ART1

Une méthodologie pour modéliser et optimiser la
mutualisation du transport ferroviaire urbain de

marchandises et de passagers
Walid Behiri
To cite this version:

Walid Behiri. Une méthodologie pour modéliser et optimiser la mutualisation du transport ferroviaire
urbain de marchandises et de passagers. Modélisation et simulation. Université Paris-Est, 2017.
Français. �NNT : 2017PESC1050�. �tel-01786922�
HAL Id: tel-01786922

https://pastel.archives-ouvertes.fr/tel-01786922
Submitted on 7 May 2018
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.
ECOLE DOCTORALE MSTIC
THÈSE
Présentée par
Walid BEHIRI
Pour obtenir le grade de
Docteur de l’université Paris-Est
Spécialité : Informatique
Une méthodologie pour modéliser et optimiser la

mutualisation du transport ferroviaire urbain de
marchandises et de passagers
Soutenue à ESIEE Paris le 13/12/2017
Composition du jury :
Président du jury : Alexandre DOLGUI Professeur, IMT Atlantique

Rapporteurs : Hamid ALLAOUI Professeur, Université d'Artois
Stéphane DAUZÈRE-PÉRÈS Professeur, Ecole des Mines, St Etienne
Examinateurs : Eric BALLOT Professeur, Mines ParisTech
Chengbin CHU Professeur, ESIEE Paris
Joaquin RODRIGUEZ Directeur de recherche, IFSTTAR, Lille
Directeur : Mohamed AKIL Professeur, ESIEE Paris
Co-Directeur : Sana BERRAF-BELMOKHTAR Maître de Conférences, ESIEE Paris
A la mémoire de ma mère
V.
VI.
Remerciements
Je tiens à exprimer ma profonde gratitude à tous ceux qui m’ont porté aide, assistance et
encouragements dans l'élaboration de cette recherche.
Mes remerciements s’adressent à Monsieur Mohamed Akil, pour son engagement en tant que
directeur de ma thèse, pour sa disponibilité, ses conseils et son soutien. Je tiens à exprimer mes
plus vifs remerciements à Mme Sana Berraf-Belmokhtar, qui en encadrant cette thèse a été au
plus près de mes questionnements, mais également de mes difficultés. Sa compétence, sa
rigueur intellectuelle et son esprit critique m’ont motivé et guidé tout au long de mon parcours
de recherche. Merci aussi pour les nombreuses relectures, les corrections, les encouragements
et l’intégration progressive dans ce monde qui m’était inconnu.
Je tiens à adresser un remerciement particulier à Monsieur Joël Danard, chargé du projet

Tramfret à l’institut de recherche Efficacity, chacun de nos échanges a généré une nouvelle
impulsion à cette recherche.
Ma reconnaissance se porte vers Messieurs Stéphane Dauzère-Pérès, Professeur à l’École des

Mines de Saint-Etienne et Hamid Allaoui, Professeur à l'Université d'Artois, pour l’honneur
qu’ils me font en ayant accepté d’être les rapporteurs de cette thèse.
Que Messieurs Alexandre Dolgui, Professeur à l’IMT Atlantique, Chengbin Chu, Professeur à
l’ESIEE Paris, Eric Ballot, Professeur à Mines ParisTech et Joaquin Rodriguez, Directeur de
recherche à l’IFSTTAR de Lille, me permettent de leur exprimer ma gratitude pour avoir
accepté d’examiner ce manuscrit et pour leur participation au jury.
J’adresse ma gratitude aux membres de l’école doctorale "MSTIC", du laboratoire de recherche

"LIGM" et de l’ESIEE Paris. Aux enseignants qui ont contribué à ma formation, ainsi qu’à mes
collègues et à tous ceux et celles avec qui j’ai eu le plaisir de travailler pendant le déroulement
de tout mon parcours de recherche.
Je remercie également tous les doctorants et post-doctorants de l’ESIEE Paris, même si je les
ai trop peu croisés pendant la thèse, pour les échanges amicaux que nous avons pu avoir
ensemble. Je souhaite courage et réussite dans les plus brefs délais pour ceux qui n’ont pas
encore terminé.
Un remerciement particulier à toute ma famille. Mon père, mon frère et ma sœur ; mes premiers
reviewers et relecteurs. Merci de m’avoir toujours soutenu et encouragé, et surtout d’avoir cru
en moi et supporté tout au long de mon parcours.
Table des matières
Introduction Générale ................................................................................................................. 9
I. Chapitre I : Logistique et transport de marchandises en ville .......................................... 14
1. Introduction ................................................................................................................... 15
2. Logistique et transport de marchandises : définitions et concepts ................................ 15
3. Transport de marchandises en ville ............................................................................... 19
3.1. Enjeux du TMV ..................................................................................................... 20
3.2. Etat des lieux et pratiques actuelles ....................................................................... 21
3.3. Cadre légal et règlementaire .................................................................................. 24
3.4. Complexité du transport de marchandises en ville ................................................ 25
3.5. Evolution et perspectives futures du TMV ............................................................ 27
4. Exemple du TMV en Ile-de-France (Paris intra-muros et sa périphérie) ...................... 31
4.1. Infrastructures logistiques en Ile-de-France........................................................... 32
4.2. La gestion du transport de marchandises en région parisienne .............................. 34
5. Conclusion ..................................................................................................................... 36
II. Chapitre II : Transport de marchandises en ville par rail – mixité fret / voyageurs ......... 39
1. Introduction ................................................................................................................... 40
2. Pratiques et état des lieux : fret urbain par rail et mixité fret / voyageurs..................... 40
2.1. L’espace souterrain pour le transport de marchandises ......................................... 41
2.2. Mixité fret / voyageurs et utilisation du rail urbain : alternatives durables dans la
littérature .......................................................................................................................... 43
2.3. Mixité fret / voyageurs : expérimentations et solutions en cours d’exploitation ... 52
3. Conception d’un modèle de transport mixte fret / voyageurs dans le réseau ferroviaire
urbain .................................................................................................................................... 54
3.1. Composantes du réseau ferroviaire urbain de transport de voyageurs .................. 56
3.2. Identification des cas de mixité possibles .............................................................. 59
4. Problématiques décisionnelles liées à la mixité fret / voyageurs dans le réseau
ferroviaire urbain .................................................................................................................. 65
4.1. Conception de la solution de transport étudiée ...................................................... 65
4.2. Identification et description des problématiques décisionnelles ............................ 68
5. Conclusion ..................................................................................................................... 74
III. Chapitre III : Etat de l’art des méthodes de modélisation des problèmes de transport . 77
1. Introduction ................................................................................................................... 78
2
2. Problèmes classiques de la littérature liés à la logistique urbaine ................................. 78
2.1. Problèmes classiques liés au transport ................................................................... 78
2.2. Problème d’affectation généralisée ........................................................................ 80
3. Méthodes de résolution de la RO .................................................................................. 81
3.1. Méthodes exactes ................................................................................................... 82
3.2. Méthodes approchées ............................................................................................. 87
4. Problèmes de replanification ......................................................................................... 90
4.1. Le principe d’horizon glissant et résolution d’un problème de replanification ..... 91
4.2. La replanification dans la gestion de la chaine logistique ..................................... 92
4.3. La replanification dans le transport ferroviaire ...................................................... 94
5. Simulation à évènements discrets – ARENA ................................................................ 96
5.1. Généralités sur la simulation .................................................................................. 96
5.2. Démarche de réalisation d’un modèle de simulation ............................................. 97
5.3. Simulation avec ARENA ....................................................................................... 99
6. Couplage simulation / optimisation............................................................................. 102
7. Conclusion ................................................................................................................... 105
IV. Chapitre IV : Modélisation et simulation du FRTSP .................................................. 107
1. Introduction ................................................................................................................. 108
2. Hypothèses et description du FRTSP .......................................................................... 108
2.1. Hypothèses du FRTSP ......................................................................................... 109
2.2. Formalisation du FRTSP ...................................................................................... 111
3. Une modélisation par simulation du FRTSP ............................................................... 114
3.1. Génération des commandes ................................................................................. 114
3.2. Génération des trains ............................................................................................ 116
3.3. La ligne ferroviaire............................................................................................... 118
3.4. Implémentation des processus décisionnels sur ARENA .................................... 119
3.5. Modèle conceptuel du modèle de simulation ....................................................... 123
4. Conclusion ................................................................................................................... 126
V. Chapitre V : Modélisation mathématique et optimisation du FRTSP – cas prédictif et
replanification......................................................................................................................... 127
1. Introduction ................................................................................................................. 128
2. Un exemple numérique ............................................................................................... 128
3. Complexité du problème FRTSP ................................................................................ 131
4. Formulation d’un PLVM du FRTSP dans le cas prédictif .......................................... 132
3
5. L’adaptation des colonies de fourmis pour le FRTSP................................................. 136
5.1. La variante AS des ACO ...................................................................................... 136
5.2. Différentes variantes d’ACO ............................................................................... 139
6. Une approche par horizon glissant pour optimiser la replanification du FRTSP ........ 144
6.1. Un PLVM pour la minimisation des changements lors de la replanification du
FRTSP ............................................................................................................................ 147
6.2. L’approche de replanification par horizon glissant.............................................. 148
7. Couplage simulation / optimisation............................................................................. 149
7.1. Cas prédictif ......................................................................................................... 149
7.2. Cas de replanification .......................................................................................... 150
8. Conclusion ................................................................................................................... 151
VI. Chapitre VI : Expérimentations et analyse des résultats ............................................. 153
1. Introduction ................................................................................................................. 154
2. Génération des instances ............................................................................................. 154
2.1. Paramétrage du modèle de simulation ................................................................. 154
2.2. Le cas prédictif ..................................................................................................... 155
2.3. Le cas de la replanification .................................................................................. 155
3. Analyse des résultats du couplage simulation / optimisation ...................................... 156
3.1. PLVM dans le cas prédictif.................................................................................. 156
3.2. Les heuristiques ................................................................................................... 160
3.3. Comparaison et évaluation du gap des heuristiques VS PLVM .......................... 161
3.4. La replanification ................................................................................................. 165
4. Les colonies de fourmis............................................................................................... 168
4.1. Introduction à la méthode Taguchi ...................................................................... 168
4.2. Paramétrage des variantes de colonies de fourmis............................................... 171
4.3. Résultats des différentes variantes de colonies de fourmis .................................. 178
5. Conclusion ................................................................................................................... 181
Conclusion générale et perspectives....................................................................................... 183
Bibliographie .......................................................................................................................... 187
Liste des publications ............................................................................................................. 201
Résumé / Abstract .................................................................................................................. 203
4
Liste des Figures
Figure I.1 : Schématisation de la chaine logistique .................................................................. 16
Figure I.2 : schématisation de la relation entre les acteurs principaux de la chaine logistique à
travers des dépôts et plateforme de correspondance (Islam, et al., 2013) ................................ 16
Figure I.3 : Segmentation du transport de marchandises en France (Pimor & Fender, 2008) . 17
Figure I.4 : Evolution des parts modales de transport en France ............................................. 17
Figure I.5 : Les acteurs du TMV et leurs intérêts (Courivault, 2004) ...................................... 22
Figure I.6 : Répartition des livraisons / enlèvement au cours d’une journée ordinaire ............ 23
Figure I.7 : Répartition des activités commerciales en ville et mouvements générés
(Courivault, 2004) .................................................................................................................... 23
Figure I.8 : Les différentes formes de transport de marchandises en ville ............................... 26
Figure I.9 : Mode de livraison directe ...................................................................................... 27
Figure I.10 : Mode de livraison par tournée - optimisée par transporteur (Interface Transport,
2006)......................................................................................................................................... 27
Figure I.11 : Mode de livraison par tournée - optimisée par destinataire (Interface Transport,
2006)......................................................................................................................................... 28
Figure I.12 : Typologie des ELU en fonction de la couverture spatiale de la ville (Boudouin,
2006)......................................................................................................................................... 28
Figure I.13 : Evolution du trafic des véhicules de TMV à Paris et sa périphérie – moyenne
journalière................................................................................................................................. 32
Figure I.14 : Infrastructures et sites logistiques dans la région Ile-de-France (Paris Region,
2017)......................................................................................................................................... 33
Figure II.1 : Modèles 3D de la solution CargoCap : a- mise à l'echelle de la solution par
rapport à un metro, b- système de chargement / déchargement automatique, c- insertion de la
solution dans l'espace souterrain (CargoCap, 2002) ................................................................ 42
Figure II.2 : Modélisations de Cargo Sous Terrain : a- principe de fonctionnement, b- coupes
latérale et horizontale, c- modèle 3D des véhicules en développement (CST, 2016) .............. 43
Figure II.3 : Train de passagers modifié pour le transport de marchandises (Nuzzolo, et al.,
2008)......................................................................................................................................... 45
Figure II.4 : Photos de différentes expérimentations de fret urbain par rail ............................ 54
Figure II.5 : Réseau ferroviaire en Ile-de-France ..................................................................... 55
Figure II.6 : Les trois formes de stations ferroviaires en milieu urbain ................................... 56
Figure II.7 : Illustration des implantations possibles de voies ferrées ..................................... 57
Figure II.8 : Exemple de matériels roulant de chacun des modes de transport en région Ile-de-
France ....................................................................................................................................... 58
Figure II.9 : Les niveaux de mutualisation des différentes ressources du système de transport
ferroviaire pour une mixité fret / voyageurs ............................................................................. 60
Figure II.10 : Illustration du cas de mixité totale ..................................................................... 62
Figure II.11 : Schématisation d'un réseau de transport ferroviaire en milieu urbain ............... 67
Figure II.12 : Illustration du processus de transport de marchandises à travers le réseau
ferroviaire de la région Ile-de-France ....................................................................................... 68
5
Figure II.13 : Identification et décomposition des problématiques décisionnelles pour la
mixité des flux fret / voyageurs ................................................................................................ 69
Figure II.14 : Exemple d'une zone de stockage temporaire ..................................................... 72
Figure II.15 : Exemple de rangement de colis à l'intérieur du train (cas de la 2D) .................. 73
Figure III.1 : Schématisation du problème d'affectation généralisée dans le cas de
marchandises à livrer ................................................................................................................ 81
Figure III.2 : Méthodes de résolution pour l'optimisation combinatoire.................................. 82
Figure III.3 : Exemple d'une résolution graphique d'un PL à 5 contraintes ............................. 83
Figure III.4 : Illustration du principe d'optimalité de Bellman ................................................ 85
Figure III.5 : Illustration d'un graphe pour la recherche du chemin le plus court entre x et y . 86
Figure III.6 : Illustration de l'approche par horizon glissant .................................................... 92
Figure III.7 : Schématisation du processus de simulation (Pritsker, 1986) .............................. 97
Figure III.8 : Réalisation d’un modèle de simulation ............................................................... 98
Figure III.9 : Détail de la démarche pour la réalisation d’un modèle de simulation ................ 99
Figure III.10 : Evènements VBA lors de l’exécution de la simulation .................................. 102
Figure III.11 : Illustration de la démarche de couplage – optimisation pour simulation
(Borodin, et al., 2017) ............................................................................................................ 103
Figure III.12 : Illustration de la démarche de couplage – simulation pour optimisation
(Borodin, et al., 2017) ............................................................................................................ 103
Figure III.13 : Illustration de la démarche de couplage – simulation et optimisation (Borodin,
et al., 2017) ............................................................................................................................. 105
Figure IV.1 : Illustration des files d’attente dans le FRTSP .................................................. 112
Figure IV.2 : Exemple de conteneurs pour le transport de marchandises .............................. 113
Figure IV.3 : Schéma du modèle de simulation du FRTSP en utilisant ARENA .................. 115
Figure IV.4 : Modélisation de la création du plan de commandes périodique ....................... 115
Figure IV.5 : Modélisation de la génération de commandes en temps réel ........................... 116
Figure IV.6 : Modélisation du processus de génération des trains ......................................... 117
Figure IV.7 : Modélisation de la création des trains .............................................................. 117
Figure IV.8 : Modélisation des stations et des voies ferrées .................................................. 118
Figure IV.9 : Illustration de la construction d’une solution avec la 4ème heuristique ............. 121
Figure IV.10 : Modèle conceptuel du modèle de simulation ................................................. 125
Figure V.1 : Une illustration d’une instance numérique du FRTSP ...................................... 129
Figure V.2 : Réduction du problème FRTSP à un problème d’affectation généralisée ......... 132
Figure V.3 : Une étape durant le processus de construction d’une solution par une fourmi . 137
Figure V.4 : La replanification du FRTSP par horizon glissant ............................................. 149
Figure V.5 : Le schéma de couplage dans le cas prédictif ..................................................... 150
Figure V.6 : Le schéma de couplage dans le cas de la replanification ................................... 151
Figure VI.1 : Influence du nombre de trains sur les temps de résolution du PLVM ............. 159
Figure VI.2 : Influence du nombre de trains sur les temps d’attente ..................................... 159
Figure VI.3 : Comparaison des temps d’attente des heuristiques avec ceux du PLVM ........ 160
Figure VI.4 : Calculs des temps d’attente moyens ................................................................. 162
Figure VI.5 : Boites à moustaches des temps d’attente des commandes dans les stations –
(gauche) comparaison entre les différentes approches, (droite) heuristique 4 ....................... 163
Figure VI.6 : illustration du calcul de « UB » ........................................................................ 164
6
Figure VI.7 : Moyennes des temps d’attente des commandes – Colonies de fourmis VS
PLVM ..................................................................................................................................... 179
Figure VI.8 : Etude bi-critère des performances des colonies de fourmis ............................. 180
Figure VI.9 : Comparaison de convergence des différentes variantes ................................... 181
7
Liste des Tableaux
Tableau I.1 : Répartition des transporteurs selon le PTAC des véhicules utilisés (Patier, 2004)
.................................................................................................................................................. 22
Tableau II.1 : Comparaison entre les caractéristiques de transport de voyageurs /
marchandises (Delaitre, 2014).................................................................................................. 41
Tableau V.1 : Plan de transport des commandes – 1ère solution ............................................ 130
Tableau V.2 : Plan de transport des commandes – 2ème solution ........................................... 131
Tableau V.3 : Notations utilisées dans le PLVM ................................................................... 133
Tableau V.4 : Notations additionnelles pour le cas de replanification ................................... 147
Tableau VI.1 : Synthèse des résultats du PLVM dans le cas prédictif ................................... 157
Tableau VI.2 : Résultats de la résolution d’instances (150 commandes, 30 trains, 10 stations)
................................................................................................................................................ 157
Tableau VI.3 : Nombre d’instances infaisables ..................................................................... 158
Tableau VI.4 : Résultats des heuristiques VS solutions optimales ........................................ 161
Tableau VI.5 : Résultats de la simulation sur les temps d’attente des commandes ............... 161
Tableau VI.6 : Synthèse des cas d’infaisabilité ...................................................................... 163
Tableau VI.7 : comparaison des taux d’utilisation des stations ............................................. 165
Tableau VI.8 : Synthèse des résultats de la seconde itération de la replanification ............... 166
Tableau VI.9 : Résultats de la 1ère itération – plan initial....................................................... 166
Tableau VI.10 : Liste des nouvelles commandes ................................................................... 167
Tableau VI.11 : Résultats de 2ème itération – 1ère replanification ........................................... 167
Tableau VI.12 : Illustration d’une table de Taguchi 𝑳𝟖(𝟐𝟕)................................................. 170
Tableau VI.13 : Niveaux des paramètres pour les variantes AS et MMAS ........................... 171
Tableau VI.14 : Niveaux des paramètres pour la variante ACS ............................................ 172
Tableau VI.15 : Table de Taguchi 𝑳𝟏𝟔(𝟒𝟓).......................................................................... 173
Tableau VI.16 : Table de Taguchi 𝑳𝟐𝟓(𝟓𝟔).......................................................................... 173
Tableau VI.17 : Résultats des essais pour la variante AS ...................................................... 174
Tableau VI.18 : Ratio S/N pour la variante AS ...................................................................... 174
Tableau VI.19 : Résultats des essais pour la variante MMAS ............................................... 175
Tableau VI.20 : Ratio S/N pour la variante MMAS .............................................................. 175
Tableau VI.21 : Résultats des essais pour la variante ACS ................................................... 175
Tableau VI.22 : Ratio S/N pour la variante ACS ................................................................... 176
Tableau VI.23 : Résultats des essais pour la variante MMACS ............................................ 176
Tableau VI.24 : Ratio S/N pour la variante MMACS ............................................................ 177
Tableau VI.25 : Résultats des variantes colonies de fourmis VS solutions optimales ........... 179
8
Introduction générale
Introduction Générale
9
Le transport de marchandises en ville et leur acheminement jusqu’au client final, représente le

maillon le plus important de la chaine logistique, avec un coût représentant jusqu’à 28% du
coût global (Wang, et al., 2016). En France, un programme national concernant les
« marchandises en ville », initié en 1993, a donné lieu à plusieurs études sur le terrain qui
mettent en évidence le poids économique et social de cette activité. Dans ce contexte, une
enquête dans la région Ile-de-France, réalisée entre 2011 et 2012, a permis les conclusions
suivantes (Toilier, et al., 2016) :
- La délocalisation des espaces de stockage vers la périphérie des centres villes, en

raison du coût foncier.
- Plus de 4 millions de livraisons / enlèvements hebdomadaires, dont le tiers lié au
commerce.
- Une fragmentation des livraisons induisant des taux de remplissage très faibles des
transporteurs en bout de chaîne.
- Difficulté de désynchroniser les pics de déplacements des gens et des marchandises.
- La densification du flux de marchandises avec une demande en croissance de 1,5%
annuellement au moins jusqu’en 2025.
Cette situation n’est pas propre à une région particulière, mais est largement répandue en
milieu urbain. En Europe, on attend le triplement des véhicules-kilomètres en milieu urbain à
l’horizon 2050, en particulier, pour le transport de marchandises (Van Audenhove, De Jongh,
& Durance, 2015). Ceci s’explique d’une part, par la densité de la population urbaine qui
représente 73% avec une tendance croissante (Nations United, 2015). D’autre part, les
changements du mode de consommation favorisent le e-commerce (Comi & Nuzzolo, 2016).
Le transport de marchandises en milieu urbain est quasi-exclusivement effectué par mode

routier (camions et camionnettes) (Lindholm & Behrends, 2012). En France, il représente
85% à 90% (Insee, 2015). Cependant, les limites de ce mode sont nombreuses puisqu’il
occupe 20% à 30% du trafic routier et cause entre 16% et 50% des polluants atmosphériques
(Dablanc, 2007). A Paris, 90% du fret urbain est effectué par des camions, représentant 20%
du trafic urbain et 1/3 des émissions de polluants dans la ville (Mairie de Paris, 2009).
L’Union Européenne « UE » a réagi face à ce constat en fixant un objectif de réduction des

émissions de dioxyde de carbone de 20% à l’horizon 2020, par rapport à son niveau en 1990
(OECD, 2014). En outre, la commission de transport de l’UE a fixé des objectifs très
ambitieux pour réduire à zéro, l’émission des polluants liés au transport de marchandises en
ville (European Commission, 2011). Cet enjeu est mondial, comme le prouve les accords
climatiques dont celui de décembre 2015, lors de la Conférence de Paris sur le climat
« COP21 ».
Ce contexte conduit à la nécessité de changer les pratiques actuelles, notamment concernant le

transport de marchandises pour un développement durable de nos espaces urbains. Ainsi,
plusieurs chercheurs ont proposé des solutions alternatives en combinant des modes de
transport durables, tels que l’électromobilité "E-Mobility" (MacHaris, et al., 2007), (Köhler,
et al., 2009), (Offer, et al., 2010), (Van Wee, et al., 2012) et (Van Duin, et al., 2013). Une
autre perspective est relative à l’usage du système ferroviaire, jusqu’à présent exclusivement
10
dédié au transport de voyageurs. L’introduction de la composante « marchandises » dans ce

réseau conduirait à l’émergence d’une solution de transport mixte fret / voyageurs. Cette
projection a été suggérée par l’opérateur francilien qui envisage d’intégrer ce service,
notamment à l’occasion du projet du Grand Paris Express. Ce projet qui est le plus grand
projet urbain en Europe, a pour ambition d’étendre le réseau actuel avec 200 nouveaux
kilomètres et 68 gares à bâtir. La perspective de mixité a déjà connue quelques
expérimentations, mais le niveau de partage des ressources est souvent faible. Dans cette
thèse, nous proposons une méthodologie pour accroitre et considérer le niveau maximal de
mutualisation possible, des ressources du système de transport ferroviaire. En particulier, une
méthodologie de modélisation et d’optimisation, pour permettre d’intégrer le flux de fret avec
celui des passagers. La méthodologie de recherche est schématisée ci-après.
Nos travaux sont structurés en 6 chapitres, que nous décrivons comme suit :
- Chapitre 1 : Ce chapitre décrit le contexte général du transport de marchandises. Il

permet de comprendre la situation actuelle, la règlementation en vigueur et les enjeux
d’une évolution certaine, en raison des limites du mode routier actuellement
prédominant. Enfin, nous présentons la situation en Ile-de-France, car nos travaux sont
basés sur une projection en utilisant son réseau ferroviaire de passagers.
- Chapitre 2 : D’abord on présente un état des lieux recensant les expérimentations et
projets relatifs au fret urbain, dont certains sont des cas de mixité. Nous présentons
ensuite la solution de mixité fret/voyageurs, en proposant une démarche
méthodologique pour l’intégration du fret, à un mode de transport ferroviaire en milieu
urbain. Pour ce faire, une première contribution est relative à une classification des
différents cas de mixité, en se basant sur le degré (niveau) de mutualisation (partage)
des ressources du système de transport ferroviaire. Cette classification permet entre
autres, d’évaluer la complexité de mise en œuvre de la solution de mixité. Une
seconde contribution consiste à identifier et décomposer la problématique globale, en
sous-problèmes ayant différents horizons décisionnels.
- Chapitre 3 : Le problème de détermination du plan de transport des marchandises
(Freight Rail Transport Schedule Problem « FRTSP ») est identifiée comme étant
central et critique. Avant de le formaliser et le résoudre, nous présentons les
différentes méthodes et outils qui sont utilisés dans le cadre de ces travaux de thèse.
L’approche par horizon glissant est également présentée, car elle est adaptée pour
replanifier le plan prédictif, afin de prendre en compte des perturbations liées aux
changements de la demande. Enfin, nous présenterons la simulation à évènements
discrets, comme outil d’évaluation de performances de notre système de transport et
les différents schémas de couplage, avec des méthodes d’optimisation.
- Chapitre 4 : Les hypothèses retenues pour le FRTSP sont d’abord précisées. Ce
problème permet de trouver le plan optimal de transport des marchandises, minimisant
le cumul de leurs temps d’attente, en utilisant une seule ligne ferroviaire pour
voyageurs. Afin d’appréhender le comportement de ce système et en l’absence d’une
expérimentation à l’échelle réelle, une approche par simulation est d’abord proposée
pour modéliser et simuler ce problème, en utilisant le logiciel ARENA.
11
- Chapitre 5 : L’optimisation du FRTSP pour obtenir un plan prédictif est d’abord

étudiée, en considérant la demande comme étant connue et fixée à l’avance. Dans un
premier temps, nous proposons une modélisation mathématique basée sur un PLVM,
pour formaliser le FRTSP. Ensuite, une approche par horizon glissant est adaptée,
pour la prise en compte de perturbations de la demande, qui permettra de recalculer le
plan de transport en minimisant les changements engendrés. Plusieurs variantes de
colonies de fourmis sont également proposées, pour les instances que le PLVM peine
à résoudre.
- Chapitre 6 : Ce chapitre est dédié aux expérimentations. La génération des instances y
est d’abord abordée. Ensuite, nous expliquons la démarche des plans d’expériences en
utilisant la méthode Taguchi qui est utilisée pour paramétrer chacune des variantes
des colonies de fourmis. Enfin, les résultats de la phase expérimentale sont rapportés
et une analyse des différents indicateurs de performance est réalisée.
12
Développement de la solution de
transport mixte
Discussions avec des experts Revue de littérature Observations sur le terrain
Définition de la solution de transport :

Mixité fret / voyageurs sur le réseau de transport
ferroviaire en milieu urbain
Étude des degrés d’intégration du flux de Identification des problématiques liées au

marchandises dans le réseau de transport de déploiement d’une telle solution de transport et
voyageurs classification par horizon décisionnel
Développement d’une méthodologie de

résolution des problématiques décisionnelles :
Cas du problème FRTSP
Définition d’un cas d’étude
Approche prédictive Replanification
Développement d’une approche de Développement d’une approche de

résolution résolution
PLVM Métaheuristiques Approche à horizon glissant
Développement d’un modèle de simulation à évènements

Ajustement de discrets et couplage Ajustement de
l’approche l’approche
Expérimentation, analyse des
résultats et conclusions
Méthodologie de la recherche
13
Chapitre I
Logistique et transport de marchandises

en ville
I. Chapitre I : Logistique et transport de marchandises en ville
14
CHAPITRE I : Logistique et transport de marchandises en ville
1. Introduction
Au moment où la circulation de l’information et le transfert des données se sont affranchies
des distances physiques grâce à l’évolution des technologies de télécommunications, la
circulation des biens physiques se voit à son tour confrontée au même challenge. En effet,
aujourd’hui les produits ne sont plus consommés localement, mais traversent parfois des
milliers de kilomètres avant d’arriver chez le consommateur final. Pour répondre à cette
nouvelle réalité, le transport de marchandises a dû s’adapter et se développer, ce qui l’a fait
évoluer et a fait émerger de nouvelles problématiques. Le transport de marchandises fait
partie d’une discipline beaucoup plus complète qui est la logistique. Ainsi, la section 2 de ce
chapitre est dédiée à la définition des concepts principaux de la logistique, ainsi qu’à
l’exploration des spécificités du transport de marchandises et de ses enjeux de manière
générale.
Avec l’augmentation des populations dans les villes et la densification de l’activité

commerciale en milieu urbain, la logistique a dû s’adapter aux spécificités de cet
environnement particulier. Ceci a conduit durant les années 1990, à l’émergence d’une
nouvelle problématique liée au transport de marchandises en ville. Dans la section 3 de ce
chapitre, nous allons étudier l’évolution du transport de marchandises pour se conformer aux
besoins de la logistique urbaine, ainsi que les spécificités de ce dernier.
L’idée qui a fait naitre ce travail de recherche, est la mutualisation du réseau de transport
ferroviaire de voyageurs en Ile-de-France, pour absorber une partie du transport urbain de
marchandises. Pour comprendre les motivations d’une telle proposition et le contexte d’une
possible mise en œuvre, dans la section 4 de ce chapitre, nous allons nous focaliser sur l’état
des lieux en matière de transport de marchandises dans cette région. Mais avant d’aborder ces
différents points, nous allons définir et rappeler quelques concepts clés.
2. Logistique et transport de marchandises : définitions et concepts

Dans le cadre de ce travail, nous n’allons pas faire la distinction entre logistique et chaine
logistique, conformément à l’approche adoptée par les européens (à la différence des anglo-
saxons qui y font la distinction).
Le Supply Chain Council définit la logistique comme étant : « la suite des étapes de
production et distribution d’un produit depuis les fournisseurs des fournisseurs du producteur
jusqu’aux clients de ses clients ». Aussi, la logistique peut se résumer en une équation (Islam,
et al., 2013) :
Logistique = approvisionnement de matières premières + gestion des matières premières et

des produits dans l’usine + distribution aux clients
Une schématisation de la logistique est donnée par la Figure I.1. La logistique est composée
de 5 éléments clés (Islam, et al., 2013) : transport, entreposage, inventaire, emballage et
traitement de l’information. En général, le transport est la principale composante de la plupart
des services logistiques. Les aspects clés de la gestion des transports comprennent les modes
15
de transport (tels que les voies par la route, ferroviaires, fluviales, aériennes, par pipelines,
multimodales ou intermodales), les infrastructures de transport, les conditions géographiques,
le type de livraison (par ex. express, normal, longue distance, dernier kilomètre…), la
planification du chargement, ainsi que l'itinéraire et la planification du transport.
Figure I.1 : Schématisation de la chaine logistique
Entre chaque deux acteurs de la chaine logistique, le processus de transport de marchandises

peut être plus complexe, en particulier, vers la fin de la chaine (côté « clients »). En effet, il
peut arriver que le transfert de produits entre deux acteurs passe par plusieurs étapes
intermédiaires, dont l’objectif est d’optimiser le processus de transport. La Figure I.2 illustre
cette décomposition supplémentaire et schématise la relation entre les expéditeurs, dépôts,
plateformes de correspondance et destinataires. Cette relation est assurée par des processus de
transport indépendants.
Figure I.2 : schématisation de la relation entre les acteurs principaux de la chaine logistique à travers des dépôts et
plateforme de correspondance (Islam, et al., 2013)
Concernant les modes utilisés pour le transport de marchandises, en France, quatre modes se
partagent cette activité : la route, le ferroviaire, le fluviale, et par pipeline. La segmentation du
16
marché du transport suivant la granularité des marchandises à transporter est donnée par la
Figure I.3. On remarque que le mode de transport ferroviaire assure, principalement, le
transport de marchandises de masse conditionnées et les marchandises en lots complets.
L’évolution de la part de chacun des modes de transport cités précédemment, sur les 30
dernières années est donnée par la Figure I.4 (données de (Insee, 2016)). On remarque que la
part du mode routier a augmenté tout au long de la période jusqu’en 2011 au détriment des
trois autres modes. Depuis 2010, on remarque le retour vers la croissance du mode de
transport ferroviaire, avec une moyenne annuelle de croissance de 3%.
Figure I.3 : Segmentation du transport de marchandises en France (Pimor & Fender, 2008)
100,00%
90,00%
80,00%
70,00%
60,00%
Pipelines
50,00% Transport fluvial
Transport ferroviaire
40,00%
Transport routier
30,00%
20,00%
10,00%
0,00%
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014
2015
Figure I.4 : Evolution des parts modales de transport en France
L’une des raisons qui explique l’évolution du marché du transport de marchandises et la

croissance de la part du mode routier, réside dans l’évolution de l’industrie et, plus
globalement, l’économie dans les pays développés. En effet, la part des industries lourdes a
fortement baissée en Europe ces dernières décennies (ex : industrie minière, aciérie…), alors
17
que les modes de consommation ont évolué (ex : produits personnalisés et juste à temps, e-
commerce…). Ainsi, le mode de transport routier est le plus adapté pour le transport de
produits en petite quantité (i.e. petits lots ou colis). En contrepartie, le mode de transport
ferroviaire qui est plus adapté au transport des produits de masse ou de lots importants, a subi
un recul de sa part dans le transport de marchandises.
Le transport routier domine les autres modes pour diverses raisons. L’association européenne
des véhicules de logistique mentionne quelques-uns de ses avantages comme suit :
- Il présente une grande flexibilité (temporelle et spatiale).

- C’est un moyen de transport direct « door-to-door ».
- Il requiert moins de manutention.
- Les délais de transit sont généralement plus courts.
Cependant, ce mode présente plusieurs inconvénients qui ont stoppé sa croissance depuis
2011, dont les principales :
- Saturation du réseau routier et des différentes infrastructures liées à ce mode.

- Impact environnemental important, à travers différentes formes de pollution (CO2,
particules fines, sonore…).
On peut citer d’autres inconvénients, tels que :
- Les restrictions légales (au niveau Européen) et législatives (au niveau de chaque
pays) sur les temps de conduite, les tonnages et dimensions, les horaires d’accès aux
villes, etc.
- La fluctuation des coûts de transport en fonction des marchandises à transporter et de
la quantité. En effet, il n’est pas très adapté pour le transport de grandes quantités sur
de longues distances, où les prix deviennent moins compétitifs.
Quant au mode de transport ferroviaire, plusieurs de ses inconvénients ont fait obstacle à son
développement, selon l’association européenne des véhicules de logistique on peut citer :
- La dépendance vis-à-vis de la route, en particulier pour la partie finale du transport.

- Le peu de flexibilité qui est liée à la dépendance de ce mode à une infrastructure
lourde à mettre en place (les voies ferroviaires). D’où, l’impossibilité d’effectuer du
« door-to-door », ainsi que la nécessité d’avoir une planification rigoureuse pour
l’utilisation des infrastructures.
- Les ruptures de charge qui requièrent des opérations de manutention supplémentaires.
- Les temps de transit sont longs.
- Le taux d’avaries est considéré comme élevé (en se basant sur les données de
l’historique).
Toutefois, ce mode de transport présente plusieurs avantages, qui font qu’il renoue avec la
croissance depuis 2010. Parmi ces avantages, on peut citer :
- Une capacité de transport plus grande.
18
- Un coût compétitif sur les grandes distances.

- Les équipements de transport sont peu polluants, ce qui améliore l’empreinte carbone
des produits transportés.
- Les mesures incitatives à l’utilisation de ce mode, aussi bien au niveau politique que
légal.
La complexité du processus de transport de marchandises est principalement liée au :
- Type de produit à transporter.

- La quantité (en volume et en poids).
- La distance à parcourir.
- Le changement du mode de consommation.
- La localisation de l’expéditeur et du destinataire.
- Le passage des marchandises par des dépôts / plateformes intermédiaires.
Pour faire face à cette complexité, l’évolution du transport de marchandises est

incontournable. En effet, il est nécessaire de proposer un processus de transport plus durable,
qui répond aux challenges de l’évolution du marché économique de manière éco-responsable,
comme en témoigne les accords de Paris lors de la COP21. Plusieurs chercheurs remettent en
question la compétition entre les différents modes de transport. Ils proposent de mettre en
œuvre des solutions de transport intermodal, combinant plusieurs modes et bénéficiant à
chaque étape des avantages du mode utilisé tout en évitant les inconvénients des autres
(Bhattacharya, et al., 2014), (Flodén & Williamsson, 2016), (Southworth & Peterson, 2000),
(Macharis, et al., 2011) et (Flodén, 2007).
Le transport intermodal nécessite d’avoir une vision globale du processus de transport, dans le
but d’identifier le moment et le lieu idéal pour procéder à une rupture de charge. La question
relative à la sélection du meilleur mode de transport, apporte une réponse plus complète, avec
des possibilités de faire du door-to-door, notamment avec l’utilisation de véhicules
électriques, pour assurer le dernier kilomètre par exemple. Le transport intermodal est défini
par (Macharis & Bontekoning, 2004) comme la combinaison d'au moins deux modes de
transport dans une seule chaîne de transport, sans changement de conteneur pour les
marchandises, avec la plupart des itinéraires parcourus par voies ferroviaires, par voies
navigables ou océaniques et avec les parcours initiaux et finaux les plus courts possibles par la
route.
Ces notions restent valables à l’échelle de la ville. Cependant, les spécificités des zones
urbaines nécessitent d’apporter quelques adaptations et de définir certaines notions
complémentaires.
3. Transport de marchandises en ville

Le transport de marchandises en ville « TMV » se compose de deux types d’opérations :
livraisons et enlèvements. Les chercheurs se sont intéressés concrètement aux problématiques
qui y sont liées, à partir des années 1990. Cependant et à ce jour, il n’y a que peu de visibilité
sur sa pratique en général. En effet, on compte un nombre très important d’intervenants
19
hétérogènes, qui sont impliqués dans le TMV de manière assez peu efficace, en raison
d’objectifs divergents ou bien d’un manque de coordination. Aujourd’hui, le TMV gagne de
l’importance aux deux niveaux :
- Economique : il doit absorber une activité économique qui connait une importante
croissance en milieu urbain.
- Social : il représente une part qui va continuer à croitre, de l’activité professionnelle
des citadins.
Le TMV est considéré comme étant nécessaire pour la ville, malgré les désagréments
engendrés en termes de réduction de la qualité de vie pour les citadins (ex : divers types de
pollutions, densification du trafic routier, etc.). Un autre effet néfaste est lié à la charge de
travail générée pour les collectivités (ex : gestion des flux supplémentaires de véhicules en
ville et des incidents qui y sont liés, adaptation des infrastructures de la ville aux spécificités
des véhicules lourds, gestion de l’impact environnemental, etc.).
Plus généralement, l’étude des flux de marchandises en ville reste très difficile et peu d’études
de terrain existent. En particulier, en raison des spécificités du mode routier (principal mode
de TMV) qui ne laisse entrevoir que peu de visibilité sur ses pratiques (particulièrement en ce
qui concerne : les types de marchandises transportées, la quantité par véhicules, le nombre de
livraisons pour compte propres, etc.), ainsi, les données disponibles sont peu précises
(Augereau, 2009).
Dans cette section, nous allons nous intéresser aux enjeux du TMV, aux pratiques actuelles et
cadre légal et juridique qui le régissent, ainsi qu’aux propositions d’évolution de ce dernier,
pour prendre en charge sa complexité et réduire ses nuisances.
3.1. Enjeux du TMV

Le TMV est indispensable pour le bon fonctionnement et la pérennisation des activités
humaines en ville. Dans (Boudouin & Morel, 2002), les enjeux du TMV sont déclinés en cinq
grandes catégories :
- Enjeux fonctionnels : les perspectives de croissance et de développement d’une ville

sont fortement corrélées à la croissance de circulation de produits. Ainsi, l’objectif
n’est pas de réduire le TMV ou de le remettre en question dans sa globalité, mais
plutôt, dans sa mise en pratique actuelle. Pour un bon fonctionnement de la ville, il est
nécessaire de rendre compatible les flux de marchandises en ville et les spécificités et
autres besoins de cette dernière. Cette catégorie d’enjeux et d’autant plus importante
que les responsables et décideurs locaux n’ont pas intégré cette dimension dans leurs
réflexions. Donc, il s’agira aussi de les sensibiliser à cette dernière.
- Enjeux économiques : le transport de marchandises est ce qui lie les producteurs aux
clients, autrement dit, c’est le maillon indispensable du modèle économique global. De
plus, ces dernières années, une mutation du modèle de consommation des citadins a
été constatée. En effet, de plus en plus les clients passent leurs commandes
directement de chez eux, pour les réceptionner le plus rapidement possible et le plus
proche de chez eux. L’impact de cette évolution est la démultiplication du nombre de
20
transporteurs et du nombre de livraisons en milieu urbain. Ainsi, pour rester

compétitifs et préserver la vitalité économique de la ville, ces transporteurs doivent
améliorer leur productivité dans un environnement plus contraint.
- Enjeux environnementaux : ces enjeux sont les plus critiques à ce jour. En effet, la
dégradation de la qualité environnementale dans plusieurs grandes villes à travers le
monde, représente l’argument le plus fort, en faveur du besoin de changement dans les
pratiques actuelles qui contribuent à cette dégradation. Le TMV doit évoluer pour
répondre à ces nouveaux enjeux, car il est à noter que les opérations de transport dans
les villes, qui représentent entre 20% et 30% du trafic routier, produisent entre 16% et
50% des polluants atmosphériques selon le polluant considéré (Dablanc, 2007). Parmi
ces polluants, on peut citer : les particules fines, les composés organiques volatiles, le
CO, le CO2, les NOx, les hydrocarbures imbrûlés, etc.
- Enjeux sociaux : l’activité de transport de marchandises a un poids très important au
niveau du marché du travail. A titre d’exemple, en France ce secteur représente 5,1%
de l’emploi total (pôle-emploi, 2012). Au-delà du nombre d’emplois générés, un autre
enjeu du TMV est de proposer en milieu urbain des emplois qui ne requièrent pas, ou
peu de qualification, voire qui se greffent à d’autres emplois (ex : point relais).
- Enjeux urbanistiques : ces enjeux représentent un réel défi pour les villes, car il s’agit
de faire évoluer leur urbanisme, dans le but d’inclure les infrastructures nécessaires à
l’accomplissement de l’activité de TMV. Cette évolution passe par : des rues plus
adaptées, un plan de circulation pensé pour les deux flux « personnes » et
« marchandises » simultanément, ainsi que des espaces logistiques indispensables pour
le TMV.
3.2. Etat des lieux et pratiques actuelles

Durant les années 1990, l’enquête nationale « Transport de Marchandises en Ville », qui a été
réalisée dans trois ville (Bordeaux, Marseille et Dijon), a démontré que les différentes
données relatives au TMV étaient indépendantes de la ville ou du type de ville. D’ailleurs,
cette conclusion a permis de proposer un outil de modélisation générique, qui permet
d’évaluer l’impact des flux de marchandises sur les infrastructures de la ville, ainsi que de
simuler les évolutions futures en fonction de différents scénarios (Routhier, et al., 2001). La
situation actuelle des pratiques de TMV, peut être résumée à travers les points suivants :
- Une première caractéristique du TMV est l’hétérogénéité des acteurs et de leurs

objectifs. La Figure I.5 montre les trois acteurs majeurs et les intérêts qu’ils défendent.
L’encadrement de ces différents acteurs est assuré par les responsables locaux, qui
doivent intégrer l’importance et les préoccupations de chaque acteur dans leurs prises
de décisions. Ce qui doit s’effectuer en essayant de converger vers le meilleur
équilibre possible entre les divergences qui peuvent s’exprimer.
- Une seconde caractéristique réside dans la multiplicité des transporteurs, entre « pour
compte propre (i.e. soit le destinataire se livre avec ses propres véhicules, soit c’est
l’expéditeur qui livre ses clients avec ses propres moyens de transport) » et « pour
autrui (i.e. la sous-traitance de l’activité de transport) », sachant que la majeure partie
« 60% » se fait pour compte propre (Patier, 2004). Le Tableau I.1 montre la répartition
21
des transporteurs selon le PTAC (Poids Total Autorisé en Charge) des véhicules
utilisés, ainsi que les usagers. Nous remarquons que la portion majoritaire du TMV
« 53% » est assurée par des véhicules légers (PTAC < 3,5 t), dont 78% pour compte
propre. Ceci s’explique par l’adéquation de ce type de véhicule avec les spécificités de
la ville.
- Une troisième caractéristique concerne un phénomène très répandu du TMV, à savoir
le stationnement illicite pour procéder aux livraisons / enlèvements (ex : en double file
ou sur les trottoirs). Certes, les temps d’arrêt sont faibles (60% des livraisons durent
moins de 5 minutes), cependant, en centre-ville la part des stationnements illicite est
d’en moyenne 60% et peut dépasser, dans certain cas, les 80%. Cette pratique
engendre des situations dangereuses, aussi bien pour les citadins, que pour les
transporteurs.
Figure I.5 : Les acteurs du TMV et leurs intérêts (Courivault, 2004)
Tableau I.1 : Répartition des transporteurs selon le PTAC des véhicules utilisés (Patier, 2004)
PTAC < 3.5 t <7t < 12 t < 19 t >19 t Articulés

Répartition % 53% 6% 10% 13% 2% 16%
Répartition selon les usagers
Compte propre 78% 40% 40% 48% 45% 24%
Compte d’autrui 22% 60% 60% 52% 55% 76%
- Une autre observation intéressante concerne la répartition des livraisons / enlèvement
au cours d’une journée ordinaire (Figure I.6), nous pouvons noter que les pics des
livraisons / enlèvements sont décalés de 2 heures environ, par rapport à ceux des
personnes. Une seconde remarque pertinente est cette concentration des livraisons /
enlèvements en milieu de matinée et en milieu d’après-midi avec une quasi-absence
durant la nuit (de 20h à 4h).
- Les activités commerciales qui se situent en ville sont très variées, cependant, elles ne
sont pas toutes égales en matière de génération de mouvements. La Figure I.7 montre
la répartition des activités commerciales dans une agglomération type, ainsi que la
22
génération moyenne de mouvements par chaque type d’activités. Nous remarquons

que les activités de commerce de gros / détail + les activités à caractère industriel
(principalement des activités liées aux entrepôts), représentent plus de la moitié des
mouvements générés.
Figure I.6 : Répartition des livraisons / enlèvement au cours d’une journée ordinaire
Figure I.7 : Répartition des activités commerciales en ville et mouvements générés (Courivault, 2004)
- Dernier élément de la situation actuelle (et non des moindres), c’est la génération des
nuisances sous ses différentes formes. Comme nous l’avons évoqué au point
précèdent, l’impact environnemental du TMV est très important, cependant, d’autres
types de nuisances sont à déplorer :
 Les nuisances sonores : à faible vitesse, les moteurs diesels des véhicules de
transport de marchandises génèrent beaucoup de bruit. De la même manière, à
23
grande vitesse, c’est les roulements sur la chaussée qui en sont la cause.
D’autres bruits sont à constater, tel que le groupe frigorifique (des camions qui
en sont équipés), ouverture et fermeture des portes, l’utilisation du hayon
élévateur, etc.
 Les mauvaises odeurs des gaz d’échappement.
 L’accentuation de la congestion des rues.
 La dégradation de la chaussée et des trottoirs lors du stationnement des
véhicules lourds.
 Impact négatif sur le paysage urbain.
3.3. Cadre légal et règlementaire

Un premier cadre règlementaire, est celui établi par l’union européenne et qui s’applique à
tous les pays de l’union. Cependant, il ne concerne qu’un volet très réduit de l’activité de
transport de marchandises, qui considère principalement : les émissions de polluants (dernière
norme en vigueur « Euro 6 »), les émissions sonores, ainsi que certaines normes de sécurité,
auxquelles doivent se soumettre les véhicules de transport de marchandises. En adéquation
avec ce cadre global, chaque pays établit son propre cadre réglementaire. En France, que cela
soit au niveau national ou bien local, plusieurs lois et règlementations encadrent le transport
de marchandises en milieu urbain. Ces dernières sont rapportées dans (Dufour, et al., 2007).
Dans ce qui suit, on en fait une synthèse :
- Au niveau national, la règlementation en matière de transport de marchandises en

milieu urbain, se décline à travers trois rubriques comme suit :
 En matière de transport : à l’échelle des agglomérations, les différents principes

de l’organisation des transports de personnes et des marchandises sont fixés par
la loi « LOTI » (Loi d’Orientation des Transports Intérieurs). Dans le cadre de
cette dernière, le transport et la livraison des marchandises sont mentionnés de
façon à en réduire les impacts sur la circulation et l’environnement. De plus,
depuis 1998 et afin de réguler l’activité de TMV, un décret oblige tout
transporteur pour autrui avec des véhicules de 3,5 tonnes ou moins, à s’inscrire
au registre des transporteurs.
 En matière d’urbanisme : comme mentionné précédemment, l’activité
commerciale a un impact direct sur les trafics de véhicules des personnes et de
marchandises. Ainsi, différentes lois ont été promulguées successivement
(1973 : loi Royer, 1990 : loi Doubin, 1991 : loi d’orientation pour la ville,
1993 : loi Sapin, 1995 : loi Barnier, 1996 : loi Raffarin), pour essayer
d’encadrer l’implantation et le développement des équipements commerciaux
et des grandes surfaces en ville. D’autre part, en 2000, la loi LOTI a été
réformée sur le volet planification, en intégrant la problématique
« marchandises ». Ceci devrait permettre d’avoir une plus grande mixité des
activités par zone urbaine et, ainsi, favoriser l’implantation d’équipements
logistiques et commerciaux.
 En matière d’activité de livraison : l’activité de transport urbain de
marchandises n’existe pas dans les nomenclatures d’activité. Cependant,
24
comme cette activité fait intervenir trois composantes (les transporteurs, les
véhicules de transport et les espaces de livraisons), focalisons-nous sur ce que
mentionne la loi à leur sujet. D’abord, en ce qui concerne les professionnels qui
exercent dans cette activité, à travers l’utilisation de véhicules légers (<3,5 t),
ce n’est que depuis 2004 que le statut de chauffeur-livreur de véhicules
utilitaires légers existe. Ensuite, les véhicules utilitaires légers, qui sont
principalement utilisés pour les livraisons en ville, n’ont aucune définition
fonctionnelle. A la différence des poids lourds, leurs utilisations ne sont pas
encadrées par la loi ainsi, leur usage réel n’est pas officiellement connu. Enfin,
les espaces réservés à l’arrêt des véhicules effectuant un chargement ou un
déchargement de marchandises, n’ont été définis par la loi qu’en 2000.
Cependant, il manque de la précision en ce qui concerne la définition des temps
d’arrêt pour procéder aux livraisons.
- Au niveau local, la règlementation consiste en des textes adoptés par les instances
locales, à mettre en œuvre dans la localité correspondante. La circulation et le
stationnement en ville relèvent des prérogatives de la Mairie. Ainsi, c’est à cette
dernière de définir les différentes règlementations à appliquer à ce niveau. Que cela
soit pour les gabarits des véhicules, les horaires de livraison et les véhicules autorisés
pour chaque horaire, ou la durée de stationnement, chaque localité fixe ses propres
règles. Ce qui conduit sur le terrain, à des situations peu pratiques pour les
agglomérations. A titre d’exemple, en Ile-de-France, en 2004 il y avait 120
réglementations différentes (heures possibles d’entrée dans les différents quartiers et
gabarit de véhicules autorisés, itinéraires possibles en fonction des sens de circulation,
durée et lieux de stationnement pour livrer). Depuis, des guides d’harmonisation de la
règlementation ont été mis en place, mais un flou persiste au niveau des transporteurs
et logisticiens. Aussi, il faut noter que les réglementations locales diffèrent
énormément d’une agglomération à une autre, ce qui engendre pour des transporteurs
qui interviennent dans des agglomérations différentes, un surplus de complexité
technique, organisationnel et administrative.
3.4. Complexité du transport de marchandises en ville

Comme mentionné dans la section 3.2, le TMV fait intervenir plusieurs acteurs différents,
avec des objectifs pas toujours compatibles. A cela, s’ajoute la complexité de l’organisation
de l’activité de TMV comme le montre la Figure I.8. En effet, le TMV est la source de l’une
de ces trois activités :
- L’approvisionnement des ménages : il représente 50% des mouvements liés au

transport de marchandises. Il concerne :
 Les livraisons directes aux habitations ou en points relais, principalement liées

au e-commerce.
 Les achats dans la grande distribution, qui se situe en général, à la périphérie
des villes.
25
 Les achats dans les commerces de détail, qui se situent dans les centres villes
(magasins de proximité).
- Les échanges inter-établissements : ils représentent 40% des mouvements liés au

transport de marchandises. Il s’agit principalement de :
 Livraisons entre les unités de production situées à proximité des

agglomérations.
 Approvisionnement des entrepôts de stockage aux bords des villes.
 Approvisionnement des centres de distribution pour les livraisons en ville.
 Approvisionnement des magasins (grande distribution et magasins de
proximité).
 Livraisons pour le compte des services publiques.
- Les flux de gestion urbaine : ils représentent 10% des mouvements liés au transport de
marchandises. Ils correspondent à deux types de flux :
 Le transport de tous les types de déchets : ménagers, issues de l’activité

commerciale, issues du fonctionnement des infrastructures publiques, ainsi que
les déchets produits par l’activité du BTP.
 Le transport des matériaux de construction.
Figure I.8 : Les différentes formes de transport de marchandises en ville
Deux modes organisationnels principaux en matière de livraison en ville sont à relever :
- Mode de livraison directe (Figure I.9) : il s’agit de transporter les marchandises d’une
commande, à partir d’un seul lieu d’expédition, à destination d’un seul lieu de
livraison.
26
- Mode de livraison par tournée : il s’agit d’effectuer un certain parcours en ville, pour
livrer plusieurs établissements. Ce mode de livraison présente deux variantes, en
fonction de l’organisation du transporteur et des infrastructures logistiques de la ville.
 Tournées optimisées par transporteur (Figure I.10) : dans ce cas, le véhicule du

transporteur est chargé avec des marchandises à livrer dans plusieurs lieux de
la ville. Ainsi, il s’agira pour lui d’optimiser sa tournée en fonction de ses
propres objectifs. Ce mode de tournées est caractérisé par des entrepôts situés
assez loin de la ville et de longues tournées, durant lesquelles les véhicules sont
peu chargés.
Figure I.9 : Mode de livraison directe
Figure I.10 : Mode de livraison par tournée - optimisée par transporteur (Interface Transport, 2006)
 Tournées optimisées par destinataire (Figure I.11) : ce cas de figure requiert la

présence d’espaces logistiques en ville, dans le but de regrouper les
marchandises de plusieurs expéditeurs. Par la suite, ces marchandises sont
regroupées par destination (quartiers, rues ou arrondissements), et transportées
par des véhicules adaptés aux spécificités des zones desservies.
3.5. Evolution et perspectives futures du TMV

Pour faire face aux défis actuels, ainsi qu’aux évolutions prochaines de la logistique urbaine et
du TMV, plusieurs pistes d’amélioration sont explorées et expérimentées sur le terrain. La
conclusion commune est celle de la nécessité de mutualiser les composants techniques,
technologiques et organisationnels de la logistique (Montreuil, et al., 2012). D’autre part,
27
(Dufour, et al., 2007) présente une synthèse de certaines perspectives intéressantes, qu’on
présente à travers les points suivants.
Figure I.11 : Mode de livraison par tournée - optimisée par destinataire (Interface Transport, 2006)
3.5.1. Centres de Distribution Urbains « CDU »

L’une des pistes les plus avancées est celle du développement d’Espaces Logistiques Urbains
« ELU ». Actuellement, la majeure partie des transporteurs opère suivant le mode de tournée
optimisée par transporteur, avec des plateformes d’expédition situées assez loin des
agglomérations. Les ELU permettent le déploiement du mode de tournée optimisée par
destinataire, qui est générateur de moins de véhicules-kilomètres pour livrer la même quantité
de marchandises. La typologie de l’ELU à implémenter, dépend de l’échelle urbaine cible,
comme le montre la Figure I.12.
Figure I.12 : Typologie des ELU en fonction de la couverture spatiale de la ville (Boudouin, 2006)
A l’échelle de la ville (ou partie de la ville, dans le cas des agglomérations très étendues),
c’est les CDU qui sont proposés. En effet, ils représentent l’interface logistique entre la ville
et l’extérieur et permettent une gestion des flux entrant et sortant homogènes, en groupant et
28
dégroupant les marchandises de manière à optimiser leur transport. Selon (Browne, et al.,
2005), trois types de CDU sont à considérer :
- CDU privés / semi-privés : ils sont mis en place par des opérateurs ou chargeurs pour
leur propre compte, dans le but d’optimiser économiquement leurs activités.
- CDU mutualisés : ils sont mis en place par les autorités publiques, dans le but
d’améliorer la qualité de service de TMV et de minimiser ses impacts négatifs sur la
ville.
- CDU spécifiques : ils sont déployés de manière temporaire, pour assurer
l’approvisionnement d’activités temporaires en ville, tels que les chantiers de
construction. Il peut y avoir aussi des CDU de ce type mis en place de manière
permanente, dans le but de servir de plateforme de transbordement pour les aéroports
et ports fluviaux ou maritimes.
A l’échelle Européenne, plusieurs expériences de CDU ont été menées. On compte plus d’une
dizaine de CDU en cours d’exploitation en France, ainsi qu’en Italie, un autre à San Sebastian
en Espagne, etc. Cependant, plusieurs autres CDU ont été suspendus / arrêtés en raison de la
non rentabilité de ces derniers. Une étude de ces espaces logistiques a été réalisée dans
(Gonzalez-Feliu, et al., 2013), où trois facteurs de succès ont été identifiés :
- La concertation avec les principaux acteurs (transporteurs, la collectivité et les acteurs

économiques de la ville).
- L’accompagnement par des politiques locales favorables, telles que la restriction de
l’accès au centre-ville.
- La recherche de l’équilibre financier, à travers une gestion opérationnelle adaptée du
CDU. Dans le cas où cela est insuffisant, la nécessité de mettre en œuvre des
subventions publiques, dans le but de prendre en charge une partie de la prestation.
Ces expériences ont permis l’observation de plusieurs avantages, au déploiement d’un tel
schéma organisationnel, tels que : la réduction de l’impact environnemental, la réduction de la
congestion et des accidents, ainsi que le développement de nouveaux emplois. Cependant, ces
bénéfices n’ont pas encore été quantifiés et aucune méthodologie n’a encore été proposée,
pour relier la mise en place de CDU et l’impact que cela aurait sur la ville.
3.5.2. Les règlementations du stationnement

Comme présenté précédemment, l’une des problématiques du TMV est l’arrêt pour la
livraison (chargement / déchargement) qui, actuellement, est effectué en général de manière
illicite. Pour remédier à ce problème, des réglementations innovantes sont expérimentées dans
plusieurs pays européens, on peut citer :
- Lyon : limitation du temps de stationnement à 10 mn pour tous les usagers, ce qui crée
éventuellement, plus de places de stationnement pour les livraisons.
- Saint-Denis de la réunion : contrôle des zones dédiées aux livraisons par des agents,
dans le but d’assurer le respect de la règlementation.
- Amsterdam : utilisation d’un bateau par DHL comme arrière base pour les livraisons,
et livraison du dernier kilomètre par vélo, qui ne requiert pas de zone de
stationnement.
29
- Barcelone : les voies latérales des rues avec une forte activité commerciale et une forte
circulation, sont réservées aux livraisons.
- Copenhague, Aalborg et Aarhus : mise en place d’une réglementation qui permet des
arrêts étendus pour les entreprises qui respectent certaines conditions, qui contribuent
à l’amélioration de la qualité de vie en ville.
Toutes ces expériences et plusieurs autres, dont certaines ont réussi et d’autres ont échoué,
montrent que les solutions à déployer dans les différentes villes seront forcément hétérogènes,
puisqu’ils devront s’adapter aux spécificités des lieux de leur mise en œuvre. Aussi, elles
montrent qu’il n’y a pas encore de consensus sur des solutions qui satisfont les besoins et les
contraintes des transporteurs, tout en réduisant l’impact sur la qualité de vie en ville.
3.5.3. Repenser l’activité commerciale en centre-ville

La part majoritaire des déplacements de véhicules pour le transport de marchandises est
effectuée par les particuliers, qui font leurs achats dans les magasins de la grande distribution,
généralement situés dans la périphérie des villes. Pour réduire ces déplacement, plusieurs
expériences sont développées par les villes, à travers la mise en place de politiques pour
encourager la réimplantation des « petits » commerces de proximité et inciter les acheteurs à
s’approvisionner chez ces derniers. A titre d’exemple, à Versailles, une expérience permet aux
acheteurs de se faire livrer gratuitement leurs courses à partir des magasins de la ville sur
simple appel téléphonique.
3.5.4. Introduction des managers des centres villes

Le manque de coordination entre les différents acteurs présentés précédemment, réduit
grandement la performance du TMV. Pour pallier ce problème, en Grande-Bretagne, une
nouvelle fonction dans la ville a été créée. Il s’agit du manager de la ville dont le rôle
principal est d’assurer la coordination entre les différents acteurs de la ville (entre autre les
transporteurs), dans le but d’améliorer la performance globale. Pour cela, il arbitre et trouve
des compromis entre les objectifs de ces différents acteurs. En France, certaines villes
expérimentent cette nouvelle fonction. Ainsi, 50 managers de centre-ville se sont regroupés en
un club, qui a pour objectif de définir leurs rôles dans la refonte des centres villes.
3.5.5. Apport des TIC

Les nouvelles technologies de l’information et de la communication permettent de développer
de nouvelles solutions innovantes, en matière de TMV. Parmi les applications rendues
possibles, on peut citer : le suivi en temps réel des véhicules, le tracking des colis et des
marchandises, l’ajustement en temps réel des parcours de véhicules pour l’optimisation des
tournées, etc. Ces applications ont connu un développement important avec l’explosion de
l’activité du e-commerce. Cependant, leur diffusion reste contenue, en raison de la complexité
de l’activité du TMV qui, d’après les transporteurs, ne peut être gérer par des logiciels sans
intervention humaine. Ces nouvelles technologies sont aussi expérimentées par les autorités
pour le contrôle du respect de la règlementation, à titre d’exemple : des caméras pour le
contrôle des temps d’arrêt lors des livraisons, des bornes d’accès à certaines zones de la ville
en fonction des horaires et du type de véhicule, etc.
30
4. Exemple du TMV en Ile-de-France (Paris intra-muros et sa

périphérie)
La région d’Ile-de-France est l’une des plus densément peuplée en France (12 millions
d’habitants) et des plus complexes, en particulier, dans Paris intra-muros avec ses nombreux
quartiers historiques. Cette région fait face à un défi logistique de taille, puisqu’elle comptait
à la fin de 2014, 1,4 millions d’établissements actifs, dont presque 80% sont des
établissements de commerce, transports et services divers (Insee, 2014), avec 40% qui sont
localisés à Paris. Ainsi, en 2014 plus de 200 millions de tonnes de marchandises ont été
transportées à travers toute la région (SitraM-I, 2017). A noter que 90% de ces tonnages, sont
représentés par quatre catégories de marchandises. Durant ces 15 dernières années, la
répartition par catégorie s’est présentée comme suit :
- Matériaux de construction : plus de 35%.

- Produits manufacturés et messagerie : moins de 35%.
- Produits alimentaires : environ 10%.
- Produits agricoles : moins de 10%.
De plus, l’évolution du mode de consommation (achats plus fréquents toute l’année avec des
pics saisonniers) et l’impact qu’engendre la croissance continue du e-commerce, présagent
une explosion du nombre de kilomètres parcourus, pour transporter des colis de plus en plus
petits.
Les statistiques de la mairie de Paris (Mairie de Paris, 2009) montrent que 90% du TMV est
effectué par la route, représentant 20% de tout le trafic urbain. Ces 20% sont à l’origine d’un
tiers des émissions de polluants (tout type de polluants confondus), avec jusqu’à 50% des
émissions de particules, 50% des émissions de NOx et SO2, ainsi que 25% de CO2.
Des enquêtes de la chambre de commerce et d’industrie de la région Paris Ile-de-France, ainsi

que de la mairie de Paris – direction de la voirie et des déplacements, réalisées en 2014,
dressent une photographie de la situation actuelle du TMV comme suit :
- Type de motorisation des véhicules routiers utilisés pour le TMV : 87% de diesel, 11%
d’essence et seulement 1% de véhicules propres. A noter qu’à l’horizon 2020, tous les
véhicules à motorisation diesel, seront interdits de circulation dans Paris intra-muros.
- Age des véhicules : seulement 40% des véhicules ont été mis en circulation après
2010.
- Nombre de zones de livraison à Paris : à la fin 2015, on comptait environs 9 000 zones
de livraison, dont 7 000 zones dites partagées (i.e. qui peuvent être utilisées par tous
les véhicules, sur des périodes définies de la journée et de la semaine) et 2 000 dites
sanctuarisées (i.e. qui sont exclusivement réservées à la livraison). Ce nombre peut
être considéré comme important, mais rapporté au nombre d’établissements (plus de
500 000 à Paris), il devient très faible (1 zone de livraison pour 55 établissements et
seulement 1 zone sanctuarisée pour 250 établissements).
- Evolution du trafic des véhicules utilitaires et des poids lourds dans Paris intra-muros
et sur le corridor périphérique : comme le montre la Figure I.13, sur les 15 dernières
31
années, la moyenne journalière du trafic de véhicules utilitaires a été plus ou moins

stable dans Paris intra-muros, alors qu’elle a enregistré une augmentation d’un peu
plus de 10% sur le corridor périphérique. D’autre part, le trafic des véhicules poids
lourds a fortement baissé (environ 55% sur toute la période) dans les deux espaces
concernés. Cette évolution traduit parfaitement l’évolution du mode de consommation
et la demande de produits de plus en plus personnalisés en mode juste à temps. En
effet, cette évolution fait que les besoins en transport concernent des quantités de
marchandises de plus en plus faibles, mais de manière beaucoup plus fréquente. Les
véhicules utilitaires sont plus adaptés à ce type de demandes, que les véhicules poids
lourds.
Figure I.13 : Evolution du trafic des véhicules de TMV à Paris et sa périphérie – moyenne journalière
- Evolution du trafic fret ferroviaire en Ile-de-France (réalisé par la filiale fret de la

SNCF) : depuis 2010, le trafic global stagne au tour des 5 millions de train.km. Ce
transport concerne quasi-exclusivement, la livraison de marchandises en grandes
quantités, dont l’origine d’expédition est assez loin de la région Ile-de-France. Il s’agit
principalement de l’approvisionnement des entrepôts situés dans les régions
périphériques de l’Ile-de-France.
- En ce qui concerne le trafic de fret fluvial, il ne concerne quasi-exclusivement, que le
transport de marchandises en vrac (ex : matériaux de construction). Sur ces 15
dernières années, il stagne autour des 15 millions de tonnes transportées annuellement,
avec une progression continue du nombre de tonnes.km (de 2 000 millions tonnes.km
à 3 000 millions tonnes.km), ce qui correspond à plus de livraisons par bateau, mais
avec moins de marchandises transportées à chaque livraison.
4.1. Infrastructures logistiques en Ile-de-France

La région d’Ile-de-France dispose d’infrastructures logistiques très importantes, qui sont
caractérisées comme suit (Paris Region, 2017) :
- 12 000 km de réseaux routiers, avec 613 km d’autoroutes. Ce réseau se classe en

première position dans toute l’Europe.
32
- 500 km de voies navigables, avec 70 ports urbains sur une surface de 1 000 ha. Ce qui
permet à cette région d’être la plus couverte en France par ce mode de transport et en
2ème position, au niveau européen.
- Réseau ferroviaire dédié au fret composé de 111 stations et connecté à 640
installations fret.
- 1 million m2 d’entrepôts de stockage, avec 6 plateformes multimodales et 6 terminaux
de containers.
La Figure I.14 montre la distribution des différentes infrastructures dédiées au fret dans toute
la région. Nous remarquons que la majeure partie de ces infrastructures se situe au nord et au
sud de la région parisienne, à plusieurs dizaines de kilomètres de la ville de Paris. A noter que
les stations ferroviaires de fret et les ports situés dans les principaux centres logistiques sont
principalement utilisés pour interconnecter la région au reste de la France (ou de l’Europe), et
non pas à desservir la région elle-même.
Figure I.14 : Infrastructures et sites logistiques dans la région Ile-de-France (Paris Region, 2017)
Il faut noter que la situation actuelle des sites logistiques dans cette région, est le fruit d’une
tendance d’externalisation des activités logistiques de la ville de Paris vers la banlieue, qui
s’est poursuivie durant plusieurs décennies (Dablanc & Andriankaja, 2011). Cette tendance a
été portée par la recherche permanente des acteurs économiques, de la réduction des coûts
logistiques. En effet, en banlieue il est possible d’avoir des surfaces plus importantes à des
coûts bien plus bas qu’au centre de Paris. Cependant, cette optimisation économique a eu un
33
impact non négligeable sur les coûts environnementaux de cette activité (i.e. dégradation de la
qualité environnementale), ainsi que sur la croissance du flux de véhicules utilitaires en ville
et dans la périphérie.
4.2. La gestion du transport de marchandises en région parisienne

Le transport de marchandises en région parisienne n’a été intégré dans la politique des
déplacements qu’en 2002. Cinq objectifs principaux ont été fixés, en vue de promouvoir et de
faire émerger une activité économique respectueuse des principes du développement durable.
Ces objectifs sont :
- La réduction des impacts environnementaux.

- La maitrise de l’espace public occupé par le TMV.
- L’installation d’outils logistiques spécifiques (infrastructures).
- Le développement de l’efficacité sociale et économique du TMV.
- L’amélioration de l’attractivité économique de la région.
Les leviers pour atteindre ces objectifs sont :
- La promotion du transfert modal du mode routier vers le mode ferroviaire et le fluvial.

- L’amélioration de la règlementation relative au TMV et l’utilisation des zones de
livraison.
La procédure d’intégration de l’activité de TMV à la politique générale de la ville, s’est
articulée autour de deux étapes principales, à savoir, l’adoption de mesures en fonction des
concertations, ainsi que l’apprentissage par les expérimentations. Dans (Chiron-Augereau,
2009), une décomposition détaillée de ces étapes a été réalisée (la première étape ayant été
décomposée en deux sous-étapes) :
4.2.1. La concertation
Il s’agit de réunir tous les acteurs du TMV au sein du même groupe de travail, dans le but
d’identifier les attentes et besoins de chaque acteur et de trouver les meilleurs compromis
entre ces derniers. Les acteurs principaux concernés par les concertations étaient : les conseils
généraux d’Ile-de-France, la ville de Paris, la préfecture de police, les représentants
professionnels du transport et les associations professionnelles. Les habitants de la ville ont
eux aussi été consultés.
Les résultats des concertations ont été regroupés sous forme de 7 orientations, dont la ville de
Paris devait tenir compte lors de l’établissement du règlement parisien des marchandises. Ces
orientations concernent :
1) L’amélioration du positionnement des zones de livraison sur la voierie parisienne.

2) La limitation à 30 minutes de l’utilisation de toutes les zones de livraison positionnées
sur la voirie de Paris.
3) La réservation aux professionnels du transport, l’utilisation des zones de livraison
situées sur le réseau de couloirs de bus de Paris et dans les quartiers à forte densité
commerciale.
4) La simplification du règlement marchandises en vigueur.
5) L’amélioration du dispositif de contrôle marchandises à Paris.
34
6) La mise en place d’une charte de bonnes pratiques entre la ville de Paris et les acteurs
du secteur des marchandises.
7) L’introduction du principe environnemental dans le règlement marchandises en
vigueur.
4.2.2. Les mesures pour améliorer le TMV

Sur la base des orientations formulées suite aux concertations, un ensemble de mesures a été
décidé pour améliorer le TMV. On distingue des mesures relatives, d’une part, à l’entrée des
marchandises à Paris et d’autre part, celles relatives à leur diffusion dans la ville.
1) Les mesures relatives à l’entrée des marchandises à Paris concernent principalement la

promotion du report modal vers le ferroviaire et le fluvial. Des équipes constituées des
acteurs de ces deux modes et des autorités ont été constituées. Ces derniers ont réalisé
des études de terrain pour proposer diverses pistes de promotion et de mise en œuvre
d’expérimentation dans ce sens.
2) Les mesures relatives à la diffusion des marchandises dans la ville concernent la
simplification de la réglementation relative au TMV, l’amélioration des dispositifs de
contrôle, l’adaptation des zones de livraison aux contraintes opérationnelles des
transporteurs. Enfin, ces mesures ont été regroupées dans une charte des bonnes
pratiques de TMV.
Ces différentes étapes ont donné lieu en 2007, à une nouvelle règlementation sur le TMV dans
la ville de Paris. Cependant, il y a toujours un certain nombre de divergence et un manque
d’harmonisation dans les règlementations des différentes localités de la région Ile-de-France,
malgré les efforts récents. De plus, bien que l’implantation et la gestion des zones de livraison
aient représenté un chapitre important, lors de l’établissement de la réglementation
« marchandises », le manque de contrôle sur le terrain de l’utilisation de ces zones, génère
toujours un nombre important de perturbations (tels que le stationnement illicite et le
dépassement du temps d’arrêt règlementaire).
4.2.3. L’apprentissage par l’expérimentation

Dès l’émergence de la problématique de TMV à Paris au début des années 2000, le principe
de l’apprentissage par l’expérimentation a été mis en œuvre (Ripert, 2004). Il s’agit
d’expérimenter des modes de transport innovants (tels que les véhicules propres), des modes
alternatifs (tel que le fret ferroviaire), de nouvelles organisations (telle que l’utilisation des
espaces logistiques), etc. Ces expérimentations sont déployées sur une zone restreinte de la
ville, elles peuvent concerner un type particulier de marchandises, ou bien impliquer un
nombre réduit de professionnels. Parmi ces expérimentations, on peut citer :
- L’utilisation de véhicules propres (électriques ou roulant au GNV) : quelques grandes

enseignes installées dans la ville de Paris, participent à cette expérimentation, tel que
Carrefour, Monoprix, L’Oréal, Chronopost, etc. Elles utilisent des véhicules allant de
moins de 3,5 t jusqu’à des 26 t utilisant des carburants propres. La ville de Paris les
accompagne de diverses manières, telles qu’en installant des bornes électriques et
aires de livraison spécifiques.
35
- L’utilisation de petits véhicules adaptés aux spécificités de la ville (triporteurs,

scooters) : ces véhicules sont expérimentés pour le transport de certains types de
marchandises (des colis de taille et poids contenus) et pour un certain type de livraison
(livraisons aux particuliers, les petits magasins).
- L’installation d’espaces logistiques urbains : il s’agit principalement
d’expérimentation avec des micro-plateformes logistiques situées en centre-ville, qui
servent à massifier les flux au plus près des points de livraison et de collecte et, être
ainsi, des arrières bases pour les livraisons avec de petits véhicules tels que les
triporteurs. Plusieurs petites entreprises ont participé à ces expériences, à travers des
services de livraison de proximité, ainsi que Chronopost.
Plusieurs expérimentations ont abouti à des solutions innovantes à l’échelle de la région Ile-
de-France, mais aussi, ont permis l’implantation de ces mêmes solutions dans d’autres villes.
A titre d’exemple :
- Monoprix utilise exclusivement des véhicules roulant au GNV pour approvisionner

tous les magasins dans la région et dans d’autres régions de la France.
- Chronopost utilise une flotte très importante de véhicules électriques et roulants au
GNV. Elle a installé 5 espaces logistiques urbains (2 à Paris, 1 à Toulouse, Marseille
et Lille). D’autres solutions innovantes sont en cours de déploiement, telles que les
stations PickUp qui permettent aux usagers d’aller récupérer leurs colis par eux-
mêmes, dans des endroits pratiques (telles que les gares et stations ferroviaires en
ville).
- A la fin 2017, une importante plateforme logistique sera opérationnelle à Paris
« Chapelle Internationale ». Il s’agit d’un hôtel logistique multimodal de grande
envergure de 40 000 m2. Disposant, entre autres, d’un terminal urbain ferroviaire, pour
le transport de marchandises à destination des surfaces alimentaires, et d’un espace
logistique urbain destiné à la messagerie urbaine.
- Plusieurs startups ont été créées pour proposer des services de livraison en ville avec
des tripoteurs, vélos ou scooters électriques. Chaque startup s’étant spécialisée dans un
type particulier de marchandises à livrer (ex : plats cuisinés, achats par correspondance
à partir des magasins situés en ville, collecte / livraison de pressing, etc.).
5. Conclusion
Dans ce chapitre, nous avons défini les différents concepts liés au transport de marchandises,
tout en situant cette activité dans la chaîne logistique. Nous avons étudié la situation actuelle
et les pratiques en vigueur, en matière de transport de marchandises en général, ce qui nous
permet d’en tirer les conclusions suivantes :
- La part de transport de marchandises par route a toujours été la plus importante. Ce

mode doit cette domination à ses divers avantages, dont la plus importante étant sa
flexibilité.
- Le mode de transport routier présente plusieurs inconvénients, qui engendrent de
nombreux désagréments, aussi bien aux autorités qu’aux usagers de la route. Ceci est à
36
l’origine de plusieurs politiques de promotion d’autres modes de transport plus

durable.
- Le mode de transport ferroviaire permet de bénéficier d’économie d’échelle et de
réduire l’impact environnemental de transport de marchandises. Cependant, dans sa
configuration actuelle, son manque de flexibilité est le principal frein à son
développement.
- Le transport intermodal présente une alternative de compromis intéressante, dans le
but de bénéficier des avantages de divers modes de transport, tout en réduisant leurs
inconvénients.
Aussi, nous avons montré que la problématique de TMV est plus complexe que celle du
transport de marchandises en général. Cette complexité est principalement liée aux :
- Le coût et le peu de place dans les villes (particulièrement en centre-ville).

- La densification des villes.
- La croissance démographique.
- Les contraintes législatives (bruits, volumes transportés, énergie utilisée, etc.)
L’étude des pratiques actuelles en matière de TMV, quasi-dominé par la route, nous a permis
de mettre en évidence les multiples carences de ce mode de transport et ses limites, au vu des
modèles de développement durables, souhaités pour les villes. En effet, l’explosion de la
demande a eu des répercussions très négatives pour la ville, qu’on peut résumer comme suit :
- Saturation du réseau routier de la ville et interférence avec les déplacements des

personnes.
- Pics de pollution records en Ile-de-France.
- Augmentation des accidents et dégradation de la voirie.
- Augmentation des pratiques illégales (ex : stationnement en double file et sur les
trottoirs, transfert non sécurisé des marchandises du véhicule vers le magasin, etc.).
- Ce mode s’est rendu indispensable, malgré ses différents inconvénients, et s’impose
comme le seul moyen suffisamment réactif et souple, pour absorber une demande en
croissance continue. En effet, par sa prise en charge de plus de 90% de l’activité de
TMV, aucun autre mode exclusif, n’est en mesure de le remplacer.
D’où, la nécessité de faire évoluer le TMV. En premier, au niveau des modes de transport
utilisés, à travers la promotion des modes de transport alternatifs (ferroviaire, fluviale,
triporteurs et deux roues). Deuxièmement, au niveau organisationnel, pour réduire le nombre
de kilomètres assurés par le mode routier. L’une des idées étant le développement de
l’intermodalité.
Plusieurs propositions d’amélioration au niveau organisationnel et des infrastructures sont

proposées ou en cours d’expérimentation. Les premiers enseignements qu’on peut en tirer
concernent l’intérêt de la mise en place de centres de distribution urbains, l’amélioration de la
règlementation pour mieux l’adapter aux besoins réels sur le terrain, ainsi que l’utilisation des
nouvelles technologies, pour améliorer la réactivité et la performance du TMV.
37
L’étude de la région Ile-de-France, nous a permis de montrer que les phénomènes observés en
général, dans les pratiques de TMV, sont accentués dans cette région. Cette accentuation est
due à l’importance de la densité de population dans cette région, ainsi qu’à la densité de
l’activité économique.
38
Chapitre II
Transport de marchandises en ville par
rail – mixité fret / voyageurs
II. Chapitre II : Transport de marchandises en ville par rail – mixité

fret / voyageurs
39
CHAPITRE II : Transport de marchandises en ville par rail – mixité fret / voyageurs
1. Introduction
Dans le premier chapitre, nous avons montré que la pratique actuelle du TMV, quasi-
exclusivement assurée par le mode de transport routier, n’est pas à la hauteur des challenges
actuels pour accompagner le développement des villes. Plus encore, la saturation du réseau
routier urbain (en particulier, aux heures de pointes) et les différentes nuisances de ce mode,
poussent les autorités à durcir la règlementation et à encourager le report vers d’autres modes
de transport, plus durables. Ainsi et pour remédier à ce problème, plusieurs alternatives
modales et organisationnelles sont proposées.
Parmi les alternatives proposées, nous nous intéressons dans ce travail, à l’utilisation du
réseau ferroviaire urbain (initialement dédié au transport de voyageurs), pour le transport des
marchandises d’un point à un autre, en ville et ses environs. L’objectif de cette alternative,
n’est pas de se substituer au mode de transport routier, mais de transférer une partie des flux
de marchandises en ville, vers le mode ferroviaire. Ceci, permettra de réduire la pression sur
la route, ainsi que de rentabiliser la capacité non utilisée des trains de passagers et les
infrastructures y afférentes (en particulier, durant les heures creuses).
La première partie de ce chapitre, sera dédiée à une revue de littérature sur le transport mixte
fret / voyageurs, ainsi qu’à l’étude de différentes expérimentations et solutions déployées sur
le terrain (passées ou en cours d’exploitation). Dans la seconde partie, nous allons définir
l’activité de transport mixte fret / voyageurs, puis, nous allons identifier et étudier les
différents cas de mixité fret / voyageurs possibles, sur le réseau de transport ferroviaire
urbain. Enfin, dans la dernière partie, nous allons identifier et définir les problématiques
décisionnelles principales, liées à la mise en œuvre d’une telle solution de transport.
2. Pratiques et état des lieux : fret urbain par rail et mixité fret /
voyageurs
Le transport de marchandises par rail en ville existe déjà, mais sous une forme différente de
celle étudiée dans ce présent travail, et à une échelle assez réduite. En effet, il est mis en
œuvre sporadiquement et dans certaines circonstances exceptionnelles, mais aussi, à travers
certaines expériences, dont le but est d’évaluer son potentiel. D’un autre côté, le déploiement
d’une telle solution de transport en milieu urbain et périurbain, figure parmi les alternatives
suggérées par certains chercheurs.
Bien que les caractéristiques du transport de marchandises, diffèrent de celles du transport de

voyageurs (comme le montre le Tableau II.1), certains opérateurs de transport de voyageurs se
sont intéressés à la mixité fret / voyageurs, à travers des études de faisabilité. En effet, ces
études mettent en évidence les gains d’une telle mutualisation. En ce qui concerne les
chercheurs, on trouve certaines études et articles, qui s’intéressent à la question de la
mutualisation dans des cas particuliers.
Dans cette section, nous allons commencer par présenter les premières alternatives pour le fret
urbain, conçues sur la base du modèle de transport de voyageurs par rail, principalement, en
utilisant l’espace souterrain de la ville et ses environs. Puis, nous étudierons les quelques
40
travaux dans la littérature, mentionnant l’utilisation du rail en ville pour le transport de

marchandises. Enfin, le dernier point abordera les expérimentations passées, ou en cours
d’exploitation, d’une telle solution de transport.
Tableau II.1 : Comparaison entre les caractéristiques de transport de voyageurs / marchandises (Delaitre, 2014)
Voyageurs Marchandises
Voyagent de manière active Transportées de manière passive
Embarquent, débarquent et effectuent les Doivent être chargées, déchargées et
correspondances sans assistance transférées
Traitent l’information et l’utilisent sans L’information doit être traitée par des
assistance gestionnaires logistiques
Choisissent entre les différents moyens de
Les gestionnaires logistiques doivent choisir
transport sans assistance (parfois de manière
un mode de transport de manière rationnelle
irrationnelle)
2.1. L’espace souterrain pour le transport de marchandises

L’utilisation de l’espace souterrain en ville pour le transport de marchandises, est une solution
d’actualité. La solution de transport étudiée dans ce cas, consiste en un moyen de transport
autonome, soit des véhicules sur roues ou rails, soit des modules devant contenir des
marchandises, circulant à travers des pipelines souterrains. Dans (Visser, 2017), une revue des
différentes études et expérimentations dans ce domaine a été faite.
L’idée d’utiliser l’espace souterrain urbain, pour un transport exclusivement dédié aux
marchandises (inspirée du modèle de transport de voyageurs), n’est pas récente. En 1991, une
équipe de chercheurs Japonais a proposé de développer un tel système, pour remédier à
plusieurs problèmes environnementaux, liés à la croissance continue de la fréquentation en
ville des véhicules de marchandises (Kashima, et al., 1993). Au Pays-Bas, des études de
faisabilité pour une telle solution de transport, ont été menées à partir de 1995, à travers le
projet « OLS-ASH ». Ces études ont été suivies par le déploiement d’expérimentations en
laboratoire, avec le développement de solutions technologiques avec des véhicules autonomes
« UFT » (Pielage, 2001). Les conclusions auxquelles ont abouti ces études et
expérimentations au sujet de cette solution de transport, peuvent être énoncées comme suit :
- Elle présente un potentiel important dans les zones densément peuplées.

- Elle fournit un moyen de transport automatisé non soumis aux perturbations, offrant
une fiabilité accrue.
- Elle permet la réduction simultanée du trafic et de la pollution dans la ville,
contribuant à la création d’un meilleur environnement.
- Elle pourrait gérer une part importante du transport domestique de marchandises, en
combinant les flux et en se connectant à un réseau de transport multimodal.
- Une option d’utilisation d’espace au niveau du sol a été étudiée. Comme les coûts de
construction sont beaucoup plus bas dans ce cas, la faisabilité des systèmes UFT
augmente.
41
Une autre étude expérimentale « CargoCap » (CargoCap, 2002), propose d’utiliser l’espace
souterrain en ville et ses environs (jusqu’à 150 km de distance), pour déployer un système de
transport automatisé par pipeline. Le système développé doit fonctionner 24 heures par jour,
toute la semaine (i.e. sans aucune interruption). Le caractère exclusif au transport de
marchandises, associé à l’utilisation d’une solution technologique automatisée, confère à cette
solution de transport, une grande fiabilité et la rend insensible aux influences des autres
modes de transport (tel que : routes saturées et circulation). Le véhicule de transport autonome
est dimensionné de sorte à pouvoir charger deux europalettes avec des dimensions :
800*1200*1050 mm (à savoir, l’europalette est très utilisé dans le transport de marchandises
et a des dimensions standardisées). Ainsi, chaque commande doit être contenue dans des
emballages respectant les dimensions de l’europalette, et est affecté à autant de véhicules
autonomes que nécessaire, transportant chacun deux palettes. La Figure II.1 montre les
éléments composant ce système et son implantation.
Figure II.1 : Modèles 3D de la solution CargoCap : a- mise à l'echelle de la solution par rapport à un metro, b-
système de chargement / déchargement automatique, c- insertion de la solution dans l'espace souterrain (CargoCap,
2002)
Selon (Delmastro, et al., 2016), bien que les études précédentes montrent un fort potentiel, à
l’utilisation d’une solution de transport souterrain dédiée uniquement aux marchandises, les
auteurs estiment qu’elle reste irréaliste, en raison du coût élevé de l’investissement nécessaire
et de la non compatibilité d’une partie des marchandises (particulièrement les marchandises
en vrac), avec le transport souterrain.
Cependant, un pas vers la mise en œuvre d’une telle solution a été franchi en Suisse. En effet,
une solution de transport souterrain « Cargo Sous Terrain » (CST) est en cours de
développement pour une mise en exploitation à l’horizon 2030 (CST, 2016). En effet, l’étude
de faisabilité finalisée en 2015, a montré que cette solution de transport est faisable, aussi bien
42
techniquement, qu’économiquement. Plus qu’une solution de transport, CST représente une

solution logistique complète, qui permet d’effectuer la réception des marchandises (en
palettes, caisses ou en vrac), leur transport entre différents hubs logistiques, ainsi que leur
stockage temporaire. Le transport s’effectuera principalement entre les villes suisses, en
utilisant des véhicules électriques autonomes et d’autres systèmes automatisés. Le dernier
kilomètre étant assuré par des véhicules électriques. Il est indiqué que le système développé,
permettra le transport de plusieurs types de marchandises, y compris les denrées fraîches,
ainsi que la collecte des déchets et des matériaux recyclables. Cette solution présente les
mêmes avantages que ceux des deux solutions précédentes. La Figure II.2 montre le principe
de fonctionnement de ce système, les éléments le composant et son implantation dans l’espace
souterrain.
Figure II.2 : Modélisations de Cargo Sous Terrain : a- principe de fonctionnement, b- coupes latérale et horizontale,
c- modèle 3D des véhicules en développement (CST, 2016)
2.2. Mixité fret / voyageurs et utilisation du rail urbain : alternatives durables

dans la littérature
La mutualisation du réseau urbain de transport de voyageurs, pour le transport de
marchandises, est une idée qui a été explorée par certains chercheurs, suite à l’intérêt porté par
des compagnies de transport de voyageurs. La motivation principale de ces compagnies de
transport, c’est l’amélioration du rendement économique de leurs équipements et
infrastructures.
2.2.1. Transport urbain mixte fret / voyageurs

En ce qui concerne la mutualisation des moyens de transport de voyageurs en commun, pour
le transport de marchandises en milieu urbain, une étude a été réalisée dans (Trentini, 2012).
Cette étude porte sur la modélisation d’un système de distribution de marchandises en ville, à
partir d’un CDU, en utilisant une ligne de transport en commun par bus. L’idée est d’utiliser
43
la capacité résiduelle dans les bus pour voyageurs, pour transporter les marchandises. Quant
au déchargement, il est effectué dans les arrêts de bus habituels de la ligne, à partir desquelles,
un système de distribution capillaire est déployé, pour l’acheminement des livraisons vers leur
destination finale. Les principales conclusions auxquelles est parvenue cette étude sont :
- Le modèle de transport étudié est faisable techniquement. En effet, les aspects

matériels sont peu complexes à mettre en œuvre dans le cadre des bus (juste quelques
adaptations sur les véhicules sont nécessaires).
- La nécessité de poser plusieurs hypothèses pour mener à bien ce type d’étude. En
particulier, à cause de l’originalité de la solution de transport proposée et l’inexistence
d’expériences similaires en pratique. Ainsi, les limites apparentes de l’étude qui en
découlent, peuvent être levées facilement, dans le cas de la spécification des
technologies et organisations à mettre en œuvre, ainsi que la quantification de la
demande potentielle.
- En ce qui concerne l’aspect gestion du système, cette étude propose d’utiliser les
principes de la planification de production, en utilisant les principes de MRP, pour
prendre en compte les spécificités de la problématique. La conclusion sur cet aspect
est qu’il est faisable d’un point de vue gestionnaire.
- La nécessité de définir un scénario particulier (dans ce cas, c’est la ville moyenne de
La Rochelle), pour étudier concrètement ce type de solution de transport.
- Comme la solution étudiée n’est pas encore déployée, il n’y a donc pas de données
réelles, pour évaluer et valider le modèle proposé.
2.2.2. Transport de marchandises en ville par rail

Dans (Nuzzolo, et al., 2008), les auteurs ont étudié la possibilité d’utiliser l’infrastructure
ferroviaire entre Naples et Sorrente en Italie, pour le transport de marchandises sur un tronçon
d’une cinquantaine de kilomètres. Pour cela, ils proposent d’utiliser la voie ferroviaire
existante, les gares dédiées aux passagers, ainsi que d’anciens trains de passagers qui ne sont
plus utilisés. Ces derniers ont été aménagés en enlevant les sièges, pour laisser un maximum
d’espace pour le chargement du fret. Les marchandises à transporter sont mises sur des
palettes et chargées à l’intérieur des trains avec des transpalettes (comme le montre la Figure
II.3). Aussi, ils proposent d’effectuer le transport de marchandises, durant les heures creuses
de la journée. La réalisation d’une étude de faisabilité technico-économique a abouti aux
conclusions suivantes :
- Les temps de livraison, en utilisant le mode routier classique, ou le mode ferroviaire

(solution proposée) seront sensiblement équivalents (autour de 90mn, en incluant les
opérations de manutention).
- Les coûts directs du transport par la route sont de 60€/t, contre 120€/t pour le
ferroviaire (incluant les coûts de modifications des trains et des infrastructures, le
déploiement d’outils informatiques spécifiques, ainsi que les coûts de gestion).
- La réduction du fret routier serait de 5%.
- La réduction des émissions de polluants serait de 15%.
- La réduction de la congestion serait de 20%.
44
- Les gains relatifs aux trois conclusions précédentes ont été évalués à 70€/t (i.e. le
surcoût indirect de l’utilisation du mode routier par rapport au mode ferroviaire).
- L’alternative ferroviaire présente un bénéfice global, relativement au mode routier,
équivalent à 10€/t.
Figure II.3 : Train de passagers modifié pour le transport de marchandises (Nuzzolo, et al., 2008)
Dans (Browne, et al., 2014), partant du constat de la prédominance du fret routier, en milieu
urbain, et de la nécessité de développer des alternatives plus durables, tel que le ferroviaire,
les auteurs ont adopté une démarche en deux phases :
- L’analyse des pratiques dans plusieurs villes, en termes d’utilisation du mode

ferroviaire, pour le fret urbain. Cette analyse a été agrémentée d’interviews avec les
parties prenantes de cette activité.
- L’évaluation de certains projets pilotes et expérimentations d’utilisation du mode
ferroviaire, pour les livraisons en ville.
D’une part, ce travail a permis la mise en évidence du potentiel d’utilisation du mode

ferroviaire, dans le fret urbain, ainsi que ses atouts clés, sur lesquels il devrait s’appuyer, et
qu’on peut résumer comme suit :
- Maximiser son utilisation pour les marchandises en vrac, tel que : les matériaux de
construction, qui se déplacent vers les villes, et les déchets domestiques et industriels,
qui se déplacent vers l'extérieur des villes.
- Développer des solutions logistiques « vertes », pour le transport des biens de
consommation dans les zones urbaines, ceci en combinant l'utilisation du rail pour le
transport à partir des centres de distribution, vers des emplacements dans la zone
urbaine, et de là, l'utilisation de véhicules routiers « propres » (ex : véhicules
électriques), pour l’acheminement des marchandises jusqu’à leur destination finale.
- Dans les cas où le rail ne peut être utilisé directement, utiliser les infrastructures
ferroviaires existantes, ou de nouvelles (telles que les gares), comme des centres pour
la distribution des marchandises en ville.
D’autre part, ce travail a permis l’identification de certaines barrières au développement du

fret ferroviaire en milieu urbain, tel que :
45
- Transfert modal vers le fret ferroviaire limité. Ceci revient à des coûts excessifs
nécessaires à l’extension du réseau.
- Espace et infrastructures limités en ville pour le déploiement d'une telle solution (dans
le cas de nouvelles installations).
- Coûts élevés de l'infrastructure ferroviaire et des systèmes connexes.
- Flexibilité physique limitée.
- Croissance du besoin de transport de voyageurs par rail en ville, ce qui limite la
croissance de la part dédiée au fret.
Pour autant, ces barrières ne sont pas insurmontables, mais requiert des études
supplémentaires et surtout, une volonté des transporteurs et des autorités, pour investir dans le
développement du fret ferroviaire.
Dans (De Langhe, 2014), l’auteur réalise un travail d’investigation similaire au précèdent, en
identifiant aussi bien les facteurs de réussite d’un fret urbain par rail, que les obstacles à son
développement. Il ajoute quelques analyses pertinentes, telles que :
- Les caractéristiques de la ville pour une implantation d’une solution de fret ferroviaire,
sont un paramètre crucial, qui requiert une étude approfondie. En particulier, il faut
adapter le projet à la taille de la ville, la densité de population, la structure économique
de la ville, les infrastructures de transport existantes, etc.
- Lorsqu’on parle de transport de marchandises par rail en milieu urbain, le type de
marchandises à transporter peut varier d’une ville à l’autre et d’un projet à l’autre :
marchandises en vrac, livraison pour particuliers, livraison pour la grande distribution,
déchets, etc.
Dans (Diziain, et al., 2014), les auteurs ont étudié le transport urbain multimodal de
marchandises, en France et au Japon. Ils ont évalué le potentiel du report modal du mode
routier vers le ferroviaire et le fluvial. Ils ont conclu qu’aussi bien le mode ferroviaire, que le
fluvial, sont trop coûteux à mettre en œuvre, et qu’ils ne peuvent être rentables, que si
plusieurs conditions sont satisfaites (ex : réseau routier congestionné, existence
d’infrastructures multimodales, disponibilité d’un terminal ferroviaire en milieu urbain, etc.).
Les études qu’on vient de présenter concernent l’utilisation des trains de fret (au sens large),
pour le transport de marchandises en milieu urbain. Principalement, ce transport concerne
l’introduction des marchandises à partir de l’extérieur de la ville, ainsi que le transport des
produits et déchets de la ville vers l’extérieur (et non pas les livraisons en ville, d’un point à
un autre). Les études suivantes concernent, quant à elles, les livraisons de marchandises en
ville, moyennant un moyen de transport ferroviaire urbain (ex : métro ou tramway).
Dans (Motraghi & Marinov, 2012) et (Dampier & Marinov, 2015), les auteurs ont étudié la
faisabilité d’effectuer le transport de marchandises, en utilisant le métro à Newcastle upon
Tyne. Les deux études ont utilisé la modélisation pour évaluer le potentiel d’intégration du
flux de marchandises. La première, à travers un modèle à évènements discret, où l’intégration
de métros supplémentaires sur la ligne de l’aéroport a été évaluée, suivant plusieurs scénarios.
La seconde, à travers un logiciel de transport spécifique, qui permet d’évaluer l’impact
46
monétaire des accidents de la route et, ainsi, évaluer les bénéfices du report modal vers le
métro. Ces deux études ont conclu à la viabilité d’un tel système de transport de
marchandises. En effet, au-delà des avantages environnementaux et réduction des accidents et
perturbations sur la voirie urbaine, ce système permet :
- L’amélioration des profits de l’entreprise de transport.

- L’optimisation de l’utilisation des ressources (métros et infrastructures).
- La génération de nouvelles opportunités d’affaires.
Cependant, il est suggéré d’effectuer des études supplémentaires avec plus de données avant
de passer à une éventuelle implémentation.
Ces études ont été complétées par deux autres, (Brice, et al., 2015) et (Reece & Marinov,
2015), à travers un cas d’étude. Ce cas d’étude traite l’éventuelle utilisation du système
précèdent, pour le transfert de bagages à destination de l’aéroport de Newcastle, à partir du
centre-ville. Ces deux études ont montré la faisabilité technique de cette solution. Cependant,
elles ont mis en évidence l’important surcoût généré, comparativement au service actuel de
transfert de bagages par la route.
Dans (Gonzalez-Feliu, 2014), l’auteur développe une démarche sur la base de la méthode
d’analyse coût-bénéfice, pour évaluer la pertinence du déploiement d’une solution de
transport de marchandises, en utilisant le réseau ferroviaire urbain. Il a appliqué cette
démarche sur un cas d’étude, relatif à une ligne de tramway dans la ville de Paris. Les
conclusions de cette étude, présentent le bénéfice potentiel d’une telle solution de transport, et
pose les conditions nécessaires pour réaliser ce bénéfice. Ces conditions étant une forte
demande et l’accompagnement des autorités.
2.2.3. Études du PREDIT : utilisation du réseau de transport de voyageurs à Paris

pour le transport de marchandises
Le PREDIT est un programme de recherche et d’innovation dans les transports terrestres. Il a
été porté par : les Ministères chargés des Transports, de la Recherche et de l’Industrie,
l’Agence Nationale de la Recherche (ANR), l’Agence de l’Environnement et de la Maîtrise de
l’Energie (ADEME) et OSEO (Bpifrance Financement). C’est dans le cadre de sa 4ème version
(2008-2012), que trois études très pertinentes, ont défraichi le terrain de la problématique de
mixité fret / voyageurs, sur le réseau de transport de voyageurs (principalement, en région
d’Ile-de-France). En partenariat avec plusieurs bureaux d’étude spécialisés dans le transport et
la RATP (Régie Autonome des Transports Parisiens – entreprise de transport public), ces trois
études ont répondu à la question de la faisabilité d’une solution de transport mixte à trois
niveaux : évaluation des possibilités (techniques et juridiques), faisabilité (économique) et
évaluation des coûts (ou surcoûts) d’intégration de la composante logistique au transport de
voyageurs.
- Etude 1 : Intégration de la mixité opérationnelle en transports : états et possibles

(PREDIT GO n°4, 2012)
L'objectif de cette étude est d'identifier le champ des possibles, en matière de mixité
fret / voyageurs sur un réseau de transport urbain et les conditions nécessaires à la
47
mise en œuvre d'un cas de mixité. Les modes de transport considérés étant : métro,
tramway et bus.
Les possibilités de mutualisation sont multiples. Elles ont été classées en trois niveaux
de mise en œuvre (ces niveaux permettent de mesurer l'étendu financier et temporel
quant à l'éventuelle mise en œuvre d'une telle solution) :
 En utilisant l'existant tel qu'il est : mise en œuvre rapide, avec un coût
minimum. Cependant, cela réduit le champ des possibilités, étant donné que
l’activité de transport des marchandises, doit se conformer aux contraintes déjà
présentes, dans un système conçu exclusivement pour le flux passagers.
 En utilisant l'existant moyennant quelques modifications : mise en œuvre plus
ou moins rapide, le temps d’effectuer un certain nombre de travaux et
d’aménagement, pour s’adapter aux contraintes du flux de marchandises. Ce
cas intermédiaire présente un équilibre intéressant en termes de : temps de mise
en œuvre, coûts d’implémentation et contraintes liées aux voyageurs.
 En innovant : mise en œuvre lente et coûts élevés. Cependant, la solution
développée, considérant le flux des marchandises dès la phase de conception,
permettra de générer un maximum de profit, grâce à l’étendue des possibilités,
qui sera laissé au transport de marchandises.
Toutefois, une mise en œuvre d’une telle mixité, sur le réseau de transport de
voyageurs, doit faire face à plusieurs contraintes, qui ont été classées en quatre
catégories comme suit :
 Contraintes techniques et fonctionnelles : pour chaque mode de transport

considéré, des contraintes spécifiques ont été identifiés. Une première
contrainte commune, assez facile à prendre en charge, est la nécessité d’adapter
le matériel roulant au transport de marchandises. Une seconde contrainte
consiste en la nécessité d’adapter les infrastructures, pour la réception et le
chargement / déchargement des marchandises. Une troisième contrainte
concerne les capacités de transport du matériel roulant en poids et volume,
ainsi que l’usure supplémentaire causée par la nouvelle activité. Certaines
autres contraintes, sont spécifiques à chaque mode, tel que l’accessibilité au
réseau souterrain pour le métro.
 Contraintes juridiques et sécuritaires : dans le statut actuel de la RATP, cette
entreprise n’a pas le droit de transporter des marchandises. Mais comme elle
est gestionnaire des infrastructures et du réseau ferré, à ce titre, elle pourrait
éventuellement faire appel à une autre entreprise, pour assurer un service de
fret. Cependant, cela constituera une action illégale aussi, parce qu’elle n’a pas
le droit d’établir un tel contrat. En définitive et au vu des statuts de l’entreprise
et de la règlementation actuelle, ce service ne peut être déployé.
 Contraintes institutionnelles : dans le but d’assurer la cohérence sur tout le
territoire d’Ile-de-France, une seule autorité est en charge de l’organisation et
la mise en œuvre de la politique de transport, c’est le Syndicat des Transports
d’Ile-de-France « STIF ». La RATP n’a que la responsabilité de gestion des
48
infrastructures du réseau ferré, et non pas de l’organisation du transport public

dans l’agglomération. Plus précisément, la RATP doit se conformer aux
demandes du « STIF ».
 Contraintes sociales : les métiers dans la RATP sont très codifiés et chaque
métier a des responsabilités et des plans de carrières spécifiques. L’intégration
d’un nouveau service lié au fret, nécessitera forcement des mutations et des
évolutions dans ces métiers. De plus, l’organisation de l’entreprise est basée
sur une démarche participative et, à ce titre, il est nécessaire de faire adhérer les
différentes parties au plan d’évolution, nécessaire à l’intégration de l’activité
de fret.
Bien que contrastées, les conclusions de cette étude sont prometteuses, et peuvent être
résumées comme suit :
 La mixité a franchi le pas du concept, puisque plusieurs expérimentations

existent. Entre autre chez la RATP, à travers des expérimentations de Tramfret.
 Toutes les difficultés techniques et juridiques sont surmontables, à condition
qu’il y ait des politiques volontaristes, pour une mobilité intégrée.
 La solution de transport proposée doit être compétitive. Elle doit répondre aux
besoins des logisticiens, avec un coût comparable à celui des solutions
actuelles et avec un même degré de fiabilité.
 Une classification des trois modes de transport étudiés, a été faite à deux
niveaux : en termes de mise en œuvre, le bus présente le plus de facilité avec
un coût minimum, suivi du tramway, puis le métro. En termes de potentiel,
c’est la classification inverse qui est obtenue. En effet, le réseau de métro à
Paris est très bien établi et couvre assez bien toutes les parties de la ville (213
km de ligne et 300 stations). De plus, il a la plus grande capacité de transport et
ne subit pas les perturbations de la route. Le tramway présente un compromis
intéressant.
- Etude 2 : Faisabilité de l’intégration logistique des espaces de transport (PREDIT GO

n°3, 2012)
Cette seconde étude a analysé le potentiel d’intégration de l’activité logistique, lié au
transport de marchandises, à travers le réseau de transport de voyageurs par rail et ses
infrastructures.
D’abord, la RATP ne dispose pas de l'expérience opérationnelle nécessaire à la mise
en œuvre du transport de marchandises, sur son réseau de transport de voyageurs.
Néanmoins, elle présente plusieurs atouts :
 Ses espaces (gares et stations).

 Ses flux de voyageurs (plusieurs millions par jour).
 L'exploitation d’un réseau ferroviaire constitué de plusieurs centaines de
kilomètres (tous les modes confondus).
Cette étude s’est basée sur l’analyse : 1- du réseau de la RATP, 2- des types de
produits pouvant prétendre au transport sur ce réseau, 3- leur conditionnement, 4- les
49
clients potentiels de ce service, 5- les flux voyageurs et marchandises, 6- les modes de

transport aval et amont, ainsi que 7- les moments (horaires) propices de la journée.
Cette analyse s’est déroulée dans le cadre d’une démarche structurée en trois étapes
successives :
 La définition des critères pertinents, pour savoir si un espace RATP est apte à
accueillir des marchandises. Ceci à travers la définition d’une grille d’analyse
multicritère applicable à tous les espaces RATP (ce qui est appelé « Offre »).
La grille multicritère est composée de :
1- Généralités sur les espaces (stations et gares), telles que la localisation, les
numéros des lignes les desservant, la complexité de l’espace, etc.
2- Accessibilité de l’espace, telle que les dénivelés, le nombre de parcours, la
présence d’escaliers, etc.
3- La surface des espaces et leurs dimensions, telle que pour les quais,
couloirs, entrées / sorties, salles diverses, etc.
4- Les équipements de l’opérateur, tels que les guichets, les comptoirs
d’information, etc.
5- Les paramètres relatifs aux flux de voyageurs, tels que le nombre total
annuel d’entrants, le nombre journalier en hiver, l’heure la plus chargée du
matin, le nombre de voyageurs correspondants à l’heure la plus chargée du
matin, l’heure la plus chargée du soir, le nombre de voyageurs
correspondant à l’heure la plus chargée du soir, etc.
 Ensuite, l’analyse a porté sur l’étude des caractéristiques de l’environnement

commercial de chaque station (ce qui est appelé « Demande »). Pour cela, une
évaluation de la densité de commerces à proximité des différentes stations /
gares (à 100 m, 200 m et 400 m) a été réalisé. Il en est sorti l'identification des
stations / gares, avec le plus de commerces à proximité.
 La dernière étape a consisté en l’agrégation des caractéristiques intrinsèques
des stations et les caractéristiques de leur environnement (ce qui est appelé
« Confrontation Offre et Demande »). Ceci a permis l’identification des
stations / gares, avec une demande commerciale importante et une offre
logistique satisfaisante.
Cette étude a montré qu’il y avait un potentiel d’offre logistique de la part de la RATP,
en exploitant ses différentes ressources, pour répondre à une demande de service
logistique concrète. Toutefois, un ensemble de conditions doivent être préalablement
satisfaites (telles que celles énoncées par l’étude 1). Plusieurs services logistiques ont
été étudiés et à l’heure des conclusions de cette étude, seul le service de déploiement
de consignes des colis pour les particuliers, a été retenu. Il est spécifié que les autres
services requièrent des études complémentaires.
- Etude 3 : Transport collectif urbain : surcoûts consécutifs à l’ajout logistique dans un
projet (PREDIT GO n°6, 2012)
50
En raison des données stratégiques traitées par cette étude, il n’y a pas de version
publique de cette dernière. Cependant, sa fiche récapitulative, nous permet de saisir
ses grandes orientations.
D’abord, cette étude s’est articulée autour de quatre points majeurs, à savoir :
 La définition fonctionnelle du système, dans le but de vérifier sa faisabilité

technique.
 Le développement d’une approche urbanistique, dans le but d’appréhender le
système dans le territoire concerné (Ile-de-France).
 L'évaluation des potentiels commerciaux à l'horizon du projet.
 Une application de la solution de transport définie, sur la ligne verte du projet
« Grand Paris Express ».
Pour les besoins de l’étude, il a été considéré la mixité fret / voyageurs dans un métro
automatique (type ligne 1 ou 14 du métro parisien). Aussi, les marchandises sont
conteneurisées dans des unités logistiques standardisées. Ainsi, trois modes
d'exploitation ont été proposées et étudiées (3 scénarios) :
 Insertion intercalaire, à gare en débranchement : dans ce cas, la ligne est

commune, mais le chargement et le déchargement se font dans des stations
dédiées, en marge de la ligne.
 Circulation en remorque d'une rame, au métro de voyageurs : dans ce cas, il
s'agit d'ajouter des wagons pour le transport de marchandises, au train de
transport de voyageurs.
 Insertion intercalaire, à gare en ligne : dans ce cas, il s'agit d'intercaler entre les
trains de transport de voyageurs, des trains de transport de marchandises. Les
marchandises sont chargées et déchargées dans des stations sans
débranchement.
Une évaluation du potentiel commercial, à l’image de celui réalisé par l’étude 2, mais
pour des zones urbaines plus étendues, a été réalisée. Elle a permis d’identifier les
secteurs de la grande distribution et de la messagerie, comme porteurs d’un grand
potentiel, en termes d’utilisation de la solution logistique étudiée. En effet, ces
secteurs répondent positivement à trois groupes de conditions, identifiées
préalablement comme nécessaires à toute mise en œuvre, d’une solution logistique
basée sur la mixité fret / voyageurs :
 Conditions fonctionnelles : l'utilisation d’infrastructures ferroviaires impose

qu'un plan de transport soit établi à l'avance. Contrairement au mode routier, il
n'est pas envisageable de déclencher le transport, dès que le besoin est exprimé.
La demande doit être quantifiée avec une traduction dans le temps et l'espace.
 Conditions commerciales : il est nécessaire d’assurer la compétitivité de la
solution proposée. Ainsi, ses coûts doivent être du même ordre que l'existant
(report modal toléré à coût identique). La régularité des acheminements doit
être garantie, ce qui suppose une fiabilité du système proposé proche de 100%.
51
 Conditions logistiques : l'organisation proposée doit s'intégrer dans la chaine

logistique globale. Le passage par une plateforme amont est indispensable pour
assurer la continuité fonctionnelle et administrative.
Enfin, l’étude a été conclue par une application des concepts développés, à une partie
d’une ligne du futur « Grand Paris Express ». Une étude de la demande potentielle sur
le tracé de la ligne a été réalisée, puis, un placement des stations de marchandises a été
proposé, ainsi que des aménagements spécifiques sur la ligne. Cependant, l’évaluation
économique du surcoût d’intégration de la composante « marchandises », à un projet
de transport de voyageurs, n’a pas abouti. En effet, il est conclu que plusieurs outils
doivent être développés (tels que des outils mathématiques), dans le but d’effectuer
correctement l’évaluation des coûts de déplacement des marchandises et les surcoûts
d’intégration du nouveau service. Ceci requiert plus de ressources techniques et
temporelles, dont cette étude ne disposait pas.
Nous retenons de cette étude, la faisabilité technique dans différentes situations, ainsi
que le potentiel commercial et les secteurs cibles les plus prometteurs.
Ces trois études, ont permis de répondre à la question de la faisabilité de la mutualisation du

réseau urbain de transport de voyageurs, pour le transport de marchandises. Leur conclusion
est que cela est faisable et que cela a dépassé le stade du concept, au vu des expérimentations
déjà réalisées, ou en cours d’exploitation. Nous pouvons considérer que le présent travail de
recherche, s’inscrit dans la continuité des conclusions portées par les trois études du PREDIT.
Ainsi, après avoir conclu à la faisabilité, notre présente problématique tentera de répondre à
comment déployer et intégrer, une telle solution de transport ? et comment gérer au niveau
opérationnel le nouveau flux de marchandises, sur le réseau de transport de voyageurs ?
2.3. Mixité fret / voyageurs : expérimentations et solutions en cours

d’exploitation
Avant de répondre aux questions précédentes, nous allons voir dans ce point quelques
expérimentations sur le terrain, passées ou en cours d’exploitation. Ces expérimentations nous
confirment que la faisabilité a dépassé le cadre du concept. Parmi ces expérimentations :
- CarGoTram à Dresde (Quak, 2008)

Il s’agit de la mutualisation d’une portion de presque 4 km, de la ligne de tramway à
Dresde. Cette dernière est utilisée pour acheminer des pièces et des modules
automobiles, du dépôt de « Volkswagen » situé à proximité du terminal ferroviaire de
la ville, jusqu’à l’usine qui se situe en centre-ville. Cette usine historique du
constructeur ne dispose pas d’une zone de stockage assez importante, pour assurer la
production journalière, et ne peut être étendue par manque de surface foncière en
centre-ville.
Cette ligne est desservie par des tramways dédiés au fret (comme l’exemple montré
dans la Figure II.4), qui assurent 10 livraisons par jour. Ainsi, depuis 2001, cette
solution de transport assure la livraison de 300 000 tonnes par an de produits, ce qui
permet de réduire grandement le nombre de camions en circulation dans la ville et, par
conséquent, les émissions de polluants.
52
- Cargo-Tram à Zurich (Runge & Becker, 2008) et (Moglestue, 2011)

Un premier Cargo-Tram a été exploité à Zurich jusqu’à 1966, pour le transport des
courriers et colis, lait et autres boissons, ainsi que d’autres types de marchandises. Puis
en 2003, une nouvelle expérience a été initiée et qui est toujours en cours
d’exploitation. Cette dernière consiste en le transport des déchets volumineux (type :
meubles, électroménagers…), dans le but de lutter contre les dépôts sauvages de
déchets de ce genre, qui représentaient 300 tonnes / an.
Cette solution de transport des déchets coûte 20 000€ de moins, que la solution
équivalente par la route. Ceci est lié à la réutilisation de vielles rames de tramway
(comme le montre la Figure II.4). Les passages du Cargo-Tram se font
quotidiennement, ce qui permet de couvrir la quasi-totalité du réseau de tramway de la
ville de Zurich. Un embranchement avec un terminal de recyclage a été réalisé. Cette
alternative a permis la réduction du nombre de camions en ville, plusieurs milliers de
kilomètres par la route en moins, avec les conséquences de réduction des émissions de
polluants.
- Approvisionnement chez MONOPRIX à Paris (Dablanc, 2009) et (MONOPRIX,
2007)
Il s’agit de l’utilisation de la voie ferroviaire de la ligne D du RER à Paris, pour le
transport d’un certain nombre de marchandises (boissons sans alcool, textile, produits
de beauté et produits pour la maison et le loisir). Une gare dédiée à MONOPRIX
située à Bercy, est approvisionnée à partir de dépôts situés à Combs-la-Ville et
Lieusaint, en périphérie de Paris. Par la suite, l’acheminement des produits jusqu’aux
magasins, s’effectue par des camions roulant au GNV, pour respecter le principe de
réduction des émissions sur cette ligne logistique. La Figure II.4 montre le train de fret
qui entre dans le terminal de Bercy.
La ligne fait 30 km, elle permet de transporter 210 000 palettes par an (équivalent à
120 000 tonnes), avec 5 trains de 20 wagons par semaine.
Ce report modal a permis des gains environnementaux substantiels, à savoir, 12 000
camions n’entrent plus à Paris, économisant ainsi 337 tonnes de CO2 par an. En plus
de la circulation qu’ils auraient contribué à amplifier, ainsi que tous les désagréments
qu’engendre la circulation de poids lourds en ville.
Cette solution de transport a été exploitée de fin 2007 jusqu’à fin 2016. Elle a été
substituée par des camions GNV, dans le but de réduire les émissions de polluants, car
le train utilisé précédemment roulait au carburant diesel (les voies ferroviaires allant
de la ligne D du RER jusqu’aux entrepôts de MONOPRIX n’étant pas dépourvues
d’alimentation électrique). Cependant, cette nouvelle alternative, va remettre sur la
route plusieurs milliers de camions par an, ce qui ne manquera pas d’accroitre la
congestion de la voirie urbaine.
- Collecte des déchets dans le métro de New York (MTA, 2014)
Il s’agit de la collecte des déchets récoltés dans toutes les stations de métro de New
York, par des métros dédiés. La collecte s’effectue la nuit, et comme le métro de New
York circule 24h/24h, il s’agit de mixité, entre le transport de fret (déchets dans ce
cas) et le transport de voyageurs.
53
Cette solution permet la collecte de 14 000 tonnes de déchets par an, avec 11 métros
dédiés, couvrant 359 stations et totalisant 567 arrêts.
CarGoTram à Dresde Cargo-Tram à Zurich
Collecte des ordures - métro de New York Train et entrepôt de MONOPRIX

Figure II.4 : Photos de différentes expérimentations de fret urbain par rail
3. Conception d’un modèle de transport mixte fret / voyageurs dans

le réseau ferroviaire urbain
Nous avons développé un modèle de transport mixte fret / voyageurs, en prenant comme
support technique, le réseau ferroviaire urbain de la région Ile-de-France et en nous basant
sur :
- La revue de littérature précédente.

- Les trois études du PREDIT.
- Des discussions avec des experts du ferroviaire.
- Des observations sur le terrain du réseau parisien.
Dans un premier temps, cela nous permet de proposer une définition du transport mixte fret /
voyageurs, sur le réseau ferroviaire de transport de voyageurs en milieu urbain, comme suit :
- Quand on parle de milieu urbain, on entend la ville à l’intérieur de ses limites, ainsi
que sa banlieue et les agglomérations limitrophes. A titre d’exemple, la région Ile-de-
France, constituée de la commune de Paris au centre et de plusieurs agglomérations
limitrophes.
- Quand on parle de réseau ferroviaire en milieu urbain, on entend les différents modes
de transport sur rail. En effet, dans une ville, on peut trouver le métro, le tramway,
ainsi que le train de banlieue qui traverse la ville et dessert les agglomérations
limitrophes.
54
- Le réseau ferroviaire de transport de voyageurs est constitué de plusieurs

composantes. Quand on parle de mixité fret / voyageurs, on entend le partage d’au
moins une composante, pour le transport de marchandises.
L’intérêt porté au réseau ferroviaire de la région Ile-de-France, se justifie par l’importance de

ce dernier. En effet, il est composé de trois modes ferroviaires différents et complémentaires,
de plus, il s’étend sur près de 1 000 km de voies ferroviaires. La Figure II.5 montre l’étendue
du réseau ferroviaire dans toute la région d’Ile-de-France. Nous remarquons que le réseau de
métro se concentre au centre de la région, principalement à Paris intramuros, avec quelques
extensions au-delà. Le tramway est interconnecté à certaines de ces extensions et est déployé
à la périphérie de Paris. Quant au réseau de RER (train de banlieue), il couvre toute la région,
avec des interconnexions aux deux autres modes précédents. A noter que certaines lignes de
RER disposent de connections au réseau ferroviaire national (i.e. au réseau de trains de
passagers et de fret).
Réseau de métro*:
• 220 km
• 302 stations
Réseau de Tramway*:
• 104 km
• 181 stations
Réseau de RER**:
• 587 km
• 257 gares
* Il y a des stations d’interconnexions entre les différents modes de transport.

** Le réseau de RER couvre tout le territoire d’Ile de France, même les zones couvertes par le métro
et tramway.
Figure II.5 : Réseau ferroviaire en Ile-de-France
Ce réseau est appelé à s’étendre dans les prochaines années, dans le cadre du projet « Grand
Paris Express ». Il s’agit de 4 nouvelles lignes de métro automatisées, sur une distance de 200
km et comportant 68 nouvelles stations. Ces lignes formeront une boucle reliant les
différentes régions d’Ile-de-France autour de la ville de Paris, avec des interconnexions aux
anciennes lignes. Ce projet présente une opportunité supplémentaire, d’intégration de
nouveaux services dès la réalisation, telle que la mixité fret / voyageurs.
55
Dans le point suivant, nous allons identifier les différentes composantes d’un réseau
ferroviaire en milieu urbain.
3.1. Composantes du réseau ferroviaire urbain de transport de voyageurs

Comme présenté précédemment, il peut y avoir jusqu’à trois modes ferroviaires pour le
transport de voyageurs, en milieu urbain. Ces différents modes s’appuient sur trois
composantes, dont les rôles et fonctionnement sont analogues, seule l’échelle de la
composante et son utilisation diffèrent d’un mode à un autre. En effet, on compte trois
composantes principales comme suit :
- Les stations (ou gares) : la taille des stations varie selon le mode utilisé. Ainsi, les
stations de tramway sont les plus petites, puis celles dédiées au métro, enfin, celles
pour le train de banlieue. Trois formes de stations sont à recenser, comme le montre la
Figure II.6, à savoir :
 les stations aériennes : on les trouve particulièrement dans les réseaux de

métro, en ce qui concerne le train de banlieue, dans certaines zones seulement.
Pour le tramway, très rarement lorsqu’il n’y a pas assez d’espace au niveau de
la chaussée.
 Les stations au niveau de la chaussée : on les trouve particulièrement dans les
réseaux de tramway. En ce qui concerne le train de banlieue, elles sont plus
présentes dans les agglomérations peu denses, avec assez d’espace. Pour le
métro, très rarement.
Station aérienne
Station sous-terraine
Station au niveau de la chaussée

Figure II.6 : Les trois formes de stations ferroviaires en milieu urbain
 Les stations souterraines : comme le métro est généralement déployé dans des
villes existantes très denses, ce type de stations est le plus fréquent, puisqu’il
n’interfère pas avec l’existant. Cependant, c’est le type de station dont le coût
de réalisation est le plus élevé. En ce qui concerne le train de banlieue, lorsqu’il
56
traverse les centres urbains (telle que la ville de Paris), les stations sont de ce
type. Enfin, on trouve très rarement des stations de ce type, tout au long des
réseaux de tramway (en raison de l’incompatibilité du coût de ce genre
d’infrastructure avec le moyen de transport qu’est le tramway).
- Les voies ferrées : ce qui donne son nom à ces trois modes de transport, c’est leur
spécificité à rouler sur une voie ferrée dédiée (dites en site propre, parce que
exclusivement dédiée au mode de transport en question). Même schéma que pour les
stations, on compte trois situations possibles (illustrées par la Figure II.7) :
 Voies aériennes : ce type de voies est principalement utilisé pour les lignes de
métro (tel que la ligne 6 à Paris, une partie du réseau de New York et de
Chicago…). Plus rarement, on le trouve ponctuellement dans les deux autres
modes, pour passer un obstacle (tel qu’un fleuve ou une grande rue).
 Voies au niveau de la chaussée : le réseau de tramway est quasi-exclusivement
constitué de ce type de voies. Les moins coûteuses à mettre en œuvre, elles ne
nécessitent aucune infrastructure supplémentaire (hormis les voies elles-
mêmes). Dans plusieurs villes, où la voierie n’est pas assez large dans certaines
parties de la ville, le tramway partage son chemin avec les voitures. Pour le
métro, ce type de voies est très peu utilisé. Quant au train de banlieue, en
général les voies entres les agglomérations voisines, se trouvent au niveau de la
chaussée. Cependant, ces dernières se trouvent derrière une clôture.
Voies aériennes
Voies au niveau de la chaussée
Voies sous-terraines
Figure II.7 : Illustration des implantations possibles de voies ferrées
 Voies souterraines : c’est le type de voies qui coûte le plus cher, en raison de la
nécessité de creuser un tunnel. Ces voies sont principalement déployées dans
les centres urbains (très) denses pour les réseaux de métro, ainsi que, pour
permettre aux trains de banlieue de traverser la ville. Pour le tramway, on
57
compte très peu de voies de ce type (exceptionnellement dans des cas

d’évitements, où il n’est pas possible de procéder autrement, et sur de courtes
distances).
- Le matériel roulant ferroviaire (trains) : il s’agit de tous les véhicules qui roulent sur
une voie ferrée. Dans le cas des trois modes de transport précédents, on compte trois
types de matériels roulants (d’ailleurs, qui partagent le nom du mode en question).
Tous ces véhicules roulent à l’énergie électrique. La Figure II.8 montre un exemple de
chacun de ces trois modes comme suit :
 Tramway : les véhicules du tramway sont les plus petits parmi les trois modes
et ceux qui ont la plus faible vitesse de circulation. Les différentes
caractéristiques techniques de ces véhicules, varient d’une ville à une autre et
selon la génération du véhicule. Toutefois, pour apprécier ces caractéristiques,
un exemple à partir d’une ligne de tramway en région Ile-de-France, comme
suit : longueur : 30 m, largeur : 2,3 m, hauteur : 3,36 m, capacité maximum :
180 passagers et vitesse variant de 18 à 25 km/h.
 Métro : les véhicules de métro sont assez variables, d’une ville à l’autre, voire
d’une ligne à l’autre. On peut trouver des véhicules automatisés, semi-
automatisés ou avec conducteur. Leur longueur varie en nombre de wagons.
Puis, on trouve des métros sur pneumatiques ou bien, plus classiques, avec des
roues en aciers. A titre d’exemple, l’un des métros parisiens est caractérisé
par : longueur : 90 m, largeur : 2,5 m, hauteur : 3,5 m, hauteur intérieur : 2,14
m, hauteur porte : 1,9 m, largeur porte : 1,65 m, capacité maximum : 976
passagers et vitesse maximum : 80 km/h.
Métro
RER
Tramway
Figure II.8 : Exemple de matériels roulant de chacun des modes de transport en région Ile-de-France
58
 Train de banlieue : les trains de banlieue sont assez grands, avec de grandes
capacités de charge. Ils varient suivant les destinations desservies. Ainsi, on
trouve des trains à double étage, des trains courts et des trains longs. Aussi,
suivant les lignes empruntées, la vitesse peut varier énormément. A titre
d’exemple, l’un des trains utilisé pour la ligne A du RER (en Ile-de-France) :
longueur : 112 m, largeur : 2,9 m, hauteur : 4,32 m, largeur porte : 2 m,
capacité maximum : 2 600 passagers et vitesse maximum : 120 km/h.
3.2. Identification des cas de mixité possibles

Dans les points précédents, nous avons montré que les modes de transport ferroviaire de
voyageurs en milieu urbain, partagent une plateforme technique identique, basée sur trois
composantes principales. Aussi, nous avons relevé que chacun de ces trois modes de
transport, s’implémente à une échelle différente et a des particularités qui auront forcément un
impact, dans le cadre de l’intégration du nouveau service de transport de marchandises. Parmi
ces particularités :
- La taille et la capacité de l’infrastructure.

- La capacité de chargement du matériel roulant.
- L’accessibilité aux stations et au matériel roulant.
- La couverture de la ville par le mode de transport concerné.
Pour un même mode de transport, ces éléments peuvent varier d’une ligne à une autre et d’une
ville à une autre. Ceci implique leur considération dans le cadre d’études techniques de
faisabilité, contextualisée au cas spécifique étudié. Dans le cadre de ce travail, l’objectif est de
proposer une démarche méthodologique, pour l’intégration du flux de marchandises, à un
mode de transport ferroviaire en milieu urbain, dans la perspective de proposer un nouveau
service de transport de marchandises. Ceci implique de se limiter aux éléments communs de
tels modes de transport.
Comme mentionné précédemment, la mixité fret / voyageurs signifie le partage d’au moins
l’une des trois composantes précédentes. Une quatrième composante est à prendre en
considération lors de l’étude de la mixité, il s’agit du moment auquel les marchandises sont
transportées (i.e. les heures d’exploitation du service de fret). Nous avons étudié les
différentes possibilités et avons identifié plusieurs cas de mixité possibles (en comptant les
différentes combinaisons, il y a 19 cas de mixité possibles). La Figure II.9 montre ces
différents cas.
3.2.1. Mixité totale

Cette possibilité est encadrée en rouge sur la Figure II.9. Elle considère le partage de toutes
les composantes identifiées précédemment, à savoir : le matériel roulant, les voies ferrées et
les stations. Par conséquent, les horaires d’exploitation doivent impérativement être partagées.
En effet, comme on retrouvera dans le même train, les marchandises et les voyageurs
simultanément, le service de transport de marchandises doit s’effectuer durant les heures de
service du transport de voyageurs.
59
Matériel roulant Horaires d’exploitation Voies ferrées Stations
Partage de toutes les

stations
Circulation des deux flux
Augmentation du degré d’intégration de la composante « marchandises » au réseau de

Partage du moyen de transport : Partage des voies
durant les heures de Stations partagées
fret / voyageurs ferrées de toute la ligne
service
Trains partagés Horaires d’exploitation partagés Voies ferrées partagées Partage de quelques
stations
Stations partagées (Partiel)
Transport de
marchandises sur le Partage de toutes les
réseau de transport de stations
Circulation des deux flux Partage des voies
voyageurs (une ligne)
durant les heures de ferrées de toute la
transport de voyageurs
Stations partagées
service ligne
Horaires d’exploitation partagés Voies ferrées partagées Partage de quelques
Moyens de transport disjoints: stations
• Moyen dédié fret
Stations partagées (Partiel)
• Moyen dédié voyageurs
Trains dédiés Partage de (quelques)
stations + stations
dédiées
Partage des voies Stations partagées

Circulation du flux fret Stations dédiées
ferrées d’une partie de
hors heures de service
la ligne
Horaires d’exploitation dédiés Stations dédiées
Voies ferrées partagées (Partiel)
Stations dédiées
Partage des stations

Solution type consignes pour retirer des colis en station (livraisons effectuées par un autre moyen de transport non ferroviaires)
Stations partagées
Figure II.9 : Les niveaux de mutualisation des différentes ressources du système de transport ferroviaire pour une mixité fret / voyageurs
60
Ce cas de mixité est le plus complexe ayant été identifié, en raison du nombre de contraintes
liées au service de transport de voyageurs que le service de transport de marchandises doit
respecter. On retrouve aussi bien des contraintes techniques, qu’organisationnelles et
juridiques, telles que :
- La limitation de l’espace réservé aux marchandises dans le train de voyageurs. Au

maximum, cet espace ne doit pas impacter le confort lié à l’espace occupé par les
voyageurs, en se basant sur l’estimation de l’occupation maximum du train par les
voyageurs, durant les horaires d’exploitation du train avec la configuration adoptée.
- La limitation des temps d’attente des trains dans les stations, avec un temps d’arrêt
minimum, pour permettre aux voyageurs de monter et descendre, ainsi qu’un temps
d’arrêt maximum, pour ne pas dégrader la qualité de service du transport de voyageurs
(i.e. exaspération des voyageurs par des temps d’arrêt incompatibles, avec le service
de transport de voyageurs en milieu urbain).
- La limitation de l’espace occupé par les marchandises sur les quais de la station, pour
ne pas impacter le service de transport de voyageurs. Aussi, pour ne pas mettre en
danger les voyageurs, par les opérations de manutention.
- La nécessité de se synchroniser avec les horaires des trains et leur capacité actuelle,
sans pouvoir les adapter pour s’ajuster à la demande de transport de marchandises.
- Faire collaborer un personnel dédié aux voyageurs et un autre, dédié aux
marchandises, sur les mêmes équipements et infrastructures (i.e. nécessité de
coordination accrue).
A savoir, une limitation juridique très forte existe actuellement (comme cité précédemment),
qui concerne l’impossibilité pour le transporteur public de voyageurs d’effectuer le service de
transport de marchandises et de faire circuler les deux flux, fret et voyageurs simultanément.
Cependant, la première étude du PREDIT avait conclu que bien que cette limitation soit très
forte, il est possible de l’abroger, si toutefois, d’autres conditions sont réunies.
Pour ce cas de mixité, nous proposons d’avoir des trains avec des wagons dédiés aux
marchandises, séparés des wagons dédiés aux voyageurs (i.e. une séparation physique entre
les deux). Le(s) wagon(s) dédiés aux marchandises est (seront) placé(s) à l’arrière du train).
Aussi, une petite zone de stockage clôturée sur le quai de la station, pour y mettre les
marchandises à transporter temporairement. La Figure II.10 montre une modélisation du
système proposé, avec un wagon dédié aux marchandises (où les sièges et équipements pour
les voyageurs sont supprimés) et les autres wagons standard dédiés aux voyageurs. La Figure
II.10 montre aussi un petit espace pour 6 colis sur le quai.
A noter qu’on peut avoir deux possibilités de mixité dans ce cas :
- Toutes les stations de voyageurs seront équipées et utilisées pour assurer le service de
transport de marchandises.
- Quelques stations seulement, choisies de manière stratégique (ce dernier cas est le plus
probable).
61
Figure II.10 : Illustration du cas de mixité totale
3.2.2. Mixité partielle

La mixité partielle concerne les 16 possibilités de mixité, où les trains de marchandises sont
séparés physiquement des trains de voyageurs (i.e. trains dédiés pour chaque type de flux).
Dans ce cas, l’activité de transport de marchandises est effectuée, soit durant les horaires
d’exploitation du service de transport de voyageurs, soit hors de ces horaires. Si toutefois, le
service de transport de voyageurs s’arrête durant un moment de la journée (la nuit par
exemple).
Une 17ème possibilité de mixité est donnée par le cas où des espaces liés à l’activité de
transport de marchandises, sont implantées dans les stations ferroviaires.
Partage des horaires d’exploitation : il s’agit de la circulation des trains dédiés aux
voyageurs et des trains dédiés aux marchandises, au même moment. Nous avons identifié 4
cas de partage des stations, pour chacun 2 possibilités de partage des voies ferrées :
 Partage de toutes les stations de voyageurs / partage des voies ferrée de

toute (ou partie de) la ligne
Dans ce cas, les trains de marchandises s’arrêtent dans toutes les stations de
voyageurs, par lesquelles ils passent (sur toute ou partie de la ligne). Ils ont la
possibilité d’effectuer le chargement / déchargement de marchandises, dans
chacune des stations. Le problème principal dans ce cas est l’introduction des
trains de marchandises, dans le planning de circulation des trains de voyageurs,
pour effectuer le transport de marchandises sans perturber le service de
transport de voyageurs. Une attention particulière dans ce cas, doit être portée
sur :
1- La réduction des temps de chargement / déchargement des marchandises.

2- La synchronisation de la vitesse de circulation des trains dédiés aux
marchandises et ceux dédiés aux voyageurs.
62
3- La sécurisation de l’espace sur le quai dédié au chargement / déchargement

des marchandises, pour éviter les risques d’accidents avec les voyageurs.
Ce cas traduit l’exploitation en cours de la collecte des déchets à travers le

métro de New York (présentée dans la section 2.3.).
 Partage de quelques stations de voyageurs / partage des voies ferrées de
toute (ou partie de) la ligne
Dans ce cas, les trains de marchandises ne s’arrêtent pas à toutes les stations de
voyageurs. Ainsi, il n’y a que les stations stratégiques qui sont concernées par
l’activité de fret (i.e. celles où il y a une demande de transport potentielle
conséquente, mais aussi, assez d’espace pour réceptionner et effectuer la
manutention des marchandises). Cependant, comme les trains de marchandises
circulent sur les mêmes voies que les trains de voyageurs, qui marquent un
arrêt à toutes les stations, la problématique majeure (en plus de tout ce qui a été
identifié dans le cas précèdent) est l’ajustement de la vitesse des trains de
marchandises, pour ne pas perturber la circulation des trains de voyageurs.
 Partage de (quelques) stations de voyageurs + stations dédiées de
marchandises / partage des voies ferrées de toute (ou partie de) la ligne
Ce cas introduit une composante supplémentaire par rapport au cas précédent.
Il s’agit de stations exclusivement dédiées aux marchandises. Ces stations
peuvent être d’anciennes stations de voyageurs désaffectées (appelées stations
fantômes), d’anciennes plateformes techniques. Elles peuvent aussi être de
nouvelles stations construites spécifiquement pour la nouvelle activité, et ayant
été localisées stratégiquement, pour répondre à une demande conséquente et
pérenne. Dans tous ces cas, les stations dédiées peuvent se trouver, soit sur la
ligne (i.e. le long de la voie ferrée empruntée par les trains de voyageurs), soit
en débranchement (i.e. au bout d’une voie interconnectée à la voie ferrée
utilisée par les trains de voyageurs, mais qui n’est utilisée que par les trains de
marchandises, dans le but de rejoindre la station dédiée).
Dans ce cas, les stations dédiées au transport de marchandises comportent
moins de contraintes que les stations de voyageurs (particulièrement, les
mesures de sécurité). Aussi, la notion de station en débranchement relaxe une
problématique liée au temps de chargement / déchargement. D’autre part, elle
introduit une nouvelle problématique quant à l’introduction et la sortie des
trains de marchandises, sur la ligne de voyageurs sans perturber le service de
transport de voyageurs.
En ce qui concerne les stations de voyageurs utilisées pour l’activité de
transport de marchandises, la situation reste inchangée en comparaison du cas
précédent.
 Stations dédiées de marchandises / partage des voies ferrées de toute (ou
d’une partie de) la ligne
Ce cas se limite aux spécificités du cas précédent, en excluant l’utilisation des
stations de voyageurs. Les stations dédiées pouvant se trouver le long de la
voie ferrée empruntée par les trains de voyageurs, ou bien en débranchement.
63
Ce cas traduit l’exploitation durant 10 ans par MONOPRIX d’une portion de la

ligne D du RER à Paris, pour approvisionner ses magasins. Aussi, le cas du
Cargo-Tram de Zurich, ainsi que celui de Dresde. Ces trois cas sont présentés
dans la section 2.3.
- Horaires d’exploitation dédiées : il s’agit de la circulation des trains dédiés aux
marchandises, au moment où le service de transport de voyageurs est à l’arrêt. Cette
situation n’est possible que si le service de transport de voyageurs, sur la ligne en
question, s’arrête durant une période de la journée (en général, quelques heures durant
la nuit).
Cette solution requiert des conditions économiques spécifiques, pour être rentable. En
effet, il s’agira d’exploiter les équipements et les infrastructures, ainsi que mobiliser
du personnel, exclusivement pour assurer le service de transport de marchandises. Par
conséquent, il faut que la demande de transport soit assez importante, pour couvrir les
coûts d’exploitation et générer du profit. Dans ce cas, il y a une perte importante des
avantages de la mixité, liée à la mutualisation des différentes composantes, dans le but
de bénéficier des avantages de l’économie d’échelle. De plus, il faut noter que comme
le service de transport aura lieu, durant des horaires non travaillés initialement
(probablement la nuit), les coûts du personnel seront probablement majorés.
Par ailleurs, cette situation présente un avantage d’exploitation indéniable, relatif à la
relaxation de toutes les contraintes liées aux voyageurs et leur circulation sur le réseau.
Pareil que pour les horaires d’exploitation communs, nous avons identifié 4 cas de
partage des stations, pour chacun 2 possibilités de partage des voies ferrées :
 Partage de toutes les stations de voyageurs / partage des voies ferrées de

toute (une partie de) la ligne
Dans ce cas, les trains dédiés au transport de marchandises utilise toutes les
stations de voyageurs, comme plateformes de chargement / déchargements de
marchandises. L’avantage relativement au même cas dans la situation de
partage des horaires d’exploitation, est :
1- Pas de limite de temps lors des arrêts dans les stations, lié aux trains de
voyageurs.
2- Pas de limite dans la vitesse de circulation, lié à la synchronisation avec les
trains de voyageurs.
3- Pas de sécurité supplémentaire, pour considérer les risques d’accidents avec
les voyageurs sur les quais.
 Partage de quelques stations de voyageurs / partage des voies ferrées de

toute (une partie de) la ligne
Ce cas est similaire au précédent, sauf que juste quelques stations de passagers
sont utilisées pour le transport de marchandises (cas plus probable que le
précèdent, puisque pour des raisons économiques, il ne sera pas utile d’équiper
toutes les stations de passagers pour le transport de marchandises).
 Partage de (quelques) stations de voyageurs + stations dédiées de
marchandises / partage des voies ferrées de toute (une partie de) la ligne
64
Relativement à la situation de partage des horaires d’exploitation, ce même cas

n’a pas de contraintes relatives à l’introduction et la sortie des trains de
marchandises sur la ligne utilisée par les trains de voyageurs. Sinon ce cas
présente des similitudes avec les cas précédents, bénéficiant de l’avantage de
l’absence de voyageurs et de trains de voyageurs sur la ligne.
 Stations dédiées de marchandises / partage des voies ferrées de toute (une
partie de) la ligne
Ce cas est le plus simple parmi les 18 cas possibles, puisque aucune
modification ne doit être apportée aux infrastructures dédiées aux voyageurs.
Aussi, il n’y a aucune contrainte liée au service de transport de voyageurs étant
donné qu’il est à l’arrêt.
- Partage des espaces dans les stations
La station ou gare ferroviaire étant une composante à part entière du réseau de
transport de voyageurs en milieu urbain, ce cas, en marge de tous les autres, doit être
mentionné. En effet, il s’agit du partage de l’espace des stations ferroviaires, pour
assurer un service, lié à l’activité de transport de marchandises en milieu urbain.
Concrètement, ce service consiste à mettre en place des consignes pour livrer des colis
aux utilisateurs du réseau ferroviaire, lors de leur passage par les stations. Ce service
se substitue au service de points relais actuels, qui requiert pour les clients de faire des
détours, parfois importants, pour récupérer leurs colis.
L’avantage majeur de ce service, peut être perçu par l’importance du nombre de
personnes qui traversent le réseau ferroviaire urbain chaque jour. En Ile-de-France,
c’est plusieurs millions de voyageurs qui utilisent le réseau ferroviaire urbain
(exemple : 1,5 milliards de voyages par an sur tout le réseau de métro et plus d’1
millions de voyageurs par jour, sur la ligne A du RER).
A noter que ce service est en cours de déploiement dans plusieurs centaines de gares et
stations ferroviaires en France et dans d’autres pays européens.
4. Problématiques décisionnelles liées à la mixité fret / voyageurs

dans le réseau ferroviaire urbain
La réalisation et la mise en exploitation d’une solution de transport mixte fret / voyageurs,
requiert d’apporter des réponses décisionnelles, de manière optimale si possible. En effet, la
gestion des deux flux (i.e. marchandises et voyageurs) de manière indépendante, s’avère déjà
être une tâche assez complexe. La fusion des deux flux, en mutualisant les équipements et les
infrastructures augmente assurément cette complexité. De là, il est nécessaire d’identifier les
problématiques décisionnelles portées par l’introduction du service de transport de
marchandises, dans le réseau de transport de voyageurs, en milieu urbain.
4.1. Conception de la solution de transport étudiée

L’étude du réseau de transport de voyageurs, en considérant celui de la région Ile-de-France
(Figure II.5), nous a permis de faire ressortir deux caractéristiques principales, à savoir :
65
- Chaque ligne du réseau est physiquement indépendante des autres lignes (i.e. chaque
ligne dispose de ses propres voies ferrées, ses propres trains (métros, tramways ou
trains de banlieue), ainsi que ses propres quais dans les stations.
- Les lignes des différents modes de transport (i.e. les trois cités précédemment) sont
interconnectés entre eux de manière indirect, à travers des stations (ou gares)
d’interconnexions, avec rupture de charge (i.e. dans la station d’interconnexion, il est
nécessaire de quitter le moyen de transport de la première ligne, pour rejoindre celui
de la seconde, en traversant un certain parcours entre les quais des deux lignes, à
travers la station).
Ces deux caractéristiques nous permettent de schématiser un réseau ferroviaire en milieu

urbain, comme le montre la Figure II.11 (on s’est restreint à deux modes de transport
ferroviaire, chacun composé de deux lignes, pour ne pas alourdir le schéma). En effet, un
réseau aussi complexe que celui de la région Ile-de-France, n’est rien d’autre qu’une
reproduction des caractéristiques schématisées sur la Figure II.11, à l’échelle de trois modes
de transport ferroviaire et plusieurs dizaines de lignes, tous les modes confondus. Le transport
de marchandises à travers ce réseau, entre une « station de départ » et une « station
d’arrivée », s’effectue suivant trois schémas possibles :
- En utilisant une seule ligne du réseau : les marchandises sont chargées dans un train de
la ligne, transportées entre les deux stations (départ-arrivée) et déchargées dans leur
station d’arrivée.
- En utilisant deux lignes (ou plus) du réseau, même mode de transport : les
marchandises sont chargées dans un train de la ligne, transportées entre la station
départ et la station de correspondance, déchargées et transférées à l’aide d’un moyen
de manutention vers le quai du train de la seconde ligne de correspondance, puis
chargées dans un train de cette seconde ligne, sachant que ce train, est du même mode
que le premier : métro, tramway ou train de banlieue. Enfin, elles sont transportées
entre les deux stations (correspondance-destination finale) et déchargées dans leur
« station arrivée ».
- En utilisant deux lignes (ou plus) du réseau, plusieurs modes de transport : les
marchandises sont chargées dans un train de la ligne, transportées entre la station de
départ et la station de correspondance, déchargées et transférées à l’aide d’un moyen
de manutention vers le quai du train de la seconde ligne de correspondance, puis
chargées dans un train de cette seconde ligne (sachant que, ce train est d’un autre
mode que le premier). Enfin, elles sont transportées entre les deux stations
(correspondance-destination finale) et déchargées dans leur station d’arrivée.
Nous remarquons que les deux derniers schémas, suivent un même processus dans le cadre du
transport de marchandises, à partir de la station de départ, jusqu’à sa livraison vers sa
destination finale.
66
voie retour
voie aller
Mode de transport 2 :
ligne 1
voie retour
voie retour
voie aller
ligne 1
Correspondances avec voie retour

rupture de charge
voie aller
ligne 2
voie aller
ligne 2
Figure II.11 : Schématisation d'un réseau de transport ferroviaire en milieu urbain
Un exemple hypothétique, de l’utilisation du réseau ferroviaire urbain pour livrer des

marchandises entre deux points est donné par la Figure II.12. Cet exemple nous permet de
constater que le transport à travers plusieurs lignes du réseau, se réduit à un processus
répétitif, à chaque changement de ligne. Certes, un impact lié au transfert des marchandises,
d’une ligne à une autre existe et pose une problématique décisionnelle. Cette dernière
consistera à déterminer le moment idoine de ce transfert, pour ne pas déséquilibrer la charge
de chaque ligne utilisée, tout en respectant au mieux les contraintes commerciales de livraison
dans les temps, des différentes commandes en cours de livraison. Cependant, dans ce travail,
on se focalisera sur le transport de marchandises sur une seule ligne. La motivation principale
est liée au fait que c’est le problème à adresser en premier, si on souhaite montrer la faisabilité
de cette mixité. Une seconde justification est liée au fait que le démarrage d’une telle
perspective, a plus de chance de voir le jour dans cette version, pour éviter les ruptures de
charge dans le système ferroviaire. Enfin, l’extension sera plus simple après l’étude du cas
mono-ligne.
Ainsi, dans ce travail, nous allons nous limiter au cas composé d’une voie ferrée, tout au long
de laquelle se trouvent plusieurs stations, où il est possible de procéder au chargement /
déchargement des marchandises. Cette ligne est desservie par plusieurs trains de manière
régulière.
67
Station de départ
Une partie du réseau ferroviaire de la région
Ile-de-France (RATP)
Processus de transport de
marchandises à partir de
“Creil” jusqu’à “Haussmann
Saint-Lazare” (≈52km):
1. Chargement des
marchandises dans la
station de départ dans le
RER D.
2. Transport jusqu’à la
station intermédiaire
“Gare du Nord” (≈50km).
3. Déchargement des
marchandises et leur
transfert à l’aide d’un
moyen de manutention
jusqu’au quai du RER E et Station
leur chargement. intermédiaire
4. Transport jusqu’à la
station d’ arrivée
“Haussmann Saint-Lazare”
(≈2km).
Station
d’arrivée
Figure II.12 : Illustration du processus de transport de marchandises à travers le réseau ferroviaire de la région Ile-
de-France
4.2. Identification et description des problématiques décisionnelles

L’étude de la dynamique du transport de marchandises, à travers cette ligne, s’effectue en
considérant le cas de mixité le plus complexe (encadré en rouge dans la Figure II.9). La
schématisation de cette dynamique, à travers un zoom sur deux stations (départ-arrivée), est
donnée par la Figure II.13.
Ce schéma nous montre les différentes problématiques posées par la mise en exploitation
d’une telle solution de transport. En effet, nous avons identifié 9 problématiques aux trois
niveaux décisionnels (i.e. stratégique, tactique et opérationnel). A savoir, cette liste n’est pas
exhaustive, il peut être nécessaire de résoudre des problématiques supplémentaires, lors de
l’étude de cas particuliers, voire, pour certains autres cas de mixité identifiés dans la Figure
II.9.
68
Moyen de transport amont

marchandises & Dimensionnement des zones de stockage [Niveau Stratégique]
Zone de
déchargement Dimensionnement des trains [Niveau Tactique]
& Problème de bin packing 2D/3D dans les zones de stockage temporaires [Niveau Opérationnel]
manutention
Planification des trains [Niveau Opérationnel]
Station d’arrivée
Zone de
stockage Train (métro, tramway ou RER)
manutention
temporaire
Quai
manutention Zone de
Ligne d’interconnexion « rail » stockage
Quai
temporaire
Station de départ
manutention
Problème de bin packing 2D/3D à l’intérieur des trains [Niveau Opérationnel]
Livraison des marchandises dans la station de départ [Niveau Opérationnel] Zone de

chargement
Problème de planification du transport de marchandises [Niveau Opérationnel]
Moyen de transport aval

marchandises
Figure II.13 : Identification et décomposition des problématiques décisionnelles pour la mixité des flux fret / voyageurs
69
4.2.1. Au niveau stratégique

Il s’agit principalement d’activités de construction et de réaménagement des infrastructures et
/ ou équipements, nécessaires à l’intégration de l’activité de transport de marchandises.
Suite à l’étude du processus de transport de marchandises sur le réseau de transport de

voyageurs, une problématique liée au dimensionnement des zones de stockage temporaire (ou
zones tampons) a été identifiée (numéros 1 et 2 sur la Figure II.13). Cet espace est
indispensable dans l’exploitation du service de transport de marchandises, en raison de la
nécessité d’avoir recours à un moyen de transport tierce, en amont et en aval de l’activité de
transport par les trains. A leur réception, les marchandises sont entreposées dans cet espace, le
temps de pouvoir les affecter à un train, pour leur transport. Puis, lors de leur déchargement
dans leur station d’arrivée, elles sont entreposées dans cet espace, le temps que le moyen de
transport vers leur destination finale arrive (le moyen de transport aval peut être l’une des
solutions durables, citées dans le premier chapitre).
Que cela soit lors de la réalisation d’une nouvelle station (comme dans le cadre du projet
« Grand Paris Express »), ou dans le cadre du réaménagement d’une station existante (encore
plus intéressant, au vu de l’intérêt fondamental de l’idée de mixité, qui est de pouvoir utiliser
l’existant, dans le but d’intégrer le nouveau service et de générer un bénéfice supplémentaire),
cette problématique est cruciale. La solution optimale est à privilégier, en raison de l’impact
sur le long terme et du manque à gagner correspondant à un éventuel mauvais
dimensionnement. Deux cas se présentent :
- La nécessité de redimensionner cette zone après la mise en exploitation, requiert des

dépenses trop importantes. Aussi bien en espace souterrain qu’aérien, il est quasi
impossible de procéder à une extension. Au niveau de la chaussée, il y a rarement
assez d’espace en ville pour le faire.
- Un surdimensionnement lors de la réalisation coûtera plus cher, et au vu du coût du
foncier dans le centre-ville, la rentabilisation prendra plus de temps.
Le dimensionnement des zones de stockage, nécessite la disponibilité de plusieurs données,

dont les suivantes :
- Les prévisions de la demande potentielle de transport, autour de la station en question.

- La prévision de l’offre potentielle, à travers le nombre de trains traversant la ligne,
ainsi que l’espace pouvant être dédié aux marchandises dans ces trains.
- Les dimensions de l’espace pouvant être alloué à la réalisation de la zone de stockage.
- La définition des limites du service proposé (ex : avec ou sans correspondance,
possibilités de nivellement de la charge sur plusieurs stations voisines, etc.).
- La prévision des limites de temps d’attente des marchandises dans les stations, avant
et après leur transport par un train.
- Les temps d’attente des commandes dans leur station de départ, avant leur transport
par un train.
70
4.2.2. Au niveau tactique

Au niveau tactique, on retrouve les problèmes dont l’horizon est le moyen terme. Il s’agit
principalement d’activités à renouveler périodiquement, nécessaires à l’ajustement des
équipements utilisés, sur une certaine période, pour correspondre à la demande prévisionnelle.
L’étude du processus de transport de marchandises, nous a permis d’identifier une

problématique à ce niveau. Cette dernière, correspond au dimensionnement des trains
(numéro 3 sur la Figure II.13). Concrètement, la résolution de cette problématique doit
répondre à la question du nombre de wagons dédiés aux marchandises, dans un train de
voyageurs. Si la solution technique adoptée est composée de trains modulables avec des
wagons dédiés, il s’agira d’interchanger les wagons, pour avoir des trains avec la
configuration recherchée. Si les wagons eux-mêmes sont modulables, alors il suffira d’enlever
les équipements dédiés aux voyageurs (ex : banquettes, sièges, strapontins, barres de
maintien, etc.). Une troisième solution technique est envisageable, si des trains avec des
configurations fixes existent.
La modification de la configuration des trains, est une tâche qui nécessite un certain temps de
mise en œuvre, ainsi que la mobilisation de ressources humaines et matérielles. D’autre part,
elle est indispensable, pour maximiser la rentabilité dégagée par l’exploitation du service de
transport de marchandises. A ce titre, les trains peuvent être dimensionnés sur la base d’une
demande moyenne sur une période, ou bien, avoir des configurations différentes selon le jour
(jours de semaine ou weekend), ou selon les moments de la journée (matin, après-midi, soir).
A noter que le service de transport de marchandises est proposé durant les heures creuses de
la journée.
Le dimensionnement des trains nécessite aussi, la disponibilité de plusieurs données, dont les
principales étant les prévisions des deux flux fret / voyageurs et les temps d’attente.
4.2.3. Au niveau opérationnel

Au niveau opérationnel, l’horizon de décision est le plus court et le temps de réponse est
critique. Ainsi, ces problèmes sont traités, une fois que les précédents ont été considérés et
résolus (i.e. les questions relatives aux dimensionnements des espaces dans les stations et les
trains, ont été tranchées). Nous avons étudié la dynamique de circulation des flux de
marchandises, sur la ligne de transport de voyageurs, et avons identifié six problèmes
interdépendants entre eux. Plus précisément, les données de sortie de la résolution de l’un,
étant les données d’entrée de l’autre, ou ayant un impact indirect sur ces derniers.
- Problème de bin packing 2D/3D dans les zones de stockage temporaire (numéros
4 et 5 sur la Figure II.13)
Ce problème sera fixé (entre 2D et 3D) une fois la solution technique déterminée. En
effet, il s’agit d’abord de déterminer si les contenants des marchandises s’empilent,
puis, s’ils ont la même taille. Quelle que soit la solution adoptée, la problématique est
d’optimiser le rangement des marchandises dans la zone de stockage temporaire, avec
pour objectifs :
71
 Optimiser l’utilisation de l’espace (i.e. maximiser la quantité de marchandises

entreposées).
 Optimiser les temps de manutentions (i.e. minimiser le temps de manutention
de l’ensemble des marchandises transportées).
Un exemple peut être illustré par la Figure II.14. Supposons que les prochaines
marchandises devant être transportées sont celles en rouge. Dans ce cas, pour y avoir
accès, il est nécessaire de sortir le coli en bleu puis les deux colis rouge, enfin remettre
le coli bleu à l’intérieur de la zone. Si les colis rouges étaient placés à l’avant, on
aurait gagné deux opérations de manutention.
Figure II.14 : Exemple d'une zone de stockage temporaire
- Planification des trains (numéro 6 sur la Figure II.13)

Il s’agit de déterminer le planning optimal de circulation des trains, durant une période
d’exploitation. Ce planning doit, d’une part, être le plus proche du planning initial,
relatif au transport de voyageurs (étant donné que le service de transport de
marchandises ne doit pas le perturber). D’autre part, il faut inclure les données
relatives à la demande de transport de marchandises. Dans un second temps, cette
problématique devrait permettre, en prenant en compte les perturbations du système,
telles que : changements de la demande ou changement de capacité, d’ajuster l’offre à
la demande. En effet, si de nouvelles demandes de transport imprévues se présentent,
il faut adapter la nouvelle charge à la capacité, par exemple, en mettant en circulation
des trains supplémentaires.
- Problème de bin packing 2D/3D à l’intérieur des trains (numéro 7 sur la Figure
II.13)
Même situation que pour les zones de stockage temporaire, le choix de la 2D ou 3D ne
pourra se faire, qu’une fois la solution technique adoptée. Dans ce cas, la
problématique est d’optimiser le rangement des marchandises à l’intérieur des trains.
L’objectif est de :
 Maximiser l’utilisation de l’espace, en adéquation avec les spécificités du

service de transport de marchandises proposé (i.e. il faut que l’accès à chaque
colis puisse se faire en un temps limite, qui ne conduit pas à la perturbation du
service de transport de voyageurs).
 Minimiser le temps d’accès total aux colis, dans leur station de départ et leur
station d’arrivée.
72
 Minimiser le nombre total de manipulations des colis de marchandises pour

leur chargement et leur déchargement.
Nous avons évalué les différentes possibilités, dans le cas d’un seul niveau de
chargement des colis (i.e. pas d’empilement, soit le cas de la 2D). Ainsi, nous avons
identifié trois possibilités, comme le montre la Figure II.15.
Une seule rangée de colis larges : 1

+ Accès rapide au colis
+ Minimisation du nombre
d’opérations de manutention
- Petite quantité de marchandises
transportées
Deux rangées de colis larges : 2

+ Grande quantité de
marchandises transportées
- Maximisation du nombre
- Accès lent au colis
Deux rangées de colis à largeur

permettant la manutention : 3
= Quantité de marchandises
transportées moyenne
= Temps d’accès au colis moyen
+ Minimisation du nombre
Figure II.15 : Exemple de rangement de colis à l'intérieur du train (cas de la 2D)
 Pour la première possibilité, le colis bleu est déchargé sans avoir à manipuler
les autres colis.
 Pour la seconde possibilité, le déchargement du colis bleu requiert la
manipulation du colis qui le bloque.
 Pour la troisième possibilité, les trois colis en orange peuvent être déchargés
sans manipuler les autres colis. Cependant, l’espace pour la manutention étant
réduit, l’opération doit se faire avec précaution.
- Livraison des marchandises dans la station de départ (numéro 8 sur la Figure

II.13)
Cette problématique a pour but de maximiser le nombre de commandes à transporter
et d’optimiser l’utilisation des ressources du système, en régulant les flux d’arrivée
aux stations de départ. Un système dérégulé aura plusieurs conséquences négatives,
telles que : la saturation de certaines stations au détriment des autres, une sous-
utilisation des trains, des retards de livraison, etc. Pour cela, un système de tarification
basé sur le yield management (ou revenue management), peut être utilisé.
Pour mettre en place un système de tarification spécifique, il est nécessaire de
déterminer l’offre de transport potentielle dans chaque station et suivant les horaires
73
de la journée. Pour cela, il est indispensable d’étudier la dynamique du système et de

la circulation des flux de marchandises. La vitesse à laquelle les commandes sont
transportées à partir de chaque station est déterminante.
- Problème de planification du transport de marchandises par rail « FRTSP »
(numéro 9 sur la Figure II.13)
Cette problématique détermine le moment de chargement de chaque commande, ainsi
que le train qui doit la transporter. L’objectif est de transporter l’ensemble des
commandes, le plus rapidement possible (i.e. il s’agit de minimiser le temps d’attente
des marchandises dans leur station de départ). Plus précisément, il s’agit de minimiser
la différence cumulée entre les moments de chargement des commandes dans les
trains, et les moments de leur disponibilité dans leur station de départ pour être
transportées. Indirectement, cet objectif permet la maximisation du nombre de
commandes transportées à partir des stations.
Plusieurs contraintes techniques et organisationnelles sont considérées, telles que : la
limite des temps d’arrêt dans les stations pour le chargement / déchargement des
marchandises, l’espace disponible dans les trains et les temps d’arrivée des
marchandises.
Dans la suite de ce travail, nous allons nous focaliser sur ce problème. La première
raison est de montrer la capacité du système global à absorber un flux supplémentaire
de nature différente. Une deuxième raison concerne la quantification de cette capacité
de transport de marchandises, qui permettra d'estimer les recettes supplémentaires
correspondantes, pour l'entreprise de transport. De plus, le trafic de passagers restant
la priorité, ce nouveau service ne pourrait être viable, que s'il ne le perturbe pas. Ainsi,
la troisième raison est de montrer l’adéquation de ce nouveau service, avec les
contraintes très fortes, liées au service de transport de voyageurs. D’autre part, le
projet actuel du « Grand Paris Express » avec de nouvelles lignes et stations
ferroviaires, à concevoir et à construire, offre une opportunité d’intégrer le nouveau
service dès la conception. Ceci permettra de réduire les contraintes fortes, liées à
l’existant.
5. Conclusion
Dans ce chapitre, nous avons étudié la mixité fret / voyageurs, sur le réseau ferroviaire de
transport de voyageurs en milieu urbain, en considérant le cas de la région Ile-de-France. Pour
cela, nous nous sommes basé sur les quelques références dans la littérature, qui ont traité des
problématiques du type fret ferroviaire en milieu urbain. Nous citons quelques
expérimentations et exploitations (passées ou en cours) de ce type de solutions de fret urbain,
que nous jugeons proche de notre cas de mixité.
Sous certaines conditions, la faisabilité technico-économique d’une solution de fret urbain par
voie ferroviaire, a été démontrée par plusieurs chercheurs. Cette faisabilité a été expérimentée
sur le terrain, et on compte aujourd’hui quelques exemples en cours d’exploitation. Les
motivations ayant encouragé le développement d’une telle solution, peuvent être décrites à
travers les points suivants :
74
- La très bonne adéquation de ce mode de transport aux zones densément peuplées et

leurs caractéristiques (tel que : réseau routier saturé et réseau ferroviaire bien
développé).
- La réduction simultanée du trafic et de la pollution dans la ville.
- La possibilité d’absorber une part importante du transport domestique de
marchandises, en combinant les flux et en se connectant à un réseau de transport
multimodal.
- L’amélioration du rendement économique des équipements et infrastructures
ferroviaires de voyageurs.
Partant de ce constat, dans ce travail, nous proposons une démarche méthodologique, pour
l’intégration du flux de marchandises, à un mode de transport ferroviaire en milieu urbain,
dans la perspective de proposer un nouveau service de transport de marchandises. Le point de
départ étant l’identification de tous les cas possibles de mixité. Ainsi, nous avons identifié 19
cas de mixité, dont deux cas de mixité totale (i.e. toutes les composantes du moyen de
transport ferroviaire sont communes aux deux services, transport de voyageurs et de
marchandises).
On retiendra le cas de mixité le plus complexe, puis nous proposons une approche de
décomposition des problématiques décisionnelles, qui s’y posent. Ainsi, nous avons identifié
9 problématiques interdépendantes aux 3 niveaux décisionnels : 2 au niveau stratégique, 1 au
niveau tactique et 6 au niveau opérationnel. Nous avons montré que la résolution des
problématiques aux niveaux stratégique et tactique, nécessite la disponibilité d’un certain
nombre de données, issues de la future exploitation de cette solution de transport. En effet,
l’étude de la dynamique du système et de la circulation des flux est indispensable, à
l’évaluation de l’offre de transport potentielle. La vitesse à laquelle les marchandises sont
transportées à partir des stations, confrontée à la demande de transport (prévisionnelle),
permet d’évaluer les besoins en espace dans les zones de stockage temporaire. Aussi, elle est
indispensable au dimensionnement de la capacité des trains, en termes de transport de
marchandises.
La problématique décisionnelle nommée « FRTSP », permet d’avoir une partie de ces

données nécessaires. Aussi, elle permet de fournir les données nécessaires à la résolution de la
problématique décisionnelle numéro 8, relative à la gestion des temps de réception des
marchandises en amont du service de transport. La planification des trains pour faire face aux
variations de la demande (problématique numéro 6), requiert aussi la connaissance d’un
planning, aussi précis que possible, du transport des marchandises (i.e. pour ne pas mettre en
circulation des trains, dont il était possible de s’en passer). Nous avons relevé que le problème
« FRTSP », donne une première idée sur les capacités de la solution de transport étudiée, tout
en mettant à disposition des données indispensables à la résolution d’autres problématiques
décisionnelles.
Quant aux problématiques de bin packing, elles jouent un rôle important dans l’évaluation de
la faisabilité économique de la solution de transport étudiée. En effet, elles permettent
d’évaluer au plus juste les capacités du système, à travers la meilleure utilisation possible des
75
espaces alloués à la partie marchandises, et en réduisant les temps nécessaires à la

manutention des colis (à noter que ce dernier élément est très critique, dans un environnement
de transport urbain de voyageurs).
76
Chapitre III
Etat de l’art des méthodes de modélisation
des problèmes de transport
III. Chapitre III : Etat de l’art des méthodes de modélisation des

problèmes de transport
77
CHAPITRE III : Etat de l’art des méthodes de modélisation des problèmes de transport
1. Introduction
Les activités de transport de personnes et de marchandises posent plusieurs problématiques à
tous les niveaux décisionnels (i.e. stratégique, tactique et opérationnel). Que cela soit pour la
construction de réseaux logistiques, leur gestion et leur organisation, l’optimisation de la
circulation des flux (personnes et marchandises), l’optimisation de la circulation des véhicules
(planification des tournées et optimisation des parcours), etc. La majeure partie des
problématiques relatives à la chaîne logistique et au transport, sont des problèmes
d’optimisation combinatoire et sont classées dans la catégorie des problèmes NP-difficile
(Gupta & Könemann, 2011).
Une grande variété de méthodes de résolution exactes et approchées ont été proposées pour
résoudre de tels problèmes. Les solveurs sont souvent en mesure de résoudre les petites et
moyennes instances de manière optimale. Cependant, des modèles riches ou des instances de
grande taille, ne peuvent être résolus de manière optimale, même par les solveurs les plus
performants, dans des délais acceptables. Ainsi, il est nécessaire de développer des
algorithmes pour une résolution approchée (Alumur , et al., 2015).
Dans ce travail de recherche, nous nous intéressons à la conception et à la modélisation d’une

nouvelle solution de transport ferroviaire de marchandises en milieu urbain. Dans ce cadre,
plusieurs problèmes d’optimisation combinatoire sont identifiés. La simulation à évènements
discrets, en utilisant le logiciel ARENA, est proposée dans le but de comprendre le
comportement de cette solution de transport et d’étudier sa dynamique dans le temps. Le
modèle de simulation nous permet aussi, de reproduire les perturbations liées à la mise en
exploitation d’une telle solution de transport.
Un couplage simulation / optimisation est proposée. Il permet de considérer l’évolution du

système en prenant en compte la dynamique temporelle et de fournir des données actualisées
au modèle d’optimisation, à intervalle régulier. L’utilisation d’une approche de replanification
complète cette approche, avec l’objectif de minimiser les variations, engendrées par les
recalculs, suite aux perturbations de la demande.
Ce chapitre est structuré en quatre sections. Il dresse l’état de l’art des méthodes de
modélisation et de résolution, des problèmes proches du FRTSP.
2. Problèmes classiques de la littérature liés à la logistique urbaine

2.1. Problèmes classiques liés au transport
Beaucoup de travaux de recherche se sont intéressés au transport et ont utilisés différentes
méthodologies et différents outils pour atteindre leurs objectifs. Ces problèmes de transport
(et plus globalement, de logistique) peuvent être regroupés en plusieurs grandes familles de
problèmes, tels que :
- Le problème de transport « sources-destinations » (Fortz, 2012) : ce problème

concerne la détermination des quantités à livrer de produits à partir de plusieurs
sources différentes à destination de plusieurs clients, sachant que : 1- chaque source
78
dispose d’une quantité limitée, 2- chaque client a une demande maximum et 3- chaque
paire « source-destination » a un coût propre, proportionnel à la quantité transportée.
L’objectif dans ce type de problème est de minimiser les coûts de transport/livraison.
Aussi, des plateformes de transbordement peuvent être introduites, pour réduire les
coûts de livraison, à travers la mutualisation du transport sur une certaine portion
commune des parcours.
- Le problème de localisation (Melo, et al., 2009) : ce problème se pose suite aux
problèmes issus de la classe précédente et dans le cas où les installations de production
(sources) n’existent pas encore (donc il s’agit de les réaliser). Le problème décisionnel
en question, est de définir les localisations de leur implantation, dans le but de
minimiser les futurs coûts de transport ou les futures distances à parcourir pour
procéder aux livraisons.
- Le problème de tournée de véhicules (Dantzig & Ramser, 1959) : cette classe de
problèmes classiques en optimisation combinatoire, consiste à déterminer les tournées
optimales de plusieurs véhicules, dans le but de livrer plusieurs clients (à noter que
lorsqu’il n’y a qu’un seul véhicule, ce problème se réduit au problème du voyageur de
commerce). Plusieurs variantes de problèmes de tournées de véhicules existent. A titre
d’exemple : 1- avec fenêtre de temps, où il s’agit de livrer chaque client, sur un
intervalle de temps réduit, 2- avec collecte et livraison, où il s’agit pour les véhicules
de transport, de procéder à des collectes de marchandises, en plus des livraisons, 3-
contraintes de capacité, où les véhicules ont une capacité limité en termes de poids /
volume…
- Le problème d’affectation (Schrijver, 2005) : c’est l’un des premiers problèmes
d’optimisation combinatoire. Il a été étudié par Gaspard Monge dès 1784. Ce
problème est le plus souvent assimilé au problème de transport décrit précédemment.
La description classique de ce problème consiste à déterminer l’affectation de tâches à
des agents, sachant que chaque affectation tâche-agent a un coût, l’objectif étant de
minimiser le coût total des affectations. Appliqué au transport, il s’agira de déterminer
pour chaque commande (produits ou marchandises), le véhicule qui va la transporter.
Une variante plus complexe de ce type de problème existe, il s’agit du problème
d’affectation généralisée, qui introduit des contraintes supplémentaires. Ce problème
sera décrit plus en détail dans la suite de ce chapitre.
- Le problème de bin packing (Johnson & Garey, 1985) : ce problème consiste à
déterminer le meilleur placement d’objets, à l’intérieur de plusieurs contenants, dont
l’objectif est la minimisation du nombre de contenants pour tous les objets. Appliqué
au transport, ce problème se traduit par l’optimisation du chargement de véhicules de
transport (ex : camions) ou containers (à transporter dans des bateaux ou trains), dans
le but de minimiser le nombre de véhicules à utiliser pour transporter tous le produits.
Des contraintes sur le volume du contenant et le poids maximum supporté par les
véhicules sont à considérer.
Au-delà des autres problèmes d’optimisation combinatoire, qui peuvent être rencontrés en
transport, on peut relever dans certains cas, l’interaction de plusieurs de ces problèmes, pour
traduire un problème réel. Par exemple : un problème de tournées de véhicules avec
contraintes de capacité, associé à un problème de bin packing pour optimiser le chargement
79
des véhicules. Un problème d’affectation, associé à un problème de bin packing pour

optimiser l’utilisation de l’espace, etc.
Le problème principal étudié dans ce travail de recherche, sera réduit à un problème

d’affectation généralisée. Ainsi, pour mieux appréhender les spécificités de ce problème, nous
allons le présenter, ainsi que ses caractéristiques dans le point suivant.
2.2. Problème d’affectation généralisée

Le problème d’affectation généralisée a été décrit et étudié en détail, par plusieurs auteurs :
(Martello & Toth, 1990), (Cattrysse & Van Wassenhove, 1992), (Chu & Beasley, 1997) et
(Ramalhinho Lourenço & Serra, 2000). Ce problème considère la minimisation du coût
d’affectation de N tâches à M machines (agents), tel que chaque tâche est affectée à une seule
machine, sous la contrainte de capacité de cette dernière. Ce problème trouve des applications
dans plusieurs domaines, tels que : les problèmes de localisation, les réseaux de transport, les
réseaux de communication, les problèmes de planification des machines, les problèmes de
tournées de véhicules, etc. La Figure III.1 montre une schématisation du problème appliqué à
l’affectation de plusieurs commandes (lots) de produits de tailles différentes, à des véhicules
différents, qui ont des coûts de transport et des capacités différentes. L’objectif étant la
minimisation du coût de livraison de toutes les commandes.
Ce problème peut être formulé par un modèle mathématique de type PLNE. Les notations
utilisées se présentent comme suit :
- On considère un atelier de production composé de M machines (𝑚 ∈ [1, 𝑀]), qui

doivent réaliser N tâches (𝑛 ∈ [1, 𝑁]).
- L’exécution d’une tâche n par la machine m consomme les ressources de cette
machine (le temps d’exécution par exemple). On note 𝑏𝑛𝑚 la quantité de ressource
nécessaire à la réalisation de la tâche n par la machine m.
- Chaque machine à une capacité de ressources limitée notée 𝑎𝑚 .
- L’affectation d’une tâche n à une machine m engendre un coût noté 𝑐𝑛𝑚 .
Aussi, on définit la variable de décision :
1 𝑠𝑖 𝑙𝑎 𝑡â𝑐ℎ𝑒 𝑛 𝑒𝑠𝑡 𝑎𝑓𝑓𝑒𝑐𝑡é𝑒 à 𝑙𝑎 𝑚𝑎𝑐ℎ𝑖𝑛𝑒 𝑚

𝑥𝑛𝑚 = {
0 𝑠𝑖𝑛𝑜𝑛
Le PLNE s’écrit comme suit :
min 𝑓(𝑥) = ∑𝑀 𝑁
𝑚=1 ∑𝑛=1 𝑐𝑛𝑚 𝑥𝑛𝑚 (3.1)
s.c.
∑𝑁
𝑛=1 𝑏𝑛𝑚 𝑥𝑛𝑚 ≤ 𝑎𝑚 ∀𝑚 ∈ [1, 𝑀] (3.2)
∑𝑀
𝑚=1 𝑥𝑛𝑚 = 1 ∀𝑛 ∈ [1, 𝑁] (3.3)
𝑥𝑛𝑚 ∈ {0,1} ∀𝑛 ∈ [1, 𝑁], ∀𝑚 ∈ [1, 𝑀] (3.4)
80
L’objectif (3.1) étant la minimisation du coût total de l’affectation des tâches aux machines,
sous l’ensemble des contraintes (3.2) de capacité des machines et l’ensemble des contraintes
(3.3), qui permettent d’assurer l’affectation de chaque tâche à une seule machine. L’ensemble
des contraintes (3.4) représente les contraintes d'intégrité des variables de décision.
? ?
? ?
Figure III.1 : Schématisation du problème d'affectation généralisée dans le cas de marchandises à livrer
Il a été démontré que ce problème est NP-difficile dans (Fisher, et al., 1986). Toutefois,
plusieurs algorithmes de résolution exacte de ce problème, pour des instances de petite et
moyenne taille, ont été proposés par plusieurs auteurs dans : (Ross & Soland, 1975), (Fisher,
et al., 1986), (Guignard & Rosenwein, 1989), (Martello & Toth, 1990), etc. Dans
(Savelsbergh, 1997), l’auteur a proposé un algorithme qui fournit la solution optimale à un
problème composé de 20 machines et 200 tâches en moins de 1 160 secondes dans le pire des
cas. D’autre part, plusieurs heuristiques et métaheuristiques ont été proposées pour résoudre
des instances de taille plus importante. Dans (Amini & Racer, 1994), les auteurs ont proposé
une heuristique à recherche en profondeur variable, inspiré des travaux développés dans (Lin
& Kernighan, 1973) pour le problème du voyageur de commerce. Dans (Cattrysse & Van
Wassenhove, 1992), les auteurs ont formulé le problème sous forme d’un problème de
partitionnement et ont proposé une heuristique basée sur les techniques de génération de
colonnes. Dans (Chu & Beasley, 1997), un algorithme génétique est proposé pour améliorer la
qualité et la faisabilité des solutions explorées. Dans (Laguna, et al., 1995) et (Dıaz &
Fernández, 2001) des algorithmes de recherche tabous ont été proposé, pour la résolution du
problème de base et de certaines de ses extensions. Enfin, une autre classe de métaheuristique
a été utilisée par plusieurs auteurs, il s’agit des colonies de fourmis proposées, entre autres,
dans (Stützel, 1998), (Stützel & Hoos, 2000) et (Ramalhinho Lourenço & Serra, 2000).
3. Méthodes de résolution de la RO
En majorité, les outils utilisés par les chercheurs dans le cadre des études relatives aux
problématiques de transport, correspondent à des méthodes de résolution des problèmes
d’optimisation combinatoire. Ces méthodes de résolution sont classées en deux grandes
81
catégories, comme le montre la Figure III.2. D’un côté, nous avons les méthodes exactes qui
permettent de trouver et prouver l’optimalité. Cependant, pour la plupart des problèmes, les
temps de calcul augmentent exponentiellement en fonction de leur taille. Ainsi, d’autre part,
nous avons les méthodes approchées qui permettent de trouver des solutions faisables,
généralement de bonne qualité, avec des temps de calculs raisonnables.
Méthodes de
résolution
Exactes Approchées
Procédure par Programmation Heuristiques Métaheuristiques

séparation et évaluation linéaire
Programmation Programmation Constructives Diversifiantes À solution unique À population

dynamique par contraintes de solutions
Figure III.2 : Méthodes de résolution pour l'optimisation combinatoire
3.1. Méthodes exactes

La majorité des problèmes de transport peuvent être modélisés sous la forme d’un Programme
Linéaire en Nombre Entier « PLNE ». Un PLNE est un cas particulier des programmes
linéaires « PL », où les variables de décision sont dans l’ensemble des entiers. En moyenne,
un PL est résolu de manière assez rapide, en utilisant l’algorithme du simplexe. Cependant,
même si la relaxation des contraintes d’intégrité d’un PLNE facilite sa résolution, car elle le
ramène à un PL, la relaxation obtenue peut être très éloignée de l’optimum. Dans ce cas,
plusieurs autres approches de résolution sont utilisées, telles que la procédure de séparation et
évaluation, ou la programmation dynamique. Les points suivants permettent de détailler ces
différentes notions et méthodes de résolution :
- Programmation linéaire
Dans (Chvatal, 1983), une étude détaillée de la programmation linéaire, à partir de ces
origines, et à travers la présentation de différentes méthodes de résolution. Ainsi, la
programmation linéaire est une discipline mathématique relativement récente, qui doit
son émergence à la conception de la « méthode du simplexe » par G.B. Dantzig, en
1947, pour la résolution d’un problème de planification de l’US Air Force (qui a été
formulé sous la forme d’un programme linéaire).
Un problème de programmation linéaire est un problème de maximisation (ou
minimisation) d’une fonction linéaire, sujet à un nombre fini de contraintes linéaires.
En général, on utilise l’indice j pour les n variables « de décisions » et l’indice i pour
les m contraintes, ce qui nous permet d’écrire un PL sous la forme suivante :
𝑛
max ∑ 𝑐𝑗 𝑥𝑗 (3.5)
𝑗=1
82
s.c.
𝑛
∑ 𝑎𝑖𝑗 𝑥𝑗 ≤ 𝑏𝑖 𝑖 = (1,2, … , 𝑚) (3.6)
𝑗=1
𝑥𝑗 ≥ 0 𝑗 = (1,2, … , 𝑛) (3.7)
Cette écriture du PL est appelée la forme standard, avec (3.5) la fonction « objectif »
et (3.6) l’ensemble des m contraintes.
Une première méthode de résolution intuitive d’un PL, est la résolution graphique
(Nemhauser & Wolsey, 1988). Cette méthode ne peut être appliquée que si le
problème ne dépasse pas les 3 variables de décision. Chaque problème a un certain
nombre de solutions qui vont satisfaire toutes ces contraintes. On les appelle
l’ensemble des solutions réalisables S, cet ensemble peut être vide. Les autres
solutions, qui satisfont une partie des contraintes ou aucune d’elle, sont appelées des
solutions irréalisables. Ainsi, la représentation graphique des différentes contraintes,
permet de définir l’ensemble S (comme le montre la Figure III.3). La représentation de
l’objectif sous la forme d’une droite qu’on fait translater dans le sens de l’optimisation
(maximisation ou minimisation), nous permet l’obtention de la solution optimale (cette
solution peut être unique ou multiple). L’espace S est aussi appelé enveloppe convexe.
Aussi, la solution optimale se trouve forcément sur l’un de ses points extrêmes.
Figure III.3 : Exemple d'une résolution graphique d'un PL à 5 contraintes
L’exploration des différents points extrêmes, constitués par l’intersection des

différentes contraintes du PL, a été formalisée dans le cas général (peu importe le
nombre de variables), par l’algorithme du simplexe, qui a été développé par G.B.
Dantzig (Dantzig, 1951). Le principe de l’algorithme du simplexe est d’explorer les
points extrêmes, à travers un processus itératif, en améliorant la solution d’une
itération à l’autre.
Dans certains cas, la structure du problème fait qu’il est plus intéressant de passer par
la forme duale du PL, sachant que ce dernier a la même solution optimale que le
problème original.
- Programmation linéaire en nombres entiers
Un PLNE est un PL où toutes les variables sont entières, la formulation précédente
reste valable avec cette contrainte supplémentaire. Une forme intermédiaire entre PL
83
et PLNE existe. Il s’agit de la programmation linéaire en variables mixtes « PLVM »

(Nemhauser & Wolsey, 1988). La forme standard des PLVM se présente comme suit :
𝑛 𝑝
max ∑ 𝑐𝑗 𝑥𝑗 + ∑ 𝑑𝑘 𝑦𝑘 (3.8)
𝑗=1 𝑘=1
s.c.
𝑛 𝑝
∑ 𝑎𝑖𝑗 𝑥𝑗 + ∑ 𝑒𝑖𝑘 𝑦𝑘 ≤ 𝑏𝑖 𝑖 = (1,2, … , 𝑚) (3.9)
𝑗=1 𝑘=1
𝑥𝑗 ∈ ℤ+ 𝑗 = (1,2, … , 𝑛), 𝑦𝑘 ∈ ℝ+ 𝑘 = (1,2, … , 𝑝) (3.10)
Comme mentionné dans le préambule de cette sous-section, la résolution du PL obtenu
par relâchement de la contrainte d’intégrité, ne coïncide que très rarement avec la
solution optimale du PLNE. En effet, à la différence du PL, en général la solution
optimale du PLNE se trouve à l’intérieur de l’enveloppe convexe (Figure III.3) et non
pas sur sa frontière. De là, la résolution d’un PLNE requiert l’application d’approches
d’énumération et / ou de décomposition (Sun & Quilliot, 1993). Parmi ces approches
de résolutions : la procédure par séparation et évaluation (Lawler & Wood, 1966) et
(Narendra & Fukunaga, 1977), la programmation dynamique (Bellman, 1956), les
méthodes de coupes (Padberg & Rinaldi, 1991), les méthodes de génération de
colonnes (Vanderbeck & Wolsey, 1996), etc. Aussi, le problème formulé par un
PLNE, peut être formulé par la programmation par contraintes « PPC » (Mackworth,
1977).
- Procédure par séparation et évaluation « B&B »
Cette approche de résolution trouve ses racines dans (Land & Doig, 1960). Par la
suite, ses principes ont été développés par plusieurs auteurs tels que dans : (Bertier &
Roy, 1964), (Dakin, 1965) et (Roy, et al., 1965). Les algorithmes de type B&B
consistent à énumérer de manière implicite les solutions du PLNE, pour en trouver la
meilleure. Cependant, cette démarche implique des temps de calcul trop importants. A
titre d’exemple, l’exploration de toutes les solutions d’un PLNE avec 60 variables de
décision en (0,1), en utilisant un ordinateur qui met 10-9 secondes pour explorer
chaque solution, il faudrait 30 ans pour évaluer toutes les solutions possibles (Minoux,
1983). Ainsi, les schémas se basant sur l’énumération, procèdent de manière non
exhaustive.
La procédure de B&B a été décrite en détail par plusieurs auteurs tels que dans :
(Minoux, 1983), (Sakarovitch, 1984), (Nemhauser & Wolsey, 1988) et (Dell'Amico, et
al., 1997). Cette procédure se compose de deux étapes :
 La séparation : cette étape consiste à diviser le problème en plusieurs sous-
problèmes. Chaque sous-problème a un ensemble de solutions réalisables, dont
l’union recompose l’ensemble des solutions du problème. Cette décomposition
se fait à travers la représentation de l’ensemble des solutions S sous la forme
d’une arborescence. Les nœuds de cet arbre correspondent aux sous-problèmes
(le nœud de niveau 0 est appelé la racine et correspond à l’ensemble S). Pour
construire un niveau de l’arborescence, il faut choisir une variable de manière
arbitraire et lui fixer une valeur. La suite est effectuée à travers la deuxième
étape de la procédure.
84
 L’évaluation : pour parcourir l’arbre, un mécanisme d’évaluation est mis en

place. Ce mécanisme permet l’exclusion des sous-arborescences qui ne peuvent
contenir une solution optimale. De là, la performance de chaque algorithme de
type B&B dépend directement de cette fonction d’évaluation, dont la
performance est liée à l’écart entre la valeur qu’elle fournit et la valeur exacte
de l’optimum entier. Plus cet écart est faible, plus la qualité de l’évaluation est
bonne, ce qui permet de réduire le nombre de nœuds à examiner. Ainsi, le
mécanisme d’évaluation permet de réduire la taille de l’arbre à explorer, en
arrêtant l’expansion des branches qui ne contiennent pas une solution optimale.
L’arborescence est parcourue soit en largeur, en profondeur ou, en priorisant
les meilleurs nœuds à l’itération actuelle. A chaque séparation, la borne
supérieure pour un problème de maximisation (inférieure pour un problème de
minimisation) est calculée. En général, elle est obtenue à partir de la résolution
du sous-problème relaxé correspondant au nœud actuel (une relaxation linéaire,
par exemple).
- Programmation dynamique
La programmation dynamique a été proposée au début des années 1950 par R.E.
Bellman (Bellman, 1957), dans le but de résoudre des problèmes de chemins optimaux
(plus court ou plus long chemin). Depuis, cette méthode a été développée et est très
utilisée dans la résolution des problèmes d’optimisation combinatoire (Bellman &
Dreyfuce, 1962), (Denardo & Mitten, 1967), (Christofides, et al., 1981) et (Nemhauser
& Wolsey, 1988).
De la même manière que le B&B, cette méthode est basée sur le principe
d’énumération implicite, où les sous-ensembles de solutions sont retenus ou rejetés,
sans construire toutes les solutions possibles (les sous-ensembles rejetés sont ceux qui
ne présentent pas d’intérêt dans la recherche de la solution optimale).
La décomposition suivant le principe d’optimalité de Bellman est définie comme suit :
si (C) est un chemin optimal reliant le point A au point B (comme le montre la Figure
III.4) et si C appartient à (C) alors les sous-chemins de (C) reliant le point A au point
C et le point C au point B sont aussi optimaux.
Figure III.4 : Illustration du principe d'optimalité de Bellman
La mise en œuvre de cette méthode requiert le développement d’une formulation

récursive du problème. Le découpage étape par étape permet de définir la formule de
récurrence. A titre d’exemple, la recherche du chemin le plus court entre deux points
d’un graphe pondéré (illustré par la Figure III.5) par cette méthode se présente comme
suit :
 𝐹(𝑦) : la longueur minimale de tous les chemins reliant x à y.
 𝐿(𝑧, 𝑦) : la longueur minimale de tous les chemins relient z à y.
ainsi, la formule récursive s’écrit :
85
𝐹(𝑦) = min𝑧≠𝑦 (𝐹(𝑧) + 𝐿(𝑧, 𝑦)) (3.11)
Figure III.5 : Illustration d'un graphe pour la recherche du chemin le plus court entre x et y
- Programmation par contraintes

La PPC a été développée vers la fin des années 1970, pour résoudre des problèmes
d’optimisation combinatoire de grande taille, principalement, en planification et
ordonnancement (Mackworth, 1977) et (Haralick & Elliott, 1980). La démarche de la
PPC se fait en deux étapes : 1- la modélisation du problème sous la forme d’un
problème de satisfaction de contraintes « CSP », puis 2- l’utilisation active des
contraintes, dans la résolution de ce dernier.
Le CSP est un problème qu’on modélise sous la forme d'un ensemble de contraintes
relatifs aux variables, chaque variable prend ses valeurs dans un domaine. Ainsi, un
CSP est défini par trois composantes :
 𝑋 = {𝑥1 , 𝑥2, … , 𝑥𝑛 } : l'ensemble des variables du problème.
 D : la fonction qui associe à chaque variable 𝑥𝑖 son domaine 𝐷(𝑥𝑖 ) (i.e.
l'ensemble des valeurs que peut prendre 𝑥𝑖 ).
 𝐶 = {𝐶1 , 𝐶2, … , 𝐶𝑛 } : l'ensemble des contraintes. Chaque contrainte 𝐶𝐽 est une
relation entre certaines variables de X, qui restreint les valeurs que peuvent
prendre simultanément ces variables.
La résolution d’un CSP consiste en l’affectation de valeurs aux variables, de façon à
ce que toutes les contraintes soient satisfaites. Les notions associées à la résolution
d’un CSP peuvent être synthétisées comme suit :
 L’affectation est le fait d'instancier certaines variables par des valeurs prises
dans les domaines des variables.
 Une affectation est totale si elle instancie toutes les variables du problème.
Dans le cas où elle n'en instancie qu'une partie, elle est partielle.
 Une affectation est consistante si elle ne viole aucune contrainte. Dans le cas
où elle viole une ou plusieurs contraintes, elle est inconsistante.
 Une affectation totale consistante est une solution du problème.
L’utilisation des contraintes pour la résolution des problèmes, s’effectue à travers une
technique appelée « propagation des contraintes » (Baptiste, et al., 2003). Cette
technique procède par un mécanisme de déductions à partir des contraintes, afin de
réduire les domaines des variables. Cependant, la propagation des contraintes à elle
seule, n’est pas suffisante pour détecter toutes les inconsistances de l’espace de
recherche, en particulier dans le cadre des problèmes NP-difficile. Cette démarche doit
être complétée par un algorithme d’exploration de l’espace de recherche. Un schéma
global de la démarche est présenté dans (Baptiste, et al., 2003).
86
3.2. Méthodes approchées

L’objectif des méthodes approchées est de produire des solutions réalisables de la meilleure
qualité (voire optimale), sans se préoccuper de la preuve de l’optimalité. A la différence des
méthodes exactes et l’un des avantages majeurs de ces approches, c’est la rapidité avec
laquelle elles fournissent des solutions. En effet, elles sont en mesure de considérer la
complexité des problèmes réels, posés dans l’industrie (principalement liée à la taille des
données à traiter) et de fournir des solutions assez rapidement. Ces méthodes peuvent être
classifiées comme suit :
- Heuristiques
Une heuristique est une règle spécifique à un problème donné, qui permet de trouver
une, voire des solutions réalisables, souvent loin de l’optimalité, mais le temps de
réponse est très court, en contrepartie. Elles sont principalement utilisées dans les cas
où il n’y a pas d’autres alternatives, pour la résolution de problèmes avec des
contraintes de temps et d’espace.
- Méthodes de recherche locale
La recherche est initiée à partir d’une solution existante, suivie d’une recherche de
voisinage, pour améliorer la solution. Il y a trois types de recherche locale : 1- à
voisinage proche « LS », 2- à large voisinage « LNS » et 3- à voisinage variable
« VNS ». Ces méthodes sont décrites en détail dans (Siarry, 2014).
Ce qui est appelé voisinage, c’est l’ensemble des solutions pouvant être obtenues par
application d’une transformation (permutations ou mouvements) de la solution
courante. Parmi les procédures de transformation : 1- la recherche du meilleur
d’abord : qui consiste en la construction d’un arbre de recherche, où à chaque
itération, le voisin sélectionné est celui qui permet l’amélioration de la solution (le
premier à être trouvé). 2- la recherche du meilleur voisin : même chose que la
première procédure, sauf que le meilleur voisin choisi est sélectionné à partir de tous
les voisins de même niveau de l’arbre de recherche (i.e. tous les voisins sont testés et
celui qui améliore le plus la solution est sélectionné).
La solution obtenue à l’issue de l’application d’une méthode de recherche locale, est
appelée optimum local.
- Métaheuristiques
Les métaheuristiques permettent de trouver des solutions réalisables, de la meilleure
qualité possible, en un temps raisonnable. De plus, elles sont génériques, puisqu’elles
peuvent être adaptées à n’importe quel problème.
Créées au début des années 1980, elles ont connu un développement très important ces
dernières années. Elles sont conçues pour la résolution de problèmes d’optimisation
combinatoire difficiles, qui ne peuvent être résolus à travers des méthodes exactes ou
des heuristiques. Formellement, selon (Osman & Laporte, 1996), une métaheuristique
est un processus itératif qui pilote une heuristique subordonnée, combinée à diverses
techniques, dans le but d’exploiter et d’explorer au mieux l’espace de recherche. Des
stratégies d’apprentissage sont utilisées pour structurer l’information afin de trouver
des solutions proches de l’optimum (voire optimales dans certains cas).
87
Deux familles de métaheuristiques sont à distinguer, à savoir, celles qui ne manipulent

qu’une seule solution à la fois et celles qui manipulent une multitude de solutions.
 Métaheuristiques à solution unique
Plusieurs métaheuristiques de ce type ont été développées. Parmi les plus
utilisées et rapportées dans la littérature (Siarry, 2014), on retrouve :
1- La procédure de recherche gloutonne randomisée « GRASP » : elle a été
développée par (Feo, et al., 1994), son principe est de créer à chaque
itération, une nouvelle solution, en faisant appel à un algorithme glouton
aléatoire. Cette solution est améliorée avec une procédure de recherche
locale. Le processus est renouvelé un nombre d’itération fois, à l’issue
duquel la meilleure solution trouvée est retenue.
2- La recherche locale itérative « ILS » : très utilisée par plusieurs auteurs, tels
que dans (Johnson, 1990), elle applique le même principe que GRASP.
Cependant, la solution de départ pour chaque itération est obtenue suite à
l’application d’une perturbation aléatoire au niveau de la meilleure solution
courante.
3- Le recuit simulé « SA » : développé dans (Kirkpatrick, et al., 1983), il
s’inspire d’un processus métallurgique qui consiste en le recuit thermique.
Le principe adopté permet de sortir des optimums locaux et d’augmenter
les chances de converger vers l’optimum global.
4- La recherche tabou « TS » : développée dans (Glover , 1986), se base sur
un processus itératif d’exploration de l’espace de recherche, en utilisant une
liste « tabou » qui enregistre les dernières solutions explorées. Cette liste
lui permet de sortir d’éventuels optimums locaux, ce qui peut induire le
passage par des solutions de moins bonne qualité, mais dans le but de
converger vers l’optimum global.
 Métaheuristiques à population de solutions
Principalement inspirées par des phénomènes observés dans la nature, ces
métaheuristiques présentent de très bonnes performances dans la résolution des
problèmes d’optimisation combinatoire difficiles. Dans ce qui suit, quelques
rappels sur les métaheuristiques les plus connues de ce type :
1- Algorithme génétique « GA » : introduite dans (Holland, 1975), cette
métaheuristique démarre à partir d’une population de solutions initiale,
qu’elle améliore au fur et à mesure des itérations. C’est ce qu’on appelle
des algorithmes évolutionnistes. L’inspiration des GA vient de l’évolution
naturelle des espèces, grâce aux croisements, sélections et mutations, pour
faire évoluer la population de solutions, qu’on représente sous la forme de
chromosomes, vers l’optimum. Le mécanisme de base étant le croisement à
chaque itération, de deux chromosomes parents de la population (en
favorisant les plus prometteurs), pour l’obtention d’un ou deux
chromosomes enfants. Aussi, des mutations à ces chromosomes enfants
peuvent être appliquées, afin de diversifier l’espace de recherche et éviter
les convergences prématurées.
88
2- Recherche dispersée « SS » : décrite dans (Martí, et al., 2006), cette

métaheuristique fait partie des algorithmes évolutionnistes (de la même
manière que les GA), sauf qu’elle y intègre un mécanisme de recherche
locale. En effet, à chaque itération, elle génère un sous-ensemble de
solutions composé d’éléments répondant à des critères de qualité et de
diversité, appelé ensemble de référence. Les solutions de plusieurs
ensembles de références sont combinées pour produire de nouvelles
solutions. Par la suite, une recherche locale est exécutée pour améliorer la
solution, en remplaçant les éléments les moins bons, tout en satisfaisant
l’ensemble des critères de qualité et de diversité. L’algorithme s’arrête
après un nombre donné d’itérations, en retenant la meilleure des solutions
trouvées.
3- Optimisation par essaims de particules « PSO » : introduite dans (Eberhart
& Kennedy, 1995), cette métaheuristique s’inspire des mouvements
coordonnés qu’on retrouve dans le monde des animaux et des insectes. Tel
que les déplacements en groupe des oiseaux, dans le but de chercher de la
nourriture ou d’éviter des prédateurs. Les algorithmes de type PSO font
collaborer les individus de l’essaim (appelés particules), dans le but de
converger progressivement vers l’optimum global, à partir de plusieurs
optimum locaux. La démarche adoptée pour cela, s’appuie sur une équation
de mouvement pour les particules, dont les éléments sont : 1- à
l’initialisation, chaque particule est positionnée aléatoirement, 2- la vitesse
actuelle de la particule (pondérée par un facteur appelé inertie), 3- sa
meilleure solution (pondérée par un facteur tiré aléatoirement) et 4- la
meilleure solution obtenue dans son voisinage (aussi pondérée par un autre
facteur tiré aléatoirement). A savoir que le PSO est plus performant pour
les problèmes en variables continues.
4- Optimisation par les colonies de fourmis « ACO » : introduite dans
(Dorigo, et al., 1991), cette métaheuristique a connu beaucoup de
développement, du fait des résultats intéressants obtenus lors de la
résolution de plusieurs problèmes d’optimisation difficiles. Comme le PSO,
l’ACO s’inspire aussi du comportement du monde des insectes, à travers
les colonies de fourmis et les phénomènes d’auto-organisation et
d’émergence qui les caractérisent. Le principe emprunté par l’ACO aux
fourmis est celui qu’elles déploient lors de la recherche de sources de
nourriture et son acheminement jusqu’à leur nid. Une fois la source
trouvée, les fourmis laissent derrière elles, des traces de phéromones pour
guider les autres fourmis. La particularité liée à l’évaporation des
phéromones, conjuguée à l’exploration de plusieurs chemins, explique
l’attrait des fourmis vers le chemin le plus court. En effet, celui-ci se trouve
avec la plus grande concentration de phéromones, puisqu’il sera le plus
emprunté le plus rapidement, au détriment des autres chemins qui sont
délaissés progressivement, en raison du phénomène d’évaporation des
89
phéromones. Tout cela, sans que les fourmis n’aient une vision globale du
trajet.
Appliqué à un problème d’optimisation, ce principe se présente comme un
mécanisme de construction d’une population de solutions à chaque
itération. En effet, chaque fourmi construit une solution complète et laisse
une trace de phéromone sur le chemin de construction de la solution, qui est
proportionnelle à la valeur de la fonction objectif (dans le cas d’un
problème de maximisation et inversement dans le cas d’une minimisation).
Lors de la construction de la solution, chaque fourmi sélectionne la
prochaine composante de la solution qu’elle construit, en fonction des
traces de phéromones précédentes (exploitation de l’expérience acquise),
ainsi qu’en fonction d’une heuristique (orientée ou aléatoire) qui permet
d’explorer d’autres solutions (diversification) et ne pas converger et rester
bloqué dans des optimums locaux.
Pour le problème d’affectation généralisée, on compte plusieurs tentatives
de résolution avec des algorithmes de type ACO, qui ont présenté de très
bonnes performances (comme cité dans la section 2.1 de ce chapitre).
Dans ce travail de recherche, nous allons adapter l’ACO pour résoudre le
FRTSP.
4. Problèmes de replanification
L’absorption des perturbations qui sont assez fréquentes, durant les périodes d’exploitation,
est l’un des challenges les plus importants pour les entreprises. Elle a un impact direct sur la
compétitivité et la performance de l’entreprise. Ainsi et pour faire face aux perturbations,
plusieurs outils d’aide à la décision existent, dont des solutions de replanification qui
améliorent sensiblement la gestion des perturbations (Cauvin, et al., 2009). Assez répondu en
gestion de production, la replanification trouve beaucoup d’applications, dans les différents
niveaux de la chaine logistique.
Dans ce travail de recherche, nous allons considérer les changements en cours d’exploitation,
en particulier celles concernant la demande, en utilisant une approche classique d’horizon
glissant, pour re-planifier le FRTSP. Cette approche est basée sur une formulation
mathématique de type programmation linéaire, avec des caractéristiques d’exécution
spécifiques et dont l’objectif est de minimiser les changements, par rapport aux décisions
prises lors de la prise de décision originale.
Le modèle mathématique sujet de la replanification est soit un PL, PLNE ou PLVM,

reprenant les caractéristiques présentées dans la section 2.2.1. Cependant, sa mise à jour
requiert l’utilisation de l’horizon glissant (Hétreux, 1996), pour la prise en charge des
changements de la demande.
90
4.1. Le principe d’horizon glissant et résolution d’un problème de

replanification
Le principe d’horizon glissant a été décrit et utilisé par plusieurs auteurs, pour prendre en
charge plusieurs problématiques réelles. Dans (Chand, et al., 2002), une revue
bibliographique des travaux majeurs, ayant contribué à l’essor de cette approche.
Dans toutes les activités liées à la production et à la logistique, les données concernant les
commandes des clients ne sont que rarement connues avec certitude. Lorsque c’est le cas, la
demande est connue sur un horizon de temps restreint (l’étendue de l’horizon varie en
fonction de l’activité et de l’industrie concernées). D’où, le premier paramètre à définir, c’est
l’horizon de planification « HP ». Pour comprendre le principe de cette approche dans le cas
général, on suppose que cet horizon est composé de « P » périodes.
De plus, même sur une période de temps donnée, aussi bien en production qu’en logistique
(plus globalement), les aléas et perturbations (telles que des défaillances humaines ou
matérielles, voire évènements exceptionnels externes) sont des éléments avec lesquels les
entreprises doivent composer. La préservation de leur performance est fortement liée à leur
capacité de prise en considération de ces derniers. C’est pourquoi chaque nombre donné de
périodes « ΔP », un réajustement des décisions prises au plan précédent, doit être effectué.
Pour cela, un nouveau paramètre est défini, c’est le pas de planification « r ». En théorie, la
valeur maximale que peut prendre r est HP , cependant et selon (Thierry, 2003), il est
préférable d’avoir une fréquence de planification plus importante, dans le but de prendre en
compte les aléas au plus tôt. Même si dans (Galasso, 2007), l’auteur est d’accord avec ce
raisonnement, il note toutefois que choisir un pas de planification long, entrainant un gel des
décisions lointaines, permet d’assurer la stabilité des plans précédents.
Enfin, même si une entreprise doit intégrer les conséquences de l’occurrence d’aléas de tous
les types, dans ses plans d’activités, il ne reste pas moins nécessaire d’assurer la stabilité des
systèmes sur un certain horizon, où les décisions prises lors du dernier plan, ne peuvent être
modifiées. D’où, la dernière notion à définir est l’horizon gelé « HG ». L’intérêt majeur de HG
est la limitation de la nervosité du système, à travers la non considération d’éventuelles
modifications tardives (Fontan, et al., 2001). A savoir que le complément de HG dans HP est
appelé l’horizon libre « HL » (i.e. les décisions prises pour une application dans HL peuvent
être remises en question par la nouvelle planification).
Les différentes notions définies, sont illustrées sur une échelle temporelle, par la Figure III.6.
Trois itérations sont schématisées, telles que :
- L’itération 1 représente le plan initial, qui est établi à travers la résolution d’un modèle
mathématique, dont l’objectif est d’obtenir le meilleur plan initial, au vu des données
disponibles.
- Les itérations 2 et 3 (et le suivantes) représentent les plans réajustés, en considérant les
changements durant la période 𝑟 écoulée et ayant un impact sur les périodes futures.
Ces plans sont obtenus à travers la résolution d’un modèle mathématique de
91
replanification, dont l’objectif est de minimiser les changements engendrés par la prise
en compte des perturbations.
0 DP 2*DP P DP+P 2* DP+P Temps
r
Itération 1
HG
HP
²
r
Itération 2
HG
HP
r
Itération 3
HG
HP
Horizon gelé : décisions irréversibles

Horizon libre : décisions modifiables (si nécessaire)
Figure III.6 : Illustration de l'approche par horizon glissant
4.2. La replanification dans la gestion de la chaine logistique

Aux différents niveaux de la chaine logistique, plusieurs travaux ont traités les aspects
dynamiques, ainsi que l’intégration des aléas, par des approches de replanification
implémentées en utilisant plusieurs outils. En effet, l’environnement tout au long de la chaine
logistique est incertains et souvent affecté par des évènements aléatoires tels que : les
commandes de dernière minute, annulation de commande, retard dans la production,
machines en panne, rupture de stock des matières premières, etc. Tous ces évènements
peuvent rendre les plans d’approvisionnement et de production initiaux obsolètes. Pour les
rétablir et les rendre à nouveau opérationnels, la replanification offre un outil assez
performant. Parmi les premiers travaux menés sur cette approche en production, ceux de (Wu,
et al., 1992), où il s’agit de procéder à la replanification des activités d’un atelier de
production, soumis à des perturbations.
Dans un contexte de production, plusieurs travaux ont décliné des approches de

replanification dans le cadre d’ateliers de production, avec diverses organisations (job shop,
machines parallèles, machine unique…) tels que les articles de (Guo, et al., 2016) et (Akkan,
2015) qui traitent des problèmes de replanification, dans un contexte d’atelier à une seule
machine. Dans le premier article, les pièces produites peuvent nécessiter des retouches sur la
machine (pour rectifier certains défauts). Le problème étant de les insérer dans le plan de
production initial, avec un objectif de minimisation des temps d’attente. Quant au second
article, il s’agit d’intégrer de nouvelles commandes, avec un objectif de minimisation du
retard de production maximum. Dans un autre article (Yin, et al., 2016), un atelier à machines
92
identiques parallèles est considéré. Dans un premier temps, un plan de production initial est
établi, avec un objectif de réduction de la durée totale de production. Puis, durant la phase de
production, des perturbations liées aux pannes des machines sont considérées. Un modèle de
replanification est proposé, avec un objectif de réduction des changements par rapport au plan
initial. Pour cela, les dates d’achèvement de chaque tâche dans le premier plan, deviennent
des dates échues du modèle de replanification, ainsi, l’objectif de ce dernier devient la
réduction des retards « virtuels » de production.
Dans (Sabar, et al., 2009), les auteurs ont proposé une approche multi-agents, pour traiter un
problème de replanification de l’affectation du personnel dans un centre d’assemblage.
L’affectation s’effectue en fonction de la compétence des employés, de leur mobilité et de
leur préférence, avec un objectif de minimisation des coûts opérationnels et de l’insatisfaction
des employés. Les perturbations considérées pour la replanification de l’affectation sont celles
relatives à l’absentéisme des employés. Le principe adopté dans cet article est d’établir un
plan d’affectation initial, avant le début de la période de production. Puis, au début de la
production et après constat des personnes absentes de leur poste de travail, le modèle de
replanification n’est lancé que sur les activités devant être exécutées par les absents. Ces
activités doivent être affectées au personnel présent avec les mêmes contraintes et objectifs,
que dans le plan initial. Cette approche a montré une bonne performance, tant sur le plan de la
qualité de la solution proposée, que sur le temps de calcul nécessaire à l’élaboration du
nouveau plan.
Un autre problème de planification logistique a été étudié dans (Silva, et al., 2008). Ce
problème concerne la considération d’annulation de certaines commandes. L’article effectue
une comparaison entre deux méthodes de résolution : GA et ACO, dans la résolution de divers
problèmes d’optimisation (problème du voyageur de commerce, problème d’affectation
quadratique, problème de tournée de véhicules et problème de job-shop), dans un contexte
statique, puis dynamique (avec replanification dans le cas des perturbations). Cette étude a
montré que les deux métaheuristiques étaient performantes (i.e. elles fournissent des solutions
équivalentes), cependant, la métaheuristique GA fournit plus rapidement les solutions dans le
cas des problèmes statiques, à contrario, l’ACO est beaucoup plus rapide dans le cas
dynamique, puisqu’elle capitalise les calculs du cas statistique, grâce à la phéromone, pour
poursuivre la recherche et fournir un réajustement de la solution.
D’autre part, et dans un contexte où le challenge environnemental est au centre de toutes les
préoccupations, dans (Salido, et al., 2017), les auteurs proposent un modèle de replanification
dans un atelier de type job-shop. Mêmes préoccupations que celles présentées par les autres
travaux, à savoir, dans un environnement dynamique, les perturbations font partie du
quotidien de l’entreprise. Suite à l’occurrence de ces perturbations, les plans initiaux ne sont
plus optimaux et requiert des réajustements. Pour cela, il est proposé un modèle de
replanification implémenté à travers un algorithme mimétique, dont l’objectif est double. En
effet, il s’agit de préserver le temps de production total, tout en réduisant la consommation
énergétique sur la période impactée par les changements dus à la replanification.
93
Dans (Vieira, et al., 2003) et (Herrmann, 2006), une revue de littérature de plusieurs travaux
en replanification a été réalisée et une formalisation des concepts et définitions usités a été
proposée.
4.3. La replanification dans le transport ferroviaire

La replanification dans la gestion des perturbations en temps réel, dans le secteur du transport
ferroviaire, est un domaine très actif dans la recherche opérationnelle (Cacchiani, et al., 2014).
Cela concerne principalement, le transport ferroviaire de voyageurs. Dans le cas d’occurrence
des perturbations, les spécificités du système ferroviaire et de son exploitation, font qu’il est
nécessaire de procéder à une replanification séquentielle, comme suit :
1- Replanification de la circulation des trains : le planning de circulation des trains

contient les itinéraires des trains (i.e. stations de départ et d’arrivée, et les stations
intermédiaires), ainsi que les heures de départ et d’arrivée. Les problématiques
soulevées à ce niveau sont très complexes et peu d’algorithmes sont en mesure de
considérer cette complexité (Sato, et al., 2013). Ceci oblige les transporteurs à faire
appel à des experts, pour procéder aux replanifications, en fonction des perturbations
et des différents paramètres. Pour répondre à ce challenge, plusieurs travaux de
recherche sont menés à ce niveau, considérant plusieurs types de perturbations et
appliqués à diverses configurations de réseaux ferroviaires (lignes uniques, multi-
lignes, transport urbain, ou encore à grande vitesse).
Dans un contexte d’un système ferroviaire performant et durable (i.e. caractérisé par
une haute sécurité et accessibilité, une haute performance énergétique et offrant des
services fiables et ponctuels), dont l’amortissement des coûts importants qu’il génère,
doivent être couverts par une fréquence élevée des trains. Le challenge de la prise en
charge des conséquences des perturbations éventuelles est d’autant plus important.
Au-delà de la nécessité de fournir une bonne solution lors de la replanification du
planning des trains, dans (Törnquist Krasemann, 2012) une heuristique qui fournit des
solutions rapidement a été développée, pour répondre aux exigences liées à ce
contexte. Dans (Altazin, et al., 2017), la replanification est proposée pour la réduction
de la propagation des retards en présence de perturbations. Un PLNE est développé
pour réajuster le plan de circulation des trains, en supprimant certains arrêts. L’objectif
étant la minimisation du temps de retour au plan de transport théorique, suite à
l’occurrence d’une perturbation, tout en réduisant le temps d’attente des passagers.
D’autres auteurs ont proposé des heuristiques dans ce même contexte, tels que
(Dollevoet & Huisman, 2014) avec un objectif de minimisation du temps de voyage
des passagers. Dans (Corman, et al., 2012), les auteurs considèrent un double objectif
de minimisation des retards des trains et correspondances ratées des voyageurs.
Etant difficile d’évaluer l’optimalité des solutions fournies par les heuristiques et les
métaheuristiques, certains auteurs ont proposé, dans des contextes spécifiques, des PL
en variables mixtes ou des PLNE. L’objectif est de minimiser les retards des trains ou
l’insatisfaction des voyageurs, tel que dans (Xie & Li, 2012), où les auteurs ont
considéré les données récoltées par les trains précédents à travers un PLNE, pour
ajuster au mieux le planning de circulation des trains à venir. Dans (Pellegrini, et al.,
94
2012), les auteurs ont proposé un PL en variables mixtes pour minimiser les retards
des trains. Même chose dans (Rodriguez, 2007), où l’auteur a proposé deux modèles
PPC, pour planifier le passage des trains par des nœuds ferroviaires. L’objectif étant
de minimiser les retards liés aux conflits.
2- Replanification du matériel roulant (trains, wagons et locomotives) : la recherche au
niveau de la replanification des ressources utilisées par le transport ferroviaire, aussi
bien matérielles (infrastructure et matériel roulant) qu’humaines, n’est pas aussi dense
que dans le cas précédent (Nielsen, et al., 2012). Dans (Huisman, et al., 2005), les
auteurs ont fait une revue de littérature des travaux dans ce domaine.
Un premier modèle commercial a été élaboré pour le compte de la Société Nationale
des Chemins de Fer Français « SNCF », par SABRE Technology Solutions (Ben-
Khedher, et al., 1998), pour la planification aux niveaux stratégique et tactique, de
l’activité de transport ferroviaire à grande vitesse. Dans un premier temps, ce modèle
propose des plannings basés sur les prévisions de la compagnie. Dans un second
temps, un réajustement des plannings et du matériel roulant utilisé, est effectué en
fonction de la variation de la demande effective et des dernières prévisions.
Dans (Nielsen, et al., 2012), une approche par horizon glissant est proposée, pour la
replanification du matériel roulant, dans le cas d’une perturbation majeure, au niveau
du système ferroviaire. L’objectif du modèle de replanification développé, étant la
minimisation de la déviation dans l’inventaire de tous les types de matériels roulants et
dans toutes les stations de la ligne, par rapport à l’inventaire du plan d’activité initial.
3- Replanification du personnel : la replanification du personnel est un axe de recherche
assez récent, qui intervient plus, dans les cas de perturbations de type majeur (ou
interruption de service). Un premier travail de recherche (Walker, et al., 2005), s’est
intéressé à l’établissement des plannings de circulation des trains, en planifiant le
matériel roulant et les équipages des trains (organisés par équipe) simultanément, avec
un objectif de minimisation des temps morts des trains, durant les heures d’activité de
chaque équipage. Un modèle mathématique de type PLNE a été développé pour cela.
Puis, lors de l’occurrence de perturbations majeures, un second PLNE, construit sur la
base du premier, a été établi avec un objectif de minimisation des changements par
rapport au plan initial. Le problème est résolu par une approche de type génération de
colonnes.
Dans un autre article (Veelenturf, et al., 2012), la replanification du personnel se réduit
à celle des conducteurs de trains. La replanification à ce niveau, peut nécessiter une
replanification au niveau du matériel roulant, voire, au niveau du planning de
circulation des trains. En effet, s’il n’y a pas de conducteur pour conduire un train
planifié, il sera nécessaire de procéder à un réajustement. Cette étude se focalise sur
l’occurrence de perturbations majeures. Pour cela, le modèle de replanification se
présente sous la forme d’un PLNE, dont la fonction « objectif » à minimiser, se
compose de trois membres : la déviation par rapport au plan des conducteurs initial,
les pénalités liées à l’annulation de certaines tâches des conducteurs, ainsi que les
pénalités liées aux retards. Le problème est résolu par une approche de type génération
de colonnes, couplée à une heuristique lagrangienne. Pour réduire les temps de calcul,
seul un nombre limité de trains est considéré lors de chaque replanification.
95
Dans un autre contexte, considérant des perturbations mineures, durant la période

d’exploitation, dans (Carosi, et al., 2015), les auteurs proposent l’utilisation de la
recherche tabou, dans la planification des trains en temps réel, dont l’objectif est
l’optimisation de la régularité du service. Dans un second temps et pour faire
correspondre le planning des trains avec celui du personnel, il est proposé un modèle
de replanification du personnel, avec un objectif de minimisation des heures de travail
supplémentaire. Ce modèle est résolu par une approche de type génération de
colonnes.
Dans le cadre du présent travail, nous allons nous focaliser sur la replanification du service de
transport de marchandises par les trains, en milieu urbain. Cependant, nous ne considérons
pas la replanification des trains eux-mêmes. Les changements dans le planning des trains (qui
dépend du service original de transport de voyageurs) sont des données d’entrées pour notre
modèle.
5. Simulation à évènements discrets – ARENA

L’une des interfaces les plus réussies entre la recherche opérationnelle et l’informatique, est la
simulation à évènements discrets (Fu, 2002). Comme outil d’aide à la décision, la simulation
joue un rôle très important. En effet, cette technique aide à mieux cerner les conséquences des
choix potentiels d’actions, afin de mieux les maîtriser et d’améliorer ainsi, le pilotage de la
chaine logistique. Dans ce travail, les avantages de l’utilisation de la simulation interviennent
à plusieurs niveaux, tels que :
- L’étude de l’intégration d’un nouveau service, dans un système existant, dont une
expérimentation sur le terrain serait trop coûteuse.
- Formaliser la dynamique du nouveau service et étudier les flux y afférents.
- L’étude de différents scénarii, traduisant plusieurs stratégies de gestion du nouveau
service.
- Le couplage avec des modèles d’optimisation, pour évaluer les performances de la
solution optimale au vu de la dynamique du système, en considérant d’autres aspects.
- Utiliser le modèle de simulation pour valider les modèles d’optimisation.
- Les résultats visuels sont un moyen de compréhension et de confiance, qui permettent
de faire évoluer le modèle et, par conséquent, le nouveau service proposé.
- Le modèle de simulation est un démonstrateur pour les décideurs des parties
prenantes.
5.1. Généralités sur la simulation

On trouve dans la littérature plusieurs définitions de la simulation. Ces définitions sont parfois
proches, équivalentes ou complémentaires. Une synthèse de différentes définitions de la
simulation est proposée dans (Bakalem, 1996) : « la simulation est une méthode de mesure et
d’étude consistant à remplacer un phénomène ou un système à étudier par un modèle
informatique plus simple mais ayant un comportement analogue ». Ce modèle permet de
réaliser des tests, afin de comprendre le comportement dynamique du système étudié. Il est
implémenté sur ordinateur, et évolue d’un état vers un autre en fonction de certaines règles de
changement d’état bien définies. La simulation est une technique expérimentale appropriée à
96
l’étude des systèmes de grande taille composés de plusieurs éléments en interaction. Elle
permet ainsi, de répondre à certains problèmes, à chaque fois que l’expérimentation en
grandeur nature, se révèle impossible et/ou trop coûteuse (Carrie, 1988).
Simuler revient à créer un modèle informatique fidèle au système étudié de par son
comportement. A l’aide du modèle défini, on peut mettre au point de véritables plans
d’expériences pour faire des tests sur certaines décisions à prendre, certains paramétrages
modifiés (Zeigler, 1976). Selon l’article (Pritsker, et al., 1989), l’objectif de la simulation sur
ordinateur est de reproduire et anticiper, prédire le comportement dynamique d’un système
existant (ou futur), modélisé de façon virtuelle, donc sans aucun risque.
Le processus de simulation détaillé a été décrit dans (Pritsker, 1986), il se compose de dix
étapes, suivant un processus incrémental. Ce dernier peut être schématisé à travers la Figure
III.7.
Formulation du problème
Modélisation
Identification et collecte des données
Transcription informatique du modèle
Vérification du modèle
Validation du modèle
Planification stratégique et tactique de la simulation
Exécution de la simulation
Analyse et interprétation des résultats
Modifications, documentations et développements futurs

Figure III.7 : Schématisation du processus de simulation (Pritsker, 1986)
5.2. Démarche de réalisation d’un modèle de simulation

La réalisation d’un modèle de simulation requiert au préalable, la définition des objectifs de
l’étude, ainsi que des simplifications de la réalité qu’il est raisonnable de faire (Le Moigne,
1990). Réalisé en fonction des objectifs de l’étude, le modèle de simulation permet d’obtenir
des résultats numériques (éventuellement statistiques) qui sont ensuite analysés pour
permettre la prise de décisions concernant le système réel comme le montre la Figure III.8.
97
La démarche de réalisation d’un modèle de simulation est structurée en plusieurs étapes, dont
le nombre varie d’un auteur à un autre (Le Moigne, 1990), (Anu, 1997), (Vernadat, 1999), etc.
Nous proposons de regrouper les différentes étapes, en trois étapes principales :
Le système
- Analyse des résultats

- Actions sur le système
- Objectifs de l’étude
- Extraction du sous-système
à modéliser
- Objectifs de l’étude
Un modèle Des résultats
- Représentation de la dynamique - Résultats numériques / statistiques

Figure III.8 : Réalisation d’un modèle de simulation
1- La première étape consiste à décrire précisément les entités du modèle et ses règles de
gestion. On décrit ensuite la dynamique du système. Dans le cas d’un système simple
avec un faible nombre d’entités, une représentation graphique peut s’avérer suffisante.
Dans le cas de systèmes plus complexes, on peut être amené à utiliser des outils de
formalisation comme les réseaux de Petri. Cette étape de formalisation est très
importante car elle évite de remettre en cause le modèle de simulation ultérieurement.
2- La deuxième étape concerne le codage. Elle s’appuie sur la description du système
réalisée précédemment.
3- La troisième étape concerne la vérification du programme afin de s’assurer qu’il fait
ce que l’on veut qu’il fasse. Il s’agit de vérifier le code et sa logique. La validation du
modèle est une étape très importante et délicate car, dans le cas d’un système
complexe, il n’existe pas de méthode permettant de s’assurer que le modèle représente
correctement le système de départ. On s’appuie alors sur :
 Des techniques d’animation du modèle montrant les entités en déplacement
conformément aux règles de fonctionnement.
 Des comparaisons avec des résultats mathématiques théoriques lorsque ces
derniers sont disponibles.
 Des comparaisons avec les résultats fournis par des modèles conçus
indépendamment.
 Enfin, dans le cas d’un modèle de système existant, il faut souvent recourir à
des spécialistes du domaine pour interpréter les résultats obtenus par
simulation, et vérifier qu’ils sont en conformité avec le comportement du
système réel.
Cette démarche peut être formalisée par la Figure III.9.
98
Hypothèses simplificatrices
Objectifs de l’étude FORMALISER
Identifier les entités physiques
Identifier les règles de gestion des entités
Identifier les règles de circulation des entités
Décrire la dynamique du système
Formalisation
DEVELOPPER
Coder les changements d’état des entités physiques
Coder les règles de gestion des entités
Coder les règles de circulation des entités
Programme informatique
VALIDER
Résultats numériques
Résultats statistiques
Figure III.9 : Détail de la démarche pour la réalisation d’un modèle de simulation
5.3. Simulation avec ARENA

ARENA est un logiciel dédié de modélisation des flux, en considérant des files d’attente et
des ressources, et de simulation des systèmes de production, des procédés, des chaines
logistiques, de la distribution, des stocks, etc. Il présente une interface graphique simplifiant
son usage, en étant un simulateur de haut niveau, et offre de grandes possibilités de
modélisation, en utilisant le langage de simulation SIMAN et le script Microsoft Visual Basic.
Les composants d’ARENA sont programmés en SIMAN, ce qui permet de créer des blocs
spécifiques si nécessaire et octroie, ainsi, plus de flexibilité au simulateur. Le simulateur
comprend des animations graphiques et différents composants de suivi de la simulation et
d’analyse des résultats, tels que des tableaux et des courbes. Le logiciel ARENA ainsi que ses
différentes fonctionnalités, sont décrites en détail dans (Altiok & Melamed, 2007) et (Rossetti,
2015).
5.3.1. Eléments d’un modèle de simulation avec ARENA

Dans un modèle de simulation, nous trouvons :
- Les entités : ce sont les premiers éléments à identifier dans un système, pour pouvoir
les modéliser. Les entités sont les objets dynamiques de la simulation. Elles sont
créées et peuvent être dupliquées, regroupées ou disposées du système. Selon le
99
système à modéliser, les entités représentent des éléments réels ou fictifs. Elles
peuvent modéliser les pannes d’une machine donnée. Comme elles peuvent être
assimilées à des pièces mécaniques, des personnes, des encours de production, etc.
- Les attributs : ils servent à personnaliser les entités. Un attribut est généralement
commun entre toutes les entités, mais sa valeur change d’une entité à une autre. De ce
fait, les attributs sont considérés comme des variables locales pour chaque entité.
- Les variables (globales) : les variables contiennent des informations sur le système.
Nous distinguons deux types de variables globales :
 Les variables prédéfinies (états des files d’attente, états des machines, etc.).
 Les variables définies par l’utilisateur (variables spécifiques au modèle).
Contrairement aux attributs, les variables n’appartiennent pas à une entité spécifique,
mais à tout le système.
- Les ressources : une ressource est affectée à une entité, afin de la transformer, de lui
rajouter de la valeur ou juste pour la faire attendre. Une ressource peut être une
personne, une machine, etc. Elle peut contenir un ensemble de serveurs identiques en
parallèle.
- Les files d’attente : lorsqu’une entité doit attendre la libération d’une unité
appartenant à une ressource, elle est placée dans une file d’attente. Cette dernière se
caractérise par une capacité et une règle de priorité.
- Les accumulateurs des statistiques : ils servent à mesurer les différentes grandeurs
et indices de performance. Parmi eux, nous distinguons :
 Le temps moyen de séjour des entités dans le système.
 Le temps de séjour des entités dans une file d’attente.
 Le nombre moyen d’entités dans une file d’attente.
 Le taux d’occupation d’une ressource.
Les accumulateurs se basent sur le temps actualisé (TNOW), pour leur calcul.
- Les évènements : un évènement est une action de durée nulle, suite à laquelle, les
valeurs des attributs, des variables ou des accumulateurs sont changées. Nous citons
comme exemples d’évènements :
 L’entrée de nouvelles entités dans le système.
 La fin de traitement d’une tâche.
Dans ARENA, les évènements programmés pour une simulation sont stockés dans un
calendrier d’évènements. Pour chaque futur évènement, on enregistre dans le
calendrier des évènements :
 Une identification de l’entité concernée.
 Le temps d’exécution de l’évènement.
 Le type d’évènement.
Les évènements dans le calendrier sont triés selon leurs dates d’occurrence, de
manière à ce que les prochains évènements soient les premiers dans la liste. Lorsque la
date d’un évènement arrive, son enregistrement est effacé de la liste du calendrier des
évènements, et les informations que contient son enregistrement sont utilisées pour
produire l’évènement voulu.
- L’horloge de la simulation : le temps actualisé de la simulation est contenu dans la
variable « horloge de la simulation ». Cette variable ne balaie pas toutes les valeurs du
100
temps. Elle interagit avec le calendrier des évènements et elle actualise sa valeur
uniquement lorsqu’un évènement se produit. Ceci pour éviter un comptage intégral en
vain, puisque généralement nous n’avons pas besoin des valeurs du temps entre
évènements. Cependant, cette manière de faire présente l’inconvénient de « sauter »
les conditions temporelles.
- Le générateur de nombres aléatoires « GNA » : l’efficacité du simulateur à donner
des résultats valides et proche de la réalité, est directement liée à sa capacité à générer
l’aléa. La génération de l’aléa par un programme informatique, permet d’obtenir des
nombres pseudo-aléatoires. Le principe consiste à générer des nombres, d’une
distribution continue et uniforme entre 0 et 1. Les nombres générés sont des
observations. Par la suite, et selon la loi choisie par l’utilisateur, les valeurs
correspondantes des variables aléatoires seront calculées par la fonction inverse de la
loi dans le cas continu, et par une décomposition en intervalles, des probabilités
d’occurrence de chaque valeur que peut prendre la variable aléatoire, dans le cas
discret.
Les dernières versions d’ARENA utilisent un nouveau code de génération de nombres
aléatoires, dit CMRG (combined multiple recursive generator). Il utilise un système
de flots et sous-flots, pour subdiviser un cycle de génération d’une longueur de
3.1 ∗ 1057 . Lorsque nous aurons à effectuer plusieurs réplications, ARENA bascule
automatiquement d’un sous-flot à l’autre, lors de chaque nouvelle réplication.
5.3.2. L’application Microsoft Visual Basic « VBA » dans ARENA

La flexibilité d’ARENA est consolidée par l’utilisation du langage de programmation
Microsoft Visual Basic. Ce dernier est intégré dans ARENA et peut automatiser certaines de
ses fonctionnalités, tout en intégrant la possibilité de faire appel aux fonctions de logiciels
tierces.
La programmation en VBA peut être utilisée dans ARENA de deux manières différentes :
- En insérant un bloc VBA dans le modèle logique. Ainsi, à chaque fois qu’une entité
passe par ce bloc, le code correspondant s’exécute.
- En l’ouvrant avec l’éditeur de VBA directement à partir d’ARENA, et en
implémentant le code au moment opportun (la Figure III.10 montre les moments
opportuns d’implémentation d’un code).
Les primitives de VBA sont reliées aux différents évènements apparaissant lors d’une
simulation, voire, avant le début de la simulation. Les évènements sont classés en trois
grandes familles :
- Les évènements d’avant exécution de la simulation : DocumentOpen,

DocumentSave…
- Les évènements d’initialisation de la simulation : RunBegin, RunBeginSimulation…
- Les évènements lors de la simulation : VBA_Block_Fire, OnKeyStroke…
Dans le cadre de ce travail, nous allons principalement utiliser des blocs VBA, associés à la
fonction ModelLogic_VBA_Block_Fire. Cette dernière, s’exécute à chaque fois qu’une entité
passe par le bloc VBA concerné.
101
1. RunBegin
2. ARENA teste et initialise le modèle
3. RunBeginSimulation
4. RunBeginReplication
5. ARENA exécute la réplication
OnKeyStroke
UserFunction
6. RunEndReplication
7. RunEndSimulation
8. ARENA termine la simulation
9. RunEnd
Figure III.10 : Evènements VBA lors de l’exécution de la simulation
6. Couplage simulation / optimisation

Le couplage simulation / optimisation est un outil très puissant d’analyse et d’optimisation des
systèmes réels complexes (Wang & Shi, 2013). La majeure partie des logiciels de simulation
actuels, intègrent des modules d’optimisation, sous formes d’algorithmes heuristiques ou
métaheuristiques, tels que : les algorithmes génétiques, la recherche tabou, algorithmes de
recherche locale, etc. En ce qui concerne ARENA, il intègre le module d’optimisation
OptQuest, qui combine trois métaheuristiques (recherche tabou, réseau de neurones et
recherche dispersée), en une seule heuristique de recherche. Ceci a ouvert un champ de
recherche très large, présentant un éventail riche de possibilités de couplage entre les deux
approches. Le couplage simulation / optimisation a un large champ d’application, dans
différents domaines, tels que : la production, la gestion des stocks, le transport, la logistique,
les services, la finance, etc. Dans la littérature, on retrouve un nombre important de
définitions et de descriptions des processus de couplage (direct / indirect), tel que dans :
(Meketon, 1987), (Jacobson & Schruben, 1989), (Fu, 1994), (Carson & Maria, 1997),
(Kleijnen & Wan, 2007), (Bierlaire, 2015), (Amaran, et al., 2016). Généralement, le couplage
développé dépend grandement des caractéristiques du problème étudié. Dans (Figueira &
Almada-Lobo, 2014), les auteurs ont réalisé un vaste travail de synthèse, des différentes
démarches qui ont été développées dans ce domaine et ont présenté des classifications à
plusieurs échelles. Ces différentes classifications ont été consolidées dans (Borodin, et al.,
2017) et structurées en trois types de couplage possibles, comme suit :
- L’optimisation pour la simulation : ce premier type de couplage, consiste à optimiser

le système étudié, à travers l’optimisation de son modèle de simulation. Pour cela, la
simulation évalue la performance de plusieurs configurations, que propose le modèle
d’optimisation, dans le but de trouver celle qui produit la meilleure solution. La
démarche est itérative, et teste les propositions du modèle d’optimisation, jusqu’à
l’obtention de celle qui fournit des solutions satisfaisantes. Généralement, le processus
d’optimisation est interne au logiciel de simulation.
La Figure III.11 présente la démarche de ce type de couplage.
102
Figure III.11 : Illustration de la démarche de couplage – optimisation pour simulation (Borodin, et al., 2017)
- La simulation pour l’optimisation : ce type de couplage est mis en œuvre,

principalement, dans le cadre de la programmation stochastique. L’utilisation de la
simulation permet soit :
 La génération de données suivant des scénarios aléatoires.
 La reproduction de différentes configurations d’un système sujet à des
perturbations. Dans ce cas, la simulation permet la validation des solutions
fournies par l’optimisation stochastique, ou bien le réajustement des modèles
d’optimisation. Ceci est rendu possible, par la possibilité d’effectuer un nombre
important de réplications, sur le modèle de simulation.
Figure III.12 : Illustration de la démarche de couplage – simulation pour optimisation (Borodin, et al., 2017)
- La simulation et l’optimisation : la simulation permet d’évaluer les performances de

plusieurs règles décisionnelles, sans pouvoir construire des solutions, et encore moins
de les améliorer. A la différence des deux types de couplage précédents (le premier :
l’optimisation fournit les paramètres du modèle de simulation et le second : la
simulation fournit les données pour le modèle d’optimisation), ce type de couplage,
intègre les deux approches, de manière à optimiser les prises de décision du système
103
étudié, en cours de simulation. Peu de travaux se sont intéressés à ce type de couplage.

Parmi ces travaux, nous citons celui développé dans (Vamanan, et al., 2004), où les
auteurs se sont intéressés à la gestion d’une chaine d’approvisionnement, modélisée et
simulée avec ARENA. La prise de décision s’effectue grâce à un couplage avec un
modèle d’optimisation, implémenté sur CPLEX. Ainsi, la démarche complémentaire
en temps réel, issue du couplage des deux logiciels, se présente comme suit :
 ARENA permet la simulation du fonctionnement de la chaine
d’approvisionnement.
 CPLEX permet l’optimisation d’un problème logistique et de stockage.
Un autre travail intéressant dans ce domaine, a été réalisé dans (Almeder, et al., 2009).
Partant du constat que la majorité des problèmes de gestion de la chaine logistique
sont pris en charge : soit à travers la simulation à évènements discrets, soit à travers la
programmation linéaire (principalement, en variables mixtes), les auteurs proposent un
couplage de ces deux approches, suivant un processus itératif. En effet, alors que la PL
représente de manière simplifiée les problèmes étudiés, la simulation prend en charge,
aussi bien les éléments non linéaires, que les éléments stochastiques. Ainsi, il est
proposé de générer les données initiales du système complexe étudié à travers la
simulation, et de les traiter par le modèle d’optimisation. Les résultats de
l’optimisation sont traduits en règles décisionnelles pour faire tourner le modèle de
simulation. Les auteurs ont utilisé le simulateur « AnyLogic » couplé au solveur
« Xpress ». Les conclusions de cette étude montrent que cette démarche, présente
certains avantages relativement aux démarches classiques. A titre d’exemple :
 Des résultats compétitifs sont générés beaucoup plus rapidement, que si un PL
en variables mixtes, dans un environnement stochastiques, avait été utilisé.
 Aussi, cette démarche permet la modélisation et la résolution de problèmes
plus réalistes.
Cependant, quelques limites sont aussi mentionnées, telles que le manque de
références théoriques sur cette démarche concernant :
 Les éléments à inclure dans le modèle d’optimisation et celles prises en charge
par le modèle de simulation.
 La traduction des solutions du modèle d’optimisation en règles décisionnelles.
 Les avantages de l’utilisation de cette démarche, comparativement à des
heuristiques ou métaheuristiques, qui peuvent produire de bonnes solutions
rapidement.
Dans ce travail de recherche, le problème étudié met en interaction plusieurs types d’entités et
de files d’attentes (relatifs aux marchandises et aux trains). De plus, les flux relatifs aux deux
entités sont indépendants et, à travers des règles décisionnelles, ils sont associés sur des
portions différentes du parcours. Le problème étudié est assez complexe et les éventuelles
perturbations auxquelles il est soumis, accroissent cette complexité. Pour prendre en charge
ses particularités et sa complexité, nous allons utiliser le dernier type de couplage.
104
Figure III.13 : Illustration de la démarche de couplage – simulation et optimisation (Borodin, et al., 2017)
7. Conclusion
Dans ce chapitre, nous avons présenté les différents outils d’aide à la décision, qui seront
utilisés dans le cadre de ce travail de recherche. Nous avons commencé par relever à travers la
littérature, la complexité des problèmes liés à la logistique en général, et au transport en
particulier. L’optimisation combinatoire tient une place importante dans la prise en charge de
ces problématiques. Ainsi, nous avons présenté un panorama des méthodes de résolution
exactes et souligné certains de leurs inconvénients, tels que :
- Des temps de calcul trop importants, dans le cas des grandes instances.
- Une incapacité à prendre en compte certains aspects des problèmes réels.
Pour compléter les méthodes exactes, nous avons présenté les approches de résolutions
approchées, telles que les heuristiques et les métaheuristiques. En effet, ces dernières
permettent de fournir des solutions rapidement, avec pour inconvénient, l’incapacité d’évaluer
ou garantir, un seuil de qualité ou de performance des solutions obtenues.
L’activité de transport en général, et celle des marchandises en particulier, est caractérisée par
de fortes perturbations, sous différentes formes (défaillance d’un transporteur, commandes de
dernière minute, circulation importante, pannes techniques, etc.). Ceci requiert des outils
d’aide à la décision adaptés à cet environnement, dans le but de maintenir la performance des
décisions prises en cours d’exploitation. Dans ce chapitre, nous avons présenté l’approche par
horizon glissant pour la replanification en prenant compte des perturbations. Cette approche a
été utilisée dans le cadre de plusieurs problèmes en logistique, mais aussi dans le transport
ferroviaire. Nous avons montré que cette approche dispose de plusieurs paramètres, pour
ajuster sa performance et lui permettre de proposer une solution satisfaisante avec les
nouvelles données. Cependant, elle compte quelques inconvénients parmi lesquels :
- La prise en charge des perturbations ne s’effectue pas en temps réel.

- Les conséquences néfastes de la remise en question des décisions des premières
périodes, qui peuvent engendrer des coûts non négligeables, liés aux engagements
pris.
- Le recalcul se fait après une durée fixe.
105
Enfin, le couplage simulation / optimisation permet de bénéficier des avantages des deux
approches. La simulation permet de :
- Prendre en charge des éléments non linéaires du problème étudié.

- Reproduit les perturbations auxquelles est sujet le système réel.
Et les prises de décision étant déduites de la résolution du modèle d’optimisation, avec les
données du modèle de simulation.
Ainsi, dans la suite de ce travail, les outils décrits dans ce chapitre seront utilisés comme suit :
- La nouvelle solution de transport étudiée sera modélisée sur ARENA, dans le but de
comprendre son comportement et d’étudier sa dynamique.
- Les problèmes décisionnels étudiés seront modélisés par des PLVM. Ces derniers,
dans les cas prédictifs, seront résolus par des méthodes exactes (pour les instances de
taille modérée) et des méthodes approchées (pour les instances de grande taille).
- Les perturbations seront prises en charge par l’approche de replanification à horizon
glissant.
- Un couplage simulation / optimisation sera développé. Dans un premier temps, il
permettra de valider les PLVM, en faisant tourner la simulation avec les solutions
issues de leur résolution exacte. Dans un second temps, il permettra la prise en charge
des perturbations enregistrées en cours de simulation.
106
Chapitre IV
Modélisation et simulation du FRTSP
IV. Chapitre IV : Modélisation et simulation du FRTSP
107
CHAPITRE IV : Modélisation et simulation du FRTSP
1. Introduction
Dans le présent chapitre, nous nous concentrerons sur la problématique qui est au cœur du
système de transport ferroviaire intégrant le flux de marchandises avec le flux voyageurs.
Nous nous plaçons dans le cas de mixité maximal des ressources du système, car si ce niveau
de mixité est évalué, comme une perspective techniquement et économiquement plausible,
alors tous les autres le seront également. Comme cela a été mis en évidence dans le second
chapitre dans la figure II.13, le FRTSP est central et critique par rapport aux autres problèmes
décisionnels qui se posent. Ainsi, la faisabilité de la solution de mixité est conditionnée par les
performances réalisées à ce niveau. Plus précisément, si les trains de passagers démontrent
leur capacité à absorber une quantité de marchandises suffisamment significative, alors la
rentabilité de cette solution sera prouvée. Par conséquent, il nous a semblé plus pertinent
d’aborder en premier le FRTSP, pour ensuite s’intéresser aux autres problématiques
identifiées et directement liées à celui-ci.
Cette solution de mixité n’existe pas encore, hormis quelques expérimentations à échelle
réduite, dans certaines villes. Pour comprendre l’impact de l’intégration du flux de
marchandises, sur le réseau ferroviaire de transport de voyageurs, il est nécessaire de passer à
une échelle supérieure. Cependant, une expérimentation à grande échelle, serait trop coûteuse
et nécessiterait la mobilisation d’importantes ressources. De plus, comme mentionné dans le
chapitre 2, l’opérateur de transport de voyageurs n’a pas encore le droit d’assurer ce service,
d’où, l’impossibilité de procéder à une telle expérimentation. Dans ce cas, la démarche
usuelle suggère l’utilisation de la simulation. Quelques arguments supplémentaires
soutiennent cette proposition :
- Le déploiement de l'expérimentation sur le terrain requiert un investissement élevé, le

modèle de simulation permet d’évaluer les performances avant l’engagement des
fonds.
- Dans les deux articles suivants (Dessouky & Leachman, 1995) et (Motraghi &
Marinov, 2012), il est mis en évidence la complexité des réseaux ferroviaires en raison
de plusieurs facteurs, ce qui rend difficile le développement de modèles analytiques. A
contrario, les modèles de simulation permettent une expérimentation à faible coût,
ainsi qu’une modélisation réaliste avec une meilleure représentation de la dynamique
et de la complexité du système ferroviaire, ce qui peut conduire à des résultats et des
conclusions précis.
- Enfin, la simulation peut être couplée avec des modèles d'optimisation, dans le but de
fournir un outil d’aide à la décision performant (Borodin, et al., 2017)
Ce chapitre sera structuré en deux parties principales. La première partie concerne la
définition du FRTSP et de ses différentes hypothèses. La seconde partie sera dédiée au
développement du modèle de simulation avec ARENA.
2. Hypothèses et description du FRTSP

Le schéma de décomposition proposé dans le second chapitre, permet de définir des sous
problèmes, ayant des complexités moindres et pouvant être adressés les uns après les autres.
108
Néanmoins l’interdépendance des sous problèmes impose des contraintes supplémentaires. A

ce stade de l’étude, et en l’absence d’un modèle économique d’une part, et en ignorant les
technologies devant être utilisées, nous faisons le choix de privilégier l’étude de l’intégration
du flux de marchandises avec le flux de voyageurs. Dans ce chapitre, nous proposons de
définir un cadre précis pour ce problème, pour ensuite le modéliser et le résoudre.
Concernant le choix du niveau de mixité totale, comme dit précédemment, il correspond au

cas le plus difficile à mettre en œuvre, au vu de son niveau de contraintes, aussi bien
organisationnelles, que techniques. Les avantages de ce niveau de mixité peuvent être
résumés comme suit :
- Montrer la faisabilité de tous les autres niveaux, à travers la séparation de chacune des
ressources partagées initialement, pour aller vers une ressource dédiée à chacun des
flux.
- L’implémentation de ce cas de mixité, ne requiert pas la mobilisation de trains
supplémentaires, exclusive pour le transport de marchandises.
- Le transport de marchandises ne requiert pas la mobilisation de conducteurs
supplémentaires.
- Sachant que les trains doivent circuler pour assurer l’activité de transport de
voyageurs, le transport de marchandises ne requiert pas une consommation
supplémentaire de ressources (à noter que le transport d’un poids supplémentaire,
implique une surconsommation énergétique. Toutefois, cette dernière reste
négligeable, comparativement à la mise en circulation d’un nouveau train).
2.1. Hypothèses du FRTSP

En raison de l’interdépendance des 9 sous-problèmes (voir figure II.13), il est nécessaire de
faire quelques hypothèses sur les paramètres liés au FRTSP. Ainsi, pour chacune de ces
dernières, nous avons :
- Hypothèse 1 : 1ère et 2ème problématiques - zones de stockage temporaire

Cette problématique concerne le dimensionnement des zones de stockage temporaire.
Deux cas se présentent, soit les stations sont à construire et cet espace devrait être
dimensionné, d’après l’étude de la circulation du flux de marchandises. Soit les
stations existent déjà et auquel cas, cet espace sera une contrainte forte qu’il faudra
intégrer lors de la modélisation du FRTSP.
Comme nos travaux ont été initiés avec la projection de ce nouveau service, dans le
cadre du projet du « Grand Paris Express », nous nous sommes placés dans le premier
cas en considérant que l’espace n’est pas contraint encore, ce qui permet de :
 Ne pas contraindre davantage le système, en raison d’un manque d’espace en

amont et en aval du processus de transport.
 Se focaliser sur la capacité du système de transport de passagers, à absorber un
flux supplémentaire, pour mieux utiliser cet espace vide inoccupé.
Toutefois, la relaxation de la contrainte spatiale pour le stockage devrait permettre

d’évaluer le manque à gagner, dans le cas où cet espace serait insuffisant dans
109
certaines stations. Malgré le peu de place disponible en milieu urbain, il peut être
réalisable d’augmenter les capacités des stations dans le cas de certaines stations.
- Hypothèse 2 : 3ème problématique - dimensionnement des trains
L’attribution d’un espace dédié au transport de marchandises, à l’intérieur d’un train
de voyageurs, dépend de deux éléments :
 La capacité résiduelle initialement prévue pour le transport de voyageurs,

pouvant être exploitée pour le transport de marchandises.
 La demande de transport potentielle sur la période considérée (i.e. avec les
horaires d’arrivée des marchandises à transporter, à leur station de départ).
Comme dans un système de transport, une des difficultés majeures est de minimiser
l’écart entre la capacité disponible (quasi constante) et la demande correspondant au
flux de fret, qui est intrinsèquement variable, la capacité dédiée au transport de
marchandises sera fixée pour tous les trains. Pour cela, nous allons nous baser sur les
estimations préliminaires, de l’opérateur de transport en région Ile-de-France (études
du PREDIT présentées au chapitre 2).
- Hypothèse 3 : 4ème et 5ème problématiques - problèmes de bin packing dans les
zones de stockage temporaire
Dans le chapitre 2, nous avons soulevé l’importance du rangement des marchandises,
dans les zones de stockage temporaire. Cette problématique a un impact direct sur le
temps de disponibilité des colis pour être chargés, en raison des temps de transfert et
d’accès à ces colis. Ces temps dépendent directement des moyens de manutention et
de la politique de placement des colis dans les zones de stockage. Une modélisation
plus fine pourrait nous amener à définir un temps de disponibilité par colis et non plus
par commande (qui peut être composée de plusieurs colis), afin de se rapprocher plus
de la réalité. Dans un premier temps, nous considérons que la commande est
disponible entièrement au même moment pour être chargée et que la définition du
temps de disponibilité est déterminé en amont du FRTSP.
- Hypothèse 4 : 6ème problématique - planification des trains
La planification des trains, peut être un levier d’ajustement de l’offre de transport à la
demande. Cependant, à ce stade, l’objectif est de montrer le potentiel d’absorption
d’un flux additionnel, avec le planning actuel de circulation des trains de passagers,
durant les heures creuses de la journée.
- Hypothèse 5 : 7ème problématique - problèmes de bin packing à l’intérieur des
trains
Il est indéniable que les temps de chargement et de déchargement des commandes,
sont variables et qu’ils dépendent du nombre de colis constituant les commandes et de
leur placement dans le train. Dans le présent travail, nous allons faire une estimation
d’un temps moyen de chargement / déchargement de chaque colis.
La détermination de ce temps pourra être plus précise une fois que les technologies à
adopter seront connues.
- Hypothèse 6 : 8ème problématique - livraison des marchandises dans la station de
départ
110
La distribution décrivant le comportement des moments de réception des commandes

à leur station de départ, a un impact direct, sur les différentes composantes du système
de transport, telles que:
 Les ressources de manutention.

 L’espace de stockage temporaire.
 L’espace dédié au fret dans les trains.
La mise en place d’un système de régulation des arrivées des marchandises, est
indispensable à une rationalisation de l’utilisation des différentes ressources
mobilisées.
A ce stade préliminaire, nous admettons qu’aucune action n’est entreprise, pour influer
sur les moments d’arrivée des commandes, aux stations de départ.
A noter que toutes ces hypothèses, ne remettent pas en question la possibilité de mettre en
œuvre une telle solution de transport. Toutefois, elles conduiront à une exploitation sous-
optimale de cette dernière. D’autre part, elles peuvent être retenues comme première étape
d’une mise en œuvre progressive. Tout en sachant, qu’une fois la dynamique de circulation
des flux de marchandises étudiée, à travers l’étude du FRTSP, ces problématiques pourront
être étudiées, au vu des dépendances citées précédemment.
2.2. Formalisation du FRTSP

Les décisions inhérentes au séjour d’une marchandise, peuvent être décrites comme suit :
- Réception et insertion dans la file d’attente des marchandises  la définition d’un

emplacement dans l’espace de stockage temporaire de la station.
- Décision de les transporter par un train précis  ceci implique la détermination du
moment auquel elles seront transportées.
- Chargement des marchandises dans le train  ceci nécessite le respect de plusieurs
contraintes telles que le temps d’arrêt du train et l’espace restant.
- Le train transporte chaque marchandise sur le tronçon de la ligne défini par sa station
de départ et sa station d’arrivée  ceci implique un certain temps de parcours,
dépendant de tous les chargements et déchargements sur le tronçon en question.
- Déchargement des marchandises dans leur station d’arrivée  ceci nécessite un
certain temps d’arrêt du train et l’espace pour accueillir la marchandise.
Même si la relaxation de la limite physique est plausible à ce stade préliminaire de l’étude, il

n’en est pas moins que durant la phase d’exploitation, cette préoccupation sera majeure en
milieu urbain. De plus, la question du cash-flow généré étant prédominante, cela nous a
conduit à considérer la maximisation du taux de rotation en minimisant le temps d’attente des
marchandises avant leur chargement dans le train. Cet objectif a pour conséquence directe,
l’accélération de libération de l’espace occupé pour tirer le flux de marchandises en attente
dans les zones intermédiaires. D’autres conséquences intéressantes sont à relever, à savoir :
- La livraison des marchandises au plus tôt (argument commercial très fort).
111
- Une meilleure utilisation de l’espace dédié aux marchandises dans les trains,
accélérant la rentabilité de la nouvelle solution
- L’augmentation de la fluidité dans le système de transport permettra la prise en charge
de nouvelles demandes de transport plus rapidement.
Pour rappel, le FRTSP correspond au cas mono-ligne, ce qui correspond au cas particulier qui
doit être étudié en premier, avant de pouvoir envisager une généralisation, vers le cas multi-
ligne, voire multimodes. En pratique, ce cas devrait être celui ayant le plus de chances d’être
déployé, au vu des inconvénients liés au changement de ligne, voire changement de mode.
Une représentation graphique est proposée dans la Figure IV.1, pour mettre en évidence le
phénomène de files d’attente qui modélise la dynamique des évènements du problème. En
particulier, les trains constituent eux même une file d’attente, de même pour chaque station de
chargement, pour laquelle il y a une file d’attente des colis en attente d’être transportés. Les
caractéristiques de cette ligne ferroviaire et des différentes composantes du service de
transport étudié, peuvent être décrites comme suit :
t=T ( )
t=2 ( )
t=1 ( )
File d’attente des trains

s=1 s=2 s=4 S-1 S
j=1 ( ) j=3 ( 5)
j=7 ( 1) j=5 ( 3)
j=9 ( 2) j=8 ( 2)
j=10 ( 2)
Station 1
Station 4
File d’attente des
File d’attente des
commandes
commandes
Figure IV.1 : Illustration des files d’attente dans le FRTSP
- La ligne ferroviaire est composée de 𝑆 stations de voyageurs. Chaque station peut

éventuellement être utilisée pour charger les marchandises dans les trains. L’ensemble
qui sera retenu, regroupera uniquement les stations mutualisées. Par conséquent, cet
ensemble ne coïncide pas forcément avec l’ensemble de toutes les stations de la ligne.
- L’activité de transport de marchandises est effectuée durant les heures creuses de la
journée.
- Les marchandises à transporter sont mises dans des conteneurs de taille standard,
qu’on appellera « colis ». Ces conteneurs peuvent se présenter avec des roues, tels que
dans l’exemple montré dans la Figure IV.2. Ce type de conteneur présente deux
avantages :
 Facilité de manutention, aussi bien dans les stations, qu’à l’intérieur des trains.
112
 Il est déjà utilisé dans l’approvisionnement des magasins en ville, ainsi que par
les services postaux (transport groupé de colis).
Roll conteneurs de tailles différentes Roll conteneurs emboîtables
Figure IV.2 : Exemple de conteneurs pour le transport de marchandises
- Les demandes de transport transmises par les clients seront appelées « commandes »
dans la suite. Durant chaque période d’exploitation considérée, nous aurons 𝐽
commandes à transporter. Chaque commande sera caractérisée par :
 Une taille exprimée en nombre (entier) de colis standards, notée 𝑄𝑗 .

 Une date de disponibilité, représentant la date de prise en charge au plus tôt par
un train, à partir de la station de départ. Elle est notée rj .
 Un parcours unique sur la ligne. Ainsi, chaque commande aura une station de
départ (notée 𝑑𝑒𝑝𝑗 ) et une station d’arrivée (notée 𝑎𝑟𝑟𝑗 ), indépendantes des
autres commandes.
 Chaque colis standard requiert le même temps de chargement et de
déchargement, notée 𝑡𝑖𝑚𝑒 (i.e. une commande constituée de 2 colis nécessitera
deux fois plus de temps, qu’une commande n’ayant qu’un seul colis).
 Chaque commande doit être transportée entièrement par le même train, entre
𝑑𝑒𝑝𝑗 et 𝑎𝑟𝑟𝑗 . En d’autres termes, il n’est pas permis de fractionner une
commande composée de plusieurs colis.
L’ensemble des commandes est supposé fixé et connu à l’avance, pour l’établissement
du plan de transport prédictif. Lors de l’extension en considérant la replanification de
ce plan de transport, nous autoriserons la prise en compte d’une liste de commandes
pouvant subir des changements.
- L’ensemble des trains est connu également à l’avance, il y a 𝑇 trains. On considère
uniquement les trains de voyageurs, disposant d’un espace dédié aux marchandises.
Ainsi, les trains exclusivement dédiés au transport de voyageurs, qui pourront
continuer à circuler, sont exclus de cet ensemble de 𝑇 trains). Les caractéristiques des
trains et de leur parcours se présentent comme suit :
113
 Chaque train dispose d’une capacité maximale de transport de marchandises,

exprimée en nombre de colis standards. Elle est notée 𝑐𝑎𝑝𝑡 .
 Chaque train a une date de départ connue, à partir de la première station de la
ligne. Elle est notée 𝑙𝑡 .
 Le parcours du trajet entre deux stations consécutives (𝑠, 𝑠 + 1), requiert un
certain temps, noté 𝑡𝑡𝑠,𝑠+1 .
 Le temps d’arrêt minimum des trains dans chaque station est identique. Il est
nécessaire pour la montée et la descente des voyageurs. Il est noté 𝑤𝑎𝑖𝑡𝑚𝑖𝑛 .
 Le temps d’arrêt maximum des trains dans chaque station est également
identique. Il s’agit d’un levier pour permettre le chargement de commandes
supplémentaires, sans faire attendre longtemps les voyageurs à l’intérieur du
train. Il est noté 𝑤𝑎𝑖𝑡𝑚𝑎𝑥 .
Le temps d’attente effectif dans chaque station pour chaque train, dépendra des temps
de chargement et de déchargement des colis dans la station en question. Néanmoins,
ce temps est contraint par une borne inférieure qui est wait min et une borne supérieure
qui est wait max .
3. Une modélisation par simulation du FRTSP

Nous avons utilisé la simulation à évènements discrets, dans le but de comprendre le
comportement de cette solution de mixité totale, qui n’a pas encore été déployée à l’échelle
réelle, du moins, pas dans les conditions que nous proposons de considérer. Au-delà de cette
raison, se greffent d’autres avantages de cette approche qui peuvent être résumés comme suit :
- La présence des processus d’arrivé des trains, ainsi que des marchandises, impose
d’elle-même leur modélisation par un logiciel de simulation de flux, qui est prévu à cet
effet.
- Le couplage avec un modèle d’optimisation permet d’une part, la validation du modèle
mathématique et d’autre part, l’évaluation des performances de la solution optimale
dans un milieu incertain.
Dans la Figure IV.3, qui schématise le modèle de simulation de cette solution, on peut
distinguer les deux sous-systèmes correspondant aux composantes dynamiques qui sont les
trains et les commandes. De plus, le modèle est constitué des différentes stations composant la
ligne simulée, ces dernières sont reliées par des blocs temporels simulant les temps
nécessaires à la traversée des stations. Dans ce qui suit, nous détaillons chacune des parties du
modèle comme suit :
3.1. Génération des commandes

Cette partie modélise le processus de génération du plan de commandes, pour une période
d’exploitation. Deux scénarios seront évalués :
- Le premier scénario concerne la disponibilité préalable, des informations relatives aux

commandes à transporter pour la prochaine période d’exploitation. Pour le modéliser,
nous avons combiné deux blocs ARENA. Le premier « Create : Génération des
114
commandes initiales », permet la création d’autant d’entités que de commandes devant

être transportées. La génération de toutes les entités est effectuée à l’instant 0. En ce
qui concerne les caractéristiques de chaque commande, nous introduisons le second
bloc « Assign ». Ce bloc nous permet d’affecter à chaque commande toutes ses
caractéristiques (énoncées dans la section 3), à travers des attributs, auxquels sont
attribuées des valeurs aléatoires régies par des distributions, dont les paramètres
doivent être définis. La Figure IV.4 illustre ces deux blocs et leur paramétrage.
Figure IV.3 : Schéma du modèle de simulation du FRTSP en utilisant ARENA
Figure IV.4 : Modélisation de la création du plan de commandes périodique
115
- Le second scénario est assez similaire au premier, au niveau de la modélisation.

Cependant, en plus des commandes générées avant la période d’exploitation, d’autres
commandes sont générées par le bloc « Create : Génération des nouvelles
commandes », en temps réel de manière aléatoire. Ainsi, dans le bloc « Assign »
l’attribut date de disponibilité de la commande (Rj) se verra affecter une valeur à partir
de « TNOW », correspondant au moment courant. La Figure IV.5 illustre le
paramétrage de ces deux blocs dans ce cas.
Figure IV.5 : Modélisation de la génération de commandes en temps réel
Le processus de génération des commandes se termine par deux blocs :
- Le bloc « VBA » : les données relatives à chaque commande, sont enregistrées dans
un tableau dans l’environnement VBA. Ce tableau sera utilisé pour procéder aux
différents calculs, nécessaires à la simulation du processus d’affectation des
commandes aux trains. Cette dernière opération sera détaillée dans les points suivants.
- Le bloc « Dispose » : une fois les données du plan de commandes enregistrées, les
entités modélisant ces commandes sont supprimées à travers le bloc « Dispose ».
L’affectation des commandes à leur station de départ, s’effectue directement dans

l’environnement VBA. Ainsi, dès que le TNOW correspond à la date de disponibilité de la
commande en question, elle sera affectée à la file d’attente de sa station de départ, en
attendant son transport par un train.
3.2. Génération des trains

Le planning de circulation des trains est fixé avant chaque période d’exploitation. Hormis
l’occurrence d’incidents, la date de mise en circulation de chaque train est connue à l’avance.
Pour modéliser cette réalité opérationnelle, nous proposons une séquence de blocs ARENA,
comme le montre la Figure IV.6.
116
Figure IV.6 : Modélisation du processus de génération des trains
Les différents blocs utilisés dans cette séquence permettent d’effectuer les opérations
suivantes :
- « Create : Génération des trains » : il s’agit de créer autant d’entités, que de trains
devant parcourir la ligne, durant la période d’exploitation. Les entités sont toutes
générées à l’instant 0.
- « Assign » : plusieurs attributs sont affectés pour chaque train, pour représenter ses
caractéristiques. Dans la Figure IV.7, un exemple illustre les caractéristiques
attribuées, telles que la date de mise en circulation du train (l’intervalle de temps avec
le train qui le précède), l’initialisation du chargement et un numéro d’identification.
- La séquence « Queue », « Seize », « Delay » et « Release », modélise la mise en
circulation effective des trains. Le bloc « Delay » temporise chaque train, le temps que
sa date de mise en circulation arrive.
- Les blocs « VBA » : le premier enregistre dans l’environnement VBA, les données
relatives à chaque train. Ces données sont utilisées dans les calculs nécessaires à la
simulation du processus d’affectation des commandes aux trains. Le second bloc,
permet d’ajuster les dates de mise en circulation des trains, en modifiant la valeur de la
variable fixant le délai d’attente dans le bloc « Delay ».
Figure IV.7 : Modélisation de la création des trains
117
3.3. La ligne ferroviaire

La modélisation de la ligne ferroviaire, comprend les deux composantes de cette dernière, à
savoir :
- Les stations : elles sont modélisées par une séquence de blocs « VBA » et « Process »,
comme le montre la Figure IV.8.
 Le bloc « VBA » : en fonction de la charge actuelle du train, du nombre de

commandes devant être déchargées (en particulier, le temps nécessaire pour
cela) et de la stratégie décisionnelle mise en œuvre, les commandes sont
affectées à ce train ou laissées dans la station, en attente d’un autre train.
 Le bloc « Process » : les calculs effectués dans le bloc « VBA », permettent de
déterminer le temps d’arrêt de ce train (DLY2 dans la Figure IV.8), dans la
station actuelle. Ce bloc est configuré en mode « Seize, Delay, Release » qui
modélise l’occupation d’une ressource (la station), par un train, durant un
certain délai.
- Les voies ferrées interconnectant les différentes stations : cette composante est
modélisée par un bloc « Delay », qui traduit la distance à parcourir par un train entre
deux stations successives, par un temps (TTs1s2 dans la Figure IV.8).
Bien que le bloc « Process » dispose d’une file d’attente intégrée, le modèle développé ne
l’utilisera pas. En effet, dans le but de reproduire le comportement réel dans le transport
ferroviaire, si un train rattrape son prédécesseur (i.e. il se trouve à une distance limite de ce
dernier), un mécanisme d’ajustement de la distance est activé. Dans notre cas, il s’agit
d’augmenter le temps de parcours « TTs,s+1 » de ce train, en utilisant le bloc « VBA » (les
tests de distance sont réalisés dans VBA).
Figure IV.8 : Modélisation des stations et des voies ferrées
118
3.4. Implémentation des processus décisionnels sur ARENA

Il s’agit de décrire le processus qui va permettre l’affectation des commandes aux trains. Dans
un premier temps, nous avons développé quatre heuristiques, dont trois qui sont basées sur
des règles de priorité, puis une quatrième plus élaborée, qui est basée sur la décomposition du
FRTSP en plusieurs sous problèmes mono-train. Ces quatre heuristiques ont été adaptées pour
prendre en compte toutes les contraintes techniques et organisationnelles du FRTSP.
3.4.1. Heuristiques basées sur les règles de priorité

Les heuristiques basées sur les règles de priorité sont très pratiques et très appréciées dans
l’environnement industriel, notamment pour leur facilité de compréhension. En effet, elles
sont simples à mettre en œuvre et dans certains cas, fournissent de bonnes solutions.
L’avantage majeur de ces dernières est leur capacité à produire des solutions très rapidement,
ce qui est crucial dans un environnement soumis à de fréquents changements et perturbations.
Ces trois heuristiques, nous ont permis de valider le schéma organisationnel proposé, avec des
acteurs du transport ferroviaire, ainsi que d’avoir une référence sur les conséquences d’une
potentielle mise en exploitation.
Bien que simple à mettre en œuvre, il est indispensable que chaque heuristique, considère
toutes les contraintes d’exploitation. Ces contraintes consistent en :
- La limitation des temps d’attente de chaque train, dans chaque station.

- Les capacités des trains.
- Les dates de disponibilité des commandes.
- Le temps de parcours entre les stations.
Ces heuristiques sont implémentées en utilisant le langage VBA. Ainsi, lors du passage de
chaque train à chaque station (représentée par un bloc VBA suivi d’un bloc Process dans la
Figure IV.8), et selon l’heuristique appliquée, certaines commandes sont affectées au train.
Cette affectation s’effectue suivant la règle de priorité et en tenant compte des différentes
contraintes. Plus précisément, les calculs pour la sélection des commandes à affecter à un
train, sont effectués lors de son passage par le bloc « VBA ». L’affectation résultante, se
traduit en un temps d’arrêt nécessaire au chargement des commandes et l’occupation d’un
certain espace, à l’intérieur du train. Ces trois heuristiques se présentent comme suit :
- 1ère heuristique : basée sur une règle de priorité de type « FIFO »

Dans ce cas, le principe est de hiérarchiser l’ordre d’affectation des commandes aux
trains, selon leur date de disponibilité. Toutefois, si la possibilité d’affectation d’une
commande, suivant son ordre hiérarchique, est impossible (en raison de : manque
d’espace, manque de temps pour son chargement en totalité, voire, de son
déchargement à sa station d’arrivée), l’affectation de la commande suivante sur la liste
est évaluée. Ainsi, l’évaluation des affectations possibles se poursuit jusqu’à saturation
de la capacité du train, ou l’épuisement de son temps d’arrêt dans cette station.
- 2ème heuristique : priorité aux commandes de plus grande taille
Ayant identifié l’espace dans les stations, comme étant l’une des ressources critiques,
du système de transport étudié, l’idée de transporter les commandes de plus grandes
119
tailles, devrait permettre la libération rapide de l’espace dans les stations, ainsi que
l’amélioration du taux d’utilisation de l’espace.
Le principe de cette règle est de hiérarchiser l’ordre d’affectation des commandes aux
trains, en ordre décroissant, selon le nombre de colis les composant. Toutefois, comme
pour le FIFO, s’il est impossible d’affecter la commande prioritaire, l’affectation des
commandes suivantes est évaluée.
- 3ème heuristique : priorité aux commandes de plus petite taille
Les capacités des trains et leurs temps d’attente dans les stations étant fortement
contraints, l’idée étant de privilégier les commandes de petites tailles. Cette règle
s’inspire de la charge la plus faible d’abord, ce qui devrait augmenter la fluidité dans
le système. En effet, il y a plus de chances de pouvoir charger les petites commandes,
car cela prend moins de place et moins de temps également.
Les commandes ayant le moins de colis sont dans ce cas prioritaires. Comme pour les
deux règles précédentes, un processus itératif permet de tester les candidats à
l’affectation dans le cas de l’échec de l’affectation de la commande prioritaire. Le
processus se termine une fois le train saturé, ou le temps d’attente du train dans la
station épuisé.
A noter que pour chacune de ces trois heuristiques, une règle de priorité supplémentaire
s’additionne aux spécificités de chacune d’entre elle. Il s’agit de la priorité relative à l’ordre
des stations desservies par les trains. En effet, chaque heuristique est appliquée au niveau de
chaque station, ce qui octroie une priorité aux commandes, selon leur station de départ.
3.4.2. 4ème heuristique : basée sur l’optimisation du problème d’un seul train
Cette heuristique procède par décomposition et résolution exacte des sous-problèmes, tel que
chaque sous problème est relatif au chargement optimal d’un seul train. Ceci, à travers un
processus d’évaluation de différentes possibilités d’affectation des commandes à chaque train,
pour maximiser le nombre de commandes pris en charge par le train correspondant. La
résolution de chaque sous-problème est basée sur un algorithme de type séparation et
évaluation. L’intérêt de cette décomposition est lié directement à la réduction de la complexité
du problème initial en raison de la considération d’un sous ensemble des commandes
disponibles, lors du passage du train en question. Ceci réduit sensiblement, le nombre de
possibilités à explorer. En effet, comme les dates de disponibilité des commandes, ainsi que
leur taille, sont disponibles à l’avance, cela permet de construite les sous-ensembles des
commandes disponibles pour chaque train au niveau de chaque station. La solution optimale
de chaque sous-problème permet de construire une solution approchée du problème.
Pour illustrer l’algorithme de résolution de cette 4ème heuristique, nous proposons l’exemple,
dont l’arbre des possibilités est schématisé par la Figure IV.9. Nous considérons le train t1 ,
pour lequel trois commandes seront disponibles lors de son passage par la ligne ferroviaire
(j1 , j2 et j3). Chaque nœud de l’arbre correspond à une instanciation de la variable binaire de
décision d’affectation de la commande. Le problème mono-train revient à déterminer les
commandes à transporter, en maximisant leur nombre, tel que les contraintes d’espace et de
temps sont respectées. Lorsqu’il y a plusieurs solutions équivalentes, celle qui minimise le
temps d’attente des commandes, avant leur chargement dans le train, est privilégiée. Dans le
120
cas où il y a encore, plusieurs solutions équivalentes, la première est retenue. Concernant la

construction du schéma de branchement, les étapes décrites ci-dessous permettent de le
synthétiser :
- L’ensemble des commandes potentiellement transportables par le train sont

sélectionnées.
- L’instanciation des variables permettant d’affecter les commandes se fait par ordre
croissant de leur stations de départ (ceci permet de déterminer le temps d’arrivé exact
du train au niveau de chaque station).
- La construction de l’arbre est de type deep first, pour privilégier l’évaluation de la
prise en charge de l’ensemble des commandes d’abord.
- Au niveau de chaque nœud de l’arbre il faut :
 Les contraintes de respect de l’espace et du temps disponible, qui vont

conditionner l’instanciation de la variable correspondante.
 Des mises à jour concernant l’espace disponible dans le train et le temps d’arrêt
à la station courante.
Sur la Figure IV.9, nous illustrons un exemple d’un problème mono-train en présence de trois
commandes à transporter :
1 0
1 0 1 0
1 0 1 0 1 0 1 0
ème
Figure IV.9 : Illustration de la construction d’une solution avec la 4 heuristique
- Le cas encerclé en bleu (trait plein) : cela correspond à la faisabilité du chargement de

toutes les commandes disponibles. Dans le cas contraire, on retrouve :
- Les cas encerclés en rouge (trait pointillé) : après l’échec de la prise en charge des
trois commandes, les possibilités testées sont celles considérant uniquement deux
commandes. Il y a donc trois cas possibles car il faut choisir deux éléments parmi 3.
Le principe de fonctionnement de la 4ème heuristique est donné par l’Algorithme IV.1. Nous
introduisons de nouveaux paramètres comme suit :
- La liste des commandes pouvant être transportées par le train 𝑡 est notée 𝐽𝑡 .
- Date d’arrivée du train 𝑡 à 𝑑𝑒𝑝𝑗 est notée : 𝑅𝑗 .
- La borne supérieure de la date d’arrivée du train 𝑡 à 𝑑𝑒𝑝𝑗 , correspond à un temps
d’attente maximum du train 𝑡 dans toutes les stations qui précèdent 𝑑𝑒𝑝𝑗 : 𝑅𝑗𝑚𝑎𝑥 =
𝑑𝑒𝑝 −1
𝑙𝑡 + ∑𝑠=1𝑗 𝑡𝑡𝑠,𝑠+1 + (𝑑𝑒𝑝𝑗 − 1) ∗ 𝑤𝑎𝑖𝑡𝑚𝑎𝑥
- La borne supérieure courante de la fonction objectif est notée : 𝐹𝑏𝑒𝑠𝑡 .
121
- La valeur de la fonction objectif en cours est notée : Fint .

- Chaque nœud de l’arbre correspond à l’instanciation d’une variable de décision,
notée : 𝑥𝑗𝑡 ∈ {0,1}. L’évaluation étant effectuée par train, la valeur de l’indice 𝑡 sera
fixe tout au long de l’exécution de l’algorithme. C’est l’affectation des différentes
commandes 𝑗 -avec 𝑗 ∈ 𝐽𝑡 - qui est évaluée à travers l’arbre de recherche.
Algorithme IV.1 : 4ème heuristique basée sur l’optimisation du chargement par train
1. Initialisation des paramètres (relatifs au train 𝑡 : 𝑙𝑡 , 𝑐𝑎𝑝𝑡 )

2. Construction de 𝐽𝑡 :
- 𝑟𝑗 ≤ 𝑅𝑗𝑚𝑎𝑥
- 𝑗 n’a pas été affectée à un autre train
3. 𝐹𝑏𝑒𝑠𝑡  𝑀 (un grand nombre positif)
4. Fint  0
5. Pour chaque 𝑗 ∈ 𝐽𝑡 (évaluation des nœuds de l’arbre)
6. Si 𝑗 peut être transportée par 𝑡 en effectuant les 3 tests {
- 𝑅𝑗 ≥ 𝑟𝑗
- 𝑐𝑎𝑝𝑡 − ∑𝑗′ (à 𝑙′ 𝑖𝑛𝑡𝑒𝑟𝑖𝑒𝑢𝑟𝑑𝑢 𝑡𝑟𝑎𝑖𝑛) 𝑄𝑗′ ≥ 𝑄𝑗
- 𝑡𝑖𝑚𝑒 ∗ 𝑄𝑗 + ∑𝑗′ (𝑐𝑜𝑚𝑚𝑎𝑛𝑑𝑒𝑠 𝑎𝑣𝑒𝑐 𝑑𝑒𝑝𝑗′ =𝑑𝑒𝑝𝑗 𝑒𝑡 𝑎𝑓𝑓𝑒𝑐𝑡é𝑒𝑠 à 𝑡) 𝑡𝑖𝑚𝑒 ∗ 𝑄𝑗′ +
∑𝑗′′ (𝑐𝑜𝑚𝑚𝑎𝑛𝑑𝑒𝑠 𝑎𝑣𝑒𝑐 𝑎𝑟𝑟 ′′ =𝑑𝑒𝑝𝑗 𝑒𝑡 𝑎𝑓𝑓𝑒𝑐𝑡é𝑒𝑠 à 𝑡) 𝑡𝑖𝑚𝑒 ∗ 𝑄𝑗′′ ≤ 𝑤𝑎𝑖𝑡𝑚𝑎𝑥
𝑗
} alors
7. Affecter 𝑗 à 𝑡 (𝑥𝑗𝑡 = 1)
8. 𝐹𝑖𝑛𝑡  𝐹𝑖𝑛𝑡 calculée au nœud précèdent + [𝑅𝑗 − 𝑟𝑗 ]
9. Sinon
10. 𝑗 n’est pas affectée à 𝑡: 𝑥𝑗𝑡 = 0 (couper la branche correspondant à 𝑥𝑗𝑡 = 1)
11. Fin Si
12. Si 𝐹𝑖𝑛𝑡 > 𝐹𝑏𝑒𝑠𝑡 alors
13. Couper la branche actuelle et aller à la branche suivante
14. Fin Si
15. Si (toutes les commandes de 𝐽𝑡 ont été évaluées) et (𝐹𝑖𝑛𝑡 < 𝐹𝑏𝑒𝑠𝑡 ) alors
16. 𝐹𝑏𝑒𝑠𝑡  𝐹𝑖𝑛𝑡
17. Fin Si
18. Si (toutes les commandes de 𝐽𝑡 ont été évaluées) et (il reste des branches à
explorer) et (∃ une branche avec un nombre de commandes pouvant être affectée à
𝑡 ≥ nombre de commandes affectées en considérant la meilleure solution actuelle)
alors
19. Retour arrière jusqu’à la dernière commande affectée à 𝑡 (dernier 𝑥𝑗𝑡 = 1)
20. Ne pas affecter cette commande à 𝑡 (mettre 𝑥𝑗𝑡 = 0).
21. Fin Si
22. Prochaine commande
23. Considérer l’affectation correspondant à 𝐹𝑏𝑒𝑠𝑡
122
3.5. Modèle conceptuel du modèle de simulation

Ce modèle conceptuel est composé de deux parties comme le montre la Figure IV.10.
- La première partie représente le diagramme principal (à gauche de la Figure IV.10).

- La seconde partie représente les diagrammes alternatifs (à droite de la Figure IV.10), à
substituer dans le diagramme principal, en fonction de l’algorithme décisionnel
implémenté :
 Les trois sous-processus en haut à droite de la figure, sont utilisés pour trier les
commandes, en fonction de la règle de priorité choisie.
 Quant au quatrième sous-processus, il est utilisé pour récupérer la solution de
l’exécution de la 4ème heuristique.
 Enfin, le diagramme encadré n°2 est dédié à la 4ème heuristique et, il doit
remplacer dans le diagramme principal, la partie encadrée n°1, qui est dédiée
au trois autres heuristiques.
Ainsi, le processus global de transport de marchandises par les trains, à travers la ligne
ferroviaire, se résume comme suit :
- Le train arrive à la station 1 à partir du dépôt, à l’instant 𝑙𝑡 .

- Le train circule tout au long de la ligne, en marquant un arrêt à chaque station. Lors de
chaque arrêt, plusieurs tests sont effectués comme suit :
 Pour chaque commande à l’intérieur du train, si la station actuelle correspond à

sa station d’arrivée, alors :
 Décharger la commande correspondante.
 Mettre à jour le temps d’attente du train dans la station actuelle.
 Mettre à jour la capacité actuelle du train en nombre de colis standards.
 Pour le processus de chargement, cela dépend de l’algorithme décisionnel
sélectionné.
 Pour les trois heuristiques basées sur les règles de priorité, dans chaque station,
les commandes disponibles sont ordonnées selon la règle en question. Ainsi,
l’évaluation de l’affectation des commandes au train, est effectuée suivant
l’ordre de priorité. L’évaluation porte sur :
 La capacité disponible à l’intérieur du train en nombre de colis standards.
 Le temps d’attente disponible dans la station. Pour rappel, dans chaque
station, le train commence par décharger les commandes dont c’est la
station d’arrivée (ce qui va nécessiter un certain temps d’attente). Puis, si
le temps est suffisant, d’autres commandes seront chargées. A chaque
commande chargée, le temps d’attente disponible se réduit.
 Si la commande peut être transportée par ce train, alors :
 Charger la commande.
 Mettre à jour la capacité actuelle du train.
 Pour la 4ème heuristique, la détermination des commandes à transporter par le
train dans chaque station, est effectuée lors de la mise en circulation de ce
123
dernier à partir du dépôt de départ. Ainsi, lors de son passage par chaque
station, il s’agira de :
 Vérifier pour chaque commande disponible dans la station, si elle doit être
transportée par le train actuel. Si c’est le cas, la charger.
 Mettre à jour la capacité actuelle du train.
- Quand le train quitte la dernière station, il retourne au dépôt d’arrivée.
124
Départ du train à Arrivée du train au Trier les

partir du dépôt dépôt commandes en
ordre croissant
Oui selon leur date de
disponibilité
Aller à la prochaine
Non
Dernière station Sous-processus - Heuristique 1
station de la ligne ?
Trier les
commandes en
Arrivée du train à la ordre décroissant
station selon leur taille
Réinitialisation du
temps d’attente :
wait=0 Sous-processus - Heuristique 2
Trier les
Commandes commandes en
dans le train ordre croissant
Temps d’attente du selon leur taille
train dans la
station actuelle =
wait Sous-processus - Heuristique 3
Non
Oui
Récupérer le
résultat de
Wait = waitmin l’exécution de
Considérer la Oui l’algorithme
prochaine
commande
Sous-processus - Heuristique 4
1
2
Non Wait >= waitmin Oui
Station
Non Oui
d’arrivée de la Non wait>=waitmin
Non
commande
Toutes les
commandes
Oui évaluées Oui
Toutes les
Temps d’attente :
commandes
wait = wait + time * Q
Capacité du train : évaluées
ChgT = ChgT + Q
Non
Non
Non Temps d’attente :
Capacité du train : wait = wait + time * Q
Capacité du train :
ChgT = ChgT - Q ChgT = ChgT + Q
Non Non
Oui Non
Non
Test temps d’attente
dans la station d’arrivée
Temps d’attente :
Toutes les wait = wait + time * Q
commandes
évaluées Oui
Oui
Test temps d’attente
dans la station actuelle
Oui
Si la commande
Oui doit être transportée
Commandes par ce train
dans la station Test
disponibilité de
la capacité
Oui Considérer la
Sous- Considérer la prochaine
processus prochaine commande
(heuristiques) commande
Pour les Heuristiques 1, 2 et 3 Pour l’Heuristique 4
Figure IV.10 : Modèle conceptuel du modèle de simulation
125
4. Conclusion
L’intérêt porté à ce problème, découle de sa capacité à évaluer le potentiel de la solution de
transport proposée, en évaluant les volumes qui peuvent être transportés. Par ailleurs, l’étude
du FRTSP permet également de fournir, les données nécessaires à la résolution de plusieurs
autres problématiques décisionnelles, identifiées dans le second chapitre. Pour de nombreuses
raisons cités dans le présent chapitre, le FRTSP est jugé comme critique et prioritaire
notamment au vu de la considération du niveau de mixité totale. Dans ce chapitre, nous avons
proposé une formalisation et une première approche de modélisation et de résolution du
FRTSP, au vu des hypothèses considérées.
Le problème FRTSP est inspiré du projet du Grand Paris Express. Le problème revient à
définir un plan de transport des marchandises en utilisant une seule ligne ferroviaire pour
passagers. Il s’agit de déterminer le train et le moment de chargement de chaque marchandise,
en attente dans sa station de départ. Plusieurs contraintes sont considérées, telles que le
respect de l’espace disponible dans les trains, le temps d’arrêt des trains dans les stations et les
temps de disponibilité des marchandises aux stations. La fonction objectif permet de
minimiser les temps d’attente des marchandises aux stations.
Dans un second temps, nous avons présenté le modèle de simulation à évènements discrets
développé sur ARENA. Ce dernier est composé de trois parties interdépendantes, à savoir, la
génération des commandes, la génération des trains et la ligne ferroviaire. Les avantages de
développer un modèle de simulation sont multiples. Entre autres, il nous permet de
comprendre la dynamique de ce système de transport ferroviaire, en représentant les différents
processus de files d’attente présents. Par ailleurs, les règles décisionnelles pour l’affectation
des commandes aux trains, sont implémentées dans l’environnement VBA. Par la suite, nous
allons montrer comment coupler ce modèle de simulation, avec le modèle de programmation
linéaire en variables mixtes, qui permet de déterminer un plan optimal pour le FRTSP.
126
Chapitre V
Modélisation mathématique et
optimisation du FRTSP – cas prédictif et
replanification
V. Chapitre V : Modélisation mathématique et optimisation du

FRTSP – cas prédictif et replanification
127
CHAPITRE V : Modélisation mathématique et optimisation du FRTSP
1. Introduction
Après avoir défini le problème FRTSP et étudier son comportement dynamique grâce au
modèle de simulation à évènements discrets, nous allons nous intéresser dans le présent
chapitre à l’optimisation de son processus décisionnel. D’abord nous étudions la nature
combinatoire du FRTSP en montrant que la relaxation de plusieurs de ses contraintes le
ramène au problème d’affectation généralisée. Un exemple numérique est présenté afin
d’illustrer l’ensemble des contraintes et données du problème, plusieurs solutions sont
également proposées pour saisir les enjeux de ce problème. Ensuite, nous nous intéressons à
l’établissement du plan prédictif en formulant un PLVM pour réduire les temps d’attente des
marchandises. Pour compléter cette approche, nous adapterons un algorithme de colonies de
fourmis pour les instances de grande taille. Par la suite, nous proposons une approche par
horizon glissant pour la replanification du FRTSP afin de prendre en compte des changements
relatifs à la demande. Cette mise à jour du plan initial permet d’ajuster les décisions initiales
de manière à minimiser les écarts dus au recalcul. Enfin, nous décrivons les processus de
couplage simulation / optimisation, aussi bien dans le cas prédictif, que dans le cas de la
replanification.
2. Un exemple numérique
Avant de procéder à la formalisation mathématique du problème FRTSP, dans cette section,
nous proposons un exemple numérique sur une instance réduite afin d’appréhender sa
complexité.
Cet exemple permet d’illustrer toutes les contraintes techniques et organisationnelles,

présentées au chapitre 2. Nous allons proposer deux solutions pour cette instance afin de
ressortir l’impact des différentes contraintes sur le processus d’exploitation, ainsi que les
enjeux et l’intérêt d’une approche d’optimisation.
Nous considérons une ligne ferroviaire composée de 4 stations de voyageurs, où il est possible
de procéder aux chargements / déchargements des marchandises. Cette ligne est parcourue par
3 trains mixtes, à intervalle de 10 minutes. Enfin, 10 commandes doivent être transportées sur
cette ligne, suivant des parcours différents (i.e. les stations de départs et d’arrivées varient
d’une commande à une autre). L’exemple est illustré par la Figure V.1.
Les autres caractéristiques du problème sont :
- Nous considérons l’instant 0, comme le moment de début de l’exploitation.

- Les 𝑙𝑡 et 𝑟𝑗 sont exprimées en minutes.
- Les 𝑐𝑎𝑝𝑡 et 𝑄𝑗 sont exprimés en nombre de colis standards.
- La distance entre deux stations successives est exprimée en durée de parcours (comme
indiqué dans la Figure V.1, elle est égale à 5 min).
- Comme conséquences directes de la conception de ce système de transport, aucune
commande ne peut être déchargée dans la station 1 (les trains sont vides au départ).
Aussi, aucune commande ne peut être chargée dans la station 4 (c’est le terminus pour
les trains).
128
t=3 ( )
Temps d’attente :
t=2 ( ) secondes
secondes
t=1 ( ) Temps de chargement d’1 colis :
secondes
File d’attente des trains
5min 5min 5min
j=1 ( ) j=3 ( ) j=6 ( )

j=2 ( 4) j=4 ( 3) j=7 ( 4)
j=8 ( 2) j=5 ( 4) j=10 ( 4)
j=9 ( 4)
File d’attente des File d’attente des
commandes - station 1 File d’attente des commandes - station 3
commandes - station 2
Figure V.1 : Une illustration d’une instance numérique du FRTSP
Nous proposons deux plans différents de transport des commandes, élaborés en appliquant des
règles décisionnelles aléatoires. Ceci nous permettra de constater l’impact de toutes les
contraintes sur l’activité de transport de marchandises, ainsi que l’importance du schéma
décisionnel adopté. Le Tableau V.1 et le Tableau V.2 présentent ces deux plans. Les notations
et formules suivantes sont utilisées :
- Commandes disponibles pour le transport dans la station, lors du passage du train :

𝐶𝐷𝑖𝑠𝑝
- Commandes déchargées du train : 𝐶𝐷𝑐ℎ𝑔
- Commandes chargées dans le train : 𝐶𝑐ℎ𝑔
𝑙 𝑠𝑖 𝑠 = 1
- Date d’arrivée à la station (min, secondes) : 𝐴𝑟𝑟𝑠 = { 𝑡
𝐷𝑒𝑝𝑠−1 + 5 𝑠𝑖𝑛𝑜𝑛
- Temps d’attente dans la station (secondes) :
𝑇𝑐ℎ𝑔 = 𝑚𝑎𝑥(∑ 𝑡𝑒𝑚𝑝𝑠 𝑑𝑒 𝑑é𝑐ℎ𝑎𝑟𝑔𝑒𝑚𝑒𝑛𝑡 + ∑ 𝑡𝑒𝑚𝑝𝑠 𝑑𝑒 𝑐ℎ𝑎𝑟𝑔𝑒𝑚𝑒𝑛𝑡 , 𝑤𝑎𝑖𝑡𝑚𝑖𝑛 )
- Nombre de colis à l’intérieur du train :
𝑐𝑜𝑙𝑖𝑠 𝑐ℎ𝑎𝑟𝑔é𝑠 𝑠𝑖 𝑠 = 1
𝑁𝑏𝑟𝐶𝑠 = {
𝑁𝑏𝑟𝐶𝑠−1 − 𝑐𝑜𝑙𝑖𝑠 𝑑é𝑐ℎ𝑎𝑟𝑔é𝑠 + 𝑐𝑜𝑙𝑖𝑠 𝑐ℎ𝑎𝑟𝑔é𝑠 𝑠𝑖𝑛𝑜𝑛
- Date de départ de la station (min, secondes) : 𝐷𝑒𝑝𝑠 = 𝐴𝑟𝑟𝑠 + 𝑇𝑐ℎ𝑔
Le premier plan de transport se résume comme suit :
- Train 1 : commandes transportées {2 ; 3 ; 4}.

- Train 2 : commandes transportées {1 ; 8 ; 7 ; 6}.
Le temps d’attente moyen de chaque commande dans sa station de départ, avant son transport
par un train, est égal à : 7 min.
Les différentes contraintes ayant impacté l’élaboration de ce plan de transport, se présentent

comme suit :
129
- La commande 1 n’a pas été chargée dans le train 1 à la station 1, parce que son
chargement aurait nécessité une durée d’arrêt totale égale à 70 secondes (> 𝑤𝑎𝑖𝑡𝑚𝑎𝑥 ).
- La commande 5 n’a pas été chargée dans le train 1 à la station 2, parce que son
chargement aurait nécessité une durée d’arrêt totale égale à 70 secondes (> 𝑤𝑎𝑖𝑡𝑚𝑎𝑥 ).
Aussi, la capacité du train a été atteinte (𝑐𝑎𝑝1 = 10).
- Les commandes 6 et 7 n’ont pas été chargée dans le train 1, parce que le déchargement
des commandes 3 et 4 a nécessité 60 secondes (= 𝑤𝑎𝑖𝑡𝑚𝑎𝑥 ).
- La commande 5 n’a pas été chargée dans le train 2, bien que le temps d’attente fût
suffisant dans la station 2. Cette décision, a permis le transport des commandes 6 et 7
par le train 2. En effet, le chargement de la commande 5 aurait requis 10 secondes
d’attente supplémentaires dans la station 4, nécessaires à son déchargement.
Tableau V.1 : Plan de transport des commandes – 1ère solution
Station 1 Station 2 Station 3 Station 4

CDisp CDchg Cchg CDisp CDchg Cchg CDisp CDchg Cchg CDisp CDchg Cchg
Train 1 1;2 - 2 3;4;5 - 3;4 6;7 3;4 - - 2 -
Arr(s) 0 5 min 40 secondes 11 min 40 secondes 17 min 40 secondes
Tchg 40 secondes 60 secondes 60 secondes 40 secondes
NbrC(s) 4 10 4 -
Dep(s) 40 secondes 6 min 40 secondes 12 min 40 secondes -
Train 2 1;8 - 1;8 5 1;8 - 7;6 - 7;6 - 7;6 -
Arr(s) 10 min 15 min 40 secondes 21 min 20 secondes 27 min 20 secondes
NbrC(s) 4 0 6 -
Dep(s) 10 min 40 secondes 16 min 20 secondes 22 min 20 secondes -
Train 3 - - - 5;9 - 5;9 10 - 10 - 5 ; 9 ; 10 -
Arr(s) 20 min 25 min 30 secondes 31 min 36 min 30 secondes
NbrC(s) 0 3 5 -
Dep(s) 20 min 30 secondes 26 min 31 min 30 secondes -
Le deuxième plan de transport se résume comme suit :
- Train 1 : commandes transportées {1 ; 4 ; 5 ; 6}.

- Train 3 : commandes transportées {7 ; 9}.
- Commande 10 : non transportée.
Bien que le temps d’attente moyen des commandes transportées soit égal à : 5 min, la
commande 10 (non transportée), le ramène à l’infini. En effet, l’incapacité à prendre en
charge l’ensemble des commandes conduit à une infaisabilité. En pratique, sous condition
d’une demande plus importante que la capacité disponible, la formulation du FRTSP peut
évoluer pour déterminer le plan pouvant transporter le maximum de commandes possibles
(pour générer le maximum de bénéfice).
Soumis aux mêmes contraintes considérées lors de l’élaboration du 1 er plan de transport,

l’élaboration de ce 2ème plan a été moins concluante, au vu de la prise en charge de
130
l’interaction entre les différentes contraintes et la multitude de possibilités, même pour une
instance de taille réduite. Ceci met en lumière la difficulté de résolution du FRTSP.
Tableau V.2 : Plan de transport des commandes – 2ème solution
Station 1 Station 2 Station 3 Station 4

CDisp CDchg Cchg CDisp CDchg Cchg CDisp CDchg Cchg CDisp CDchg Cchg
Train 1 1;2 - 1 3;4;5 1 4;5 6;7 4 6 - 5;6 -
Arr(s) 0 5 min 30 secondes 11 min 30 secondes 17 min 20 secondes
NbrC(s) 3 3 4 -
Dep(s) 30 secondes 6 min 30 secondes 12 min 20 secondes -
Train 2 2;8 - 2;8 3 8 3 7 3 - - 2 -
Arr(s) 10 min 15 min 50 secondes 21 min 40 secondes 27 min 20 secondes
NbrC(s) 5 8 4 -
Dep(s) 10 min 50 secondes 16 min 40 secondes 22 min 20 secondes -
Train 3 - - - 9 - 9 7 ; 10 - 7 - 7;9 -
Arr(s) 20 min 25 min 30 secondes 31 min 36 min 30 secondes
NbrC(s) 0 2 5 -
Dep(s) 20 min 30 secondes 26 min 31 min 30 secondes -
3. Complexité du problème FRTSP

Nous avons présenté dans le chapitre 3, le problème d’affectation généralisée et mentionné sa
complexité. En ce qui concerne le FRTSP, il est possible de le réduire à un problème
d’affectation généralisée, en considérant un cas particulier que l’on représente dans la Figure
V.2). La réduction du FRTSP peut être décrite comme suit :
- La ligne est réduite à 2 stations seulement.

- Toutes les commandes sont disponibles à l’instant 0, dans la première station, qui sera
la seule station de départ. Ces commandes sont transportées vers l’autre station, qui
rj = 0
sera l’unique station d’arrivée : ∀j ∈ J {depj = 1
arrj = 2
- Chaque commande j doit être transportée par un seul train.
- Le planning de circulation des trains est connu à l’avance. Les trains sont mis en
circulation à partir de la station 1 à intervalle régulier.
- Les trains peuvent charger et transporter plusieurs commandes simultanément.
Cependant, ils sont limités par une capacité maximum en nombre de colis standard.
- Le temps de chargement d’un colis est négligeable. Ainsi, le temps d’attente des trains
dans la station 1 est indépendant du nombre de colis chargés.
- Le moment auquel un train t charge la commande j à la station 1, est égal dans ce cas
au temps d’attente de cette commande dans sa station de départ (étant donné que
𝑟𝑗 = 0). Ainsi, le temps d’attente de la commande j sera directement égal à : 𝑥𝑗𝑡 ∗ 𝑙𝑡
(avec 𝑥𝑗𝑡 = 1 si la commande j est affectée au train t, 0 sinon).
131
La considération de ces différentes hypothèses, nous permet de formaliser le FRTSP, sous la

forme d’un PLNE, comme suit :
𝐽 𝑇
𝑀𝑖𝑛𝑖𝑚𝑖𝑧𝑒 ∑ ∑(𝑥𝑗𝑡 ∗ 𝑙𝑡 ) (5.1)

𝑗=1 𝑡=1
∑𝑇𝑡=1 𝑥𝑗𝑡 = 1 ∀𝑗 (5.2)
∑𝐽𝑗=1 𝑥𝑗𝑡 ∗ 𝑄𝑗 ≤ 𝐶𝑎𝑝𝑡 ∀𝑡 (5.3)
𝑥𝑗𝑡 ∈ {0,1} ∀𝑗, 𝑡 (5.4)

Nous retrouvons l’écriture du PLNE relatif au problème d’affectation généralisée, présentée
dans le chapitre 3. En effet, l’objectif (5.1) de minimisation du coût total d’affectation des
commandes aux trains (traduisant le temps d’attente total des commandes dans la station de
départ), est équivalent à la minimisation du coût total d’affectation des tâches aux machines.
En ce qui concerne les contraintes, nous retrouvons à travers (5.2) l’ensemble de contraintes
relatives à l’obligation d’affecter chaque commande à un seul train (i.e. chaque tâche à une
seule machine). Aussi, à travers (5.3) l’ensemble des contraintes relatives à la capacité des
trains (i.e. capacité des machines).
Comme mentionné dans le chapitre 3, le problème d’affectation est considéré comme étant
NP-difficile (Fisher, et al., 1986), ainsi, notre problème l’est aussi.
j=1 ( 2)
t=1 ( )
j=2 ( 2)
j=3 ( 2)
t=2 ( )
j=4 ( 2)
j=5 ( 2)
t=T ( )
j=J ( 2)
S=1 S=2
Figure V.2 : Réduction du problème FRTSP à un problème d’affectation généralisée
4. Formulation d’un PLVM du FRTSP dans le cas prédictif

Lors de la première planification qui permet d’obtenir un plan prédictif, toutes les données
relatives au système de transport sont connues et définies en amont de la période
132
d’exploitation. Ainsi, le carnet des commandes sera connu à l’avance et aucun changement ne
sera considéré en cours d’exploitation. Aussi, le planning de circulation des trains est fixé et
respecté durant toute la période d’exploitation.
Les notations utilisées pour la définition des données considérées dans ce problème sont
résumées dans le Tableau V.3.
Tableau V.3 : Notations utilisées dans le PLVM
j : 1, …, J Pour les commandes

Indices
t : 1, …, T Pour les trains

s : 1, …, S Pour les stations
𝑟𝑗 Date de disponibilité de la commande j
𝑑𝑒𝑝𝑗 Station de départ de la commande j
𝑎𝑟𝑟𝑗 Station d’arrivée de la commande j
𝑙𝑡 Date de disponibilité du train t dans la station 1
J Nombre de commandes
T Nombre de trains
Paramètres
S Nombre de stations
𝑡𝑡𝑠,𝑠+1 Temps de trajet entre deux stations successives
𝑄𝑗 Nombre de colis standard composant la commande j
Capacité de chargement du train t en nombre de colis
𝐶𝑎𝑝𝑡
standard
𝑊𝑎𝑖𝑡𝑚𝑎𝑥 Temps d’attente maximum des trains dans chaque station
𝑊𝑎𝑖𝑡𝑚𝑖𝑛 Temps d’attente minimum des trains dans chaque station
time Temps de chargement / déchargement d’un colis standard
M Un grand nombre positif
1 si la commande j est présente à l’intérieur du train t dans la
𝑥𝑗𝑡𝑠
Variables de
station s, 0 sinon
décision
𝐶𝑡𝑠 Temps d’attente du train t à la station s
𝑅𝑗𝑡𝑠 Moment auquel le train t charge la commande j à la station s
La formalisation des différentes contraintes identifiées se présente comme suit :
- Affectation des commandes aux trains et leur transport

Chaque commande j doit être affectée à un seul train t dans sa station de départ 𝑑𝑒𝑝𝑗 .
Cette exigence est formalisée comme suit :
∑𝑇𝑡=1 𝑥𝑗𝑡𝑠 = 1 ∀𝑗 𝑎𝑣𝑒𝑐 𝑠 = 𝑑𝑒𝑝𝑗 (5.5)

De plus, 𝑥𝑗𝑡𝑠 est égale à 1 si la commande j est présente à l’intérieur du train t dans la
station s. Pour cela, nous définissons :
133
𝑥𝑗𝑡𝑠 − 𝑥𝑗𝑡𝑠+1 = 0 ∀𝑗, 𝑡 𝑎𝑣𝑒𝑐 𝑠 ∈ [𝑑𝑒𝑝𝑗 , 𝑎𝑟𝑟𝑗 − 1] (5.6)

Cet ensemble de contraintes (5.6), nous permet d’assurer la présence des colis de la
commande j, à l’intérieur du train t, entre sa station de départ et sa station d’arrivée.
Pour compléter le processus d’affectation des commandes aux trains, nous
définissons :
𝑠 ∈ [1, 𝑑𝑒𝑝𝑗 [ ∪ ]𝑎𝑟𝑟𝑗 , 𝑆] 𝑠𝑖 𝑑𝑒𝑝𝑗 ≠ 1 𝑒𝑡 𝑎𝑟𝑟𝑗 ≠ 𝑆

𝑥𝑗𝑡𝑠 = 0 ∀𝑗, 𝑡 𝑎𝑣𝑒𝑐 {𝑠 ∈ ]𝑎𝑟𝑟𝑗 , 𝑆] 𝑠𝑖 𝑑𝑒𝑝𝑗 = 1 𝑒𝑡 𝑎𝑟𝑟𝑗 ≠ 𝑆 (5.7)
𝑠 ∈ [1, 𝑑𝑒𝑝𝑗 [ 𝑠𝑖 𝑑𝑒𝑝𝑗 ≠ 1 𝑒𝑡 𝑎𝑟𝑟𝑗 = 𝑆
L’ensemble des contraintes (5.7), permet de limiter le transport des colis de la
commande j dans un train t, strictement au tronçon défini entre leur station de départ et
d’arrivée.
- Respect de la capacité des trains
Chaque train est limité par un nombre maximum de colis pouvant être transportés
simultanément. De plus, nous avons supposé que chaque commande doit être
transportée en une seule fois et par un seul train. La formalisation de ces contraintes
d’exploitation s’effectue comme suit :
∑∀𝑗∈𝐽𝑠 𝑥𝑗𝑡𝑠 ∗ 𝑄𝑗 ≤ 𝐶𝑎𝑝𝑡 ∀𝑡, 𝑠 (5.8)

Cet ensemble de contraintes (5.8), traduit la limitation du nombre de colis dans les
trains dans chaque station. Dans ce cas, j appartient à l’ensemble 𝐽𝑠 , qui représente
l’ensemble des commandes, dont la station d’arrivée n’est pas s. La définition de cet
ensemble, nous permet la prise en considération du déchargement des commandes,
dans leur station d’arrivée (ce qui libère forcément, l’espace qu’elles occupaient dans
le train).
- Temps d’attente des trains dans les stations
Nous avons défini précédemment, les exigences d’exploitation, en matière de temps
d’attente des trains dans les stations. Nous formalisons ces exigences sous la forme de
trois ensembles de contraintes comme suit :
𝐶𝑡𝑠 ≥ 𝑊𝑎𝑖𝑡𝑚𝑖𝑛 ∀𝑡, 𝑠 (5.9)

𝐶𝑡𝑠 ≥ ∑∀𝑗∈𝐽′ 𝑠 𝑥𝑗𝑡𝑠 ∗ 𝑄𝑗 ∗ 𝑡𝑖𝑚𝑒 ∀𝑡, 𝑠 (5.10)
𝐶𝑡𝑠 ≤ 𝑊𝑎𝑖𝑡𝑚𝑎𝑥 ∀𝑡, 𝑠 (5.11)

Les ensembles de contraintes (5.9) et (5.11), traduisent les limites des temps d’attente
des trains dans chaque station. D’autre part, nous avons défini 𝑤𝑎𝑖𝑡𝑚𝑎𝑥 comme étant
une limite de temps d’attente des trains, exclusivement liée à la possibilité de
prolonger l’arrêt d’un train, pour le chargement de commandes. En d’autres termes,
s’il n’y avait pas d’activité de transport de marchandises, les trains ne s’arrêteraient
dans les stations que durant 𝑤𝑎𝑖𝑡𝑚𝑖𝑛 . Ainsi, l’ensemble de contraintes (5.10), nous
permet de calculer au plus juste, le temps nécessaire au chargement de toutes les
commandes devant être transportées par le train t, à partir de la station s. Pour cela, j
134
est considéré dans 𝐽′𝑠 qui est l’ensemble des commandes, dont les stations de départ
et d’arrivée sont la station s.
- Respect de la date de disponibilité des commandes
Les commandes ne sont pas toutes disponibles à l’instant 0. De ce fait, elles ne
peuvent être transportées par un train, qu’après qu’elles soient disponibles dans leur
station de départ. Ceci donne lieu à :
𝑙𝑡 + ∑𝑠−1
𝑠′ =1(𝐶𝑡𝑠′ + 𝑡𝑡𝑠′,𝑠′+1 ) ∀𝑗, 𝑡 𝑒𝑡 𝑠 = 𝑑𝑒𝑝𝑗 𝑠𝑖 𝑑𝑒𝑝𝑗 > 1
𝑥𝑗𝑡𝑠 ∗ 𝑟𝑗 ≤ { (5.12)
𝑙𝑡 ∀𝑗, 𝑡 𝑒𝑡 𝑠 = 𝑑𝑒𝑝𝑗 𝑠𝑖 𝑑𝑒𝑝𝑗 = 1
Dans cet ensemble de contraintes (5.12), la date d’arrivée du train t à la station de
départ 𝑑𝑒𝑝𝑗 de la commande j, est calculée sur la base de :
 La date de mise en circulation de ce train à partir de la station 1.

 Les temps d’attente de ce train dans toutes les stations précédentes de la station
𝑑𝑒𝑝𝑗 .
 La somme des temps de parcours entre toutes les stations précédentes de la
station 𝑑𝑒𝑝𝑗 .
Dans le cas où 𝑑𝑒𝑝𝑗 = 1, cette date est égale à 𝑙𝑡 .

- Calcul du moment auquel la commande est chargée dans un train
Le calcul du temps d’attente de chaque commande avant son transport requiert la
connaissance d’une part, de sa date de disponibilité et d’autre part, de son moment de
chargement (ce qui dépend de l’affectation décidée). Ainsi, le moment de chargement
est obtenu comme suit :
𝑙𝑡 + ∑𝑠−1
𝑠′ =1(𝐶𝑡𝑠′ + 𝑡𝑡𝑠′,𝑠′+1 ) − 𝑀(1 − 𝑥𝑗𝑡𝑠 ) ∀𝑗, 𝑡 𝑎𝑛𝑑 𝑠 = 𝑑𝑒𝑝𝑗 𝑠𝑖 𝑑𝑒𝑝𝑗 > 1
𝑅𝑗𝑡𝑠 ≥{ (5.13)
𝑙𝑡 − 𝑀(1 − 𝑥𝑗𝑡𝑠 ) ∀𝑗, 𝑡 𝑎𝑛𝑑 𝑠 = 𝑑𝑒𝑝𝑗 𝑠𝑖 𝑑𝑒𝑝𝑗 = 1
L’introduction de M dans l’ensemble des contraintes (5.13) est nécessaire à la
linéarisation de la forme initiale de cet ensemble de contraintes. En effet, la forme de
base de (5.9) est quadratique et s’écrit comme suit : 𝑅𝑗𝑡𝑠 ≥ 𝑥𝑗𝑡𝑠 ∗ (𝑙𝑡 + ∑𝑠−1
𝑠′ =1(𝐶𝑡𝑠′ +
𝑡𝑡𝑠′ ,𝑠′ +1 )).
- Domaines de définition des variables
𝑥𝑗𝑡𝑠 ∈ {0,1}, 𝐶𝑡𝑠 ≥ 0, 𝑅𝑗𝑡𝑠 ≥ 0 ∀𝑗, 𝑡, 𝑠 (5.14)
A ce stade de l’étude, nous avons défini l’objectif le plus important comme celui relatif à la
maximation du taux de rotation des marchandises, ce qui revient à la minimisation de leur
temps d’attente au niveau des stations de départ. La formalisation mathématique de cet
objectif se présente comme suit :
𝐽 𝑇
𝑀𝑖𝑛𝑖𝑚𝑖𝑧𝑒 ∑ ∑(𝑅𝑗𝑡𝑠 − 𝑥𝑗𝑡𝑠 ∗ 𝑟𝑗 ) 𝑎𝑣𝑒𝑐 𝑠 = 𝑑𝑒𝑝𝑗 (5.15)

𝑗=1 𝑡=1
Dans (5.15), la somme des temps d’attente de toutes les commandes dans leur station de
départ est considérée.
135
5. L’adaptation des colonies de fourmis pour le FRTSP

Bien que les problèmes d'optimisation combinatoire soient généralement faciles à décrire, leur
résolution nécessite des techniques qui sont moins évidentes. Tel que nous l’avions déjà
évoqué, le processus de résolution standard pour les grandes instances, fait appel soit à des
règles spécifiques à chaque problème, en utilisant des heuristiques, soit par des
métaheuristiques qui sont génériques. Nous proposons d’adapter les colonies de fourmis
« ACO » en raison des bonnes performances obtenues pour la résolution du problème
d’affectation généralisée, dont on a montré le lien avec le FRTSP. Un second argument est lié
à la nature constructive des ACO, qui n’a pas besoin d’une solution de départ pour initier sa
recherche.
Nous allons développer plusieurs variantes de colonies de fourmis, ce qui nous permettra
d’identifier la variante qui serait en mesure de considérer au mieux, les spécificités du
problème étudié.
5.1. La variante AS des ACO

Cette première étape, nous permet d’adapter l’algorithme de base, aux spécificités du FRTSP.
En effet, l’ACO a été développé initialement, pour la résolution du problème du voyageur de
commerce. Cette première application d’ACO porte le nom d’Ant System « AS ».
L’algorithme de base, développé pour le problème du voyageur de commerce, reproduit assez

fidèlement les principes du phénomène biologique ayant servi à son développement.
Ce problème s’intéresse à la recherche du plus court chemin, reliant n villes. Chaque ville
devant être visitée exactement une seule fois. Ce problème est formalisé par un graphe
complet, tel que les sommets représentent les villes et les arrêtes modélisent les chemins les
reliant. L’algorithme AS va procéder de manière à ce qu’à chaque itération, chaque fourmi va
construire une solution complète (i.e. un chemin parcourant toutes les villes). Plusieurs
mécanismes sont mis en place pour reproduire la recherche du meilleur chemin par chaque
fourmi, en s’inspirant du phénomène biologique. Dans notre adaptation des AS au FRTSP,
nous nous sommes également inspirés de cette modélisation, en apportant les ajustements
nécessaires, pour prendre en compte les spécificités de notre problème.
Cette adaptation peut être décrite comme suit :
- Nous définissons un nombre maximum d’itérations « 𝑖𝑡𝑚𝑎𝑥 » et un nombre de

fourmis « 𝑚 » constituant la colonie.
- Nous construisons un graphe pour chaque fourmi lors de son processus de résolution,
telle que chaque sommet correspond à une décision potentielle (l’affectation d’une
commande à un train donné).
- Chaque sommet est défini par un couple (commande, train transportant cette
commande) ou (𝑗, 𝑡). Les sommets sont liés entre eux par des arrêtes. Chaque lien relie
la dernière décision prise (𝑗, 𝑡) avec la nouvelle décision potentielle (𝑗 ′ , 𝑡 ′ ).
- Initialement, les m fourmis sont positionnées aléatoirement sur 𝑚 sommets.
136
- Puis, à chaque étape de la construction de la solution, chaque fourmi se déplace d’un

sommet (𝑗, 𝑡) vers un autre sommet (𝑗 ′ , 𝑡′) correspondant à une commande non encore
affectée à un train. La prise de décision se fait au regard d’un calcul de probabilités,
pour évaluer l’ensemble des possibilités. Une schématisation de ce processus est
donnée par la Figure V.3. La probabilité utilisée lors de chaque décision par chacune
des fourmis se base sur deux éléments, pour équilibrer la balance diversification /
intensification :
?
Fourmi n° k
Figure V.3 : Une étape durant le processus de construction d’une solution par une fourmi
 L’intensification : elle s’effectue grâce à la phéromone, qui représente la

mémoire collective des fourmis transmise entre les générations successives.
Elle permet de capitaliser l’information concernant la qualité des décisions
prises auparavant. Les traces de phéromones laissées lors de l’itération
précédente sont notées : 𝜏(𝑗,𝑡)(𝑗′,𝑡′) (𝑖𝑡).
 La diversification : une heuristique basée sur une information disponible
localement lors de la décision à prendre et qu’on note 𝜂(𝑗,𝑡)(𝑗′ ,𝑡 ′ ) . Comme
l’objectif du FRTSP est de réduire le temps d’attente total des commandes,
l’idée est de privilégier les faibles temps d’attente. Si le temps d’attente est
noté 𝑑(𝑗,𝑡)(𝑗′ ,𝑡 ′ ) lorsque la commande 𝑗′ est transportée par le train 𝑡′ et que la
probabilité utilisée lors de la prise de décision, doit traduire une préférence
pour les faibles temps d’attente, l’heuristique peut être définie comme étant
inversement proportionnelle à ce temps, comme suit :
𝜂(𝑗,𝑡)(𝑗′ ,𝑡 ′ ) = 1⁄𝑑 (5.16)
(𝑗,𝑡)(𝑗 ′ ,𝑡 ′ )
Concernant la phéromone, elle devrait informer sur la qualité de la décision
correspondante, au vu des performances des solutions dans laquelle elle a participé.
Ainsi, la probabilité pour chaque fourmi « 𝑘 » de choisir le couple (𝑗’, 𝑡’), sachant que
c’est le couple (𝑗, 𝑡) qui a été choisi à l’étape précédente est donnée par la formule
suivante :
𝛼 𝛽
[𝜏(𝑗,𝑡)(𝑗′ ,𝑡′ ) (𝑖𝑡)] [𝜂(𝑗,𝑡)(𝑗′ ,𝑡′ ) ]
𝑘
𝑝(𝑗,𝑡)(𝑗 ′ ,𝑡 ′ ) (𝑖𝑡) = 𝛼 𝛽 (5.17)
∑𝑙∈𝑇 [𝜏(𝑗,𝑡)(𝑗′ ,𝑡 ) (𝑖𝑡)] [𝜂(𝑗,𝑡)(𝑗′ ,𝑡 ) ]
𝑑 𝑙 𝑙
𝑇𝑑 : l’ensemble des trains pouvant transporter 𝑗′. La définition de cet ensemble nous
permet d’éliminer dès la construction des solutions, celles qui sont non faisables (telles
137
que celles qui concernent l’affectation de commandes à des trains, dont la date de
passage est avant la date de disponibilité de ces mêmes commandes).
𝑘 : l’identifiant d’une fourmi.
𝛼 : paramètre qui détermine l’importance relative des traces de phéromones, c’est-à-
dire l’intensification ou l’exploitation.
𝛽 : paramètre qui détermine l’importance relative de la règle heuristique, représentant
la diversification ou l’exploration.
Les deux paramètres 𝛼 et 𝛽 permettent d’équilibrer la balance intensification /
diversification, en définissant la part relative de chacun de ces deux mécanisme.
- A la fin de la construction d’une solution complète, par chaque fourmi à chaque
𝑘
itération, chacune dépose une quantité de phéromones ∆𝜏(𝑗,𝑡)(𝑗 ′ ,𝑡 ′ ) (𝑖𝑡), qui est calculée
comme suit :
𝑄
⁄𝐿𝑘 (𝑖𝑡) 𝑠𝑖 𝑙 ′ 𝑎𝑟𝑟ê𝑡𝑒 𝑟𝑒𝑙𝑖𝑎𝑛𝑡 (𝑗, 𝑡) 𝑒𝑡 (𝑗 ′ , 𝑡 ′ ) 𝑒𝑠𝑡 𝑢𝑡𝑖𝑙𝑖𝑠é𝑒 𝑝𝑎𝑟 𝑘
𝑘
∆𝜏(𝑗,𝑡)(𝑗 ′ ,𝑡 ′ ) (𝑖𝑡) ={ (5.18)
0 𝑠𝑖𝑛𝑜𝑛
𝑘
𝐿 (𝑖𝑡) : c’est le temps d’attente total de toutes les commandes dans leur station de
départ (i.e. la valeur de la fonction objectif, en considérant la solution construite par la
fourmi 𝑘). Comme c’est un problème de minimisation, nous considérons l’inverse de
cette valeur. Ainsi, plus le temps d’attente sera grand, moindre sera la quantité de
phéromone déposée.
𝑄 : un paramètre à fixer
- La mise à jour de la quantité de phéromones, présente sur chaque arrête du graphe des
possibilités, s’effectue en considérant deux éléments :
 Toutes les quantités de phéromones déposées lors de l’itération actuelle, par

toutes les fourmis :
𝑘
Δ𝜏(𝑗,𝑡)(𝑗′ ,𝑡 ′ ) (𝑖𝑡) = ∑𝑚
𝑘=1 ∆𝜏(𝑗,𝑡)(𝑗 ′ ,𝑡 ′ ) (𝑖𝑡) (5.19)
 L’évaporation de phéromone, présente sur toutes les arrêtes du graphe, traduit
l’oubli. Pour cela, nous introduisons le facteur d’évaporation (1 − 𝜌) (i.e. 𝜌
représente le facteur de persistance). 𝜌 est déterminé dans l’intervalle [0,1].
Ceci donne lieu à la formule de calcul des quantités de phéromones sur chaque arrête,
comme suit :
𝑘
𝜏(𝑗,𝑡)(𝑗′ ,𝑡 ′ ) (𝑖𝑡 + 1) = 𝜌. 𝜏(𝑗,𝑡)(𝑗′ ,𝑡 ′ ) (𝑖𝑡) + ∑𝑚
𝑘=1 ∆𝜏(𝑗,𝑡)(𝑗 ′ ,𝑡 ′ ) (𝑖𝑡) (5.20)
A noter que la trace de phéromones est initialisée de la même manière sur toutes les
arrêtes du graphe, avec 𝜏0 ≥ 0.
L’algorithme de la variante de base AS, appliqué au problème FRTSP est présenté par
l’Algorithme V.1.
138
Algorithme V.1 : L’adaptation de l’algorithme AS au FRTSP
1. Définition des paramètres (𝛼, 𝛽, 𝜌, 𝑚, 𝑄, 𝑖𝑡𝑚𝑎𝑥 )

2. Initialisation de la trace de phéromones 𝜏0
3. Meilleure solution  ∅
4. Tant que (itération <= 𝑖𝑡𝑚𝑎𝑥 )
5. Pour chaque fourmi de la colonie
6. Pour chaque commande (considérer n’importe quelle commande
aléatoirement)
7. Identifier les trains qui sont en mesure de transporter la commande
actuelle (c’est une heuristique qui permet d’améliorer la performance de
l’algorithme de base):
- Le moment auquel le train t arrive à 𝑑𝑒𝑝𝑗 doit être ≥ 𝑟𝑗
- L’espace disponible à l’intérieur du train doit être ≥ 𝑄𝑗
- Le temps nécessaire au chargement de 𝑄𝑗 + [le temps nécessaire
au chargement des autres 𝑄𝑗′ qui ont le même 𝑑𝑒𝑝𝑗 et qui doivent
être transportées par le même train + Le temps nécessaire au
déchargement des 𝑄𝑗′′ qui sont à l’intérieur de ce même train et
ont 𝑎𝑟𝑟𝑗′′ = 𝑑𝑒𝑝𝑗 ] ≤ 𝑤𝑎𝑖𝑡𝑚𝑎𝑥
8. Sélection du train qui va transporter la commande actuelle, en se basant
sur les probabilités calculées avec la formule (5.17)
10. Prochaine fourmi de la colonie
11. Mise à jour de la meilleure solution (si amélioration il y a)
12. Mettre à jour la trace de phéromones en utilisant la formule (5.20), pour toutes les
arrêtes du graphe
13. Prochaine itération
5.2. Différentes variantes d’ACO

Il existe plusieurs variantes d’ACO, qu’on peut retrouver en détail dans (Dorigo & Stützle,
2004). Dans nos travaux, nous avons retenu deux variantes, ayant donné lieu à une troisième
variante « hybride », assez performante pour la résolution du problème d’affectation
généralisée (Ramalhinho Lourenço & Serra, 2000).
5.2.1. Variante Max-Min Ant System : « MMAS »

Nous proposons une première évolution de la variante de base, à travers la variante MMAS,
qui a été introduite par (Stützel & Hoos, 2000). Cette variante introduit plusieurs
modifications, dans le but d’améliorer le processus d’exploration de l’ensemble des solutions
et en faisant un meilleur usage de l’expérience acquise, lors des itérations antérieures. Ceci, à
travers la mise en œuvre de mécanismes de sortie des optimums locaux, ainsi qu’en proposant
un meilleur équilibrage de la balance diversification / intensification.
Les modifications principales qu’apporte la variante MMAS à la variante AS, peuvent être
résumées à travers les points suivants :
139
- Seule une fourmi est autorisée à déposer une quantité de phéromones sur le parcours
de la solution qu’elle a construit. Bien que deux possibilités sont suggérées par la
littérature, à savoir :
 La fourmi qui a produit la meilleure solution en cours de l’itération actuelle.

 La fourmi qui a produit la meilleure solution sur toutes les itérations
antérieures.
Dans notre cas, nous proposons la considération de la première possibilité. Notre

choix est justifié par la convergence trop rapide, à laquelle conduit la seconde
possibilité (avec le risque de se retrouver bloqué dans un optimum local).
- Toutefois, même avec la première possibilité, il persiste un risque d’exclure de
manière assez prématurée du champ d’exploration, des solutions potentiellement plus
performantes (en raison du mécanisme d’évaporation des phéromones). Ainsi, la
seconde modification introduite, est la limitation de la variation des quantités de
phéromones, sur l’ensemble des arrêtes du graphe, à l’intérieur d’un intervalle
[𝜏𝑚𝑖𝑛 , 𝜏𝑚𝑎𝑥 ].
- Une dernière modification notable concerne la possibilité de réinitialiser la trace de
phéromones, sur l’ensemble des arrêtes du graphe. En effet, dans le cas où aucune
amélioration de la solution n’a été proposée, après un certain nombre d’itérations (à
définir comme paramètre), la quantité de phéromones est remise à 𝜏0 .
Ces modifications sont accompagnées par de nouvelles formules, pour calculer les nouveaux
paramètres et réajuster d’autres, comme suit :
- Le calcul des bornes de l’intervalle des quantités de phéromones, s’effectue suivant les
formules suivantes (il s’agit d’une adaptation des formules proposées dans (Stützel &
Hoos, 2000), aux spécificités du problème FRTSP) :
𝜏𝑚𝑎𝑥 = (1⁄1 − 𝜌) (1⁄ 𝑏𝑒𝑠𝑡 ) (5.21)
𝐿 (𝑖𝑡)
(1 − 𝑇√𝑝𝑏𝑒𝑠𝑡 )
𝜏𝑚𝑖𝑛 = 𝜏𝑚𝑎𝑥 ( ⁄𝑇 ) (5.22)
( ⁄2 − 1) 𝑇√𝑃𝑏𝑒𝑠𝑡
𝐿𝑏𝑒𝑠𝑡 (𝑖𝑡) : la meilleure valeur de la fonction objectif à l’itération 𝑖𝑡, en considérant la
solution construite par la meilleure fourmi « 𝑏𝑒𝑠𝑡 ».
𝑃𝑏𝑒𝑠𝑡 : il s’agit de la probabilité qu’une fourmi ait fait le meilleur choix d’affectation
des commandes, pour chaque train. Dans (Stützel & Hoos, 2000), les auteurs
proposent de la fixer à 0,05.
Le calcul de ces bornes s’effectue à chaque fois qu’une meilleure solution est trouvée.
- La mise à jour de la trace de phéromones, à la fin de chaque itération (qui était donnée
par (5.20)), devient :
k
𝜌. 𝜏(𝑗,𝑡)(𝑗′ ,𝑡 ′ ) (𝑖𝑡) + ∆𝜏(𝑗,𝑡)(𝑗 ′ ,𝑡 ′ ) (𝑖𝑡) 𝑠𝑖 𝑘 = 𝑏𝑒𝑠𝑡
(𝑖𝑡
𝜏(𝑗,𝑡)(𝑗′ ,𝑡 ′ ) + 1) = { (5.23)
𝜌. 𝜏(𝑗,𝑡)(𝑗′ ,𝑡 ′ ) (𝑖𝑡) 𝑠𝑖𝑛𝑜𝑛
140
best
∆𝜏(𝑗,𝑡)(𝑗 ′ ,𝑡 ′ ) (𝑖𝑡) : représente la quantité de phéromones calculée, pour la fourmi ayant
k
construit la meilleure solution à l’itération 𝑖𝑡. A savoir, ∆𝜏(𝑗,𝑡)(𝑗 ′ ,𝑡 ′ ) (𝑖𝑡) = 0, ∀𝑘 ≠
𝑏𝑒𝑠𝑡 (i.e. pour toutes les arrêtes qui ne correspondent pas au chemin parcouru par la
fourmi « best », il n’y a que le processus d’évaporation qui est considéré).
Si la quantité de phéromones mise à jour sur une arrête est supérieure à 𝜏𝑚𝑎𝑥 , elle est
initialisée à 𝜏𝑚𝑎𝑥 . D’autre part, si elle est inférieure à 𝜏𝑚𝑖𝑛 , elle est initialisée à 𝜏𝑚𝑖𝑛 .
Les modifications au niveau de l’algorithme de la variante AS, pour la considération des

spécificités de la variante MMAS, sont présentées dans l’Algorithme V.2.
Appliquée au problème du voyageur de commerce et au problème d’affectation quadratique,

dans (Stützel & Hoos, 2000), il est montré que la variante MMAS est en mesure d’obtenir de
très bonnes performances, à travers l’exploitation de la meilleure solution trouvée, ainsi qu’en
évitant la stagnation prématurée dans le processus de recherche. De plus, la convergence de
cette variante a été prouvée théoriquement dans (Stützle & Dorigo, 2002).
Algorithme V.2 : L’adaptation de l’algorithme MMAS pour le FRTSP à partir de AS
De 1 jusqu’à 10 les étapes de l’algorithme AS restent inchangées

11. Si meilleure solution > meilleure solution à l’itération courante (ou = ∅)
12. Calcul de 𝜏𝑚𝑎𝑥 avec la formule (5.21)
13. Calcul de 𝜏𝑚𝑖𝑛 avec la formule (5.22)
14. Mettre à jour la meilleure solution (avec celle de l’itération courante)
15. Fin Si
16. Mettre à jour la phéromone en utilisant la formule (5.23) pour toutes les arrêtes
17. Pour chaque arrête ((𝑗, 𝑡), (𝑗 ′ , 𝑡 ′ ))
18. Si 𝜏(𝑗,𝑡)(𝑗′ ,𝑡 ′ ) < 𝜏min
19. 𝜏(𝑗,𝑡)(𝑗′ ,𝑡 ′ ) = 𝜏min
20. Sinon Si 𝜏(𝑗,𝑡)(𝑗′ ,𝑡 ′ ) > 𝜏max
21. 𝜏(𝑗,𝑡)(𝑗′ ,𝑡 ′ ) = 𝜏max
22. Fin Si
23. Prochaine arrête
24. Si meilleure solution non améliorée depuis un certain nombre d’itérations
25. Réinitialisation de la quantité de phéromones à 𝜏0 sur l’ensemble des arrêtes
26. Fin Si
5.2.2. Variante Ant Colony System : « ACS »

Cette seconde alternative d’évolution de la variante de base AS que nous proposons, a été
introduite par (Dorigo & Gambardella, 1997). Elle est très appropriée pour les problèmes de
grandes tailles. Cette variante présente la particularité de capitaliser l’expérience des fourmis
de la colonie, au cours d’une même itération. De plus, des mécanismes sont mis en place,
pour une meilleure exploration de l’espace de recherche.
141
Les modifications principales qu’apporte la variante ACS à la variante AS, peuvent être
résumées à travers les points suivants :
- Lors de la construction d’une solution, les fourmis utilisent un mécanisme de sélection

des possibilités plus agressif, que dans le cas de la variante AS. Il s’agit d’une règle
proportionnelle pseudo-aléatoire qui, selon la valeur prise par une variable aléatoire,
utilise : 1- le mécanisme de la variante AS (à travers la décision probabiliste), ou 2-
sélectionne directement la prochaine possibilité, qui a la probabilité la plus élevée
d’être choisie (i.e. la possibilité la plus désirable).
- Un processus de mise à jour locale de la trace de phéromones est lancé, à chaque étape
de la construction de la solution par chaque fourmi.
- A la fin de chaque itération, le processus de mise à jour globale de la trace de
phéromones, est similaire à celui décrit pour la variante MMAS (i.e. seule la fourmi
ayant produit la meilleure solution, dépose une quantité de phéromones).
Ces modifications requièrent la définition de nouvelles formules, dans le but de calculer les
nouveaux paramètres. Une description de ces formules pour le problème du voyageur de
commerce, est donnée dans (Dorigo & Gambardella, 1997) et (Dorigo, et al., 2006). Nous
proposons une adaptation aux spécificités du problème FRTSP, comme suit :
- Nous avons décrit pour AS, le processus qui pilote à chaque étape de la construction
de la solution, le déplacement d’une fourmi dans le graphe, d’un sommet (𝑗, 𝑡) à un
autre (𝑗 ′ , 𝑡′). Dans le cas de la variante ACS, ce processus est enrichi avec une règle
aléatoire. Ainsi, la sélection du prochain sommet (𝑗 ′ , 𝑡′) s’effectue selon la
formulation suivante :
𝛽
arg 𝑚𝑎𝑥(𝑗𝑚 ,𝑡𝑚) {𝜏(𝑗,𝑡)(𝑗𝑚 ,𝑡𝑚 ) [𝜂(𝑗,𝑡)(𝑗𝑚 ,𝑡𝑚) ] } 𝑠𝑖 𝑞 ≤ 𝑞0
(𝑗 ′
, 𝑡′) = { (5.24)
𝑠𝑢𝑖𝑣𝑎𝑛𝑡 𝑙𝑎 𝑓𝑜𝑟𝑚𝑢𝑙𝑒 (5.17) 𝑠𝑖𝑛𝑜𝑛
𝑞 : variable aléatoire choisi à l’intérieur de l’intervalle [0,1].
𝑞0 : paramètre de la variante ACS, à fixer lors de l’initialisation. A noter : 0 ≤ 𝑞0 ≤ 1.
La valeur prise par le paramètre 𝑞0 permet de faire pencher la balance intensification /
diversification, soit d’un côté soit de l’autre.
- La mise à jour locale de la trace de phéromones, s’effectue durant la construction de la
solution par une fourmi. Une fois une arrête sélectionnée, la quantité de phéromones
qui y est associée est mise à jour, suivant la formule suivante :
𝜏(𝑗,𝑡)(𝑗′ ,𝑡 ′ ) (𝑖𝑡) = φ. 𝜏(𝑗,𝑡)(𝑗′ ,𝑡 ′ ) (𝑖𝑡) + (1 − 𝜑). 𝜏0 (5.25)
𝜑 : le facteur de persistance local (i.e. (1 − 𝜑) représente le facteur d’évaporation). Il
est compris dans l’intervalle [0,1].
Cette mise à jour locale favorise la diversification, à travers la diminution de la
désirabilité de l’arrête choisie, pour les prochaines fourmis de la colonie, durant la
même itération.
- La mise à jour globale de la trace de phéromones, présente deux légères variations
dans la formule, par rapport à la variante MMAS. Ces variations se présentent comme
suit :
142
 La quantité de phéromones déposée par la fourmi, ayant produit la meilleure

solution de la génération courante, est multipliée par le facteur d’évaporation
(1 − 𝜌). Ceci est dans le but de ralentir la convergence vers un ensemble de
solutions, qui risque de bloquer la recherche dans un optimum local.
 Pour toutes les autres arrêtes, la quantité de phéromones reste inchangée (i.e. il
n’y a pas de processus d’évaporation).
La formule se présente comme suit :

k
𝜌. 𝜏(𝑗,𝑡)(𝑗′ ,𝑡 ′ ) (𝑖𝑡) + (1 − ρ). ∆𝜏(𝑗,𝑡)(𝑗 ′ ,𝑡 ′ ) (𝑖𝑡) 𝑠𝑖 𝑘 = 𝑏𝑒𝑠𝑡
𝜏(𝑗,𝑡)(𝑗′ ,𝑡 ′ ) (𝑖𝑡 + 1) = { (5.26)
𝜏(𝑗,𝑡)(𝑗′ ,𝑡 ′ ) (𝑖𝑡) 𝑠𝑖𝑛𝑜𝑛

spécificités de la variante ACS, sont présentées dans l’Algorithme V.3.
A noter que la convergence de la variante ACS a été prouvée théoriquement dans (Stützle &
Dorigo, 2002).
Algorithme V.3 : L’adaptation de l’algorithme ACS pour le FRTSP à partir de AS

8. Sélection du train qui va transporter la commande actuelle en se basant
sur la formule (5.24)
9. Mise à jour locale de la trace de phéromones sur l’arrête ((𝑗, 𝑡), (𝑗 ′ , 𝑡 ′ )),
en utilisant la formule (5.25)
12. Mise à jour de la meilleure solution (si amélioration il y a)
13. Mettre à jour la trace de phéromones, en se basant sur le résultat des calculs
effectués avec la formule (5.26), pour toutes les arrêtes
5.2.3. Variante hybride : « MMACS »

D’abord, il faut noter que les deux variantes MMAS et ACS présentent plusieurs similitudes.
En effet, nous relevons deux caractéristiques communes comme suit :
- Seule une fourmi est autorisée à déposer une nouvelle quantité de phéromones, à la fin
de chaque itération. Ce qui implique pour les itérations suivantes, des solutions
potentiellement voisines de la meilleure solution précédente.
- Pour éviter la stagnation du processus de recherche, les deux variantes mettent en
œuvre un mécanisme régulant la variation de la quantité de phéromones, sur chaque
arrête. En effet, pour la variante MMAS, les limites sont explicites à travers
l’intervalle [𝜏𝑚𝑖𝑛 , 𝜏𝑚𝑎𝑥 ]. Alors que pour la variante ACS, elles sont implicites et
découlent de la forme des deux formules (5.25) et (5.26). En ce qui concerne la limite
inférieure, aussi bien la mise à jour locale, que globale, n’autorisent une quantité de
phéromones inferieure à 𝜏0 . En ce qui concerne la limite supérieure, la formule de
143
mise à jour globale nous permet de déduire sa borne supérieure, qui est égale à
Q
⁄𝐿𝑘 (𝑖𝑡) avec 𝑘 correspondant à la fourmi ayant trouvé la meilleure solution globale
(𝐿𝑘 (𝑖𝑡) étant la valeur de la fonction objectif).
Cependant, une différence majeure existe entre ces deux variantes. Il s’agit de la règle
décisionnelle qui dirige le processus de recherche. En particulier, pour la variante MMAS,
c’est la décision probabiliste de la variante de base qui est utilisée. Cette dernière présente un
équilibre entre exploration de nouvelles solutions (diversification) et exploitation de
l’expérience acquise par les fourmis (intensification). En ce qui concerne la variante ACS, la
règle proportionnelle pseudo-aléatoire utilisée, accentue le processus d’intensification, ce qui
conduit principalement, à l’exploration de solutions voisines.
La variante hybride que nous proposons, est dérivée d’une variante proposée dans
(Ramalhinho Lourenço & Serra, 2000), et développée pour le problème d’affectation
généralisée. Nous y avons apporté quelques ajustements, pour prendre en compte les
spécificités du problème FRTSP.
Cette variante propose de combiner une partie des caractéristiques de la variante MMAS et
une autre partie de la variante ACS, comme suit :
- La règle décisionnelle adoptée est celle de la variante ACS (5.24).

- Il n’y a pas de mise à jour locale de la trace de phéromones.
- La mise à jour globale de la trace de phéromones, est similaire à celle de la variante
MMAS (5.23).

spécificités de la variante MMACS, sont présentées dans l’Algorithme V.4.
6. Une approche par horizon glissant pour optimiser la

replanification du FRTSP
Le transport de marchandises en ville est soumis à de fortes perturbations (principalement
liées aux commandes de dernière minute). Aussi, des retards de livraison, voire des
annulations de commandes, font partie du quotidien de cette activité. D’autre part, le service
de transport ferroviaire de voyageurs en milieu urbain durant les heures creuses est assez
fiable. En effet, les légers retards qui peuvent se produire, sont rapidement absorbés. De plus,
étant donné que les trains circulent en série, les uns après les autres sur la même ligne,
l’impact des éventuels retards sera global et impactera toutes les commandes non transportées
et cela, de manière équivalente. Dans ce cas, il n’y a pas de nécessité de procéder à une
replanification. Il suffit de procéder à un décalage dans le temps des décisions prises
initialement. Toutefois, les rares cas d’annulation de trains, auront pour impact, la nécessité
de réaffecter les commandes qui devaient être transportées par le train annulé. Dans le cadre
de ce travail de recherche, nous proposons une démarche de replanification, qui se focalisera
sur l’ajustement du plan initial de transport des marchandises, en ne considérant que les
144
perturbations liées aux commandes. En ce qui concerne les perturbations liées aux trains, elles
seront traitées dans d’autres travaux.
Algorithme V.4 : L’adaptation de l’algorithme MMACS pour le FRTSP à partir de AS

8. Sélection du train qui va transporter la commande actuelle en se basant
sur la formule (5.24)
11. Si meilleure solution > meilleure solution à l’itération courante (ou = ∅)
12. Calcul de 𝜏𝑚𝑎𝑥 avec la formule (5.21)
13. Calcul de 𝜏𝑚𝑖𝑛 avec la formule (5.22)
14. Mettre à jour la meilleure solution (avec celle de l’itération courante)
15. Fin Si
16. Mettre à jour la phéromone en utilisant la formule (5.23) pour toutes les arrêtes
17. Pour chaque arrête ((𝑗, 𝑡), (𝑗 ′ , 𝑡 ′ ))
18. Si 𝜏(𝑗,𝑡)(𝑗′ ,𝑡 ′ ) < 𝜏min

19. 𝜏(𝑗,𝑡)(𝑗′ ,𝑡 ′ ) = 𝜏min
20. Sinon Si 𝜏(𝑗,𝑡)(𝑗′ ,𝑡 ′ ) > 𝜏max
21. 𝜏(𝑗,𝑡)(𝑗′ ,𝑡 ′ ) = 𝜏max
22. Fin Si
23. Prochaine arrête
24. Si meilleure solution non améliorée depuis un certain nombre d’itérations
25. Réinitialisation de la quantité de phéromones à 𝜏0 sur l’ensemble des arrêtes
du graphe
26. Fin Si
La replanification est une démarche indispensable, pour adapter les décisions de la

planification initiale, au fur et à mesure que les changements surviennent, lors de la phase
d’exploitation. Dans ce travail, nous proposons une approche par horizon glissant pour réduire
les effets négatifs des modifications, en intégrant ces écarts dans l’objectif du FRTSP.
Les perturbations relatives aux commandes peuvent être classées comme suit :
- Les commandes de « dernière minute » : il s’agit de commandes reçues durant la

période d’exploitation. Leur prise en charge présente plusieurs avantages, tels que :
 Utiliser l’espace résiduel pour le transport de marchandises dans les trains. Ce

qui permet d’accroitre le rendement de cette activité.
 La capacité d’absorber des commandes de dernières minutes est un bon
indicateur de réactivité du service de transport.
145
 Augmenter les bénéfices de l’activité de transport de marchandises (la prise en

charge tardive peut être facturée plus cher, ce qui rend cette perspective encore
plus intéressante pour l’opérateur).
- Les commandes annulées : il s’agit des commandes planifiées pour être transportées,
mais qui devront être retirés des plans de transport. En fonction du modèle
économique choisi, la nécessité d’utiliser au mieux l’espace libéré sera plus ou moins
critique, pour la rentabilité de la solution.
- Les commandes réceptionnées en retard : il s’agit des commandes qui arrivent à leur
station de départ, à une date ultérieure à leur date de disponibilité prévisionnelle.
Le modèle mathématique développé dans le cas prédictif, fourni un plan initial de transport
des marchandises. Ce dernier reste optimal, si aucune perturbation n’est enregistrée. Ainsi, il
détermine le train 𝑡 qui va transporter chaque commande 𝑗 à partir de sa station de départ
𝑠 = 𝑑𝑒𝑝𝑗 , avec la valeur de la variable de décision 𝑥𝑗𝑡𝑠 . Aussi, il détermine le moment auquel
cette commande sera transportée, avec la valeur de 𝑅𝑗𝑡𝑠 . En pratique, il est très rare, de ne pas
avoir de changements entre le moment ou le plan initial est calculé et le moment ou les
décisions doivent être exécutées. L’objectif du modèle de replanification, est de réadapter le
plan de transport des commandes précédemment établi, au vu des changements opérés,
comme suit :
- Toute commande déjà transportée, n’est plus considérée, lors de l’établissement du

nouveau plan de transport. De plus, pour assurer un minimum de stabilité au système,
nous avons indiqué que les décisions prises sur un certain horizon temporel 𝐻𝐺 , ne
peuvent être modifiées. Ainsi, nous définissons 𝐽𝑡 comme étant l’ensemble des
commandes, dont la planification du transport est déterminée à l’intérieur de 𝐻𝐺 . Ce
qui implique aussi, les commandes déjà transportées (i.e. ∀𝑗 ∈ 𝐽𝑡 , 𝑥𝑗𝑡𝑠 sera fixe).
- L’ensemble des commandes annulées, qu’on note 𝐽𝑐 .
- L’ensemble des commandes retardées, qu’on note 𝐽𝑟 .
- L’ensemble des nouvelles commandes, qu’on note 𝐽𝑛 .
- Le plan de transport initial, avec la valeur des moments auxquelles les commandes du
plan initial devaient être transportées (i.e. les 𝑅𝑗𝑡𝑠 sont des données d’entrée pour le
modèle de replanification).
- Le plan de transport initial implique un engagement commercial vis-à-vis des clients.
Pour rappel, une fois la commande transportée, elle doit être prise en charge par un
transport aval. Ainsi, dans le cas d’une replanification, il faut veiller à ne pas décaler
la date de transport de chaque commande impliquée par la replanification, au-delà
d’une limite à définir, qu’on note 𝑉𝑎𝑟𝑚𝑎𝑥 . D’autre part, cette limite de variation
permettra de garder indirectement, un contrôle sur l’utilisation de l’espace dans les
stations (i.e. ne pas avoir des commandes, dont le temps d’attente s’allonge de manière
incontrôlée).
146
6.1. Un PLVM pour la minimisation des changements lors de la replanification

du FRTSP
Une formulation est proposée pour recalculer le plan de transport des marchandises, en
minimisant non seulement les temps d’attente des marchandises, mais en prenant en compte
également les changements décisionnels entre la replanification et la planification initiale.
Dans le Tableau V.4, des notations supplémentaires sont utilisées pour le PLVM pour la
replanification.
Tableau V.4 : Notations additionnelles pour le cas de replanification
Paramètres
Date de disponibilité de la commande j (il peut s’agir
𝑛𝑟𝑗 d’une nouvelle commande, ou une commande retardée.
Dans le cas où il n’y a aucun changement 𝑛𝑟𝑗 = 𝑟𝑗 )
Variation maximale entre le premier plan de transport et le
𝑉𝑎𝑟𝑚𝑎𝑥
nouveau
Variable de décision
Nouveau moment auquel le train t charge la commande j à
𝑁𝑅𝑗𝑡𝑠
la station s (après replanification)
L’objectif de la replanification est la minimisation des variations avec le plan initial. Ainsi, la
fonction objectif se présente comme suit :
𝑀𝑖𝑛𝑖𝑚𝑖𝑧𝑒 ∑ ∑(𝑁𝑅𝑗𝑡𝑠 − 𝑅𝑗𝑡𝑠 ) 𝑎𝑣𝑒𝑐 𝑠 = 𝑑𝑒𝑝𝑗 (5.27)

𝑗∈𝐽′ 𝑡∈𝑇 ′
Dans (5.27), il s’agit de minimiser la somme des variations, entre le plan précédent et celui
résultant de la replanification. L’indice 𝑗 est utilisé pour l’ensemble 𝐽′ , correspondant à
l’ensemble des commandes non transportées et pouvant faire l’objet d’une replanification
(𝐽′ = (𝐽 ∖ 𝐽𝑡 ∖ 𝐽𝑐 ) ∪ 𝐽𝑛 ). L’indice 𝑡 est relatif aux trains de l’ensemble 𝑇 ′ , ne considérant que
ceux qui seront mis en circulation après l’horizon gelé (∀𝑡, 𝑙𝑡 ≥ 𝐻𝐺 ). A noter que pour les
nouvelles commandes (𝑗 ∈ 𝐽𝑛 ), 𝑅𝑗𝑡𝑠 n’existe pas encore. Pour préserver la performance du
système global, à travers la réduction du temps d’attente des commandes dans leur station de
départ avant leur transport, nous considérons : ∑𝑡∈𝑇 ′ 𝑅𝑗𝑡𝑠 = 𝑛𝑟𝑗 , ∀𝑗 ∈ 𝐽𝑛 𝑎𝑣𝑒𝑐 𝑠 = 𝑑𝑒𝑝𝑗 .
L’ensemble des contraintes du PLVM dans le cas prédictif (de (5.5) jusqu’à (5.14)), sont
considérées pour le modèle de replanification. Les modifications à y apporter se présentent
comme suit :
- 𝑗 est considéré dans l’ensemble 𝐽′ .

- 𝑡 est considéré dans l’ensemble 𝑇 ′ .
- 𝑟𝑗 est remplacé par 𝑛𝑟𝑗 dans l’ensemble des contraintes (5.8).
- 𝑅𝑗𝑡𝑠 est remplacé par 𝑁𝑅𝑗𝑡𝑠 dans l’ensemble des contraintes (5.9).
147
Dans le but de limiter les variations lors de la replanification, nous définissons les deux
ensembles de contraintes supplémentaires comme suit :
∑𝑡∈𝑇 ′ (𝑁𝑅𝑗𝑡𝑠 − 𝑅𝑗𝑡𝑠 ) ≤ 𝑉𝑎𝑟𝑚𝑎𝑥 ∀𝑗 ∈ 𝐽′′ 𝑎𝑣𝑒𝑐 𝑠 = 𝑑𝑒𝑝𝑗 (5.28)
∑𝑡∈𝑇 ′ (𝑅𝑗𝑡𝑠 − 𝑁𝑅𝑗𝑡𝑠 ) ≤ 𝑉𝑎𝑟𝑚𝑎𝑥 ∀𝑗 ∈ 𝐽′′ 𝑎𝑣𝑒𝑐 𝑠 = 𝑑𝑒𝑝𝑗 (5.29)
avec 𝐽′′ = 𝐽 ∖ 𝐽𝑡 ∖ 𝐽𝑐 \ 𝐽𝑟
6.2. L’approche de replanification par horizon glissant

Dans l’adaptation de l’approche par horizon glissant au FRTSP, nous avons utilisé plusieurs
paramètres qui sont définis comme suit :
- L’horizon de planification 𝐻𝑃 : il s’agit de la période considérée pour la planification

du transport de marchandises, à chaque itération. Il peut s’agir d’une partie d’une
journée d’exploitation, voire de plusieurs.
- L’intervalle de planification 𝑟 : cet intervalle doit résulter d’un compromis, afin de
trouver un équilibre entre la réactivité voulue et la stabilité souhaitée. Plus
précisément, la réactivité est obtenue avec un intervalle court afin de replanifier aussi
fréquemment que possible, ce qui permet d’absorber un maximum de perturbations,
mais qui génère de nombreux calculs intermédiaires et donc un plus grand risque
d’instabilité. La stabilité est atteinte avec un intervalle de recalcul assez long avec le
risque de dégrader la réactivité du système.
- L’horizon gelé 𝐻𝐺 : ce mécanisme permet d’assurer un minimum de stabilité au
système, en fixant un intervalle de temps durant lequel les décisions précédentes ne
sont pas remises en cause. En effet, aussi bien les ressources matérielles, qu’humaines,
impliquées dans l’activité de transport de marchandises, doivent avoir une certaine
visibilité sur la charge de travail à venir.
- L’horizon libre 𝐻𝐿 : hors horizon gelé, les décisions précédentes peuvent être remises
en cause si nécessaire. Toutefois, ces dernières sont indispensables pour avoir une
visibilité sur la charge de transport prédictive, durant tout l’horizon de planification.
De plus, le transport de marchandises aval, devant être pris en charge par un moyen de
transport tierce, il est indispensable d’établir une date de livraison prévisionnelle.
A ces différents paramètres, s’ajoute le nombre d’itérations à considérer, durant une période
d’exploitation (qui peut être une journée, ou une semaine par exemple).
Lors de la première itération, c’est le modèle du cas prédictif qui est utilisé. La solution
proposée est ce qu’on qualifie de plan de transport initial. Toutes les itérations suivantes,
utilisent le modèle de replanification. A noter que le plan initial reste la référence pour les
commandes du plan prédictif. Pour les nouvelles commandes, leur première planification
devient la référence. Enfin, si aucune perturbation n’a été enregistrée durant le pas de
planification actuelle, le recalcul est inutile.
Pour résumer le processus de replanification à horizon glissant, dans le cas de la solution de

transport étudiée, nous proposons la Figure V.4.
148
 Plan initial de transport des

commandes
 Fixation des paramètres de
l’horizon glissant
Considérer la
prochaine itération
Non
Mettre à jour les
données
Occurrence de d’affectation des
perturbations durant commandes aux
l’actuelle itération trains
Oui
 Considérer les commandes déjà

transportées (durant les itérations
précédentes)
 Enregistrer le moment précèdent Exécuter le modèle
d’affectation de la commande j au de replanification
train t (Rjts)
 Enregistrer les données issues de
l’occurrence de la perturbation
Figure V.4 : La replanification du FRTSP par horizon glissant
7. Couplage simulation / optimisation

Dans le but de reproduire le caractère dynamique de la solution de transport étudiée, nous
proposons un couplage avec la simulation. Ce couplage donne lieu à une répartition des rôles
comme suit :
- Le modèle de simulation à évènements discrets permet la simulation du

fonctionnement de la solution de transport étudiée.
- Les modèles d’optimisation mathématique, implémentée dans CPLEX, permettent
d’optimiser l’élaboration du plan de transport des marchandises, de manière à réduire
leur temps d’attente dans leur station de départ.
- Le modèle de simulation ARENA met en évidence les bénéfices de cette optimisation,
sur les différentes composantes de la solution de transport étudiée. De plus, il permet
d’observer dans le temps, l’évolution de l’utilisation des différentes ressources
mobilisées, à travers la considération des résultats de l’optimisation.
7.1. Cas prédictif

Dans ce cas, c’est la génération des commandes, suivant le premier scénario modélisé sur
ARENA, qui est considéré (présenté dans la section 3.1 du chapitre 4).
Un premier apport du modèle de simulation, concerne la validation du modèle d’optimisation.

En effet, la simulation de la solution de transport, en considérant les résultats du modèle
d’optimisation, a mis en évidence quelques incohérences telles que la nécessité de définir de
nouvelles contraintes, notamment pour la continuité du voyage de toute marchandise, ou
l’ajustement des bornes de certains intervalles.
149
Le couplage mis en œuvre est schématisé par la Figure V.5. On peut le résumer comme suit :
- Génération des données relatives aux commandes et aux trains.

- L’enregistrement de ces différentes données, ainsi que celles relatives au paramétrage
des stations.
- A l’instant 0 de la simulation, nous procédons à la résolution du PLVM avec CPLEX,
ou les algorithmes de colonies de fourmis, en considérant les données générées avec le
modèle de simulation.
- L’interface entre le modèle de simulation et ceux de l’optimisation a été possible grâce
à Excel / VBA.
- Lors de la circulation des trains à travers la ligne ferroviaire, le plan de transport
optimal, fourni par le modèle d’optimisation, est considéré.
Simulation
Données externes :
Optimisation
• Liste des commandes
• Planning de circulation Modèle
des trains Problème
Initialisation
Données de conception du
modèle de simulation Approche de résolution
Réponse
Plan de transport optimal
Fin
Figure V.5 : Le schéma de couplage dans le cas prédictif
Bien que le modèle d’optimisation, considère les différentes contraintes de dates de

disponibilité des commandes, de capacités des trains et de temps d’attente limites dans les
stations, ces dernières sont aussi modélisées sur ARENA. C’est cette démarche, qui nous a
permis de valider le modèle d’optimisation.
7.2. Cas de replanification

Dans ce cas, c’est la génération des commandes, suivant le second scénario modélisé sur
ARENA qui est considéré (présenté dans la section 3.1 du chapitre 4).
Dans un premier temps, le couplage a permis la validation du modèle de replanification par

horizon glissant. Ceci à travers la vérification de la cohérence des réajustements du plan de
transport, que fourni le modèle de replanification, à intervalle régulier. Aussi, cette procédure
a permis l’ajustement des valeurs de l’horizon gelé et du pas de planification.
Le couplage mis en œuvre est schématisé par la Figure V.6. En plus de toutes les étapes du
couplage dans le cas prédictif, nous introduisons les étapes supplémentaires suivantes :
150
- Génération aléatoire de nouvelles commandes, en cours de simulation. Ces

commandes sont paramétrées de la même manière que les commandes générées
initialement.
- Génération de perturbations sur les commandes non encore transportées (retard de
disponibilité ou annulation). Ces perturbations sont générées directement dans
l’environnement VBA.
- L’enregistrement des données relatives aux nouvelles commandes et celles ayant subi
une perturbation.
- Après chaque intervalle de planification, vérifier la présence de nouvelles commandes,
ou l’occurrence de perturbations.
- Dans le cas où des perturbations ont été enregistrées, nous procédons à la résolution du
PLVM de replanification, de la même manière que pour le PLVM du cas prédictif. A
noter que pour les besoins de la replanification, les résultats du modèle initial, ainsi
que certaines données initiales, sont requis.
- L’interface entre le modèle de simulation et ceux de l’optimisation a été possible grâce
à Excel / VBA.
Simulation Optimisation
Données externes :
Modèle Initial
• Liste des commandes Problème initial
• Planning de circulation Instant 0
des trains
Initialisation Approche de résolution
Données de conception du
modèle de simulation
Modèle de replanification
Génération de perturbations:
• Nouvelles commandes Perturbations
• Modifications dans la liste Chaque pas de planification
initiale des commandes Approche de résolution
Plan de transport optimal

Réponse - Actualisation
Fin
Figure V.6 : Le schéma de couplage dans le cas de la replanification
Lors de la circulation des trains à travers la ligne ferroviaire, c’est le plan de transport optimal
actuel, fourni par la dernière itération de résolution du modèle de replanification, qui est
considéré.
8. Conclusion
Dans ce chapitre nous avons développé la méthodologie de résolution du problème FRTSP,
dans les deux cas : prédictif et replanification. Nous avons commencé ce chapitre par l’étude
d’un exemple illustrant les données et contraintes du FRTSP afin d’appréhender sa
complexité. En particulier, à travers cet exemple, nous avons constaté :
151
- L’impact direct des contraintes de temps d’attente dans les stations, à travers le temps
nécessaire au déchargement des commandes, puis, celui nécessaire au chargement
d’autres commandes.
- L’impact de la limitation de l’espace à l’intérieur des trains, sur les possibilités de
transport de chaque train, en fonction des commandes chargées.
- La difficulté d’appréhender les conséquences des différentes possibilités
combinatoires, sur la performance des décisions de transport prises. Ce qui résulte de
la combinaison entre les deux contraintes : temps d’attente et capacité des trains,
associée à la combinaison entre les deux caractéristiques des commandes : parcours
spécifique pour chaque commande et tailles différentes.
Nous avons étudié la complexité du FRTSP en montrant que c’est une extension du problème
d’affectation généralisé. Ensuite, nous avons formalisé ce problème en utilisant un modèle
mathématique de type PLVM, considérant toutes les contraintes techniques et
organisationnelles. L’objectif de cette étude préliminaire est de montrer le bénéfice potentiel,
en quantifiant les volumes qu’il est possible de transporter. Ainsi, nous avons proposé de
minimiser le temps d’attente des commandes avant leur transport. Nous avons adapté les
colonies de fourmis au FRTSP, en raison des bonnes performances de cette métaheuristique,
pour la résolution du problème d’affectation généralisée.
De plus, le transport de marchandises étant sujet à divers types de perturbations, nous avons
proposé une approche par horizon glissant pour replanifier le FRTSP. Cette démarche permet
de considérer périodiquement, toutes les perturbations enregistrées en cours de la période
écoulée, pour générer un nouveau plan de transport optimal. Le modèle d’optimisation
mathématique de replanification, ayant pour objectif, la minimisation des variations relatives,
par rapport au plan de transport initial.
Enfin, nous avons décrit le protocole de couplage simulation / optimisation, dans le but :
- D’évaluer l’impact de la solution fourni par les modèles d’optimisation, sur la

dynamique du système de transport étudié.
- De considérer les perturbations enregistrées en cours d’exploitation, pour préserver la
performance du système.
152
Chapitre VI
Expérimentations et analyse des résultats
VI. Chapitre VI : Expérimentations et analyse des résultats
153
CHAPITRE VI : Expérimentations et analyse des résultats
1. Introduction
Ce chapitre est dédié à la phase expérimentale afin de présenter les résultats obtenus des
différents modèles et approches proposées pour le FRTSP. Dans un premier temps, nous
abordons la génération aléatoire des instances du FRTSP, qui est justifiée par l’absence de
données réelles, notamment concernant la demande prévisionnelle pour le transport de
marchandises. Dans la section suivante, nous rapportons les résultats du PLVM, des quatre
heuristiques, ainsi que ceux de l’approche de replanification, qui sont couplés au modèle de
simulation dans le but d’évaluer les taux d’occupation des stations et des trains. Ces résultats
sont cruciaux pour le dimensionnement des espaces et de la capacité nécessaire à la mise en
place de ce nouveau service de transport.
Une section est complètement dédiée aux colonies de fourmis. D’abord, on y présente
l’utilisation de la méthode Taguchi pour définir les paramètres des différentes variantes
étudiées. Ensuite, on présente les résultats obtenus en comparant les performances des
différentes variantes en termes de gap, de temps de calcul et de vitesse de convergence.
2. Génération des instances
L'une des principales difficultés, lors de l'étude d'une nouvelle problématique, est l’absence de
données, telles que la prévision de la demande de transport de marchandises (vu que ce
service n’existe pas encore). Cependant, pour développer un modèle de simulation, des
instances numériques sont nécessaires avec idéalement des données proches des projections
de ce nouveau service. Dans un premier temps, nous proposons de générer des instances
aléatoirement, en se basant sur les données actuelles qui caractérisent le réseau ferroviaire de
transport pour passagers. Entre autres, la fréquence de circulation des trains et leur capacité,
correspondent aux données des lignes franciliennes. Pour les autres paramètres, les valeurs
aléatoires sont générées sur la base des projections obtenues suite aux études du PREDIT.
Dans un premier temps, le modèle de simulation vise à évaluer la performance du système de

transport, lorsque le plan de transport optimisé est injecté dans une dynamique temporelle.
Toutefois, comme le problème étudié est NP-difficile et pour pouvoir comparer les
performances des métaheuristiques et heuristiques, avec la solution optimale, la taille des
instances doit être ajustée (durée de la simulation, nombre de commandes, nombre de trains et
nombre de stations).
2.1. Paramétrage du modèle de simulation

Les paramètres du modèle de simulation illustré par la figure IV.3, sont définis comme suit :
- Une ligne de transport ferroviaire est composée de 10 stations (𝑆 = 10). Les stations
sont indexées de 1 à 10, en ordre croissant. Ainsi, les trains parcourent la ligne en
traversant les stations de l’index 1, jusqu’à celle avec l’index 10.
- La distance entre deux stations consécutives, requiert un temps de parcours égal à 5
minutes (∀𝑠, 𝑡𝑡𝑠,𝑠+1 = 5).
- Les temps d’attente limites des trains dans chaque station sont données par :
𝑤𝑎𝑖𝑡𝑚𝑖𝑛 = 30 𝑠𝑒𝑐𝑜𝑛𝑑𝑒𝑠 et 𝑤𝑎𝑖𝑡𝑚𝑎𝑥 = 60 𝑠𝑒𝑐𝑜𝑛𝑑𝑒𝑠.
154
- La durée de la simulation est de 350 minutes. Nous considérons la période

d’exploitation du service de transport de marchandises, entre 10h et 15h50. Nous
supposons que c’est la période d’heures creuses pour le transport de voyageurs, durant
une journée de la semaine.
- 30 trains (𝑇 = 30) équipés pour le transport de marchandises, sont mis en circulation
durant chaque période simulée, à intervalles réguliers. Un train est mis en circulation
toutes les 10 minutes à partir de l’instant 0 (∀𝑡, 𝑙𝑡+1 = 𝑙𝑡 + 10). Ainsi, le dernier train
est mis en circulation à l’instant 290 et arrivera à la station 10, au pire des cas (si on
considère un temps d’arrêt dans chaque station égal à 𝑤𝑎𝑖𝑡𝑚𝑎𝑥 ), à l’instant 344.
- La capacité des trains en nombre de colis standards, pouvant être transportés
simultanément, est similaire pour tous les trains. Nous la fixons à 15 colis standard
(∀𝑡, 𝑐𝑎𝑝𝑡 = 15). Nous supposons que cela représente la capacité d’un wagon du train.
Ainsi, si on considère qu’un train est composé au total de 5 wagons, la capacité dédiée
au transport de marchandises représente 20% de sa capacité totale.
- Le temps de chargement d’un colis standard est égal à 10 secondes (𝑡𝑖𝑚𝑒 = 10).
2.2. Le cas prédictif

Les différents paramètres de chaque commande, sont générés aléatoirement, comme suit :
- Les dates de disponibilité des commandes sont générées suivant une loi uniforme,
ainsi : ∀𝑗, 𝑟𝑗 est issue de la distribution 𝑈(0,240), avec 0 correspondant au début de la
période (soit 10h) et 240 (soit 14h), le dernier moment auquel il est possible de
réceptionner une commande pour son transport. Nous arrêtons la réception des
commandes, à 50 minutes de la mise en circulation du dernier train, pour leur
permettre d’être transportées.
- Les commandes sont composées d’un nombre de colis variant entre 1 et 5 colis
standard, générées suivant une loi uniforme, ainsi : ∀𝑗, 𝑄𝑗 est issue avec la loi 𝑈(1,5).
- Les stations de départ et d’arrivée de chaque commande, sont générées aléatoirement
entre la 1ère et la 10ème station. Sachant que la station 1 ne peut pas être une station
d’arrivée et la station 10 ne peut pas être une station de départ.
10 familles d’instances sont considérées, telles que chacune des familles correspond à un
nombre de commandes à transporter, allant de 10 à 100 (avec un pas de 10). Chaque famille
contient 25 instances.
2.3. Le cas de la replanification

Pour simuler le cas de replanification, nous définissons les différents paramètres, relatifs aux
perturbations possibles et à l’horizon glissant, comme suit :
- Commandes annulées : après chaque intervalle de recalcul, chaque commande non
transportée a 10% de probabilité d’être annulée.
- Commandes retardées : après chaque intervalle de recalcul, chaque commande non
transportée a 10% de probabilité d’être retardée.
- Nouvelles commandes : après chaque intervalle de recalcul, nous pouvons avoir
jusqu’à 20% de commandes additionnelles. Les dates de disponibilité de ces
commandes sont après l’horizon gelé.
155
- Intervalle de recalcul : 𝑟 = 60 𝑚𝑖𝑛𝑢𝑡𝑒𝑠.

- Horizon gelé : 𝐻𝐺 = 90 𝑚𝑖𝑛𝑢𝑡𝑒𝑠.
- Horizon de planification : 𝐻𝑃 = 345 𝑚𝑖𝑛𝑢𝑡𝑒𝑠.
- Pour ne pas limiter les possibilités lors de la replanification, nous considérons
𝑉𝑎𝑟𝑚𝑎𝑥 = 30 𝑚𝑖𝑛𝑢𝑡𝑒𝑠. Cependant, en fonction de la stratégie de l’entreprise de
transport et des contraintes d’espace dans les stations, ce paramètre peut être ajusté.
En ce qui concerne le nombre d’itérations simulées, nous allons considérer deux seulement.
L’objectif est d’expliciter la démarche de replanification et d’évaluer la performance du
PLVM de replanification.
3. Analyse des résultats du couplage simulation / optimisation

Nous avons utilisé un ordinateur équipé du processeur Intel Xeon CPU E3-1245 v3 @
3.40GHz, avec 8Go RAM. Le logiciel de simulation utilisé est ARENA version 14.7. En ce
qui concerne la résolution des PLVM, nous avons utilisé CPLEX. Enfin, le couplage entre la
simulation et les méthodes de résolution, s’effectue à travers l’échange de données via Excel
2010 (un code VBA implémenté sur ARENA assure ce couplage).
Dans un premier temps, nous allons évaluer le modèle d’optimisation dans le cas prédictif.
Puis, nous comparons les résultats des règles décisionnelles implémentées sur ARENA.
Dans un second temps, nous analysons l’impact des différentes stratégies décisionnelles, sur
les différentes composantes du système de transport étudié. Enfin, nous présentons les
résultats de l’approche de replanification.
3.1. PLVM dans le cas prédictif

Nous avons résolu avec CPLEX, les 250 instances générées par le modèle de simulation,
suivants les paramètres précédemment définis. Les résultats sont présentés dans le Tableau
VI.1. Pour chaque nombre de commandes, nous calculons le nombre de contraintes et de
variables, ainsi que le temps de résolution moyen, pour les 25 instances. En ce qui concerne la
performance du PLVM, il trouve la solution optimale très rapidement pour les instances avec
jusqu’à 50 commandes (temps de résolution inférieur à 1 seconde). Pour les autres instances,
le temps de résolution moyen est inférieur à 18 secondes. Toutefois, pour une instance avec
100 commandes, nous avons observé un temps de résolution de 104 secondes.
Pour évaluer les limites du PLVM, en ce qui concerne la considération d’un nombre de
commandes plus important, nous avons testé des instances avec 150 commandes (les autres
paramètres étant fixes). Le PLVM (composé de 49 800 variables et 50 850 contraintes) n’a
pas été en mesure de fournir la solution optimale après 30 minutes de calcul. La décision
d’arrêter le processus de résolution après 30 minutes, découle des spécificités de la solution de
transport étudié. En effet, l’établissement du plan de transport est une tâche qui doit être
renouvelée assez fréquemment (le plus probable, chaque début de journée). Ainsi, il n’est pas
possible d’avoir des temps de calcul très importants.
156
Tableau VI.1 : Synthèse des résultats du PLVM dans le cas prédictif
Temps de
Nombre de Nombre de Nombre de
résolution
commandes variables contraintes
moyen
10 3 600 4 510 0,1
20 6 900 7 820 0,3
30 10 200 11 130 0,4
40 13 500 14 400 0,6
50 16 800 17 750 0,8
60 20 100 21 060 1,2
70 23 400 24 370 1,8
80 26 700 27 680 3,2
90 30 000 30 990 4,2
100 33 300 34 300 17,9
Dans le Tableau VI.2, nous présentons les résultats de la résolution de 25 instances,

constituées de 150 commandes. La seconde ligne du tableau donne le gap d’optimalité que
fournit CPLEX pour chaque instance (i.e. l’écart avec la borne inférieure pour notre problème
de minimisation).
Tableau VI.2 : Résultats de la résolution d’instances (150 commandes, 30 trains, 10 stations)
Inst. 1 2 3 4 5 6 7 8 9 10 11 12
Gap% x 3,86 4,79 8,89 4,74 2,89 8,01 9,58 2,25 5,73 x 9,11
13 14 15 16 17 18 19 20 21 22 23 24 25
11,01 13,37 2,91 12,19 5,11 3,17 6,09 2,93 11,18 x 4,32 2,74 8,55
A noter que sur les 25 instances, 3 sont infaisables (instances : 1, 11 et 22). L’étude en détail
de ces instances, montre que la configuration de transport adoptée, ne permet pas la prise en
charge de toutes les commandes. En effet, la date de disponibilité tardive de certaines
commandes, ne leur permet pas d’être transportées par les trains qui restent encore en
circulation, pour deux raisons :
- Il n’y a pas assez d’espace pour les transporter.

- Le temps d’attente maximum dans les stations ne permet pas de les charger.
L’un des avantages du PLVM est de vérifier la faisabilité de l’instance très rapidement
(quelques millisecondes). En pratique, cette information peut permettre aux managers, de
prendre des dispositions rapidement, pour ajuster les paramètres du système de transport, dans
le but de satisfaire la demande de transport. Les décisions à prendre peuvent consister à
augmenter le nombre de trains en circulation, ou bien augmenter l’espace dédié aux
marchandises, à l’intérieur des trains planifiés initialement.
Pour évaluer l’influence du nombre de trains, sur la performance du PLVM, nous avons fait
varier leur nombre entre 10 et 100, avec un pas de 10. D’abord, nous avons enregistré un
157
certain nombre d’instances infaisables (Tableau VI.3). Cette infaisabilité s’explique par les
mêmes raisons citées précédemment.
Tableau VI.3 : Nombre d’instances infaisables
Nombre de trains
Nombre de
10 20 30 40 50 60 70 80 90 100
commandes
10 0 0 0 0 0 0 0 0 0 0
20 0 0 0 0 0 0 0 0 0 0
30 2 0 0 0 0 0 0 0 0 0
40 8 0 0 0 0 0 0 0 0 0
50 18 0 0 0 0 0 0 0 0 0
60 21 0 0 0 0 0 0 0 0 0
70 25 0 0 0 0 0 0 0 0 0
80 25 2 0 0 0 0 0 0 0 0
90 25 2 0 0 0 0 0 0 0 0
100 25 11 0 0 0 0 0 0 0 0
En ce qui concerne l’évolution des temps de résolution, la Figure VI.1 montre leur évolution
en fonction du nombre de trains et du nombre de commandes. Nous relevons que les temps de
résolution augmentent avec l’augmentation du nombre de commandes. Toutefois, pour un
même nombre de commandes, lorsque le nombre de trains est moindre, les temps de
résolution augmentent. En effet, pour les instances faisables, le temps de résolution décroit
sensiblement avec l’augmentation du nombre de trains jusqu’à 40 trains. Ce phénomène est
lié à la réduction du nombre de solutions faisables et à la difficulté de trouver la combinaison
optimale. Puis, à partir de 40 jusqu’à 100 trains, nous observons l’effet inverse, mais avec une
intensité moindre. A noter que le point d’inversion de la tendance se décale vers la droite,
avec l’augmentation du nombre de commandes à transporter.
D’autre part, nous avons enregistré la valeur moyenne de la fonction objectif pour chaque
famille. La Figure VI.2 montre son évolution, en fonction du nombre de trains en circulation.
Nous relevons qu’avec l’augmentation du nombre de trains, le temps d’attente des
commandes se réduit rapidement entre 10 et 50 trains. Ce comportement s’explique par le fait
que l’augmentation du nombre de trains, a un impact positif conséquent sur la performance du
système de transport, jusqu’à l’atteinte d’un point d’équilibre, où la mise en circulation de
trains supplémentaires, n’a qu’un impact réduit. Dans le cas avec 100 commandes à
transporter, ce point d’équilibre se trouve entre 50 et 60 trains. En effet, l’étude en détail des
résultats pour chaque instance avec 100 commandes, montre qu’à partir de 50 trains,
quasiment toutes les commandes sont transportées par le premier train qui les croise. Avec 60
trains, c’est toutes les commandes qui sont prises en charge par le premier train. Au-delà (i.e.
avec un nombre de trains supérieur à 60), la réduction du temps d’attente des commandes
résulte de la réduction de l’intervalle, entre chaque deux trains consécutifs. En effet, cela a
pour conséquence directe, la réduction pour certaines commandes, de leur temps d’attente de
quelques secondes.
158
70,00
60,00
Nombre de
50,00 trains " T "
temps de résolution en secondes
10
20
40,00 30
Note : aucune instance faisable pour les combinaisons 40
(10 trains, 70-80-90-100 commandes) 50
30,00 60
70
80
20,00
90
100
10,00
-
10 20 30 40 50 60 70 80 90 100
Nombre de commandes " J "
Figure VI.1 : Influence du nombre de trains sur les temps de résolution du PLVM
140 000
Note : aucune instance faisable pour les combinaisons
(10 trains, 70-80-90-100 commandes)
120 000
Nombre de
Valeurs de la fonction objectif (secondes)
100 000 trains " T "

10
20
80 000 30
40
50
60 000 60
70
80
40 000
90
100
20 000
-
10 20 30 40 50 60 70 80 90 100
Figure VI.2 : Influence du nombre de trains sur les temps d’attente
Ce résultat apporte une information cruciale, pour la résolution du problème n°6, qui consiste
à déterminer la fréquence optimale des trains en circulation (ou planning de circulation des
trains).
159
3.2. Les heuristiques

Les trois heuristiques basées sur les règles de priorité, ont l’avantage de nécessiter un temps
de calcul négligeable (~0). Quant à la 4ème heuristique, basée sur un algorithme de type B&B,
même si elle est plus coûteuse que les trois premières, elle reste néanmoins à un temps réduit.
Ceci s’explique par le fait de traiter des sous problèmes, avec un nombre restreint de
commandes, c’est-à-dire celles qui peuvent être affectées au train correspondant. Nous avons
observé dans le pire des cas, 5 secondes de temps de calcul (à noter que cette heuristique est
implémentée directement dans l’environnement VBA du logiciel de simulation ARENA, ce
qui est moins performant que l’utilisation d’un langage dédié aux calculs. Toutefois, ceci nous
permet d’avoir un modèle de simulation intégrant un processus décisionnel).
Les histogrammes présentés par la Figure VI.3, montrent la corrélation entre le nombre de
commandes et le temps d’attente total des commandes. Aussi, nous observons la performance
de chaque heuristique, comparativement à la solution optimale. Le Tableau VI.4 donne le gap
entre les solutions fournies par chaque heuristique et les solutions optimales, pour chaque
famille d’instances.
1200
1100
Moyennes des temps d'attente des commandes (secondes)
1000
900
800
PLVM
700 Heuristique 1
Heuristique 2
600 Heuristique 3
Heuristique 4
500
400
300
200
10 20 30 40 50 60 70 80 90 100
Figure VI.3 : Comparaison des temps d’attente des heuristiques avec ceux du PLVM
Les résultats des différentes heuristiques sont assez éloignés de ceux obtenus grâce au PLVM.
De plus, la qualité de leurs solutions se dégrade, d’autant plus que le nombre de commandes à
transporter augmente. Si on définit des classes d’instances telle que le 1er groupe est celui des
20-40 commandes, le 2ème des 50 à 70 et le 3ème celui des 80 à 100, alors la courbe des écarts
est strictement croissante pour chaque heuristique. A noter que l’effort de décomposition
permet à la 4ème heuristique d’obtenir de meilleures solutions comparativement aux 3
premières. Aussi, nous avons relevé que l’écart avec la solution optimale atteint, dans le pire
des cas, 40% sur l’ensemble des instances comprenant celles avec 150 commandes
160
(comparativement à la meilleure solution fournie par CPLEX après 30 minutes de temps de

résolution).
Des analyses approfondies seront réalisées dans la prochaine section, pour étudier l’impact
respectif de chaque heuristique, sur le système de transport.
Tableau VI.4 : Résultats des heuristiques VS solutions optimales
Nombre de
Heur. 1 Heur. 2 Heur. 3 Heur. 4
commandes
20-40 27% 28% 28% 27%
50-70 31% 33% 30% 31%
80-100 49% 53% 46% 34%
3.3. Comparaison et évaluation du gap des heuristiques VS PLVM

L’étude de la solution de transport nécessite la considération des mouvements des
marchandises. Dans ce qui suit, nous allons étudier ces mouvements dans les stations, ainsi
que la dispersion du temps d’attente des commandes selon la position de leur station de départ
sur la ligne. En effet, nous allons définir trois segments pour la ligne pour distinguer le début,
le centre et la fin de la ligne. Puis, nous évaluons le taux d’utilisation respectivement des
trains et des stations.
3.3.1. Commandes
Pour caractériser le temps d’attentes des commandes dans le Tableau VI.5, nous rapportons :
- Le temps d’attente moyen des commandes (colonne « Moy. »).
- Le temps d’attente moyen des commandes dont la station de départ est l’une des 3
premières stations de la ligne (colonne « MS »).
stations au milieu de la ligne (colonne « MM »).
dernières stations de la ligne - hors dernière station - (colonne « ME »).
Tableau VI.5 : Résultats de la simulation sur les temps d’attente des commandes
Nbr. PLVM Heuristique 1 Heuristique 2 Heuristique 3 Heuristique 4

Com. Moy. MS MM ME Moy. MS MM ME Moy. MS MM ME Moy. MS MM ME Moy. MS MM ME
10 172 186 139 191 253 204 247 308 253 204 247 308 253 204 247 308 247 212 242 286
20 303 302 264 343 369 314 306 486 372 314 310 490 370 314 306 491 381 335 340 468
30 352 318 310 430 457 307 413 651 453 307 419 633 462 307 410 668 445 345 422 569
40 402 353 333 522 490 338 383 748 504 337 382 791 500 336 382 782 476 375 430 623
50 409 327 334 565 537 338 425 849 536 338 422 848 534 337 414 852 536 376 493 739
60 466 363 391 644 611 347 470 1015 633 349 473 1078 625 347 466 1062 603 397 545 867
70 495 390 409 685 661 363 488 1132 675 370 498 1156 654 364 486 1110 666 476 644 878
80 564 447 481 763 871 397 544 1673 883 400 555 1694 853 396 532 1632 768 530 659 1116
90 571 452 529 733 865 393 587 1614 904 397 604 1712 851 392 583 1578 795 576 759 1049
100 678 474 631 928 1012 377 633 2028 1008 378 647 1999 999 374 633 1989 914 534 863 1344
La Figure VI.4 montre le mode de calcul des différentes moyennes de temps d’attente.
161
Pour chaque 25 instances avec le même nombre de commandes
s=1 s=2 s=3 s=4 s=5 s=6 s=7 s=8 s=9 s=10
Moy. Temps Moy. Temps Moy. Temps Moy. Temps Moy. Temps Moy. Temps Moy. Temps Moy. Temps Moy. Temps
de séjours de séjours de séjours de séjours de séjours de séjours de séjours de séjours de séjours
sta. 1 sta. 2 sta. 3 sta. 4 sta. 5 sta. 6 sta. 7 sta. 8 sta. 9
MS= MM= ME=
Moy =
Figure VI.4 : Calculs des temps d’attente moyens
Nous remarquons que l'optimisation du temps d’attente total des commandes, produit des
temps d’attente non équilibrés entre les différentes stations. En effet, le temps d’attente dans
les stations augmente à mesure que la ligne est parcourue. Ce phénomène pourrait s'expliquer,
en partie, par le fait que les trains sont vides au début et se remplissent au fur et à mesure
qu’ils parcourent la ligne. De plus, dans les premières stations, généralement, il n’y a pas de
déchargement, tandis qu'au milieu de la ligne, les deux processus de chargement et de
déchargement, peuvent s’accumuler. Une conséquence directe de cette superposition est la
réduction du temps résiduel pouvant potentiellement permettre des opérations de chargement.
Enfin, dans les dernières stations de la ligne, il y a plus de déchargement que de chargement,
ce qui implique que les commandes qui sont en attente de transport, à partir de ces stations,
mettent plus de temps à être prises en charge.
Une tentative d’équilibrage des temps d’attente des commandes dans les stations, implique la
dégradation du temps d’attente total. A noter qu’en pratique, la majeure partie des
commandes, aurait comme station de départ, les premières stations de la ligne. Ce qui aura
pour conséquence, le rééquilibrage de ces temps d’attente.
D’autre part, il est intéressant de noter la capacité de la 4 ème heuristique à reproduire le même
comportement que le PLVM. Les boîtes à moustaches de gauche de la Figure VI.5 montrent
que la variabilité du temps d’attente des commandes, entre les différentes stations de la ligne,
donnée par l'heuristique 4, est la plus maitrisée. En outre, elles montrent, pour les autres
heuristiques, que cette variabilité est répartie sur un plus large intervalle. Ce constat permet de
souligner l’intérêt de l’heuristique 4, basée sur la décomposition pour les instances difficiles
(voir le max des heuristiques 1, 2 et 3 dans les boîtes à moustaches à gauche de la Figure
VI.5). L'analyse des résultats détaillés dans le Tableau VI.5, montre que pour les trois
premières heuristiques, les temps d’attente des commandes augmentent fortement, lorsque
l'indice de la station augmente. Les boîtes à moustaches à droite de la Figure VI.5 présentent
la variation des temps d’attente des commandes, en fonction du nombre de commandes à
transporter, lorsque la 4ème heuristique est appliquée. Elles montrent que les temps d’attentes
des commandes et leur variabilité entre les stations, augmentent proportionnellement avec
l’augmentation du nombre de commandes à transporter.
162
1800 1800
Temps d'attente des commandes / station (secondes)

Temps d'attente des commandes / station (secondes)
1600 1600
1400 1400
1200
1200
1000
1000
800
800
600
600
400
400
200
200
0
10 20 30 40 50 60 70 80 90 100
0
Nombre de commandes - Heuristique 4
PLVM Heur. 1 Heur. 2 Heur. 3 Heur. 4
Figure VI.5 : Boites à moustaches des temps d’attente des commandes dans les stations – (gauche) comparaison entre
les différentes approches, (droite) heuristique 4
Pour rappel, nous avons mentionné la capacité du PLVM, à évaluer rapidement la faisabilité
des instances. Ainsi, le PLVM a fourni la solution optimale, pour les 250 instances résolues,
ce qui signifie que toutes ces instances sont faisables. Toutefois et en ce qui concerne les 4
heuristiques, nous avons enregistré quelques cas, où ces dernières fournissent une solution
incomplète. Plus exactement, à la fin du processus de simulation, certaines commandes n’ont
pas pu être transportées, en raison des règles décisionnelles adoptées et leur impact sur
l’impossibilité technique de les charger en raison d’un manque d’espace ou de temps. Le
Tableau VI.6 fourni le nombre d’instances infaisables et le nombre de commandes non
transportées pour les 250 instances testées.
Là aussi, la 4ème heuristique est la plus intéressante, étant donné qu’un seul cas d’infaisabilité
a été enregistré. A noter que la 3ème heuristique qui permet le transport des commandes de
petite taille en priorité, se classe juste après. Cette dernière, en privilégiant les commandes de
petite taille, permet d’exploiter l’espace à l’intérieur des trains, de manière plus performante
que les 2 premières heuristiques.
Tableau VI.6 : Synthèse des cas d’infaisabilité
PLVM Heur. 1 Heur. 2 Heur. 3 Heur. 4

Inst. infaisables 0 3 5 2 1
Nb de commandes
0 5 11 2 1
non transportées
3.3.2. Trains
L’évaluation de la performance d’utilisation des trains, pour l’activité de transport de
marchandises, est effectuée à travers le calcul des taux d’utilisation de la capacité dédiée aux
marchandises. Ce taux est relatif à chaque train et, est obtenu par le rapport entre le nombre
total de colis effectivement transportés, et le nombre maximum de colis (noté 𝑈𝐵) pouvant
être transportés par ce dernier. Pour évaluer 𝑈𝐵, nous considérons le pire cas, où un nombre
maximum de colis, doivent être transportées entre chaque deux stations consécutives. A noter
que chaque colis chargé dans un train, doit être déchargé avant que le train ne quitte la ligne,
163
sachant que les temps de chargement et de déchargement sont égaux. Le pire des cas en
termes de nombre maximum de colis transportés, va correspondre au cas dans lequel chaque
colis a pour station d’arrivée, la station qui suit celle de sa station de départ. En commençant
par un chargement au maximum de la capacité d’accueil et en supposant que tous les colis
sont tous disponibles, cela se ramène au cas illustré dans la Figure VI.6 (i.e. le processus de
chargement / déchargement se répète S⁄2 fois tout au long de la ligne). Ainsi, la formule (6.1)
nous permet de calculer sa valeur, comme suit :
𝑤𝑎𝑖𝑡𝑚𝑎𝑥⁄ 𝑆
𝑈𝐵 = 𝑚𝑖𝑛 (𝑐𝑎𝑝, 𝑡𝑖𝑚𝑒) ∗ ⁄2 (6.1)
La Figure VI.6 illustre le mode de calcul de UB suivant (6.1), et donne sa valeur, en

considérant l’instance définie précédemment.
Légende :
 : Nombre de colis chargés
: Nombre de colis déchargés
: Temps d’attente du train dans la station
s=1 s=2 s=3 s=4 s=5 s=6 s=7 s=8 s=9 s=10
0 6 0 6 0 6 0 6 0 6
Figure VI.6 : illustration du calcul de « UB »
Pour les 25 instances de la famille de 100 commandes à transporter, le nombre de colis total
moyen à transporter est égal à 300. Sachant qu’il y a 30 trains en circulation, chacun disposant
d’une capacité maximum UB = 30, nous obtenons un taux d’utilisation moyen de la capacité
des trains égal à 33%. Ceci signifie qu’on aurait pu transporter trois fois plus de colis.
Toutefois et comme indiqué précédemment, selon l’algorithme adopté, plusieurs cas avec des
commandes non transportées, ont été relevés. Sans être en contradiction avec la valeur du taux
d’utilisation des trains, les dates de disponibilité des commandes, combinées à leur taille et
leur parcours (station de départ – station d’arrivée), justifient l’occurrence d’infaisabilités. En
particulier, dans certains cas, les commandes ne sont disponibles que vers la fin du service de
transport de marchandises. Ceci a pour conséquence, la réduction du nombre de possibilités
de transport de ces dernières, voire l’impossibilité de les transporter, alors que des trains en
début de service, ont circulé avec des taux de remplissage très faibles. La résolution de la
problématique décisionnelle n°8, que nous avons identifiée au chapitre 2 (figure II.13),
devrait permettre de réduire l’intensité de ce phénomène, en améliorant la synchronisation des
commandes avec celles des espaces libres dans les trains.
Le temps d’arrêt minimum des trains dans les stations, pour permettre aux voyageurs de
monter et descendre, est fixé à 30 secondes. Pour les instances avec 100 commandes, le temps
d’arrêt moyen des trains dans chaque station est égal à 37 secondes. Ceci implique une
augmentation du temps d’attente de 23%. De plus et pour la même famille, le temps de
parcours moyen des trains, de la première station jusqu’à la dernière, dans le cas où des
marchandises ont été transportées, s’établi à 50,5 minutes. A noter que s’il n’y avait pas
d’activité de transport de marchandises, ce temps s’établira à 49,5 minutes (en considérant un
164
temps d’arrêt des trains égal à wait min ). Ainsi, la simulation a montré que l’augmentation du
temps de parcours moyen des trains, en raison de l’activité de transport de marchandises, était
de 2% seulement.
3.3.3. Stations
Le Tableau VI.7 présente les nombres moyens / maximums des commandes / colis, présents
simultanément dans les stations, en attente de transport par un train.
Tableau VI.7 : comparaison des taux d’utilisation des stations
PLVM Heuristique 1 Heuristique 2 Heuristique 3 Heuristique 4

Nbr.
Moy/Max Moy/Max Moy/Max Moy/Max Moy/Max Moy/Max Moy/Max Moy/Max Moy/Max Moy/Max
Com.
Com. colis Com. colis Com. colis Com. colis Com. colis
10 1/2 2/6 1/2 2/6 1/2 2/6 1/2 2/6 1/2 2/6
20 1/3 3/9 1/3 3/9 1/3 2/9 1/3 4/9 1/3 3/9
30 1/3 4 / 10 1/3 4 / 10 1/3 3 / 10 1/3 5 / 10 1/3 4 / 10
40 1/4 4 / 14 1/4 4 / 14 1/4 4 / 14 1/4 5 / 14 1/4 4 / 14
50 2/4 5 / 14 2/4 5 / 16 2/4 4 / 16 2/4 6 / 16 2/4 5 / 15
60 2/4 5 / 15 2/5 6 / 15 2/5 5 / 15 2/5 6 / 19 2/5 6 / 15
70 2/4 6 / 16 2/6 6 / 25 2/6 6 / 25 2/6 7 / 25 2/5 6 / 22
80 2/5 7 / 18 2/8 8 / 29 2/7 7 / 29 2/8 8 / 29 2/5 8 / 21
90 2/5 7 / 19 3/6 8 / 23 3/8 8 / 33 3/8 9 / 28 3/6 8 / 23
100 3/7 8 / 27 3 / 11 9 / 41 3/9 9 / 38 3 / 10 10 / 33 3/9 9 / 38
L’analyse des résultats présentés dans le Tableau VI.7, nous permet de constater que le
nombre de commandes simultanément présents dans une station, augmente
proportionnellement avec le nombre de commandes total à transporter. Le même constat est
fait pour les colis. Toutefois, en relevant ces résultats en cours du processus de simulation,
nous avons observé que les pics ne durent pas très longtemps, en général quelques secondes
seulement, jusqu’à 5 minutes dans quelques rares cas.
A noter que les trois premières heuristiques sont équivalentes, alors que la quatrième, présente
des résultats légèrement meilleurs.
Cette évaluation de l’espace, notamment des pics atteints dans le temps, devrait apporter des
informations très pertinentes pour le dimensionnement des zones de stockage temporaire.
Ainsi, l’étude de la dynamique de circulation des flux de marchandises, nous permet d’évaluer
les besoins en espace de stockage dans chacune des stations de la ligne, en fonction de la
demande de transport.
3.4. La replanification
Dans le cas de la replanification, la première itération correspond au plan prédictif de
transport. Ainsi, les résultats sont similaires à ceux présentés dans la section 3.1. Le modèle
de replanification est exécuté, après l’écoulement de l’intervalle de recalcul (le pas de
replanification : r = 60 minutes).
Pour chaque famille d’instances, le Tableau VI.8 présente les moyennes des résultats
enregistrés, pour chaque famille d’instances. Nous relevons que le modèle de replanification
165
présente les mêmes caractéristiques que le modèle du cas prédictif. Ainsi, avec un nombre de
commandes inférieur à planifier, pour chaque famille d’instances, les temps de résolution sont
moins importants.
Tableau VI.8 : Synthèse des résultats de la seconde itération de la replanification
Nombre de commandes Nombre de Nombre de Temps de

moyen variables contraintes résolution
J J ∪ Jc
t
Jn 𝐽′ moyen moyen moyen
10 5 2 7 2 465 3 371 ~0
20 9 2 13 4 762 5 675 0,2
30 14 3 19 7 270 8 190 0,2
40 18 5 27 10 455 9 528 0,3
50 21 5 34 11 745 12 679 0,4
60 23 6 43 13 738 14 678 0,5
70 31 8 47 17 180 16 233 0,6
80 28 7 59 18 517 19 471 1,0
90 32 9 67 21 223 22 185 1,2
100 38 11 73 23 995 24 965 3,4
Pour mieux comprendre le processus de replanification et ses conséquences, nous considérons

l’exemple d’une instance particulière, composée de 30 commandes initiales.
- Itération 1
Le plan de transport initial est présenté par le Tableau VI.9. Pour chaque commande,
nous avons l’identifiant du train qui doit la transporter, ses dates de disponibilité et de
transport (exprimées en secondes), ainsi que son temps d’attente dans la station avant
son transport.
Tableau VI.9 : Résultats de la 1ère itération – plan initial
N° commande 1 2 3 4 5 6 7 8 9 10
N° train 6 9 18 13 20 12 5 23 9 20
Date dispo. 5359 7040 11625 8427 12014 8549 2320 12635 5604 13466
Date transp. 5359 7110 12510 8520 12746 8910 2730 13200 5790 13466
Temps séjour 0 70 885 93 732 361 410 565 186 0
N° commande 11 12 13 14 15 16 17 18 19 20
N° train 8 10 13 17 16 1 4 8 3 11
Date dispo. 4609 7761 8766 10899 8888 530 3145 7077 2129 7554
Date transp. 4917 7761 9180 11250 9330 1320 3145 7077 2190 7650
Temps séjour 308 0 414 351 442 790 0 0 61 96
N° commande 21 22 23 24 25 26 27 28 29 30
N° train 2 21 3 4 19 21 1 4 17 2
Date dispo. 497 12228 2443 3365 12227 13700 0 2017 12203 604
Date transp. 600 12330 2870 3805 12227 13700 1670 2130 12240 1260
Temps séjour 103 102 427 440 0 0 1670 113 37 656
166
Les différents évènements que nous avons enregistrés, en cours de la première heure
d’exploitation (correspondant au pas de replanification, r = 60 minutes), se
présentent comme suit :
 Les commandes transportées sont : 7 ; 16 ; 17 ; 19 ; 21 ; 23 ; 27 ; 28 ; 30.

 Les commandes dont la date de transport prévue est comprise dans l’intervalle
gelé sont : 1 ; 11 ; 24.
 Les commandes retardées sont : 5 (date de disponibilité initiale : 12 014,
retardée à : 13 657) ; 9 (date de disponibilité initiale : 5 604, retardée à : 9 719).
 Une seule commande annulée, à savoir, la n°12.
 5 nouvelles commandes ont été enregistrées, leurs caractéristiques sont
présentées dans le Tableau VI.10.
Tableau VI.10 : Liste des nouvelles commandes
N° Date Station de Station Nombre

commande dispo. départ d’arrivée de colis
31 13 261 5 6 5
32 9 912 3 5 1
33 10 188 1 7 2
34 8 206 1 6 4
35 12 940 6 9 5
- Itération 2
Les résultats de la replanification sont présentés dans le Tableau VI.11. Les cellules
des commandes en fond rouge sont les commandes dont la date de disponibilité est
retardée, celles en fond bleu, sont les nouvelles commandes. Les données écrites en
rouge, sont celles qui ont subi un changement suite au processus de replanification.
Tableau VI.11 : Résultats de 2ème itération – 1ère replanification
N° commande 2 3 4 5 6 8 9 10 13 14
N° train (initial) 9 18 13 20 12 23 9 20 13 17
N° train (Repl.) 9 17 13 22 12 23 16 21 13 17
Date transp. initial 7110 12510 8520 12746 8910 13200 5790 13466 9180 11250
Date transp. Repl. 7110 11910 8520 13920 8910 13200 9990 14040 9180 11250
Variations - -600 - 1174 - - 4200 574 - -
15 18 20 22 25 26 29 31 32 33 34 35
16 8 11 21 19 21 17 - - - - -
16 8 11 21 19 22 18 21 17 18 15 20
9330 7077 7650 12330 12227 13700 12240 - - - - -
9330 7077 7650 12330 12227 14260 12840 13340 10260 10200 8400 13050
- - - - - 560 600 - - - - -
Pour les commandes initiales, l’objectif de la replanification étant de réduire les

variations par rapport au plan initial. Pour les nouvelles commandes, la fonction
« objectif » du modèle de replanification, se réduit à l’objectif du modèle du cas
167
prédictif, à savoir, la réduction du temps d’attente des commandes. De ce fait, pour

considérer l’impact des retards enregistrés pour les commandes 5 et 9, ainsi que la
prise en charge des nouvelles commandes, en accord avec l’objectif défini, nous
remarquons que 4 commandes initiales ont été réaffectées à des trains différents, bien
qu’à priori, elles n’ont pas subi de perturbations directes.
En considérant les nouvelles données du système (commandes retardées et annulées),
nous avons évalué l’impact de la replanification, sur la valeur de la fonction objectif
pour les commandes initiales. Le résultat indique un temps d’attente total des
commandes de 10 062 secondes. Comparativement à sa valeur lors de l’établissement
du plan de transport initial, à savoir, 9 312 secondes, nous constatons une
augmentation de 8,1%. Toutefois, cette augmentation est le prix à payer pour absorber
les nouvelles commandes, dont la hausse est égale à 13,3% (34 commandes dans le
plan perturbé, contre 30, dans le plan initial). A noter que le temps d’attente moyen
des nouvelles commandes est égal à 149 secondes / commande.
Les différentes simulations réalisées, nous ont permis de constater la capacité du modèle de
replanification, à insérer, annuler et retarder les commandes, tout en réduisant leur impact par
rapport au plan initial. Aussi, nous avons relevé la réactivité du modèle de replanification
(implémenté sous la forme d’une application Java, faisant intervenir CPLEX pour la
résolution du PLVM, et à laquelle fait appel le modèle ARENA, en cours de simulation). En
effet, il suffit de quelques secondes au plus, pour fournir le nouveau plan de transport, qui est
mis en œuvre 30 minutes après son calcul (en raison de l’horizon gelé).
4. Les colonies de fourmis

La métaheuristique colonies de fourmis dispose de plusieurs paramètres à fixer au préalable.
Pour chacune des quatre variantes que nous avons développées, plusieurs propositions
différentes sont suggérées dans la littérature. Ces propositions réduisent le champ des
possibilités pour chaque paramètre. Toutefois, il persiste un certain nombre de combinaisons
entre les valeurs de plusieurs paramètres, dont le choix a un impact direct sur la performance
de la métaheuristique.
Les paramètres des colonies de fourmis permettent de moduler le comportement à adopter lors
de la construction des solutions. Suivant la variante utilisée et ses spécificités, il peut être plus
performant d’accentuer son comportement d’intensification ou de diversification, voire à
trouver un équilibre entre les deux. La structure du problème auquel est appliquée la
métaheuristique, a un impact direct sur le choix à faire.
Compte tenu du nombre de paramètres et des valeurs qu’ils peuvent prendre, il n’est pas
envisageable d'analyser l’ensemble des combinaisons possibles, à travers un plan factoriel
complet. Pour déterminer les meilleures valeurs des paramètres de chaque variante, nous
utilisons la méthode Taguchi.
4.1. Introduction à la méthode Taguchi

La méthode Taguchi est une approche statistique, qui permet l’établissement de plans
d’expériences réduits, tout en assurant une bonne précision. Au départ, cette méthode a été
168
développée pour le secteur industriel, car elle permet de réduire les variabilités des processus
de fabrication qui sont soumis à différents aléas, à travers un paramétrage optimal de ces
derniers. Le principe étant d’identifier les différents facteurs (paramètres) contrôlables, de
définir leurs niveaux, c’est à dire les valeurs qu’ils peuvent prendre. Puis, il faut en déduire la
combinaison la plus robuste pour faire face aux aléas (i.e. un paramétrage qui présente une
sensibilité minimum face aux aléas). Depuis, le champ d’application de cette méthode s’est
élargie. Les différentes notions de cette méthode et ses différentes applications, sont
présentées dans (Taguchi, 1986) et (Roy, 2010).
L’avantage principal de cette méthode, est la réduction du nombre d’expériences à réaliser.

Pour cela, les travaux de Taguchi ont permis la définition d’un nombre d’essais (ou
d’expériences) à mener, suivant le cas étudié. Ces différents essais traduisent des
combinaisons particulières entre les niveaux des différents facteurs considérés. La liste des
essais à mener se présente sous la forme de tables orthogonales (i.e. chaque niveau de chaque
facteur est confronté à tous les niveaux des autres facteurs et dans des proportions égales).
Il n’est pas évident de développer ce type de tables, toutefois, Taguchi a développé un certain
nombre de tables, qui s’avèrent suffisantes. Ainsi, au besoin, il s’agira de sélectionner la table
qui correspond au mieux aux besoins de l’étude.
Telle que décrit dans (Roy, 2010), la sélection d’une table de Taguchi requiert au préalable,
une étude du processus concerné, à travers :
- La détermination des facteurs contrôlables, qui ont un impact sur ce processus.

- La difficulté de faire varier chacun de ces facteurs. Par exemple, pour un processus de
fabrication d’un produit utilisant un four, il peut être difficile de faire varier la
température. Ceci permet de faire un classement des facteurs par groupe de difficulté.
- La détermination des niveaux que peuvent prendre les facteurs.
- Les interactions entre les facteurs.
- Ecrire un modèle qui va traduire la relation entre les différents facteurs, sachant que :
les facteurs indépendants s’additionnent et les interactions entre facteurs sont
modélisées par des produits. Exemple avec deux facteurs :
𝑦 = 𝐴 + 𝐵 + 𝐴𝐵 (6.2)
𝑦 : La réponse (i.e. le résultat suite à l’implémentation des paramètres de l’essai en
cours).
𝐴, 𝐵 : deux facteurs ayant chacun 2 niveaux.
𝐴𝐵 : interaction entre les facteurs 𝐴 et 𝐵. Ce terme s’annule en cas d’indépendance des
facteurs.
- La détermination du nombre minimum d’essais. Pour cela, il faut calculer le degré du
modèle. En reprenant l’exemple ci-dessus, ce calcul s’effectue comme suit :
𝑑𝑀 = (𝑛𝐴 − 1) + (𝑛𝐵 − 1) + (𝑛𝐴 − 1)(𝑛𝐵 − 1) (6.3)
𝑑𝑀 : degré du modèle.
𝑛𝐴 : niveau du facteur 𝐴.
𝑛𝐵 : niveau du facteur 𝐵.
169
D’où,
𝑑𝑀 = (2 − 1) + (2 − 1) + (2 − 1)(2 − 1) = 3
Ainsi, pour cet exemple, il faut au moins 3 essais.
- La recherche de la table de Taguchi qui assure au moins le nombre d’essais minimum,
dont le nombre de colonnes est supérieur ou égal au nombre de facteurs et
d’interactions entre facteurs, avec le nombre de niveaux de tous les facteurs.
Un exemple d’une table de Taguchi est donné dans le Tableau VI.12. Dans cet exemple, il
s’agit de trouver la combinaison optimale de 7 facteurs sans interactions, à 2 niveaux chacun.
Dans ce cas dM = 7. Donc le nombre minimum d’essais est égal à 7. Toutefois, comme il y a
une condition sur le fait que les tables de Taguchi doivent être orthogonales, la première table
qui satisfait toutes ces caractéristiques est celle qui compte 8 essais. A noter que le plan
factoriel complet aurait nécessité (27 = 128) essais.
Tableau VI.12 : Illustration d’une table de Taguchi 𝑳𝟖 (𝟐𝟕 )
Facteurs contrôlables
N° essai
A B C D E F G
1 1 1 1 1 1 1 1
2 1 1 1 2 2 2 2
3 1 2 2 1 1 2 2
4 1 2 2 2 2 1 1
5 2 1 2 1 2 1 2
6 2 1 2 2 1 2 1
7 2 2 1 1 2 2 1
8 2 2 1 2 1 1 2
La notation d’une table de Taguchi se présente sous la forme LT (nC ) (Sabre, 2007), avec :
- 𝑇 : nombre d’essais (lignes de la table)

- 𝑛 : nombre de niveaux des facteurs
- 𝐶 : nombre de facteurs (colonnes de la table)
Les résultats obtenus à partir des plans d’expériences de Taguchi, sont évalués à travers des
ratios signal/bruit « S/N ». L’avantage de cet indicateur de performance résulte du fait qu’il
considère simultanément, l’objectif recherché (signal), ainsi que la dispersion de cette valeur
(le bruit). Son calcul est donné par la formule suivante (dans le cas d’un critère à
minimiser) (Roy, 2010) :
1
𝑆/𝑁 = −10. log10 [𝑛 ∑𝑛𝑖=1 𝑦𝑖2 ] (6.4)
- n : nombre de mesures effectuées pour chaque essai.

- yi : c’est l’observation à l’issue de l’application du paramétrage de l’essai en cours,
pour la ième mesure.
170
Enfin, pour chaque paramètre, la moyenne des ratios S/N pour chaque niveau est calculée.
Puis, le ratio le plus élevé va déterminer le meilleur niveau. A noter que la différence entre les
S/N le plus élevé et le plus faible, pour chaque paramètre, nous permettra de définir « 𝑑𝑒𝑙𝑡𝑎 »
qui représente l’influence du paramètre sur la performance de la variante. Plus 𝑑𝑒𝑙𝑡𝑎 sera
faible, moins le paramètre correspondant aura de l’influence.
4.2. Paramétrage des variantes de colonies de fourmis

La démarche suivant la méthode Taguchi, pour le paramétrage des différentes variantes de
colonies de fourmis, s’articule autour de 5 points.
4.2.1. Définition de l’objectif

La première étape est l’identification de l’objectif des processus ou méthodes à paramétrer.
Dans notre cas, l’objectif du FRTSP permettant de minimiser les temps d’attente cumulés est
considéré.
4.2.2. Sélection des paramètres

Dans un premier temps, il s’agit de définir les paramètres qui ont un impact sur la
performance du processus de construction de la solution, pour chaque variante de colonies de
fourmis. Dans un second temps, il s’agit de déterminer les niveaux de chacun des paramètres
identifiés précédemment.
D’abord, un premier paramètre est exclu de l’étude, il s’agit du nombre de fourmis

composant la colonie. En effet, dans la littérature, il est conseillé de le fixer au vu du nombre
de choix que doit considérer chaque fourmi. Dans notre cas, chaque fourmi doit sélectionner
une affectation pour chaque commande, en d’autres termes, elle a autant de choix que de
commandes à transporter, par conséquent 𝑚 = 𝐽.
Pour les autres paramètres et selon les différentes possibilités suggérées dans la littérature,
pour chacune des variantes, nous proposons ce qui suit :
- Pour les variantes AS et MMAS (3 paramètres / 4 niveaux)

Dans le cas de ces deux variantes, le paramètre 𝛼 est fixé à 1, suivant les
recommandations faites dans (Dorigo & Stützle, 2004). En effet, une démonstration
expérimentale suggère d’écarter des valeurs d’alpha telle que 𝛼 > 1, qui conduiraient
à la stagnation prématurée du processus de recherche.
Pour les autres paramètres de ces variantes, nous proposons quatre niveaux : faible,
intermédiaires (2 valeurs) et élevé, que présentent le Tableau VI.13.
Tableau VI.13 : Niveaux des paramètres pour les variantes AS et MMAS
Paramètres Niv. 1 Niv. 2 Niv. 3 Niv. 4

𝛽 2 3 4 5
𝜌 0,25 0,5 0,75 0,98
𝑄 0,1 1 10 100
- Pour la variante ACS (6 paramètres / 5 niveaux)
171
Pour cette variante, deux paramètres supplémentaires sont introduits. Il s’agit du

paramètre 𝑞0 et du facteur de persistance locale de phéromone 𝜑. En ce qui concerne
le paramètre 𝛼, la littérature ne fournit aucune recommandation, donc, nous allons
aussi évaluer ce dernier.
Ainsi, nous avons six paramètres. Nous proposons pour chacun d’entre eux, cinq
niveaux (faible, moyen, élevée et deux niveaux intermédiaires), que présente le
Tableau VI.14.
- Pour la variante MMACS (5 paramètres / 5 niveaux)
Pour cette variante, il s’agit des mêmes paramètres que ceux de la variante ACS,
hormis le paramètre de mise à jour locale de phéromones, qui n’est pas considéré par
cette variante. Ainsi, nous reprenons les mêmes niveaux du Tableau VI.14.
Tableau VI.14 : Niveaux des paramètres pour la variante ACS
Paramètres Niv. 1 Niv. 2 Niv. 3 Niv. 4 Niv. 5

𝛼 1 2 3 4 5
𝛽 1 2 3 4 5
𝜌 0,02 0,25 0,5 0,75 0,98
𝑄 0,1 1 10 100 1 000
𝑞0 0,02 0,25 0,5 0,75 0,98
𝜑 0,02 0,25 0,5 0,75 0,98
A noter que dans notre cas, nous recherchons le paramétrage optimal d’algorithmes, ainsi, les
variations au niveau de chacun des paramètres (ou facteurs) définis sont faciles. D’autre part,
selon la littérature, il n’y a pas d’interactions entre les différents paramètres.
4.2.3. Sélection des tables de Taguchi adéquates

Une fois les paramètres et leurs niveaux identifiés, l’étape actuelle consiste à sélectionner les
tables d’expériences de Taguchi adéquates. Pour cela, il faut chercher les tables avec, au
moins, le nombre minimum d’essais (lignes) et dont le nombre de facteurs est supérieur ou
égal au nombre de paramètres considérés, avec le nombre de niveaux adéquat.
En ce qui concerne les variantes AS et MMAS, le modèle qui traduit la relation entre les
différents paramètres, s’écrit comme suit :
𝑦 =𝛽+𝜌+𝑄 (6.5)
Le degré de ce modèle est donné par :
𝑑𝐴𝑆/𝑀𝑀𝐴𝑆 = (4 − 1) + (4 − 1) + (4 − 1) = 9
Ainsi, il faut au moins 9 essais. La recherche de la table de Taguchi la plus adéquate, nous a
permis d’identifier la table L16 (45 ) qui est donnée par le Tableau VI.15. Cette dernière
permet d’étudier le cas avec au plus 5 facteurs à 4 niveaux. Dans notre cas, nous avons 3
facteurs seulement, donc les deux dernières colonnes de la table, ne seront pas considérées.
Cette table propose d’effectuer 16 essais pour trouver la combinaison optimale, alors que le
plan factoriel complet requiert (43 = 64) essais.
172
Tableau VI.15 : Table de Taguchi 𝑳𝟏𝟔 (𝟒𝟓 )
N° Facteurs contrôlables N° Facteurs contrôlables

essai A B C D E essai A B C D E
1 1 1 1 1 1 9 3 1 3 4 2
2 1 2 2 2 2 10 3 2 4 3 1
3 1 3 3 3 3 11 3 3 1 2 4
4 1 4 4 4 4 12 3 4 2 1 3
5 2 1 2 3 4 13 4 1 4 2 3
6 2 2 1 4 3 14 4 2 3 1 4
7 2 3 4 1 2 15 4 3 2 4 1
8 2 4 3 2 1 16 4 4 1 3 2
En ce qui concerne les deux variantes ACS et MMACS, les modèles qui traduisent la relation
entre les différents paramètres, s’écrivent respectivement comme suit :
𝑦 = 𝛼 + 𝛽 + 𝜌 + 𝑄 + 𝑞0 + 𝜑 (6.6)
𝑦 = 𝛼 + 𝛽 + 𝜌 + 𝑄 + 𝑞0 (6.7)
Les degrés de ces deux modèles sont donnés par :
𝑑𝐴𝐶𝑆 = (5 − 1) + (5 − 1) + (5 − 1) + (5 − 1) + (5 − 1) + (5 − 1) = 24
𝑑𝐴𝑀𝑀𝐴𝐶𝑆 = (5 − 1) + (5 − 1) + (5 − 1) + (5 − 1) + (5 − 1) = 20
Ainsi, il faut au moins 24 essais, pour la variante ACS et 20 essais, pour la variante MMACS.
La recherche de la table de Taguchi la plus adéquate pour ces deux cas, nous a permis
d’identifier la table L25 (56 ) (elle est donnée par le Tableau VI.16). Elle permet la
considération au plus de 6 facteurs à 5 niveaux. Elle propose d’effectuer 25 essais, au lieu de
(56 = 15 625) essais pour la variante ACS et (55 = 3 125) essais pour la variante MMACS.
A noter que pour la variante MMACS, la dernière colonne n’est pas considérée.
Tableau VI.16 : Table de Taguchi 𝑳𝟐𝟓 (𝟓𝟔 )
N° Facteurs contrôlables N° Facteurs contrôlables

essai A B C D E F essai A B C D E F
1 1 1 1 1 1 1 14 3 4 1 3 5 2
2 1 2 2 2 2 2 15 3 5 2 4 1 3
3 1 3 3 3 3 3 16 4 1 4 2 5 3
4 1 4 4 4 4 4 17 4 2 5 3 1 4
5 1 5 5 5 5 5 18 4 3 1 4 2 5
6 2 1 2 3 4 5 19 4 4 2 5 3 1
7 2 2 3 4 5 1 20 4 5 3 1 4 2
8 2 3 4 5 1 2 21 5 1 5 4 3 2
9 2 4 5 1 2 3 22 5 2 1 5 4 3
10 2 5 1 2 3 4 23 5 3 2 1 5 4
11 3 1 3 5 2 4 24 5 4 3 2 1 5
12 3 2 4 1 3 5 25 5 5 4 3 2 1
13 3 3 5 2 4 1
173
4.2.4. Réalisation des essais et analyse des résultats

Dans notre cas, nous effectuons 25 mesures pour chaque essai. Nous considérons les mêmes
25 instances générées aléatoirement, avec 100 commandes. Le choix de ce nombre de
commandes, nous permet d’avoir des instances assez complexes à résoudre, mais qui peuvent
être résolues par CPLEX. Ceci nous permettra d’évaluer la performance de chaque
configuration de chaque variante, en comparant ses résultats à la solution optimale. En effet,
dans notre cas, la réponse sur laquelle se base la sélection des paramètres optimaux de chaque
variante, est le gap d’optimalité. Ainsi, pour chaque mesure de chaque essai, nous allons
calculer le gap d’optimalité, puis nous calculons la moyenne et le ratio S/N pour chaque essai.
- Variante AS
Le Tableau VI.17 présente les résultats des essais de la variante AS. La colonne « Moy »
donne la moyenne des gap d’optimalité des différentes mesures de chaque essai.
Tableau VI.17 : Résultats des essais pour la variante AS
N° N°
𝛽 𝜌 𝑄 Moy S/N 𝛽 𝜌 𝑄 Moy S/N
essai essai
1 2 0,25 0,1 41,26% 7,690 9 4 0,25 10 15,33% 16,292
2 2 0,5 1 42,15% 7,504 10 4 0,5 100 14,79% 16,601
3 2 0,75 10 44,01% 7,129 11 4 0,75 0,1 15,27% 16,325
4 2 0,98 100 44,17% 7,097 12 4 0,98 1 15,48% 16,205
5 3 0,25 1 22,29% 13,037 13 5 0,25 100 12,43% 17,110
6 3 0,5 0,1 20,71% 13,677 14 5 0,5 10 12,18% 18,286
7 3 0,75 100 19,92% 14,015 15 5 0,75 1 12,50% 18,393
8 3 0,98 10 20,55% 13,742 16 5 0,98 0,1 12,48% 18,076
Le Tableau VI.18 présente la moyenne des ratios S/N pour chaque niveau de chaque
paramètre, ainsi que le delta. En vert, le niveau des paramètres optimaux.
Tableau VI.18 : Ratio S/N pour la variante AS
Niveau 𝛽 𝜌 𝑄
1 7,355 55,129 55,768
2 13,618 56,068 55,139
3 16,356 55,862 55,448
4 18,216 55,121 55,824
𝑑𝑒𝑙𝑡𝑎 10,861 0,947 0,685
Ainsi, le paramétrage optimal de la variante AS est :
𝛼 = 1 ; 𝛽 = 5 ; 𝜌 = 0,5 ; 𝑄 = 100
Nous notons que les influences de ρ et Q sont très faibles, comparativement à β.
- Variante MMAS
174
Le Tableau VI.19 présente les résultats des essais de la variante MMAS.

Tableau VI.19 : Résultats des essais pour la variante MMAS
N° N°
𝛽 𝜌 𝑄 Moy S/N 𝛽 𝜌 𝑄 Moy S/N
essai essai
1 2 0,25 0,1 11,35% 18,898 9 4 0,25 10 7,24% 22,811
2 2 0,5 1 4,36% 27,367 10 4 0,5 100 7,81% 22,151
3 2 0,75 10 4,76% 26,452 11 4 0,75 0,1 9,91% 20,078
4 2 0,98 100 25,25% 11,956 12 4 0,98 1 12,65% 17,957
5 3 0,25 1 6,37% 23,913 13 5 0,25 100 7,79% 22,164
6 3 0,5 0,1 10,17% 19,850 14 5 0,5 10 8,20% 21,720
7 3 0,75 100 7,76% 22,202 15 5 0,75 1 8,65% 21,261
8 3 0,98 10 15,22% 16,354 16 5 0,98 0,1 11,74% 18,607
Tableau VI.20 : Ratio S/N pour la variante MMAS
Niveau 𝛽 𝜌 𝑄
1 21,168 87,786 77,434
2 20,580 91,088 90,498
3 20,749 89,994 87,337
4 20,938 64,875 78,474
𝑑𝑒𝑙𝑡𝑎 0,588 26,213 13,064
Ainsi, le paramétrage optimal de la variante MMAS est :
𝛼 = 1 ; 𝛽 = 2 ; 𝜌 = 0,5 ; 𝑄 = 1
Nous notons que l’influence de β est très faible, comparativement à ρ et Q.
- Variante ACS
Le Tableau VI.21 présente les résultats des essais de la variante ACS.

Tableau VI.21 : Résultats des essais pour la variante ACS
N° essai 𝛼 𝛽 𝜌 𝑄 𝑞0 𝜑 Moy S/N

1 1 1 0,02 0,1 0,02 0,02 13,64% 17,301
2 1 2 0,25 1 0,25 0,25 4,37% 27,185
3 1 3 0,5 10 0,5 0,5 6,14% 24,235
4 1 4 0,75 100 0,75 0,75 8,89% 21,023
5 1 5 0,98 1 000 0,98 0,98 8,92% 20,990
6 2 1 0,25 10 0,75 0,98 10,41% 19,647
7 2 2 0,5 100 0,98 0,02 9,92% 20,069
175
8 2 3 0,75 1 000 0,02 0,25 3,71% 28,602

9 2 4 0,98 0,1 0,25 0,5 12,84% 17,826
10 2 5 0,02 1 0,5 0,75 5,90% 24,584
11 3 1 0,5 1000 0,25 0,75 6,97% 23,140
12 3 2 0,75 0,1 0,5 0,98 7,41% 22,601
13 3 3 0,98 1 0,75 0,02 12,08% 18,356
14 3 4 0,02 10 0,98 0,25 9,40% 20,535
15 3 5 0,25 100 0,02 0,5 3,73% 28,232
16 4 1 0,75 1 0,98 0,5 10,00% 20,001
17 4 2 0,98 10 0,02 0,75 40,63% 7,822
18 4 3 0,02 100 0,25 0,98 4,10% 27,740
19 4 4 0,25 1 000 0,5 0,02 5,14% 25,781
20 4 5 0,5 0,1 0,75 0,25 8,31% 21,606
21 5 1 0,98 100 0,5 0,25 63,92% 3,887
22 5 2 0,02 1 000 0,75 0,5 10,74% 19,379
23 5 3 0,25 0,1 0,98 0,75 9,33% 20,604
24 5 4 0,5 1 0,02 0,98 3,68% 28,686
25 5 5 0,75 100 0,25 0,02 3,61% 28,850
Tableau VI.22 : Ratio S/N pour la variante ACS
Niveau 𝛼 𝛽 𝜌 𝑄 𝑞0 𝜑
1 22,147 16,795 20,979 20,962 22,327 22,250
2 22,344 19,411 21,129 21,457 25,127 20,531
3 22,573 24,105 21,197 21,244 20,218 20,218
4 20,590 22,770 21,447 21,447 20,002 19,435
5 20,460 25,031 20,730 20,655 20,440 23,933
𝑑𝑒𝑙𝑡𝑎 2,113 8,236 0,717 0,802 5,125 4,498
Ainsi, le paramétrage optimal de la variante ACS est :
𝛼 = 3 ; 𝛽 = 5 ; 𝜌 = 0,75 ; 𝑄 = 1 ; 𝑞0 = 0,25 ; 𝜑 = 0,98
Nous notons que les influences de ρ et Q sont les plus faibles.
- Variante MMACS
Le Tableau VI.23 présente les résultats des essais de la variante MMACS.

Tableau VI.23 : Résultats des essais pour la variante MMACS
N° essai 𝛼 𝛽 𝜌 𝑄 𝑞0 Moy S/N

1 1 1 0,02 0,1 0,02 18,71% 14,558
176
2 1 2 0,25 1 0,25 6,38% 23,908

3 1 3 0,5 10 0,5 8,86% 21,055
4 1 4 0,75 100 0,75 9,36% 20,577
5 1 5 0,98 1 000 0,98 9,37% 20,568
6 2 1 0,25 10 0,75 10,95% 19,211
7 2 2 0,5 100 0,98 9,43% 20,513
8 2 3 0,75 1 000 0,02 3,56% 28,981
9 2 4 0,98 0,1 0,25 13,32% 17,513
10 2 5 0,02 1 0,5 7,29% 22,742
11 3 1 0,5 1000 0,25 6,91% 23,212
12 3 2 0,75 0,1 0,5 7,90% 22,046
13 3 3 0,98 1 0,75 12,07% 18,366
14 3 4 0,02 10 0,98 9,35% 20,582
15 3 5 0,25 100 0,02 3,38% 29,426
16 4 1 0,75 1 0,98 9,58% 20,375
17 4 2 0,98 10 0,02 21,18% 13,483
18 4 3 0,02 100 0,25 3,01% 30,422
19 4 4 0,25 1 000 0,5 6,13% 23,931
20 4 5 0,5 0,1 0,75 8,45% 21,461
21 5 1 0,98 100 0,5 9,08% 20,841
22 5 2 0,02 1 000 0,75 9,76% 20,218
23 5 3 0,25 0,1 0,98 9,62% 20,334
24 5 4 0,5 1 0,02 3,02% 30,405
25 5 5 0,75 100 0,25 2,56% 31,602
Tableau VI.24 : Ratio S/N pour la variante MMACS
Niveau 𝛼 𝛽 𝜌 𝑄 𝑞0
1 20,133 19,640 21,545 21,492 23,371
2 21,792 20,034 21,808 22,181 25,331
3 22,727 23,832 22,103 21,243 22,123
4 21,935 22,602 22,582 22,582 19,967
5 24,680 25,160 21,981 21,883 20,475
𝑑𝑒𝑙𝑡𝑎 4,547 5,52 1,037 1,401 5,364
Ainsi, le paramétrage optimal de la variante MMACS est :
𝛼 = 5 ; 𝛽 = 5 ; 𝜌 = 0,75 ; 𝑄 = 100 ; 𝑞0 = 0,25
Même chose que la variante ACS, nous notons que les influences de ρ et Q sont les plus
faibles.
177
4.2.5. Validation
Le paramétrage optimal de chaque variante est le résultat d’une étude théorique, qui s’appuie
principalement, sur l’hypothèse d’addition des effets moyens. Ainsi, il est indispensable de
valider ce résultat théorique, en effectuant le même nombre de mesures pour chaque essai des
plans d’expériences de Taguchi. A l’issue de cette opération, il convient de vérifier que ce
paramétrage, permet effectivement de produire la meilleure solution. Dans certains cas, il peut
s’avérer nécessaire de réajuster certains paramètres.
Dans notre cas et pour chacune des quatre variantes, cette étape de validation a permis la
confirmation de la performance des paramètres sélectionnés. Dans la section suivante, nous
présenterons les résultats des quatre variantes de colonies de fourmis, avec les paramètres
fixés précédemment.
4.3. Résultats des différentes variantes de colonies de fourmis

Comme montré précédemment, le modèle mathématique ne peut être résolu de manière
optimale, pour des instances avec un nombre de commandes important. De plus, les règles
décisionnelles de base, ainsi que la résolution optimale du sous problème avec un seul train,
ne sont pas en mesure de fournir des solutions de bonne qualité. La métaheuristique des
colonies de fourmis peut être une alternative, pour la proposition d’une solution de bonne
qualité, avec un temps de résolution raisonnable. Dans cette section, nous allons comparer les
résultats des différentes variantes de colonies de fourmis que nous avons proposées.
Pour chaque variante, nous considérons le paramétrage déterminé à partir de l’application de

la méthode Taguchi. En ce qui concerne le nombre d’itérations, nous considérons 1000
itérations. Les résultats des différentes variantes, sont présentés dans la Figure VI.7. Nous
mesurons la performance de ces variantes, en rapportant le gap moyen des 25 instances pour
chaque famille d’instances. Le Tableau VI.25 présente ces résultats.
D’abord, nous relevons que la variante de base AS, est beaucoup moins performante que les
trois autres variantes. Aussi, jusqu’à 50-60 commandes à transporter, les quatre variantes sont
plus ou moins équivalentes. Cependant, la performance de la variante MMAS se dégrade,
avec l’augmentation du nombre de commandes. Pour les deux variantes ACS et MMACS,
leur performance est relativement stable, indépendamment du nombre de commandes.
Toutefois, pour les familles d’instances avec 90 et 100 commandes, nous avons relevé deux
instances difficiles à résoudre, qui dégradent la moyenne des écarts observés.
En ce qui concerne les temps de résolution, en secondes dans le Tableau VI.25, nous pouvons
observer qu’ils augmentent suivant une tendance linéaire, avec l’augmentation du nombre de
commandes. Toutefois, cette augmentation n’est pas liée uniquement au nombre de
commandes, mais aussi au nombre de fourmis de la colonie. Pour rappel, nous avons décidé
de lier le nombre de fourmis au nombre de commandes. D’autre part, nous remarquons pour
les familles d’instances avec 100 commandes, que la variante MMAS a les temps de
résolution les plus faibles, à contrario, la variante ACS a les temps de résolution les plus
importants. Pour une meilleure étude de dominance au vu des deux critères (gap et temps de
résolution), la Figure VI.8 confronte les temps de résolution et les résultats (gap). Nous
relevons que les deux variantes AS et ACS sont dominées par MMAS et MMACS. Par
178
ailleurs, on peut départager ces deux dernières au vu du gap obtenu avec la variante MMACS
pour moins de 2 secondes de temps de calcul supplémentaires. Ainsi, on peut dire que la
variante MMACS présente de meilleures performances.
900
Moyennes des temps d'attente des commandes (secondes)
800
700
600
PLVM
AS
MMAS
500
ACS
MMACS
400
300
200
10 20 30 40 50 60 70 80 90 100
Figure VI.7 : Moyennes des temps d’attente des commandes – Colonies de fourmis VS PLVM
Tableau VI.25 : Résultats des variantes colonies de fourmis VS solutions optimales
AS MMAS ACS MMACS

Nombre de
commandes Temps Temps Temps Temps
Gap% Gap% Gap% Gap%
Res. Res. Res. Res.
10 0,20% 0,1 0,20% 0,1 0,20% 0,1 0,20% 0,1
20 0,42% 0,4 0,42% 0,2 0,42% 0,5 0,42% 0,4
30 0,46% 0,6 0,46% 0,4 0,46% 0,7 0,46% 0,7
40 0,52% 1,3 0,60% 0,7 0,52% 1,6 0,52% 1,2
50 0,40% 1,8 0,39% 1,1 0,39% 2,9 0,39% 1,8
60 0,67% 2,6 0,72% 1,7 0,50% 4,1 0,50% 2,6
70 1,29% 3,5 0,62% 2,3 0,52% 5,9 0,49% 3,6
80 3,05% 4,5 0,85% 3,1 0,59% 8,2 0,38% 4,4
90 5,09% 5,6 1,96% 3,8 0,95% 8,9 0,60% 5,4
100 10,13% 6,7 2,76% 4,8 1,67% 10,9 1,46% 6,7
179
12,00%
10,00%
8,00%
AS
Gap%
6,00%
MMAS
4,00% ACS
MMACS
2,00%
0,00%
0 2 4 6 8 10 12
Temps de résolution (secondes)
Figure VI.8 : Etude bi-critère des performances des colonies de fourmis
Comme mentionné précédemment, le principe des colonies de fourmis est d’exploiter les
résultats de chaque itération, pour guider la recherche des itérations suivantes. Ce principe est
mis en œuvre, à travers le mécanisme de dépôt de quantités de phéromones, proportionnelles
à la qualité de la solution produite par chaque fourmi (ou la meilleure fourmi, suivant la
variante). Les différentes variantes permettent une exploitation différente de ce mécanisme.
L’objectif étant d’accentuer son apport dans le processus de recherche de la solution optimale,
ou bien, de l’atténuer, pour une exploration plus large du champ des possibilités. La Figure
VI.9 montre la vitesse de convergence de chaque variante. Pour cela, nous avons considéré
une instance particulière avec 100 commandes.
La Figure VI.9 nous permet de relever plusieurs constats, comme suit :
- La variante de base AS converge assez rapidement vers un optimum local et reste

bloquée sur cette solution. Ce phénomène est lié au processus de mise à jour de la
trace de phéromones, qui privilégie rapidement la convergence autour de la première
bonne solution trouvée.
- La variante MMAS converge assez rapidement. Cependant, elle continue à améliorer
la solution, même après un nombre important d’itérations. Cette caractéristique
découle du principe de réinitialisation de la trace de phéromones, si la solution n’a pas
été améliorée depuis un certain nombre d’itérations (dans notre cas, 100 itérations).
- La variante ACS présente un processus de convergence, le moins rapide des quatre
variantes. Ceci découle de la particularité de son mécanisme de sélection des
possibilités, lors de la construction de la solution. Toutefois, après un certain nombre
d’itérations, l’amélioration de la solution stagne et la métaheuristique n’arrive plus à
quitter l’optimum local, dans lequel elle est bloquée. Ceci découle de l’intensité de
phéromones sur le parcours de cette solution et l’évaporation des phéromones sur
toutes les autres. Comparativement à la variante de base, la convergence est moins
rapide, en raison de la mise à jour locale de phéromones, qui atténue l’intensité de
cette dernière, en cours de construction d’une solution, pour permettre aux fourmis
suivantes d’explorer d’autres alternatives.
180
- La variante MMACS combine les avantages des deux variantes précédentes, à savoir :
elle permet une convergence assez rapide, et grâce au mécanisme de réinitialisation de
la trace de phéromones, elle arrive à quitter les optimaux locaux, pour chercher
d’autres solutions de meilleure qualité. En effet, le résultat final le confirme, puisqu’on
est à 0,09% de la solution optimale.
- Après 100 itérations, les variantes AS et ACS proposent des solutions équivalentes.
Cependant, 200 itérations plus tard, la variante ACS a réussi à améliorer la solution de
13%.
Gap :
17,51%
6,97%
4,58%
0,09%
Figure VI.9 : Comparaison de convergence des différentes variantes
A noter que d’autres instances ont été testées, avec des nombres de commandes différents. Le
comportement des différentes variantes a été le même que celui décrit ci-dessus. Enfin, nous
pouvons conclure que la variante MMACS, présente la meilleure performance (qualité de la
solution / temps de résolution), au vu des spécificités de la problématique étudiée.
5. Conclusion
Dans ce chapitre, nous avons étudié les résultats numériques des différentes approches
proposées, pour le FRTSP. Pour cela, nous avons généré un certain nombre d’instances
aléatoirement de différentes tailles.
Les résultats numériques ont montré que le PLVM, dans le cas prédictif, est en mesure de
résoudre rapidement des instances de taille modérée, avec un nombre de commandes allant
jusqu’à 100. En ce qui concerne les instances de grande taille, ce PLVM a montré ses limites
pour fournir la solution optimale, en un temps raisonnable pour un problème de niveau
opérationnel.
181
D’autre part, les règles de priorité, qui sont souvent privilégiées en milieu industriel, pour la
facilité de leur mise en œuvre, présentent des résultats assez médiocres dans le cas du système
de transport étudié. De plus, la qualité des solutions qu’elles fournissent, se dégrade très
rapidement, avec l’augmentation du nombre de commandes. A noter que la décomposition du
FRTSP, en plusieurs sous-problèmes mono-train, apporte les meilleurs résultats. Mais même
ces derniers, ne sont pas à la hauteur des efforts de calcul.
Les résultats numériques de l’approche de replanification, ont confirmé que ce dernier est en
mesure de fournir rapidement, un plan de transport réajusté, qui considère les différentes
perturbations, en minimisant l’écart par rapport au calcul initial. A noter que le point de départ
de la replanification, étant le plan de transport initial, il est possible de générer ce dernier en
utilisant l’algorithme des colonies de fourmis, notamment pour les instances de grande taille.
Concernant les colonies de fourmis, nous avons adapté différentes variantes de ces dernières.
Nous avons fait appel à la méthode Taguchi qui garantit la qualité du paramétrage des
colonies de fourmis, en déterminant les meilleures combinaisons pour ces algorithmes.
L’étude expérimentale et l’analyse des résultats, mettent en évidence la dominance de la
variante MMACS au vu du gap obtenu et du temps de résolution.
182
Conclusion générale et perspectives
183
Dans cette thèse, nous avons développé une méthodologie pour modéliser et optimiser, une
nouvelle solution de transport de marchandises en milieu urbain, basée sur la mutualisation du
réseau de transport ferroviaire urbain, pour le transport des marchandises et des voyageurs.
D’abord, nous avons montré la nécessité de déployer de nouvelles solutions de transport de
marchandises en milieu urbain. Ces dernières doivent être en mesure d’absorber une partie
des mouvements de marchandises, tout en réduisant l’impact de cette activité sur la qualité de
vie en ville (moins de pollution et moins de circulation routière). Dans ce contexte,
l’utilisation du réseau ferroviaire, actuellement exploité pour le transport de voyageurs, est
une idée qui est en mesure de répondre favorablement à ces attentes, d’une part, d’autre part,
elle permet d’améliorer le rendement des équipements et infrastructures de ce mode de
transport durant les heures creuses. L’état de l’art dans ce domaine permet de conforter cette
idée, puisque plusieurs études ont mis en évidence le potentiel et la faisabilité d’une telle
solution de mixité, pour intégrer le fret urbain au flux de passagers.
L’idée d’offrir ce nouveau service de transport, émane principalement des opérateurs de

transport de voyageurs en ville, en particulier la RATP dans la région Ile-de-France.
L’objectif étant de profiter du projet du Grand Paris Express pour disposer d’un système de
transport intégrant ce service dès la phase de conception. L’évolution des modes de
consommation conjuguée à la densification des villes rend crédible cette perspective du point
de vue économique. Ainsi, l’enjeu est de capter une partie substantielle de l’activité de
transport de marchandises, et d’améliorer le rendement des ressources utilisées.
Cette mixité fret/voyageurs partageant et mutualisant différentes ressources du même système

de transport, requiert des solutions techniques et technologiques d’une part, et le
développement d’une démarche méthodologique, pour accompagner le processus de mise en
œuvre d’autre part. C’est dans ce cadre méthodologique que s’inscrit la contribution de la
présente thèse, en fournissant une méthodologie complète partant de la définition des niveaux
de mutualisation possibles, en passant par l’identification et la décomposition des problèmes
décisionnels sous-jacents, pour finir avec l’élaboration d’un outil d’aide à la décision, pour
mettre en œuvre cette solution de mixité.
Dans le chapitre 2, nous avons proposé une identification et une classification des 19
différentes configurations de mixité, permettant de définir le niveau de difficulté de mise en
œuvre correspondant. Cette classification se base sur le degré de partage des ressources du
système de transport. Dans une perspective de déploiement de cette solution dans d’autres
villes, il serait pertinent de se doter d’une méthodologie qui permettrait d’identifier le cas de
mixité à adopter. Cette identification devrait s’appuyer sur les caractéristiques de la ville
d’implantation, le type de marchandises à transporter et particulièrement, les caractéristiques
du réseau ferroviaire.
Dans cette thèse, nous avons souhaité montrer la faisabilité de cette solution, c’est pourquoi
nous avons retenu le cas de mixité le plus critique, à savoir le degré maximal de partage des
ressources. Une seconde contribution a consisté en une approche par décomposition
temporelle pour lier l’ensemble des 9 problématiques décisionnelles (stratégique, tactique et
opérationnelle). Une seconde perspective serait de généraliser l’approche de décomposition, à
184
l’ensemble des cas de mixité possibles, en identifiant les problématiques communes et celles
qui sont spécifiques pour chacun des cas de mixité.
Nous avons retenu le problème FRTSP, car si ce dernier ne serait pas capable d’absorber un
flux supplémentaire, qu’est celui des marchandises, la solution n’aurait aucune chance d’être
adoptée. De plus, si le modèle économique de la nouvelle offre de service venait à se préciser,
l’étude de ce problème permettrait à l’opérateur de transport d’effectuer une première
évaluation de ses gains potentiels. Ceci pourrait se faire de manière assez immédiate, pour
passer d’une quantification des volumes pouvant être transporté à une évaluation financière
du flux correspondant. Par ailleurs, cet outil de simulation pourrait également être adapté,
pour dimensionner la capacité nécessaire pour maximiser les bénéfices.
Dans le chapitre 4, nous avons formalisé le problème FRTSP, en définissant ses différentes
hypothèses. Ensuite, nous avons proposé un modèle de simulation à évènements discrets, qui
se justifie par l’étude du comportement dynamique de cette solution, non encore déployée à
l’échelle réelle. Ce modèle est enrichi grâce à l’implémentation de plusieurs règles
décisionnelles. La validation de ce modèle de simulation a été faite, en s’appuyant sur le
retour d’experts du transport ferroviaire en milieu urbain. Par la suite, nous avons formulé un
modèle mathématique de type PLVM qui a été validé lui-même, grâce au modèle de
simulation.
En étudiant la complexité du FRTSP, en montrant que c’est une généralisation du problème

d’affectation généralisé et pour permettre la résolution d’instances de grande taille, nous
avons développé plusieurs variantes de colonies de fourmis. Nous avons proposé l’utilisation
de la méthode Taguchi, initialement proposée pour les plans d’expériences dans le domaine
industriel, pour définir les paramètres des différentes variantes de la métaheuristique. La
phase expérimentale, nous a permis d’établir la performance du PLVM dans la résolution
d’instances de taille modérée. Aussi, la variante MMACS s’est révélée la plus performante, en
termes de gap et de temps de calcul.
L’analyse de l’impact du plan de transport optimal, nous a permis de relever que l’utilisation
de l’espace dans les stations, bien que corrélée au nombre de commandes, est relativement
maîtrisée. Ceci est une conséquence directe de l’optimisation du taux de rotation, ce qui
permet d’accélérer la dynamique, en prenant en charge le plus rapidement possible les
commandes, dès leur réception. Toutefois, cette conclusion doit être modérée par l’occurrence
d’incidents majeurs, qui risquent de créer un tassement des commandes, si aucune action n’est
entreprise. D’où une troisième perspective de ce travail, la considération de perturbations sur
la ligne ferroviaire, telles que l’annulation de trains, l’interruption du service durant un laps de
temps assez important, l’impact de ces incidents sur l’accroissement temporaire de la
demande de transport de voyageurs, etc.
Cette thèse ouvre la voie à plusieurs autres perspectives très intéressantes. Par exemple, une
quatrième perspective consisterait en la généralisation du FRTSP au cas multi-ligne avec
rupture de charge (correspondance). La pertinence de cette perspective relève de sa capacité à
accroitre les taux de couverture du réseau de transport de fret. La généralisation au cas
multimodal s’inscrit également dans le même objectif de l’amélioration du taux de couverture,
185
mais aussi, de la diminution éventuelle de l’empreinte carbone des colis. En outre, la

considération de ce service de transport, dans le cadre d’un schéma plus global de TMV,
pourrait montrer l’impact direct des véhicules-kilomètres sauvegardés.
Une cinquième perspective évidente, est la résolution progressive des 8 autres

problématiques. A noter que ces problématiques peuvent se poser dans le cas de l’utilisation
d’autres modes de transport, voire dans le cas de la gestion d’entrepôts de stockage, avec des
mouvements de stocks importants (en particulier avec les objectifs d’amélioration des délais
de livraison liés au e-commerce). Bien que les enjeux soient différents, la démarche de
résolution à développer, pourrait avoir des applications qui vont au-delà de la solution de
transport ferroviaire avec mixité fret / voyageurs.
186
Bibliographie
Bibliographie
187
Bibliographie
Akkan, C., 2015. Improving schedule stability in single-machine rescheduling for new
operation insertion. Computers&OperationsResearch, Volume 64, pp. 198-209.
Almeder, C., Preusser, M. & Hartl, R., 2009. Simulation and optimization of supply chains:
alternative or complementary approaches?. OR spectrum, 31(1), pp. 95-119.
Altazin, E., Dauzère-Pérès, S., Ramond, F. & Tréfond, S., 2017. Rescheduling through stop-
skipping in dense railway systems. Transportation Research Part C: Emerging Technologies,
Volume 79, pp. 73-84.
Altiok, T. & Melamed, B., 2007. Simulation Modeling and Analysis with ARENA. Burlington:
Academic Press.
Alumur , S., Kara , B. & Melo , M., 2015. Location and Logistics. In: Laporte G., Nickel S.,
Saldanha da Gama F. (eds) Location Science. Springer, Cham.
Amaran, S., Sahinidis, N., Sharda, B. & Bury, S., 2016. Simulation optimization: a review of
algorithms and applications. Annals of Operations Research, Volume 240, pp. 351-380.
Amini, M. & Racer, M., 1994. A rigorous computational comparison of alternative solution
methods for the generalized assignment problem. Management Science, 40(7), pp. 868-890.
Anu, M., 1997. Introduction to modeling and simulation. Proceedings of the 1997 Winter
Simulation Conference.
Bakalem, M., 1996. Modélisation et simulation orientées objet des systèmes manufacturiers.
Thèse de doctorat en Électronique - Électrotechnique - Automatique, Université de Savoie,
France.
Baptiste, P., Le Pape, C. & Nuijten, W., 2003. Constraint-based scheduling applying
constraint programming to scheduling problems. London: Kluwer Academic Publisher.
Bellman, R., 1956. Dynamic programming and lagrange multipliers. Proceedings of the
National Academy of Sciences of the United States of America, 42(10), pp. 767-769.
Bellman, R., 1957. Dynamic programming. Princeton: Princeton university press.
Bellman, R. & Dreyfuce, S., 1962. Applied dynamic programming. Princeton: Princeton
university press.
Ben-Khedher, N., Kintanar, J., Queille, C. & Stripling, W., 1998. Schedule optimization at
SNCF: from conception to day of departure. INTERFACES, 28(1), pp. 6-23.
Bertier, P. & Roy, B., 1964. Une Procédure de résolution pour une classe de problèmes
pouvant avoir un caractère combinatoire. Cahiers du Centre d’Études de recherche
Opérationnelle, Volume 6, pp. 202-208.
188
Bibliographie
Bhattacharya, A., Kumar, S., Tiwari, M. & Talluri, S., 2014. An intermodal freight transport
system for optimal supply chain. Transportation Research Part C: Emerging Technologies,
Volume 38, pp. 73-84.
Bierlaire, M., 2015. Simulation and optimization: A short review. Transportation Research
Part C: Emerging Technologies, Volume 55, pp. 4-13.
Borodin, V., Bourtembourg, J., Hnaien, F. & Labadie, N., 2017. COTS software integration
for simulation optimization coupling: Case of ARENA and CPLEX products. Preprint
submitted to Mathematics and Computers in Simulation.
Boudouin, D., 2006. Guide de mise en oeuvre d’espaces logistiques urbains, s.l.: CRET-Log,
Action fédérative ELU, PREDIT.
Boudouin, D. & Morel, C., 2002. L'optimisation de la circulation des biens et services en
ville: logistique urbaine : Programme national "marchandises en ville". s.l.:Documentation
française.
Brice, D., Marinov, M. & Rüger, B., 2015. A newly designed baggage transfer system
implemented using event-based simulations. Urban Rail Transit, 1(4), pp. 194-214.
Browne, M., Allen, J., Woodburn, A. & Piotrowsk, M., 2014. The potential for non-road
modes to support environmentally friendly urban logistics. 1st International Conference
Green Cities 2014 – Green Logistics for Greener Cities, London, UK, pp. 29-36.
Browne, M., Sweet, M., Woodburn, A. & Allen, J., 2005. Urban freight consolidation : Final
Report, University of Westminster for the Department for Transport: Transport Studies
Group.
Cacchiani, V. et al., 2014. An overview of recovery models and algorithms for real-time
railway rescheduling. Transportation Research Part B: Methodological, Volume 63, pp. 15-
37.
CargoCap, 2002. Automated underground transportation of cargo: The 5th transportation

alternative for the transport of goods in congested urban areas. [Online] Available at:
www.cagocap.com [Accessed 28 07 2017].
Carosi, S., Gualandi, S., Malucelli, F. & Tresoldi, E., 2015. Delay management in public
transportation: service regularity issues and crew re-scheduling. Transportation Research
Procedia: 18th Euro Working Group on Transportation, Delft, The Netherlands, Volume 10,
pp. 483-492.
Carrie, A., 1988. Simulation of manufacturing systems. Chichester: John Wiley & Sons.
Carson, Y. & Maria, A., 1997. Simulation optimization: methods and applications.
Proceedings of the 1997 Winter Simulation Conference. Atlanta, Georgia: IEEE, pp. 118-126.
Cattrysse, D. & Van Wassenhove, L., 1992. A survey of algorithms for the generalized
assignment problem. European Journal of Operational Research, 10(3), pp. 260-272.
189
Bibliographie
Cauvin, A., Ferrarini, A. & Tranvouez, E., 2009. Disruption management in distributed
enterprises: A multiagent modelling and simulation of cooperative recovery behaviors.
International Journal of Production Economics, Volume 122, pp. 429-439.
Chand, S., Hsu, V. & Sethi, S., 2002. Forecast, solution and rolling-horizons in operations
management problems: A classified bibliography. Manufacturing and Service Operations
Management, 4(1), pp. 25-43.
Chiron-Augereau, V., 2009. Du transport de marchandises en ville à la logistique urbaine,

quels rôles pour un opérateur de transports publics urbains ? L'exemple de la RATP. Thèse de
doctorat, Université Paris-Est.
Christofides, N., Mingozzi, A. & Toth, P., 1981. Exact algorithms for the vehicle routing
problem, based on spanning tree and shortest path relaxations. Mathematical Programming,
Volume 20, pp. 255-282.
Chu, P. & Beasley, J., 1997. A genetic algorithm for the generalised assignment problem.
Computers & Operations Researc, 24(1), pp. 17-23.
Chvatal, V., 1983. Linear programming. W. H. Freeman and Company ed. New York:
Macmillan .
Comi, A. & Nuzzolo, A., 2016. Exploring the Relationships between E-Shopping Attitudes
and Urban Freight Transport. Transportation Research Procedia, Volume 12, pp. 399-412.
Corman, F., D’Ariano, A., Pacciarelli, D. & Pranzo, M., 2012. Bi-objective conflict detection
and resolution in railway traffic management. Transportation Research Part C: Emerging
Technologies, 20(1), pp. 79-94.
Courivault, N., 2004. Les livraisons/enlèvements en centre-ville : quels problèmes ? quelles

solutions ?, Université Lumière, Lyon 2 / école nationale des travaux publics de l'Etat:
Mémoire DESS transport urbains et régionaux de personnes.
CST, 2016. Cargo sous terrain: The goods transport system of the future. Press release 26th
January 2016. [Online] Available at: http://www.cargosousterrain.ch [Accessed 28 07 2017].
Dablanc, L., 2007. Goods transport in large European cities: difficult to organize, difficult to
modernize. Transportation Research Part A, 41(3), pp. 280-285.
Dablanc, L., 2007. Goods transport in large European cities: difficult to organize, difficult to
modernize. Transportation Research Part A: Policy and Practice, 41(3), pp. 280-285.
Dablanc, L., 2009. Freight transport for development toolkit: Urban freight. Department for
International Development, The World Bank.
Dablanc, L. & Andriankaja, D., 2011. Desserrement logistique en Île-de-France : la fuite

silencieuse en banlieue des terminaux de fret. La revue Flux, 85-86(3), pp. 72-88.
190
Bibliographie
Dakin, R., 1965. A Tree Search Algorithm for Mixed Integer Programming Problems.
Computer Journal, 8(3), pp. 250-255.
Dampier, A. & Marinov, M., 2015. A study of the feasibility and potential implementation of
metro-based freight transportation in Newcastle upon Tyne. Urban Rail Transit, 3(1), pp.
164-182.
Dantzig, G., 1951. Activity analysis of production and allocation - Chapter XXI.
Maximization of a linear function of variables subject to linear inequalities. New York: John
Wiley & Sons.
Dantzig, G. & Ramser, J., 1959. The Truck Dispatching Problem. Management Science , 6(1),
pp. 80-91.
De Langhe, K., 2014. Analysing the role of rail in urban freight distribution. Next Generation
Supply Chains: Trends and Opportunities, epubli GmbH, Berlin.
Delaitre, L., 2014. Introduction à la logistique urbaine - Entre intérêt public et optimisation
industrielle. Logistic Systems & Software, SAVOYE.
Dell'Amico, M., Maffioli, F. & Martello, S., 1997. Annotated bibliographies in combinatorial
optimization. s.l.:John Wiley & Sons.
Delmastro, C., Lavagno, E. & Schranz, L., 2016. Underground urbanism: Master plans and
sectorial plans. Tunnelling and Underground Space Technology, Volume 55, pp. 103-111.
Denardo, E. & Mitten, L., 1967. Elements of sequential decision processes. Journal of
industrial engineering, Volume 18, pp. 106-112.
Dessouky, M. & Leachman, R., 1995. A simulation modeling methodology for analyzing
large complex rail network. Simulation, 65(2), pp. 131-142.
Dıaz, J. & Fernández, E., 2001. A tabu search heuristic for the generalized assignment
problem. European Journal of Operational Research, 132(1), pp. 22-38.
Diziain, D., Taniguchi, E. & Dablanc, L., 2014. Urban logistics by rail and waterways in
France and Japan. 8th International Conference on City Logistics, Procedia - Social and
Behavioral Sciences, Volume 125, pp. 159-170.
Dollevoet, T. & Huisman, D., 2014. Fast heuristics for delay management with passenger
rerouting. Public Transport, 6(1-2), pp. 67-84.
Dorigo, M., Birattari, M. & Stutzle, T., 2006. Ant colony optimization. IEEE computational
intelligence magazine, 1(4), pp. 28-39.
Dorigo, M. & Gambardella, L., 1997. nt colony system: a cooperative learning approach to
the traveling salesman problem. IEEE Transactions on evolutionary computation, 1(1), pp.
53-66.
191
Bibliographie
Dorigo, M., Maniezzo, V. & Colorni, A., 1991. Positive feedback as a search strategy.
Technical report 91-016, Dipartimento di Elettronica, Politecnico di Milano, Milan.
Dorigo, M. & Stützle, T., 2004. Ant Colony Optimization. A Bradford Book ed. Cambridge,
Massachusetts: The MIT Press.
Dufour, J., Patier, D. & Routhier, J., 2007. Du transport de marchandises en ville à la
logistique urbaine. Techniques de l'ingénieur, p. ag8210.
Eberhart, R. & Kennedy, J., 1995. A new optimizer using particle swarm theory. Proceedings
of the sixth international symposium on micro machine and human science, Volume 1, pp. 39-
43.
European Commission, 2011. White Paper - Roadmap to a single European transport area -
Towards a competitive and resource efficient transport system, COM/2011/0144 final, s.l.:
European Commission publishing.
Feo, T., Resende, M. & Smith, S., 1994. A greedy randomized adaptive search procedure for
maximum independent set. Operations Research, 42(5), pp. 860-878.
Figueira, G. & Almada-Lobo, B., 2014. Hybrid simulation–optimization methods: A

taxonomy and discussion. Simulation Modelling Practice and Theory, Volume 46, pp. 118-
134.
Fisher, M., Jaikumar, R. & Van Wassenhove, L., 1986. A multiplier adjustment method for
the generalized assignment problem. Management Science, 32(9), pp. 1095-1103.
Flodén, J., 2007. Modelling intermodal freight transport: the potential of combined transport
in Sweden, s.l.: PhD Thesis, Goteborg University, BAS Publisher.
Flodén, J. & Williamsson, J., 2016. Business models for sustainable biofuel transport: the
potential for intermodal transport. Journal of Cleaner Production, Volume 113, pp. 426-437.
Fontan, G., Mercé, C. & Lasserre, J., 2001. La planification des flux de production. In:
Performance Industrielle et Gestion des flux (P. Burlat, J.P. Campagne). s.l.:Hermers Science
Publications Traité IC2.
Fortz, B., 2012. Algorithmique et recherche opérationnelle: le problème de transport. Cours à

l'Université Libre de Bruxelles.
Fu, M., 1994. Optimization via simulation: a review. Annals of Operations Research, 53(1),
pp. 199-204.
Fu, M., 2002. Optimization for simulation: theory vs. practice. INFORMS Journal on
Computing, 14(3), pp. 192-215.
Galasso, F., 2007. Aide à la planification dans les chaînes logistiques en présence de demande
flexible. Thèse de Doctorat, Institut National Polytechnique de Toulouse.
192
Bibliographie
Glover , F., 1986. Future paths for integer programming and links to artificial intelligence.
Computers and Operations Research, 13(5), pp. 533-549.
Gonzalez-Feliu, J., 2014. Costs and benefits of railway urban logistics: a prospective social
cost benefit analysis. <halshs-01056135>.
Gonzalez-Feliu, J., Malhéné, N., Morganti, E. & Trentini, A., 2013. Développement des
espaces logistiques urbains. CDU et ELP dans l'europe du sud-ouest, s.l.: halshs-00862009.
Guignard, M. & Rosenwein, M., 1989. An improved dual-based algorithm to the knapsack
problem. Operations Research, 37(4), pp. 658-663.
Guo, Y., Huang, M., Wang, Q. & Leon, V., 2016. Single-machine rework rescheduling to
minimize maximum waiting-times with fixed sequence of jobs and ready times. Computers &
Industrial Engineering, Volume 91, pp. 262-273.
Gupta, A. & Könemann, J., 2011. Approximation algorithms for network design: a survey.
Surveys in Operations Research and Management Science, 16(1), pp. 3-20.
Haralick, R. & Elliott, G., 1980. Increasing tree search efficiency for constraint satisfaction
problems. Artificial intelligence, 14(3), pp. 263-313.
Herrmann, J. W., 2006. Rescheduling strategies, policies, and methods. Handbook of

production scheduling, Volume 89, pp. 135-148.
Hétreux, G., 1996. Structures de decision multi-niveaux pour la planification de la production

: robustesse et coherence des decisions. these de doctorat, INSAT, France.
Holland, J., 1975. Adaptation in natural and artificial systems : an introductory analysis with
applications to biology, control, and artificial intelligence. Michigan : University of Michigan
Press.
Huisman, D., Kroon, L., Lentink, R. & Vromans, M., 2005. Operations Research in
passengerrailway transportation. Statistica Neerlandica, 59(4), pp. 467-497.
Insee, 2014. Comparateur de territoire : Région d’Île-de-France (11). [Online] Available at:
https://www.insee.fr/fr/statistiques/1405599?geo=REG-11 [Accessed 29 06 2017].
Insee, 2015. Institut national de la statistique et des études économiques : Transports routiers
de fret de proximité. [Online] Available at: http://www.insee.fr [Accessed 13 05 2015].
Interface Transport, 2006. Guide d’aménagement et de localisation des aires de livraison,

Grand Lyon: s.n.
Islam, D. et al., 2013. Logistics and supply chain management. Research in Transportation
Economics, 41(1), pp. 3-16.
Jacobson, S. & Schruben, L., 1989. Techniques for simulation response optimization.
Operations Research Letters, 8(1), pp. 1-9.
193
Bibliographie
Johnson, D., 1990. Local optimization and the Traveling Salesman Problem. 17th
International Colloquium on Automata, Languages, and Programming, Volume 443, pp. 446-
461.
Johnson, D. & Garey, M., 1985. A 71/60 theorem for bin packing. Journal of complexity,
Volume 1, pp. 65-106.
Kashima, S. et al., 1993. Study of an underground physical distribution system in a high-

density, built-up area. Tunnelling and Underground Space Technology, 8(1), pp. 53-59.
Kirkpatrick, S., Vecchi, M. & Gelatt Jr, C., 1983. Optimization by simmulated annealing.
Science, 220(4598), pp. 671-680.
Kleijnen, J. & Wan, J., 2007. Optimization of simulated systems: OptQuest and alternatives.
Simulation Modelling Practice and Theory, 15(3), pp. 354-362.
Köhler, J., Whitmarsh, L., Nykvist, B. & Schilpero, M., 2009. A transitions model for
sustainable mobility. Ecological Economics, 68(12), pp. 2985-2995.
Laguna, M., Kelly, J., González-Velarde, J. & Glover, F., 1995. Tabu search for the
multilevel generalized assignment problem. European journal of operational research, 82(1),
pp. 176-189.
Land , A. & Doig, A., 1960. An automatic method of solving discrete programming problems.
Econometrica, 28(3), pp. 497-520.
Lawler, E. & Wood, D., 1966. Branch-and-bound methods : A survey. Operations research,
14(4), pp. 699-719.
Le Moigne, J., 1990. La modélisation des systèmes complexes. Paris: Dunod.
Lindholm, M. & Behrends, S., 2012. Challenges in urban freight transport planning - a review
in the Baltic Sea Region. Journal of Transport Geography, Volume 22, pp. 129-136.
Lin, S. & Kernighan, B., 1973. An efficient heuristic algorithm for the traveling salesman
problem. Operations Research, Volume 21, pp. 498-516.
Macharis, C. & Bontekoning, Y., 2004. Opportunities for OR in intermodal freight transport
research: a review. European Journal of Operational Research, Volume 153, pp. 400-416.
Macharis, C., Caris, A., Jourquin, B. & Pekin, E., 2011. A decision support framework for
intermodal transport policy. European Transport Research Review, 3(4), pp. 167-178.
MacHaris, . C., Van Mierlo, J. & Van Den Bossche, P., 2007. Combining intermodal transport
with electric vehicles: towards more sustainable solutions.. Transportation Planning and
Technology, 30(2-3), pp. 311-323.
Mackworth, A., 1977. Consistency in networks of relations. Artificial Intelligence, 8(1), pp.
99-118.
194
Bibliographie
Mairie de Paris, 2009. Le transport de marchandises dans la ville de Paris, Paris: Direction
de la Voirie & des Déplacements, Agence de la Mobilité - Usagers & Marchandises.
Mairie de Paris, 2009. Le transport de marchandises dans la ville de Paris, s.l.: Direction de
la Voirie & des Déplacements, Agence de la Mobilité - Usagers & Marchandises.
Martello, S. & Toth, P., 1990. Knapsack problems: algorithms and computer
implementations. Chichester, England: John Wiley & Sons Ltd.
Martí, R., Laguna, M. & Glover, F., 2006. Principles of scatter search. European Journal of
Operational Research, 169(2), pp. 359-372.
Meketon, M., 1987. Optimization in simulation: a survey of recent results.. Proceedings of the
1987 Winter Simulation Conference. Piscataway, NJ: IEEE, pp. 58-67.
Melo, M., Nickel, S. & Saldanha-da-Gama, F., 2009. Facility location and supply chain
management – A review. European Journal of Operational Research, 196(2), pp. 401-412.
Minoux, M., 1983. Programmation mathématique : théorie et algorithmes. Paris: Dunod.
Moglestue, A., 2011. CargoTram of Zürich. [Online] Available at:

http://www.proaktiva.ch/tram/zurich/cargotram_index.html [Accessed 06 08 2017].
MONOPRIX, 2007. L’acheminement des marchandises par voie ferrée et véhicules roulant au
GNV vers les magasins monoprix et MONOP’ de Paris. Dossier de Presse Ferroviaire, July
04, MONOPRIX.
Montreuil, B., Meller , R. & Ballot, E., 2012. Physical Internet Foundations. Proceedings of
the 14th IFAC Symposium on Information Control Problems in Manufacturing Bucharest,
Romania.
Motraghi, A. & Marinov, M., 2012. Analysis of urban freight by rail using event based
simulation. Simulation Modelling Practice and Theory, Volume 25, pp. 73-89.
MTA, 2014. NYCT Trash Can Free Stations Pilot Update. Report Presentation, January,
Metropolitan Transportation Authority "MTA".
Narendra, P. & Fukunaga, K., 1977. A branch and bound algorithm for feature subset
selection. IEEE transactions on computers, 26(9), pp. 917-922.
Nations United, 2015. World Urbanization Prospects - The 2014 Revision, s.l.: United
Nations Department of Economic and Social Affairs/Population Division.
Nemhauser, G. & Wolsey, L., 1988. Integer and Combinatorial Optimization. s.l.:John Wiley
& Sons.
Nielsen, L., Kroon, L. & Maróti, G., 2012. A rolling horizon approach for disruption
management of railway rolling stock. European Journal of Operational Research, Volume
220, pp. 496-509.
195
Bibliographie
Nuzzolo, A., Crisalli, U. & Comi, A., 2008. Metropolitan freight distribution by railways. In:
R. G. T. Eiichi Taniguchi, ed. Innovations in City Logistics. New York: Nova Science
Publishers, pp. 351-368.
OECD, 2014. OECD Economic Surveys: European Union 2014, s.l.: OECD Publishing.
Offer, G., Howey, D., Contestabile, M. & Clague , R., 2010. Comparative analysis of battery
electric, hydrogen fuel cell and hybrid vehicles in a future sustainable road transport system.
Energy Policy, 38(1), pp. 24-29.
Osman, I. & Laporte, G., 1996. Metaheuristics: A bibliography. Annals of Operations

Research, 63(5), pp. 511-623.
Padberg, M. & Rinaldi, G., 1991. A branch-and-cut algorithm for the resolution of large-scale
symmetric traveling salesman problems. SIAM review, 33(1), pp. 60-10.
Paris Region, 2017. Paris region: key figures 2017. IAU Ile-de-France.
Patier, D., 2004. La place du transport de marchandises en compte propre, Lyon: Laboratoire
d'économie des transport.
Pellegrini, P., Marlière, G. & Rodriguez, J., 2012. Real time railway traffic management
modeling track-circuits. In ATOMOS, 12th Workshop on Algorithmic Approaches for
Transportation Modelling, Optimization, and Systems, Volume 25, pp. 23-34.
Pielage, B., 2001. Underground Freight Transportation - A new development for automated
freight transportation systems in the Netherlands. IEEE Intelligent Transportation Systems
Conference Proceedings - Oakland (CA) USA.
Pimor, Y. & Fender, M., 2008. Logistique - 5ème édition - Production - Distribution -
Soutien. l'usine nouvelle ed. Paris: Dunod.
pôle-emploi, 2012. Tour d’horizon du secteur Transport et Logistique. [Online]

Available at: http://www.pole-emploi.fr/candidat/tour-d-horizon-du-secteur-transport-et-
logistique-@/article.jspz?id=61339 [Accessed 15 06 2017].
PREDIT GO n°3, 2012. Faisabilité de l’intégration logistique des espaces transport, Paris:
Rapport finale.
PREDIT GO n°4, 2012. Intégration de la mixité opérationnelle en transports : états et

possibles, Paris: Rapport Final.
PREDIT GO n°6, 2012. Transport collectifs urbains : surcouts consécutifs à l’ajout logistique
dans un projet, Paris: Rapport intermédiaire.
Pritsker, A., 1986. Introduction to simulation and SLAM II. New York: Halsted Press.
Pritsker, A., Sigal, C. & Hammesfahr, R., 1989. SLAM II : Network Models for decision
Support. Englewood Cliffs: Prentice Hall.
196
Bibliographie
Quak, H., 2008. Sustainability of urban freight transport: Retail distribution and local
regulations in cities. PhD Thesis, Erasmus Universiteit Rotterdam..
Ramalhinho Lourenço, H. & Serra, D., 2000. Adaptative search heuristics for the generalized
assignment problem. Mathware & soft computing, Volume 7, pp. 1-15.
Reece, D. & Marinov, M., 2015. Modelling the implementation of a Baggage Transport
System in Newcastle upon Tyne for passengers using Mixed-Mode Travel. Transport
Problems, 10(4), pp. 149-155.
Ripert, C., 2004. Transport de marchandises dans Paris. Mairie de Paris, présentation
Pollutec.
Rodriguez, J., 2007. A constraint programming model for real-time train scheduling at
junctions. Transportation Research Part B: Methodological, 41(2), pp. 231-245.
Rossetti, M., 2015. Simulation Modeling and Arena, 2nd ed. New York: John Wiley & Sons,
Incorporated.
Ross, G. & Soland, P., 1975. A branch and bound based algorithm for the generalized
assignment problem. Mathematical Programming, Volume 8, pp. 91-103.
Routhier, J., Segalou, E. & Durand, S., 2001. Mesurer l'impact du transport de marchandises
en ville : le modèle de simulation FRETURB (V.1), s.l.: LET, MTL, ADEME.
Roy, B., Bertier, P. & Nghiem, P., 1965. Programmes linéaires en nombre entiers et
procédures SEP. Metra, 4(3).
Roy, R., 2010. A primer on the Taguchi method, 2nd edition. s.l.:Society of Manufacturing
Engineers.
Runge, D. & Becker, H., 2008. Urban Commercial Transport - Background Paper for the
Commission 4 Meeting on 22nd October 2008. World Association of the Major Metropolises
- Urban Mobility Management, Metropolis, Berlin.
Sabar, M., Montreuil, B. & Frayret, J., 2009. An Agent-based Algorithm for Personnel
Scheduling and Rescheduling in Assembly Centers. Proceedings of the 13th IFAC Symposium
on Information Control Problems in Manufacturing, Moscow, Russia.
Sabre, R., 2007. Plans d’expériences - Méthode de Taguchi. Techniques de l'ingénieur, F1006
V1.
Sakarovitch, M., 1984. Optimisation combinatoire, méthodes mathématiques et

algorithmiques. Paris: Hermann.
Salido, M., Escamilla, J., Barber, F. & Giret, A., 2017. Rescheduling in job-shop problems for
sustainable manufacturing systems. Journal of Cleaner Production, Volume 162, pp. S121-
S132.
197
Bibliographie
Sato, K., Tamura, K. & Tomii, N., 2013. A MIP-based timetable rescheduling formulation
and algorithm minimizing further inconvenience to passengers. Journal of Rail Transport
Planning & Management, Volume 3, pp. 38-53.
Savelsbergh, M., 1997. A branch-and-price algorithm for the generalized assignment problem.
Operations research, 45(6), pp. 831-841.
Schrijver, A., 2005. On the History of Combinatorial Optimization (Till 1960). Handbooks in
Operations Research and Management Science, Volume 12, pp. 1-68.
Siarry, P., 2014. Métaheuristiques : recuits simulé, recherche avec tabous, recherche à
voisinage variables, méthodes GRASP, algorithmes évolutionnaires, fourmis artificielles,
essaims particulaires et autres méthodes d'optimisation. Paris: Editions Eyrolles.
Silva, C., Sousa, J. & Runkler, T., 2008. Rescheduling and optimization of logistic processes
using GA and ACO. Engineering Applications of Artificial Intelligence, 21(3), pp. 343-352.
SitraM-I, 2017. flux-marchandises-sitram-i. [Online] Available at:

http://www.statistiques.developpement-durable.gouv.fr/donnees-ligne/r/flux-marchandises-
sitram-i.html [Accessed 26 06 2017].
Southworth, F. & Peterson, B., 2000. Intermodal and international freight network modeling.
Transportation Research Part C: Emerging Technologies, 8(1-6), pp. 147-166.
Stützel, T., 1998. Local search algorithms for combinatorial problems analysis, improvements
and new applications. PhD thesis, Departement of computer science, Darmstadt university of
technology, Germany.
Stützel, T. & Hoos, H., 2000. Max-Min ant system. Future generation computer systems,
Volume 16, pp. 889-914.
Stützle, T. & Dorigo, M., 2002. A short convergence proof for a class of ant colony
optimization algorithms. IEEE Transactions on evolutionary computation, 6(4), pp. 358-365.
Sun, X. & Quilliot, A., 1993. Résolution de la programmation linéaire en nombre entiers.
Clermont-Ferrand: Thèse de Doctorat à l'Université Blaise Pascal.
Taguchi, G., 1986. Introduction to quality engineering: designing quality into products and
processes. s.l.:Asian Productivity Organization.
Thierry, C., 2003. Gestion de chaînes logistiques, Modèles et mise en oeuvre pour l’aide à la
décision à moyen terme. Mémoire HDR, Université Toulouse 2, Le Mirail.
Toilier, F. et al., 2016. How can Urban Goods Movements be Surveyed in a Megacity? The
Case of the Paris Region. Transportation Research Procedia, Volume 12, pp. 570-583.
Törnquist Krasemann, J., 2012. Design of an effective algorithm for fast response to the re-
scheduling of railway traffic during disturbances. Transportation Research Part C: Emerging
Technologies, 20(1), pp. 62-78.
198
Bibliographie
Trentini, A., 2012. Proposition d’un système de transport urbain mixte. Application dans le
cadre de la ville moyenne de La Rochelle. Thèse de doctorat de l’école nationale supérieure
des mines de Paris.
Vamanan, M., Wang, Q., Batta, R. & Szczerba, R., 2004. Integration of COTS software
products ARENA & CPLEX for an inventory/logistics problem. Computers & Operations
Research, 31(4), pp. 533-547.
Van Audenhove, F., De Jongh, S. & Durance, M., 2015. Urban Logistics – How to unlock
value from last mile delivery for cities, transporters and retailers, s.l.: Arthur D. Little Future
of Urban Mobility Lab.
Van Duin, J., Tavasszy, L. & Quak, H., 2013. Towards E(lectric)- urban freight: first
promising steps in the electric vehicle revolution. European Transport \ Trasporti Europei,
Volume 54, p. Paper n° 9.
Van Wee, B., Maat, K. & De Bont, C., 2012. Improving Sustainability in Urban Areas:
Discussing the Potential for Transforming Conventional Car-based Travel into Electric
Mobility. European Planning Studies, 20(1), pp. 95-110.
Vanderbeck, F. & Wolsey, L., 1996. An exact algorithm for ip column generation. Operations
research letters, 19(4), pp. 151-159.
Veelenturf, L., Potthoff, D., Huisman, D. & Kroon, L., 2012. Railway crew rescheduling with
retiming. Transportation Research Part C: Emerging Technologies, 20(1), pp. 95-110.
Vernadat, F., 1999. Techniques de modélisation en entreprise : application aux processus

opérationnels. Paris: Economica.
Vieira, G., Herrmann, J. & Lin, E., 2003. Rescheduling manufacturing systems: A framework
of strategies, policies, and methods. Journal of Scheduling, Volume 6, pp. 39-62.
Visser, J., 2017. Automated freight transport. 1th Chinas Symposium on Underground Freight
Transportation - Shanghai.
Walker, C., Snowdon, J. & Ryan, D., 2005. Simultaneous disruption recovery of a train
timetable and crew roster in real time. Computers & Operations Research, 32(8), pp. 2077-
2094.
Wang, L. & Shi, L., 2013. Simulation optimization: a review on theory and applications. Acta
Automatica Sinica, 39(11), pp. 1957-1968.
Wang, Y. et al., 2016. Towards enhancing the last-mile delivery: An effective crowd-tasking
model with scalable solutions. Transportation Research Part E, Volume 93, pp. 279-293.
Wu, S., Storer, R. & Chang, P., 1992. A rescheduling procedure for manufacturing systems
under random disruptions. In: New directions for operations research in manufacturing (G.
Fandel, T. Gulledge, & A. Jone ). Berlin: Springer, pp. 292-308.
199
Bibliographie
Xie, M. & Li, X., 2012. Railway Timetable Rescheduling Based on the Feedback of. Procedia
- Social and Behavioral Sciences: 8th International Conference on Traffic and Transportation
Studies Changsha, China, Volume 43, pp. 781-789.
Yin, Y., Cheng, T. & Wang, D., 2016. Rescheduling on identical parallel machines with
machine disruptions to minimize total completion time. European Journal of Operational
Research, Volume 252, pp. 737-749.
Zeigler, B., 1976. Theory of Modeling and simulation. New York: John Wiley & Sons.
200
Liste des publications
201
Communications en conférences internationales :

 W. Behiri, S. Belmokhtar-Berraf. “A rolling horizon approach to goods transport
rescheduling problem using passenger urban rail network”. The 20th World
Congress of the International Federation of Automatic Control, Toulouse, France, 9-14
July 2017.
 W. Behiri, S. Belmokhtar-Berraf, O. Ozturk. “Urban freight by rail: a coupled
simulation–optimization approach for optimizing transport of goods”. The 11th
International Conference on Modeling, Optimization & Simulation, Montréal, Québec,
Canada, 22-24 August 2016.
 W. Behiri, S. Belmokhtar-Berraf, O. Ozturk. “MILP modeling for transporting
goods using urban rail passenger network”. The 3rd International Conference on
Green Supply Chain, London, UK, 10-13 July 2016.
 W. Behiri, O. Ozturk, S. Belmokhtar-Berraf. “Urban Freight by Rail: A MILP
Modeling for Optimizing the Transport of Goods”. The 6th International
Conference on Information Systems, Logistics and Supply Chain, Bordeaux, France,
1-4 June 2016.
Communications en conférences nationales :

 W. Behiri, S. Belmokhtar-Berraf. “Une métaheuristique basée sur les colonies de
fourmis pour le transport urbain par rail mixant fret et voyageurs”. ROADEF
2017, Metz, 22-24 Février.
 W. Behiri, O. Ozturk, S. Belmokhtar-Berraf. “Une approche couplée optimisation /
simulation pour le chargement de marchandises dans le transport par rail”.
ROADEF 2016, Compiègne, 10-12 Février.
 W. Behiri, O. Ozturk, S. Belmokhtar-Berraf. “Logistique urbaine par rail : une
approche couplée optimisation / simulation pour le dimensionnement de rames de
trains mixant fret et voyageurs”. GDR MACS 2015, Nantes, 26-27 Novembre.
Séminaires et journées thématiques :

 W. Behiri, S. Belmokhtar-Berraf. “Transport ferroviaire urbain de marchandises
dans la perspective de mixité fret / voyageurs : modélisation et optimisation”.
SMRT - Séminaire Modélisation des réseaux de transport – IFSTTAR, 17 Novembre
2016.
 W. Behiri, O. Ozturk, S. Belmokhtar-Berraf. “Logistique urbaine par rail :
Identification de différentes problématiques à plusieurs niveaux décisionnelles”.
Journée du groupe de travail P2LS du GDR-RO, 19 Novembre 2015.
Publication en cours dans une revue internationale :

 W. Behiri, S. Belmokhtar-Berraf, C. Chu. “A modeling methodology to introduce
freight into urban passenger rail network”. Transportation Research Part E:
Logistics and Transportation Review, (soumis en février 2017, 3ème round).
202
Résumé / Abstract
Résumé / Abstract
203
Résumé / Abstract
Titre : Une méthodologie pour modéliser et optimiser la mutualisation du transport ferroviaire urbain
de marchandises et de passagers
Mots clés : transport de marchandises, transport ferroviaire, optimisation, simulation à évènements

discrets, couplage simulation / optimisation.
Malgré la prédominance actuelle du mode routier, pour le transport de marchandises en milieu urbain,
une alternative durable est nécessaire, au vu des enjeux environnementaux et sociétaux. Dans cette
thèse, nous proposons l’étude d’une des perspectives possibles, pour absorber une partie de ce flux de
marchandises toujours plus dense, en utilisant le réseau ferroviaire urbain, initialement dédié aux
voyageurs. Une méthodologie intégrant le fret dans ce dernier est proposée, avec comme première
étape, l'identification et la classification de tous les niveaux de mixité fret / voyageurs possibles. Le
niveau le plus contraint est retenu, car sa faisabilité induira celle des autres. Notre seconde
contribution est relative à une approche par décomposition du problème d’insertion du flux de fret en
plusieurs sous-problèmes interdépendants, selon les trois horizons temporels (long, moyen et court).
Dans le but d’évaluer la capacité du système global, à absorber un flux supplémentaire de nature
différente, le problème de détermination du meilleur plan de transport des marchandises est identifié
comme central et critique. La troisième contribution concerne la simulation du système de transport,
puis sa formalisation par un PL en variables mixtes, pour affecter chaque commande à un train, en
déterminant le moment auquel elle sera chargée et en minimisant les temps d’attente cumulés des
commandes. Plusieurs variantes de colonies de fourmis sont développées, pour la résolution
d’instances de grande taille. La quatrième contribution concerne le couplage du modèle de simulation,
qui permet l’évaluation des performances de cette nouvelle solution de transport, avec les différents
algorithmes optimisant le plan de transport. Enfin, nous proposons une approche de replanification par
horizon glissant, pour absorber les perturbations de la demande, en minimisant les changements du
plan de transport.
Title: A modeling methodology to introduce freight into urban passenger rail network
Keywords: urban freight, rail transport, optimization, discrete event simulation, simulation
optimization coupling.
Urban freight transport is almost exclusively carried out by truck. Beyond the drawbacks caused in the
city, this transport mode is nearly saturated. This study discusses an alternative way of transporting
freight by using urban rail infrastructure. The first contribution deals with the identification and
classification of all different sharing possibilities of mixing freight with passenger’s traffic using rail
network. The second contribution is the definition of global freight/passenger transport problem,
which is decomposed into several optimization interdependent sub-problems with different temporal
decision horizon. In order to show the capacity of the global system to absorb an additional flow with
different nature, the Freight Rail Transport Schedule Problem “FRTSP” is identified as the bottleneck
of transportation system and is formalized with MIP model. As third contribution, this problem
determines train and loading time for each demand to be assigned respecting several constraints while
minimizing total waiting time. The fourth contribution deals with a discrete event simulation
approach, which studies this alternative and validates several proposed decision algorithms. Finally,
the fifth contribution consists in a dynamic approach based on a rolling horizon, which is proposed in
order to update the initial plan. The updated plan allows to determine a new assignment regarding new
demand such as the modifications from the previous plan are minimized.
204

ART1

Transféré par

Droits d'auteur :

Formats disponibles

ART1

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

ART1

Transféré par

Droits d'auteur :

Formats disponibles

Une méthodologie pour modéliser et optimiser la

mutualisation du transport ferroviaire urbain de

To cite this version:

HAL Id: tel-01786922

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

Une méthodologie pour modéliser et optimiser la

Soutenue à ESIEE Paris le 13/12/2017

Président du jury : Alexandre DOLGUI Professeur, IMT Atlantique

Je tiens à adresser un remerciement particulier à Monsieur Joël Danard, chargé du projet

Ma reconnaissance se porte vers Messieurs Stéphane Dauzère-Pérès, Professeur à l’École des

J’adresse ma gratitude aux membres de l’école doctorale "MSTIC", du laboratoire de recherche

Le transport de marchandises en ville et leur acheminement jusqu’au client final, représente le

- La délocalisation des espaces de stockage vers la périphérie des centres villes, en

Le transport de marchandises en milieu urbain est quasi-exclusivement effectué par mode

L’Union Européenne « UE » a réagi face à ce constat en fixant un objectif de réduction des

Ce contexte conduit à la nécessité de changer les pratiques actuelles, notamment concernant le

dédié au transport de voyageurs. L’introduction de la composante « marchandises » dans ce

- Chapitre 1 : Ce chapitre décrit le contexte général du transport de marchandises. Il

- Chapitre 5 : L’optimisation du FRTSP pour obtenir un plan prédictif est d’abord

Définition de la solution de transport :

Étude des degrés d’intégration du flux de Identification des problématiques liées au

Développement d’une méthodologie de

Approche prédictive Replanification

Développement d’une approche de Développement d’une approche de

PLVM Métaheuristiques Approche à horizon glissant

Développement d’un modèle de simulation à évènements

Logistique et transport de marchandises

I. Chapitre I : Logistique et transport de marchandises en ville

Avec l’augmentation des populations dans les villes et la densification de l’activité

2. Logistique et transport de marchandises : définitions et concepts

Logistique = approvisionnement de matières premières + gestion des matières premières et

Figure I.1 : Schématisation de la chaine logistique

Entre chaque deux acteurs de la chaine logistique, le processus de transport de marchandises

50,00% Transport fluvial

Figure I.4 : Evolution des parts modales de transport en France

L’une des raisons qui explique l’évolution du marché du transport de marchandises et la

- Il présente une grande flexibilité (temporelle et spatiale).

- Saturation du réseau routier et des différentes infrastructures liées à ce mode.

On peut citer d’autres inconvénients, tels que :

- La dépendance vis-à-vis de la route, en particulier pour la partie finale du transport.

- Une capacité de transport plus grande.

- Un coût compétitif sur les grandes distances.

La complexité du processus de transport de marchandises est principalement liée au :

- Type de produit à transporter.

Pour faire face à cette complexité, l’évolution du transport de marchandises est

3. Transport de marchandises en ville

3.1. Enjeux du TMV

- Enjeux fonctionnels : les perspectives de croissance et de développement d’une ville

transporteurs et du nombre de livraisons en milieu urbain. Ainsi, pour rester

3.2. Etat des lieux et pratiques actuelles

- Une première caractéristique du TMV est l’hétérogénéité des acteurs et de leurs

Figure I.5 : Les acteurs du TMV et leurs intérêts (Courivault, 2004)

PTAC < 3.5 t <7t < 12 t < 19 t >19 t Articulés

génération moyenne de mouvements par chaque type d’activités. Nous remarquons

3.3. Cadre légal et règlementaire

- Au niveau national, la règlementation en matière de transport de marchandises en

 En matière de transport : à l’échelle des agglomérations, les différents principes

3.4. Complexité du transport de marchandises en ville

- L’approvisionnement des ménages : il représente 50% des mouvements liés au

 Les livraisons directes aux habitations ou en points relais, principalement liées