
Chariot cavalier (RS) Véhicule à guidage automatique

Figure 1. 4 Équipements de manutention
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.
- Stockage (Opérations de stockage et d’empilage):

Le processus du stockage est la partie la plus complexe du terminal car les conteneurs
d'importation et d'exportation sont simultanément empilés dans le même espace de
stockage.
Après l'arrivée du navire, les conteneurs sont déchargés et transportés de la zone de
collecte aux zones de stockage. Les conteneurs de même longueur sont généralement
empilés les uns sur les autres, et ils ont une permission à y rester quelques jours
gratuitement. Le processus d'exportation est l'opposé du processus d'importation.
Avant l'arrivée prévue du navire, le port accepte les conteneurs pour l'exportation. En
général, leur arrivée est aléatoire. Ils sont stockés temporairement, dans une durée qui
18
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.
Figure 1. 5 Espace de stockage
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
Figure 1. 6 Structure d’un terminal à conteneurs
- Livraison et Réception (Opérations de l’arrière-pays):

Enfin, les conteneurs entrants doivent être transportés du zone de stockage vers d’autres
modes de transport, tels que les barges, le rail et la route dans une zone appelée la porte,
où les conteneurs sont reçus et livrés. Lorsqu’un conducteur d’un camion externe (train ou
barge) demande un conteneur entrant, un véhicule inter-terminal doit transporter le
conteneur cible depuis la zone de stockage. Ce processus diffère selon la disposition du
terminal.
Habituellement, cela prend trop de temps car les YC doivent retirer les conteneurs au-
dessus du conteneur cible (mouvements improductifs), ce qui augmente les coûts
opérationnels et le délai d’exécution des camionneurs.
Soient les conteneurs A, B, C et la séquence d’actions 1, 2, 3.
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
Dans l’exemple de la figure 1.7, l’extraction du conteneur B nécessite un remaniement

du conteneur C.
Dans l’ordre inverse, lorsqu’un conteneur sortant arrive au terminal par camion ou par
train, le conteneur est identifié et enregistré aux portes terrestres. Ensuite, en fonction de
la disposition et de l’organisation du terminal, le conteneur sera récupéré par un
20
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.
Malgré la difficulté confrontée pour résoudre le problème du stockage des conteneurs,

de nombreux travaux l'ont abordé et différentes approches ont été développées, à savoir les
systèmes d'aide à la décision, les modèles mathématiques et les méthodes heuristiques, ...
1.6.2 Aménagements des terminaux à conteneurs

Deux types d’aménagement de cour sont définis selon la position dans laquelle sont
disposés les blocs de stockage par rapport à la ligne de quai : les cours parallèles et
perpendiculaires. La disposition des terminaux à conteneurs varie en fonction de la région
dans laquelle se trouve le terminal, le débit de conteneurs, la disposition morphologique,
les exigences des entreprises de transport et le type de terminal en ce qui concerne les
équipements de manutention et de transport.
Par exemple, de nombreux terminaux à conteneurs automatisés et semi-automatisés

en Europe du Nord, tels que le terminal Delta ECT et les terminaux Euromax à Rotterdam,
le terminal à conteneurs Altenwerder (CTA) dans le port de Hambourg et le terminal sud
de l’Europe de Barcelone utilisent la disposition perpendiculaire Figure 1.8 car de son
simple contrôle de la circulation.
Figure 1. 8 Blocs de stockage sont perpendiculaires aux quais
21
Cependant, la majorité des terminaux à conteneurs en Asie de l’Est utilisent la

disposition parallèle Figure 1.9 comme le Newport à Busan (Corée du Sud) et plusieurs
terminaux à conteneurs au port de Hong Kong.
Figure 1. 9 Blocs de stockage sont parallèles aux quais
Les principales caractéristiques de chaque type d’aménagement de terminal sont

résumées comme suit :
Le tracé de la cour parallèle se caractérise par les aspects suivants :
• Les blocs de stockage sont disposés parallèlement au quai.
• Les RTGCs peuvent se déplacer d’un bloc à l’autre.
• Les zones de circulation pour la réception ou la livraison des conteneurs sont placées le
long des blocs ; par conséquent, les camions internes et externes passent par les allées pour
enlever ou déposer le conteneur cible.
• Les blocs de stockage sont dédiés aux conteneurs entrants ou sortants (pas de blocs
mixtes).
Les principaux attributs de la disposition de la cour perpendiculaire sont :

• Les blocs de stockage sont disposés perpendiculairement au quai.
• Le nombre de RTGC est fixe pour chaque bloc de stockage.
• Les camions internes et externes ne peuvent pas entrer dans la zone de stockage et les
opérations de livraison et de réception ont lieu en bordure de chaque bloc (zones de points
de transfert).
• Les conteneurs entrants et sortants sont mélangés dans le même bloc. Généralement, les
baies proches du bord de l’eau sont consacrées aux conteneurs sortants, tandis que les
conteneurs entrants seront placés près du côté ville.
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
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.
1.7 Equipements de manutention, planification et

nouvelles technologies
1.7.1 Equipements de manutention et planification

Au sein d’un terminal, différents types d’équipements de manutention sont utilisés pour
transborder les conteneurs des navires vers les barges, les camions et les trains et vice versa.
Pour effectuer des opérations rapides et efficaces, ces terminaux disposent
d’équipements de manutention et de transfert.
 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.
Figure 1. 10 Quay Crane
23
- 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
Figure 1. 13 Reach Stacker
 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
Figure 1. 15 Cavalier Gerbeur
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).
Figure 1. 16 Représentation schématique d'un terminal à conteneurs (adapté de [20]).
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
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.
1.7.2 Technologie de sécurité portuaire
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.
1.7.2.1 La Logistique 4.0
La Supply Chain est en constante évolution, notamment avec l'avènement de la

Logistique 4.0 ; Un concept né après l'avènement de l'Industrie 4.0, basé sur la
digitalisation totale des opérations. Ainsi, les systèmes non-connectés entre eux, la stratégie
multicanale ou imprévisible, ont cédé la place à l'hyper connectivité, à la stratégie
omnicanale et à la prévision précise des événements. De plus, la communication circule
plus facilement : grâce aux avancées technologiques, au Big data et à l'Internet des objets
(IoT), les appareils électroniques partagent des informations et des données entre eux. De
plus, la Logistique 4.0 contribue à augmenter l'efficacité et la rapidité des opérations et à
réduire les pertes [26].
27
Le terme « industrie 4.0 », également appelé « la quatrième révolution industrielle »,

fait référence à une nouvelle manière d'aménager les procédures et les méthodes de travail.
C'est une conséquence naturelle de la mondialisation et de l'internationalisation des
entreprises. La communication excessive et les nouvelles technologies sont au cœur de ce
concept.
La logistique 4.0 est une gestion d'entrepôt qui utilise de logiciels sur le cloud, des
connexions informatiques et la numérisation des informations. Par conséquent, l'interaction
entre les secteurs de production et des concepts tels que la technologie RFID (identification
par radiofréquence), la communication M2M (entre machines), nuage informatique, l'IoT
(Internet of Things) et le CPD (centre de traitement des données) servent de base à la
Logistique 4.0 [27]. Elle est le point d'union qui existe actuellement entre les nouvelles
technologies les plus avancées, les nouveaux supports logistiques et nos besoins plus
traditionnels. L'Allemagne a été le premier pays pionnier à adopter la logistique 4.0 en
2011, introduisant de nouvelles tendances basées sur le réseau. Ce qui signifie que la
logistique 4.0 n'est qu'une connexion technologique dans le secteur de la logistique. En
2016, Jeschke caractérise la logistique 4.0 par une perspective temporelle, à court terme, il
identifie des processus interdépendants entre des individus indépendants tout en exploitant
une quantité importante de données. A terme, ils forment un ensemble de systèmes auto-
organisés qui font partie d'autres systèmes. La logistique 4.0 comprend deux éléments : les
processus et les aspects techniques. Les processus sont des opérations logistiques et les
techniciens sont les instruments qui soutiennent les chaînes d'approvisionnement internes
d'une entreprise
L'objectif fondamental de la logistique 4.0 est d'améliorer les performances de chacun
des acteurs de la chaîne d'approvisionnement tout en augmentant l'efficacité et l'efficience.
1.7.2.2 Technologies actuellement utilisées aident à

consolider la traçabilité des conteneurs
Trois catégories spécifiques de technologies de sécurité ont fait l'objet de recherches,

de tests et de déploiements accrus ces dernières années ; inspection non intrusive (imagerie
gamma et rayons X), détection de rayonnement et détection d'intrusion de conteneur RFID.
1- Les Techniques d'inspection non intrusive (technologie NII) se réfèrent à
l'équipement technique et aux machines telles que les rayons X ou l'équipement d'imagerie
de type rayons gamma, qui permettent l'inspection de la cargaison sans ouvrir le moyen de
transport ni décharger la cargaison [28]. Cette opération aide à réduire considérablement
le nombre d'inspections physiques inutiles et le temps requis pour ces contrôles. Les
systèmes d'inspection active ont deux exigences : (a) une source d'interrogation de
rayonnement et (b) un moyen de détecter les émissions caractéristiques d'un objet. Jones
[29] montre que cette double exigence entraîne le besoin d'énergies de faisceaux de photons
plus élevées avec des détecteurs aux performances identiques. Les systèmes à haute
28
puissance sont le système SAIC VACISTM et le système Rapidscan (anciennement

ARACOR) EagleTM qui satisfont ces exigences.
L'utilisation du système de contrôle NII nécessite un moyen de gérer de grandes
quantités d'informations d'une manière efficace qui ne ralentit pas le trafic.
A cet effet, le SAIC VACIS est conçu qui est un système intégré d'inspection de
conteneurs qui peut gérer et combiner des images et des données (voir Figure 1.17).
L'entreprise affirme qu'une seule voie peut traiter plus de 300 conteneurs par heure lorsque
ces fonctionnalités sont associées à des scanners rapides [30].
Figure 1. 17 Système d'inspection de conteneurs intégré SAIC
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
Figure 1. 18 Le Rapidscan Eagle
Le Rapidscan Eagle®, conçu pour répondre aux exigences élevées en matière

d'imagerie par rayons X pour l'inspection des cargaisons, utilise un générateur de rayons X
à accélérateur linéaire de 9 mégavolts et offre 425 millimètres de pénétration dans l'acier.
En conséquence, ces systèmes peuvent inspecter une large gamme de marchandises, y
compris des camions et des conteneurs à chargement dense, éliminant ainsi le besoin
d'inspections manuelles coûteuses et chronophages. Les camions sont automatiquement
déplacés à travers un faisceau de rayons X stationnaire sur un système de mouvement de
cargaison.
Selon l’entreprise, le système d'imagerie à rayons X à haute énergie du Rapiscan Eagle
peut produire une image à haute résolution d'un conteneur de 40 pieds en moins de 30
secondes, ce qui réduit considérablement le besoin d'inspections manuelles chronophages
[31].
2- Détection de rayonnement : Le VeriSpreader, un système de détection et

d'identification des rayonnements placé sur une grue à conteneurs par VeriTainer, utilise
des algorithmes d'identification et une technologie de balayage passive pour trouver des
sources de gamma et de neutrons dans les conteneurs d'expédition lorsqu'ils sont chargés
ou déchargés des porte-conteneurs (voir Figure 1. 19). Ces grues ont des détecteurs de
neutrons et de rayons gamma sensibles intégrés dans leurs épandeurs dans le cadre de leur
construction [32]. Il convient de mentionner que lors du chargement et du déchargement
des navires, l'épandeur d'une grue entre en contact direct avec les conteneurs.
30
Figure 1. 19 VeriSpreaderTM utilisé au port d'Oakland, en Californie
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
1.7.2.3 Technologies actuellement utilisées aident à

consolider la traçabilité des conteneurs au port de
Tripoli-Liban
THSCAN MT1213LT, est un système mobile d'inspection de conteneurs/véhicules à
rayons X [34]. Ce système adopte un accélérateur linéaire de 4 MeV comme source de
rayonnement, THSCAN MT1213LT intègre la réalisation des hautes technologies de
pointe telles que la technologie électronique, informatique, de traitement du signal, de
contrôle automatique et la technologie d'usinage de précision dans ses propres produits.
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.
THSCAN MT1213LT se compose du sous-système suivant :
a- Numérisation du véhicule : la fonction principale du système est d'utiliser un sous-

système d'imagerie par rayons X pour numériser le véhicule numérisé.
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.
c- Sous-système d'inspection d'image : pour inspecter et gérer les informations d'image

du véhicule scanné.
d- Sous-système de contrôle et d'exploitation : pour contrôler tous les appareils du

véhicule de numérisation afin qu'ils fonctionnent ensemble pour terminer l'ensemble
du processus de numérisation.
e- Sous-système de radioprotection : pour prévenir tout accident radiologique.
La figure 1.20 montre la composition du système du système d'inspection de conteneurs

THSCAN MT1213LT. A noter, que les équipements de THSCAN MT1213LT sont montés
sur un châssis de VOLVO.
32
Figure 1. 20 Véhicule de numérisation
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
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
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. Pour cette
raison, placer les conteneurs près de la porte de sortie autant que possible permet
d'économiser de l'énergie et du temps, donc des coûts.
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 ces dernières décennies afin de 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 de stockage de conteneurs (PSC) en tant que problèmes NP-difficiles bien connus
[35] [36].
Plusieurs recherches ont été menées au cours des dernières décennies pour tenter de
proposer des techniques de stockage efficaces et des systèmes d'aide à la décision pour
minimiser ce type de difficulté.
Le reste de ce chapitre est organisé comme suit : dans la section 2.2 est présentée les
problèmes d’optimisation stratégies, la section 2.3 les différentes stratégies de stockage qui
sont proposées et ceux qui sont dédiée aux méthodes de résolution proposées dans la
littérature, une conclusion est donnée dans la section 2.4.
2.2 Problèmes d’optimisation

Les problèmes d'optimisation sont ceux dans lesquels un ensemble d'inconnues {x} =
{x1, x2, …... xn} doit être déterminé de telle sorte qu'une fonction objectif f (xi), i = 1, 2, …,
n soit minimisée et que le nombre de fonctions de contrainte soit satisfait. Ils peuvent être
présentés, comme un problème mono-objectif ou multi-objectif. Selon Coello [37], le
problème d’optimisation multi-objectif (MOO) a la forme mathématique suivante :
Minimizer Z = f(x)
Où x = {x1, x2, …., xn} est le vecteur de variables de décision dans lequel xi représente
une variable de décision. Le but du processus d'optimisation est de trouver les valeurs des
variables de décision qui se traduisent par un maximum ou un minimum d'une fonction
appelée fonction objectif. f (xi) représente la fonction objectif qui est utilisée comme
mesure de l'efficacité d'une décision. Sous réserves de k contraintes d’égalités hj (x), j =
1, …, k et de m contraintes d’inégalités Gj (x), j = 1, …, m qui sont appelés respectivement
contraintes d'égalité et d'inégalité, qui représentent les limitations imposées au problème
de prise de décision qui doivent être satisfaites. Le problème est appelé problème
d’optimisation multi-objectif combinatoire (MOCO) si les variables x sont discrètes.
En raison de la nature contradictoire des objectifs, il existe généralement des cas où il
n'existe pas de solution unique. Il est possible d'en améliorer au moins un séparément. En
36
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.
2.3 Les différentes stratégies de stockage

L'un des avantages de l'utilisation de conteneurs est qu'ils peuvent être empilés les uns
sur les autres. Cependant, cet actif a des limites, dans la mesure où il peut provoquer des
remaniements. En effet, ce type de manœuvre s'effectue notamment lors de l'extraction de
conteneurs situés au bas des piles. Par conséquent, il est nécessaire que chaque terminal à
conteneurs adopte une stratégie de stockage appropriée. Selon Saanen et al. [18], les
nombreuses méthodes de stockage qui existent dans la littérature peuvent être divisées en
quatre groupes, qui sont décrits ci-dessous.
2.3.1 Ségrégation et Non-ségrégation

Le stockage avec ségrégation fait référence à la séparation des conteneurs qui sont
exportés et ceux qui sont importés. Avec le stockage par ségrégation, les zones de stockage
sont prédistribuées pour déterminer quels emplacements sont réservés aux conteneurs
importés et lesquels sont destinés aux conteneurs d'exportation. Cette distribution peut se
faire de trois manières [38]. La première consiste à réserver chaque bloc, à la fois pour
l'importation de conteneurs et pour l'exportation de conteneurs. La deuxième divise les
baies de chaque bloc en deux parties, de sorte que chaque moitié est réservée à l'une des
deux catégories de conteneurs. La troisième approche est presque identique à la seconde.
La principale différence est que les divisions sont créées en tenant compte des travées.
Cette stratégie est principalement utilisée pour stocker des conteneurs qui seront chargés
sur des navires, de plus, elle est utilisée dans [39] par Ibrahimi et al.
37
La méthode de non-ségrégation ne fait pas de distinction entre les catégories de

conteneurs. Par conséquent, les conteneurs peuvent être empilés quelle que soit leur
destination.
2.3.2 Groupage et Dispersion
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.
2.3.3 Stockage direct et Stockage indirect
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
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.
2.3.4 Priorité aux déchargements et Priorité aux

chargements
Les méthodes de stockage qui privilégient le vidage des conteneurs cherchent à

maximiser les performances de toutes les activités liées aux opérations de stockage. La
méthode de stockage par niveau en est un exemple. Elle stocke les conteneurs en niveaux,
de sorte que tous les emplacements au sol soient occupés, avant d'empiler les conteneurs.
Cette stratégie a été suggérée par Duinkerken et al. [42]. Elle est simple, mais elle ne tire
pas parti de la majorité des données disponibles. Il se compose essentiellement de quatre
étapes, qui sont disposées dans l'ordre suivant.
1: Prenez n'importe quelle baie qui a au moins un emplacement vide
2: Dans cette baie, rechercher un emplacement vide pratique et en contact avec le sol.
3: Si trouvé : y stocker le conteneur.
4: Si introuvable : rechercher dans la baie un espace vide approprié qui appartient au
niveau le plus bas possible.
Le risque de remaniement est plus faible avec le stockage par niveau qu'avec le
stockage aléatoire, et il peut même être inexistant lorsque toute la surface du terminal n'est
pas utilisée. Cependant, lorsque le nombre de conteneurs à contenir dépasse le nombre de
piles, son efficacité est mise en doute. Un autre défaut de cette méthode est qu'il peut
nécessiter de longues distances dans la cour de stockage, ce qui allonge le temps nécessaire
pour effectuer les opérations de stockage.
En revanche, ceux qui privilégient les chargements de conteneurs, s'efforcent
d'optimiser l'efficacité des opérations de retrait. C'est le cas de la stratégie de stockage des
conteneurs par ordre décroissant des dates de départ [43]. Borgman et al. suggèrent [40]
une version améliorée de cette stratégie, appelée stockage de nivellement des dates de
39
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.
2.4 Méthodes de résolution

Généralement, la résolution du problème de stockage est divisée en deux étapes. Dans
un premier temps, des analyses sont réalisées afin de choisir la meilleure méthode de
stockage. Alors que l'étape de simulation permet de prouver et d'évaluer l'efficacité des
décisions prises dans la partie antérieure. Ce problème a été largement étudié dans certains
papiers de la littérature en mettant l'accent sur l'analyse du problème, tandis que d'autres se
sont concentrés sur diverses techniques de simulation pour démontrer l'efficacité des
approches proposées résolvant ces différentes variantes.
Il existe deux types de méthodes de base : Des méthodes exactes qui assurent la
résolution du problème en temps polynomial et des méthodes heuristiques pour trouver une
solution proche de l'optimale dans un temps raisonnable, Harrath [44].
2.4.1 Analyses et simulations pour la résolution de

problème de stockage de conteneurs
Dans un terminal à conteneurs, de nombreux types de problèmes d'optimisation sont

rencontrés. Ces problèmes peuvent être appliqués à une zone de stockage avec uniquement
des conteneurs entrants ou sortants ou une combinaison des deux.
40
Le développement rapide et les performances des ordinateurs ont permis d'effectuer

des tâches complexes qui nécessitent beaucoup de temps pour être effectuées par les
humains, grâce au développement technologique continu. Pour résoudre le problème du
stockage des conteneurs au terminal portuaire, il est nécessaire d'utiliser des ordinateurs
performants du fait de la variété des langages de programmation pour effectuer des calculs
complexes voire des simulations numériques.
De nombreuses études liées au problème de stockage de conteneurs (PSC) dans la
littérature sur différents aspects des opérations des terminaux à conteneurs ont été publiées.
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
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
le taux d'arrivée Les mouvements les piles plus

des conteneurs attendus de courtes.
entrants dans la remaniement et
cour. de déblayage ont Pour les valeurs
été calculés. intermédiaires
des taux
d'arrivée
entrants, ils ont
déclaré que la
« meilleure
stratégie »
dépendait de la
hauteur moyenne
de la pile.
Kim et Kim Stratégie de Réduction du Ils ont dérivé une Les avantages de
(1999) ségrégation nombre de formule qui la stratégie de
reprises grâce à décrit la relation ségrégation sont
une allocation entre la hauteur le contrôle aisé
d'espace efficace des piles et le du trafic pour les
pour les besoins nombre de camions externes
d'espace remaniements. lors de
statiques et l'opération de
dynamiques. récupération et le
nombre réduit
Pour chaque cas d'opérations de
d'étude, ils ont remaniement, en
trouvé la hauteur évitant que les
d'empilement anciens
optimale (qui conteneurs qui
garantit le sont plus
nombre susceptibles
minimum de d'être récupérés
remaniements dans un avenir
attendus) proche ne soient
enterrés sous
ceux nouveaux.
Huynh (2008) Politique de Cet article a Une méthode de Il a été suggéré
stockage non analysé l'effet du simulation de d'appliquer la
mixte temps de séjour Monte Carlo est politique de
Politique de des conteneurs utilisée pour stockage non
stockage mixte sur la calculer le mixte lorsque le
productivité du nombre attendu temps d'attente
remaniement de remaniement est élevé car, à
pour chaque afin de mesure que le
politique considérer les temps d'attente
variances des augmente, la
valeurs attendues productivité de
en fonction de la remaniement est
hauteur, des meilleure (débits
différentes inférieurs).
probabilités et
43
des stratégies de La politique de

stockage. stockage mixte
est suggérée
pour les faibles
temps d'attente
car, à mesure que
le temps d'attente
augmente, la
productivité de
remaniement
devient plus
faible pour cette
stratégie (débit
plus élevé).
Taleb-Ibrahimi Stratégie statique Cet article Des stratégies
et al., (1993) Stratégie quantifie les dynamiques
dynamique performances peuvent
des stratégies de pratiquement
stockage des éliminer l'espace
conteneurs perdu en
sortants en déplaçant les
fonction de la conteneurs entre
quantité d'espace les zones de
et du nombre de stockage dans la
mouvements de cour
manutention (déménagements
qu'ils par exemple).
nécessitent.
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
de gerbage et de la relation entre l'avancement du navire et le temps de séjour des

conteneurs.
Yu et al. [55] ont examiné un terminal à conteneurs automatisé moderne où l'objectif était
d'optimiser le nombre de remaniements pour améliorer l'efficacité des processus de
récupération des conteneurs entrants grâce à deux approches interdépendantes. Tout
d'abord, développer des schémas de solution pour améliorer le problème d'allocation
d'espace pour le stockage de conteneurs entrants, puis ensuite, faire des plans de
réorganisation pour récupérer l'allocation d'espace de bloc après avoir récupéré certains
conteneurs. Ils ont proposé trois modèles d'amélioration pour le problème de l'allocation
d'espace de bloc aux conteneurs entrants ; La non-ségrégation, la ségrégation à période
unique et la ségrégation à périodes multiples, et leur comparaison, utilisent ensuite des
simulations pour valider les modèles et les solutions optimales pour chacun.
Ndiaye et al. [56] ont proposé un algorithme Branch-and-Cut pour résoudre le problème
de stockage de conteneurs et en prenant en considération des contraintes supplémentaires
afin d’éviter les remaniements aux quais et en respectant l’ordre dans lequel les conteneurs
sont déchargés par les navires.
Ndiaye [57] a proposé deux systèmes d’aide à la décision qui ont pour objectif de faciliter
la gestion de quantités importantes de conteneurs en fournissant en des temps raisonnables
et avec des plans de stockage. Deux cas sont distingués : le cas statique et le cas dynamique.
Le concept de modèle mathématique linéaire de Ndiaye et al. [58] concernant la
localisation de tous les conteneurs entrants, s'appuie sur l'outil principal du Staddle Carrier
en termes de limitation du nombre de remaniements et de la distance entre le quai et les
parcs de stockage en mettant en œuvre l'algorithme de la colonie de fourmis. Les
simulations numériques prouvent que tous les algorithmes utilisés sont efficaces pour
résoudre le problème du stockage des conteneurs.
Arthanari [59] a proposé un modèle de programmation dynamique stochastique pour les
conteneurs entrants, pour calculer le nombre minimum attendu de remaniements, obtenu
par le système de planification des camions. Pour surmonter la limitation de calcul des
méthodes exactes, il a développé une heuristique appelée l'indice de remaniement attendu
(ERI) et évalué ses performances.
Galle, V. et al. [60] ont étudié le problème stochastique de relocalisation des conteneurs
(CRP) qui consiste à déterminer une séquence de relocalisation des conteneurs qui
minimise le nombre de relocalisations nécessaires pour récupérer tous les conteneurs tout
en maintenant un certain ordre de récupération. Le modèle batch, un nouveau modèle
stochastique à plusieurs étapes, est introduit, justifié et comparé à un modèle existant (le
modèle en ligne). Dans les modèles par lots et en ligne, deux principaux algorithmes
optimaux appelés Pruning-Best-First-Search (PBFS) et une technique d'approximation
aléatoire appelée PBFS-Approximate avec une erreur moyenne bornée sont applicables.
De plus, ils fournissent deux nouvelles heuristiques qui dépassent les meilleures
heuristiques connues. Enfin, sur la base de preuves informatiques solides, ils ont émis
l'hypothèse que l'heuristique de "nivellement" est la meilleure dans une situation
particulière "sans information", dans laquelle l'un des conteneurs restants est également
susceptible d'être récupéré ensuite à n'importe quelle étape de récupération.
Zhu, H. et al. [61] se sont concentrés sur le problème du déchargement et de l'empilage des
conteneurs entrants dans les terminaux à conteneurs et ont obtenu une séquence de
45
déchargement équitable ainsi qu'une répartition optimale de l'empilement dans la zone de

stockage. Un modèle de programmation en nombres entiers est créé sur la base d'une
formulation proposée pour identifier la distribution d'empilement optimale et la séquence
de déchargement, ainsi que pour essayer de réduire le nombre estimé de remaniements. Le
modèle pour les petites instances est résolu par un solveur commercial. Comme pour les
grandes instances du monde réel, un algorithme de recherche en deux étapes est conçu, qui
comprend une étape initiale pour générer la solution réalisable et une étape de recherche
de voisinage pour trouver la solution optimale.
Civic [62] a proposé une méthode en ligne basée sur des règles pour résoudre le problème
de réorganisation des conteneurs entrants avec et sans informations de rendez-vous pour
les camions.
Yu, M. et al [63] ont utilisé l'optimisation intégrée à la simulation pour étudier un problème
d'allocation d'espace pour les conteneurs entrants dans les terminaux à conteneurs
automatisés. Ils ont proposé de minimiser le temps d'attente global des AGV (véhicules à
guidage automatique) dans le processus d'attribution de l'espace et le temps d'attente des
camions externes dans le futur processus de récupération des conteneurs en allouant
l'espace de la cour du terminal à conteneurs pour un lot de conteneurs entrants. Un modèle
de programmation en nombres entiers pour caractériser le problème est proposé. Un
module de simulation est utilisé pour estimer le nombre de remaniements de conteneurs
qui se sont produits tout au long du processus de récupération. Les résultats des expériences
numériques montrent que l'algorithme génétique affecte les performances de la décision
d'allocation et réalise un compromis entre un calcul rapide et une solution de haute qualité.
Les tableaux (2.2), et (2.3) présentent une étude comparative de l’ensemble des travaux
cités afin de positionner nos contributions dans la suite du document.
Tableau 2. 2 Tableau comparatif des travaux connexes des conteneurs normaux importés
Auteurs Problème traité Méthode de Contributions

résolution
Kim et Kim (1997) Planification de la Algorithme Déterminer
séquence de optimal de routage combien de
chargement des conteneurs doivent
conteneurs à être collectés dans
exporter dans un chaque baie et de la
port maritime route optimale des
portiques de cour
Réduire le temps
total de
manutention des
conteneurs par les
portiques de cour.
46
Kefi (2008) Il suggère une Algorithme Utilise une

stratégie distribuée heuristique : architecture multi
pour gérer les les heuristiques agents
problèmes de gloutonnes
stockage de Prise en compte le
conteneurs en départ d’un
décrivant un modèle conteneur
d'optimisation
heuristique
distribuée COSAH
(COntainer
Stacking via multi-
Agent approach and
Heuristic method)
Yu et al (2013) Examiner un Propose trois Développer des
terminal à modèles pour schémas de solution
conteneurs améliorer le pour améliorer le
automatisé moderne problème de problème
où l'objectif était l’allocation d'allocation
d'optimiser le d’espace de bloc; d'espace pour le
nombre de La non-ségrégation, stockage de
remaniements pour la ségrégation à conteneurs entrants.
améliorer période unique et la
l'efficacité des ségrégation à Faire des plans de
processus de périodes multiples. réorganisation pour
récupération des récupérer
conteneurs entrants. Utilise des l'allocation d'espace
simulations pour de bloc après avoir
valider les modèles récupéré certains
et les solutions conteneurs.
optimales.
Ndiaye et al. Le problème de Propose un Réduire le temps
(2014) stockage nouveau modèle de transport des
de conteneurs dans sous forme conteneurs entre la
un terminal d’un problème zone de stockage et
portuaire évitant les d’affectations à les navires.
remaniements coût minimal Amélioration d’un
modèle
mathématique
qui permet
d’éliminer les
remaniements
dans chaque pile en
respectant
l’ordre décroissant
47
des dates de départ

des conteneurs.
Ndiaye et al. (2015) Le problème de L’algorithme de Développe une
stockage recuit simulé Hybridation entre
de conteneurs et l’algorithme l’algorithme
dans un terminal génétique génétique et le
portuaire recuit simulé.
Ndiaye et al. (2016) Concerne la Algorithme de la Les simulations
localisation de tous colonie de fourmis numériques
les conteneurs prouvent que
entrants, s'appuyant l’algorithme utilisé
sur l'outil principal est efficace pour
du Staddle Carrier. résoudre le
problème du
stockage des
conteneurs.
Limiter le nombre
de remaniements et
de la distance entre
le quai et les zones
de stockage.
Arthanari (2016) Propose un modèle Développe une Calcule le nombre

de programmation heuristique appelée minimum attendu
dynamique l'indice de de remaniements.
stochastique pour remaniement
les conteneurs attendu (ERI).
entrants.
Galle, V. et al Le problème Algorithme Propose le modèle

(2018) stochastique de Pruning-Best-First-
batch, un nouveau
relocalisation des Search (PBFS) etmodèle stochastique
conteneurs (CRP) Algorithme PBFS-à plusieurs étapes,
qui consiste à Approximate. est introduit, justifié
déterminer une et comparé à un
séquence de modèle existant,
relocalisation des minimise le nombre
conteneurs de relocalisations
nécessaires pour
récupérer tous les
conteneurs tout en
maintenant un
certain ordre de
récupération
H Zhu et al. (2020) Concentre sur le Résolution par un Propose une
problème du solveur commercial formulation pour
48
déchargement et de pour les instances trouver la

l'empilage des de petite taille. distribution
conteneurs entrants. Un algorithme de optimale de la
recherche qui séquence de
fonctionne en deux gerbage et de
étapes pour les déchargement et
instances de essayer de réduire le
grandes tailles: nombre attendu de
Une étape de remaniements en
génération d'une utilisant un modèle
solution réalisable de programmation
et une étape de en nombres entiers
recherche pour
trouver la solution
optimale.
Yu, M. et al (2021) Le problème Algorithme Propose un modèle

d'allocation génétique. de programmation
d'espace pour les en nombres entiers
conteneurs entrants pour caractériser le
dans les terminaux à problème.
conteneurs Minimise le temps
automatisés. d'attente global des
AGV et le temps
d'attente des
camions externes.
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
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
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
Auteurs Problème traité Méthode de Contributions

résolution
Hamidou et al. Le problème de Méthodes Propose une
(2012) stockage de heuristiques architecture
conteneurs d'optimisation hybride, utilisant un
dangereux simples ont été système multi-
évaluées sur un facteur et un
terminal avec quatre automate cellulaire.
types de conteneurs
dangereux
Ambrosino et al. Le problème de Stratégie de MBPP consiste à
(2015) stockage des ségrégation décider comment
conteneurs stocker un ensemble
dangereux qui de n conteneurs
adhèrent aux avec ses
principes décrits caractéristiques
dans l'annexe des dans un ensemble
classes de code de m emplacements
IMDG. disponibles.
Yachba et al. Le problème du Algorithme Réduire les coûts de

(2016) stockage des génétique transport.
conteneurs Optimiser la
dangereux au méthode de l'espace
terminal à de stockage
conteneurs disponible.
Proposer une
méthode pour
résoudre le
problème de
placement des
conteneurs
dangereux.
Rekik et al. (2018) Le problème de Heuristique évoluée Propose un système

stockage de basée sur le CBR pour déterminer
conteneurs (Case Based l'emplacement exact
dangereux Reasoning) des conteneurs
entrants dans la
zone de stockage.
Suggérer des
processus
51
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.
Récemment, plusieurs publications ont montré et prouvé l'utilisation efficace de la

recherche opérationnelle résolvant le problème de stockage de conteneurs et même les
méthodes d'optimisation utilisées dans la littérature qui ont donné des résultats optimaux.
Cependant, le principal inconvénient des méthodes exactes est qu'elles nécessitent, dans la
grande majorité des cas, un temps de calcul important. Ainsi, on a recours aux algorithmes
heuristiques et méta-heuristiques. Ces algorithmes nécessitent un temps de calcul
raisonnable, mais la préférence des solutions qu'ils apportent ne peut être garantie.
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.
2.4.2 Méthodes exactes

Ce sont des méthodes qui permettent de trouver la meilleure solution à un problème.
L'idée générale implique une énumération exhaustive de tous les résultats possibles.
En conséquence, trouver la meilleure solution sera difficile, voire impossible, à mesure que
le problème s'aggrave. Généralement, les méthodes exactes sont utilisées pour résoudre des
problèmes de petite taille. De plus, ces approches sont assez lentes et nécessitent un temps
d'exécution long. Cependant, des méthodes plus intelligentes sont utilisées pour résoudre
des problèmes de différentes tailles tout en réduisant le nombre de solutions possibles.
52
Parmi elles, on cite l’algorithme de branch and cut, branch and bound ou la programmation
dynamique.
2.4.3 Méthodes approchées

La solution d'un problème d'optimisation combinatoire d'une taille comparable à celle
vue en pratique nécessite des tailles mémoires importantes et des temps de calcul longs. Le
but n'est pas d'arriver à une solution systématiquement parfaite, mais plutôt d'arriver à une
solution proche de l'optimale ou de "bonne qualité" dans les plus brefs délais. Ainsi, plutôt
que de faire une recherche complète, les méthodes approchées limitent la zone de recherche
en n'en considérant qu'une partie et fournissent la meilleure configuration dans un délai
raisonnable. On distingue deux familles de ces approches les méta-heuristiques de
recherche locale et les méta-heuristiques évolutionnaires.
2.4.3.1 Les méta-heuristiques de recherche locale

Pour ces approches, le processus d'optimisation commence par une solution initiale.
Ensuite, c'est à l'aide de la fonction de voisinage f(x) que la procédure recherche de
nouvelles solutions au voisinage de la solution courante. Dans le problème de stockage de
conteneurs, la fonction de voisinage est basée sur la permutation de deux conteneurs de
piles différentes en tenant compte du fait qu'un conteneur qui devait être permuté par un
autre doit respecter les conditions de tous les autres conteneurs dans une pile différente
pour les placer dans la position appropriée. Parmi les méta-heuristiques de recherche
locale, on cite la recherche locale itérée, le recuit simulé, etc.
2.4.3.1.1 La recherche locale itérée
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
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.
Algorithme Recherche Locale Itérée (ILS)

Etape 1 : Initialisation
Générer la solution initiale s0
Etape 2 : Recherche Locale
Utiliser la procédure de recherche locale pour la solution s0
Répéter
Etape 3 : Perturbation
Perturber la solution s0 et obtenir une nouvelle solution s'
Etape 4 : Recherche Locale

Utiliser la procédure de recherche locale pour la solution s’ et obtenir la
solution s’’
Etape 5 : Critère d'acceptation

Effectuer des critères d'acceptation
Jusqu’à condition d’arrêt

Figure 2. 1 Algorithme Recherche Locale Itérée
Dans la structure ILS, certaines méthodologies doivent être spécifiées : la génération

de la solution initiale (étape 1), l'utilisation de la procédure de recherche locale (étape 2),
l'utilisation du mécanisme de perturbation (étape 3), l'utilisation de la procédure de
recherche locale (étape 4), et l'exécution des critères d'acceptation (étape 5). L'étape 3,
l'étape 4 et l'étape 5 sont répétées jusqu'à ce que la condition de terminaison se produise.
2.4.3.1.2 Le recuit simulé (RS)
Le recuit simulé (RS) est une méthode stochastique de résolution de problèmes

combinatoires proposée par [74], basée sur la recherche locale. La méthodologie RS
s'inspire du procédé de recuit en métallurgie. Il fonctionne en émulant le processus
physique de sorte qu'un solide soit chauffé à une température élevée et refroidi
progressivement pour le réduire à cristalliser.
Le recuit simulé utilise une approche stochastique pour guider la recherche. En plus
d'accepter de meilleures solutions, RS permet à la recherche de procéder à un état voisin
même si le déplacement aggrave la valeur de la fonction objectif.
De manière similaire, pour l'algorithme RS, une solution initiale est choisie. Le recuit
simulé traite la recherche locale de la manière suivante. Si un déplacement vers le voisin
X' dans le voisinage garantit une amélioration de la valeur objective, ou la laisse inchangée,
alors le déplacement est toujours accepté.
54
Plus précisément, la solution X' est acceptée comme nouvelle solution si ∆ ≤ 0, où ∆ =

f(X') - f(X) et f(X) est la valeur de la fonction objectif.
Les mouvements, qui augmentent la fonction objectif signifie que ∆ > 0, sont acceptés
selon une fonction de probabilité e(-∆/T) > 0, où T est le paramètre de température, et P est
un nombre aléatoire entre [0, 1]. La valeur de T varie d'un nombre relativement grand à
une petite valeur proche de zéro, qui est souvent contrôlée par des équations linéaires pour
réduire la température de façon linéaire. Sa diminution est suffisamment lente pour
maintenir l'équilibre thermodynamique.
Les critères d'arrêt de l’algorithme sont généralement basés sur la probabilité qu'un
passage d'un minimum local à un voisin ayant le score le plus bas soit accepté. Si cette
probabilité est faible par rapport à la probabilité de sélection, l'algorithme est arrêté dans
cette approche [75]. L’algorithme de recuit simulé est présenté dans la figure 2.2 suivante.
Algorithme Recuit Simulé (RS)

T = Température initiale, c = Paramètre de refroidissement
Générer la solution initiale X
Xbest = X
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
2.4.3.2 Les méta-heuristiques évolutionnaires

Contrairement aux techniques de méthodes de recherche locale, qui ne considèrent
qu'une seule solution, les méta-heuristiques évolutionnaires considèrent l'ensemble de la
population de solutions dans le processus d'optimisation. Par conséquent, grâce à l'auto-
adaptation de chaque solution d'une part, et à la collaboration de plusieurs solutions de
population d'autre part, une méthode comme celui-ci peut créer de nombreuses solutions
efficaces simultanément. Parmi les métas heuristiques évolutionnaires, on peut citer
principalement, l’algorithme génétique, l'algorithme glouton aléatoire, l’algorithme de
colonie d’abeilles, etc.
2.4.3.2.1 Les algorithmes génétiques
L'algorithme génétique (AG) fait partis des algorithmes évolutionnistes, c’est un

puissant algorithme de recherche stochastique basé sur les mécanismes de la génétique
naturelle et de la sélection. Il a été développé par John Holland [76] à l'Université du
Michigan. Il permet, grâce à un codage approprié, de trouver en un temps limité, de bonnes
solutions à des problèmes d'optimisation complexes. Il s'agit d'un algorithme de recherche
global itératif dont l'objectif est d'optimiser une fonction prédéfinie appelée fonction «
fitness » f, représentée par chaque individu.
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.
Au cours de chaque génération, les chromosomes sont évalués à l'aide de certaines

mesures de fitness. Pour créer la génération suivante, un nouveau chromosome appelé
progéniture est formé en fusionnant deux chromosomes de la génération actuelle à l'aide
d'un opérateur de croisement ou en modifiant un chromosome à l'aide d'un opérateur de
mutation.
56
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
2.4.3.2.2 Principes de l’algorithme génétique
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
Non Critère d’arrêt oui Stop

atteint
Figure 2. 5 Organigramme de l’algorithme génétique
58
2.4.3.2.3 Vocabulaires des algorithmes génétiques
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
Le codage est une représentation chromosomique d'une solution de problème dans

laquelle chaque caractère, également appelé gène, représente une variable ou une partie du
problème. L'objectif principal est de choisir le contenu du gène d'une manière qui facilite
la description du problème tout en restant dans ses limites. Il utilise principalement deux
types de codage : le codage binaire et le codage réel.
Dans ce type de codage, le chromosome est essentiellement une séquence de 0 et de 1.
Toute modification chromosomique entraîne en effet la formation d'un nouveau
chromosome viable. Ce type de codage n'est cependant pas toujours avantageux ; il peut
être difficile ou long d'écrire des solutions de cette manière.
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
2.4.3.2.5 La population initiale
Une méthode de génération de la population initiale qui doit permettre la création

d'individus non identiques. L'efficacité ou l'inefficacité de cette méthode se reflète dans les
résultats numériques de l'algorithme, car une population initiale de faible qualité peut
conduire à une convergence prématurée vers un optimum local éloigné de l'optimum
global. En conséquence, il est extrêmement compétent. Il est donc très avantageux d'avoir
une population initiale bien répartie sur toute la zone de définition du problème.
2.4.3.2.6 La fonction fitness
L'étape qui suit immédiatement le codage est la spécification de la fonction d'évaluation

ou de fitness. Le résultat de la fonction fitness pour une solution donnée peut être utilisé
pour déterminer si un individu sera sélectionné ou non. La valeur attribuée à chaque
chromosome représente sa capacité d'adaptation environnementale. L'algorithme génétique
sélectionne les solutions avec les valeurs de fitness les plus élevées parmi un grand nombre
d'alternatives.
Cette méthode garantit que les individus les plus performants sont préservés tandis que
les individus les moins performants sont progressivement éliminés de la population.
2.4.3.3 Les opérateurs
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.
2.4.3.3.1 L’opérateur de sélection
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
d'être sélectionné proportionnellement à sa performance, donc plus les individus sont

adaptés au problème, plus ils ont de chances d'être sélectionnés. Chaque individu se voit
attribuer un secteur dont l'angle est proportionnel à son adaptation, sa « fitness». La roue
est tournée et lorsqu'elle s'arrête de tourner, l'individu correspondant au secteur désigné est
sélectionné.
- Sélection par tournoi : Le principe de sélection par tournoi améliore les chances des
individus de mauvaise qualité de contribuer à l'amélioration de la population. Il est facile
de mettre l'idée en action. Un tournoi est un événement qui rassemble un groupe des
individus choisis au hasard dans la population. L'individu le mieux classé remporte la
compétition. Nous pouvons choisir de ne garder que le vainqueur, tout comme nous
pourrions choisir de ne garder que les deux ou trois meilleurs individus.
- 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.
2.4.3.3.2 L’opérateur de croisement
Un opérateur de croisement est un opérateur de recombinaison. Chaque paire

d’individu subit le croisement décrit comme suit : le croisement a lieu sur les chromosomes
de deux individus appelés parents. Il produit de nouveaux individus (généralement deux)
appelés enfants dont les gènes sont hérités de l'un ou/et de l'autre parent. Cet opérateur est
appliqué après avoir appliqué l'opérateur de sélection à la population et cela peut être fait
en divisant chacun des deux chromosomes en fragments et en les recombinants pour former
de nouveaux chromosomes. Il existe plusieurs types de croissement rencontrées dans la
littérature, nous présentons trois types à savoir le croisement en un point, le croisement en
deux points et le croisement uniforme.
- Croisement à un point : Cette méthode sélectionne n'importe quel point de section

puis intervertit les parties qui sont à sa droite chez les deux parents, comme le montre la
figure 2.8.
2 parents 2 enfants
Parent 1 10010011101001 10010 100101101 Enfant 1
Parent 2 01110100101101 01110 011101001 Enfant 2

Figure 2. 8 Croisement à un point
- 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
2 parents 2 enfants
Parent 1 10010011101001 10010 10010 1001 Enfant 1
Parent 2 01110100101101 01110 01110 1101 Enfant 2

Figure 2. 9 Croisement à deux points
- 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
2.4.3.3.3 L’opérateur de mutation
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
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.
2.4.3.4 L’algorithme glouton randomisé

Les Algorithmes Gloutons Randomisés (RGA) sont des approches intéressantes pour
résoudre des problèmes dont les structures ne sont pas bien comprises ainsi que des
problèmes d'optimisation combinatoire qui intègrent les processus aléatoires et les
algorithmes gloutonnes. La conception d'algorithmes performants dépend essentiellement
de la randomisation. En théorie informatique, de nombreuses études sur les algorithmes
montrent que la fusion correcte du hasard peut être importante pour résoudre des problèmes
de calcul. Les résultats des expérimentations sont comparés entre les algorithmes
gloutonnes randomisés (RGA) et l'algorithme glouton déterministe, et ont montré que dans
une solution optimale locale, l'algorithme glouton déterministe se bloque facilement tandis
que l'approche randomisée gloutonne peut offrir de meilleurs résultats dans des répétitions
simples pour divers problèmes de couverture et améliore la performance de l'approche
gloutonne déterministe dans la plupart des cas de test.
Étant donné que l'algorithme glouton est facile à coincer et que les résultats de
l'expérience dans certains cas différents prouvent que l'algorithme glouton randomisé
donne de meilleurs résultats. Une fonction de randomisation par sélection est proposée qui
interfère avec le code précédent sur certaines modifications pour trouver une solution
optimale meilleure que celle obtenue par l'algorithme glouton déterministe.
Ce qui distingue l'algorithme aléatoire glouton de l'approche gloutonne simple, c'est
qu'il contient des degrés d'aléatoire dans une partie de sa logique. Haouari et Chaouachi
[80] ont été les premiers à introduire cet algorithme glouton randomisé, PROGRES qui fait
référence à (PRObabilistic GREedy Search) est un moyen d'implémenter l'algorithme
suivant.
C'est un algorithme itératif qui exécute à plusieurs reprises la méthode gloutonne
randomisée qui est similaire à celle discutée par Chvatal [81] qui garde la meilleure
solution à ce jour.
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
Ainsi, l'itération de l'algorithme glouton randomisé à divers coûts perturbés peut

conduire à diversifier la recherche, explorer de nouveaux domaines de la recherche, donc
différentes solutions optimales.
L’algorithme Glouton Randomisé est représenté dans la figure 2.11 suivante.

Algorithme glouton randomisé
S=0
Évaluer les coûts incrémental de chaque élément e ∈ E ;
Etape 2 :
Tant que S n'est pas une solution complète faire
Construire la liste restreinte des candidats (RCL) ;
Sélectionnez un élément s de la RCL au hasard ;
S = S ∪ {s};
Mettre à jour le coût incrémental de chaque élément e ∈ E;
Fin Tant que
Retourner S
Figure 2. 11 Algorithme glouton randomisé
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.
2.4.3.5 L’algorithme de colonie d’abeilles
L'algorithme de colonie d'abeilles (BA) est un algorithme méta-heuristique qui

s'applique à divers problèmes d'optimisation. Il a été inventé par Pham et al. en 2005. Ils
se sont inspirés du comportement des abeilles naturelles lorsqu'elles recherchent des fleurs
64
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.
Algorithme de colonie d’abeilles (BA)

Etape 1 : Chaque abeille éclaireuse construit une solution
Etape 2 : Évaluer le fitness
Etape 3 : Initialiser le nombre d'itérations, i = 1
Etape 4 :
Tant que i < mic faire
4.a Sélectionnez nes solutions d'élite
4.b Sélectionner les sites nbs pour les solutions de voisinage du point 4.a
4.c Générer de nouvelles solutions dans les sites précédents, nfe améliorer les
solutions élites et les évaluer
4.d Sélectionnez 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
Fin Tant que
Figure 2. 12 Algorithme de colonie d’abeilles
65
Dans l'algorithme de l'abeille (BA), chaque site définit de nombreuses solutions. La

méthode de recherche d'un site correspond à la méthode de construction de solutions,
puisque dans notre algorithme d'abeille un site correspond à de nombreuses solutions du
problème de stockage de conteneurs.
Pour construire une solution, nous attribuons les conteneurs un par un dans un ordre
aléatoire. On choisit au hasard un conteneur qui n'est pas encore traité, puis on choisit au
hasard une pile de même taille que le conteneur choisi, qui respecte la date de départ afin
d'obtenir la distribution initiale. Ainsi, nous obtenons une nouvelle population construite
aléatoirement par les abeilles butineuses restantes et l'abeille élite précédente, avant de
commencer une nouvelle itération.
2.4.3.6 Hybridation des algorithmes
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.
2.4.3.6.1 Les techniques d’hybridation
L'hybridation peut se produire dans un ou plusieurs composants de la méthode de

recherche. Elle peut également être constituée de nombreuses méthodes d'hybridation
combinées en une seule approche hybride. Selon Talbi.E et Preux.P [86], différentes
techniques d'hybridation peuvent être divisées en trois catégories principales: hybridation
séquentielle, hybridation parallèle synchrone et Hybridation parallèle asynchrone.
1- Hybridation séquentielle : La méthode la plus simple est l'hybridation séquentielle,
qui consiste à exécuter divers algorithmes de recherche de manière à ce que le
résultat de l'un serve de solution initiale pour le suivant.
2- Hybridation parallèle synchrone : L'hybridation parallèle synchrone est une
approche plus fine que la précédente, résultant de l'intégration de deux méthodes
66
de résolution. Dans ce type d'hybridation, il est essentiel de considérer les

interactions significatives entre les approches.
3- Hybridation parallèle asynchrone : L'hybridation parallèle asynchrone consiste en
la mise au point de différentes méthodes d'analyse en parallèle. Grâce à un
coordinateur chargé d'assurer le flux d'informations à travers les techniques de
résolution, ce co-développement permet une bonne collaboration entre les
méthodes de résolution.
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.
3.2 Etude de cas : Port de Tripoli-Liban

Compte tenu de l'importance des ports maritimes, notre étude se concentre sur le port
de Tripoli au nord du Liban, où l'objectif de s'attaquer au problème de stockage de
conteneurs entrants notamment en minimisant le nombre de mouvements improductifs et
en collectant les conteneurs appartenant à la même catégorie. En raison de son
emplacement stratégique, du manque d'investissement et d'une gestion efficace, le port de
Tripoli est le deuxième plus grand du Liban après celui de Beyrouth, ainsi Tripoli est la
deuxième capitale du nord du Liban, surplombant la côte est de la mer Méditerranée et se
caractérise par sa proximité avec la frontière syrienne. Le port de Tripoli, qui occupe une
69
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.
Figure 3. 1 Port maritime de Tripoli-Liban
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
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.
3.3 Définition du problème

Des difficultés et des obstacles surviennent dans de nombreux aspects de notre vie, c'est
pourquoi ils doivent être recherchés, évalués et améliorés scientifiquement afin d'obtenir
les meilleurs résultats. L'utilisation de méthodes non scientifiques, nous oblige à les
améliorer afin d'obtenir de meilleurs résultats. Le scénario que nous présentons dans cette
thèse est un excellent exemple de la façon dont les choses fonctionnent dans tous les ports
maritimes du monde, ainsi que de la façon dont nous devons faire face aux problèmes
actuels.
Les ports maritimes, comme n’importe quelles stations portuaires, ont des problèmes
quant à leurs installations. 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. 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.
L'un des indicateurs d'efficacité du port est la bonne gestion de l'espace de stockage.
Ainsi, nous comptons certains des problèmes de base dans lesquels les ports maritimes ont
71
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
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
3.5 Modélisation Mathématique
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
1, Si le conteneur 𝑐 est affecté à la pile 𝑠 et

que sa date de départ est supérieure à
𝑦𝑠𝑐 = un conteneur déjà dans 𝑠
{ 0, Sinon
1, Si le conteneur 𝑐 est affecté à la pile 𝑠

et que sa date de départ du deuxième
niveau est supérieure à un conteneur
𝑦2𝑐𝑠 =
déjà dans 𝑠
{ 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
Le modèle mathématique suivant est proposé pour le cas statique du problème de

stockage de conteneurs. Pour ce faire, nous simplifions et remplaçons la fonction objectif
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
La fonction objectif (3.1) de ce modèle minimise 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, le nombre de remaniements attendus
pour les deux niveaux supérieurs et minimise la distance entre les piles appartenant à la
même catégorie en utilisant la technique du centre de gravité. Les solutions du problème
satisfont les contraintes suivantes.
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
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
La contrainte (10) précise la nature de chaque variable de décision.
77
3.6 Explication de la démarche entamée

précédemment
Cette thèse est inspirée surtout du travail de Fatma Ndiaye [57] mais aussi des
nombreuses visites effectuées au port de Tripoli (Liban). Les rencontres avec les
responsables, notamment avec le planificateur du port de Tripoli au Liban, ont été d’une
importance majeure pour comprendre l'ensemble des enjeux du port en matière de
gestion de l'espace de stockage des conteneurs importés.
Plus précisément, nous nous sommes intéressé à trouver la meilleure position pour
empiler les conteneurs, à retrouver directement le conteneur lors de la récupération sans
rencontrer des difficultés (le nombre de remaniements), à regrouper les conteneurs de
mêmes catégories et le fonctionnement opérationnel dans la zone de stockage; Par
conséquent, les travaux suivants ont été construits et mis en œuvre en fonction des
besoins et des défis du port de Tripoli au Liban.
La construction de notre travail s’est divisée en deux parties, théorique et pratique.
A) Au niveau théorique
Première partie de la fonction objectif concernant la "distance"
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
Figure 3. 2 Détermination du meilleur emplacement d’un conteneur
On définit respectivement par C5 le conteneur numéro cinq et C1 le conteneur numéro

un, H5 étant la hauteur correspondant au conteneur C5 et h1 au conteneur C1. Nous
remarquons que h1 est plus petit que H5 ce qui signifie que h1 consomme moins
d'énergie, figure 3.2. Puisque que h1< H5 et que le but est de réduire l'énergie, alors nous
avons décidé de composer la première partie de notre fonction objectif qui est la
minimisation de l'énergie, donc du coût.
Chaque grue de chantier soulève un conteneur pour le déplacer d'un endroit à un autre,
en tenant compte de l'énergie exercée et du temps dépensé.
Puisque nous avons étudié l'énergie exercée ci-dessus, nous allons maintenant étudier
comment gérer le temps perdu.
La grue de chantier soulève le conteneur (verticalement) le long de la hauteur, puis
traverse la profondeur (horizontalement) pour le déposer au bon endroit dans la pile, ce
qui signifie que la grue de chantier ne transporte pas le conteneur en ligne droite depuis
la porte de sortie à la pile dans la zone de stockage. Il convient de noter que la grue de
chantier soulève les conteneurs verticalement et horizontalement à la même vitesse.
Donc, la meilleure solution est de minimiser la hauteur (verticalement) et la profondeur
(horizontalement).
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
conteneur et dx pour indiquer la profondeur de l'emplacement du conteneur. En mesurant

la hauteur et la profondeur des conteneurs C1 et C5, on constate que H5>h1 et d1>d5.
Pour démontrer ce qui a été mentionné précédemment, nous traçons un repère
orthonormé entre 0 et Π/2, figure 3.3. Nous avons déterminé l'angle correspondant au
placement du conteneur sur l'arc de cercle, sachant que la profondeur et la hauteur de
conteneur sont cos(x) r et sin(x) r respectivement. Donc, pour calculer la distance du
chemin entre la position initiale du conteneur et la destination, nous arrivons à cette
formule (cos(x) + sin(x)) r, alors la formule simplifiée sera cos(x) + sin(x) en supposant
que le rayon (r = 1).
Figure 3. 3 Emplacement d’ conteneur selon la hauteur et la profondeur
Pour cette raison, nous minimisons la hauteur et la profondeur (hauteur + profondeur)

pour montrer que plus le conteneur est proche du sol, moins il consomme d'énergie, donc
moins de temps possible est dépensé pour le mettre au bon endroit. À ce stade, Gurobi
doit trouver un compromis entre réduire la hauteur d'un côté et réduire la profondeur d'un
autre côté (hauteur + profondeur). Les auteurs de la littérature n'ont pas montré quelle
formule est utilisée pour choisir la meilleure position pour stocker un conteneur et n'ont
pas fait la distinction entre l'emplacement des conteneurs et la réalité de l'existence de
meilleurs endroits en terme de stockage de conteneurs.
La disposition des conteneurs sur les arcs des cercles selon certains critères dessine
plusieurs cercles dans la zone de stockage. Après plusieurs analyses et études effectuées,
il a été constaté que dans certains cas, il est possible d'avoir des emplacements de
conteneurs sur un arc de cercle plus loin ayant une profondeur meilleure qu'un autre
conteneur sur un arc de cercle plus proche de la porte de sortie. Dans ce cas, nous
revenons à la formule cos(x) + sin(x), qui démontre mathématiquement la précision et le
potentiel du travail effectué. À titre d'illustration, l'étude a produit les résultats illustrés
à la figure 3.4
80
Figure 3. 4 Emplacement des conteneurs selon les arcs de cercles
Deuxième partie de la fonction objectif concernant les « Remaniements »
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.
Troisième partie de la fonction objectif concernant " la minimisation de la distance

entre les piles appartenant à la même catégorie"
Dans cette partie, nous mesurons la distance en fonction du mouvement de la grue de

quai. Ainsi, pour atteindre le conteneur existant dans la pile 17, depuis la pile 11, on
remarque que la différence de résultat est égale à une pile (qui est égale à un mouvement
de la grue de quai).
81
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
N représente le nombre de conteneurs déjà stockés dans la zone de stockage, 𝑥𝑖 et 𝑦𝑖 sont

les coordonnées de la pile contenant le conteneur C appartenant à la même catégorie.
𝑋 est la somme de 𝑥𝑖 divisé par 𝑁, 𝑌 est la somme de 𝑦𝑖 divisé par 𝑁 pour obtenir le
couple (𝑋, 𝑌) comme centre de gravité de la catégorie courante. Cette formule nous a
conduit à collecter tous les nouveaux conteneurs entrants et à les placer à proximité les
uns des autres autour du centre de gravité des conteneurs de la même catégorie.
B) Au niveau pratique
Première partie de la fonction objectif concernant "la distance"
Figure 3. 5 Conteneurs existants dans la zone de stockage
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
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.
Deuxième partie de la fonction objectif concernant les « Remaniements »
Figure 3. 6 Conteneurs existants dans la zone de stockage avec dates de départ
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
Troisième partie de la fonction objectif concernant " la minimisation de la distance

entre les piles appartenant à la même catégorie"
Figure 3. 7 Conteneurs existants selon la catégorie
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
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
3.7.1 L’algorithme génétique proposé

Dans un terminal à conteneurs qui dispose d'une cour de stockage grande pour effectuer
les opérations de stockage pour les conteneurs importés, nous proposons un algorithme
génétique qui minimise simultanément la hauteur de la place du conteneur dans n'importe
quelle pile, la distance entre les piles et la porte de sortie, le nombre de remaniements
attendus pour les deux niveaux supérieurs, les distances à parcourir, et les dispersions de
conteneurs qui appartiennent une même catégorie utilisant la technique du centre de
gravité. L’algorithme génétique proposé pour résoudre le problème de stockage de
conteneurs comprend essentiellement les quatre étapes suivantes : création d’une
population initiale, sélection d’une partie de la population, application de croisements entre
les individus sélectionnés et la mutation d’un individu.
L’algorithme génétique a prouvé plein de succès en termes de temps d’exécution et
même a donné de solutions proche de l’optimum. Pour cela nous avons le proposé pour le
traitement de notre problème.
1. Générer la population initiale de taille (P=100, popSize=10) ;
2. Choisir les meilleures solutions 𝑥 obtenus par les algorithmes de recherche
locaux (ILS, RGA, RGA/ILS) ;
3. Générer les 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 dans popSize;
6. Tant que (𝑖 ≤ 𝑛) faire
7. Tant que (𝑗 ≤ 𝑁𝑐 /2) faire
8. Sélectionner deux solutions selon la méthode de roulette;
9. Sélectionner un point de croisement (crossOverPoint);
10. Tant que (𝑘 ≤ 𝑐𝑟𝑜𝑠𝑠𝑂𝑣𝑒𝑟𝑃𝑜𝑖𝑛𝑡) faire
11. Permuter un conteneur 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 aléatoirement de la solution la plus adaptée;
15. Choisir une pile valide aléatoirement pour ce conteneur;
16. Sélectionner un conteneur aléatoirement de la deuxième solution la
plus adaptée;
17. Choisir une pile valide aléatoirement pour ce conteneur;
18. Remplacer la pire solution par la meilleure en fonction de la fitness 𝑓;
19. Si meilleure solution < bestFittest alors
20. bestFittest ⃪ meilleure solution
21. Fin Si
22. 𝑗 ⃪ 𝑗 + 1;
23. Fin Tant que
24. 𝑖 ⃪ 𝑖 + 1;
25. Fin Tant que
86
3.7.1.1 Création de la population initiale
Dans notre algorithme génétique, chaque individu de la population est appelé un

chromosome représentant une solution, il est constitué d'une série de baies. Le chromosome
est composé de plusieurs gènes qui sont les positions des conteneurs stockés dans une pile
dans la zone de stockage (Ligne 5).
Figure 3. 8 Représentation d’un chromosome
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).
3.7.1.2 Fonction fitness
Le problème de stockage de conteneurs que nous traitons ici est un problème de

minimisation. En conséquence, plus la valeur de la fonction objectif est petite plus la
solution est meilleure, tant qu'elle adhère à toutes les contraintes. Pour cela, nous proposons
une fonction fitness élevée qui a plus de chances d'être sélectionné qu'un autre à faible
valeur.
87
La fonction fitness est calculée par la formule suivante :

1 𝑝
𝑓𝑖𝑡𝑛𝑒𝑠𝑠 = (( )/ ∑ 𝑜𝑓)
𝑜𝑓 1
On désigne par 𝑃 la population et par 𝑂𝐹 le résultat de la fonction objectif pour chaque

population initiale.
3.7.1.2.1 Méthode de sélection
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.
3.7.1.2.2 Méthode de croisement
L'opérateur croisement est employé dans un algorithme génétique pour générer de

nouvelles individus (appelées enfants) en combinant les parties d'autres individus (appelés
parents). Différentes méthodes de croisement existent (voir la section 2.4.3.2.9).
Cependant, nous utilisons le croisement en un point, il met un point de croisement selon
un taux de croisement définit. Un enfant prend une section (c.à.d. les conteneurs qui sont
affectés à une pile en respectant l’ordre décroissant de leurs dates de départ, en cas
d’impossibilité on affecte le conteneur à la pile selon l’ancienne place dans l’un des
parents) avant le point de croisement d'un parent et prend l'autre section après le point de
croisement de l'autre parent selon une probabilité de croisement, puis recombine les deux
sections pour former un nouveau chromosome. L'autre enfant se construit à l'envers.
Figure 3. 9 Etapes de croisement
88
3.7.1.2.3 Méthode de mutation
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.
Figure 3. 10 Procédure de mutation
Étant donné que les algorithmes d'optimisation modernes nécessitent généralement le

réglage d'un grand nombre de paramètres pour optimiser leurs performances, et depuis lors,
l'objectif principal de la configuration automatique des algorithmes est de trouver
automatiquement les meilleurs paramètres pour un optimiseur. Nous avons décidé d'utiliser
le package Irace [88], au lieu d'exécuter plusieurs tests manuels dans l'algorithme génétique
pour déterminer les meilleures valeurs des paramètres. Le progiciel Irace est un progiciel
qui implémente un certain nombre de procédures de configuration automatique, c'est-à-
dire qu'il recherche automatiquement les bonnes configurations pour les valeurs des
paramètres d'un algorithme (cible) économisant l'effort qui nécessite normalement un
réglage manuel.
3.7.1.3 RÉSULTATS DES EXPÉRIMENTATIONS
L'algorithme génétique 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.
89
3.7.1.3.1 Irace Package
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
Paramètres Symboles Valeurs

Taille de la population 𝑃 100
Nombre d’Itérations 𝑁𝑔 300
Taux de croisement 𝑅𝑐 0.8
Taux de mutation 𝑅𝑚 0.2
3.7.1.4 Résultats numériques
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
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.
Tableau 3. 3 Description des instances
Description Instances de petite taille Instances de moyenne taille

Dimension d’un conteneur 𝑑𝑐 , 𝑑𝑠 ∊ {20 𝑝𝑖𝑒𝑑𝑠, 40 𝑝𝑖𝑒𝑑𝑠, 45 𝑝𝑖𝑒𝑑𝑠}
ou d’une pile
Capacité Maximale d’une 6 conteneurs
pile
Date de départ d’un 1 ≤ 𝑑𝑑𝑐 ≤ 30
nouveau conteneur à
stocker
Date de départ d’un 1 ≤ 𝑑𝑑𝑠 ≤ 30
conteneur qui est déjà au
sommet de la pile
Nombre de conteneurs 3 ≤ 𝑁𝑐 ≤ 80 25 ≤ 𝑁𝑐 ≤ 120
Nombre de piles 3 ≤ 𝑁𝑠 ≤ 50 60 ≤ 𝑁𝑠 ≤ 160
La colonne des ensembles d'instances est 𝑁𝑠 − 𝑁𝑐 où 𝑁𝑠 indique le nombre de piles et

𝑁𝑐 le nombre de conteneurs. Chaque pile a au moins 3 niveaux vides jusqu'à un maximum
de 6. La colonne 𝑓𝑔𝑢𝑟𝑜𝑏𝑖 est la valeur de la solution optimale trouvée par l'optimiseur
Gurobi, tandis que 𝑓𝐺𝐴 est la valeur de la solution trouvée par l'algorithme considéré,
𝑓𝐺𝐴 𝐴𝑔𝑣 est la valeur moyenne trouvée après nombreux essais, ainsi que le Gap pour
chaque solution.
Après avoir défini les meilleures valeurs de paramètres, nous vérifions les
performances de l'algorithme en comparant la fonction objectif pour les petites et
moyennes instances générées aléatoirement de l'algorithme proposé avec la solution
optimale donnée par le solveur Gurobi. Par conséquent, nous avons utilisé la formule
suivante pour calculer le pourcentage d'écart : 𝐺𝑎𝑝 = [(𝑓𝐺𝐴 − 𝑓𝑔𝑢𝑟𝑜𝑏𝑖 )/𝑓𝑔𝑢𝑟𝑜𝑏𝑖 ] × 100
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
Tableau 3. 4 Résultats numériques de l’algorithme génétique pour les petites instances
Instance Instances Gurobi GA Gap Temps CPU

en secondes
No. 𝑵𝒔 𝑵𝒄 𝒇𝒈𝒖𝒓𝒐𝒃𝒊 𝒇𝑮𝑨 𝒇𝑮𝑨 𝑨𝒗𝒈 𝒇𝑮𝒖𝒓𝒐𝒃𝒊, 𝒇𝑮𝒖𝒓𝒐𝒃𝒊, Gurobi GA
𝒇𝑮𝑨 𝒇𝑮𝑨 Avg
1 3 24 24 24 0.00% 0.00% <1 <1
2 5 51 51 51 0.00% 0.00% <1 <1
3 3 6 62 62 62.3 0.00% 0.48% <1 <1
4 7 71 71 71.6 0.00% 0.85% <1 <1
5 9 86 86 86.4 0.00% 0.47% <1 <1
6 5 53 53 53 0.00% 0.00% <1 <1
7 10 110 110 110 0.00% 0.00% <1 <1
8 5 15 203 203 204.6 0.00% 0.79% <1 <1
9 18 209 209 211.3 0.00% 1.10% <1 <1
10 20 247 247 247.8 0.00% 0.32% <1 <1
11 7 63 63 63 0.00% 0.00% <1 <1
12 10 119 119 119 0.00% 0.00% <1 <1
13 7 13 137 137 137.9 0.00% 0.66% <1 <1
14 16 189 189 191.2 0.00% 1.16% <1 <1
15 22 281 281 281.3 0.00% 0.11% <1 .< 1
16 5 48 48 48 0.00% 0.00% <1 <1
17 10 94 94 94 0.00% 0.00% <1 <1
18 10 15 160 160 161.1 0.00% 0.69% <1 <1
19 20 248 250 251.7 0.81% 1.49% <1 <1
20 30 381 381 381.9 0.00% 0.24% <1 <1
21 10 74 74 74 0.00% 0.00% <1 <1
22 20 193 193 193.2 0.00% 0.10% <1 <1
23 20 30 279 286 283.3 2.51% 1.54% <1 <1
24 40 437 450 458.3 2.97% 4.87% 1.21 <1
25 45 516 521 523.9 0.97% 1.53% <1 <1
26 10 92 92 92 0.00% 0.00% <1 <1
27 20 164 165 167.2 0.61% 1.95% <1 <1
28 30 25 242 242 243.6 0.00% 0.66% <1 <1
29 30 286 290 291.3 1.40% 1.85% 1.08 <1
30 40 451 451 453.9 0.00% 0.64% 1.85 <1
31 50 562 567 576.9 0.89% 2.65% 4.14 <1
32 10 75 75 75.1 0.00% 0.13% <1 <1
33 20 173 173 173.8 0.00% 0.46% <1 <1
34 40 25 221 221 223.5 0.00% 1.13% <1 <1
35 30 273 273 275.7 0.00% 0.99% <1 <1
36 40 474 474 478.9 0.00% 1.03% <1 <1
37 45 458 466 473.4 1.75% 3.36% <1 <1
38 20 158 158 158 0.00% 0.00% <1 <1
39 30 281 290 297.3 3.20% 5.80% 2.33 <1
92
40 50 35 360 360 364.3 0.00% 1.19% <1 <1

41 40 421 427 431.1 1.43% 2.40% <1 <1
42 50 482 482 488.8 0.00% 1.41% <1 <1
43 80 934 935 942.8 0.11% 0.94% 18.12 <1
Ecart 0.38% 1.00%
Moyen
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
Instance Instances Gurobi GA Gap Temps CPU en

No. secondes
𝑵𝒔 𝑵𝒄 𝒇𝒈𝒖𝒓𝒐𝒃𝒊 𝒇𝑮𝑨 𝒇𝑮𝑨 𝑨𝒗𝒈 𝒇𝑮𝒖𝒓𝒐𝒃𝒊, 𝒇𝑮𝒖𝒓𝒐𝒃𝒊, Gurobi GA
𝒇𝑮𝑨 𝒇𝑮𝑨 𝑨𝒗𝒈
1 25 221 221 221 0.00% 0.00% <1 <1
2 35 324 324 325.1 0.00% 0.34% 1.19 <1
3 40 386 386 388.8 0.00% 0.73% 2.60 <1
93
4 60 45 454 454 457.8 0.00% 0.84% 3.37 <1

5 50 503 516 519.9 2.58% 3.36% 3.27 <1
6 55 571 579 586.6 1.40% 2.73% 6.86 <1
7 30 296 296 297.2 0.00% 0.41% 1.22 <1
8 40 373 373 375.8 0.00% 0.75% 1.73 <1
9 45 477 478 487.1 0.21% 2.12% 3.48 <1
10 70 50 522 523 528.8 0.19% 1.30% 6.98 <1
11 55 584 595 603.3 1.88% 3.30% 5.68 <1
12 60 616 616 621.2 0.00% 0.84% 7.20 <1
13 40 394 396 407.2 0.51% 3.35% 19.22 <1
14 50 477 478 499.1 0.21% 4.63% 27.66 <1
15 55 562 570 578.4 1.42% 2.92% 23.59 <1
16 80 60 681 684 690.2 0.44% 1.35% 119.69 <1
17 65 632 636 647.1 0.63% 2.39% 143.33 <1
18 70 807 811 819.6 0.50% 1.56% 146.77 <1
19 55 576 578 589.2 0.35% 2.29% 2.25 <1
20 60 554 558 569.1 0.72% 2.73% 6.78 <1
21 85 65 677 681 689.3 0.59% 1.82% 22.98 <1
22 70 782 788 797.1 0.77% 1.93% 52.56 <1
23 45 418 423 430.1 1.20% 2.89% 1.18 <1
24 60 644 654 658.1 1.55% 2.19% 1.81 <1
25 90 65 628 639 641.2 1.75% 2.10% 1.89 <1
26 70 726 730 733.2 0.55% 0.99% 1.85 <1
27 75 764 771 773.5 0.92% 1.24% 2.34 <1
28 65 749 753 762.3 0.53% 1.78% 26.16 <1
29 70 687 700 709.1 1.89% 3.22% 28.33 <1
30 95 75 804 812 821.3 1.00% 2.15% 55.53 <1
31 80 746 758 757.5 1.54% 1.54% 1600.2 <1
32 50 506 511 513.3 0.99% 1.44% 32.38 <1
33 70 684 690 693.5 0.88% 1.39% 105.55 <1
34 100 75 721 735 738.8 1.94% 2.47% 204.52 <1
35 80 803 814 817.2 1.37% 1.77% 233.01 <1
36 85 948 973 973.6 2.64% 2.70% 279.12 <1
37 105 85 1001 1010 1020.5 0.90% 1.95% 180.2 <1
38 90 978 998 1009.2 2.04% 3.19% 189.32 <1
39 110 80 869 874 880.1 0.58% 1.28% 221.18 <1
40 120 90 978 983 990.2 0.51% 1.25% 381.30 <1
41 130 95 995 1006 1022.3 1.11% 2.74% 445.66 <1
42 135 95 1135 1142 1155.2 0.62% 1.78% 447.26 <1
43 140 95 1028 1030 1039.5 0.19% 1.12% 656.33 <1
44 150 105 1110 1117 1129.8 0.63% 1.78% 823.68 <1
45 150 110 1263 1277 1286.5 1.11% 1.86% 1002.32 1
46 160 110 1236 1266 1275.3 2.43% 3.18% 1122.62 1.05
47 120 1391 1426 1439.7 2.52% 3.50% 1405.21 <1
Ecart Moyen 0.93% 1.98%
94
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%.
3.7.1.5 Comparaison entre Gurobi et GA pour la distance et

du nombre de remaniements
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
Une comparaison des distances et le nombre de remaniements trouvées par le solveur

Gurobi et l'algorithme génétique est donnée dans le tableau 3.5.
Tableau 3. 6 Résultats numériques de l'algorithme génétique. NR est le nombre de remaniements.
Instances Gurobi Algorithme Génétique

𝑵𝒔 𝑵𝒄 𝒇𝒈𝒖𝒓𝒐𝒃𝒊 Distance NR 𝒇𝑮𝑨 Distance NR
13 137 74 8 137 74 8
7 16 189 104 12 189 104 12
22 281 142 16 281 142 16
15 160 80 13 160 80 13
10 20 248 133 13 250 132 12
30 381 199 17 381 199 21
10 74 41 3 74 41 3
20 40 437 220 8 450 232 11
45 516 281 13 521 272 14
10 92 46 4 92 45 2
30 30 286 160 6 290 156 5
50 562 277 19 567 280 20
10 75 34 2 75 36 2
40 40 474 241 20 474 238 22
45 458 250 11 466 248 11
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
300
250
200
Distance
150
100
50
0
Instances
gurobi GA
Figure 3. 13 Comparaison des distances
De même pour le nombre de remaniements, l'algorithme génétique trouve les

mêmes nombres de remaniements que ceux obtenus par Gurobi, et même dans certains cas
GA donne des meilleurs résultats, comme l'illustre la figure 3.8
25
Nombre de Remaniements
20
15
10
5
0
Instances
Gurobi GA
Figure 3. 14 Comparaison des nombres de remaniements
Résultats de stabilité de l’algorithme génétique et son efficacité

Dans le domaine de l'informatique, la stabilité est la propriété des systèmes qui ont un
niveau de failles réduit. Moins il y a de failles, plus la stabilité est grande [89].
97
Tableau 3. 7 Analyse statistique pour la stabilité de la petite instance
Nombre Résultats de l’algorithme génétique

d’exécution
atteint pour la
petite
instance 1ère 2ième 3ième 4ième 5ième 6ième 7ième 8ième 9ième 10ième
𝑁𝑠 × 𝑁𝑐
5 × 5 53 53 53 53 53 53 53 53 53 53
5 × 10 110 110 110 110 110 110 110 110 110 110
5 × 15 203 203 203 203 203 203 203 203 203 203
5 × 18 209 209 209 209 209 209 209 209 209 209
5 × 20 247 247 247 247 247 247 247 247 247 247
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
Nombre Résultats de l’algorithme génétique

d’exécution
atteint pour
la moyenne
instance 1ère 2ième 3ième 4ième 5ième 6ième 7ième 8ième 9ième 10ième
𝑁𝑠 × 𝑁𝑐
90 × 45 423 423 423 423 423 423 423 423 423 423
90 × 60 654 654 655 655 655 654 654 654 654 654
90 × 65 639 640 639 639 639 640 640 640 639 639
90 × 70 730 732 731 731 730 730 730 730 730 730
90 × 75 772 771 771 772 772 772 771 771 773 772
De même pour les instances de tailles moyennes, après 10 fois d'exécution,

l'algorithme génétique conserve approximativement les mêmes résultats pour chaque
instance avec des écarts variant de 0,54% à 1,72% entre la solution optimale et la plus
proche de l'optimale. Le pourcentage calculé pour les instances de taille moyenne exécutées
dans le tableau 3.7 est présenté par cette formule 𝑃𝑜𝑢𝑟𝑐𝑒𝑛𝑡𝑎𝑔𝑒 = [(𝑓𝐺𝐴 − 𝑓𝑔𝑢𝑟𝑜𝑏𝑖 )/
𝑓𝐺𝐴 ] × 100 comme suit:
- [(423 − 418 )/423] × 100 = 1.18%

- [(654 − 644 )/654] × 100 = 1.52%
- [(639 − 628 )/639] × 100 = 1.72%
98
- [(730 − 726 )/730] × 100 = 0.54%

- [(771 − 764 )/771] × 100 = 0.90%
Par conséquence, l'efficacité de cet algorithme dans la résolution du problème de
stockage des conteneurs est démontré dans les tableaux 3.3 et 3.4 ci-dessus. Nous
remarquons que pour les instances de petites tailles, Gurobi et GA produisent les mêmes
résultats avec des temps d'exécution rapides. Les résultats produits par cet algorithme pour
les instances de tailles moyennes sont presque optimal avec un temps d'exécution inférieur
à 1 seconde. Il convient de noter qu'à partir de l'instance numéro 19 dans le tableau 3.4, le
temps d'exécution du solveur Gurobi augmente avec la taille du problème. Ainsi, nous
pouvons conclure que l'algorithme génétique proposé est à la fois efficace, a un écart
moyen très faible pour les petites et moyennes instances et pratique pour résoudre notre
problème.
3.7.2 L’algorithme glouton randomisé (RGA) proposé
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);
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
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
Instance Instances Gurobi RGA Gap Temps CPU

No. en secondes
𝑵𝒔 𝑵𝒄 𝒇𝒈𝒖𝒓𝒐𝒃𝒊 𝒇𝑹𝑮𝑨 𝒇𝑹𝑮𝑨 𝒇𝑮𝒖𝒓𝒐𝒃𝒊, 𝒇𝑮𝒖𝒓𝒐𝒃𝒊, Gurobi RGA
𝑨𝒗𝒈 𝒇𝑹𝑮𝑨 𝒇𝑹𝑮𝑨 𝑨𝒗𝒈
1 3 24 24 24 0.00% 0.00% <1 <1
2 5 51 51 51 0.00% 0.00% <1 <1
3 3 6 62 62 62.8 0.00% 1.29% <1 <1
4 7 71 72 73.4 1.41% 3.38% <1 <1
5 9 86 87 90.1 1.16% 4.77% <1 <1
6 5 53 53 53 0.00% 0.00% <1 <1
7 10 110 112 113.3 1.82% 3.00% <1 <1
8 5 15 203 203 204.2 0.00% 0.59% <1 <1
100
9 18 209 214 216.8 2.39% 3.73% <1 <1

10 20 247 252 258.8 2.02% 4.78% <1 <1
11 7 63 63 63.1 0.00% 0.16% <1 <1
12 10 119 127 130.3 6.72% 9.50% <1 <1
13 7 13 137 142 143.6 3.65% 4.82% <1 <1
14 16 189 189 193.2 0.00% 2.22% <1 <1
15 22 281 283 284.7 0.71% 1.32% <1 1.21
16 5 48 49 50.3 2.08% 4.79% <1 <1
17 10 94 95 96.3 1.06% 2.45% <1 <1
18 10 15 160 172 174.7 7.50% 9.19% <1 <1
19 20 248 251 254.6 1.21% 2.66% <1 1.67
20 30 381 386 388.8 1.31% 2.05% <1 3.93
21 10 74 76 77.7 2.70% 5.00% <1 <1
22 20 193 193 194.8 0.00% 0.93% <1 2.83
23 20 30 279 294 296.4 5.38% 6.24% <1 7.75
24 40 437 454 460.1 3.89% 5.29% 1.21 16.54
25 45 516 524 529.3 1.55% 2.58% <1 16.25
26 10 92 92 92.8 0.00% 0.87% <1 <1
27 20 164 169 172.3 3.05% 5.06% <1 3.86
28 30 25 242 244 247.6 0.83% 2.31% <1 5.99
29 30 286 293 297.3 2.45% 3.95% 1.08 10.11
30 40 451 452 458.3 0.22% 1.62% 1.85 19.64
31 50 562 567 570.1 0.89% 1.44% 4.14 33.74
32 10 75 82 82.2 9.33% 9.60% <1 1.53
33 20 173 179 180.3 3.47% 4.22% <1 6.04
34 40 25 221 223 225.1 0.90% 1.86% <1 7.83
35 30 273 274 278.3 0.37% 1.94% <1 12.75
36 40 474 475 478.3 0.21% 0.91% <1 24.83
37 45 458 472 475.3 3.06% 3.78% <1 34.04
38 50 20 158 170 171.6 7.59% 8.61% <1 6.42
39 30 281 294 295.3 4.63% 5.09% 2.33 16.10
40 35 360 363 365.8 0.83% 1.61% <1 24.45
41 40 421 437 440.1 3.80% 4.54% <1 31.80
42 50 482 487 490.3 1.04% 1.72% <1 56.63
43 80 934 938 942.3 0.43% 0.89% 18.12 70.33
Ecart 2.06% 3.27%
Moyen
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
Figure 3. 15 Résultats graphiques pour les petites instances de RGA vs Gurobi
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
Instanc Instance Gurob RGA Gap Temps CPU en

e s i secondes
No.
𝑵𝒔 𝑵𝒄 𝒇𝒈𝒖𝒓𝒐𝒃𝒊 𝒇𝑹𝑮𝑨 𝒇𝑹𝑮𝑨 𝒇𝑮𝒖𝒓𝒐𝒃𝒊, 𝒇 𝑮𝒖𝒓𝒐𝒃𝒊, Gurobi RGA
𝑨𝒗𝒈 𝒇𝑹𝑮𝑨 𝒇𝑹𝑮𝑨 𝑨𝒗𝒈
1 25 221 221 221.9 0.00% 0.41% <1 14.90
2 35 324 327 328.8 0.93% 1.48% 1.19 28.09
3 40 386 386 389.7 0.00% 0.96% 2.60 38.88
4 60 45 454 454 458.9 0.00% 1.08% 3.37 58.11
5 50 503 520 525.3 3.38% 4.43% 3.27 75.29
6 55 571 580 586.4 1.58% 2.70% 6.86 95.66
7 30 296 296 296.9 0.00% 0.30% 1.22 25.94
8 40 373 373 375.4 0.00% 0.64% 1.73 42.21
9 45 477 481 483.9 0.84% 1.45% 3.48 78.30
10 70 50 522 524 528.7 0.38% 1.28% 6.98 92.37
11 55 584 595 598.9 1.88% 2.55% 5.68 114.22
12 60 616 616 618.9 0.00% 0.47% 7.20 135.58
13 40 394 398 400.1 1.02% 1.55% 19.22 16.63
14 50 477 481 490.3 0.84% 2.79% 27.66 21.33
15 55 562 573 578.3 1.96% 2.90% 23.59 19.88
102
16 80 60 681 689 697.7 1.17% 2.45% 119.69 57.07

17 65 632 649 655.6 2.69% 3.73% 143.33 66.54
18 70 807 816 822.3 1.12% 1.90% 146.77 55.90
19 55 576 580 588.3 0.69% 2.14% 2.25 5.65
20 60 554 561 569.8 1.26% 2.85% 6.78 7.82
21 85 65 677 683 689.8 0.89% 1.89% 22.98 13.21
22 70 782 788 798.3 0.77% 2.08% 52.56 14.51
23 45 418 425 431.6 1.67% 3.25% 1.18 17.52
24 60 644 654 660.1 1.55% 2.50% 1.81 18.08
25 90 65 628 639 643.9 1.75% 2.53% 1.89 18.33
26 70 726 734 741.3 1.10% 2.11% 1.85 15.32
27 75 764 781 788.6 2.23% 3.22% 2.34 13.12
28 65 749 762 769.2 1.74% 2.70% 26.16 22.84
29 70 687 707 709.6 2.91% 3.29% 28.33 19.67
30 95 75 804 814 821.3 1.24% 2.15% 55.53 40.25
31 80 746 761 763.5 2.01% 2.35% 1600.2 57.62
32 50 506 512 515.3 1.19% 1.84% 32.38 37.52
33 70 684 693 695.6 1.32% 1.70% 105.55 48.96
34 100 75 721 737 742.6 2.22% 3.00% 204.52 48.77
35 80 803 817 825.6 1.74% 2.81% 233.01 274.10
36 85 948 973 981.1 2.64% 3.49% 279.12 162.38
37 105 85 1001 1010 1019.8 0.90% 1.88% 180.2 14.25
38 90 978 1003 1013.6 2.56% 3.64% 189.32 64.32
39 110 80 869 879 898.3 1.15% 3.37% 221.18 19.28
40 120 90 978 989 1000.1 1.12% 2.26% 381.30 61.32
41 130 95 995 1009 1019.6 1.41% 2.47% 445.66 63.20
42 135 95 1135 1149 1162.3 1.23% 2.41% 447.26 98.52
43 140 95 1028 1041 1052.3 1.26% 2.36% 656.33 89.23
44 150 105 1110 1119 1127.9 0.81% 1.61% 823.68 143.56
45 110 1263 1284 1300.1 1.66% 2.94% 1002.32 187.86
46 160 110 1236 1273 1275.2 2.99% 3.17% 1122.62 239.29
47 120 1391 1432 1447.8 2.95% 4.08% 1405.21 312.58
Ecart 1.38% 2.32%
Moyen
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
Figure 3. 16 Résultats graphiques pour les moyennes instances de RGA vs Gurobi
La représentation graphique figure 3.10 montre les instances de taille moyenne

exécutées par l'algorithme glouton randomisé proposé mentionné ci-dessus sur l’axe x, et
la fonction objectif est présentée sur l'axe y. Le deuxième axe vertical présente le Gap pour
chaque instance réalisée. Nous observons que RGA donne un pourcentage moyen d'écart
qui est égal à 1.38%.
Des simulations numériques effectuées sur toutes les instances de petites et de
moyennes tailles prouvent que RGA a réussi pour résoudre le problème de stockage de
conteneurs et a un écart moyen qui est égal à 1.72%.
3.7.3 Recherche locale itérée (ILS) proposé
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
1. Mettez tous les conteneurs dans ContNotSet (Initialiser ContNotSet);

5. Prenez le conteneur 𝑐 ayant le 𝑑𝑑𝑐 le plus élevé dans l'ensemble
ContNotSet;
6. Si des piles existent ayant de dimension est égale à la dimension de
7. Choisissez aléatoirement une de ces piles;
8. Mettez le conteneur 𝑐 dans la pile 𝑠;
9. Sinon
11. Fin ;
12. Fin si
13. Fin Tant que
14. Créer m nouvelles distributions à partir de la distribution initiale actuelle
basée sur une permutation aléatoire pour deux conteneurs de pile différentes;
15. Obtenez la solution la plus basse des m distributions de l'itération actuelle
𝑖;
16. Mettez tous les conteneurs dans ContNotSet;
17. 𝑖 = 𝑖 + 1;
18. Fin Tant que
19. Obtenez la distribution ayant la solution la plus basse pour toutes les itérations;
ContNotSet: est l'ensemble des conteneurs non encore placés dans les piles.
A la ligne 7, nous choisissons aléatoirement une pile dans laquelle placer le conteneur,
afin d'obtenir la distribution initiale. A partir de cette distribution initiale actuelle, nous
collectons m distributions aléatoires basées sur la permutation de conteneurs de deux piles
différentes en tenant compte du fait qu'un conteneur à permuter par un autre doit respecter
les dates de départ de tous les autres conteneurs d'une pile différente pour les placer dans
la position appropriée est déclarée aux lignes 14 et 15.
Après cela, nous obtenons la solution la plus basse des m distributions de l'itération
actuelle à la ligne 16. Enfin, une fonction est calculée pour obtenir la solution la plus basse
de toutes les itérations. Ainsi, pour échanger un conteneur 𝑐𝑖 par un autre 𝑏𝑗 , ils doivent
avoir les mêmes dimensions et respecter les dates de départ 𝑑𝑑𝑐𝑖 de tous les autres
conteneurs 𝑐 dans les piles 𝑠 voisines. Voir le tableau 3.10.
𝑐𝑖 est le conteneur c dans une position 𝑖 d'une pile 𝑠
𝑏𝑗 est le conteneur b dans une position 𝑖 d'une autre pile 𝑠′
𝑑𝑑𝑐𝑖 est la date de départ du conteneur 𝑐𝑖
105
Tableau 3. 11 Conteneurs triés par ordre décroissant de date de départ et respectant les contraintes après la
permutation
𝑐𝑖+2 𝑏𝑗+2
𝒄𝒊 𝒃𝒋
𝑐𝑖−1 𝑏𝑗−1
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
- 𝑑𝑑𝑏𝑖−1 > 𝑑𝑑𝑐𝑖 > 𝑑𝑑𝑏𝑖+1
Tableau 3. 12 Conteneurs triés par ordre décroissant de date de départ et respectant les contraintes
𝒃𝒊 𝒄𝒋
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
𝐹 = 𝐹1 + (𝑓𝑏𝑗 (𝑐𝑖 ) − 𝑓𝑐𝑖 (𝑐𝑖 )) + (𝑓𝑐𝑖 (𝑏𝑗 )−𝑓𝑏𝑗 (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
Tableau 3. 13 Résultats numériques de Recherche locale itérée ILS pour les petites instances
Instance Instances Gurobi ILS Gap Temps CPU

No. en secondes
𝑵𝒔 𝑵𝒄 𝒇𝒈𝒖𝒓𝒐𝒃𝒊 𝒇𝑰𝑳𝑺 𝒇𝑰𝑳𝑺 𝒇𝑮𝒖𝒓𝒐𝒃𝒊 , 𝒇𝑮𝒖𝒓𝒐𝒃𝒊 , Gurobi ILS
𝑨𝒗𝒈 𝒇𝑰𝑳𝑺 𝒇𝑰𝑳𝑺 𝑨𝒗𝒈
1 3 24 24 24 0.00% 0.00% <1 <1
2 5 51 51 51.3 0.00% 0.59% <1 <1
3 3 6 62 62 62.4 0.00% 0.65% <1 <1
4 7 71 72 74.3 1.41% 4.65% <1 <1
5 9 86 87 88.9 1.16% 3.37% <1 <1
6 5 53 54 55.6 1.89% 4.91% <1 <1
7 10 110 112 114.3 1.82% 3.91% <1 <1
8 5 15 203 203 207.9 0.00% 2.41% <1 <1
9 18 209 214 217.3 2.39% 3.97% <1 <1
10 20 247 252 257.3 2.02% 4.17% <1 <1
11 7 63 64 66.1 1.59% 4.92% <1 <1
12 10 119 124 128.6 4.20% 8.07% <1 <1
13 7 13 137 142 144.8 3.65% 5.69% <1 <1
14 16 189 189 195.3 0.00% 3.33% <1 <1
15 22 281 286 295.6 1.78% 5.20% <1 <1
16 5 48 50 53.4 4.17% 11.25% <1 <1
17 10 94 96 100.2 2.13% 6.60% <1 <1
18 10 15 160 170 172.3 6.25% 7.69% <1 <1
19 20 248 253 255.8 2.02% 3.15% <1 <1
20 30 381 390 395.6 2.36% 3.83% <1 1.27
21 10 74 78 79.8 5.41% 7.84% <1 <1
22 20 193 201 203.6 4.15% 5.49% <1 <1
23 20 30 279 310 312.4 11.11% 11.97% <1 1.38
24 40 437 480 482.3 9.81% 10.37% 1.21 2.31
25 45 516 565 569.8 9.50% 10.43% <1 3.06
26 10 92 95 97.3 3.26% 5.76% <1 <1
27 20 164 179 182.7 9.15% 11.40% <1 3.86
28 25 242 266 271.1 9.92% 12.02% <1 1.22
29 30 30 286 318 324.5 11.19% 13.46% 1.08 1.55
30 40 451 491 494.4 8.87% 9.62% 1.85 2.60
31 50 562 615 617.8 9.43% 9.93% 4.14 4.34
32 10 75 83 85.9 10.67% 14.53% <1 <1
33 20 173 192 195.3 10.98% 12.89% <1 1.27
34 40 25 221 245 247.1 10.86% 11.81% <1 1.46
35 30 273 304 306.4 11.36% 12.23% <1 1.76
36 40 474 528 530.1 11.39% 11.84% <1 2.97
37 45 458 509 511.8 11.14% 11.75% <1 3.48
38 20 158 179 182.3 13.29% 15.38% <1 1.39
39 30 281 303 305.6 7.83% 8.75% 2.33 2.18
40 50 35 360 382 385.2 6.11% 7.00% <1 2.65
107
41 40 421 454 457.2 7.84% 8.60% <1 2.99

42 50 482 527 530.2 9.34% 10.00% <1 4.66
43 80 934 1022 1025.3 9.42% 9.78% 18.12 14.57
Ecart 5.83% 7.70%
Moyen
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%.
Figure 3. 17 Résultats graphiques pour les petites instances de ILS vs Gurobi
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.
Tableau 3. 14 Résultats numériques de ILS pour les moyennes instances
Instance Instances Gurobi ILS Gap Temps CPU

No. en secondes
𝑵𝒔 𝑵𝒄 𝒇𝒈𝒖𝒓𝒐𝒃𝒊 𝒇𝑰𝑳𝑺 𝒇𝑰𝑳𝑺 𝒇𝑮𝒖𝒓𝒐𝒃𝒊 , 𝒇𝑮𝒖𝒓𝒐𝒃𝒊 , Gurobi ILS
𝑨𝒗𝒈 𝒇𝑰𝑳𝑺 𝒇𝑰𝑳𝑺 𝑨𝒗𝒈
1 25 221 244 254.1 10.41% 14.98% <1 1.78
2 35 324 389 392.5 20.06% 21.14% 1.19 2.63
3 40 386 468 472.7 21.24% 22.46% 2.60 3.21
4 60 45 454 509 517.6 12.11% 14.01% 3.37 3.98
5 50 503 601 603.8 19.48% 20.04% 3.27 5.13
6 55 571 688 693.4 20.49% 21.44% 6.86 5.74
7 30 296 358 363.8 20.95% 22.91% 1.22 2.61
8 40 373 452 453.9 21.18% 21.69% 1.73 3.38
9 45 477 549 557.2 15.09% 16.81% 3.48 4.45
10 70 50 522 649 656.8 24.33% 25.82% 6.98 5.31
108
11 55 584 740 742.8 26.71% 27.19% 5.68 5.97

12 60 616 781 784.4 26.79% 27.34% 7.20 7.37
13 40 394 502 504.6 27.41% 28.07% 19.22 4.0
14 50 477 609 611.1 27.67% 28.11% 27.66 5.77
15 55 562 717 718.3 27.58% 27.81% 23.59 6.25
16 80 60 681 876 879.8 28.63% 29.19% 119.69 8.45
17 65 632 807 808.1 27.69% 27.86% 143.33 9.07
18 70 807 992 993.5 22.92% 23.11% 146.77 12.53
19 55 576 726 727.8 26.04% 26.35% 2.25 6.61
20 60 554 701 703.4 26.53% 26.97% 6.78 8.87
21 85 65 677 856 857.3 26.44% 26.63% 22.98 8.92
22 70 782 962 963.9 23.02% 23.26% 52.56 11.25
23 45 418 534 535.6 27.75% 28.13% 1.18 4.60
24 60 644 821 823.4 27.48% 27.86% 1.81 7.72
25 90 65 628 789 790.2 25.64% 25.83% 1.89 7.68
26 70 726 882 884.2 21.49% 21.79% 1.85 8.82
27 75 764 937 938.7 22.64% 22.87% 2.34 8.93
28 65 749 917 918.5 22.43% 22.63% 26.16 10.38
29 70 687 852 853.9 24.02% 24.29% 28.33 12.59
30 95 75 804 967 968.1 20.27% 20.41% 55.53 14.78
31 80 746 901 907.4 20.80% 21.64% 1600.2 27.32
32 50 506 632 633.7 24.90% 25.24% 32.38 6.13
33 70 684 743 745.6 8.63% 9.01% 105.55 9.12
34 100 75 721 898 902.3 24.55% 25.15% 204.52 9.42
35 80 803 961 962.3 19.68% 19.84% 233.01 11.36
36 85 948 1099 1102.3 15.93% 16.28% 279.12 11.88
37 105 85 1001 1223 1225.7 22.18% 22.45% 180.2 19.17
38 90 978 1198 1200.3 22.49% 22.73% 189.32 20.22
39 110 80 869 1067 1069.5 22.78% 23.07% 221.18 15.93
40 120 90 978 1178 1180.2 20.45% 20.67% 381.30 17.81
41 130 95 995 1193 1195.6 19.90% 20.16% 445.66 34.66
42 135 95 1135 1366 1368.4 20.35% 20.56% 447.26 42.57
43 140 95 1028 1253 1255.8 21.89% 22.16% 656.33 43.56
44 150 105 1110 1326 1328.6 19.46% 19.69% 823.68 45.86
45 150 110 1263 1520 1522.3 20.35% 20.53% 1002.32 47.22
46 160 110 1236 1507 1509.4 21.93% 22.12% 1122.62 51.80
47 120 1391 1637 1639.9 17.69% 17.89% 1405.21 54.89
Ecart 22.09% 22.69%
Moyen
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
Figure 3. 18 Résultats graphiques pour les moyennes instances de ILS vs Gurobi
Ce graphique figure 3.12 montre les résultats de l’algorithme ILS ainsi que le Gap
calculé.
3.7.4 Algorithme hybride de glouton randomisé et

recherche locale itérée (RGA/ILS)
Cet algorithme est une combinaison de l’algorithme glouton randomisé (RGA) et la

recherche locale itérée qui ont été développés et appliqués pour améliorer et accroître
l'efficacité d'une recherche dans son ensemble. Par conséquent, il contient toutes les
caractéristiques de ces deux algorithmes. L'efficacité des résultats des algorithmes hybrides
dépend de la manière dont les algorithmes sont combinés. D'où l'idée de développer un
algorithme hybride qui combine un algorithme aléatoire glouton (RGA) avec une recherche
locale itérée (ILS) pour obtenir une solution quasi optimale pour ce problème spécifique.
Il est appliqué à des instances de petite et moyenne taille et comparé ses performances
à celles de Gurobi afin d'optimiser la meilleure solution que l'algorithme glouton randomisé
trouve à chaque itération.
1. Mettre tous les conteneurs dans ContNotSet (Initialiser ContNotSet);
5. Prendre le conteneur 𝑐 ayant le 𝑑𝑑𝑐 le plus élevé dans l'ensemble
ContNotSet;
6. Si des piles existent ayant de dimension est égale à la dimension de
110
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
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
Tableau 3. 15 : Résultats numériques de RGA/ILS pour les petites instances
Instan Instances Gurobi RGA/ILS Gap Temps CPU en

ce
No. secondes
𝑵𝒔 𝑵𝒄 𝒇𝒈𝒖𝒓𝒐𝒃𝒊 𝒇𝑹𝑮𝑨/𝑰𝑳𝑺 𝒇𝑹𝑮𝑨/𝑰𝑳𝑺 𝒇𝑮𝒖𝒓𝒐𝒃𝒊 , 𝒇𝑮𝒖𝒓𝒐𝒃𝒊 , Guro RGA/IL
𝑨𝒗𝒈 𝒇𝑹𝑮𝑨/𝑰𝑳𝑺 𝒇𝑹𝑮𝑨/𝑰𝑳𝑺 𝑨𝒗𝒈 bi S
1 3 24 24 24 0.00% 0.00% <1 3.09

2 5 51 51 51 0.00% 0.00% <1 3.18
3 3 6 62 62 62.3 0.00% 0.48% <1 2.50
4 7 71 72 73.4 1.41% 3.38% <1 2.46
5 9 86 87 88.9 1.16% 3.37% <1 2.55
6 5 53 53 53 0.00% 0.00% <1 2.96
7 10 110 112 114.02 1.82% 3.65% <1 3.15
8 5 15 203 203 204.2 0.00% 0.59% <1 3.23
9 18 209 214 215.6 2.39% 3.16% <1 3.68
10 20 247 252 254.2 2.02% 2.91% <1 3.86
11 7 63 63 63.4 0.00% 0.63% <1 3.73
12 10 119 124 125.7 4.20% 5.63% <1 3.82
13 7 13 137 139 141.6 1.46% 3.36% <1 4.07
14 16 189 189 191.2 0.00% 1.16% <1 4.38
15 22 281 281 283.4 0.00% 0.85% <1 5.30
16 5 48 49 51.7 2.08% 7.71% <1 4.09
17 10 94 95 96.4 1.06% 2.55% <1 4.12
18 10 15 160 171 172.9 6.88% 8.06% <1 5.25
19 20 248 251 253.4 1.21% 2.18% <1 5.83
20 30 381 382 384.2 0.26% 0.84% <1 8.25
21 10 74 76 77.1 2.70% 4.19% <1 7.74
22 20 193 193 194.5 0.00% 0.78% <1 7.78
23 20 30 279 293 295.1 5.02% 5.77% <1 8.01
24 40 437 454 456.02 3.89% 4.35% 1.21 13.08
25 45 516 524 526.1 1.55% 1.96% <1 14.27
26 10 92 92 92.3 0.00% 0.33% <1 10.58
27 20 164 167 169.7 1.83% 3.48% <1 13.27
28 30 25 242 242 245.3 0.00% 1.36% <1 15.92
29 30 286 293 294.6 2.45% 3.01% 1.08 16.31
30 40 451 451 452.3 0.00% 0.29% 1.85 27.61
31 50 562 567 568.6 0.89% 1.17% 4.14 32.88
32 10 75 76 77.4 1.33% 3.20% <1 11.72
33 20 173 173 174.6 0.00% 0.92% <1 12.22
34 40 25 221 221 223.4 0.00% 1.09% <1 23.16
35 30 273 273 274.6 0.00% 0.59% <1 25.18
36 40 474 474 476.4 0.00% 0.51% <1 38.02
37 45 458 470 472.5 2.62% 3.17% <1 41.71
38 20 158 165 167.5 4.43% 6.01% <1 19.65
112
39 30 281 290 292.4 3.20% 4.06% 2.33 24.82

40 50 35 360 360 362.7 0.00% 0.75% <1 40.10
41 40 421 430 433.7 2.14% 3.02% <1 47.33
42 50 482 482 483.8 0.00% 0.37% <1 72.02
43 80 934 935 937.4 0.11% 0.36% 18.12 236.52
Ecart 1.35% 2.35%
Moyen
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.
Figure 3. 19 Résultats graphiques pour les petites instances de RGA/ILS vs Gurobi
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
Inst. Instance Gurobi RGA/ILS Gap Temps CPU en

No.
secondes
𝑵𝒔 𝑵𝒄 𝒇𝒈𝒖𝒓𝒐𝒃𝒊 𝒇𝑹𝑮𝑨/𝑰𝑳𝑺 𝒇𝑹𝑮𝑨/𝑰𝑳𝑺 𝒇𝑮𝒖𝒓𝒐𝒃𝒊 , 𝒇𝑮𝒖𝒓𝒐𝒃𝒊 , Gurobi RGA/I
𝑨𝒗𝒈 𝒇𝑹𝑮𝑨/𝑰𝑳𝑺 𝒇𝑹𝑮𝑨/𝑰𝑳𝑺 𝑨𝒗𝒈 LS
1 25 221 221 222.3 0.00% 0.59% <1 33.69

2 35 324 326 328.2 0.62% 1.30% 1.19 45.36
3 40 386 386 387.7 0.00% 0.44% 2.60 60.26
4 60 45 454 454 456.8 0.00% 0.62% 3.37 73.17
5 50 503 516 518.3 2.58% 3.04% 3.27 85.65
6 55 571 580 582.8 1.58% 2.07% 6.86 87.63
113
7 30 296 296 297.9 0.00% 0.64% 1.22 48.67

8 40 373 373 374.6 0.00% 0.43% 1.73 52.18
9 45 477 480 482.5 0.63% 1.15% 3.48 83.37
10 70 50 522 523 525.8 0.19% 0.73% 6.98 87.29
11 55 584 595 597.8 1.88% 2.36% 5.68 127.93
12 60 616 616 617.8 0.00% 0.29% 7.20 148.23
13 40 394 397 399.7 0.76% 1.45% 19.22 82.64
14 50 477 479 483.6 0.42% 1.38% 27.66 91.91
15 55 562 571 573.4 1.60% 2.03% 23.59 152.67
16 80 60 681 686 689.9 0.73% 1.31% 119.69 167.17
17 65 632 643 648.3 1.74% 2.58% 143.33 217.06
18 70 807 814 816.7 0.87% 1.20% 146.77 232.11
19 55 576 580 583.6 0.69% 1.32% 2.25 149.64
20 60 554 559 562.3 0.90% 1.50% 6.78 152.53
21 85 65 677 683 684.9 0.89% 1.17% 22.98 171.17
22 70 782 788 792.5 0.77% 1.34% 52.56 279.02
23 45 418 423 425.8 1.20% 1.87% 1.18 115.75
24 60 644 654 656.8 1.55% 1.99% 1.81 202.21
25 90 65 628 639 642.8 1.75% 2.36% 1.89 257.30
26 70 726 734 738.7 1.10% 1.75% 1.85 269.65
27 75 764 778 782.9 1.83% 2.47% 2.34 300.02
28 65 749 756 760.1 0.93% 1.48% 26.16 267.80
29 70 687 702 704.5 2.18% 2.55% 28.33 290.11
30 95 75 804 814 816.8 1.24% 1.59% 55.53 292.15
31 80 746 762 764.1 1.89% 2.43% 1600.2 322.18
32 50 506 512 514.3 1.19% 1.64% 32.38 151.18
33 70 684 692 693.8 1.17% 1.43% 105.55 388.38
100
34 75 721 737 740.1 2.22% 2.65% 204.52 419.75
35 80 803 817 820.4 1.74% 2.17% 233.01 502.22
36 85 948 973 977.3 2.64% 3.09% 279.12 504.13
37 105 85 1001 1010 1014.3 0.90% 1.33% 180.2 599.54
38 90 978 1003 1008.9 2.56% 3.16% 189.32 622.32
39 110 80 869 876 889.3 0.81% 2.34% 221.18 538.20
40 120 90 978 983 987.5 0.51% 0.97% 381.30 805.07
41 130 95 995 1006 1010.1 1.11% 1.52% 445.66 1051.64
42 135 95 1135 1146 1149.8 0.97% 1.30% 447.26 1232.94
43 140 95 1028 1035 1039.2 0.68% 1.09% 656.33 1422.95
44 150 105 1110 1119 1122.3 0.81% 1.11% 823.68 1585.23
45 150 110 1263 1277 1286.6 1.11% 1.87% 1002.32 1623.22
46 160 110 1236 1269 1281.3 2.67% 3.67% 1122.62 2684.88
47 120 1391 1432 1437.4 2.95% 3.34% 1405.21 2725.22
Ecart 1.16% 1.70%
Moyen
114
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.
Figure 3. 20 Résultats graphiques pour les moyennes instances de RGA/ILS vs Gurobi
Ce graphique figure 3.14 montre les résultats de l’algorithme RGA/ILS ainsi que le
Gap calculé.
Figure 3. 21 Comparaison de l'écart moyen entre les algorithmes et Gurobi
Les simulations numériques effectuées sur quatre-vingt-dix instances prouvent que

l'algorithme génétique est efficace pour résoudre le problème du stockage des conteneurs
et a le plus faible Gap qui est égal à 0,66%.
115
3.7.4.2 Comparaison entre Gurobi et RGA/ILS pour la

distance et du nombre de remaniements
Nous avons comparé les résultats de l'algorithme hybride RGA/ILS aux solutions
optimales offertes par le programme "Gurobi" pour voir à quel point ils étaient bons.
Une comparaison des distances et le nombre de remaniements trouvées par le solveur
Gurobi et l'algorithme hybride RGA/ILS est donnée dans le tableau 3.16.
Tableau 3. 17 Résultats numériques de l'algorithme RGA/ILS. NR est le nombre de remaniements.
Instances Gurobi RGA/ILS

𝑵𝒔 𝑵𝒄 𝒇𝒈𝒖𝒓𝒐𝒃𝒊 Distance NR 𝒇𝑹𝑮𝑨/𝑰𝑳𝑺 Distance NR
13 137 74 8 139 75 7
7 16 189 104 12 189 104 12
22 281 142 16 281 142 16
15 160 80 13 160 80 13
10 20 248 133 13 250 132 12
30 381 199 17 381 199 21
10 74 41 3 74 41 3
20 40 437 220 8 450 229 10
45 516 281 13 521 272 14
10 92 46 4 92 45 2
30 30 286 160 6 290 157 5
50 562 277 19 567 281 21
10 75 34 2 75 33 2
40 40 474 241 20 474 234 21
45 458 250 11 466 249 13
On constate dans le tableau 3.16 que les distances trouvées par RGA/ILS 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 hybride RGA/ILS et Gurobi
trouvent les mêmes distances, et même dans certains cas RGA/ILS donne des meilleurs
résultats comme l'illustre la figure 3.16
116
300
250
200
150
100
50
Gurobi RGA/ILS
Figure 3. 22 Comparaison des distances
De même pour le nombre de remaniements, l'algorithme hybride trouve les mêmes

nombres de remaniements que ceux obtenus par Gurobi, et même dans certains cas
RGA/ILS donne des meilleurs résultats, comme l'illustre la figure 3.17
25
20
15
10
Gurobi RGA/ILS
Figure 3. 23 Comparaison des nombres de remaniements
117
3.7.4.3 Comparaison entre l’algorithme RGA/ILS,

l’algorithme glouton randomisé, la recherche locale
itérée et l’algorithme génétique
Des comparaisons entre l'algorithme RGA/ILS, l'algorithme glouton randomisé, la

recherche locale itérée et l'algorithme génétique sont présentées dans les tableaux 3.17,
3.18, et 3.19.
Tableau 3. 18 Comparaison des valeurs de la fonction objectif
Instances RGA/ILS RGA ILS GA

𝑵𝒔 𝑵𝒄
10 76 76 78 74
20 193 193 201 193
20 30 293 294 310 286
40 454 454 480 450
45 524 524 565 521
10 92 92 95 92
20 167 169 179 165
30 25 242 244 266 242
30 293 293 318 290
40 451 452 491 451
50 567 567 615 567
10 76 82 83 75
20 173 179 192 173
40 25 221 223 245 221
30 273 274 304 273
40 474 475 528 474
45 470 472 509 466
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
700
600
Fonction Objectif
500
400
300
200
100
Instances
RGA/ILS RGA ILS
Figure 3. 24 Comparaison RGA/ILS, RGA et ILS
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
Figure 3. 25 Comparaison de GA avec RGA/ILS
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
Tableau 3. 19 Comparaison des distances
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
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
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.
4.2 Etude de cas : Port de Tripoli-Liban

Ces dernières années, le transport mondial de conteneurs contenant des marchandises
dangereuses s'est considérablement développé, posant des risques importants dans les ports
maritimes et les villes environnantes tout en introduisant des risques inhérents de
catastrophe pour l'environnement et la sécurité. Pour éviter tout accident similaire survenu
123
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
Figure 4. 1 Structure de la zone de stockage
Le stockage des conteneurs entrants utilisait un RS (Reach Stackers) et/ou un RTGC

(Rubber Tired Gantry Crane) pour le chargement et le déchargement des camions en
fonction de la taille des conteneurs. A noter que les conteneurs de 20 EVP et 40 EVP sont
les plus fréquents dans le port de Tripoli.
Le conteneur étant une boîte contenant des marchandises, certaines des marchandises
sont classées dangereuses, ce qui signifie des articles potentiellement dangereux pour les
personnes et l'environnement. Notre objectif est de développer un modèle qui permet de
déterminer le meilleur emplacement pour les conteneurs dangereux dans la cour de
stockage et de maintenir un espacement entre eux conformément au Code maritime
international des marchandises dangereuses (IMDG), disponible sur le site Web de l'OMI
(International Maritime Dangerous Goods 2018), qui classe les marchandises dangereuses
en 9 classes principales (tableau 4.1).
124
Tableau 4. 1 IMDG Classes
Class # Dangerous Goods

1 Explosifs
2 Des Gas
3 Liquides inflammables
4 Solides inflammables
5 Substances oxydantes et peroxydes
organiques
6 Substances toxiques et infectieuses
7 Matériaux radioactifs
8 Substances corrosives
9 Substances et objets dangereux
divers
Le terminal à conteneurs est une interface de transport multimodal indispensable pour

le réseau de transport mondial. Comme le terminal à conteneurs joue un rôle majeur dans
le commerce, en parallèle, le parc à conteneurs joue un rôle vital dans le terminal, affectant
la performance globale du port maritime. Nous nous concentrons sur les activités de
gerbage et le stockage de conteneurs dangereux au port de Tripoli-Liban. Pour des raisons
de sécurité, ces types de conteneurs ne peuvent pas être stockés à côté d'autres
marchandises dangereuses et doivent être séparés par une distance fixe.
Les conteneurs entrant et sortant des ports sont temporairement stockés dans la cour de
stockage. Il est très fréquent que les ports stockent dans une même zone des produits non
dangereux et des marchandises dangereuses avec les risques associés. La nécessité de
stocker des marchandises dangereuses implique de prendre en compte d'autres restrictions
sur la sécurité de l'ensemble des marchandises à vérifier. Pour cette raison, les
marchandises dangereuses sont classées en différents types et obligées de rester loin des
marchandises incompatibles. Étant donné que le port de Tripoli ne charge pas plus de 40
conteneurs entrants dangereux de différentes classes par mois, et que ces types de
conteneurs ne restent pas longtemps dans la zone de stockage, sachant que les classes les
plus chargées sont 3, 5 et 8. Le stockage de conteneurs dangereux dans la zone de stockage
est un processus complexe, il est très difficile de les organiser en raison de sa complexité,
donc un effort considérable est nécessaire pour rendre la zone de stockage du terminal
strictement organisée. La décision prise de n'étudier que 5 classes de 9 selon la table
IMDGc, soit 3, 5, 6, 7 et 8, en mettant en œuvre toutes les possibilités de les espacer d'une
distance fixe selon la table des codes IMDG afin d'éviter toute interaction entre eux.
Dans ce travail, nous nous concentrons sur la résolution du problème du stockage de
conteneurs dangereux entrants en maximisant la distance entre eux et en respectant les
contraintes et les règles pour éviter tout accident pouvant survenir, et en essayant d’éviter
le stockage de conteneurs de produits liquides inflammables sur les bords de la zone de
stockage et le long de la ligne parallèle à la porte de sortie. Dans notre étude, nous avons
supposé empiler de nouveaux conteneurs dangereux entrants dans une grande zone de
125
stockage sur des conteneurs existants non dangereux, l'objectif est de maintenir la
configuration sécurisée du terminal.
4.3 Matières Dangereuses

Le terme « matières dangereuses » désigne toute substance qui constitue une menace
pour la sécurité des personnes ou des biens. Le caractère dangereux de ces produits est dû
à un certain nombre de facteurs, notamment leur composition ou leurs propriétés de
stockage, de transport, de chargement, de déchargement et d'emballage, Rechkoska, et al.
[90] . Le caractère unique de ces produits nécessite le respect de réglementations strictes
visant à réduire les risques d'accidents dus à leur stockage.
La normalisation des réglementations régissant le transport et le stockage des matières
dangereuses a été facilitée par l'évolution des quantités mondiales de matières dangereuses.
Les modalités de ces règlements sont en grande partie déterminées par le mode de
transport. Dans cette optique, la France a édicté un certain nombre de réglementations
régissant le transfert de matières dangereuses. En matière de transport maritime, la France
suit la réglementation IMDG (International Maritime Dangerous Good) proposée par
l'Organisation Maritime Internationale (OMI).
4.3.1 Classification des matières dangereuses
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
Figure 4. 2 Classification des matières dangereuses
L'objectif de cette catégorisation est d'uniformiser la réglementation du transport et de

l'entreposage des matières dangereuses en fonction de leur classification. Elle spécifie
également les étiquettes à apposer sur les colis, les conteneurs et les véhicules de transport.
Ces étiquettes facilitent l'identification des marchandises dangereuses et fournissent des
informations générales sur les risques qu'elles peuvent présenter.
127
Cette catégorisation détermine également la compatibilité des produits et les règles

de classification à suivre lors du stockage de produits chimiques de différentes classes.
4.3.2 Ségrégation des matières dangereuses
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].
Tableau 4. 2 La matrice de compatibilité entre les classes de matières dangereuses
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
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.
4.4 Définition du problème

En raison des problèmes survenant dans de nombreux terminaux à conteneurs à travers
le monde, le plus important est la récente explosion dans le port de Beyrouth, qui a entraîné
des résultats massifs et horribles pour les humains, les infrastructures et dans les banlieues
voisines, considérée comme la troisième plus grande explosion au monde.
Environ 10 % des marchandises transportées dans des conteneurs sont considérées
comme dangereuses (Port Technology, 2017) [91]. Cependant, les conteneurs de
marchandises dangereuses multi-classes et les marchandises non dangereuses sont
généralement stockés tous ensemble dans la zone de stockage, ces zones de stockage ne
sont pas équipés en cas d'accident dangereux. Tout dysfonctionnement se produit dans la
zone de stockage, en particulier les conteneurs contenant des matières dangereuses qui
conduisent parfois à des résultats indésirables, et tous ces problèmes surviennent en raison
d'une mauvaise organisation des conteneurs, du non-respect des précautions élevées, de
129
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
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.
4.6 Modélisation Mathématique

Dans cette section, nous présentons un programme linéaire mixte en nombres entiers
pour résoudre le problème de stockage de conteneurs dangereux.
L'objectif de ce travail est de maximiser l'espacement entre les conteneurs dangereux
d'une distance fixe et d'éviter de stocker des marchandises inflammables dans des endroits
critiques. Sachant que la fonction objectif proposée a un poids égal dans la première et la
deuxième partie, donc pour donner la priorité à la deuxième, on la multiplie par un nombre
constant (poids), ainsi la priorité devient l'empilement de liquides inflammables.
131
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
j- Variables de décision suivantes

1, Si le conteneur 𝑐 est affecté à
𝑐
𝑥𝑠,𝑖 ={ l′emplacement 𝑖 de la pile 𝑠
0, Sinon
Le modèle mathématique suivant est proposé pour le traitement du problème de stockage

de conteneurs dangereux:
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
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
∑ ∑ 𝑓𝑐𝑐′ = 𝑧𝑐𝑐′ (4.8)

𝑐=1 𝑐 ′ =𝑐+1
∀ 𝑐, 𝑐 ′ ∈ 𝐶
La contrainte (4.8) enregistre la somme des distances d'espacement entre deux

conteneurs appartenant à des classes de matières dangereuses déterminées.
𝑁𝑐 𝑁𝑐
∑ ∑ 𝑓𝑐𝑐′ ≥ 𝑑𝑚 √2, (4.9)

𝑐=1 𝑐 ′ =𝑐+1
∀ 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
La contrainte (4.10) spécifie la nature de chaque variable de décision.
134
4.6.1 Explication du calcul de la distance (X+Y)
Depuis cela, un modèle d'optimisation avec un programme linéaire mixte en nombres

entiers est proposé dans ce travail. Ainsi, nous ne pouvons pas appliquer la distance
euclidienne ni multiplier deux variables de décision dans le solveur Gurobi. Par
conséquent, la distance entre deux conteneurs dangereux est calculée par (𝑋 + 𝑌), on
désigne par 𝑥𝑖 et 𝑦𝑖 les coordonnées de la pile s qui contient le conteneur appartenant à la
même classe, où 𝑋 = |𝑥1 − 𝑥2| est le point de distance entre deux conteneurs et 𝑌 = |𝑦1 −
𝑦2| est le deuxième point de distance entre les deux mêmes conteneurs. Puisque (𝑋 + 𝑌)
n'est pas égal à la distance en ligne droite de deux points, nous démontrons
mathématiquement ce qui suit, dans la Figure 4.3.
Figure 4. 3 Démonstration de (X+Y) et graphe de (X+Y)
La valeur minimale de 𝑓(𝑥) est la suivante :

1) Si 𝛼 = 0 alors 𝑌 = 0 donc 𝑋 = 𝐷
2) Si 𝛼 = 𝛱/2 alors 𝑋 = 0 donc 𝑌 = 𝐷
On augmentant 𝛼 on obtient 𝑓 (𝑥) > 𝐷;
Le maximum que l'on peut atteindre est 𝛱/4 , on obtient donc un triangle rectangle
isocèle, donc 𝑋 = 𝑌 = 𝑛
D’après Pythagore: 𝑛 = 𝐷 / √2
Puisque 𝑋 = 𝑌 = 𝑛, donc X+Y=n+n =>
2n = 2D / √2 =>
2n = D√2 =>
X + Y = D√2
Pour assurer que 𝐷 > 𝐾, on utilise 𝑋 + 𝑌 > 𝑘√2
135
car 𝑠𝑖 𝑋 + 𝑌 est minimum => 𝑋 + 𝑌 = 𝐷; 𝑠𝑖 𝑋 + 𝑌 > 𝑘√2 => 𝐷 > 𝑘√2 =>
𝐷 > 𝑘
𝑠𝑖 𝑋 + 𝑌 𝑒𝑠𝑡 𝑚𝑎𝑥𝑖𝑚𝑢𝑚 => 𝑋 + 𝑌 = 𝐷√2; 𝑠𝑖 𝑋 + 𝑌 > 𝑘√2 => 𝐷√2 >

𝑘√2 => 𝐷 > 𝐾

Dans cette section, nous proposons en détails les méthodes de résolution utilisées pour
la résolution du problème de stockage de conteneurs dangereux, dont la première est
l'optimiseur Gurobi réalisant des solutions optimales pour des instances de tailles
raisonnables, pour la programmation linéaire mixte en nombres entiers (MILP).
Alors que, les autres algorithmes méta-heuristiques proposées sont les suivants : un
recuit simulé (RS), un algorithme génétique (AG), un algorithme de colonie d’abeilles
(BA) et un algorithme hybride (HAGRS) pour résoudre le problème de stockage de
conteneurs dangereux et rechercher la meilleure solution proche de l’optimale. Ces
algorithmes sont codés et exécutés en langage JAVA.
4.7.1 L’algorithme de Recuit Simulé (RS) proposé
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
1 𝑇 = 𝑇𝑚𝑎𝑥 , 𝑇𝑚𝑖𝑛 = 1, 𝐾 = paramètre de refroidissement

2 Générer la solution initiale 𝑆
Choisir au hasard un conteneur c pas encore traité,
Choisir au hasard une pile s respectant toutes les contraintes.
Obtenir la somme des distances 𝑓(𝑆) entre les conteneurs dangereux ;
3 Tant que 𝑇 > 𝑇𝑚𝑖𝑛 faire
4 Rechercher une solution voisine 𝑆′ de 𝑆 en choisissant aléatoirement un
conteneur et en l'affectant à une autre pile, obtenir la somme des distances 𝑓(𝑆′)
entre les conteneurs dangereux ;
5 Si 𝑓(𝑆’) > 𝑓(𝑆) alors
6 𝑆 = 𝑆’
7 Sinon
8 Choisir un réel 𝑟 au hazard (0 ≤ 𝑟 < 1)
𝑓(𝑠)−𝑓(𝑠′ )
9 si r < 𝑒 ( ) alors
𝑇
10 𝑆 = 𝑆’
11 Fin Si
12 Fin Si
12 𝑇 = 𝑇 × 𝐾;
13 Fin tant que
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
4.7.1.1 Résultats des expérimentations
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.
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
Paramètres Symboles Valeurs

Température maximale 𝑇𝑚𝑎𝑥 3000°C
Température minimale 𝑇𝑚𝑖𝑛 1°C
Facteur de refroidissement 𝐾 0.987
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
Tableau 4. 4 Description des instances
Description Instances de petite taille Instances de moyenne taille

Dimension d’un conteneur 𝑑𝑐 , 𝑑𝑠 ∊ {20 𝑝𝑖𝑒𝑑𝑠, 40 𝑝𝑖𝑒𝑑𝑠}
ou d’une pile
Capacité Maximale d’une 6 conteneurs
pile
Date de départ d’un 1 ≤ 𝑑𝑑𝑐 ≤ 30
nouveau conteneur à
stocker
Date de départ d’un 1 ≤ 𝑑𝑑𝑠 ≤ 30
conteneur qui est déjà au
sommet de la pile
Nombre de conteneurs 3 ≤ 𝑁𝑐 ≤ 6 5 ≤ 𝑁𝑐 ≤ 21
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.
Tableau 4. 5 RÉSULTATS NUMÉRIQUES POUR LES PETITES INSTANCES
Instance Instance Gurobi RS Gap Temps CPU

No. en secondes
𝑵𝒔 𝑵𝒄 𝒇𝑮𝒖𝒓𝒐𝒃𝒊 𝒇𝑹𝑺 𝒇𝑹𝑺 𝒇𝑮𝒖𝒓𝒐𝒃𝒊 , 𝒇𝑮𝒖𝒓𝒐𝒃𝒊 , Gur RS
𝑨𝒗𝒈 𝒇𝑹𝑺 𝒇𝑹𝑺 𝑨𝒗𝒈 obi
1 3 25 25 25 0.00% 0.00% <1 <1
2 30 4 37 37 36.7 0.00% 0.81% <1 <1
3 5 48 48 47.9 0.00% 0.21% <1 <1
4 3 28 28 28 0.00% 0.00% <1 <1
139
5 36 4 56 56 56 0.00% 0.00% <1 <1

6 5 83 83 82.6 0.00% 0.48% <1 <1
7 4 53 53 53 0.00% 0.00% <1 <1
8 42 5 62 62 61.9 0.00% 0.16% <1 <1
9 6 128 128 127.8 0.00% 0.16% <1 <1
Instance Instance Gurobi RS Gap Temps CPU en

No. secondes
𝑵𝒔 𝑵𝒄 𝒇𝑮𝒖𝒓𝒐𝒃𝒊 𝒇𝑹𝑺 𝒇𝑹𝑺 𝒇𝑮𝒖𝒓𝒐𝒃𝒊 , 𝒇𝑮𝒖𝒓𝒐𝒃𝒊 , Gurobi RS
𝑨𝒗𝒈 𝒇𝑹𝑺 𝒇𝑹𝑺 𝑨𝒗𝒈
1 5 111 111 110.8 0.00% 0.18% <1 <1
2 6 162 160 159.8 1.23% 1.36% 1.45 <1
3 48 7 183 178 176.7 2.73% 3.44% 2.28 <1
4 8 293 282 280.8 3.75% 4.16% 11.88 <1
5 9 248 240 239.6 3.22% 3.39% 4.8 <1
6 10 373 365 364.2 2.14% 2.36% 9.3 10
7 5 120 118 117.6 1.66% 2.00% <1 <1
8 6 167 164 162.5 1.79% 2.69% 1.13 <1
9 54 7 236 226 223.9 4.23% 5.13% 3.55 <1
10 8 300 293 291.7 2.33% 2.77% 11.09 <1
11 9 290 283 280.9 2.41% 3.14% 10.66 <1
12 10 476 467 465.8 1.89% 2.14% 11.97 <1
13 5 134 130 129.7 2.99% 3.21% 1.45 <1
14 6 198 198 196.3 0.00% 0.86% 2.26 <1
15 60 7 274 262 260.3 4.38% 5.00% 1.26 <1
16 11 662 643 642.1 2.87% 3.01% 26.05 <1
17 12 743 720 718.6 3.10% 3.28% 44.6 <1
18 14 1024 1011 1009.6 1.27% 1.41% 76.29 <1
19 5 99 97 96.7 2.02% 2.32% 0.19 1.89
20 6 120 114 113.5 5.00% 5.42% 0.23 <1
21 7 147 140 138.5 4.76% 5.78% 0.91 <1
22 66 14 1103 1059 1057.3 3.99% 4.14% 229.91 <1
23 15 1318 1279 1276.8 2.96% 3.13% 75.58 <1
24 16 1105 1040 1038.3 5.88% 6.04% 289.87 <1
25 17 1666 1583 1581.8 4.98% 5.05% 1279.79 <1
26 5 100 99 98.7 1% 1.30% 0.75 <1
27 6 199 199 198.3 0% 0.35% 1.39 <1
28 7 294 285 283.7 3.06% 3.50% 4.93 <1
29 8 363 358 357.6 1.37% 1.49% 3.77 <1
30 9 430 424 423.1 1.39% 1.60% 11.83 <1
31 10 578 550 548.7 4.84% 5.07% 19.43 <1
32 72 12 870 832 830.4 4.36% 4.55% 47.2 <1
33 14 1169 1138 1137.2 2.65% 2.72% 107.25 <1
34 16 1556 1550 1546.3 0.38% 0.62% 1048.48 <1
35 17 1671 1632 1628.7 2.33% 2.53% 1141.48 2.23
36 18 --- 1755 --- 0.18% --- ---
37 19 --- 1986 --- 1.36% --- ---
38 21 --- 2172 --- 3.44% --- ---
140
Les tirets suivants --- indiquent que la simulation s'est arrêtée car elle a durée plus de deux
heures.
4.7.1.3 Comparaison de la distance entre Gurobi et RS
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.
Tableau 4. 7 Résultats numériques de l'algorithme RS.
Instances Distance Gap

𝑵𝒔 𝑵𝒄 Gurobi RS
3 28 28 0.00%
36 4 56 56 0.00%
5 82 82 0.00%
4 53 50 5.66%
42 5 62 62 0.00%
6 122 122 0.00%
5 107 107 0.00%
48 6 161 154 4.35%
7 180 174 3.33%
5 118 117 0.85%
54 6 166 158 4.82%
7 235 222 5.53%
5 132 127 3.79%
60 6 194 192 1.03%
7 268 255 4.85%
Ecart Moyen 2.28%
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
4.7.2 L’algorithme génétique (AG) proposé
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
Chromosome C_1 C_2 C_3 C_4 C_5 C_6 … C_n
Genes
Figure 4. 4 Positionnement des conteneurs de remplacement du chromosome
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
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

Figure 4. 5 étapes de croisement
3) Opérateur de mutation : La mutation est le processus par lequel de nouvelles

caractéristiques sont ajoutées à un individu. L'échange continu de caractéristiques entre les
individus d'une population est principalement accompli par le seul croisement. Cependant,
l'optimisation ne peut être réalisée que si les individus ont de nouvelles propriétés ajoutées.
Cette opération est effectuée par l'opérateur de mutation. Le rôle de cet opérateur est de
modifier aléatoirement, avec une probabilité donnée, la valeur d'une composante de
l'individu. L'individu est modifié en conséquence, et le nouvel individu peut être plus en
forme ou plus faible que le parent. Si les changements apportés étaient bons, le nouvel
individu est plus en forme et vice versa [98]. La fonction objectif est une mesure de
l'aptitude à la performance de la solution qui permet à l'algorithme génétique de conserver
les solutions bénéfiques et d'éliminer les moins précieuses. Une approche d'optimisation
basée sur l'AG est proposée ici pour résoudre notre problème modélisé basé sur ces
caractéristiques.
Figure 4. 6 Processus de mutation
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
Pour chaque population initiale, nous avons désigné par P la population et of le

résultat de la fonction objectif. La population est triée par fonction objective selon laquelle
plus la qualité est bonne, plus elle a de chances d'être sélectionnée pour la reproduction.
Chaque itération produit une nouvelle génération de population de taille 2P, la meilleure
143
moitié de la taille P survit à l'itération suivante. Ce processus évolutif se poursuit jusqu'à

ce que le critère d'arrêt soit satisfait. L'algorithme génétique peut être résumé comme suit.
1 Initialisation de la taille de la population (popSize) ;

2 Générer la population initiale, faites au hasard des solutions valides de popSize ;
3 Évaluer la population initiale en fonction de la fitness en calculant la fonction objectif
de chaque solution ;
4 bestFittest ⃪ meilleure solution en population;
5 Tant que 𝑖 ≤ 𝑛 faire
6 Tant que 𝑗 ≤ 𝑁𝑐 /2 faire
7 Sélectionner deux solutions selon la méthode de roulette;
8 Sélectionner un point de croisement (crossOverPoint);
9 Tant que (𝑘 ≤ 𝑐𝑟𝑜𝑠𝑠𝑂𝑣𝑒𝑟𝑃𝑜𝑖𝑛𝑡) faire
10 Permuter le conteneur dangereux entre la solution la plus adaptée et la
deuxième solution la plus adaptée ;
11 𝑘 ⃪ 𝑘 + 1;
12 Fin tant que
13 Sélectionner un conteneur dangereux aléatoirement de la solution la plus
adaptée, et choisir une pile valide aléatoirement pour ce conteneur;
14 Sélectionner un conteneur dangereux aléatoirement de la deuxième
solution la plus adaptée et choisir une pile valide aléatoirement pour ce
conteneur;
15 Remplacer la pire solution par la meilleure en fonction de la fitness 𝑓;
16 Si meilleure solution > bestFittest alors
17 bestFittest ⃪ meilleure solution
18 Fin Si
19 𝑗 ⃪ 𝑗 + 1;
20 Fin Tant que
21 𝑖 ⃪ 𝑖 + 1;
22 Fin Tant que
Étant donné que les algorithmes d'optimisation modernes nécessitent généralement

l'ajustement d'un grand nombre de paramètres pour améliorer leurs performances, l'objectif
principal des algorithmes de configuration automatique est de trouver automatiquement les
meilleurs paramètres pour l'optimiseur. Au lieu de mener de nombreux tests manuels en
RS et AG pour identifier les meilleures valeurs de paramètres, nous avons choisi d'utiliser
le package Irace. Irace est un progiciel qui effectue un certain nombre d'actions de
configuration automatique, c'est-à-dire qu'il recherche automatiquement les bonnes
configurations pour les valeurs des paramètres de l'algorithme (cible), ce qui permet
d'économiser des efforts qui nécessitent généralement un réglage manuel.
144
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.
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
Paramètres Symbols Valeurs

Taille de la population 𝑃 100
Numéro d'itération 𝑁𝑔 500
Taux de croisement 𝑅𝑐 0.7
Taux de mutation 𝑅𝑚 0.3
L'utilisation du package Irace pour obtenir une solution presque optimale pour
l'algorithme mentionné est clairement démontrée par ces résultats.
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
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.
Instance Instance Gurobi AG Gap Temps CPU

No. en secondes
𝑵𝒔 𝑵𝒄 𝒇𝑮𝒖𝒓𝒐𝒃𝒊 𝒇𝑨𝑮 𝒇𝑨𝑮 𝒇𝑮𝒖𝒓𝒐𝒃𝒊, 𝒇𝑮𝒖𝒓𝒐𝒃𝒊 , Gurobi AG
𝑨𝒗𝒈 𝒇𝑨𝑮 𝒇𝑨𝑮 𝑨𝒗
1 3 25 25 25 0.00% 0.00% <1 55.52
2 30 4 37 37 36.7 0.00% 0.81% <1 87
3 5 48 47 46.7 2.08% 2.71% <1 25
4 3 28 28 28 0.00% 0.00% <1 67
5 36 4 56 56 56 0.00% 0.00% <1 29.23
6 5 83 83 82.4 0.00% 0.72% <1 38.47
7 4 53 52 51.8 0.00% 2.26% <1 29.1
8 42 5 62 61 60.6 1.88% 2.26% <1 5.6
9 6 128 128 127.7 1.61% 0.23% <1 6.9
Ecart Moyenne 0.62% 1.00%
Instance Instance Gurobi AG Gap Temps CPU en

No. secondes
𝑵𝒔 𝑵𝒄 𝒇𝑮𝒖𝒓𝒐𝒃𝒊 𝒇𝑨𝑮 𝒇𝑨𝑮 𝒇𝑮𝒖𝒓𝒐𝒃𝒊, 𝒇𝑮𝒖𝒓𝒐𝒃𝒊 , Gurobi AG
𝑨𝒗𝒈 𝒇𝑨𝑮 𝒇𝑨𝑮 𝑨𝒗
1 5 111 109 108.1 1.80% 2.61% <1 1.85
2 6 162 153 151.9 5.55% 6.23% 1.45 110.32
3 48 7 183 175 173.2 4.37% 5.36% 2.28 10.02
4 8 293 273 272.6 6.82% 6.96% 11.88 <1
146
5 9 248 235 234.2 5.24% 5.56% 4.8 1084

6 10 373 351 348.9 5.89% 6.46% 9.3 230.22
7 5 120 116 114.9 3.33% 4.25% <1 9.5
8 6 167 162 161.6 2.99% 3.23% 1.13 3.09
9 54 7 236 221 219.6 6.35% 6.95% 3.55 61.57
10 8 300 288 285.3 4.00% 4.90% 11.09 7.25
11 9 290 277 275.8 4.48% 4.90% 10.66 6.32
12 10 476 460 456.3 3.36% 4.14% 11.97 151.6
13 5 134 131 130.4 2.24% 2.69% 1.45 22.17
14 6 198 191 189.9 3.54% 4.09% 2.26 15
15 60 7 274 257 255.7 6.20% 6.68% 1.26 12.72
16 11 662 641 638.8 3.17% 3.50% 26.05 39.67
17 12 743 702 700.6 5.52% 5.71% 44.6 12.55
18 14 1024 1007 1004.8 1.66% 1.88% 76.29 66.63
19 5 99 95 94.6 4.04% 4.44% 0.19 3.53
20 6 120 113 111.9 5.83% 6.75% 0.23 <1
21 7 147 136 135.7 7.48% 7.69% 0.91 7.35
22 66 14 1103 1052 1048.7 4.62% 4.92% 229.91 290.21
23 15 1318 1262 1257.6 4.25% 4.58% 75.58 242.25
24 16 1105 1031 1028.7 6.70% 6.90% 289.87 150.23
25 17 1666 1581 1574.6 5.10% 5.49% 1279.79 242.42
26 5 100 98 97.7 2.00% 2.30% 0.75 23.05
27 6 199 199 198.1 0.00% 0.45% 1.39 0.331
28 7 294 280 277.6 4.76% 5.58% 4.93 48.37
29 8 363 353 351.3 2.75% 3.22% 3.77 16.52
30 9 430 406 404.4 5.58% 5.95% 11.83 31.56
31 10 578 562 558.6 2.76% 3.36% 19.43 8.82
32 72 12 870 802 799.3 7.81% 8.13% 47.2 32.34
33 14 1169 1075 1069.2 8.04% 8.54% 107.25 14.02
34 16 1556 1526 1524.3 1.92% 2.04% 1048.48 126.26
35 17 1671 1621 1618.7 2.99% 3.13% 1141.48 40.311
36 18 --- 1723 --- --- 87.94
37 19 --- 1876 --- --- 424.26
38 21 --- 2106 --- --- 58.98
heures.
4.7.2.3 Comparaison de la distance entre Gurobi et AG
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
Tableau 4. 11 Résultats numériques de l'algorithme AG

𝑵𝒔 𝑵𝒄 Gurobi AG
3 28 28 0.00%
36 4 56 56 0.00%
5 82 80 2.44%
4 53 50 5.66%
42 5 62 62 0.00%
6 122 122 0.00%
5 107 105 1.87%
48 6 161 146 9.32%
7 180 170 5.56%
5 118 115 2.54%
54 6 166 154 7.23%
7 235 218 7.23%
5 132 124 6.06%
60 6 194 185 4.64%
7 268 251 6.34%
Ecart Moyen 3.93%
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%.
4.7.3 L’algorithme de Colonie d’Abeilles (BA) proposé
L'algorithme de colonie d'abeilles (BA) est un algorithme méta-heuristique qui

s'applique à divers problèmes d'optimisation. Il a été inventé par Pham et al. en 2005. Ils
se sont inspirés du comportement des abeilles naturelles lorsqu'elles recherchent des fleurs
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. [99] et J.L. Gould et al. [100], 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
148
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
Dans l'algorithme de colonie l'abeille (BA), chaque site définit de nombreuses

solutions. La méthode de recherche d'un site correspond à la méthode de construction de
solutions, puisque dans notre algorithme un site correspond à de nombreuses solutions du
problème de stockage de conteneurs.
Pour construire une solution, nous attribuons les conteneurs un par un dans un ordre
aléatoire. On choisit au hasard un conteneur c qui n'est pas encore traité, puis on choisit au
hasard une pile s de même taille que c qui respecte la date de départ afin d'obtenir la
distribution initiale (Ligne 1-3). Les solutions nes et les meilleures solutions nbs sont
sélectionnées aux étapes 4.a et 4.b puis sont améliorées respectivement par les abeilles
butineuses nfe et nfb aux étapes 4.c et 4.e à l'aide d'un algorithme de recherche locale.
Ainsi, nous obtenons une nouvelle population construite aléatoirement par les abeilles
butineuses restantes et l'abeille élite précédente, avant de commencer une nouvelle
itération. Enfin, le critère d'arrêt de l'algorithme peut être de deux façons : soit le nombre
149
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.
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.
Tableau 4. 12 Valeurs des paramètres de BA
Nombre d'itérations mic = 1000

Nombre d'abeilles nsb = 36
éclaireuses
Nombre de solutions nes = 8
d'élite
Nombre de meilleures nbs = 10

solutions après les élites
Nombre de butineuses nfe = 26

pour les solutions d'élite
Nombre de butineuses nfb = 18

pour les meilleures
solutions
150
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
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
Le tableau 4.14 montre que les performances de l'algorithme BA sont très

encourageantes par rapport aux résultats de Gurobi, d'autant plus que le temps d'exécution
n'était pas supérieur à 20 secondes alors que le temps d'exécution de Gurobi augmentait
avec la taille de l'instance. De plus, dans certains cas, BA 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 BA 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 0,25 %.
Nous pouvons conclure que le BA proposé est très efficace pour résoudre ce problème.
Instance Instance Gurobi BA Gap CPU Time en

No. secondes
𝑵𝒔 𝑵𝒄 𝒇𝑮𝒖𝒓𝒐𝒃𝒊 𝒇𝑩𝑨 𝒇𝑩𝑨 𝒇𝑮𝒖𝒓𝒐𝒃𝒊, 𝒇𝑮𝒖𝒓𝒐𝒃𝒊 , Gurobi BA
𝑨𝒗𝒈 𝒇𝑩𝑨 𝒇𝑩𝑨 𝑨𝒗
1 3 25 25 25 0.00% 0.00% <1 <1
2 30 4 37 35 35 5.41% 5.41% <1 <1
3 5 48 48 48 0.00% 0.00% <1 <1
4 3 28 28 28 0.00% 0.00% <1 <1
5 36 4 56 56 56 0.00% 0.00% <1 <1
6 5 83 83 82.76 0.00% 0.29% <1 <1
7 4 53 53 53 0.00% 0.00% <1 <1
8 42 5 62 62 61.3 0.00% 1.13% <1 <1
151
9 6 128 128 127.6 0.00% 0.31% <1 <1

Instance Instance Gurobi BA Gap CPU Time en

No. secondes
𝑵𝒔 𝑵𝒄 𝒇𝑮𝒖𝒓𝒐𝒃𝒊 𝒇𝑩𝑨 𝒇𝑩𝑨 𝑨𝒗𝒈 𝒇𝑮𝒖𝒓𝒐𝒃𝒊, 𝒇𝑮𝒖𝒓𝒐𝒃𝒊 , Gurobi BA
𝒇𝑩𝑨 𝒇𝑩𝑨 𝑨𝒗
1 5 111 111 110.4 0.00% 0.54% <1 <1
2 6 162 162 160.9 0.00% 0.68% 1.45 1.19
3 48 7 183 183 182.6 0.00% 0.22% 2.28 3.23
4 8 293 293 288.6 0.00% 1.50% 11.88 4.33
5 9 248 248 245.3 0.00% 1.09% 4.8 5.10
6 10 373 373 371.2 0.00% 0.48% 9.3 5.09
7 5 120 120 118.7 0.00% 1.08% <1 <1
8 6 167 167 164.6 0.00% 1.44% 1.13 2.56
9 54 7 236 236 235.1 0.00% 0.38% 3.55 2.36
10 8 300 297 288.2 1.00% 3.93% 11.09 7.25
11 9 290 290 288.4 0.00% 0.55% 10.66 7.59
12 10 476 476 457.4 0.00% 3.91% 11.97 2.68
13 5 134 134 132.9 0.00% 0.82% 1.45 1.22
14 6 198 198 196.6 0.00% 0.71% 2.26 <1
15 60 7 274 274 267.6 0.00% 2.34% 1.26 3.93
16 11 662 650 634.7 1.81% 4.12% 26.05 4.20
17 12 743 743 722.3 0.00% 2.79% 44.6 10.8
18 14 1024 1024 992.2 0.00% 3.11% 76.29 14.4
19 5 99 99 97.3 0.00% 1.72% 0.19 2.73
20 6 120 120 119.1 0.00% 0.75% 0.23 3.20
21 7 147 147 144.8 0.00% 1.50% 0.91 3.57
22 66 14 1103 1103 1099 0.00% 0.36% 229.91 20.0
23 15 1318 1304 1283.2 1.06% 2.64% 75.58 19.2
24 16 1105 1105 1089.3 0.00% 1.42% 289.87 8.55
25 17 1666 1662 1652.3 0.24% 0.82% 1279.79 16.9
26 5 100 100 99.7 0.00% 0.30% 0.75 <1
27 6 199 199 198.6 0.00% 0.20% 1.39 <1
28 7 294 294 293.2 0.00% 0.27% 4.93 3.43
29 8 363 362 359.8 0.27% 0.88% 3.77 3.48
30 9 430 421 418.3 2.09% 2.72% 11.83 2.06
31 10 578 565 563.3 2.24% 2.54% 19.43 1.31
32 72 12 870 868 865.9 0.22% 0.47% 47.2 6.80
33 14 1169 1169 1163.4 0.00% 0.48% 107.25 16.8
34 16 1556 1556 1493.12 0.00% 4.04% 1048.48 10.8
35 17 1671 1669 1593.82 0.11% 4.62% 1141.48 15.8
36 18 --- 1911 --- --- 10.73
37 19 --- 2111 --- --- 8.27
38 21 --- 2270 --- --- 14.71
Ecart moyen 0.25% 1.58%
Les tirets suivants --- indiquent que la simulation s'est arrêtée car elle a durée plus de
deux heures.
152
4.7.3.3 Comparaison de la distance entre Gurobi et BA
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
Tableau 4. 15 Résultats numériques de l'algorithme AG

𝑵𝒔 𝑵𝒄 Gurobi BA
3 28 28 0.00%
36 4 56 56 0.00%
5 82 82 0.00%
4 53 50 5.66%
42 5 63 63 0.00%
6 122 122 0.00%
5 107 107 0.00%
48 6 161 159 1.24%
7 180 179 0.55%
5 118 118 0.00%
54 6 166 166 0.00%
7 235 233 0.16%
5 132 132 0.00%
60 6 194 194 0.00%
7 268 261 2.61%
Ecart Moyen 0.68%
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%.
4.7.4 L’algorithme hybride (HAGRS) proposé
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
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
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
La signification du tableau est la suivante :

l m représente une séparation de l mètres entre deux classes de conteneurs.
O signifie que, pas besoin de ségrégation ; au lieu de cela, le calendrier de chaque port
devrait être consulté.
X indique qu'aucune contrainte n'est appliquée pour la même classe.
Les algorithmes AG et RS décrits ont été implémentés en Java. Les expérimentations
sont menées sur un processeur Core i7 - 3610QM @ PC Win7 2,30 GHz avec 6 GB de
RAM pour tester les performances des algorithmes mentionnés.
4.7.4.2 Irace Package
L'utilisation principale d'Irace [88] est la configuration automatique d'algorithmes

d'optimisation et de décision, qui consiste à déterminer les meilleurs paramètres appropriés
pour un algorithme compte tenu d'une série de cas problématiques. Irace reçoit un ensemble
de paramètres qui correspondent à ceux de l'algorithme cible à régler, un ensemble
d'instances pour lesquelles les paramètres doivent être ajustés et un ensemble d'options
Irace qui décrivent le scénario de configuration.
155
Ensuite, en exécutant l'algorithme cible sur diverses instances et avec des

configurations de paramètres variées, Irace recherche dans l'espace des paramètres des
configurations d'algorithmes performantes. Le targetRunner doit être fourni pour exécuter
l'algorithme impliqué (dans notre cas AG ou RS) avec une configuration et une instance de
paramètre spécifiques, et il agit comme une interface entre cet algorithme mentionné et
Irace, recevant l'instance et la configuration comme arguments et renvoyant l'évaluation de
l'exécution de l'algorithme cible.
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
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
Instance Instance Gurobi HAGRS Gap Temps CPU en

No. secondes
𝑵𝒔 𝑵𝒄 𝒇𝑮𝒖𝒓𝒐𝒃𝒊 𝒇𝑯𝑨𝑮𝑹𝑺 𝒇𝑯𝑨𝑮𝑹𝑺 𝒇𝑮𝒖𝒓𝒐𝒃𝒊 , 𝒇𝑮𝒖𝒓𝒐𝒃𝒊, Gurobi HAGRS
𝑨𝑽𝑮 𝒇𝑯𝑨𝑮𝑹𝑺 𝑨𝒗𝑯𝑨𝑮𝑹𝑺
𝑨𝒗𝒈
1 3 25 25 25 0.00% 0.00% <1 4.96
2 30 4 37 37 36.9 0.00% 0.27% <1 6.58
3 5 48 48 48 0.00% 0.00% <1 22.36
4 3 56 56 56 0.00% 0.00% <1 42.55
5 36 4 28 28 28 0.00% 0.00% <1 2.9
6 5 83 83 83 0.00% 0.00% <1 2.82
7 4 53 53 52.7 0.00% 0.57% <1 2.62
8 42 5 62 62 61.8 0.00% 0.32% <1 <1
9 6 128 128 127.3 0.00% 0.55% <1 10.12
Instance Instance Gurobi HAGRS Gap Temps CPU en

No. secondes
𝑵𝒔 𝑵𝒄 𝒇𝑮𝒖𝒓𝒐𝒃𝒊 𝒇𝑯𝑨𝑮𝑹𝑺 𝒇𝑯𝑨𝑮𝑹𝑺 𝒇𝑮𝒖𝒓𝒐𝒃𝒊 , 𝒇𝑮𝒖𝒓𝒐𝒃𝒊, Gurobi HAGRS
𝑨𝑽𝑮 𝒇𝑯𝑨𝑮𝑹𝑺 𝑨𝒗𝑯𝑨𝑮𝑹𝑺
𝑨𝒗𝒈
1 5 111 111 110.1 0.00% 0.81% <1 2.09
2 6 162 160 158.6 1.23% 2.10% 1.45 13.25
3 48 7 183 180 177.2 1.63% 3.17% 2.28 16.22
4 8 293 282 278.3 3.75% 5.02% 11.88 8.54
5 9 248 243 242.6 2.01% 2.18% 4.8 <1
6 10 373 365 363.8 2.14% 2.47% 9.3 13.13
7 5 120 118 116.8 1.66% 2.67% <1 <1
8 6 167 164 163.1 1.79% 2.34% 1.13 <1
9 54 7 236 226 225.6 4.23% 4.41% 3.55 6.08
10 8 300 293 292.4 2.33% 2.53% 11.09 <1
11 9 290 283 281.9 2.41% 2.79% 10.66 <1
12 10 476 468 467.1 1.68% 1.87% 11.97 9.94
13 5 134 132 131.1 1.49% 2.16% 1.45 3.37
14 6 198 198 197.8 0.00% 0.10% 2.26 1.23
15 60 7 274 263 260.9 4.01% 4.78% 1.26 1.19
16 11 662 649 647.8 1.96% 2.15% 26.05 6.09
17 12 743 722 719.8 2.83% 3.12% 44.6 2.14
18 14 1024 1015 1012.6 0.88% 1.11% 76.29 4.211
19 5 99 97 96.8 2.02% 2.22% 0.19 <1
20 6 120 114 113.4 5.00% 5.50% 0.23 <1
21 7 147 140 139.5 4.76% 5.10% 0.91 <1
22 66 14 1103 1078 1073.9 2.27% 2.64% 229.91 18.97
23 15 1318 1296 1294.3 1.67% 1.80% 75.58 29.31
24 16 1105 1083 1079.6 1.99% 2.30% 289.87 12.47
25 17 1666 1604 1599.2 3.72% 4.01% 1279.79 24.52
26 5 100 99 98.2 1.00% 1.80% 0.75 1.59
27 6 199 199 198.3 0.00% 0.35% 1.39 0.07
28 7 294 287 286.7 2.38% 2.48% 4.93 1.76
29 8 363 358 356.8 1.37% 1.71% 3.77 1.078
157
30 9 430 424 422.3 1.39% 1.79% 11.83 3.91

31 10 578 564 563.4 2.42% 2.53% 19.43 0.97
32 72 12 870 832 828.7 4.36% 4.75% 47.2 2.015
33 14 1169 1138 1130.1 2.65% 3.33% 107.25 2.103
34 16 1556 1550 1540.5 0.38% 1.00% 1048.48 5.99
35 17 1671 1632 1629.8 2.33% 2.47% 1141.48 1.83
36 18 --- 1755 --- --- 4.7
37 19 --- 1986 --- --- 28.79
38 21 --- 2177 --- --- 7.62
heures.
4.7.4.4 Comparaison de la distance entre Gurobi et

HAGRS
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
Tableau 4. 19 Résultats numériques de l'algorithme HAGRS

𝑵𝒔 𝑵𝒄 Gurobi HAGRS
3 28 28 0.00%
36 4 56 56 0.00%
5 82 82 0.00%
4 53 50 5.66%
42 5 62 62 0.00%
6 122 126 -3.28%
5 107 107 0.00%
48 6 161 154 4.35%
7 180 175 2.78%
5 118 117 0.85%
54 6 166 158 4.82%
7 235 223 5.11%
5 132 127 3.79%
60 6 194 195 -0.52%
7 268 255 4.85%
Ecart Moyen 1.89%
158
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
Figure 4. 7 Comparaison des temps d'exécution des algorithmes
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
pour la résolution numérique : un algorithme de recuit simulé, un algorithme génétique, un

algorithme de colonie d’abeilles et un algorithme hybride génétique et recuit simulé.
Les résultats obtenus par ces approches pour les petites et moyennes instances sont
encourageants et montrent leur efficacité par rapport aux valeurs optimales des résultats
obtenus par le solveur d'optimisation « GUROBI », et que l’hybridation est un bon moyen
pour améliorer les algorithmes.
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
1) N. Kassabian, O. Grunder, Z. Hamoudan, L. Idoumghar, “Genetic and Hybrid

algorithms to solve the container stacking problem at Tripoli-Lebanon seaport ”,
International journal of Operational Research (Accepté)
2) N. Kassabian, O. Grunder, Z. Hamoudan, L. Idoumghar, “Hybrid Algorithms to solve
the Dangerous Container Stacking Problem at Tripoli-Lebanon seaport ”, International
journal of Automation and Logistics (Soumis)
Conférences internationales avec comité de lecture
1) N. Kassabian, Z. Hammoudan, O. Grunder, L. Idoumghar,“ Optimization by

hybridization of algorithms RGA and ILS to solve the container stacking problem at
Tripoli-Lebanon seaport”, The IEEE International Conference on Industrial Engineering
and Engineering Management (IEEM), 14- 17 December 2020, Marina Bay Sands,
Singapore.
2) N. Kassabian, O. Grunder, Z. Hammoudan, L. Idoumghar, “Optimisation par

hybridation des algorithmes RGA et ILS pour résoudre le Problème d'empilement de
conteneurs au port maritime de Tripoli-Liban” 22ème congrès annuel de la société
Française de Recherche Opérationnelle et d'Aide à la Décision (ROADEF), Mulhouse 26-
30 Avril 2021, France.
3) N. Kassabian, O. Grunder, Z. Hamoudan, L. Idoumghar, "Simulated Annealing

Algorithm for Solving the Hazardous Container Stacking Problem in Tripoli-Lebanon
seaport", 2021 ICEET 7th International Conference on Engineering and Emerging
Technologies 27 - 28 October 2021 Istanbul - Turkey.
4) N. Kassabian, O. Grunder, Z. Hamoudan, L. Idoumghar, "Bee Colony Algorithm for

Solving the Hazardous Container Stacking Problem in Tripoli-Lebanon seaport", 15th
International Conference on Artificial Evolution (EA-2022) 31 Oct-2 Nov 2022 Exeter -
United Kingdom.
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.
Ce domaine de recherche démontre sa valeur et sa pertinence du point de vue

économique et du progrès technique, d'autant plus que le processus de transport de
conteneurs et son développement constant entraînent des modifications et des avancées
technologiques dans les porte-conteneurs et les terminaux maritimes, sans ignorer les
efforts intellectuels qui jouent un rôle important dans l'optimisation de son utilisation,
compte tenu de la modernisation des équipements de transport et de manutention. Nous
souhaiterons que cette thèse contribuera à aider les gestionnaires d'installations de stockage
de conteneurs à faire leur travail plus efficacement et qu'elle motivera les futurs chercheurs
à poursuivre ce domaine.
165
166
167
Bibliographie
[1] [Online]. Available: http://geoconfluences.ens-lyon.fr/glossaire/conteneur-

conteneurisation.
[2] R. Moussi, "Les techniques modernes de l'optimisation combinatoire pour la résolution

de problèmes d'optimisation dans les terminaux portuaires à conteneurs," Le Havre,
2012.
[3] "Jacques-Saadé," [Online]. Available: https://actu.fr/normandie/le-havre_76351/l-

image-record-mondial-au-havre-ce-navire-amiral-a-transporte-21-433-
conteneurs_41370383.html.
[4] H. H. L. T. S. i. c. w. P. E. I. K. L. S. a. W. K. C. Agerschou, "Planning and Design of POIlS

and Marine Terminals," no. (New York: John Wiley and Sons), 1983.
[5] "tft.unctad.org," [Online]. Available: https://tft.unctad.org/wp-

content/uploads/2019/07/PFP.M2.pdf.
[6] A. (. Fischer, "Les ports maritimes. Essai de classification," L'Information Géographique,

27(3), pp. 105-114, 1963.
[7] C. Ducruet, "Régions portuaires et mondialisation," Revue géographique des pays

méditerranéens/Journal of Mediterranean geography, (111), pp. 15-24, 2008.
[8] J. L. C. a. F. B. Mangan, "Port‐centric logistics," The International Journal of Logistics

Management, vol. 19 No.1, pp. 29-41, 2008.
[9] A. E. Branch, Elements of shipping, London, 2007.
[10] M. Stopford, Maritime Economics Routledge, New York, USA., 2009.
[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.
[12] "journalmarinemarchande," 2020. [Online]. Available: https

://www.journalmarinemarchande.eu/actualite/portuaire/panorama-des-25-premiers-
ports-a-conteneurs-mondiaux-en-2020].
[13] B. B. P. G. P. &. d. J. G. Zondag, "Port competition modeling including maritime, port,

and hinterland characteristics.," Maritime Policy & Management,, vol. 37(3), pp. 179-
194, 2010.
168
[14] R. van der Meer, Operational control of internal transport, Erasmus University
Rotterdam, 2000.
[15] J. Dubreuil, La logistique des terminaux portuaires de conteneurs, Centre

interuniversitaire de recherche sur les réseaux d’entreprise., Montréal, Canada:
Mémoire, Centre Universitaire de Recherche sur les Réseaux d’Entreprise la Logistique
et Transport, , 2008.
[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.
[17] C. Y. &. H. W. C. Chu, "Determining container terminal capacity on the basis of an

adopted yard handling system," Transport Reviews : A Transnational Transdisciplinary,
vol. 25(2), pp. 181-199, 2005.
[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.
[19] H. J. V. I. F. &. R. K. J. Carlo, "Storage yard operations in container terminals: Literature

overview, trends, and research directions.," European journal of operational research,
vol. 235(2), pp. 412-430, 2014.
[20] A. H. R. D. &. D. K. R. Gharehgozli, "Sea container terminals: New technologies and OR

models," Maritime Economics & Logistics, vol. 18(2), pp. 103-140, 206.
[21] N. Kemme, "Simulation as a Terminal-Planning Approach," Design and Operation of

Automated Container Storage Systems, pp. 203-220, 2013.
[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.
[25] S. Cohen, "BOOM BOXES: SHIPPING CONTAINERS AND TERRORISTS," Berkeley

Roundtable on the International Economy (BRIE), California, 2005.
[26] "MECALUX," [Online]. Available: https://www.mecalux.fr/blog/logistique-4-0-futur-

present. [Accessed 11 8 2022].
[27] "transvolando," [Online]. Available: transvolando.com/fr/logistique-4-0. [Accessed 11 8

2022].
169
[28] "TRADE FACILITATION IMPLEMENTATION GUIDE," [Online]. Available:
tfig.itcilo.org/FR/contents/NII-technology.htm. [Accessed 9 8 2022].
[29] J. L. Jones, "Active non-intrusive technologies for homeland defense,," [Online].

Available:
https://digital.library.unt.edu/ark:/67531/metadc886951/m2/1/high_res_d/910632.pdf
. [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].
[33] G. T. a. R. Sridhar, "ntrusion detection in RFID systems," in Military Communications

Conference, 2008. MILCOM 2008. IEEE, 2008.
[34] "GENERAL EQUIPMENT INC.," [Online]. Available:

http://www.generalequipment.info/THSCAN.htm. [Accessed 9 8 2022].
[35] N. F. Ndiaye, "Algorithmes d’optimisation pour la résolution du problème de stockage de

conteneurs dans un terminal portuaire.," in La complexité du problème, PHd thesis,
2016, pp. 98-102.
[36] M. Kef, "Optimisation Heuristique Distribuée du Problème de Stockage de Conteneurs

dans un Port," in Problèmes analogues, PHd thesis, 2009, pp. 62-63.
[37] C. A. C. L. G. B. &. V. V. D. A. Coello, Evolutionary algorithms for solving multi-objective

problems (Vol. 5, pp. 79-104), New York: Springer., 2007.
[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.
[39] M. d. C. B. &. D. C. F. Taleb-Ibrahimi, "Storage space vs handling work in container

terminals," Transportation Research Part B: Methodological, vol. 27(1), pp. 13-32, 1993.
[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.
[43] R. V. P. &. V. A. E. Dekker, "Advanced methods for container stacking," In Container

terminals and cargo systems, pp. 131-154, 2007.
[44] Y. Harrath, "Contribution à l'ordonnancement conjoint de la production et de la

maintenance: Application au cas d'un Job Shop," in (Doctoral dissertation, Université de
Franche-Comté), 2003.
[45] B. d. C. a. C. F. (. Daganzo., "Handling strategies for import containers at marine

terminals.," Transportation Research Part B: Methodological, vol. 27(2), pp. 151-166,
1993.
[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.
[50] C. L. J. W. Y. W. M. K. G. &. L. R. J. Zhang, "Storage space allocation in container

terminals," Transportation Research Part B: Methodological,, vol. 37(10), pp. 883-903,
2003.
[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.
[52] M. Kefi., "Optimisation heuristique distribuée du problème de stockage de conteneurs,"

Ecole Centrale de Lille, 2008.
[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.
[56] Y. A. e. I. D. N F Ndiaye, "A branch-and-cut algorithm to solve the container storage

problem.," in international conference on systems (ICONS), 2014.
[57] N. F. Ndiaye., Algorithmes d’optimisation pour la résolution du problème de stockage de

conteneurs dans un terminal portuaire, PhD thesis, Univerité de Havre, 2015.
[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.
[60] V. M. V. H. B. S. B. B. C. &. J. P. T. S. Galle, "The stochastic container relocation

problem.," Transportation Science, vol. 52(5), pp. 1035-1058., 2018.
[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.
[62] F. Covic, "Re-marshalling in automated container yards with terminal appointment

systems," Flexible Services and Manufacturing Journal, vol. 29(3), pp. 433-503, 2017.
[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.
[65] K. Yachba and S. &. B. K. Gelareh, "Yachba,Storage management of hazardous containers

using the genetic algorithm Transport and Telecommunication," Yachba, K.; Gelareh, S.
& Bouamrane, K. Storage management of hazardous containTransport and
Telecommunication Institute, vol. 17, pp. 371-383, 2016.
[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.
[69] G. Marlair, "L'étiquetage et la classification au service de la sécurité des stockages," In

Séminaire EFE" Stockage et Entreposage de Produits Toxiques", 1998.
[70] M. F. D. S. E. &. S. F. Hamidou, "Container Safety Storage on a Port Terminal," In 4th

international conference on logistics, systems and supply chain., 2012 .
[71] M. P.-R. S. S. F. E. &. M. G. D. Hervás-Peralta, "Designing the layout of terminals with

dangerous goods for safer and more secure ports and hinterlands.," Case studies on
transport policy, vol. 8(2), pp. 300-310, 2020.
[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.
[73] H. R. M. O. C. &. S. T. Lourenco, Handbook of Metaheuristics, chapter Iterated local

search., 2002.
[74] S. G. C. D. &. V. M. P. Kirkpatrick, "Optimization by simulated annealing," science, vol.

220(4598), pp. 671-680, 1983.
[75] J. R. K. R. &. K. K. H. Kang, "Determination of storage locations for incoming containers

of uncertain weight," In International Conference on Industrial, Engineering and Other
Applications of Applied Intelligent Systems, pp. 1159-1168, 2006.
[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.
[78] G. E. H. M. R. P. M. &. R. G. Liepins, "Credit assignment and discovery in classifier

systems," International Journal of Intelligent Systems, vol. 6(1, pp. 55-69, 1991.
[79] M. &. C. R. Gen, "Genetic algorithms and engineering optimization, Industrial

Engineering / Manufacturing,," 2007.
[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.
[83] I. &. H. O. Charon, "The noising methods: A generalization of some metaheuristics,"

European Journal of Operational Research, vol. 135(1), pp. 86-101, 2001.
[84] B. M. G. M. L. &. R. G. Codenottiy, INFORMS Journal on Computing, vol. 8(2), pp. 125-
133, 1993.
[85] P. T. Minausa., "une nouvelle méthode combinant résolution," in Premier congrès de la

société française de, 1998.
[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.
[87] I. F. V. a. R. D. Koster., "Transshipment of containers at a container terminal: An

overview.," European journal of operational research, vol. 147(1), pp. 1-16, 2003.
[88] "https://www.alloprof.qc.ca/," fr/eleves/bv/sciences/l-energie-potentielle-et-l-energie-

cinetique-s1098. [Online].
[89] "The irace package: Iterated racing for automatic algorithm con," Operations Research
Perspectives, vol. 3, pp. 43-48, 2016.
[90] "https://lesdefinitions.fr/stabilite," Powered by WordPress, 18 1 2013. [Online].

Available:
https://lesdefinitions.fr/stabilite#:~:text=Dans%20le%20domaine%20de%20l,stabilit%C3
%A9%20laisse%20beaucoup%20%C3%A0%20d%C3%A9sirer%20%C2%BB.. [Accessed 16
8 2022].
[91] G. R. R. &. G. M. Rechkoska, "Transport of dangerous substances in the Republic of

Macedonia," Procedia-Social and Behavioral Sciences, vol. 44, pp. 289-300, 2012.
[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.
[95] A. G. a. C. R. Pinninghoff M., "Bees and Genetic Algorithms: A Comparison on a Classic

Problem.," In: XIII Encontro Nacional de Inteligencia Artificial e Computacional, , no.
Recife: BDBComp, pp. pp. 265-276..
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.
[97] S. G. C. D. &. V. M. P. Kirkpatrick, "Optimization by simulated annealing," science, vol.

220(4598), pp. 671-680, 1983.
[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.
[100] A. G. E. K. S. O. S. R. a. M. Z. D.T. Pham, "The bees algorithm, technical note,"

Manufacturing engineering center, Cardiff University: Cardiff, UK,, pp. 1-57, 2005.
[101] C. G. G. ] J. L. Gould, "“The honey bee”," 1988.
[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

Optimisation Du Stockage Des Conteneurs

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Optimisation Du Stockage Des Conteneurs

Transféré par

Droits d'auteur :

Formats disponibles

Optimisation du stockage des conteneurs dans un

To cite this version:

HAL Id: tel-04082720

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

Présentée pour obtenir le titre de DOCTEUR en

Soutenue publiquement le 12 Décembre 2022 devant un jury composé de :

Institut de Recherche en Informatique, Mathématiques, Automatique et Signal (IRIMAS)

Sous la direction de Lhassane IDOUMGHAR lhassane.idoumghar@uha.fr

Co-directeur Olivier GRUNDER olivier.grunder@utbm.fr

Co-encadrant Zakaria HAMMOUDAN zakaria.hammoudan@gmail.com

A notre pays, car il a tellement besoin du don...

Au terme de ce travail, mes remerciements sont adressés à tous ceux

Merci pour tout.....

Figure 2. 1 Algorithme Recherche Locale Itérée ............................................................. 54

Figure 2. 12 Algorithme de colonie d’abeilles................................................................. 65

Figure 3. 1 Port maritime de Tripoli-Liban ...................................................................... 70

Figure 4. 1 Structure de la zone de stockage .................................................................. 124

Tableau 3. 1 Différence de mouvement entre deux piles.................................................. 82

En raison de l'augmentation continue du nombre de conteneurs dans le port, il est

Chapitre 1. La conteneurisation et les opérations portuaires au Liban

Chapitre 2. Le problème de stockage de conteneurs dans la littérature

Chapitre 3. Etude et résolution du cas statique

Chapitre 4. Etude et résolution du cas critique

La conteneurisation s'est solidement implantée dans les réseaux de transport

1.2 Histoire et Origine de la conteneurisation

transport intermodal de marchandises utilisant des conteneurs. Dans de tels systèmes, la

Cette tendance à la conteneurisation, confirmée par l'évolution du commerce maritime

1.3 Définition, types et caractéristiques du

1.3.2 Types et caractéristiques des conteneurs

Figure 1. 3 Différents types de conteneurs

b. Conteneurs High-cube : Ils correspondent aux structures des conteneurs standards

d. Conteneurs Open-Top : Ce type du conteneur standard est également de taille 20

f. Conteneurs plat : Le conteneur plat se compose uniquement d'une structure de

g. Conteneur Ventilé : Ces types de conteneurs correspondent au conteneur standard.

L'échange d'air se produit au-dessus de cela. Les conteneurs à ventilation active

h. Conteneurs réfrigérés / isolés : Les conteneurs isolés et réfrigérés sont utilisés

i. Conteneurs Vrac : Le conteneur vrac a trois trappes de chargement sur le toit,

j. Conteneurs citerne : Contrairement aux conteneurs vrac, ces conteneurs

Il existe un grand nombre de tailles standard différentes pour les conteneurs de

Tableau 1. 1 Dimensions des conteneurs ISO

Conteneur de 20 pieds Conteneur de 40 pieds Cube de 45 pieds de

1.4 Définitions et rôles des ports

proche du centre de la vie économique, et du carrefour des communications, à un centre

1.5 Structure et développement des ports

Tableau 1. 2 Les 25 premiers ports à conteneurs mondiaux en H Zhu et al

Rang Port Volume en Volume en Variation

Le Tableau 1.2 reflète le développement de l’économie sino-asiatique et

1.6 Processus et Opérations des terminaux à

Aujourd’hui, les conteneurs sont le principal moyen d’équipement utilisé dans le

Bien que les terminaux à conteneurs portuaires varient considérablement en fonction

- Arrivée du navire (Opérations à quai):

- Transfert (Opérations de transport):

Système multi-remorque Camion

Chariot cavalier (RS) Véhicule à guidage automatique

- Stockage (Opérations de stockage et d’empilage):

Figure 1. 5 Espace de stockage

Figure 1. 6 Structure d’un terminal à conteneurs

- Livraison et Réception (Opérations de l’arrière-pays):

Dans l’exemple de la figure 1.7, l’extraction du conteneur B nécessite un remaniement

Malgré la difficulté confrontée pour résoudre le problème du stockage des conteneurs,

1.6.2 Aménagements des terminaux à conteneurs

Par exemple, de nombreux terminaux à conteneurs automatisés et semi-automatisés

Figure 1. 8 Blocs de stockage sont perpendiculaires aux quais

Cependant, la majorité des terminaux à conteneurs en Asie de l’Est utilisent la