Dynamic decision making under uncertainty in vehicle routing and logistics

Cette thèse présente trois études menées sur des problèmes de tournées dynamiques. En particulière, elle se concentre sur les challenges résultants de l’utilisation de véhicules électriques dans les systèmes logistiques et de transports. Dans la première étude, nous introduisons le problème de tournées de véhicules électriques avec des bornes de recharge publiques et privées. Dans ce contexte, les véhicules peuvent recharger leurs batteries en route, dans des bornes publiques, ainsi qu’au dépôt (bornes privées). Pour se protéger contre l’incertitude de la disponibilité des bornes publiques, nous présentons des politiques de routage qui anticipent la dynamique des files d’attente des bornes. Nos politiques se basent sur une décomposition du problème en deux phases : routage et planification des opérations de recharge. Grâce à cette décomposition, nous obtenons la politique statique optimale, ainsi qu’un certain nombre de politiques dites « anticipatoires » et une borne inférieure. Des tests numériques effectués sur des instances réelles fournies par une entreprise, monter que nos politiques sont capables de livrer des solutions avec un gap d’optimalité de moins de 5%. Nos tests montrent aussi que permettre aux véhicules de charger en dehors du dépôt (même en présence d’incertitude sur la disponibilité des bornes) se traduit par des économies considérables dans la durée des routes.Dans la deuxième étude, nous considérons le problème d’un opérateur contrôlant une flotte de véhicules de tourisme avec chauffeur (VTCs) électriques. L’opérateur, qui cherche à maximiser ses revenus, doit affecter les véhicules aux demandes au fur et à mesure de leur apparition ainsi que charger et repositionner les véhicules en prévision des demandes futures. Pour attaquer ce problème, nous utilisons des approches basées sur l’apprentissage par renforcement profond. Pour mesurer la qualité de nos approches, nous avons développé aussi une heuristique proche de celle typiquement utilisée dans l’affectation de taxis, ainsi que des bornes supérieures. Nous testons nos approches dans des instances construites à partir de données réelles de l’île de Manhattan. Nos tests montrent que notre meilleure politique basée sur l’apprentissage profond livre des résultats supérieurs à ceux livrés par l’heuristique. Les tests montrent aussi que cette stratégie passe facilement à l’échelle et peut être déployée sur de plus grandes instances sans entrainement supplémentaire.La dernière étude introdui