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.