Le succès dans l'utilisation de méthodes exactes d’optimisation combinatoire pour des problèmes de grande taille est encore limité à certains problèmes ou à des classes spécifiques d'instances de problèmes. Une approche alternative consiste soit à utiliser des métaheuristiques ou des matheuristiques qui reposent en partie sur des méthodes exactes. Dans le contexte de l'optimisation combinatoire, nous nous intéressons des heuristiques permettant de choisir les heuristiques appliquées au problème traité. Dans cette thèse, nous nous concentrons sur l'optimisation à l’aide d’hyperheuristiques pour des problèmes logistiques. Nous proposons un cadre hyperheuristique qui effectue une recherche dans l'espace des algorithmes heuristiques et apprend comment changer l'heuristique courante systématiquement tout au long du processus de telle sorte qu'une bonne séquence d'heuristiques permet d’obtenir des solutions de haute qualité. Nous étudions plus particulièrement deux problèmes en logistique pour lesquels nous proposons des HHs: un problème de planification d’interventions sur des puits de forage et un problème conjoint de localisation de hubs et de routage. Ensuite, nous comparons les performances de plusieurs HH décrites dans la littérature pour le second problème abordé reposant sur différentes méthodes de sélection heuristique telles que la sélection aléatoire, la fonction de choix, une approche de Q-Learning et un algorithme de colonie de fourmis. Les résultats numériques prouvent l'efficacité de HHs pour les deux problèmes traités, et la pertinence d'inclure l'information venant d’une relaxation de Lagrangienne pour le deuxième problème. / Success in using exact methods for large scale combinatorial optimization is still limited to certain problems or to specific classes of instances of problems. The alternative way is either using metaheuristics or matheuristics that rely on exact methods in some ways. In the context of combinatorial optimization, we are interested in heuristics to choose heuristics invoked to solve the addressed problem. In this thesis, we focus on hyperheuristic optimization in logistic problems. We focus on proposing a hyperheuristic framework that carries out a search in the space of heuristic algorithms and learns how to change the incumbent heuristic in a systematic way along the process in such a way that a good sequence of heuristics produces high quality solutions. We propose HHs for two problems in logistics: the workover rig scheduling problem and the hub location routing problem. Then, we compare the performances of several HHs described in the literature for the latter problem, which embed different heuristic selection methods such as a random selection, a choice function, a Q-Learning approach, and an ant colony based algorithm. The computational results prove the efficiency of HHs for the two problems in hand, and the relevance of including Lagrangian relaxation information for the second problem.

[pt] A relação entre as atividades logísticas desempenhadas nas empresas de telecomunicações e sua prestação de serviço parece, para o público em geral, estarem desassociadas. Entretanto, a necessidade de atendimento de áreas extensas associadas a redução custos, coloca essas atividades, ditas não-essenciais, no grupo de atividades estratégicas. Através da introdução do ambiente de telecomunicações brasileiro, da importância da logística para este serviço e do estudo de problemas de localização, a presente dissertação de mestrado desenvolve um modelo MIP - Mix Integer Programming – dinâmico para o problema de localização de hubs conhecido como: ULP - Uncapacitated Hub Location Problem, sendo este modelo utilizado na análise de um estudo de caso real de uma operadora de serviços de telecomunicações via satélite, onde foram obtidos insights quanto o nível de redução de custo através do redesenho da rede de distribuição e da escolha de novos pontos de armazenagem, sendo comprovados através um estudo estocástico com 500 cenários aleatórios. / [en] The relationship between logistics activities performed on telecommunications companies and their service delivery seems, to the public, is disassociated. However, the need to service large areas associated with reducing costs, puts these activities nonessential into to the group of strategic activities. Through the introduction of the Brazilian telecommunications environment, the importance of logistics for this service and the study location problems, this master thesis develops a dynamic MIP model - Mix Integer Programming - for the hub location problem known as ULP - Uncapacitated Hub Location Problem, and this model is used in the analysis of a real case study of an satellite telecommunications operator. which were obtained insights into the level of reducing cost by redesigning of distribution network and the choice of new warehouse points, being demonstrated by a stochastic study of 500 random scenarios.

Le besoin grandissant pour une planification urbaine plus durable et pour des interventions publiques visant à l'amélioration du bien-être collectif, ont grandement contribué à un engouement pour les espaces verts. Les parcs sont reconnus pour leur impact positif en zone urbaine dense, et nous sommes intéressés par l'application des concepts théoriques du domaine de la recherche opérationnelle pour assister les décideurs publics afin d'améliorer l'accessibilité, la distribution et la conception des parcs. Étant donné le contexte, nous sommes particulièrement motivés par le concept d'équité, et étudions le comportement des usagers des parcs à l'aide d'un modèle d'interaction spatiale, tel qu'appliqué dans les problèmes d'emplacement d'installations dans un marché compétitif. Dans cette recherche, nous présentons un modèle d'emplacement d'installations à deux étapes pouvant être adapté pour assister les décideurs publics à l'échelle de la ville. Nous étudions spécifiquement l'application aux espaces verts urbains, mais soulignons que des extensions du modèle peuvent permettre d'aborder d'autres problèmes d'emplacements d'installations sujets à des enjeux d'équité. La première étape de notre problème d'optimisation a pour but d'évaluer l'allocation la plus équitable du budget de la ville aux arrondissements, basé sur une somme du budget pondérée par des facteurs d'équité. Dans la deuxième étape du modèle, nous cherchons l'emplacement et la conception optimale des parcs, et l'objectif consiste à maximiser la probabilité totale que les individus visitent les parcs. Étant donné la non-linéarité de la fonction objective, nous appliquons une méthode de linéarisation et obtenons un modèle de programmation linéaire mixte en nombres entiers, pouvant être résolu avec des solveurs standards. Nous introduisons aussi une méthode de regroupement pour réduire la taille du problème, et ainsi trouver des solutions quasi optimales dans un délai raisonnable. Le modèle est testé à l'aide de l'étude de cas de la ville de Montréal, Canada, et nous présentons une analyse comparative des résultats afin de justifier la performance de notre modèle. / The recent promotion of sustainable urban planning combined with a growing need for public interventions to improve well-being and health in dense urban areas have led to an increased collective interest for green spaces. Parks have proven a wide range of benefits in urban areas, and we are interested in the application of theoretical concepts from the field of Operations Research to assist decision-makers to improve parks' accessibility, distribution and design. Given the context of public decision-making, we are particularly concerned with the concept of fairness, and are focused on an advanced assessment of users' behavior using a spatial interaction model (SIM) as in competitive facility locations' frameworks. In this research, we present a two-stage fair facility location and design (2SFFLD) model, which serves as a template model to assist public decision-makers at the city-level for the urban green spaces (UGSs) planning. We study the application of the 2SFFLD model to UGSs, but emphasize the potential extension to other applications to location problems concerned with fairness and equity. The first-stage of the optimization problem is about the optimal budget allocation based on a total fair-weighted budget formula. The second-stage seeks the optimal location and design of parks, and the objective consists of maximizing the total expected probability of individuals visiting parks. Given the non-linearity of the objective function, we apply a ``Method-based Linearization'' and obtain a mixed-integer linear program that can be solved with standard solvers. We further introduce a clustering method to reduce the size of the problem and determine a close to optimal solution within reasonable time constraints. The model is tested using the case study of the city of Montreal, Canada, and comparative results are discussed in detail to justify the performance of the model.

No description available.

Dans des régions avec beaucoup d'électricité renouvelable, comme le Québec, une augmentation du nombre de Véhicules Électriques (VE) peut réduire les gaz à effet de serre. Par contre, l'autonomie réduite des VE et la présence limitée d'infrastructure publique pour recharger les véhicules peuvent contribuer à un phénomène nommé anxiété de l'autonomie, où les usagers n'achètent pas des VE par peur qu'ils tombent en panne. On peut alors planifier l'emplacement de l'infrastructure publique de recharge de manière stratégique pour combattre cet effet, menant alors à un taux d'adoption plus élevé pour les VE. En utilisant des modèles de choix discret, nous incorporons des modèles économétriques de demande avancés capturant les préférences hétérogènes des usagers à l'intérieur de l'optimisation. En particulier, comme nous le démontrerons, ceci permet l'inclusion de nouveaux facteurs importants, tels qu'une disponibilité de la recharge à domicile et des effets de distance plus granulaire. Par contre, la méthodologie existante pour ce processus crée un modèle de programmation linéaire mixte en nombres entiers qui ne peut pas être résolue, même pour des instances de taille modeste. Nous développons alors une reformulation efficace en problème de couverture maximum qui, comme nous le démontrerons, permet une amélioration de plusieurs ordres de magnitude pour le temps de calcul. Bien que cette reformulation dans un problème de couverture maximum améliore grandement la capacité à résoudre le modèle, celui-ci demeure difficile à résoudre pour des problèmes de grandes tailles, nécessitant des heuristiques pour obtenir des solutions de haute qualité. Nous développons alors deux méthodes de décomposition de Benders spécialisées pour cette application. La première est une méthode de décomposition de Benders accélérée, qui se spécialise à réduire l'écart d'optimalité et à la résolution de problèmes de petite taille ou de taille modeste. La deuxième approche rajoute un branchement local à la méthode de décomposition de Benders accélérée, qui sacrifie de l'efficacité lors de la résolution de problèmes de plus petite taille pour une capacité augmentée afin d'obtenir des solutions réalisables de haute qualité. Finalement, nous présentons une méthode pour dériver des valeurs de paramètres autrement difficiles à obtenir pour le modèle de choix discrets dans le modèle d'optimisation. Ces paramètres dictent les effets de l'infrastructure publique de recharge sur l'adoption des VE. Pour ce processus, nous regardons les facteurs qui encouragent les usagers courants des VE à utiliser l'infrastructure existante. De manière plus précise, nous utilisons des données de recharge réelles de la ville de Montréal (Québec) pour estimer les impacts des caractéristiques des stations, tels que la distance des usagers, le nombre de bornes de recharge, et les installations à proximité. Différents types d'infrastructure sont considérés, de manière parallèle avec des modèles de choix discrets qui peuvent tenir compte de plusieurs observations pour chaque individu. Les contributions de cette thèse sont plus générales que simplement l'adoption de VE, étant applicable, par exemple, au problème de capture maximum, au problème de couverture maximum à multiples périodes, et à la prédiction de la station de recharge choisie par les conducteurs de VE. / In areas with large amounts of clean renewable electricity, such as Quebec, an increase to the number of electric vehicles (EVs) can reduce greenhouse gas emissions. However, the reduced range of EVs and the limited public charging infrastructure can contribute to a phenomenon known as range anxiety, where users do not purchase EVs out of concern they run out of charge while driving. We can strategically optimise the placement of public EV charging infrastructure to combat this effect, thus leading to increased EV adoption. By utilising discrete choice models, we incorporate advanced econometric demand models capturing heterogeneous user preferences within the optimisation framework. In particular, as we demonstrate, this allows for the inclusion of new, important attributes, such as a more granular home charging availability and a continuous degradation of quality based on the distance. However, existing methodologies for this optimisation framework result in a mixed-integer linear program which cannot be solved for even moderately sized instances. We thus develop an efficient reformulation into a maximum covering location problem which, as we show experimentally, allows for multiple orders of magnitude of improved solving time. While the reformulation into a maximum covering location problem greatly improves the solving capabilities for the model, it remains intractable for large-scale instances, relying on heuristics to obtain high-quality solutions. As such, we then develop two specialised Benders decomposition methods for this application. The first is an accelerated branch-and-Benders-cut method, which excels at solving small or medium-scale instances and at decreasing the optimality gap. The second approach incorporates a local branching scheme to the accelerated branch-and-Benders-cut method, which sacrifices some efficiency in solving smaller instances for an increased ability to obtain high-quality feasible solutions. Finally, we discuss a method for deriving difficult-to-obtain parameter values of the discrete choice model in the optimisation framework. These parameter values dictate the effects of the public charging infrastructure on EV adoption and, as such, play a crucial role in the optimisation model. For this process, we investigate the attributes that encourage current EV owners to utilise existing infrastructure. More specifically, we use real charging session data from the city of Montreal (Quebec) to determine the impacts of station characteristics such as the distance to the users, the number of outlets, and the nearby amenities. Different types of charging infrastructure are considered alongside discrete choice models which take into account multiple observations from individual users. The contributions of this thesis lie more broadly than simply EV adoption, being applicable to, e.g., the maximum capture problem, the multi-period maximum covering location problem, and the prediction of the charging station selected by EV drivers.