An Adaptive Large Neighborhood Search Algorithm for Tactical Planning of a Single-Segment Corridor Network in a Many-to-one-to-many Transportation System

Le transport de marchandises est un processus physique de transport de marchandises et d'expéditions entre différents terminaux par voie maritime, aérienne ou terrestre entre différentes zones. Cette thèse porte sur un réseau Many-to-One-to-Many (M1M), un cadre décisionnel où un côté du système comprend de nombreux expéditeurs, producteurs, grossistes, distributeurs, prestataires de services logistiques, etc. -demandes de demande de transport efficace en termes de coûts et de temps de chargements de produits. De l'autre côté du système M1M, de nombreux transporteurs font des offres de capacité de transporteur pour le transport, demandant des chargements rentables. Dans ce contexte, les transporteurs peuvent être des fournisseurs de services de transport de divers modes, par exemple, les chemins de fer, les compagnies aériennes, la navigation fluviale et océanique, et différents types, par exemple, des transporteurs complets ou partiels. Le modèle proposé considère un réseau de corridor à segment unique comprenant de nombreuses demandes de demande des expéditeurs à transférer d'un terminal d'origine à un terminal de destination, qui ont tous deux une capacité d'entreposage à toutes les périodes. Pour résoudre le modèle proposé, une solution initiale est construite par un algorithme heuristique. Ensuite, cette solution est améliorée par une Recherche Adaptive Large Voisinage (ALNS) combinant une recherche locale utilisant huit opérateurs de suppression pour détruire une solution et quatre opérateurs d'insertion pour la réparer. Enfin, l'algorithme proposé est testé sur différents benchmarks et analysé avec soin pour évaluer les performances de chaque opérateur et de l'algorithme heuristique constructif. L'une des principales conclusions de la comparaison d'algorithmes est que l'ALNS proposé peut obtenir des solutions avec un écart d'optimalité de 11 % pour résoudre de très grands ensembles de données en moins d'une minute. Cependant, le solveur exact peut trouver les solutions en une heure environ pour résoudre les données mentionnées ou ne peut pas les obtenir dans les délais. Les solutions obtenues par ALNS montrent des écarts d'environ 10%, et ce fait signifie que l'ALNS n'a pas été très efficace pour résoudre notre problème.