Algorithmes heuristiques et exacts pour résoudre le problème du dial-a-ride avec les véhicules électriques autonomes

Heuristic and exact algorithms for solving the electric autonomous dial-a-ride problem

• Auteur / Autrice : Yue Su
• Direction : Jakob Puchinger
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 05/07/2023
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Interfaces : matériaux, systèmes, usages (Palaiseau, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Génie Industriel
• Partenaire(s) de recherche : référent : CentraleSupélec (2015-....)
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Sciences de l'ingénierie et des systèmes (2020-....)
• Jury : Président / Présidente : Oualid Jouini
• Jury : Examinateurs / Examinatrices : An Caris, Fabien Lehuédé, Sophie Parragh, Claudia Archetti
• Jury : Rapporteurs / Rapporteuses : An Caris, Fabien Lehuédé

Mots clés

Mots clés contrôlés

Algorithmes optimaux

Métaheuristiques

Véhicules autonomes

Véhicules électriques

Mots clés libres

Le problème du dial-A-Ride

Branch-And-Price

Deterministic annealing

Véhicules électriques autonomes

Dial-A-Ride problem

Branch-And-Price

Deterministic annealing

Electric autonomous vehicles

Résumé

Cette thèse propose des algorithmes heuristiques et exacts efficaces pour résoudre le problème E-ADARP (Electric Autonomous Dial-A-Ride Problem), qui consiste à concevoir un ensemble d'itinéraires à coût minimum qui répond à toutes les demandes des clients pour une flotte de véhicules électriques autonomes (EAVs). L'E-ADARP présente deux caractéristiques importantes : (i) l'emploi des EAVs et une politique de recharge partielle; (ii) la fonction objectif de somme pondérée qui minimise le temps de trajet total et le temps de trajet total excédentaire de l'utilisateur. Dans cette thèse, nous proposons d'abord un algorithme de recuit déterministe (DA). La recharge partielle (i) est gérée par un schéma d'évaluation d'itinéraire exact de complexité temporelle linéaire. Pour aborder (ii), nous proposons une nouvelle méthode qui permet des calculs efficaces du temps de parcours minimal de l'utilisateur en introduisant une représentation fragmentée des chemins. Pour valider les performances de l'algorithme DA, nous comparons les résultats de notre algorithme aux résultats de l'algorithme Branch-and-Cut (B&C) sur les instances existantes. Notre algorithme DA fournit 25 nouvelles meilleures solutions et 45 solutions égales pour 84 instances existantes. Nous établissons de nouvelles instances avec jusqu'à 8 véhicules et 96 requêtes, et nous fournissons 19 nouvelles solutions pour ces instances. Ensuite, nous présentons un algorithme CG, qui est intégré dans le schéma Branch-and-price (B&P) pour résoudre exactement l'E-ADARP. Notre algorithme CG s'appuie sur un algorithme d'étiquetage efficace pour générer des colonnes avec des coûts réduits négatifs. Dans l'extension des étiquettes, le principal défi consiste à déterminer tous les horaires optimaux de temps de trajet en excès d'utilisateur. Pour résoudre ce problème, nous appliquons la représentation basée sur les fragments et proposons une nouvelle approche pour extraire les fragments des arcs tout en garantissant l'optimalité de l'excès de temps de parcours de l'utilisateur. Nous construisons ensuite un nouveau graphe qui préserve toutes les routes réalisables du graphe original en énumérant tous les fragments réalisables, en les extrayant en arcs et en les connectant les uns aux autres, aux dépôts et aux stations de recharge de manière réalisable. Sur le nouveau graphe, nous appliquons des règles de dominance fortes et des vérifications de faisabilité à temps constant pour calculer efficacement les chemins les plus courts. Dans les expériences, nous résolvons 71 instances sur 84 optimalement, améliorons 30 bornes inférieures et générons 41 nouvelles meilleures solutions sur des instances précédemment résolues et non résolues. Enfin, nous étudions le bi-objectif E-ADARP (BO-EADARP), qui traite le temps de trajet total et le temps de trajet total de l'utilisateur excédentaire comme des objectifs distincts. Pour aborder le BO-EADARP, nous introduisons deux algorithmes de recherche dans l'espace de critères et un algorithme de recherche dans l'espace de décision ( l'algorithme BOBP). Nous appliquons ces algorithmes pour résoudre le BO-EADARP sur des instances de petite à moyenne taille avec différentes restrictions de batterie minimales. Parmi les trois algorithmes, l'algorithme BOBP s'avère être le plus efficace. Nous analysons ensuite les solutions efficaces sous différentes contraintes énergétiques. Nos observations révèlent une augmentation notable des temps de trajet totaux pour les solutions efficaces obtenues avec des restrictions d'énergie plus élevées, tandis que les temps de trajet excédentaires totaux correspondants restent stables. Pour chaque niveau de restriction d'énergie, les solutions efficaces obtenues offrent des informations managériales pour les fournisseurs de services rentables et non rentables: un objectif peut être amélioré significativement avec une légère augmentation de l'autre.

This thesis proposes highly-efficient heuristic and exact algorithms to solve the Electric Autonomous Dial-A-Ride Problem (E-ADARP), which consists in designing a set of minimum-cost routes that accommodates all customer requests for a fleet of Electric Autonomous Vehicles (EAVs). The E-ADARP has two important features: (i) the employment of EAVs and a partial recharging policy; (ii) the weighted-sum objective function that minimizes the total travel time and the total excess user ride time. In this thesis, we first propose a Deterministic Annealing (DA) algorithm to solve the E-ADARP. Partial recharging (i) is handled by an exact route evaluation scheme of linear time complexity. To tackle (ii), we propose a new method that allows effective computations of minimum excess user ride time by introducing a fragment-based representation of paths. To validate the performance of the DA algorithm, we compare our algorithm results to the best-reported Branch-and-Cut (B&C) algorithm results on existing instances. Our DA algorithm provides 25 new best solutions and 45 equal solutions for 84 existing instances. To test the algorithm's performance on larger-sized instances, we establish new instances with up to 8 vehicles and 96 requests, and we provide 19 new solutions for these instances. Then, we present a highly efficient CG algorithm, which is integrated into the Branch-and-price (B&P) scheme to solve the E-ADARP exactly. Our CG algorithm relies on an effective labeling algorithm to generate columns with negative reduced costs. In the extension of labels, the key challenge is determining all excess-user-ride-time optimal schedules to ensure finding the minimum-negative-reduced-cost route. To handle this issue, we apply the fragment-based representation and propose a novel approach to abstract fragments to arcs while ensuring excess-user-ride-time optimality. We then construct a new graph that preserves all feasible routes of the original graph by enumerating all feasible fragments, abstracting them to arcs, and connecting them with each other, depots, and recharging stations in a feasible way. On the new graph, we apply strong dominance rules and constant-time feasibility checks to compute the shortest paths efficiently. In the computational experiments, we solve 71 out of 84 instances optimally, improve 30 previously-reported lower bounds, and generate 41 new best solutions on previously solved and unsolved instances. Finally, we investigate the Bi-objective E-ADARP (BO-EADARP), which treats the total travel time and the total excess user ride time as separate objectives. To tackle the BO-EADARP, we introduce two criterion space search algorithms and a decision space search algorithm (i.e., the BOBP algorithm). In the computational experiments, we apply these algorithms to solve the BO-EADARP on small-to-medium-sized instances with different minimum battery restrictions. Among the three algorithms, the BOBP algorithm proves to be the most efficient. We then analyze the efficient solutions under different energy restrictions. Our observations reveal a noticeable increase in total travel times for the obtained efficient solutions with higher energy restrictions, while the corresponding total excess user ride times remain stable. For each level of energy restriction, the obtained efficient solutions offer managerial insights for profitable and non-profitable service providers: one objective can be improved significantly with a slight increase of the other.