L'importance des données dans le transport et la distribution

Les données dans les chaînes d'approvisionnement sont connues pour être très complexes et volumineuses. Ces données, qu'elles soient structurées ou non, sont essentielles dans de nombreuses décisions qui sont prises régulièrement. Par exemple, dans le commerce de détail, les données relatives à la demande, aux marchés, aux engagements des clients, aux prix et à de nombreux autres facteurs pertinents sont constamment collectées et exploitées dans le processus de prise de décision par les planificateurs de la demande et des achats. Dans le domaine des transports, les planificateurs et les répartiteurs s'appuient souvent sur de nombreuses sources de données concernant le trafic en temps réel, les délais, l'état des routes, les coûts, les exigences des clients… dans leurs processus de planification et d'exécution. Il peut s'avérer très difficile de combiner et d'extraire des données provenant de différentes sources, ou encore de générer des informations pertinentes à partir de ces données pour soutenir les processus de prise de décision. En outre, les performances des méthodes de prise de décision basées sur les données dépendent fortement des informations et des représentations créées à partir des données d'origine. Cet axe de recherche vise à aborder l'aspect de la valorisation des données et ses implications dans la prise de décision, soit de manière entièrement automatisée, soit avec des interventions humaines.

Les chercheurs du GERAD ont réalisé un certain nombre d'études qui tentent d'améliorer la qualité et la fiabilité des décisions grâce à différentes approches quantitatives employées pour valoriser les données dans de multiples applications réelles de la chaîne d'approvisionnement et de la logistique. Plusieurs études notables menées par Carolina Osorio, Guy Desaulniers et Andrea Lodi ont spécifiquement abordé la question de l'incertitude existante dans la gestion du trafic et du transport dans le domaine public. Les travaux menés par Okan Arslan et Yichuan Daniel Ding montrent comment l'analyse de données peut améliorer les décisions de planification et d'ordonnancement dans la livraison du dernier kilomètre et l'ordonnancement de la main-d'œuvre. Dans un contexte de vente au détail, Andrea Lodi a proposé une méthode de décomposition efficace pour apprendre les préférences latentes des clients à partir des données de vente au détail. Enfin, la valeur de la disponibilité des données et du partage des informations est également examinée de manière analytique dans un contexte de vente au détail dans les articles de recherche de Georges Zaccour.

Note générale : dans le texte, seuls les membres du GERAD impliqués dans les recherches mentionnées sont indiqués, mais pas leurs co-auteurs qui ne sont pas membres du GERAD. Les informations sur les co-auteurs, ainsi que des informations complémentaires, se trouvent dans les références.

Références :

• Arslan, O., Abay, R., Data-driven vehicle routing in last mile delivery, Cirrelt-2021-30, 2021.

• Fields, E., Osorio, C., Zhou, T., A data-driven method for reconstructing a distribution from a truncated sample with an application to inferring car-sharing demand. Transportation Science, 55(3), 616-636, 2021.

• Jena, S. D., Lodi, A., Palmer, H.,Sole, C., A partially ranked choice model for large-scale data-driven assortment optimization. INFORMS Journal on Optimization, 2(4), 297-319, 2020.

• Lu, J., Osorio, C., A probabilistic traffic-theoretic network loading model suitable for large-scale network analysis. Transportation Science, 52(6), 1509-1530, 2018.

• Osorio, C., High-dimensional offline origin-destination (OD) demand calibration for stochastic traffic simulators of large-scale road networks. Transportation Research Part B: Methodological, 124, 18-43, 2019.

• Ricard, L., Desaulniers, G., Lodi, A., Rousseau, L.M., Predicting the probability distribution of bus travel time to move towards reliable planning of public transport services. arXiv:2102.02292, 2021.

• Yu, M., Ding, Y., Lindsey, R., Shi, C., A data-driven approach to manpower planning at US–Canada border crossings. Transportation Research Part A: Policy and Practice, 91, 34-47, 2016.

• Zhang, Q., Chen, J., Zaccour, G., Market targeting and information sharing with social influences in a luxury supply chain. Transportation Research Part E: Logistics and Transportation Review, 133, 101822, 2020.

Planification intégrée de la production et du transport

Dans une chaîne d'approvisionnement, différentes activités sont effectuées en séquence, depuis les fournisseurs initiaux jusqu'aux clients finaux. Parmi les activités les plus importantes figurent la production, la gestion des stocks et le transport. Dans de nombreux cas, ces différentes activités sont gérées de manière isolée. Cependant, des gains importants peuvent être obtenus en considérant explicitement l'interaction entre les différentes activités et donc en les optimisant simultanément.

Dans le contexte d'un système de gestion des stocks par le fournisseur (VMI), le fournisseur prend des décisions de réapprovisionnement pour ses clients. Cela conduit à des arbitrages complexes. Par exemple, lorsqu'il décide quand produire et livrer deux commandes différentes de clients, le fournisseur doit prendre en compte plusieurs éléments. Si les deux clients sont situés à proximité l'un de l'autre, des économies sur les coûts de transport peuvent être réalisées en livrant les commandes par le même itinéraire. Cependant, cette approche peut induire des coûts de stockage supplémentaires si ces commandes ont des dates d'échéance différentes. En outre, si le fournisseur produit également les marchandises, les décisions relatives à la production doivent être intégrées : existe-t-il des économies d'échelle possibles dans la production et la capacité disponible est-elle suffisante ?

Il est clair que la prise en compte de plusieurs étapes dans la chaîne d'approvisionnement rend le processus de planification beaucoup plus complexe, ce qui nécessite des outils plus sophistiqués. Les différentes activités ayant un impact les unes sur les autres, la planification nécessite une approche intégrée. Plusieurs membres du GERAD ont étudié des problèmes de planification intégrée de la chaîne logistique, tels que le problème de routage des stocks et le problème de routage de la production.

Il existe de nombreuses applications réelles dans lesquelles ces problèmes apparaissent. Guy Desaulniers a étudié une application pour une entreprise de restauration livrant des repas à différents clients. Dans ce cas, il fallait établir un horaire de travail des employés en plus du plan de production et de distribution. Jean-François Cordeau et Raf Jans ont étudié une autre application réelle de la planification intégrée de la production et du routage pour un producteur de viande qui doit livrer toute une gamme de produits à près de 200 détaillants ayant des fenêtres horaires différentes. Dans les deux cas, le problème est rendu plus difficile en raison de la courte durée de vie des produits. Jean-François Cordeau et Raf Jans ont examiné une autre application du problème de la logistique de production dans l'industrie du meuble. Guy Desaulniers, Jacques Desrosiers ont étudié le problème de la gestion des stocks dans un contexte maritime pour le gaz naturel liquéfié. Leandro Coelho et Gilbert Laporte ont résolu des variantes du problème d'acheminement des stocks dans diverses applications réelles : une pour un fabricant d'eau en bouteille et une autre pour le réapprovisionnement de guichets automatiques.

Avec les chercheurs susmentionnés, d'autres membres du GERAD, tels que Yossiri Adulyasak, se sont également concentrés sur le développement d'algorithmes d'optimisation efficaces pour divers problèmes intégrés de production, d'inventaire et de planification du transport, y compris des algorithmes efficaces pour le problème de routage d’inventaire, le problème de routage de la production et le problème intégré de planification du service des navires.

D'autres membres du GERAD se sont également penchés sur différents types de problèmes de planification logistique intégrée, comme l'intégration du routage des véhicules et de la planification du chargement par Marilène Cherkesly.

Références :

• Adulyasak, Y., Cordeau, J.F., Jans, R., Optimization-based adaptive large neighborhood search for the production routing problem. Transportation Science, 48(1), 20-45, 2014.

• Adulyasak, Y., Cordeau, J.F., Jans, R., Formulations and branch-and-cut algorithms for multivehicle production and inventory routing problems. INFORMS Journal on Computing, 26(1), 103-120, 2014.

• Bertazzi, L., Coelho, L.C., De Maio, A., Laganà, D., A matheuristic algorithm for the multi-depot inventory routing problem. Transportation Research Part E: Logistics and Transportation Review, 122, 524-544, 2019.

• Cherkesly, M., Desaulniers, G., Laporte, G., Branch-price-and-cut algorithms for the pickup and delivery problem with time windows and last-in-first-out loading. Transportation Science, 49(4), 752-766, 2015.

• Chitsaz, M., Cordeau, J.F., Jans, R., A unified decomposition matheuristic for assembly, production, and inventory routing. INFORMS Journal on Computing, 31(1), 134-152, 2019.

• Dayarian, I., Desaulniers, G., A branch-price-and-cut algorithm for a production-routing problem with short-life-span products. Transportation Science, 53(3), 829-849, 2019.

• Desaulniers, G., Rakke, J.G., Coelho, L.C., A branch-price-and-cut algorithm for the inventory-routing problem. Transportation Science, 50(3), 1060-1076, 2016.

• Grønhaug, R., Christiansen, M., Desaulniers, G., Desrosiers, J., A branch-and-price method for a liquefied natural gas inventory routing problem. Transportation Science, 44(3), 400-415, 2010.

• Guimarães, T. A., Coelho, L.C., Schenekemberg, C.M., Scarpin, C.T., The two-echelon multi-depot inventory-routing problem. Computers & Operations Research, 101, 220-233, 2019.

• Li, Y., Chu, F., Côté, J.F., Coelho, L.C., Chu, C., The multi-plant perishable food production routing with packaging consideration. International Journal of Production Economics, 221, 107472, 2020.

• Lmariouh, J., Coelho, L.C., Elhachemi, N., Laporte, G., Jamali, A., Bouami, D., Solving a vendor-managed inventory routing problem arising in the distribution of bottled water in Morocco. European Journal of Industrial Engineering, 11(2), 168-184, 2017.

• Neves-Moreira, F., Almada-Lobo, B., Cordeau, J.F., Guimarães, L., Jans, R., Solving a large multi-product production-routing problem with delivery time windows. Omega, 86, 154-172, 2019.

• Van Anholt, R.G., Coelho, L.C., Laporte, G., Vis, I.F., An inventory-routing problem with pickups and deliveries arising in the replenishment of automated teller machines. Transportation Science, 50(3), 1077-1091, 2016.

• Wu, L., Adulyasak, Y., Cordeau, J.-F., Wang, S., Vessel Service Planning in Seaports. Operations Research (Forthcoming), 2021.

L'incertitude de la demande dans les décisions d'inventaire, de routage et de localisation

L'une des principales complexités de la planification de la chaîne d'approvisionnement provient des incertitudes inévitables auxquelles il faut faire face. Les membres du GERAD ont développé des méthodes basées sur l'optimisation robuste et stochastique pour prendre de meilleures décisions face à l'incertitude dans les applications pour la chaîne logistique. Ces problèmes vont des problèmes opérationnels et tactiques tels que le routage ou la planification de la production et des stocks, aux problèmes stratégiques tels que la localisation des installations.

La principale incertitude qui complique la planification de la chaîne logistique à tous les niveaux est l'incertitude de la demande. Lors de la prise de décisions concernant la production et les stocks, le stock de sécurité est utilisé pour se protéger contre ce type d’incertitude. Le planificateur doit trouver un équilibre entre le coût d'un stock insuffisant et le coût d'un stock trop important. Déterminer la bonne quantité de stock de sécurité est donc difficile et nécessite des approches d'optimisation sophistiquées. Yossiri Adulyasak, Jean-François Cordeau, Erick Delage, Raf Jans et Gilbert Laporte ont exploité la programmation stochastique et les approches robustes pour résoudre ces problèmes de production et de stock. D'autres incertitudes proviennent du processus de production lui-même, par exemple le temps de configuration stochastique, et doivent également être prises en compte pour établir des plans efficaces.

Le GERAD a une longue et riche tradition de recherche sur les problèmes de routage de véhicules. De nombreux membres du GERAD, dont Yossiri Adulyasak, Leandro Coelho, Jean-François Cordeau, Guy Desaulniers, Fausto Errico, Raf Jans, Gilbert Laporte et Andrea Lodi, ont étudié l'incorporation d'éléments stochastiques dans divers problèmes de routage de véhicules. Cela inclut non seulement la prise en compte de la demande stochastique, mais aussi des temps de déplacement ou de service stochastiques. En outre, les problèmes de planification intégrée prenant en compte les décisions de production, d'inventaire et de routage ont également été étudiés dans un environnement stochastique.

L'incertitude doit également être prise en compte pour des décisions plus tactiques et stratégiques. Une décision extrêmement importante de la chaîne d'approvisionnement concerne l'emplacement de nouvelles installations. Il s'agit de décisions d'investissement à long terme et elles doivent donc être prises lorsqu'il y a beaucoup d'incertitude quant à la demande future. Comme il est difficile d'avoir de bonnes informations sur cette demande à long terme, des approches robustes ont été utilisées par Erick Delage et Yossiri Adulyasak. D'autres types d'incertitude, comme la possibilité de perturbations d’une installation, ont également été intégrés dans ces modèles. Au niveau tactique, Errico Fausto a considéré l'incertitude de la demande dans un problème de planification logistique d'une ville à deux niveaux.

Références :
VRP stochastique

• Adulyasak, Y., Jaillet, P., Models and algorithms for stochastic and robust vehicle routing with deadlines. Transportation Science, 50(2), 608-626, 2016.

• Errico, F., Desaulniers, G., Gendreau, M., Rei, W., Rousseau, L.M., The vehicle routing problem with hard time windows and stochastic service times. EURO Journal on Transportation and Logistics, 7(3), 223-251, 2018.

• Errico, F., Desaulniers, G., Gendreau, M., Rei, W., Rousseau, L.M., A priori optimization with recourse for the vehicle routing problem with hard time windows and stochastic service times. European Journal of Operational Research, 249(1), 55-66, 2016.

• Gauvin, C., Desaulniers, G., Gendreau, M., A branch-cut-and-price algorithm for the vehicle routing problem with stochastic demands. Computers & Operations Research, 50, 141-153, 2014.

• Hoogeboom, M., Adulyasak, Y., Dullaert, W., Jaillet, P., The robust vehicle routing problem with time window assignments. Transportation Science, 55(2). 275-552, 2021.

• Markov, I., Bierlaire, M., Cordeau, J. F., Maknoon, Y., Varone, S., A unified framework for rich routing problems with stochastic demands. Transportation Research Part B: Methodological, 114, 213-240, 2018.

• Rostami, B., Desaulniers, G., Errico, F., Lodi, A., Branch-price-and-cut algorithms for the vehicle routing problem with stochastic and correlated travel times. Operations Research, 69(2), 436-455, 2021.

Problèmes stochastiques intégrés de routage de véhicules et d'inventaire

• Adulyasak, Y., Cordeau, J.F., Jans, R., Benders decomposition for production routing under demand uncertainty. Operations Research, 63(4), 851-867, 2015.

• Alvarez, A., Cordeau, J.F., Jans, R., Munari, P., Morabito, R., Inventory routing under stochastic supply and demand. Omega, 102, 102304, 2021.

• Coelho, L.C., Cordeau, J.F., Laporte, G., Heuristics for dynamic and stochastic inventory-routing. Computers & Operations Research, 52, 55-67, 2014.

• Markov, I., Bierlaire, M., Cordeau, J.F., Maknoon, Y., Varone, S., Waste collection inventory routing with non-stationary stochastic demands. Computers & Operations Research, 113, 104798, 2020.

• Roldán, R.F., Basagoiti, R., Coelho, L.C., Robustness of inventory replenishment and customer selection policies for the dynamic and stochastic inventory-routing problem. Computers & Operations Research, 74, 14-20, 2016.

• Solyalı, O., Cordeau, J.F., Laporte, G., Robust inventory routing under demand uncertainty. Transportation Science, 46(3), 327-340, 2012.

Planification stochastique de la production et des stocks

• Ardestani-Jaafari, A., Delage, E., Robust optimization of sums of piecewise linear functions with application to inventory problems. Operations research, 64(2), 474-494, 2016.

• Rodrigues, F., Agra, A., Requejo, C., Delage, E., Lagrangian duality for robust problems with decomposable functions: the case of a robust inventory problem. INFORMS Journal on Computing, 33(2), 685-705, 2021.

• Sereshti, N., Adulyasak, Y., Jans, R., The value of aggregate service levels in stochastic lot sizing problems. Omega, 102, 10233, 2021.

• Solyalı, O., Cordeau, J.F., Laporte, G., The impact of modeling on robust inventory management under demand uncertainty. Management Science, 62(4), 1188-1201, 2016.

• Taş, D., Gendreau, M., Jabali, O., Jans, R., A capacitated lot sizing problem with stochastic setup times and overtime. European Journal of Operational Research, 273(1), 146-159, 2019.

• Thevenin, S., Adulyasak, Y., Cordeau, J.F., Material requirements planning under demand uncertainty using stochastic optimization. Production and Operations Management, 30(2), 475-493, 2021.

Problèmes stochastiques tactiques et stratégiques

• Ardestani-Jaafari, A., Delage, E., The value of flexibility in robust location–transportation problems. Transportation Science, 52(1), 189-209, 2018.

• Cheng, C., Adulyasak, Y., Rousseau, L.M., Robust facility location under disruptions. INFORMS Journal on Optimization, 2021.

• Cheng, C., Adulyasak, Y., Rousseau, L.M., Robust facility location under demand uncertainty and facility disruptions. Omega, 103, 102429, 2021.

• Crainic, T.G., Errico, F., Rei, W., Ricciardi, N., Modeling demand uncertainty in two-tier city logistics tactical planning. Transportation Science, 50(2), 559-578, 2016.

• Saif, A., Delage, E., Data-driven distributionally robust capacitated facility location problem. European Journal of Operational Research, 291(3), 995-1007, 2021.

Décisions de rééchelonnement dans les applications logistiques

Dans de nombreuses applications logistiques, il est de la plus haute importance de pouvoir prendre en compte les dernières données et de prendre des décisions pour réajuster les plans existants en temps réel.

Dans les opérations de vente au détail, il est non seulement important de prendre les bonnes décisions concernant les stocks, mais la planification du personnel est également une tâche essentielle qui contribue à la satisfaction du client. Il s'agit d'une tâche complexe car un planning du personnel doit tenir compte de nombreuses contraintes telles que les règles syndicales, les exigences législatives, les préférences des employés ainsi que les considérations de coûts. Cependant, le calendrier prévu ne peut pas toujours être exécuté soit en raison de changements soudains dans la demande ou encore de la disponibilité de la main-d'œuvre. Dans un tel cas, il est très important de pouvoir générer un nouveau calendrier réalisable tenant compte de la nouvelle situation. Idéalement, ce nouveau planning ne doit pas entraîner de trop nombreuses modifications ou une forte augmentation des coûts. Puisque ce nouvel horaire doit être généré en temps réel, Guy Desaulniers et Issmail El Hallaoui ont développé des heuristiques efficaces et rapides qui peuvent résoudre de gros problèmes de ré-ordonnancement en quelques secondes.

Le transport est un autre domaine d'application de la prise de décision en temps réel. Antoine Legrain considère le cas du covoiturage, où les demandes de différents clients doivent être très fréquemment mises à jour et ré-optimisées. Pour prendre des décisions efficaces et rentables en temps réel dans le contexte de la prise de décision séquentielle en situation d'incertitude, Yossiri Adulyasak a proposé des cadres de décomposition pour les processus de décision de Markov (MDP) en situation d'incertitude et a démontré l'efficacité des politiques résultantes dans la gestion des stocks et la planification des robots. Cet axe est également parfaitement aligné avec la mission de recherche de la Chaire d'excellence en recherche du Canada en science des données pour la prise de décision en temps réel dirigée par Andrea Lodi.

Références :

• Adulyasak, Y., Varakantham, P., Jaillet, P., Solving uncertain MDPs with objectives that are separable over instantiations of model uncertainty. 29th Conference on Artificial Intelligence (AAAI), 29(1), 3454-3460, 2015.

• Ahmed, A., Varakantham, P., Adulyasak, Y., Jaillet, P., Regret based robust solutions for uncertain Markov decision processes. Advances in Neural Information Processing Systems (NeurIPS) 26, 2013.

• Hassani, R., Desaulniers, G., El Hallaoui, I., Real-time personnel re-scheduling after a minor disruption in the retail industry. Computers & Operations Research, 120, 104952, 2020.

• Hassani, R., Desaulniers, G., El Hallaoui, I., Real-time bi-objective personnel re-scheduling in the retail industry. European Journal of Operational Research, 293(1), 93-108, 2021.

• Riley, C., Legrain, A., Van Hentenryck, P., Column generation for real-time ride-sharing operations. In International Conference on Integration of Constraint Programming, Artificial Intelligence, and Operations Research. Springer, Cham, 472-487, 2019.