Introduction à l'optimisation multi-objectifs dans le transport intelligent

Les approches traditionnelles à objectif unique sont souvent insuffisantes parce qu'elles ignorent les compromis inhérents entre des objectifs concurrents tels que le temps de déplacement, les émissions, les coûts, la sécurité et le confort des utilisateurs. L'optimisation multi-objectifs fournit un cadre systématique pour répondre simultanément à ces demandes contradictoires. En générant un ensemble de solutions pareto-optimales, les ingénieurs et les planificateurs peuvent évaluer les compromis et sélectionner des conceptions qui s'harmonisent avec les priorités actuelles.

Les systèmes de transport intelligents intègrent des capteurs, des données en temps réel, des réseaux de communication et des contrôles adaptatifs pour améliorer la mobilité, réduire la congestion et améliorer la sécurité. La complexité de ces systèmes en fait des candidats idéaux pour l'optimisation multi-objectifs, où l'objectif n'est pas une réponse unique mais une gamme de solutions viables qui équilibrent plusieurs mesures de performance.

Comprendre l'optimisation multi-objectif

L'optimisation multi-objectifs (MOO) fait référence à l'optimisation simultanée de deux ou plusieurs fonctions objectives qui sont généralement en conflit les unes avec les autres. Contrairement à l'optimisation mono-objectifs, qui cherche une solution unique optimale, MOO produit un ensemble de solutions de compromis connu sous le nom de front Pareto. Chaque solution sur ce front est Pareto-optimale, ce qui signifie qu'aucun objectif ne peut être amélioré sans dégrader au moins un autre objectif.

Concepts fondamentaux et terminologie

  • Pareto Dominance:[ Une solution domine une autre si elle est au moins aussi bonne dans tous les objectifs et strictement meilleure dans au moins un. L'ensemble de solutions non dominées forme le front Pareto.
  • Pareto Front: La collection de toutes les solutions Pareto-optimales. En pratique, les algorithmes approximent ce front lorsque le front vrai est inconnu ou calculable cher à calculer.
  • Analyse des avantages commerciaux :[ Examiner comment les améliorations apportées à un objectif se font au détriment d'autres. Par exemple, réduire le temps de déplacement peut augmenter la consommation de carburant ou le coût de l'infrastructure.
  • Décision: Après avoir généré le front Pareto, les intervenants appliquent des préférences ou des poids pour choisir une solution unique pour la mise en œuvre.Cette étape implique souvent des techniques telles que l'analyse de décision multicritères (AMC).
  • Fonctions objectives:[ Les expressions mathématiques qui quantifient chaque objectif, comme le temps total de déplacement (minimisation), les émissions de CO2 (minimisation), ou la résilience du réseau (maximisation).

Pourquoi l'optimisation multi-objectifs est importante pour les transports

Un projet d'agrandissement de la route pourrait réduire la congestion, mais accroître la pollution atmosphérique et déplacer les collectivités. Une nouvelle ligne de transit pourrait améliorer l'accessibilité, mais nécessiter des investissements en capital élevés. L'optimisation à objectif unique serait absente de ces compromis, ce qui pourrait conduire à des solutions qui sont peu optimales dans une perspective plus large. L'optimisation multi-objectifs oblige les planificateurs à examiner et documenter explicitement ces conflits, ce qui permettrait une prise de décision plus transparente et plus responsable.

De plus, les systèmes de transport intelligents sont des environnements riches en données. Le trafic en temps réel, les capteurs de qualité de l'air, les trajectoires GPS et les rapports d'incidents fournissent des entrées haute résolution qui peuvent alimenter directement les modèles d'optimisation.

Le rôle de l'infrastructure de transport intelligente

L'infrastructure de transport intelligente se réfère à l'intégration de la technologie numérique, des capteurs, des réseaux de communication et de l'automatisation dans les moyens de transport physique.Par exemple, les signaux de circulation adaptatifs, les bosses de vitesse intelligentes, les corridors de véhicules connectés, les systèmes de collecte électronique de péage et les affichages d'informations en temps réel sur le transit, qui génèrent et consomment continuellement des données, créant des possibilités d'optimisation dynamique qui n'étaient pas possibles avec l'infrastructure statique.

La caractéristique clé de l'infrastructure intelligente est sa capacité d'adaptation. Les signaux de trafic adaptatif changent les schémas de temps en fonction de la demande en temps réel. Les systèmes dynamiques de gestion des voies inversent les directions de voie pendant les heures de pointe. Les systèmes de tarification de la congestion adaptent les péages en fonction des niveaux de trafic. Chacune de ces adaptations implique des compromis entre les différents objectifs : efficacité de la mobilité, production de revenus, qualité de l'air, équité entre les groupes de revenus et sécurité pour les usagers vulnérables de la route.

Que ce soit pour planifier un nouveau corridor de transport rapide en autobus ou pour mettre à jour les plans de synchronisation des signaux de circulation pour un réseau de centres-ville, les décisions d'infrastructures intelligentes bénéficient d'un cadre multi-objectifs, car aucune mesure ne saisit la performance globale du système.

Formuler des problèmes multi-objectifs dans la conception du transport

L'application de l'optimisation multi-objectifs à l'infrastructure de transport commence par une formulation minutieuse des problèmes, qui consiste à identifier les objectifs, les contraintes et les variables de décision pertinentes, et à les encoder dans un modèle mathématique.

Objectifs communs dans le domaine des transports intelligents

  • Temps de déplacement et délai :[ Minimiser la durée moyenne ou totale de déplacement pour tous les utilisateurs, souvent mesurée en heures-véhicule ou en heures-personnes.
  • Émissions et qualité de l'air:[ Réduction des polluants tels que le CO2, les NOx et les particules, souvent modélisés en fonction de la vitesse du véhicule, de l'accélération et du temps de ralenti.
  • Coût opérationnel:[ Minimiser les coûts combinés de construction, d'entretien, d'énergie et de main-d'oeuvre.
  • Risque de sécurité et de collision:[ Minimiser le nombre ou la gravité des collisions. Des mesures de substitution telles que les conflits ou les quasi-incidents sont utilisées lorsque les données de collision sont rares.
  • Équité et accessibilité:[ S'assurer que les avantages liés au transport sont répartis équitablement entre les régions géographiques, les groupes de revenus et les données démographiques, ce qui peut être quantifié à l'aide des coefficients de Gini ou des indices d'accessibilité.
  • Resilience et fiabilité:[ Maximiser la capacité du système à absorber et à récupérer des perturbations, telles que des événements météorologiques, des accidents ou des cyberattaques.
  • Satisfaction et confort de l'utilisateur:[ Capturer des facteurs subjectifs tels que le confort de la conduite, le temps d'attente et les niveaux de foule.

Cadres mathématiques

Un problème d'optimisation typique multi-objectifs pour le transport peut être exprimé comme suit:

Minimiser (ou maximiser) F(x) = [f1(x), f2(x), ..., fk(x)] sous réserve de contraintes gj(x) ≤ 0, hl(x) = 0, et limites x .X, où x est le vecteur des variables de décision, fi sont les fonctions objectives, et gj et hl sont des contraintes d'inégalité et d'égalité.

La manutention des contraintes est essentielle.Les problèmes réels de transport comprennent les contraintes physiques (p. ex. capacité maximale de la route), les limites budgétaires, les exigences de la politique (p. ex. niveau minimal de service) et les règles opérationnelles (p. ex. longueur maximale du cycle pour les signaux).

Algorithmes et techniques d'optimisation

Pour résoudre les problèmes d'optimisation multi-objectifs dans le transport, il faut généralement des algorithmes métaeuristes basés sur la population, car les fonctions objectives sont souvent non linéaires, non convexes et calculables et coûteuses à évaluer.

Algorithmes génétiques et méthodes évolutionnaires

Les algorithmes génétiques (GA) sont parmi les outils les plus utilisés pour l'optimisation multi-objectifs du transport. Ils imitent la sélection naturelle en évoluant sur plusieurs générations. L'algorithme génétique de tri non dominé (NSGA-II) et ses variantes sont particulièrement populaires car ils maintiennent efficacement la diversité le long du front de Pareto tout en se rapprochant vers des régions optimales.

Dans les applications de transport, chaque chromosome de l'AG pourrait coder les décalages de temps des signaux, les scissions vertes ou les configurations d'attribution des voies. L'aptitude de chaque solution est évaluée à l'aide de modèles de simulation qui calculent les temps de déplacement, les émissions et d'autres paramètres. Cette approche a été appliquée avec succès à la coordination des signaux urbains de circulation, à la conception du réseau de transport et au placement des stations de recharge des véhicules électriques.

Optimisation du swarm des particules

PSO propose un essaim de particules qui se déplacent dans l'espace de solution, en ajustant leurs positions en fonction de leur propre solution la plus connue et de la solution la plus connue de l'essaim. Les versions multi-objectifs de PSO, comme MOPSO, utilisent une archive externe pour stocker des solutions non dominées et un mécanisme de sélection de leader pour guider l'essaim vers diverses régions du front Pareto.

Le PSO est particulièrement efficace pour les problèmes avec des variables de décision continue, comme l'accordage des décalages de signal de circulation ou l'optimisation des taux de mesure de rampe d'autoroute. Il tend à converger plus rapidement que les algorithmes génétiques pour certaines classes de problèmes, bien qu'il puisse lutter avec des espaces fortement restreints ou combinatoires.

Approches fondées sur la pareto et la décomposition

Au-delà des GA et des PSO, plusieurs autres paradigmes sont utilisés dans la pratique. La Stratégie d'évolution archivée de Pareto (PAES) et l'Algorithme évolutif de Strength Pareto (SPEA2) sont des alternatives bien établies qui utilisent différents mécanismes pour maintenir la diversité et stocker des solutions non dominées. Les méthodes basées sur la décomposition, comme MOEA/D, décomposent le problème multi-objectifs en un ensemble de sous-problèmes mono-objectifs utilisant des vecteurs de poids et les optimisent simultanément. MOEA/D est particulièrement efficace pour les problèmes avec de nombreux objectifs (quatre ou plus), où les méthodes basées sur Pareto peuvent lutter avec la dimensionnalité.

Les approches hybrides qui combinent métaheuristique et recherche locale ou méthodes exactes gagnent également en traction. Par exemple, un algorithme génétique peut générer des solutions candidates qui sont ensuite affinées à l'aide d'une méthode basée sur gradient pour les variables continues. Ces hybrides exploitent la capacité d'exploration globale des GA et la capacité de raffinement locale des méthodes exactes, souvent en obtenant une meilleure convergence et diversité.

Études de cas et applications du monde réel

Les bases théoriques de l'optimisation multi-objectifs ont été appliquées dans un large éventail de domaines de transport. Les études de cas suivantes illustrent comment ces méthodes offrent une valeur pratique dans les projets d'infrastructure intelligente du monde réel.

Contrôle des signaux de circulation urbaine

Une ville au réseau dense du centre-ville voulait réduire la congestion et améliorer la sécurité des piétons sans augmenter les émissions. Le problème multi-objectifs consistait à optimiser la longueur du cycle, les scissions vertes et les compensations sur 45 intersections signalées. Les objectifs comprenaient de réduire le temps d'attente total des véhicules, de réduire le temps d'attente des piétons aux passages croisés et de réduire les émissions de CO2.

Le front Pareto a montré que la réduction du délai de 20 % pouvait être atteinte, mais que le temps d'attente des piétons augmenterait de 15 % et les émissions de 8 %. Les décideurs ont choisi une solution qui a permis d'équilibrer ces compromis en fonction des objectifs de durabilité de la ville. Après la mise en oeuvre, les mesures sur le terrain ont montré une réduction moyenne de 12 % du temps de déplacement et de 9 % des émissions, tandis que les temps d'attente des piétons n'ont augmenté que de 6 % par rapport au niveau de référence.

Conception du réseau de transport en commun

Une autorité régionale de transport en commun a cherché à remanier son réseau d'autobus pour accroître le nombre de passagers, tout en contrôlant les coûts d'exploitation et en maintenant l'équité de service dans les quartiers. L'objectif était de maximiser le nombre de passagers desservis, de réduire au minimum le nombre total de kilomètres parcourus par les véhicules et de réduire au minimum le temps de déplacement maximum des usagers dans les zones à faible revenu.

L'optimisation a utilisé SPEA2, qui a généré un ensemble de configurations réseau non dominées. Une solution a augmenté le nombre de coureurs prévu de 22 % avec une augmentation de 10 % des coûts d'exploitation, tandis qu'une autre a obtenu une augmentation de 15 % du nombre de coureurs avec une augmentation de zéro coût mais un peu plus de temps de déplacement pour certaines routes suburbaines.

Planification de l'infrastructure de recharge des véhicules électriques

Une étude multi-objectifs pour une ville de taille moyenne a examiné trois objectifs : réduire la distance moyenne entre une résidence et la station de recharge la plus proche, réduire le coût total d'installation et réduire la charge maximale sur le réseau électrique.

L'optimisation a permis de faire appel au modèle MOEA/D avec un système d'information géographique détaillé (SIG) de la ville. Le front Pareto a révélé que pour atteindre une distance moyenne de moins de 1,5 km, il faudrait au moins 120 stations et pousser la charge de pointe du réseau au-dessus de 30 % de la capacité actuelle, à moins que des contrôles de charge intelligents ne soient mis en place. La ville a utilisé ces résultats pour obtenir le financement nécessaire à un déploiement échelonné, en commençant par 40 stations dans la première phase et en intégrant le stockage de batterie pour gérer la demande du réseau.

Avantages et défis

L'optimisation multi-objectifs offre des avantages substantiels pour la conception intelligente du transport, mais les praticiens doivent parcourir plusieurs défis pour réaliser son plein potentiel.

Principaux avantages

  • Visibilité globale des échanges : Les décideurs voient toute la gamme des compromis possibles, évitant ainsi les biais cachés vers un objectif unique.
  • Transparence accrue : Le front Pareto fournit un bilan clair des compromis envisagés et des raisons pour lesquelles une solution particulière a été choisie.
  • Flexibilité : Au fil du temps, les planificateurs peuvent revoir le front de Pareto et choisir une solution différente sans ré-exécuter l'optimisation complète.
  • Décisions fondées sur les données : L'optimisation multi-objectifs permet d'optimiser pleinement les données disponibles, en produisant des solutions fondées sur des données empiriques plutôt que sur l'intuition seule.
  • Alignement sur les objectifs de durabilité : En incluant les objectifs environnementaux et d'équité aux mesures traditionnelles, le Ministère de l'environnement appuie des objectifs stratégiques plus larges comme la neutralité carbone et la justice sociale.

Principaux défis

  • Complexité informatique : Les problèmes de transport réels peuvent impliquer des milliers de variables décisionnelles et des évaluations coûteuses basées sur la simulation, ce qui rend l'optimisation longue.
  • Exigences en matière de données : Une évaluation objective précise exige des données de haute qualité sur les flux de trafic, les facteurs d'émission, les coûts et le comportement des utilisateurs.
  • Modélisation Incertitude : Les systèmes de transport sont stochastiques par nature. L'optimisation déterministe peut produire des solutions qui fonctionnent mal dans des conditions variables. Des variantes d'optimisation robustes et stochastiques sont nécessaires mais augmentent le fardeau de calcul.
  • Harmonisation des intervenants : Les différents intervenants peuvent avoir des préférences divergentes quant à l'importance relative des objectifs. La facilitation du processus et l'analyse des décisions à plusieurs critères sont nécessaires pour parvenir à un consensus.
  • Compétences insuffisantes : L'application efficace du MAO exige des compétences interdisciplinaires en optimisation, en génie des transports, en modélisation et en développement de logiciels.

Orientations futures et tendances émergentes

Le domaine de l'optimisation multi-objectifs pour le transport intelligent évolue rapidement. Plusieurs tendances vont probablement façonner sa trajectoire au cours de la prochaine décennie.

Intégration avec les données en temps réel et les jumeaux numériques

Les avancées dans l'Internet des objets (IoT), la communication 5G et l'informatique en nuage permettent des flux de données en temps réel qui peuvent alimenter directement les moteurs d'optimisation.Jumelles numériques € € Réplique virtuelle des systèmes de transport physique € € Autoriser pour l'optimisation continue des opérations.Un centre de gestion du trafic pourrait exécuter une optimisation multi-objectifs toutes les cinq minutes, ajustant les horaires de signal en fonction des conditions actuelles et de la demande prévue.

Apprentissage automatique et modélisation de substitution

Les modèles de substitution à l'apprentissage automatique peuvent approximativement les sorties de simulation avec une précision élevée et un coût beaucoup plus bas. Des techniques telles que la régression du processus gaussien, les réseaux neuronaux et les forêts aléatoires sont utilisées comme approximations rapides dans les boucles d'optimisation. Des stratégies d'apprentissage actif qui ajoutent de nouveaux points de simulation lorsque la substitution est incertaine peuvent maintenir la précision tout en réduisant considérablement le temps de calcul.

Optimisation de nombreux objectifs

Les méthodes multi-objectifs traditionnelles fonctionnent bien avec deux ou trois objectifs, mais se dégradent en qualité lorsque le nombre d'objectifs dépasse cinq ou six. L'optimisation de nombreux objectifs traite des problèmes ayant cinq objectifs ou plus, qui sont de plus en plus communs dans le domaine des transports, comme l'équité sociale, la résilience et les résultats en matière de santé sont ajoutés aux mesures traditionnelles.

Optimisation des ressources humaines dans la boucle et des interactions

Au lieu de générer un front Pareto et ensuite de demander aux décideurs de choisir, l'optimisation interactive implique l'utilisateur dans le processus de recherche. L'algorithme présente des solutions candidates, recueille les commentaires de l'utilisateur sur les préférences et utilise ces commentaires pour orienter la recherche. Cette approche réduit le fardeau computationnel de l'exploration de l'ensemble du front Pareto et aide à aligner les résultats sur les valeurs utilisateur difficiles à coder mathématiquement.

Conclusion

L'optimisation multi-objectifs est devenue un outil essentiel pour concevoir une infrastructure de transport intelligente qui équilibre l'efficacité, la durabilité, la sécurité et l'équité.En générant des cartes explicites de compromis sous la forme de Pareto fronts, ces méthodes permettent aux ingénieurs et aux planificateurs de prendre des décisions éclairées qui reflètent la complexité complète des systèmes de mobilité urbaine.

Du contrôle du signal de circulation à la conception du réseau de transport en commun et à l'infrastructure de recharge des véhicules électriques, les applications réelles démontrent que les approches multi-objectifs apportent simultanément des améliorations mesurables dans plusieurs dimensions de performance.

Les organisations qui investissent aujourd'hui dans des capacités d'optimisation multi-objectifs seront mieux placées pour créer une infrastructure qui non seulement est performante mais aussi résiliente, équitable et alignée sur les objectifs de durabilité à long terme. La collaboration continue entre les chercheurs, les praticiens et les décideurs est essentielle pour traduire ces capacités techniques en infrastructures qui servent efficacement tous les membres de la société.