Green Vehicle Routing for Mixed-Fleet Cold-Chain Distribution under Time- and Location-Dependent Traffic Congestion
Cette étude propose un modèle de tournée de véhicules pour une flotte mixte de la chaîne du froid qui intègre la congestion routière dépendante du temps et de la localisation dans un cadre de consommation d'énergie non linéaire, et le résout à l'aide d'un algorithme de recherche à grand voisinage adaptatif amélioré afin de minimiser les coûts totaux de distribution tout en démontrant les avantages opérationnels et économiques des flottes mixtes sous des conditions de congestion dynamiques.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Dans les artères bouillonnantes des villes modernes, le mouvement des marchandises est un ballet constant de haute précision, où se jouent le timing et la température. Pour les articles périssables comme les produits frais, les produits laitiers et les médicaments, le voyage d'un entrepôt à la porte d'un client n'est pas seulement une question de distance ; c'est une course contre la montre et la chaleur. Si un camion de livraison reste trop longtemps bloqué dans le trafic, l'unité de réfrigération doit travailler plus intensément, consommant davantage d'énergie et augmentant le risque que la cargaison ne se gâte. Cet équilibre délicat devient encore plus complexe à mesure que les villes introduisent des camions électriques pour réduire les émissions de carbone. Bien que les véhicules électriques offrent une voie plus propre, ils comportent un ensemble de contraintes différentes : une autonomie de batterie limitée et la nécessité de recharger. Les gestionnaires logistiques font désormais face à un casse-tête difficile : comment mélanger ces deux types de véhicules, naviguer dans les rythmes imprévisibles du trafic urbain et maintenir la fraîcheur des aliments sans dépenser une fortune. Le défi est accentué par le fait que le trafic ne se comporte pas de la même manière partout ou à chaque heure ; une route peut être dégagée à midi mais saturée à 17 heures, et un quartier spécifique peut constituer un goulot d'étranglement tandis que le pâté de maisons suivant circule librement.
Des chercheurs de l'Université forestière du Nord-Est en Chine ont abordé ce problème complexe en développant une nouvelle façon de planifier les itinéraires de livraison pour une flotte mixte de camions réfrigérés électriques et à carburant. Ils ont reconnu que les méthodes de planification traditionnelles traitent souvent le trafic comme une moyenne statique ou examinent le temps et le lieu séparément, manquant ainsi la réalité selon laquelle la congestion est un phénomène tridimensionnel et mouvant. Pour capturer cela, l'équipe a créé un modèle détaillé qui décompose chaque segment de route en morceaux plus petits, calculant le temps qu'un camion met pour parcourir chaque segment en fonction de l'heure exacte de la journée et du niveau de congestion spécifique de cette zone. Cette approche leur a permis de construire un calculateur de coûts complet. Ce calculateur ne se contente pas de compter les kilomètres ; il tient compte de l'électricité ou du carburant brûlés par le moteur, de l'énergie supplémentaire nécessaire pour maintenir la cargaison au frais, de la perte financière si les aliments se gâtent en raison des retards, des pénalités pour une arrivée trop précoce ou trop tardive, et du coût des émissions de carbone. En injectant ces données complexes dans un algorithme de recherche sophistiqué, les chercheurs ont pu simuler des millions de combinaisons d'itinéraires possibles afin de trouver le chemin le plus efficace pour une flotte de véhicules mixtes.
L'étude s'est concentrée sur un scénario spécifique où un centre de distribution envoie des camions desservir de nombreux clients dans des créneaux horaires stricts. Les chercheurs ont testé leur modèle en utilisant divers paysages urbains et modèles de trafic, allant de petits quartiers à de vastes districts étendus. Ils ont découvert que la stratégie la plus efficace consistait rarement à utiliser uniquement des camions électriques ou uniquement des camions à carburant. Au contraire, une flotte mixte s'est systématiquement révélée être la solution la plus économique et la plus flexible. Dans leurs simulations, la combinaison des deux types de véhicules permettait au système de s'adapter aux demandes spécifiques de la journée. Par exemple, dans les zones avec des clients denses et regroupés et des itinéraires courts, les camions électriques pouvaient prospérer, tirant parti de leurs coûts d'exploitation inférieurs. Cependant, lorsque les itinéraires devenaient longs, dispersés ou heurtaient de graves embouteillages menaçant de vider une batterie ou de manquer un créneau de livraison, les camions à carburant offraient la portée et la fiabilité nécessaires. Les résultats ont montré que cette approche hybride réduisait considérablement les coûts de distribution totaux par rapport à l'utilisation d'un seul type de véhicule, la flotte mixte étant la plus performante dans presque tous les scénarios testés.
La recherche a également mis en évidence à quel point ces systèmes de livraison sont sensibles aux conditions de trafic. L'équipe a mené des simulations où elle a augmenté la durée de l'heure de pointe et la taille des zones de congestion. Ils ont observé qu'à mesure que le trafic s'aggravait, les coûts liés à la détérioration des produits, à la réfrigération et aux pénalités de créneaux horaires augmentaient brusquement. Des vitesses plus lentes signifiaient que les camions passaient plus de temps sur la route, ce qui non seulement consommait plus d'énergie, mais augmentait aussi le temps pendant lequel les denrées périssables étaient exposées à des fluctuations potentielles de température. En réponse à ces conditions plus rudes, l'algorithme ajustait naturellement sa stratégie, déployant davantage de véhicules à carburant pour garantir que les livraisons soient effectuées à temps, même si cela impliquait une légère augmentation de la consommation de carburant. Cet ajustement dynamique a démontré qu'une flotte rigide ne peut pas faire face à la nature fluide du trafic urbain ; la capacité de basculer entre les types de véhicules en fonction des conditions en temps réel est cruciale pour maintenir l'efficacité.
En outre, les chercheurs ont comparé leur nouvel algorithme à plusieurs méthodes existantes, y compris les algorithmes génétiques standards et d'autres techniques de recherche. Leur nouvelle méthode, qui combine une recherche à grand voisinage avec un processus de recuit simulé, a systématiquement trouvé de meilleures solutions. Elle s'est avérée particulièrement efficace pour échapper aux pièges locaux — des situations où un itinéraire semble bon mais est loin d'être le meilleur résultat possible — en acceptant occasionnellement des itinéraires légèrement moins bons pour explorer de nouvelles possibilités. Dans des tests impliquant jusqu'à cent clients, le nouvel algorithme a trouvé les itinéraires les moins coûteux dans chaque cas, surpassant les autres méthodes par une marge notable. L'étude suggère que pour les entreprises logistiques visant à devenir vertes sans sacrifier la fiabilité, la réponse ne réside pas dans une technologie unique, mais dans un mélange intelligent et adaptatif de technologies. En comprenant la nature spécifique et changeante du trafic et en l'appariant avec le bon mélange de véhicules électriques et à carburant, les villes peuvent tendre vers un avenir où la distribution de la chaîne du froid est à la fois respectueuse de l'environnement et économiquement viable.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.