Sustainable Physical Internet with Uncertain Flow-Dependent Travel Times: Modeling and Solution Approach

L’Internet physique (PI) représente un cadre logistique à la pointe de la technologie conçu pour améliorer l’efficacité et le développement durable des chaînes d’approvisionnement mondiales grâce à l’utilisation de conteneurs modulaires standardisés et de systèmes interconnectés. Ce mémoire examine comment les principes de développement durable, économiques, environnementaux et sociaux peuvent être intégrés efficacement dans les réseaux PI, en se concentrant particulièrement sur les effets des temps de déplacement incertains et dépendant du flux, ainsi que sur la complexité des opérations de chargement et de déchargement. L’objectif est d’optimiser l’utilisation des ressources, de réduire les coûts et d’améliorer la responsabilité environnementale grâce à la conteneurisation modulaire au sein des réseaux PI. Nous introduisons un nouveau modèle de programmation en nombres entiers mixte pour traiter ces questions, intégrant la capacité des liaisons comme une variable stochastique affectée par des facteurs tels que les catastrophes naturelles et l’entretien. Notre modèle aborde également les incertitudes de temps de déplacement en utilisant la fonction du Bureau of Public Roads (BPR), qui relie les temps de déplacement à la capacité et au flux de trafic. Cette approche globale permet une analyse approfondie des opérations PI, y compris une gestion détaillée des processus de chargement et de déchargement. Nous utilisons le solveur BARON pour résoudre des problèmes de taille (jusqu’à 10 nœuds), mais les problèmes plus importants présentent des défis computationnels significatifs. Pour aborder ces problèmes plus importants, nous mettons en œuvre deux algorithmes heuristiques: les Algorithmes Génétiques (GA) et les Algorithmes Compétitifs Impérialistes (ICA). Les résultats indiquent que, bien que les méthodes exactes réussissent à résoudre les instances plus petites, le GA surpasse constamment l’ICA en termes de qualité de solution et d’efficacité computationnelle pour les problèmes plus grands. En particulier, le GA fournit des solutions supérieures à divers niveaux de perturbation, avec des temps de calcul raisonnables, tandis que l’ICA présente des limites dans les applications à grande échelle. Les résultats mettent en évidence l’impact essentiel de la variabilité des temps de déplacement et de la complexité des hubs sur l’optimisation des réseaux PI. Bien que la recherche apporte des éclairages précieux, des limitations telles que les simplifications de modélisation et les défis liés à la disponibilité des données sont reconnues. Les futures directions de recherche incluent l’incorporation de prévisions de demande avancées, l’amélioration de l’évolutivité du modèle et la validation du modèle proposé dans des scénarios réels. De plus, l’intégration potentielle de technologies émergentes telles que la blockchain et l’Internet des objets (IoT) est discutée pour améliorer l’adaptabilité dans des environnements logistiques dynamiques.

Abstract

The Physical Internet (PI) represents a cutting-edge logistics framework designed to improve efficiency and sustainability in global supply chains through standardized modular containers and interconnected systems. This thesis investigates how economic, environmental, and social sustainability principles can be effectively integrated into PI networks, focusing on the effects of uncertain, flow-dependent travel times on the intricacies of loading and unloading operations. The aim is to optimize resource utilization, reduce costs, and improve environmental responsibility through modular containerization within PI networks.We introduce a novel mixed-integer programming model to tackle these issues, incorporating link capacity as a stochastic variable affected by natural disasters and maintenance factors.Our model also addresses travel time uncertainties by utilizing the Bureau of Public Roads (BPR) function, which links travel times to capacity and traffic flow. This comprehensive approach allows for an in-depth analysis of PI operations, including detailed handling of loading and unloading processes. We use the BARON solver to address smaller-scale problems (up to 10 nodes), but larger instances present significant computational challenges. We implement two heuristic algorithms to tackle these larger problems: Genetic Algorithms (GA) and Imperialist Competitive Algorithms (ICA). Specifically, the GA delivers superior solutions across varying levels of disruption, achieving reasonable computational times, while the ICA demonstrates limitations in larger-scale applications. The results highlight the significant impact of travel time variability and hub complexity on the optimization of PI networks. Although the research contributes valuable insights, limitations such as modeling simplifications and data availability challenges are acknowledged. Future research directions include incorporating advanced demand forecasting, enhancing model scalability, and validating the proposed model in real-world scenarios. Additionally, the potential integration of emerging technologies like blockchain and the Internet of Things (IoT) is discussed to improve adaptability in dynamic logistics environments.