Génération des instances

Génération des instances

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. 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). + 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 𝑤𝑎𝑖𝑡= 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. 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.

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.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.