💻 computer science

Resilient Supply Chain Optimisation under Geopolitical Disruptions: A Preference-Guided NSGA-II Approach for Multi-Criteria Decision Support

Cet article propose un cadre NSGA-II guidé par les préférences, intégrant TOPSIS et VIKOR, pour optimiser les décisions de chaîne d'approvisionnement multi-objectifs sous des perturbations géopolitiques, démontrant une performance supérieure dans l'équilibre entre le coût, la continuité du service et la résilience par rapport à cinq algorithmes de référence dans des scénarios de logistique humanitaire.

Auteurs originaux : Mahmoud M.Ibrahim, Ismail M. Ali, Shereen Zaki, Amal F. Abdel-Gawad, Mahmoud M. Ismail

Publié 2026-08-04

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Mahmoud M.Ibrahim, Ismail M. Ali, Shereen Zaki, Amal F. Abdel-Gawad, Mahmoud M. Ismail

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

Imaginez que vous êtes le capitaine d'un immense navire de ravitaillement, mais au lieu de naviguer sur des océans calmes, vous naviguez sur une mer tempétueuse où la météo change toutes les heures. Parfois, les vagues sont douces, mais d'autres fois, une tempête géopolitique soudaine — comme une guerre, un blocus commercial ou une crise politique — peut freiner brutalement votre route, fermer vos ports ou faire disparaître votre cargaison. C'est le monde de la logistique humanitaire : la science consistant à acheminer la nourriture, les médicaments et les fournitances aux personnes dans le besoin quand tout s'effondre.

Autrefois, les capitaines (ou gestionnaires de chaînes d'approvisionnement) essayaient de trouver l'itinéraire le plus économique possible. Ils regardaient une carte et disaient : « Si nous prenons ce chemin, nous économisons le plus d'argent. » Mais dans une tempête, le chemin le moins cher est souvent le plus dangereux. Si un pont s'effondre ou qu'une route est bloquée, ce chemin bon marché devient une impasse, et les gens qui attendent de l'aide ne reçoivent rien. Ce document explore une manière plus intelligente de naviguer : au lieu de chercher simplement le chemin le moins cher, nous cherchons le chemin résilient. La résilience est comme l'amortisseur d'une voiture ; elle n'arrête pas les secousses, mais elle permet à la voiture de continuer à avancer même quand la route est terrible. Les chercheurs posent une question cruciale : comment équilibrer l'économie d'argent avec la garantie que les fournitures arriveront réellement, même lorsque le monde est chaotique ?

Le Problème : Le Piège du « Bon Marché »

Les auteurs de ce document, Mahmoud M. Ibrahim et son équipe, ont remarqué un problème délicat. Lorsque les ordinateurs tentent de planifier des chaînes d'approvisionnement, ils deviennent souvent obsédés par l'économie d'argent. Ils peuvent suggérer un plan qui semble excellent sur un tableur, mais qui s'effondre dès qu'une crise survient. Imaginez un service de livraison qui utilise un seul petit camion pour économiser sur l'essence. Si ce camion tombe en panne, ou si une route est fermée, toute la livraison échoue.

Dans le monde réel de l'aide humanitaire, un échec de livraison n'est pas qu'un simple inconvénient ; cela signifie que des personnes ne reçoivent ni nourriture ni médicaments. Le document soutient que nous devons cesser de traiter « l'économie d'argent » comme l'unique objectif. Au lieu de cela, nous devons jongler avec quatre objectifs différents simultanément :

Le Coût : Combien d'argent dépensons-nous ?
La Demande Non Satisfaite : Combien de personnes se retrouvent sans fournitures ?
Le Délai : Combien de temps faut-il pour arriver ?
La Résilience : Dans quelle mesure le plan survit-il si les choses tournent vraiment mal ?

Ces objectifs s'opposent souvent. Pour économiser de l'argent, vous pourriez utiliser moins de camions, mais cela augmente le risque de retard. Pour être super résilient, vous pourriez ouvrir de nombreux entrepôts, mais cela coûte une fortune.

La Solution : Un GPS « Guidé par les Préférences »

Pour résoudre cela, l'équipe a construit un nouveau programme informatique appelé PG-NSGA-II. Considérez ce programme comme un GPS super intelligent pour les chaînes d'approvisionnement. La plupart des applications GPS trouvent simplement l'itinéraire le plus rapide. Mais ce nouveau GPS est spécial car il écoute les préférences du conducteur.

Imaginez que vous conduisez pour aller à une fête. Vous dites au GPS : « Je me fiche de dépenser un peu plus en essence, mais je veux vraiment m'assurer d'arriver à l'heure, même s'il pleut. » Le GPS ignore alors les routes secondaires très peu chères mais risquées et se concentre sur les itinéraires qui vous garantissent sécurité et ponctualité.

Les chercheurs ont donné un ensemble d'instructions similaires à leur programme informatique. Ils lui ont dit : « Nous accordons la priorité absolue à la garantie que les gens reçoivent leurs fournitures (demande non satisfaite) et à la survie du système (résilience). Le coût est important, mais pas au point de laisser les gens mourir de faim. » Le programme utilise ensuite une méthode de recherche astucieuse pour trouver le « point d'équilibre » où vous obtenez le meilleur compromis entre ces objectifs. Il ne vous donne pas seulement une réponse ; il vous propose un menu d'options, allant de « Super Pas Cher mais Risqué » à « Super Sûr mais Coûteux », et met en évidence celles qui correspondent le mieux à la règle « sauver des vies d'abord ».

Ce Qu'Ils Ont Découvert : Le Juste Milieu Gagne

L'équipe a testé leur nouveau GPS par rapport à cinq autres méthodes de planification populaires en utilisant un scénario fictif mais réaliste inspiré des zones de conflit au Moyen-Orient. Ils ont créé trois différents « niveaux de catastrophe » :

Niveau 1 (S1) : Un problème contenu, comme une petite grève frontalière.
Niveau 2 (S2) : Une escalade modérée, comme des combats régionaux.
Niveau 3 (S3) : Un scénario de guerre sévère avec une demande énorme et des routes bloquées.

Ils ont lancé des simulations pour voir quelle méthode pouvait le mieux gérer ces tempêtes. Voici ce qu'ils ont découvert :

1. Le plan le plus « économique » est un piège
L'ancienne méthode qui cherche simplement à économiser de l'argent (appelée WSGA) a trouvé le plan le moins cher. Il coûtait environ 94 860 $. Mais quand la « tempête » a frappé, ce plan a lamentablement échoué. Il a laissé 238,40 tonnes de demande non satisfaite et présentait un score de « perte de résilience » élevé de 0,5126. En clair : il a économisé de l'argent sur le papier, mais en situation de crise, il a laissé des centaines de tonnes de fournitures bloquées.

2. La nouvelle méthode trouve la zone « Goldilocks » (le juste milieu)
La nouvelle méthode PG-NSGA-II a trouvé un plan qui coûte un peu plus cher — environ 102 850 $ — mais qui change la donne pour les personnes qui attendent de l'aide.

Elle a réduit la demande non satisfaite à seulement 121,60 tonnes (presque la moitié des autres méthodes).
Elle a abaissé la « perte de résilience » à 0,3189, ce qui signifie que le système est resté beaucoup plus stable lors de la crise.
Elle a amélioré la « satisfaction de la demande » à 68,11 %, ce qui signifie que plus de personnes ont reçu ce dont elles avaient besoin.

3. Le pouvoir de la « Décentralisation »
Les simulations ont montré un schéma clair : les meilleurs plans impliquaient l'ouverture de davantage de centres de distribution (entrepôts).

Le plan économique : N'ouvrait qu'1 entrepôt (Erbil). Lorsque la crise a frappé, il n'a pas pu supporter la charge.
Le meilleur plan : Ouvrait 2 ou 3 entrepôts (Erbil, Bagdad et Bassorah).
Les chercheurs ont découvert que l'ajout de ce deuxième entrepôt (Bagdad) était l'étape « magique ». Cela ne coûtait pas une fortune, mais cela améliorait considérablement la capacité de survie face à une crise. C'était comme avoir un moteur de secours sur un avion : on espère ne pas en avoir besoin, mais quand le premier moteur tombe en panne, il sauve la mise.

Le Verdict : Pourquoi C'est Important

Le document suggère que dans un monde rempli de tempêtes géopolitiques, essayer d'être le moins cher est une stratégie perdante. Les auteurs démontrent qu'en utilisant leur nouveau programme informatique « guidé par les préférences », les décideurs peuvent trouver un plan qui coûte un peu plus cher mais sauve beaucoup plus de vies.

Ils n'ont pas seulement deviné ; ils ont fait tourner les chiffres 30 fois avec différents points de départ aléatoires pour s'assurer que les résultats étaient solides. Ils ont même testé la résistance du plan si la « tempête » devenait pire que prévu. Les résultats étaient cohérents : la nouvelle méthode trouvait des solutions plus robustes, plus rapides et plus efficaces pour satisfaire la demande que les anciennes méthodes.

Le document conclut que pour l'aide humanitaire, nous devons cesser de demander « Quel est le moyen le moins cher ? » et commencer à demander « Quel est le moyen le plus fiable ? ». Ce nouvel outil aide les dirigeants à comprendre que dépenser un peu plus pour un entrepôt de secours n'est pas un gaspillage d'argent ; c'est une police d'assurance qui garantit que l'aide arrive, même quand le monde s'effondre.

Résumé technique : Optimisation de la résilience des chaînes d'approvisionnement face aux perturbations géopolitiques

Formulation du problème
L'article traite du défi de la conception de chaînes d'approvisionnement humanitaires dans des régions touchées par des conflits où les perturbations géopolitiques provoquent des restrictions de transport, des pertes de capacité des installations et des hausses de la demande. Le problème est formulé comme un modèle d'optimisation de réseau en nombres entiers mixtes basé sur des scénarios. Le réseau se compose d'un nœud d'approvisionnement unique, de centres de distribution (CD) candidats et de nœuds de demande. Les décisions impliquent l'activation stratégique d'installations (première étape) et l'allocation des flux opérationnels (deuxième étape) à travers plusieurs scénarios de perturbation.

Le modèle optimise simultanément quatre objectifs conflictuels :

Minimiser le coût total attendu : incluant le transport, l'activation des installations et les pénalités pour la demande non satisfaite.
Minimiser la demande non satisfaite attendue : pour améliorer la fiabilité du service.
Minimiser le retard de livraison pondéré par le flux attendu : pour réduire les charges temporelles.
Minimiser la perte de résilience : définie comme le complément du ratio moyen de satisfaction de la demande à travers les scénarios, mesurant la capacité du système à maintenir le service en cas de dégradation.

La formulation lie explicitement le coût, le déficit de service, le retard pondéré par le flux et la perte de résilience, traitant la perturbation non pas comme un événement déterministe unique, mais comme un problème de test de résistance (stress-testing) à travers différents niveaux de gravité (contenue, modérée et sévère).

Méthodologie
Pour résoudre ce problème multi-objectif, les auteurs proposent un algorithme génétique de tri non dominé guidé par les préférences (PG-NSGA-II). La méthodologie intègre trois couches :

Couche de données et de scénarios : Le système est évalué à travers de multiples scénarios de perturbation (S1–S3) avec des probabilités/poids variables. Chaque solution candidate est évaluée sous tous les scénarios pour capturer la robustesse.
Couche d'optimisation (PG-NSGA-II) :
- Codage et réparation : Les solutions sont codées sous forme de vecteurs à valeurs réelles représentant l'activation des installations et l'allocation des flux. Un mécanisme de réparation de faisabilité corrige activement les solutions infaisables (par exemple, en ajustant les flux pour respecter les capacités et les contraintes d'approvisionnement) plutôt que de les pénaliser.
- Recherche guidée par les préférences : Contrairement au NSGA-II standard, qui traite tous les fronts de Pareto de la même manière, le PG-NSGA-II intègre directement les préférences du décideur dans la recherche évolutive. Il utilise un mécanisme de pression de préférence adaptatif qui augmente progressivement l'influence d'un score de préférence au fil des générations.
- Mécanisme de notation : Un score de préférence robuste est calculé à l'aide d'une somme pondérée des objectifs normalisés. Crucialement, il incorpore un score de préférence robuste aux scénarios qui tient compte du comportement dans le pire scénario ( $\max_s \Phi_s(x)$ ), garantissant que la recherche se concentre sur des solutions qui performent bien même sous une perturbation sévère.
- Sélection : Une métrique de sélection hybride combine la distance de crowding (pour la diversité) et le score de préférence, permettant à l'algorithme de se concentrer sur les régions pertinentes pour la décision du front de Pareto tout en maintenant la diversité.
Couche d'aide à la décision : Post-optimisation, les solutions non dominées sont classées à l'aide de TOPSIS (Technique for Order of Preference by Similarity to Ideal Solution) et VIKOR (VlseKriterijumska Optimizacija I Kompromisno Resenje). Ces méthodes de prise de décision multicritères (MCDM) traduisent l'ensemble de Pareto en alternatives actionnables et classées sur la base des mêmes poids de préférence utilisés lors de la recherche.

Principales contributions
L'article identifie quatre contributions primaires :

Modélisation de la résilience basée sur des scénarios : Il cadre la perturbation géopolitique comme un problème de test de résistance par scénarios, liant explicitement le coût, le déficit de service, le retard et la perte de résilience, plutôt que de les traiter comme des facteurs déterministes isolés.
Recherche évolutive guidée par les préférences : Il développe un mécanisme PG-NSGA-II qui intègre les priorités du décideur (spécifiquement un profil orienté service privilégiant la demande non satisfaite et la résilience) dans le processus de recherche via une pression adaptative et une notation robuste aux scénarios. Cela répond aux limites des algorithmes standards qui peuvent gaspiller des ressources sur des solutions mathématiquement non dominées mais opérationnellement non pertinentes.
Cadre MCDM intégré : Il combine l'optimisation avec le classement par TOPSIS et VIKOR pour traduire les solutions non dominées en alternatives exploitables pour la logistique humanitaire.
Validation complète : L'étude inclut des analyses approfondies de sensibilité, statistiques (tests de Wilcoxon) et de scalabilité pour valider la robustesse de l'approche sous des préférences alternatives, des niveaux d'aversion au risque et des tailles de réseau différents.

Résultats et performance
Des expériences computationnelles ont été menées sur une étude de cas de chaîne d'approvisionnement humanitaire inspirée des conditions de conflit au Moyen-Orient, comparant le PG-NSGA-II à cinq références : WSGA (GA à somme pondérée), MOPSO, SPEA2, MOEA/D et le NSGA-II classique.

Supériorité du support à la décision : Le PG-NSGA-II a obtenu la meilleure performance globale de support à la décision. Bien que le WSGA ait produit le coût le plus bas, il a entraîné une demande non satisfaite, des retards de livraison et une perte de résilience nettement plus élevés.
Métriques opérationnelles : Le PG-NSGA-II a surpassé tous les benchmarks en termes de demande non satisfaite, de retard de livraison, de perte de résilience, de satisfaction de la demande, d'alignement des préférences et de qualité de classement TOPSIS.
Analyse des compromis : Les résultats ont démontré que les configurations à faible coût (par exemple, n'activer qu'un seul CD) sont fragiles sous une perturbation sévère. En revanche, le PG-NSGA-II a identifié des solutions de compromis (par exemple, activer deux CD) qui offrent des gains de résilience substantiels avec des augmentations de coûts modérées.
Test de résistance des scénarios : Le test de résistance a révélé que les solutions axées sur le coût se détériorent rapidement à mesure que la sévérité de la perturbation augmente, tandis que les stratégies décentralisées (plus de CD actifs) maintiennent une plus grande rétention de service.
Signification statistique : Les tests de rang signé de Wilcoxon par paires ont confirmé que les améliorations du PG-NSGA-II en matière de demande non satisfaite, de perte de résilience et de métriques de support à la décision étaient statistiquement significatives au seuil de 5 % par rapport aux benchmarks.

Signification et affirmations
L'article affirme que le cadre proposé apporte des contributions tant méthodologiques que pratiques pour l'optimisation de la résilience des chaînes d'approvisionnement dans des environnements à haut risque.

Méthodologiquement, il comble le fossé entre l'optimisation et l'aide à la décision en guidant la recherche évolutive vers les régions pertinentes pour la décision plutôt qu'en générant un front de Pareto large et souvent inutilisable. Il démontre que l'intégration de la guidance par préférence et de la robustesse aux scénarios produit des solutions qui ne sont pas seulement mathématiquement optimales, mais aussi opérationnellement viables.
Pratiquement, l'étude soutient que dans la logistique humanitaire, le plan au coût le plus bas est souvent inapproprié en cas de perturbation. Le cadre permet aux décideurs de visualiser le « coût marginal de la résilience », montrant comment des investissements modérés dans la capacité de distribution (par exemple, l'ouverture de hubs régionaux supplémentaires) peuvent considérablement réduire la demande non satisfaite et la perte de service lors de crises géopolitiques. L'inclusion du classement MCDM permet aux parties prenantes de justifier ces investissements en liant des décisions de réseau spécifiques à des améliorations mesurables de la continuité du service sous des scénarios sévères.

Les auteurs concluent que les cadres de support à la décision robustes dans les chaînes d'approvisionnement perturbées doivent aller au-delà de la minimisation des coûts pour équilibrer explicitement la continuité du service et la résilience, une capacité que leur approche guidée par les préférences facilite.

Le Problème : Le Piège du « Bon Marché »

La Solution : Un GPS « Guidé par les Préférences »

Ce Qu'Ils Ont Découvert : Le Juste Milieu Gagne

Le Verdict : Pourquoi C'est Important

Articles similaires