Optimisation des Itinéraires de Véhicules Électriques pour la Logistique Multi-Températures
Un pas décisif vers une logistique urbaine plus durable a été franchi grâce à une étude pionnière publiée par une équipe de chercheurs chinois. Leur recherche, menée par He Meiling de l’Université du Jiangsu, propose un modèle révolutionnaire pour optimiser les itinéraires des véhicules électriques (VE) dans le cadre complexe de la chaîne du froid, en particulier pour la livraison de produits périssables nécessitant des températures variées. Ce travail, publié dans le prestigieux Journal of Jiangsu University (Natural Science Edition), ne se contente pas d’améliorer l’efficacité logistique ; il réinvente la manière dont les entreprises peuvent livrer des produits frais, réfrigérés et surgelés tout en réduisant drastiquement leurs coûts et leur impact environnemental.
L’essor fulgurant du commerce électronique et la demande croissante des consommateurs pour des produits alimentaires frais et diversifiés ont exacerbé les défis de la logistique de dernière mile. Le modèle traditionnel, qui repose sur des flottes de véhicules frigorifiques spécialisés, chacun dédié à une seule plage de température, est devenu obsolète. Ce système engendre une utilisation inefficace des véhicules, une multiplication des trajets, une congestion accrue et des émissions de gaz à effet de serre élevées. L’intégration des véhicules électriques dans ce secteur est une priorité absolue pour la décarbonation, mais elle est entravée par des contraintes telles que l’autonomie limitée des batteries et le besoin d’une infrastructure de recharge dense. Le modèle développé par He Meiling, Fu Wenqing, Han Xun et Wu Xiaohui propose une solution élégante et pragmatique à ces problèmes en introduisant le concept de « co-distribution multi-température » (MTCD) pour les véhicules électriques.
L’innovation centrale réside dans l’abandon des systèmes de réfrigération mécanique coûteux et énergivores. Au lieu de cela, le modèle s’appuie sur une technologie de réfrigération passive. Il utilise des caisses isothermes équipées de « refroidisseurs à accumulation de froid » (coolers), des matériaux à changement de phase (PCM) qui sont préchargés avec du froid dans le centre de distribution. Ces matériaux libèrent lentement leur froid, maintenant ainsi une température constante dans des compartiments séparés à l’intérieur d’un véhicule électrique standard. Cette approche simple et ingénieuse permet à un seul VE de transporter simultanément des produits à température ambiante, réfrigérés et congelés. Cela élimine la nécessité d’une flotte hétérogène de véhicules spécialisés, ce qui réduit considérablement les coûts d’investissement et d’exploitation, tout en maximisant l’utilisation de chaque véhicule.
Le cœur du travail est un modèle mathématique sophistiqué, baptisé EVRP-MTCD-STW, qui va bien au-delà de la simple minimisation de la distance parcourue. Son objectif ultime est de minimiser le coût total de la livraison, un coût qui intègre une multitude de facteurs critiques. Ce modèle prend en compte le coût d’utilisation du véhicule, le coût de transport (basé sur la distance), le coût de réfrigération (lié au nombre de refroidisseurs utilisés), le coût de recharge de la batterie, les coûts d’incitation ou de pénalité pour les livraisons en avance ou en retard, et, de manière cruciale, le coût de la détérioration des produits. Cette dernière composante est une avancée majeure, car elle lie directement l’efficacité de la logistique à la qualité du produit final. En intégrant le risque de perte, le modèle incite les planificateurs à optimiser non seulement pour la vitesse, mais aussi pour la fraîcheur, garantissant ainsi que les produits arrivent en parfait état.
Pour résoudre ce problème d’optimisation extrêmement complexe, qui appartient à la catégorie des problèmes de tournées de véhicules électriques (EVRP) avec de nombreuses contraintes interdépendantes, l’équipe a conçu un algorithme de colonie de fourmis amélioré (IACO). L’algorithme de colonie de fourmis classique (ACO) est une métaheuristique inspirée du comportement des fourmis lors de la recherche de nourriture, utilisant des traces de phéromones virtuelles pour explorer et converger vers de bonnes solutions. Cependant, l’ACO peut être lent à converger et risque de se coincer dans des optima locaux, des solutions qui sont bonnes mais pas les meilleures possibles.
Les chercheurs ont surmonté ces limitations en créant un algorithme hybride. Leur IACO intègre trois améliorations fondamentales. Premièrement, il combine l’ACO avec l’algorithme 2-opt, une technique de recherche locale puissante. Après que l’ACO a trouvé une solution, le 2-opt l’analyse en prenant deux segments du trajet et en les inversant. Si cette inversion crée un trajet plus court, la nouvelle solution est adoptée. Ce processus itératif affine continuellement la solution, permettant à l’algorithme d’échapper aux optima locaux et d’améliorer la qualité de la route. Deuxièmement, l’IACO introduit une « matrice d’économie » dans sa règle de décision. Cette matrice guide les « fourmis » virtuelles vers les paires de clients dont la connexion directe économise le plus de distance par rapport à un trajet via le centre de distribution, accélérant ainsi la découverte de solutions efficaces. Troisièmement, et c’est là que réside l’ingéniosité du modèle, l’algorithme intègre deux facteurs spécifiques au problème de la chaîne du froid : un « facteur d’attente de la fenêtre temporelle » et un « facteur d’impact du produit surgelé ». Le premier pénalise les fourmis qui choisissent un client où elles devraient attendre longtemps (en arrivant trop tôt), optimisant ainsi l’efficacité du temps. Le second donne une priorité accrue aux clients ayant une forte demande de produits surgelés, car ces produits sont les plus sensibles aux retards et à la détérioration. Cette combinaison unique de recherche globale, d’affinement local et de règles de décision guidées par le domaine du problème rend l’IACO exceptionnellement puissant et adapté à la tâche.
La validité et la supériorité de ce modèle et de cet algorithme ont été démontrées par une série d’analyses de simulation rigoureuses utilisant les célèbres jeux de données de Solomon, une référence incontournable dans la recherche sur les tournées de véhicules. La première phase de validation a comparé l’IACO aux solutions optimales connues et aux résultats d’autres algorithmes avancés de la littérature. Les résultats ont montré que l’IACO est hautement compétitif. Dans le scénario RC101, il a non seulement égalé la solution optimale connue, mais l’a surpassée de 1,083% en termes de distance parcourue, démontrant sa capacité supérieure à explorer l’espace des solutions et à trouver des itinéraires plus efficaces.
La deuxième phase, la plus révélatrice, a mis en concurrence directe le modèle traditionnel de livraison à température unique et le nouveau modèle de co-distribution multi-température. En utilisant une version modifiée du jeu de données RC101, avec 30 clients et 20 stations de recharge, la simulation a livré des résultats spectaculaires. L’approche traditionnelle, nécessitant des véhicules séparés pour chaque type de température, exigeait un total de 11 véhicules pour accomplir toutes les livraisons. En revanche, le modèle de co-distribution multi-température a accompli la même tâche avec seulement 5 véhicules, soit une réduction de 54,5%. Cette diminution drastique de la taille de la flotte a des implications profondes : elle se traduit par une réduction massive des coûts d’acquisition, de maintenance et de personnel, tout en diminuant considérablement le nombre de véhicules sur les routes.
L’impact sur l’infrastructure de recharge est tout aussi impressionnant. Le modèle traditionnel nécessitait 6 arrêts de recharge au cours de l’opération, tandis que le modèle de co-distribution n’en a requis qu’un seul. Cette efficacité énergétique est cruciale pour la viabilité de la logistique électrique en milieu urbain, où les stations de recharge sont une ressource précieuse. La capacité à effectuer un grand nombre de livraisons sur une seule charge améliore la fiabilité des opérations et libère du temps précieux. Le coût total de livraison optimisé a été calculé à 2 731,53 yuans, un chiffre qui intègre tous les coûts pertinents, de l’électricité à la perte potentielle de produits.
Une autre dimension fascinante de l’étude est l’analyse de l’impact de la flexibilité des fenêtres de temps. Le modèle utilise des « fenêtres de temps souples » (STW), qui permettent aux véhicules d’arriver en avance ou en retard, avec des coûts d’incitation ou de pénalité associés, plutôt que des fenêtres rigides. En élargissant la fenêtre de temps acceptable de 50% à 200% au-delà de la fenêtre idéale du client, les chercheurs ont observé une tendance claire : plus la fenêtre est flexible, moins de véhicules sont nécessaires et plus le coût total diminue. Lorsque la fenêtre a été élargie de 100%, le nombre de véhicules a atteint son minimum de 5. Un élargissement supplémentaire n’a pas réduit le nombre de véhicules, mais a continué à faire baisser le coût total. Cela s’explique par le fait qu’une plus grande flexibilité permet une séquencement des itinéraires plus intelligent, permettant aux véhicules d’arriver plus tôt. Cela transforme les coûts de pénalité en coûts d’incitation (des récompenses) et, surtout, réduit considérablement le coût de la détérioration des produits en préservant leur fraîcheur. Cette découverte offre une perspective stratégique précieuse : offrir aux clients des fenêtres de livraison légèrement plus flexibles peut générer des économies opérationnelles substantielles sans nuire à la qualité du service.
Les implications de cette recherche sont vastes et transforment plusieurs secteurs. Pour les entreprises de logistique, le modèle fournit un plan d’action clair pour rationaliser leurs opérations dans la chaîne du froid. En adoptant la co-distribution multi-température avec des véhicules électriques standards, elles peuvent réduire leurs coûts, améliorer leur efficacité et renforcer leur image de marque en matière de durabilité. Pour les urbanistes et les décideurs politiques, les résultats sont un argument puissant en faveur d’un investissement accru dans les infrastructures de recharge pour véhicules électriques et de politiques incitatives pour les solutions de livraison verte. La réduction du nombre de véhicules-kilomètres (VKT) contribue directement à un air plus pur, à moins de bruit et à une réduction de la congestion dans les centres-villes.
Au-delà des véhicules, le succès de l’algorithme IACO illustre le pouvoir des techniques d’optimisation hybride pour résoudre des problèmes du monde réel. La fusion d’une recherche globale (ACO), d’un affinage local (2-opt) et d’heuristiques spécifiques au problème crée un cadre robuste qui peut être adapté à d’autres défis logistiques, tels que le routage dynamique, la logistique multi-échelons ou la gestion des opérations de secours.
Bien que le modèle actuel soit une avancée significative, les auteurs reconnaissent ses limites et ouvrent la voie à de futures recherches. L’étude suppose une demande statique des clients et des conditions idéales, sans tenir compte de facteurs dynamiques comme le trafic en temps réel, les conditions météorologiques ou les changements soudains de commandes. Intégrer ces éléments rendrait le modèle encore plus robuste et plus proche de la réalité opérationnelle. De futures recherches pourraient également explorer des stratégies de recherche locale plus sophistiquées ou l’utilisation de l’apprentissage automatique pour améliorer encore la précision de la solution.
La transition vers une logistique urbaine durable est un défi complexe, mais cette recherche fournit un outil puissant pour y parvenir. En combinant une technologie d’emballage innovante avec une optimisation algorithmique de pointe, He Meiling, Fu Wenqing, Wu Xiaohui de l’Université du Jiangsu et Han Xun de l’Académie de Police du Sichuan ont démontré une solution pratique et évolutive pour l’avenir de la livraison dans la chaîne du froid. Leur travail montre qu’avec la combinaison adéquate de technologie et d’intelligence, il est possible de livrer des aliments plus frais, de réduire les coûts et de protéger l’environnement, le tout avec une flotte de véhicules électriques plus petite et plus intelligente.
Cette étude est un exemple emblématique de la recherche interdisciplinaire, fusionnant l’ingénierie automobile, la recherche opérationnelle et la science environnementale. Elle répond à un besoin critique de la société moderne : la livraison efficace et durable de biens essentiels. Alors que le commerce électronique continue de croître et que les populations urbaines s’agrandissent, la demande de solutions logistiques intelligentes et vertes ne fera que s’intensifier. Le modèle présenté dans cet article offre une feuille de route convaincante pour que le secteur logistique relève ce défi de front.
La recherche met également en lumière l’importance stratégique des fenêtres de temps souples comme levier d’optimisation. Dans une ère où les attentes des clients en matière de rapidité de livraison sont en constante augmentation, cette étude offre une perspective contre-intuitive mais précieuse : parfois, offrir un peu plus de flexibilité peut conduire à de meilleurs résultats globaux. En alignant les horaires de livraison sur l’efficacité opérationnelle plutôt que sur des demandes rigides des clients, les entreprises peuvent créer un scénario gagnant-gagnant : des coûts plus faibles pour elles et des produits plus frais et de meilleure qualité pour leurs clients.
L’utilisation de matériaux à changement de phase pour le contrôle de la température est une autre conclusion clé. Cette solution à faible technologie et à fort impact évite la nécessité d’unités de réfrigération coûteuses et énergivores, ce qui la rend accessible à un plus large éventail d’opérateurs, notamment les petites et moyennes entreprises. Cette démocratisation de la technologie de la chaîne du froid peut contribuer à élargir l’accès à des aliments frais dans les communautés défavorisées, soutenant ainsi des objectifs sociaux et économiques plus larges.
En conclusion, cette recherche représente une contribution significative au domaine de la logistique durable. Elle va au-delà des modèles théoriques pour proposer une solution pratique, fondée sur des données, qui peut être mise en œuvre dans le monde réel. La combinaison de la co-distribution multi-température, des véhicules électriques et de l’optimisation intelligente des itinéraires offre une approche holistique des défis de la livraison moderne. Alors que les villes s’efforcent de devenir plus intelligentes et plus vertes, des études comme celle-ci seront essentielles pour façonner l’avenir de la mobilité urbaine et des chaînes d’approvisionnement.
Les résultats sont particulièrement opportuns, alors que les gouvernements et les entreprises du monde entier fixent des objectifs ambitieux de neutralité carbone. Le secteur de la logistique, un important contributeur aux émissions de gaz à effet de serre, doit jouer un rôle central dans cette transition. Le modèle développé par He Meiling et ses collègues fournit une feuille de route claire et exécutable pour réduire l’impact environnemental de la livraison de dernière mile, l’un des segments les plus intensifs en carbone de la chaîne d’approvisionnement.
En fin de compte, cette recherche ne traite pas seulement d’algorithmes et de fonctions de coût ; elle vise à créer un moyen plus efficace, résilient et durable de déplacer des biens au XXIe siècle. En repensant la manière dont nous livrons des produits sensibles à la température, nous pouvons construire un système logistique qui soit meilleur pour les entreprises, meilleur pour les consommateurs et meilleur pour la planète.
He Meiling, Fu Wenqing, Han Xun, Wu Xiaohui, School of Automotive and Traffic Engineering, Jiangsu University; Intelligent Policing Key Laboratory of Sichuan Province, Sichuan Police College; Department of Transportation Management, Sichuan Police College. Journal of Jiangsu University (Natural Science Edition), DOI: 10.3969/j.issn.1671-7775.2024.06.002