rapport pfe ilyas bajda total

PROJET DE FIN D’ÉTUDES

Présenté en vue d’obtenir le

DIPLÔME D’INGÉNIEUR D’ÉTAT

En GÉNIE INDUSTRIEL Logistique Internationale

Par

Ilyas BAJDA

Optimisation de la distribution chez FOODIPEX

Les travaux relatifs au présent PFE ont été réalisés auprès de FOODIPEX,

Nouasseur Zone Technopole de L’Aéroport Mohammed V, Casablanca

Sous la direction de

(M. Anasse OURICH, M. Hossein TAZI et M. Mustapha AHLAQQACH.).

2015 -2016

Projet de fin d’Etudes-Diplôme d’Ingénieur d’Etat En Génie Industriel

Logistique Internationale


2

Mots clés : Capacité de stockage, Capacité de camion, Distribution, Optimisation, Planning de livraison,

Date limite de consommation, Modèle, contraintes

Résumé : C’est en planifiant parfaitement la distribution aval que seront réduits les gaspillages

d’utilisation des moyens de transport, ainsi que son coût d’exploitation. Une livraison doit donc

être organisée avec un modèle efficace et pratique, afin de permettre :

Une réduction des frais logistiques de la distribution

Une maximisation du taux d’occupation des camions

Une minimisation de la fréquence de livraison

Le respect des contraintes et des bonnes pratiques

L’augmentation de la satisfaction des restaurants McDonald’s

C’est dans cette optique que j’ai travaillée pendant ma période de stage au sein de FOODIPEX

sur l’optimisation de la distribution.

Ce projet s’est déroulé selon l’acheminement suivant, premièrement un état des lieux a permis

de fiabiliser les données : volume, tonnage, capacité de stockage, transaction…Ensuite, une

conception et une programmation du modèle adapté à FOODIPEX et à leurs contraintes pour

finir avec un planning optimal et une estimation des gains.




3

Key Words: Storage, truck capacity, distribution, Optimization, Supply Planning, Date for consumption,

Model, constraints

Abstract:

An effective organization of the delivery will reduce wastage in use of means of

transport as well as its operating costs. The distribution must be well planned with an

efficient and convenient Model to:

Reduce the cost of distribution

Maximize the trucks occupancy rate

Minimize delivery frequency

Respect Constraints and best practice

Increase restaurant satisfaction

It is in this light that I worked during my probationary period within FOODIPEX on

optimizing the distribution.

The targets have been achieved, starting with making data reliable: volume, tonnage,

storage capacity, transaction…then designing and programming a suitable model to

get an optimal planning with gains




4

Dédicace

À

À

À

À

À

À




5

Remerciements Je présente mes remerciements les plus sincères, ma gratitude et tout mon respect à M. Anasse

OURICH le Key Account-Manager, mon tuteur de stage pour m’avoir accordé toute sa

confiance pour le temps qu’il m’a consacré tout au long de cette période, sachant répondre à

toutes mes interrogations ; sans oublier sa participation au cheminement de ce rapport.

Je ne manque pas de remercier M. Mustapha AHLAQQACH mon encadrant ESITH, et le

responsable de la filière logistique à l’ESITH, pour sa disponibilité et son accompagnement.

Je tiens à présenter mes sincères remerciements à M. Hossein TAZI directeur général de

FOODIPEX qui m’a offert l’opportunité d’effectuer mon stage de fin d’études au sein de son

site, pour son encadrement, sa disponibilité, ses suivis et surtout ses conseils avisés et

bénéfiques.

Je tiens à remercier et à présenter ma profonde gratitude et immense respect aux personnes

suivantes, pour l’expérience enrichissante et pleine d’intérêt qu’elles m’ont fait vivre durant ma

période de stage au sein de l’entreprise. M. Hamza TAZI pour son aide et ses encouragements

quotidiens. Madame Nouzha BOUGHALEB responsable Qualité pour son soutien et

bienveillance. Madame Hanane FARISS qui a su m’aider et m’accompagner lors de la collecte

des données, ainsi que M. Rachid DAHIB, le responsable magasin et l’ensemble du personnel

de l’entrepôt (équipe de réception, équipe de préparations, caristes et manutentionnaires) pour

leur accueil sympathique et leur coopération professionnelle tout au long de cette période.

Mes remerciements vont aussi à toute personne avec lesquelles j’ai partagé mon quotidien à

FOODIPEX pour leur accueil chaleureux et leur soutien tout au long de ce stage.




6

Table des matières Mots clés : .................................................................................................................. 2

Résumé : .................................................................................................................... 2

Key Words: ................................................................................................................. 3

Abstract: ..................................................................................................................... 3

Dédicace ..................................................................................................................... 4

Remerciements .......................................................................................................... 5

I. Introduction Générale .......................................................................................... 8

II. Présentation de l’organisme d’accueil ................................................................. 9

1. Présentation du groupe MABYA ....................................................................... 9

2. Présentation de FOODIPEX ........................................................................ 10

a. Descriptif de l’entreprise ........................................................................... 10

b. Fiche signalétique .................................................................................... 11

c. Organigramme ......................................................................................... 11

III. Présentation du projet ....................................................................................... 12

1. Problématique ............................................................................................. 12

2. Déroulement du Projet ................................................................................. 13

IV. Revue de la littérature ....................................................................................... 14

1. Introduction .................................................................................................. 14

2. Système de planification Interactive ............................................................ 14

3. VRP et méthodes de résolution automatique .............................................. 15

4. Le Problème de tournées de véhicules périodique ...................................... 18

5. Langage VBA et fonction interactif .............................................................. 21

6. CATIAV5 ..................................................................................................... 21

V. Chapitre 1 : Collecte et fiabilisation des données d’entrée ................................ 22

1. Introduction .................................................................................................. 22

2. Transaction prévisionnel .............................................................................. 22

3. Capacité de stockage des Restaurants ....................................................... 23

a. Volume brut .............................................................................................. 23

b. Volume Net : ............................................................................................ 23

4. Capacité des moyens de transports ............................................................ 27




7

5. Relation volume-tonnage ............................................................................. 27

6. Système de gestion de stock de McDonald’s Maroc ................................... 29

VI. Chapitre 2 : Modèle d’optimisation Interactif ...................................................... 30

1. Introduction .................................................................................................. 30

2. Eléments d’entrée ........................................................................................ 30

3. Modèle d’optimisation .................................................................................. 31

4. Calcul de la quantité à livrer ........................................................................ 32

5. Calcul de la charge du camion .................................................................... 33

6. Calcul de la date limite de consommation ................................................... 34

VII. Chapitre 3 : Résolution du Problème de tournées de véhicules Périodique en

utilisant l’algorithme Génétique. ................................................................................ 36

1. Problème de tournées de véhicules Périodique .......................................... 36

2. Affectation de combinaisons de jours aux clients ........................................ 37

3. Extraction des clients à livrer pour chaque jour ........................................... 37

4. Application de la VRP aux clients choisis .................................................... 38

a. Population Initial : ..................................................................................... 38

b. Croisement ............................................................................................... 40

c. Mutation ................................................................................................... 41

5. Résultat ....................................................................................................... 42

VIII. Chapitre 4 : Optimisation et Gains ..................................................................... 43

1. Optimisation ................................................................................................ 43

2. Nivellement de la charge : ........................................................................... 46

3. Estimation des Gains .................................................................................. 48

Conclusion ................................................................................................................ 49

Liste de figures ......................................................................................................... 50

Liste des tableaux ..................................................................................................... 51

Liste des abréviations ............................................................................................... 52

Annexes .................................................................................................................... 53

Bibliographie ............................................................................................................. 64

Webographie ............................................................................................................ 65




8

I. Introduction Générale

Les enjeux économiques conduisent les transporteurs et industriels à calculer au plus juste leurs

coûts de transport avec un but clairement affiché : accroître la satisfaction des clients tout en

menant une stratégie de réduction des coûts logistiques.

Afin de piloter et optimiser le budget du transport aval qui représente une partie significative

du coût logistique total, il est important de planifier la livraison en prenant en considération les

différentes contraintes, et en concertation avec les parties prenantes.

La centrale de distribution FOUDIPEX a pour objectif principal la satisfaction des besoins et

des exigences des restaurants McDonald's au niveau national en matière de disponibilité et de

qualité tout en maitrisant les frais logistiques. Cela suppose une gestion optimale des ressources

humaines et matérielles.

C’est dans ce cadre que le présent travail qui s’inscrit dans une démarche d’amélioration intitulé

«Optimisation de la distribution chez FOODIPEX » est défini. Un modèle flexible est

développé pour mener ce projet vers un planning idéal.

Ce projet de fin d’études vient donc pour programmer la distribution aval en passant en premier

lieu par la collecte, et la fiabilisation des données requises, à savoir la relation qui existe entre

les transactions clients chez les restaurants McDonald’s et les différentes unités de mesure

FOODIPEX « tonnage et volume ». En second lieu, on proposera un modèle d’optimisation

adapté pour sortir avec un planning rentable qui respecte la quasi-totalité des contraintes.




9

II. Présentation de l’organisme d’accueil

1. Présentation du groupe MABYA

La holding MABYA compte parmi ses filiales un certain nombre de sociétés

commerciales, industrielles et de services Marocains. Le large éventail des domaines couverts

et la complémentarité des services offerts par les sociétés filiales de la holding MABYA

permettent à celle-ci de proposer à ses clients de véritables « packages » de service.

Le groupe MABYA se compose de six entreprises de logistique et de service : LOGISMAR,

MAROTRANS, BEDEL, Atlas Van Line, TRANSRIF et FOODIPEX et deux sociétés de

production alimentaire MBI et RFI. MAROCEAN s’occupe du ravitaillement des navires.

Figure 1:MABYA Holding

MABYA

Holding

Logistique

LOGISMAR

Plateforme

MAROTRANS

Transport

BEDEL

Transit

AVL

Transport National

Transrif

Transporteur

FOODIPEX

Logistique & Distribution McDonald's

Production Alimentaire

MBI

RFI

Commerce

MAROCEAN




10

2. Présentation de FOODIPEX

a. Descriptif de l’entreprise

La plateforme de distribution de Nouaceur FOODIPEX s’occupe de la gestion des achats, de

transport et de conservation des produits McDonald’s dans le respect de la chaine de froid et de

la qualité nutritionnelle et organoleptique des produits.

La préparation de la livraison commence par la réception de la commande du restaurant reçu

électroniquement. Cette dernière est intégrée au niveau du système d’information de la

plateforme de distribution. Les commandes sont ensuite transmises aux différents opérateurs

qui se chargent d’assembler les produits qui existent dans la zone ‘picking’ dans les différentes

zones de stockage, positive, négative ou sec.la centrale est auditée annuellement pour assurer

les bonnes pratiques qualités et le respect des exigences sociales conformément aux dispositions

de la loi marocaine et du code d’éthique de McDonald’s

Figure 2:Processus Général de FOODIPEX




11

b. Fiche signalétique

Forme juridique S.A.R.L

Date de création 1992

Activité Prestataire logistique

chiffre d'affaire Entre 100 et 500 MDH

Dirigeant M. Mohamed Ali Lamrani Karim Gérant

M. Hossein Tazi Directeur

Siège Social technopole de Nouasseur - aéroport - b.p.134 Nouasseur – 20240

Nouasseur

Effectif Entre 20 et 50

Principaux actionnaire MABYA GROUP

Téléphone 212-5 22 53 88 16/19

Fax 212-5 22 53 92 06 Tableau 1:Fiche signalétique de FOODIPEX

c. Organigramme

Figure 3:Organigramme de FOODIPEX

Hossein TAZI

Directeur

Driss LAMRANI

Responsable Opération

Rachid DAHIB

Responsable Entrepot

Equipe Magasin

Hanane FARISS

Responsable ADV

Equipe ADV

Hanane OUAZZANI

Direction Achat

Equipe Approvisionnement

Nouzha BOUGHALEB

Responsable Qualité

Youssef LAMRANI

Chargé de Mission

Karim AMHARECH

Responsable Informatique

Anasse OURICH

Key Account Manager




12

III. Présentation du projet

1. Problématique FOODIPEX gère sa distribution avec un planning normal hebdomadaire fixe dans la basse

saison et un autre planning été pour la haute saison. Vu que la demande est variable, il est fort

probable que ses camions seront soit en sous capacité quand les consommations sont faibles,

soit en surcapacité si c’est le contraire, dès lors il s’avère indispensable d’adapter le planning à

la demande, et spécifiquement aux transactions journalières chez les restaurants McDonald’s.

L’objectif est de minimiser le coût de la distribution, tout en maximisant l’occupation des

camions, en respectant les différentes contraintes à savoir :

La capacité de stockage des restaurants

Les fenêtres de livraisons

La capacité des camions

Le délai de consommation des produits

La classification des produits en Négatif/Positif/Sec

La disponibilité des camions

Ce qui nécessite un outil performant et pratique pour concevoir le planning prévisionnel

optimal.




13

2. Déroulement du Projet Le projet s’est effectué suivant un planning organisant de bout en bout son déroulement

donnant à chaque tache le juste temps qui faut grâce au professionnalisme de FOODIPEX et

aux efforts considérables de ses membres. Le projet est présenté avec le logiciel MS PROJECT

de la manière suivante :

Figure 4:Planning du Projet

Figure 5:Diagramme de Gantt




14

IV. Revue de la littérature

1. Introduction Le présent chapitre examinera la littérature pertinente au problème de la planification des

livraisons. Pour ce faire, il sera divisé en trois sections, la première sera consacrée à la résolution

interactive du problème de tournées de véhicules, par la suite, la deuxième section s'attardera

sur la description du problème de tournées de véhicules, ainsi que le problème de tournées de

véhicule périodique durant une période la troisième section s'attardera sur l’outil de

développement utilisé à savoir le langage VBA et CATIAV5

2. Système de planification Interactive

Plusieurs auteurs ont suggérés de rassembler les approches techniques et humaines dans la

planification pour améliorer l'ordonnancement dans la pratique. [1]

Wilson [2] confirme que la présence d'un moniteur humain est fondamentale à la performance

d’un outil d’optimisation hybride et interactive pour trois raisons :

Aucun System automatisé ne peut gérer toutes les anomalies du problème de

transport ou le changement de conditions de distribution

l'humain pourrait ne pas avoir une image mentale mise à jour de l'état actuel

du processus et même de perdre son modèle mental à long terme

Les systèmes Humain-ordinateur surpassent souvent l’humain et

l’intelligence artificielle d’un algorithme.

Wezel et al [1] proposent une terminologie plus rigoureuse et plus détaillée incluant les

applications interactives et détaillant les niveaux d'implications de l'humain et d'un algorithme

dans la réalisation d'une tâche d'optimisation.




15

Figure 6:Niveaux d'implication d'un humain dans Wezel et al [2011]

Le mode manuel où l'humain effectue toutes les activités de la tâche,

Le mode de contrôle mutuel où l'humain et l'algorithme coopèrent tous les deux à la

réalisation de la tâche. Deux sous-modes sont distingués :

Le mode consultatif (advisory) où l'humain suggère des solutions

complètes ou partielles et l'algorithme les examine et les évalue,

Le mode de supervision (supervisory) où l'algorithme propose des

solutions complètes ou partielles et l'humain les contrôle et les évalue.

Le mode interactif où l'humain et l'algorithme peuvent suggérer des solutions, et chaque

solution proposée est vérifié et évaluée par chacun d'entre eux,

Le mode automatique où l'algorithme réalise toutes les activités de la tâche.

3. VRP et méthodes de résolution automatique Le problème de routage de véhicules (Vehicule Routing Problem) VRP est un problème

d’optimisation combinatoire et de recherche opérationnelle. Il fait partie de la catégorie des

problèmes de transport, tout comme le problème du voyageur de commerce (Traveling

Salesman Problem,TSP). IL a été introduit pour la première fois par Dantzig et al [3] en 1954

Sous le nom de « Truck Dispatching Problem »

Dans sa version la plus basique dite Capacitated VRP ou VRP avec contrainte de capacité, des

clients sont desservis par une flotte de véhicules homogène opérant à partir d’un centre de

distribution unique. Chaque client doit être visité exactement une fois par un véhicule, et chaque

tournée doit débuter et se terminer au centre de distribution. Le problème consiste à attribuer à

chaque véhicule une séquence de clients à visiter de manière à minimiser la distance totale

parcourue tout en respectant les contraintes relatives à la durée des tournées et au chargement




16

des véhicules. On peut par exemple associer à chaque client une demande non négative et

imposer la contrainte que la demande totale des clients visités à l’intérieur d’une même tournée

soit inférieure ou égale à la capacité d’un véhicule. On peut également associer aux clients des

durées de visite et imposer la contrainte que la durée d’une tournée, définie comme la somme

des temps de visite et des temps de déplacement, soit inférieure ou égale à la durée d’une

journée de travail.

L’objectif du CVRP et de minimiser le coût total, c.-à-d. la somme des distances ou des temps

de parcours des tournées, tout en respectant la contrainte de capacité de véhicules

Il existe 3 variantes principales du VRP basique :

VRP avec contrainte de capacité

VRP avec fenêtre temporelles

VRP avec livraison/ramassage

VRP avec contrainte de distance maximal

Figure 7:Variantes de base du VRP avec contraintes de capacité

Dans le VRPTW, chaque client i dispose d’une fenêtre temporelle durant laquelle il peut être

livré. Tandis que dans le VRPPD, les véhicules effectuent un double service : la livraison des

clients ainsi que le ramassage de marchandises de ces derniers.

Plusieurs autres extensions sont possibles au problème de VRP. Nous pouvons citer notamment

: PVRP, PVRPTW, IRP, MDVRP et MDVRPTW [4]




17

Comme les autres problèmes d'optimisation combinatoire, le problème de routage de véhicules

a été étudié et résolu par des méthodes exactes, des heuristiques Spécifiques ainsi que par des

métaheuristiques. Ces trois familles correspondent à la classification générale des méthodes de

résolution Hao et al en 1999 [5]. Gendreau et Potvin en 2005 [6]

Figure 8:Classification des méthodes de résolution du VRP.

Les métaheuristiques peuvent être vues comme des heuristiques puissantes et évoluées dans

la mesure où elles sont généralisables à plusieurs problèmes d'optimisation. Les

métaheuristiques sont habituellement classées en fonction du nombre de solutions qu'elles

manipulent : les métaheuristiques à solution unique telles que la recherche Tabou et le recuit

simulé et les métaheuristiques à population de solutions telles que les algorithmes génétiques

et les colonies de fourmis, [7]

L'heuristique constructive la plus connue est la méthode des économies (savings) de Clarke and

Wright en 1964 [8] dont voici le principe : elle part d'une solution initiale où chaque client est

servi par un véhicule, et tente de remplir progressivement les tournées. Pratiquement, la

méthode calcule pour chaque paire de sommets (vi;vj) l'économie eij réalisée en allant




18

directement de vi à vj plutôt que de passer par le dépôt. Tans dis que les tournées sont améliorées

individuellement en utilisant des méthodes d'amélioration conçues pour le TSP. Les

algorithmes d'échange de type r-opt, proposés initialement par Lin en 1965 [9], sont très

employés à tout problème dont une solution consiste en une permutation des éléments de celui-

ci. Le principe de ces algorithmes est de considérer r éléments (les clients dans le cas du TSP)

et de les échanger entre eux en vue d'améliorer la solution.

Les algorithmes génétiques ont été employés avec succès à la résolution du Problème du

voyageur de commerce, et ont donc aisément été adaptés aussi à la résolution du problème de

tournées de véhicules dans ses variantes courantes. Ces algorithmes sont tout particulièrement

performants sur le VRPTW, et ont Produit certaines des meilleures solutions connues sur les

problèmes tests de Solomon [10] .Les adaptations de Prins en 2004[11] et de Baker and

Ayechew en 2003 [12] sont parmi les meilleurs algorithmes génétiques appliqué à la VRP et la

VRPTW en utilisant l’heuristique OX ou le LOX pour le croisement et le 2-opt pour la mutation

4. Le Problème de tournées de véhicules périodique Le problème de tournées de véhicules périodique nécessite la génération d'un nombre limité de

routes pour chaque jour d'un horizon de planification donné, afin de minimiser le coût de

Voyage totale tout en satisfaisant les contraintes. Une des premières applications connues du

problème de tournées de véhicules périodique est rapportée par Beltrami et Bodin [13] qui

traitent de l’utilisation d’une flotte de compacteurs à déchets dans la ville de New York. Ces

véhicules sont employés pour desservir des clients sur une période de six jours allant du lundi

au samedi. Certains clients doivent être visités trois fois par semaine alors que d’autres doivent

être visités à chaque jour. Afin de minimiser le temps total de déplacement ainsi que le nombre

de véhicules nécessaires, les auteurs proposent deux méthodes heuristiques basées sur la

procédure de Clarke et Wright [8] pour le PTV. Dans la première méthode, des tournées sont

d’abord construites de façon à ce que chaque client soit visité selon la fréquence désirée, puis

ces tournées sont réparties entre les jours de la semaine par la solution d’un problème

d’affectation. Dans la seconde méthode, des combinaisons de visites sont d’abord assignées aux

clients de manière aléatoire, puis des tournées sont élaborées en fonction de cette assignation.

Dans chaque cas, les parcours résultants sont soumis aux heuristiques 2-opt et 3-opt de Lin [9]




19

Christofides et Beasley [14] présentent et comparent deux heuristiques pour le PTVP. Ces

heuristiques utilisent une phase d’initialisation qui consiste à assigner à chaque client une

combinaison de visites admissible puis à effectuer une optimisation locale pour chaque jour.

Dans la seconde phase, des échanges sont effectués de façon à réduire la distance totale

parcourue sur l’ensemble de la période. Afin d’évaluer le coût des solutions et des échanges,

les auteurs considèrent différentes relaxations du problème. Dans la première heuristique, un

problème de médiane permet d’assigner à chaque client une combinaison qui minimise la

somme des distances le séparant de centres choisis pour chaque jour de visite prévu. La distance

totale est ensuite réduite en échangeant les combinaisons et en relocalisant les centres. Dans la

seconde heuristique, le problème quotidien est remplacé par un problème du voyageur de

commerce. En utilisant l’affectation de combinaisons produite par la première heuristique, les

clients sont insérés dans les tournées correspondantes en utilisant le critère du moindre coût.

Chaque tournée est ensuite soumise à des échanges de type 2-opt et la distance totale est réduite

en modifiant les jours de visite. Dans chaque méthode, les PTV quotidiens qui résultent de

l’affectation finale des combinaisons sont résolus de manière approximative. Chaque

heuristique est testée sur un ensemble de 11 instances et les auteurs concluent que la méthode

basée sur la solution du problème du voyageur de commerce périodique produit de meilleurs

résultats.

Russell et Gribbin [15] proposent une méthode en quatre phases pour résoudre le PTVP.

La première phase permet d’obtenir une solution initiale en assignant des combinaisons de

visites aux clients à l’aide d’un réseau généralisé. Un point d’initialisation est calculé pour

chaque jour de la période en utilisant la méthode de génération décrite par Fisher et Jaikumar

[16]. Le coût de visite d’un client durant un jour donné est égal à l’accroissement de la distance

totale résultant de l’insertion du client dans une tournée faisant un aller-retour entre le dépôt et

le point d’initialisation pour ce jour. La seconde phase consiste en une modification de

l’heuristique d’échange de Christofides et Beasley [14] pour le PVCP qui est obtenue en

substituant l’algorithme de Lin et Kernighan [17] aux échanges de type 2-opt. L’heuristique

tente d’améliorer les tournées en échangeant les combinaisons assignées aux clients. La

troisième phase effectue des échanges réduisant la distance des tournées du PTVP. La dernière

phase consiste à résoudre un programme linéaire en variables binaires qui permet de réassigner

les clients à de nouvelles combinaisons afin de réduire la distance totale parcourue. Ce




20

programme considère un voisinage plus large que celui considéré par l’heuristique de la

troisième phase. L’algorithme est testé sur un ensemble de dix instances et de bons résultats

sont obtenus.

Carter, Farvolden, Laporte et Xn [18] traitent un problème périodique complexe d’allocation

de demande et de construction de tournées se posant dans la distribution des produits

alimentaires. Dans ce modèle, les clients doivent être visités à l’intérieur de fenêtres de temps

à l’aide d’une flotte de véhicules homogène stationnée à un entrepôt unique. Le problème est

résolu à l’aide d’une méthode heuristique qui itère entre les sous-problèmes d’allocation de

demande et de construction de tournées.

Cordeau et al. (2001) [19] ont présentés le problème en proposant un algorithme de recherche

de tabou qui permet de trouver des solutions avec des termes de pénalité associés à la fonction

objective pour les violations de temps de Windows, la durée du trajet, et les contraintes de

capacité du véhicule.

Pirkwieser et Raidi (2008) [20] ont proposé un Variable Neighborhood Search (VNS)

heuristiques pour le PVRPTW, avec la particularité qu'il accepte l'aggravation des solutions

basées sur un critère métropole. Pirkwieser et Raidi plus tard, introduit un système hybride entre

cette heuristique VNS et une procédure colonne génération à base d'ILP

https://en.wikipedia.org/wiki/Variable_neighborhood_search




21

5. Langage VBA et fonction interactif VBA est un langage de programmation informatique développé par Microsoft qui permet le

développement des fonctions définies par l'utilisateur, et l'automatisation de certains processus

et calculs. Le code issu de procédures ou de fonctions peut être exécuté directement ou à partir

de la feuille de calcul ciblée .On peut agir avec une multitude de facilité sur le contenu des

feuilles de calcul (données et graphiques) et ce, de façon immédiate. Chaque feuille de calcul

peut devenir une interface en parfaite concordance avec le code qui la contrôle, ou qui gère ses

calculs. [1]

La macro est un groupe d'instructions programmées sous environnement VBA. Il sert à :

Automatiser les tâches répétitives, réalisation des rapports automatiques, connexion

avec des bases de données et d'autres programmes.

Résolution des calculs compliqués et itératifs.

Création de programmes, comme les gestionnaires de documentaires, des logiciels de

planification.

6. CATIAV5

CATIAV5 Computer Aided tridimensionnelle Interactive Application est un logiciel de

conception assistée par ordinateur multiplate-formes développé par la société française

Dassault Systèmes. La première version était de retour en 1977 pour une utilisation de la

conception de l’avion de combat Dassault Mirage. [2][3]

Au fil des ans, CATIA est devenue beaucoup plus qu’un CAD (Computer Aided Design) de

progiciel. Il est maintenant une suite logicielle qui intègre les fonctionnalités suivantes ; CAD,

CAM (Computer Aided Manufacture) et CAE (Computer Aided Engineering).




22

V. Chapitre 1 : Collecte et fiabilisation des données d’entrée

1. Introduction

Quel que soit le projet, que ce soit un projet d’amélioration ou de mise en place d’un système

d’information, l’étape de la fiabilisation des données est primordiale pour le bon

fonctionnement de la solution. C’est pour cette raison que l’on a calculé les transactions

prévisionnelles de 2016 et le volume de tous les colis qui existent dans le formulaire de

commande dans les différentes températures, ainsi que le contrôle de crédibilité du tonnage et

la palettisation par des échantillons.

2. Transaction prévisionnel

Une transaction est une commande client chez un restaurant McDonald’s, la somme des

transactions annuelles est égale à la somme des kilogrammes livrés par FOODIPEX. Dès lors,

on peut commencer par le principe suivant 1TCs=1Kg pour convertir la demande client

prévisionnel en poids d’autant que le kilogramme est l’unité logistique la plus fiable.

Figure 9:Transaction prévisionnelle de 2016

On constate que les transactions explosent dans les mois de juillet et d’août, car cette période

et la haute saison qui correspond à l’été, tandis qu’en juin la demande chute vu que c’est le

ramadan, et diminue dans les mois de janvier, février, novembre et décembre qui coïncident

avec la basse saison.

0

500000

1000000

1500000

2000000

2500000

3000000

No

mb

re d

e T

ran

sact

ion

s

Evolution des transactions des Restaurants Mcdonald's




23

3. Capacité de stockage des Restaurants

a. Volume brut

Actuellement, McDonald’s dispose de 37 restaurants répartis dans toutes les grandes villes du

royaume et chacun de ces points de consommation contient ces propres trois chambres de

stockage Négatif, Positif et Sec. Le négatif est sous une température de – 18 °C tandis que le

positif est sous +4°C ainsi que L’architecture de ces chambres diffère d’un restaurant à un autre

Le calcul du volume brut des chambres de stockage pour le négatif et le positif est réalisé de la

manière suivante : volume brut= (Longueur*largeur*Hauteur) en prenant comme hauteur deux

mètres alors que pour le sec le volume brut = la somme des volumes bruts de tous les rayonnages

qui se calculent par la largeur*la profondeur*2m afin de respecter la logistique de demain et les

bonnes pratiques, et la circulation de l’air dans la chambre. L’Annexe 1:Capacité de

stockage de 37 Restaurants McDonald’s contient les dimensions en mètres de toutes les

chambres des restaurants, ainsi que le volume brut calculé avec la méthode expliquée.

b. Volume net :

Le volume net considéré par ECOSIMA, qui est une démarche d’organisation et d’optimisation

des chambres de stockage, en respectant la logistique de demain est 60% pour le négatif,50%

pour le positif et 100% pour le sec. Cependant, il importe de vérifier la crédibilité de ses chiffres.

Pour ce faire, il faut prendre un échantillon de chambre de stockage et la remplir jusqu’au

maximum avec les produits de la température proportionnellement au pourcentage dans la

commande, le remplissage doit être optimal, assurant l’accès à tous les produits. J’ai commencé

par fiabiliser les volumes, les tonnages et la palettisation « nombre de colis/palette » de tous les

produits qui existent dans l’Annexe 2:Formulaire de Commande et pour Modéliser ceci, j’ai

utilisé l’outil CatiaV5 qui est un logiciel de conception mécanique




24

Chambre Négatif

Le négatif ou le surgelé est une chambre isotherme ou frigorifique capable de maintenir ses

produits dans une température inférieur à – 18 °C. Il contient des produits stockés en masse

comme les frites et les pains comme le Pain BIG TASTY et autres entreposés dans un

rayonnage.

Figure 10:Conception de la chambre Négatif par CATIAV5

La conception démontre que le pourcentage du volume net par rapport au volume brut en

respectant les bonnes pratiques est de 53%

volume brut volume net colis pourcentage

25,11 m^3 13,25 m^3 52,782% Tableau 2:Pourcentage volume net de la chambre Négatif




25

Chambre Positif

Le Positif stock les produits frais qui sont indispensables à notre alimentation. Il contient en

majorité les salades, l’eau, et le lait. La conception est la suivante :

Figure 11 : Conception de la chambre Positif par CatiaV5

La conception démontre que le pourcentage du volume net par rapport au volume brut en

respectant les bonnes pratiques est de 40% en considérant le cas échéant : la chambre dispose

de deux portes.

Tableau 3:Pourcentage volume net chambre Positif

Volume brut Volume net pourcentage

15,43 m^3 6,076 m^3 39,36%




26

Chambre Sec

La chambre Sec contient les gobelets, l’huile, la limonade et les papiers. En fait, il

contient une diversité de produit OPS. Le volume reçu par les directeurs des restaurants

est égal aux volumes des rayonnages ce qui justifie les conceptions de ses dernières :

Figure 12:Conception de la chambre Sec par CATIAV5

L’étude montre que le pourcentage du volume net par rapport au volume brut des rayonnages

en respectant les normes est de 70%

Volume brut Volume net pourcentage

5,76 m^3 4,07 m^3 70,661% Figure 13:Pourcentage Volume Net chambre Sec




27

4. Capacité des moyens de transports La flotte utilisée par FOODIPEX est constituée par les frigos de MAROTRANS et les tracteurs

d’Atlas Van Line, une flotte de 7 semi-remorques et 5 petits camions pour la basse saison de

capacité en tonne 14t et 5.5t pour McDonald’s. Cependant, en pratique si l’on livre trois ou

quatre restaurants, on ne peut pas dépasser 12500 kg.

En haute saison, FOODIPEX utilise jusqu’à 12 semi-remorques et 5 petits camions.

Figure 14 : Entrepôt LOGISMAR-Frigo MAROTRANS

5. Relation volume-tonnage

L’unité la plus fiable chez FOODIPEX est la tonne mais, les capacités reçues par les

directeurs des restaurants se traduisent en volume. La question s’affiche clairement :

Quelle est la relation qui existe entre le tonnage et la volumétrie ?

Un échantillon de préparation est réalisé par température, on note le volume de la

préparation et son tonnage correspondant.




28

Négatif Positif SEC

tonnage total volume total tonnage total volume total tonnage total volume total

1104,37 7,8624 475,4 0,7328 559,62 2,4

505,31 2,3616 564,31 1,0944 1397,85 5,376

3410,64 8,064 505,09 0,7786 1093,82 4,32

2347,8 4,32 204,24 0,5038 521,91 2,16

1364,82 6,3108 674,4 1,0076 977,46 4,128

381,38 1,2096 517,4 0,74196 1249,53 4,4928

4278,45 10,896 517,58 0,96 1429,39 4,992

1727,37 5,208 538,279 1,248 987,76 3,744

722,7 3,576 467,05 0,96 836,2 2,784

701,78 3,912 575,378 1,2672 1417,32 4,992

2459,57 6,324 548,358 1,344 1089,94 3,5424

1210,94 5,0268 767,05 2,016

352,51 1,296

815,22 2,6688

1165,72 3,5904

316,01 1,0272

1198,12 4,3392 Tableau 4:Echantillon préparation de commande

Figure 15:Evolution de la volumétrie en fonction du tonnage dans une préparation

Il existe donc une corrélation et une relation linéaire entre le tonnage et la volumétrie. Dès

lors on peut partir du principe que :

Figure 16:Relation Volume Tonnage

0

2

4

6

8

10

12

0 500 1000 1500 2000 2500 3000 3500 4000 4500

Vo

lum

e e

n m

^3

Poids en kg

Evolution de la volumétrie en fonction du tonnage dans une préparation

Négatif Sec Positif Linéaire (Négatif) Linéaire (Sec) Linéaire (Positif )

Négatif Positif Sec

kg/m^3 263 573 248




29

6. Système de gestion de stock de McDonald’s Maroc Afin de rationaliser la gestion de stock des restaurants McDonald’s au Maroc. L’entreprise

utilise une méthode de calcul de la commande similaire à la révision périodique : A période

fixe, le réapprovisionneur analyse son stock et passe la commande.

Figure 17:Système de révision périodique

Le cycle est le nombre de jours qui s’écoule entre le jour de commande, et le jour de la première

livraison de la commande suivante, alors que la consommation pour 10000 est la quantité de

produit brut consommé pour 10000 DH de CA réalisé.

Et donc La quantité pour 10000 = (La quantité consommée dans la période de l’article /CA

réalisé)*10000

La NCP est la quantité nécessaire pour la période du cycle de commande pour un produit brut

donné dès lors :

NCP = (la quantité pour 10000*CA/10000)/Conditionnement

Enfin, la quantité commandée = NCP – stock de l’inventaire




30

VI. Chapitre 2 : Modèle d’optimisation Interactif

1. Introduction Les méthodes interactives font parties des outils d’optimisation où l’humain est impliqué

fortement dans la recherche de la solution optimale.

L’idée est de traduire la variation des transactions en un planning dynamique flexible, capable

de se varier, mais il doit être adapté, et il doit prendre en considération toutes les contraintes

pour être pratique et efficace.

Actuellement, FOODIPEX utilise pour la planification de sa livraison deux plannings fixes et

hebdomadaires : un planning normal pour la basse saison appliqué, du 1er septembre jusqu’au

1er juillet, et un planning été pour la haute saison, qui coïncide avec les mois de juillet et d’août.

2. Éléments d’entrée Le modèle interactif est un processus de support et de pilotage, qui transforme des éléments

d’entrée en éléments de sortie avec une valeur ajoutée.

Les éléments d’entrée sont :

Les transactions prévisionnelles des restaurants McDonald’s

La capacité de stockage des restaurants en volume qui sera transformé en tonnage

La capacité des camions (semi-remorque et petit camion)

Le pourcentage de chaque température

La DLC de chaque température

Les fenêtres de livraisons

Les tournées possibles avec leurs ordres de priorités

Le temps de trajet entre les restaurants et entre FOODIPEX et ses clients

Le coefficient de passation du volume au tonnage pour chaque température.




31

Tous ses éléments sont inévitables pour appréhender toute la problématique. Ils sont tous

paramétrables pour s’adapter aux changements de stratégie de l’entreprise, et de ses exigences

qualités dans la préparation de commande, le chargement, sans oublier le déchargement et le

stockage chez les restaurants McDonald’s.

3. Modèle d’optimisation

Le modèle a pour objectif de planifier la distribution, cela veut dire de préciser le jour de la

livraison de chaque restaurant, ainsi que la nature de la livraison : Normal « toutes les

températures », Positif, Sec, N+P, P+S ou N+S chacun son pourcentage dans la commande.

Ainsi, l’utilisateur a le droit de choisir sa propre tournée et le camion associé

De plus, le modèle permet d’ajouter de nouveaux restaurants cachés dans des lignes masquées.

Il suffit d’entrer le nom du nouveau restaurant, les transactions, ainsi que les autres données de

paramétrage.

Tableau 5:Modèle D'optimisation Interactif




32

4. Calcul de la quantité à livrer

Le calcul de la quantité qui sera livrée se fait en additionnant les transactions des jours qui

suivent le jour de la livraison jusqu’au jour de la deuxième livraison dans le cas où les deux

livraisons seraient normales. Dans le cas contraire, on additionne ce qui doit être livré en

multipliant la transaction par le pourcentage de la température livrée jusqu’à la prochaine

livraison de cette température. Le pourcentage du négatif, du positif et du sec dans une livraison

normal est 50% ,20% et 30% respectivement.

Exemple de calcul :

Cas normal :

Tableau 6:Calcul de la quantité a livré dans le cas normal

Cas multi-produit :

Tableau 7:Calcul de la quantité a livré dans le cas multi-produit

Si la quantité prévisionnelle à livrer par restaurant et par température dépasse la capacité de

stockage des chambres négatif, positif ou sec de ce restaurant le fond de la cellule s’affichera

en rouge.




33

5. Calcul de la charge du camion

Pour chaque jour, le modèle additionne les quantités a livrer dans un camion et affiche la

quantité prévisionnelle chargée dans le camion.

Restaurant vendredi samedi dimanche lundi mardi mercredi jeudi

Marrakech Drive Normal 1 Normal 1 Normal 2

Marrakech Gare Normal 1 Normal 1 Normal 2

Marrakech Gueliz Normal 1 Normal 1 Normal 2

Marrakech Marjane Normal 3 Normal 2

Agadir Drive Normal 2 Normal 1 Normal 1

Agadir Plage Normal 2 Normal 2 Normal 1

Agadir Marjane Normal 2 Normal 2 Normal 1 Tableau 8:Exemple de Planning de livraison

Restaurant Vendredi Samedi Dimanche Lundi Mardi Mercredi Jeudi

Marrakech Drive 2500 2300 -

Marrakech Gare 2700 2100 -

Marrakech Gueliz 3800 3600 -

Marrakech Marjane 1000

Agadir Drive 2900 2000 -

Agadir Plage 2040 1900 -

Agadir Marjane 3050 2500 -

Tableau 9:Calcul de la quantité a livré par Restaurant

Si la quantité qui va être chargée dans le camion dépasse la capacité du camion la mise en forme

conditionnel s’active et affiche toutes les livraisons de cette tournée dans le jour j en couleur

orange comme alarme de surcapacité de camion.

Camion Vendredi Samedi Dimanche Lundi Mardi Mercredi Jeudi

1 2500+2700+3800 2300+2100+3600+2000 -

2 2900+2040+3050 1900+2500 -

3 1000

Tableau 10:Calcul de la quantité chargé dans le camion




34

6. Calcul de la date limite de consommation

La DLC ou Date Limite de Consommation est la date de péremption qui figure sur les denrées

alimentaires périssables susceptibles de présenter un péril pour la santé. Elle est déterminée

par le fournisseur, et il n’est valable que si le produit a été conservé à une température

inférieure ou égale à celle indiquée sur l’emballage.

Étant donné que l’on raisonne par température, chaque type dispose de sa propre DLC

Afin de savoir est ce que l’on a dépassé cette contrainte, il faut calculer le nombre de jours

entre la première et la deuxième livraison pour chaque température, par exemple :

Tableau 11: Calcul de la durée de consommation

Pour FOODIPEX le produit le plus critique est la salade de DLC de 6 jours depuis le producteur

RFI, il prend 2 jours entre ces deux entreprises, ce qu’il veut dire une DLC de 4 jours depuis la

réception chez le restaurant.

Si la durée du positif excède 4 jours, la cellule du planning du jour j s’affichera avec des rayures

mentionnant un débordement de DLC.




35

7. Disponibilité des Camions

Chaque tournée choisie est suivie d’un choix de camion numéroté de 1 jusqu’à 40 et

paramétrable en matière de sa capacité, la disponibilité des camions est gérée dans la feuille

« Camion ».

L’utilisateur doit sélectionner le mois et les jours à afficher, ensuite il lance le dessin du

planning des camions. Automatiquement, le dessin prend les tournées des jours sélectionnés

depuis le planning de la feuille « planning » et dessine ses tournées en respectant les fenêtres

de livraisons et les temps des trajets.

La couleur Rouge représente le transport, alors que la couleur verte indique le déchargement

chez un client, enfin la couleur jaune montre la durée du nettoyage et du lavage.

Chaque tournée suit un ordre déterminé à l’avance. Le programme est alimenté par toutes les

possibilités de tournées possibles avec un accès à modifier et à ajouter une tournée.

Figure 18:Planning Camion Automatisé




36

VII. Chapitre 3 : Résolution du Problème de tournées de véhicules Périodique en utilisant l’algorithme Génétique.

1. Problème de tournées de véhicules Périodique Le problème de tournées de véhicules classiques permet de construire une composition des

tournées avec un horizon d’une seule journée. Or, dans de nombreux cas pratiques

spécifiquement le cas de FOODIPEX, tous les clients de la société ne sont pas visités

quotidiennement. Afin de planifier et d’optimiser les opérations de distribution sur une période

plus longue. Il est rarement satisfaisant de répéter à chaque jour la solution d’un unique PTV,

ou de décomposer le problème périodique en un ensemble de problèmes quotidiens

indépendants. Dès lors il importe de généraliser la PTV en PTVP le problème de tournées de

véhicules périodique considérant un horizon de plusieurs jours durant lequel chaque client doit

être livré un certain nombre de visites selon une combinaison choisie.

Le problème consiste à établir une planification des tournées de véhicules de façon que chaque

client soit livré selon une combinaison tolérable et que la distance parcourue par la flotte de

véhicules sur l’ensemble de la période soit minimisée.

Dans ce projet, nous proposons une métaheuristique qui s’appelle l’algorithme génétique fondé

sur l’opérateur de croisement de Prins, en 2004, nommé Order Crossover (OX) et une procédure

d’amélioration fondée sur une recherche locale de type 2-opt pour la mutation.

Méthodologie de Résolution :

Figure 19:Méthodologie de Résolution de la PVRP en Utilisant l'algorithme génétique




37

2. Affectation de combinaisons de jours aux clients Affecter à chaque client une combinaison de journée de livraisons Aléatoires dans la période

paramétrée à l’avance en respectant les capacités de stockage des clients par exemple :

Prenant une période de 9 jours. La demande du client 1 est

En additionnant les demandes journalières de la combinaison des jours de livraison, on obtient :

3. Extraction des clients à livrer pour chaque jour Déterminer les clients qui doivent être livrés dans le jour j

jours 1 2 3 4 5 6 7 8 9

Demande 800 1000 600 300 900 600 700 500 600

Tableau 12:Demande de l'exemple d'affectation de combinaisons de jours aux clients

Combinaison du client 1 2 5 7 9

Quantité livré =600+300+900 =600+700 =500+600 =800

Tableau 13:Quantité livré de l'exemple d'affectation de combinaisons de jours aux clients

jours


Combinaison du client 2 1 3 8







Clients a livré

jour 1 2 4 5

jour 2 1 3 6 8

jour 3 2 4

jour 4 3 5 6

jour 5 1 4 7 8

jour 6 5 7

jour 7 1 8

jour 8 2 3 4 6

jour 9 1 5 7 8

Figure 20:Extraction des clients à livrer pour chaque jour




38

4. Application de la VRP aux clients choisis Résoudre la PTV en utilisant l’algorithme génétique en utilisant la méthode Order Crossover

pour le croisement et le 2-opt pour la mutation :

a. Population Initial : Construction de chromosome :

Pour chaque jour, on dispose d’un ensemble de client à livrer, on sortira de ses clients une

population initiale de chromosome qui représentera une combinaison de tourner avec un

nombre de particules qui est le nombre de chromosomes dans la population par exemple:

Clients a livré

1 3 6 8 9 10 11

Clients à livré

Particule 1 1 3 6 8 9 10 11

Particule 2 3 6 9 8 1 11 10

Particule 3 1 6 11 8 10 9 3

Particule 4 11 3 8 10 1 6 9

Particule 5 8 6 1 11 10 3 9

Particule 6 9 8 6 11 1 10 3 Figure 21:Construction de chromosome




39

Construction de tournées :

Pour chaque particule, il faut construire les tournées en respectant la capacité des camions. La

méthode utilisée pour la construction des tournées est l’heuristique constructive la plus connue

qui est la méthode des économies de. Clarke and Wright, en 1964, dont voici le principe : la

méthode calcule pour chaque paire de chromosomes l’économie e(i,j) réalisés en allant

directement du sommet i à j plutôt que de passer par le dépôt. Prenant c(i,j) le coût ou le

kilométrage facturé allant d'i à j et à 1 représente FOODIPEX, on ajoutera à la tournée qui livre

le point i le j que si :c(0,i)+c(i,0)+c(0,j)+c(j,0)>c(0,i)+c(i,j)+c(j,0) et bien sûr la quantité livrée

ne doit pas dépasser la capacité de stockage du camion affecté.

Clients à livré

Chromosome 1 1 3 6 8 9 10 11

Il faut calculer le coût ou le kilométrage de chaque tournée par exemple :

Coût (tournée1)=D(0,1) +D(1,3) +D(3,6) +D(6,0)

Ensuite, il faut calculer le score du chromosome 1

Score (chromosome 1)=coût (Tournée 1) +coût (Tournée 2) + coût (Tournée 3)

Avec : 0=FOODIPEX et D (a, b) est la distance qui existe entre le sommet a et b

Tournée 3 10 11 Tournée 1 1 3 6 Tournée 2 8 9

Figure 22:Construction de tournée




40

b. Croisement Pour effectuer l’opération de croisement, il est inévitable de sélectionner deux parents P1 et P2

qui ont le meilleur score, cela veut dire dans notre cas le coût ou le kilométrage minimal. Par

exemple :

Le codage de Prins est l’opérateur de croisement Order Crossover dont le principe est le

suivant :

Pour l’enfant E1 respectivement E2. Les éléments situés entre les points de croisement

sont hérités du parent P1 respectivement P2

Les éléments restants de E1 respectivement E2 sont hérités aussi du parent P1

respectivement P2, mais ils ne sont pas recopiés tels quels. Ils sont calqués selon leur

ordre d’apparition dans l’autre parent P2 (resp P1), à travers la position située juste

après le deuxième point de croisement.

Clients à livré score

Particule 1

1 3 6 8 9 10 11 130 DH

Particule 2

3 6 9 8 1 11 10 100 DH

Particule 3

1 6 11 8 10 9 3 140 DH

Particule 4

11 3 8 10 1 6 9 150 DH

Particule 5

8 6 1 11 10 3 9 160 DH

Particule 6

9 8 6 11 1 10 3 110 DH

Clients à livré score

P1 3 6 9 8 1 11 10 100 DH

P2 9 8 6 11 1 10 3 110 DH

Figure 23: La sélection des parents P1 et P2

http://www.synonymes.com/synonyme.php?mot=in%E9vitable




41

Figure 24: Le croisement de P1 et P2

Faisant de même pour E2, on obtiendra une nouvelle population qui contient P1, P2, E1 et E2.

c. Mutation La Mutation s’effectue par la procédure d’amélioration fondée sur une recherche locale de type

2-opt. Cette dernière a été proposée par Croes en 1958 pour résoudre le problème du TSP.

L’idée principale est de prendre un chromosome et réorganiser ses éléments afin d’obtenir une

solution optimisée représentant une évolution de l’enfant.

La méthode nécessite deux points déterminants la plage qui va être permutée, pour cet exemple,

on prendra début=3 et fin =5

Faisant de même pour E2, on calculera le score de E’1 et E’2 et on sortira avec une population

de P1 ,P2 , E1,E2 ,E’1 et E’2 ou plus si l’on réalise plusieurs itérations de mutations.

On sélectionnera par la suite les deux meilleurs parents P1 et P2 de la nouvelle Génération pour

démarrer le cycle de croisement et mutation qui finira par une combinaison de tournées

optimisée du jour j. Enfin, on calculera la somme des scores journaliers pour savoir le score de

toute la solution qui est une planification d’une période. Faisant tout cela N fois, on obtiendra

une solution optimisée qui respectera les contraintes

E1 2 5 8 9 4 6 7

E’1 2 5 6 7

E’1 2 5 4 9 8 6 7 Figure 25:La Mutation d’E1




42

5. Résultat L’expérimentation du programme a été réalisée pour les 37 restaurants de FOODIPEX dans

une période de 5 jours du 1er février au 5 février avec 1000 itérations globales, 90 itérations

dans l’algorithme génétique et 10 itérations de mutations en utilisant le langage VBA Sous

Excel. La fonction objective est la somme des distances parcourues par l’ensemble de la

flotte durant la période.

Pour l’instant, et pour ce stade d’optimisation automatique, il paraît que la solution interactive

le remporte sur l’automatique d’autant qu’il existe dans la solution ci-dessus des tournées

optimisées comme le 4 et le 36 MRK DRIVE et MRK CENTRE et autres moins optimisés

avec de longs trajets comme 5 6 et 29 Meknès Fès et Tétouan. Le premier tableau concerne les

chromosomes des clients à livrer chaque journée tandis que le deuxième contient les tournées

de livraisons séparées par une case vide. Chaque chiffre représente un restaurant selon l’ordre

suivant :

MER

S SULTA

N

CA

LIFOR

NIE

MR

K D

RIV

E

MEK

NES

FES

NA

DO

R

OU

JDA

KEN

ITRA

RA

BA

T VILLE

2 M

AR

S

AIN

DIA

B

MO

HA

MM

EDIA

SALE B

OU

REG

RA

G

ZIRA

OU

I

AN

FA P

LAC

E

MO

RO

CC

O M

ALL

MA

AR

IF

CO

RN

ICH

E

CA

SAP

OR

T

2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

AG

AD

IR P

LAG

E

AG

AD

IR D

RIV

E

AG

AD

IR M

AR

JAN

E

HA

Y RIA

D

RA

BA

T AG

DA

L

TAN

GER

PLA

GE

TAN

GER

MA

RJA

NE

TAN

GER

VILLE

TETOU

AN

DER

B SU

LTAN

L'HER

MITA

GE

MO

HA

MED

5

EL JAD

IDA

KH

OU

RIB

GA

MR

K G

AR

E

MR

K C

ENTR

E

MR

K M

AR

JAN

E

Ain

Sebaa

21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38

Figure 27:Codification des restaurants

Figure 26:Résultat de l'expérimentation du programme




43

VIII. Chapitre 4 : Optimisation et Gains

1. Optimisation

L’optimisation de la distribution pour FOODIPEX, réside dans la réduction de la fréquence

de livraison, d’un ou plusieurs restaurants d’une tournée dans une période, cela se réalisera

par l’augmentation de la durée entre deux tournées successives et la livraison d’une ou deux

températures seulement en respectant les diverses contraintes. Évidemment, tout dépend

des prévisions et l’économie se concentre surtout dans la basse saison. La figure suivante

montre, comment j’ai passé de 4 tournées vers Marrakech dans la deuxième semaine de

janvier à 3 mais cela n’est pas valable pour toutes les semaines vu qu’il y a des saisonnalités.

08-janv 09-janv 10-janv 11-janv 12-janv 13-janv 14-janv


Marrakech Drive Normal 1 Normal 1 Négatif 1

Marrakech Gare Normal 1 Normal 1

Marrakech Gueliz Normal 1 Normal 1 Normal 1

Marrakech Marjane Normal 1 Normal 1 Tableau 14:Planning hebdomadaire de la basse saison de Marrakech



Marrakech Drive Normal 1 Normal 1 Normal 1

Marrakech Gare Normal 1 N+P 1 Normal 1

Marrakech Gueliz N+P 1 Normal 1 Normal 1

Marrakech Marjane Normal 1 Positif 1 Normal 1

Tableau 15:Planning optimisé de Marrakech

Réduction de nombre de tournées de 4 à 3




44

En matière d’occupation des camions l’optimisation est la suivante :


camion vendredi samedi dimanche lundi mardi mercredi jeudi

1 7382,22979 7341,89694 8060,47778 11302,6364

Tableau 16: Occupation du camion planning hebdomadaire Fixe


camion vendredi samedi dimanche lundi mardi mercredi jeudi

1 11709,6509 10468,3148 9100,27727

Tableau 17:Occupation du camion planning optimisé

Un autre exemple d’optimisation concernant Marrakech en basse saison, appliqué pour octobre,

novembre et décembre, est effectué par un décalage de journée de livraison comme suit :

Vous pouvez remarquer qu’au bout de la troisième semaine en fini avec 3 livraisons dans cette semaine et donc dans 3 semaines on gagne une livraison. On remarque qu’au bout de la troisième semaine, on finit avec seulement trois livraisons. En

répétant ceci on gagnera 1 livraison/3 semaines.

Réduction de nombre de tournées de 4 à 3

Seulement 3 livraisons

Tableau 18:Planning Optimisé en mois de décembre




45

FOODIPEX livre Agadir deux fois par semaine dans le planning normal. Cela implique

qu’entre deux livraisons successives, on compte 4 jours suivis de 3 jours. L’économie existe

dans 2 livraisons/8 jours, ce qui veut dire 4 jours entre deux livraisons successives si c’est

possible.

Avec cette stratégie, on gagnera 1 livraison/4 semaines pour la tournée d’Agadir, et de même

pour la tournée de Tanger avec Tétouan, et cela nécessitera la livraison dimanche si elle est

programmée. Le tableau suivant est la preuve que la capacité du camion n’a pas été dépassée :

On Constate que la charge est lissée entre les livraisons de moyenne de 10888 kg/livraison et

en même temps, la charge ne dépasse pas la capacité du camion.

1 seule livraison

Tableau 19:Planning Optimisé Agadir en Basse saison

Tableau 20:Charge Camion du planning optimisé




46

De même, un décalage d’une journée permet de gagner 1 journée/semaine pour la tournée de

Fès, Meknès, Nador et Oujda. Cette astuce permet d’économiser 1 livraison /4 semaine si c’est

faisable.

2. Nivellement de la charge :

La variation du planning des restaurants ci-dessus, génère un déséquilibre en matière de charge.

En conséquence, le lissage de la charge subit par l’entrepôt dans la préparation et le chargement

est une étape cruciale pour la mise en place du planning optimal.

Le planning suivant est un exemple de nivellement de la première semaine du mois de janvier,

optimisé et lissé avec le respect de la disponibilité des camions.

Pour la notation, on prend les chiffres de 1 jusqu’à 7 des semi-remorques et de 11 jusqu’à 14

des petits camions

01-févr 02-févr 03-févr 04-févr 05-févr 06-févr 07-févr

lundi mardi mercredi jeudi vendredi samedi dimanche

Marrakech Drive Normal 1 N+S 1 Normal 1 Normal 7

Marrakech Gare N+S 1 Normal 1 Normal 1 Normal 7

Marrakech Gueliz N+S 1 Normal 1 Normal 1 Sec 7

Marrakech Marjane N+P Normal 1 Normal 1

Agadir Drive Normal 3 Normal 3

Agadir Plage Normal 3 Normal 3

Agadir Marjane Normal 3 Normal 3

TANGER PLAGE Normal 6 Normal 6

TANGER MARJANE Normal 6 Normal 6

TANGER VILLE Normal 6 Normal 6

TETOUAN Normal 6 Normal 6

FES Normal 4 Normal 5

1 seule livraison

Tableau 21:Planning Optimisé de la tournée de Fès, Meknès, Nador et Oujda en décembre




47

Le planning ci-dessus est nivelé par rapport au nombre de préparations et par rapport au tonnage

par jour dans cette période de basse saison

MEKNES Normal 4 Normal 5

NADOR Positif 4 Normal 2

OUJDA Positif 4 Normal 2

Casa Ain Sebaâ Normal 6 Normal 6

Casa Anfa Place Mall Normal 6 Normal 6

Casa 2Mars Normal 12 Normal 6 Normal 2

Casa Ain Diab Normal 12 Normal 6 Normal 2

Casa Californie Normal 4 Normal 3 Normal 2

Casa Corniche Normal 6 Normal 3 Normal 11

Casa Derb Sultan Normal Normal 3

Casa Hermitage Normal 4 Normal 6

Casa Maarif Normal 4 Normal 3 Normal

Casa Mers Sultan Négatif 6 Normal 4 Normal 6

Casa Mohamed 5 Normal 2 Normal 7

Casa Morocco Mall Normal 4 Normal 3 Normal 7

Casa Port Normal 3 Normal 12

Casa Ziraoui Normal 4 Normal 3 Normal 12

El Jadida Drive Normal 2 Normal 5

Kenitra Normal 13 Normal 12

Khouribga Normal 2 Normal 5

Mohammedia Normal 11 Normal 5 Normal 13

Rabat Agdal Normal 5 Normal 11 Normal 4

Rabat Hay Riad Normal 5 Normal 2 Normal 4

Rabat Ville Normal 11 Normal 5 Normal 14

Sale El Bahr Normal 12 Normal 2

Tableau 22: Planning optimisé complet de la première semaine de Février

Lundi Mardi Mercredi Jeudi Vendredi Samedi Dimanche

Nombre de préparation 19 14 13 11 14 18 4

charge journalière 58320,8716 45855,3865 41387,3644 38243,2389 54287,3256 67321,8959 19401,2461 Tableau 23: Nivellement du nombre de préparation et de la charge journalière




48

3. Estimation des Gains La facturation de la prestation de MAROTRANS et d’ATLAS VAN LINE est en fonction de

la destination. Pour la région de Casablanca, FOODIPEX est facturé par journée, tandis que

hormis cette région où réside l’optimisation, le règlement est en fonction du kilométrage. En

raison de confidentialité du prix réel/km en prendra 10dh/km pour un semi-remorque

frigorifique et 8dh/km pour un petit camion.

Le résultat de toute cette optimisation et de ce changement d’un planning fixe à un planning

dynamique en fonction des transactions prévisionnelles est le suivant :

L’optimisation permet d’économiser 243500,00MAD/an = 20291MAD/mois si le planning

optimisé est respecté par les restaurants McDonald’s et si l’on se permet de livrer le

dimanche si cela est programmé.

Figure 28:Evolution des Gains en DH

On constate que les Gains évoluent en opposition avec les transactions et c’est justifié, du fait

que l’optimisation réside surtout dans la basse saison : le mois de février, de juin, car c’est le

ramadan, de novembre et de décembre.

0,00 MAD

10 000,00 MAD

20 000,00 MAD

30 000,00 MAD

40 000,00 MAD

50 000,00 MAD

60 000,00 MAD

Evolution des Gains

Tableau 24:Dénombrement des Gains en DH




49

Conclusion Le travail présenté concerne l’optimisation de la distribution. Notre problème consiste à

planifier la livraison en précisant chaque jour les tournées, la nature de la livraison et le

camion associé.

À travers ce travail, j’ai pu fiabiliser les données logistiques et le formulaire de commande

ensuite j’ai pu concevoir et programmer en utilisant le langage VBA un modèle interactif d’aide

à la planification de la livraison qui permet :

La réduction des coûts logistiques de la distribution

Le respect des différentes contraintes

la satisfaction du client en respectant les bonnes pratiques

Le nivellement de la charge par rapport à la préparation et le chargement.

En plus de cela, j’ai programmé un logiciel de résolution du problème de tournées de

véhicules périodique avec l’algorithme génétique en suivant la méthode de Prins.

Ce projet permettra à l’entreprise d’économiser 243500 MAD/ans si les deux parties

Concernées FOODIPEX et McDonald’s respecteront le planning variable optimisé. Comme

il permettra de prévoir les surcapacités dues à la fluctuation de la demande.




50

Liste de figures Figure 1:MABYA Holding ........................................................................................................ 9

Figure 2:Processus Général de FOODIPEX ........................................................................... 10

Figure 3:Organigramme de FOODIPEX .................................................................................. 11

Figure 4:Planning du Projet ...................................................................................................... 13

Figure 5:Diagramme de Gantt .................................................................................................. 13

Figure 6:Niveaux d'implication d'un humain dans Wezel et al [2011] .................................... 15

Figure 7:Variantes de base du VRP avec contraintes de capacité ............................................ 16

Figure 8:Classification des méthodes de résolution du VRP. .................................................. 17

Figure 9:Transaction prévisionnelle de 2016 ........................................................................... 22

Figure 10:Conception de la chambre Négatif par CATIAV5 .................................................. 24

Figure 11 : Conception de la chambre Positif par CatiaV5 ...................................................... 25

Figure 12:Conception de la chambre Sec par CATIAV5......................................................... 26

Figure 13:Pourcentage Volume Net chambre Sec ................................................................... 26

Figure 14 : Entrepôt LOGISMAR-Frigo MAROTRANS ........................................................ 27

Figure 15:Evolution de la volumétrie en fonction du tonnage dans une préparation .............. 28

Figure 16:Relation Volume Tonnage ....................................................................................... 28

Figure 17:Système de révision périodique ............................................................................... 29

Figure 18:Planning Camion Automatisé .................................................................................. 35

Figure 19:Méthodologie de Résolution de la PVRP en Utilisant l'algorithme génétique ........ 36

Figure 20:Extraction des clients à livrer pour chaque jour ...................................................... 37

Figure 21:Construction de chromosome .................................................................................. 38

Figure 22:Construction de tournées ......................................................................................... 39

Figure 23: La sélection des parents P1 et P2 ............................................................................ 40

Figure 24: Le croisement de P1 et P2 ...................................................................................... 41

Figure 25:La Mutation d’E1 ..................................................................................................... 41

Figure 26:Résultat de l'expérimentation du programme .......................................................... 42

Figure 27:Codification des restaurants ..................................................................................... 42

Figure 28:Evolution des Gains en DH ..................................................................................... 48




51

Liste des tableaux Tableau 1:Fiche signalétique de FOODIPEX .......................................................................... 11

Tableau 2:Pourcentage volume net de la chambre Négatif ...................................................... 24

Tableau 3:Pourcentage volume net chambre Positif ................................................................ 25

Tableau 4:Echantillon préparation de commande .................................................................... 28

Tableau 5:Modèle D'optimisation Interactif ............................................................................ 31

Tableau 6:Calcul de la quantité a livré dans le cas normal ...................................................... 32

Tableau 7:Calcul de la quantité a livré dans le cas multi-produit ............................................ 32

Tableau 8:Exemple de Planning de livraison ........................................................................... 33

Tableau 9:Calcul de la quantité a livré par Restaurant ............................................................. 33

Tableau 10:Calcul de la quantité chargé dans le camion ......................................................... 33

Tableau 11: Calcul de la durée de consommation .................................................................... 34

Tableau 12:Demande de l'exemple d'affectation de combinaisons de jours aux clients .......... 37

Tableau 13:Quantité livré de l'exemple d'affectation de combinaisons de jours aux clients ... 37

Tableau 14:Planning hebdomadaire de la basse saison de Marrakech ..................................... 43

Tableau 15:Planning optimisé de Marrakech ........................................................................... 43

Tableau 16: Occupation du camion planning hebdomadaire Fixe ........................................... 44

Tableau 17:Occupation du camion planning optimisé ............................................................. 44

Tableau 18:Planning Optimisé en mois de décembre .............................................................. 44

Tableau 19:Planning Optimisé Agadir en Basse saison ........................................................... 45

Tableau 20:Charge Camion du planning optimisé ................................................................... 45

Tableau 21:Planning Optimisé de la tournée de Fès, Meknès, Nador et Oujda en décembre . 46

Tableau 22: Planning optimisé complet de la première semaine de Février ............................ 47

Tableau 23: Nivellement du nombre de préparation et de la charge journalière ..................... 47

Tableau 24:Éstimation des Gains en DH ................................................................................ 48




52

Liste des abréviations

CVRP: Capacitated Vehicule Routing Problem

ILP: Integer linear programming

PTV: Problème de tournées de Véhicules

PTVP: Problème de tournées de vehicules périodique

TSP: Traveling Salesman Problem

VNS: Variable neighborhood search

VRP: Vehicule Routing Problem

VRPTW: Vehicule Routing Problem with Time Windows

VRPPD: Vehicule Routing Problem with Pick-up and Deliveries

DCVRP: Distance-Constrained Vehicule Routing Problem

PVRP: Periodic Vehicle Routing Problem

PVRPTW: Periodic Vehicle Routing Problem with Time Windows

IRP: Inventory Routing Problem

MDVRP: multiple depots Vehicule Routing Problem

MDVRPTW : multiple depots Vehicule Routing Problem with Time Windows

DLC: Date Limite de consommation

MBI: Maroc Buns Industries

RFI: Real Food Industries

AVL: Atlas Van Line

ADV:Administration des Ventes

VBA: Visual Basic for Applications

TCs: Transactions

OPS: Outils d'opérations et de Nettoyages

Opt: Optimal

https://en.wikipedia.org/wiki/Visual_Basic_for_Applications

53

Annexes

Longueur Largeur Hauteur Volume brut Volume brut Sec

Hermitage Positif 3,9 2,6 2,2 22,30

11,28 Négatif 4 2,8 2,2 24,64

Californie Positif 2,95 2,8 2,1 17,34

8,736 Négatif 2,9 2,4 2,1 14,61

Ziraoui Positif 3,6 2,8 2,4 24,19

7,56 Négatif 3 2,8 2,4 20,16

Ain Sebaa Positif 4,2 2,35 2,4 23,68

12,84 Négatif 5,2 2,9 2,4 36,19

Marrakech Marjane Positif 2,6 1,4 2,34 8,51

8,64 Négatif 2,6 2 2,34 12,16

Salé Positif 2,35 3,8 2,6 23,21

11,6016 Négatif 4 4,75 2,6 49,4

Avenue 2 Mars Positif 3,81 1,43 2,02 11,00

8,865 Négatif 3,81 2,02 2,02 15,54

Rabat Hay Riad Positif 3,7 3,3 2 24,42

13,188 Négatif 5,7 2,9 1,7 28,10

Kenitra Positif 3,2 2,8 2,2 19,71

8,64 Négatif 4 3,5 2,2 30,8

Tanger Ville Positif 3,1 2,7 2,4 20,08

4,32 Négatif 3,6 3,1 2,4 26,78

corniche Positif 3,65 2,1 2,3 17,62

18,216 Négatif 3,65 3,1 2,3 26,02

Mohammedia Positif 3,615 2,81 2,43 24,72

12,85636 Négatif 4,42 3,21 2,42 34,40

Morocco Mall Positif 4,04 3,01 2,04 24,87

11 Négatif 4,04 3,09 2,04 25,52

Derb Sultan Positif 2,4 2,4 2,4 13,82

7,07982 Négatif 3,6 2,4 2,8 24,19

Nador Positif 2,8 4,3 2,5 30,1

14,64 Négatif 4,3 4,4 2,5 47,3

Agadir Marjane Positif 3,9 2,2 2,4 20,5

14,46 Négatif 4,4 3,6 2,4 38,01

Tanger PLAGE Positif 3,6 2,8 2,8 28,22

13,6512 Négatif 5,2 3,2 2,8 46,59

Maarif Positif 3,62 2,2 2,25 17,91

6,98488 Négatif 2,8 2,4 2,25 15,12

Tanger Marjane Positif 3,4 3,6 2,45 29,98

10,8 Négatif 4,5 3,5 2,4 37,8

Agadir Plage Positif 2,8 2,4 2,8 18,816

11 Négatif 3,9 3,24 2,8 35,38

Mers Sultan Positif 2,86 2 2,47 14,12

18,096 Négatif 3,26 2,86 2,47 23,02

Projet de fin d’Etudes-Diplôme d’Ingénieur d’Etat En Génie Industriel : Logistique Internationale

Optimisation du Planning de livraison de FOODIPEX

54

Anfa Place Positif 3,2 2,8 2,4 21,50

5.76 Négatif 3,2 3,2 2,4 24,57

MEKNES Positif 4,4 2,4 2,2 23,23

8,88 Négatif 4,83 3,63 2,2 38,57

Agadir Drive Positif 4,43 2,82 2,26 28,23

11 Négatif 4,43 3,62 2,26 36,24

mohammed 5 Positif 4 2 2,43 19,44

12,08 Négatif 6 2 2,37 28,44

El Jadida Positif 2 4 2,25 18

10,83 Négatif 4,35 3,45 2,24 33,61

Khouribga Positif 4 2 1,9 15,2

9,70 Négatif 4,3 3,5 1,9 28,59

Ain Diab Positif 5 2,35 2,7 31,72

13,17 Négatif 5,1 4,2 2,7 57,83

Marrakech Gare Positif 4,3 2,3 2,2 21,75

13,60 Négatif 4,6 2,3 2,2 23,27

Rabat Ville Positif 3,2 2,84 2,4 21,81

7,2 Négatif 4,42 2,84 2,43 30,50

Rabat Agdal Positif 3,48 2,58 2,17 19,48

8,64 Négatif 4,28 2,28 2,24 21,85

Fès Positif 3,28 2,2 2,6 18,76

4,8 Négatif 3,89 3,05 2,9 34,40

Marrakech Drive Positif 5,8 2,4 2,4 33,40

10,08 Négatif 5,8 3,2 2,4 44,54

Casa Port Positif 2,9 2,7 2,4 18,79

11,08 Négatif 3,6 2,9 2,4 25,05

Tétouan Positif 4 2,4 2,3 22,08

11.52 Négatif 5,2 3,2 2,8 46,59

Oujda Positif 2,8 4,3 2,5 30,1

14 Négatif 4,3 4,4 2,5 47,3

Annexe 1:Capacité de stockage de 37 Restaurants McDonald’s



55

Désignation Code volume tonnage palettisation

SURGELE VIANDE 10 1 ESP 5-330 0,034568 14 56


SURGELE VIANDE 10 1 BELDI 5-333 0,0112 14 56


SURGELE CHICKEN VALUE SIXTY 1637-080 0,042768 15,986 40

SURGELE POULET CHICKEN 1ERE 1395-020 0,04212 15,619 40

SURGELE CHICKEN MCNUGGETS 407-714 0,0148915 17,166 40

SURGELE CHICKEN DELIGHT 4430-032 0,056277 15,687 40

SURGELE CHICKEN DOUBLE SIXTY 1637-089 0,042768 15,985 40

SURGELE FILET POISSON 3 8-008 0,01638 11,04 84

SURGELE GATEAU ANNIVERSAIRE FRAISE 6164-069 0,0008184 1,26 180

SURGELE GATEAU ANNIVERSAIRE CHOCOLAT 575-026 0 1,26 225

SURGELE CHOCOGLACE 4954-052 0,01215 1,09 144

SURGELE BROWNIES 8322-033 0,01215 3,68 144

SURGELE DONUTS FRAISE 8233-015 0,0228 3,942 64

SURGELE DONUTS ETOILE CHOCOLAT 11720-

000 0,0234688 4,182 64

SURGELE MINUTE MAID OJ 132-061 0,0159375 17,22 72

SURGELE PAIN ROYAL 2-034 0,037719 5,26 40

SURGELE PAIN BIG MAC 3-040 0,02860675 4 36

SURGELE PAIN REG 1-046 0,037719 4,9 40

SURGELE PAIN BIG TASTY x16 3916-174 0,037719 2,91 64

SURGELE PAIN PTIT BELDI SPICY 11209-

000 0,037719 5,18 64

SURGELE TORTILLA OIGNON WRAP 3114-061 0,01718145 5,06 84

SURGELE PAIN RHOMBUS FONDU 8672-027 0,02860675 4,97 56

SURGELE PAIN COMPLET 3153-069 0,02860675 3,3 84

SURGELE SPICY XL FRITES 3674-018 0,024174 13 63

SURGELE FRITES 2 4-909 0,03192 13,25 54

SURGELE FROMAGE CHEVRE PANE 757-012 0,04095 6,325 88

SURGELE BILLES DE MOZZARELLA 10218-

012 0,01635126 8,7 64

SURGELE CHEESE AND CHILI NUGGETS 6307-015 0,02484 6,338 96

SURGELE SWISS CHEESE 7018-091 0,0182816 6,1 80

FOOD HUILE MC212 NH 3237-023 0,012012 9,2 60

FOOD SAUCE TARTARE X 12 9-120 0,0150282 9,4 90

FOOD SAUCE MC CHICKEN X 12 10-070 0,01475496 9,9 90

FOOD SAUCE BIG MAC 750ML X12 55-065 0,0153252 10 90



56

FOOD SAUCE BIG TASTY 7919-078 0,01476 9,6 90

FOOD SAUCE MIEL MOUTARDE 3649-078 0,00812175 4,98 168

FOOD SAUCE RANCH INTENSIVE 5297-051 0,00574574 4,3 96

FOOD SAUCE COMTE FONDU INTENSIVE 5432-023 0 4,99 168

FOOD SAUCE CEASAR 708-051 0,01281511 5,5 84

FOOD SAUCE BALSAMIQUE 1330-012 0,0104747 3,6 96

FOOD CROUTONS SALADE AIL ET FINES HERBES 670-087 0,0387495 3,49 40

FOOD SAUCE MC DELUXE 552-048 0,0146853 9,3 80

FOOD CREME FRAICHE 7101-042 0,0106455 5,159 125

FOOD FROMAGE CHEDDAR 6x176 13-073 0,014634625 15,7 54

FOOD EMMENTAL TRANCHE 2303-019 0,022724 15,7 54

FOOD GRUYERE RAPE 80000-

173 0,028825875 2,5 120

FOOD FROMAGE CAESAR 1503-048 0,00095 2,74 108

FOOD SCE SALADE YAOURT 50 ml 7327-003 0,0122322 6,6 84

FOOD OLIVES NOIRES DENOYAUTEES 4/4 4435-028 0,0072 5,64 144

FOOD SAUCE SPICY OLIVE BASE MAYO 2057-024 0 4,86 168

FOOD SAUCE MEXICO 6370-039 0,0134946 5,28 168

FOOD BASE MANGUE ANANAS 4393-006 0,0197925 17,67 56

FOOD BASE FRAISE BANANE 2896-087 0 17,33 56

FOOD MAIS SUPERSWEET 44 3107-050 0,0124 6,24 144

FOOD TOMATE EN DES 6160-021 0,015 1,8 0

FOOD CONCOMBRE EN DES 437-079 0,015 1,8 33

FOOD TOMATE GD CALIBRE 253-100 0,01776 6,8 90

FOOD TOMATE CERISE 9X250G 5767-092 0,00948 2,75 189

FOOD OIGNON FRAIS EMINCE 28-049 0,015 1,65 33

FOOD OIGNONS RONDELLES 4209-078 0 2 48

FOOD OIGNONS FRITS 1870-030 0,02222025 5,438 72

FOOD MELANGE SALADE PLUS 134-561 0,03888 6,5 35

FOOD SALADE SANDWISH 2783-090 0,03888 6,5 35

FOOD MC SALADE 18-279 0,03888 8,5 35

FOOD SALADE ROQUETTE X500gr 8817-082 0,015 0,9 10

FOOD POMMES EN TRANCHES 8549-097 0,003146 1,05 30

FOOD SHAKE LIQUIDE MIX 11-037 0,0256 11 48

FOOD SUNDAE LIQUIDE MIX 12-025 0,045359825 11 48

FOOD LAIT UHT 3940-051 0,0068058 6,51 155

FOOD BERLINGO FRUITS POMME 6207-039 0,0134946 5,4 90

FOOD DAN UP YAOUMI FRAISE 791-045 0,0045441 1,44 192

FOOD M&M MCFLURRY 1466-027 0,013960485 4,86 96

FOOD EAU MINERLE SI ALI NATUR 33CL 3769-036 0,007679424 4,62 224



57

FOOD EAU MINERALE 0,5L SIDI ALI 3309-019 0,0090797 7 168

FOOD EAU MINERALE SI ALI FRAISE BOUCHON SPORT 4655-002 0,0064575 4,62 224

FOOD EAU MINERALE SI ALI PECHE BOUCHON SPORT 8178-032 0,006579 4,62 224

FOOD COCA BIB 19-062 0,02424 27 30

FOOD FANTA ORANGE BIB 21-095 0,02424 27 30

FOOD SPRITE BIB 168-044 0,02424 27 30

FOOD COCA LIGHT BIB 42-029 0,015906625 13,5 54

FOOD SAUCE BARBECUE X125 408-083 0,00754243 4 150

FOOD SAUCE CURRY X50 3040-050 0,003337875 1,6 100

FOOD SAUCE MOUTARDE X50 410-050 0,00346725 1,5 100

FOOD SAUCE CHINOISE X50 409-050 0,003493125 1,6 100

FOOD LAVAZZA CAFFE EN GRAIN 1007-029 0,022446 6 55

FOOD LAVAZZA EXPRESSO DECAFEINE MOULU 7947-015 0,0094248 1,5 294

FOOD KETCHUP BIB Portugal 2679-297 0,0119475 11,9 84

FOOD KETCHUP SACHET 45-285 0,02808 17 40

FOOD BANANIA STICK 20g 3758-034 0,02767212 9,85 36

FOOD MOUTARDE VRAC20X750G 26-054 0,021336 15,6 54

FOOD CACAHUETTES 17-034 0,014255945 3,5 72

FOOD SCE POTATOES 8158-018 0,0151191 7,23 84

FOOD SAUCE FRITES 3613-024 0,01852416 9,2 60

FOOD SAUCE WESTERN 3676-057 0,00403 1,2 252

FOOD CORNICHONS X 6,8 Kg 63-047 0,0147441 11,2 84

FOOD MOUTARDE STICK X1000 46-090 0,012096 3 90

FOOD SUCRE LAVAZZA 47-083 0,0152439 4,5 50

FOOD OIGNON DESHYDRATE 56-072 0,0422334 11,5 45

FOOD CORNET SUNDAE 23-040 0,04921995 5,85 24

FOOD MINI CORNET 123-090 0,052418235 2,1 36

FOOD MINI CORNET 90MM 3504-019 0,049019904 6,59 32

FOOD SIROP FRAISE 62-068 0,01028 12,5 60

FOOD SIROP VANILLE 60-068 0,0134596 12,5 60

FOOD TOPPING KIT KAT 6928-051 0,0183414 6,82 48

FOOD FONDANT CARAMEL 69-011 0,01318125 12,5 60

FOOD FONDANT AROME CACAO 65-064 0,0138684 12,5 60

FOOD SIROP CHOCOLAT BLANC UNITE 8020-021U 0,0050592 1,3233 0

FOOD THE LIPTON EARLGREY 1344-003 0,01092975 0,708 162

FOOD MELANGE SEL/POIVRE 3496-062 0,0059475 12,5 70

FOOD SEL 5x500gr 29-177 0,00341712 2,595 120

PAPER BTE BIG TASTY QG 8201-324 0,074693565 13,5 24

PAPER BOITE ROYAL CHEESE 297-648 0,059925825 10,81 24



58

PAPER PLATEAUX A EMPORTER 4 TROUS 397-047 0,08255625 6,56 40

PAPER PLATEAUX A EMPORTER 2 TROUS 247-016 0,05859392 7,8 40

PAPER CROISILLON 3651-018 0,029304 4,65 48

PAPER PORTE CORNET 674-039 0,0226525 9,73 48

PAPER GOBELET A EAU EURO 2012 101-141 0,09675 11,593 18

PAPER GOB 025L 155-931 0,08282859 10,906 24

PAPER GOB 04 7334-180 0,1107 13,348 18

PAPER GOB 05 768-372 0,1216776 14,363 18

PAPER MKF PAILLES CUILLERES 5313-075 0,080530625 4,83 20

PAPER GOBELET JUS D’ORANGE 124-054 0,0637007 9,87 24

PAPER GOB SUNDAE 261-102 0,082866784 15,432 24

PAPER GOB MCFLURRY 6373-840 0,0783756 8,414 24

PAPER GOB SHAKE 2 59-090 0,097802 9,13 18

PAPER GOB PARFAIT 300ML 59-017 0,09474075 16,5 18

PAPER COUV PARFAIT 2113-042 0,09662644 7,2 18

PAPER SAC LARGE BA NI 14 EU NOL 5565-180 0,035763 9,9 36

PAPER SAC SALADE 11580-

006 0,0328865 7,8 36

PAPER SAC A BA EUFA NOL 10958-

138 0,015392 6,5 96

PAPER SAC B BA UEFA NOL 6472-248 0,027047 11,3 50

PAPER SAC C BRAND AMBITION NI 14 NOL 131-254 0,03504375 13,2 35

PAPER BOITE FRITES LARGE QG 1139-898 0,041902 16 36

PAPER BTE FRITES MEDIUM QG 163-640 0,0321489 12,6 48

PAPER SACHETS PT FRITES 127-630 0,006016 3,3 162

PAPER BTE NUGGETS X 4 QG 3594-330 0,02806 4,553 56

PAPER BOITE NUGGETS X 6 268-148 0,067032 10,8 30

PAPER BOITE NUGGETS X 9 288-636 0,057834 9,13 24

PAPER BOITE MC NUGGETS 15 7231-000 0,04838625 11,04 18

PAPER BOITE FAMILAx50 3206-029 0,01311 5,225 30

PAPER BTE MCCHICKEN QG 3067-201 0,058166405 10,81 24

PAPER BTE FILET O FISH 311-618 0,0581457 10,81 24

PAPER BTE GRAND ROYAL CHICKEN 6614-078 0,076936 11,9 24

PAPER BTE MCFONDUE 7661-006 0,07788 11,52 24

PAPER BTE SWISS CHEESE 1125-075 0,027459 4,553 56

PAPER PAPIER GNRQ KAKI 6498-144 0,00296205 4 352

PAPER PAPIER GENERIQUE BLEU 6498-165 0,0028458 2,562 352

PAPER PAPIER HAMBURGER 284-642 0,002764825 2,4 384

PAPER PAPIER CHEESEBURGER 285-585 0,00281015 2,4 384

PAPER PAPIER DB CHEESEBURGER 1179-222 0,00282472 2,6 352

PAPER PAPIER GENERIQUE ROUGE 6498-147 0,00269049 2 352



59

PAPER BTE BIG MAC QG 295-232 0,05698752 10 24

PAPER BTE CHILI AND CHEESE 1125-036 0,02841075 5 56

PAPER SET A PLATEAU SOS VILLAGES 398-217 0,0039858 4,29 200

PAPER COUV. GOB MCFLURRY 5481-090 0,04758141 3,511 48

PAPER COUV. GOB JO 116-058 0,0634032 4,5 24

PAPER COUV. GOB 0.4L / 0.5L HUH 117-297 0,077749 4,033 24

PAPER COUV. GOB.SUNDAE 335-068 0,0499359 10,141 36

PAPER COUV GOB CAFE 0,2L DOME 164-021 0,04369367 4 36

PAPER COUV GOB CAFE 0,1L 3822-072 0,0087234 0,7 144

PAPER SACHET PATISSERIE 6958-001 0,006831 2,497 260

PAPER SERVIETTES 193-330 0,120392 13,87 12

PAPER GOBELET CAFE 0,2L 232-292 0,107436375 11,248 18

PAPER GOB CAFE 0.1 3821-303 0,029568 3,905 27

PAPER BAGUES DE PROTECTION CAFE 7438-073U 0,02135 0 0

PAPER GOB CAFE DELUXE 2539-006U 0,0976 0,603 18

PAPER CUILLERE A SUNDAE 2 269-008 0,0477594 5,5 42

PAPER CUILLERE MC FLURRY 5478-072 0,053516575 4,4 36

PAPER TOUILETTE A CAFE 2x2000 170-086 0,00403788 1,45 408

PAPER BOL SALADE 7531-006 0,073232 8,5 24

PAPER

COUVERCLE MINI SALADE &

CHOCOGLACE 3313-063 0,10902 4,641 28

PAPER COUVERCLE SALADE 102-040 0,09877 5 20

PAPER KIT COUTEAU FOURCHETTE 3406-042 0,0480168 5,3 36

PAPER PAILLE EMBALLEE PAPIER 223-135 0,094146 6,3 20

OPS MB-ACTIVE CLEANER 845-000 0,010395 3,5 0

OPS SIFON MB-ACTIVE TRAP 624-024 0,01023 6,2 72

OPS POINCONNEUSE 9122-200 84 1 999

OPS SEAU CHIFFON PROPRE 9122-460 0,04016016 1,11 999

OPS SEAU CHIFFON SALE 9122-461 0,034816 1,11 999

OPS COUVERCLE SEAU 9122-462 0,00011189 0,22 999

OPS POUBELLE PEDALE 87L 9122-356 0 8 0

OPS POUBELLE PEDALE 30L 9122-357 0 3,5 0

OPS DISTRIBUTEUR GANTS 9000-073 0,00222 1,55 400

OPS GANTS GRILL 1672-000 0,00588 1,55 160

OPS PT SET A PLATEAU SYLVANA3 195-098 0,004575 3,26 232

OPS SET TIRROIR GRILL MADE FOR YOU 195-165 0,025944 14,44 42

OPS AQUAFRESH 6692-007 0,00952 6 0

OPS DETERGENT MACHINE A LAVER 305-138 0,020736 20,2 36

OPS PINCE RAMASSE DECHETS 95099-

010 0,000086 0,354 500

OPS MIGOU DEBOUCHE EGOUTS 305-056 0,037912125 26 40



60

OPS BLOUSES OPEN DOORS BLOUSES 0,0004 2 0

OPS SCELLE CAMION LIVRAISON SCELLE 0,003648 1,5 0

OPS MCD DR UNITE 304-228U 0,0036408 1,106 0

OPS MCD FR UNITE 302-093U 0,002842 1,1166 0

OPS MCD KL UNITE 2722-034U 0,022997 1,208 0

OPS MCD HA UNITE 2437-053U 0,0036408 1,11 0

OPS MCD SK 4 X 1,5 L 225-032 0,01036 6,36 75

OPS SAVON MIHAND 355-080 0,04990904 5,5 39

OPS PAPIER HYGNQ 3123-003 0,005776 7,8 40

OPS NETTOYANT VITRES MIGLASS 225-070 0,00189 1,3 0

OPS DISTRIBUTEUR SAVON MAIN 326-028 0,00352672 0,5 261

OPS CHAMPION AND STARTER KIT 6972-003 0 8,2 0

OPS RECHARGE NEUTRALISANT ODEUR CHAMPION PLUS 6973-003 0 4 396

OPS KAY VEGI WASH 100 X 28GR 1467-000 0,0141236 3,51 40

OPS FRANGE FAUBERT 450G 152-006 0,03564 1 0

OPS PINCE AVEC MANCHE POUR MOP 300-001 0,00015 1,8 0

OPS MCD DOSEUR EVIER 368-003 0 1 40

OPS CAPITAL MULTI PURPOSE CONCENTRATE X10L 303-243 0,01141875 10,88 60

OPS AMH ASEPTISANT 355-315 0,0246605 17,35 39

OPS MCD FRITEUSE 308-009 0,006258875 4,4 225

OPS DISTRIBUTEUR TABLIER BLANC JETABLE

80000-256 0,00602 1 42

OPS BROSSE EVIER 219-001 0,00126 1 99

OPS NAPPERONS VITRINE PATISSERIE 1893-003 0,004375 1 180

OPS MOPS BLEU ET ROUGE 9000-023 0,0032895 0,5 100

OPS MOPS ABSORBANTES 80000-

699 0,0092 1 100

OPS PRESS CHARIOT 1 SEAU 3980-006 0,032032 4,5 999

OPS CHARIOT 2 SEAUX 4085-000 0,08352 5 999

OPS SUPPORT MOP PLIABLE 4094-009 0,004644 1 100

OPS BALAI BROSSE CUISINE 331-039 0,003276 0,5 99

OPS BALAI SOL LOBBY 4129-027 0,0025675 1 10

OPS MANCHE ALU BLUE LAV,PLAT 4150-000 1,39E-08 1 100

OPS RACLETTE SOL PIVOTANTE 80000-

043 0,019875 0,44 999

OPS MANCHE BROSSERIE VIKAN 80000-

084 0,000000015 1 99

OPS BALAI EXTERIEUR VERT 5098-003 0,0109782 1 999

OPS BALAYETTE DURE EXT 6206-000 9,6E-09 1 188

OPS PELLE RAMASSE MEGOTS 336-030 0,04845 1 999

OPS CHARIOT UN SEAU 796-003 0,1095003 2 999

OPS MCD NICKEL TOASTER 4084-003 0,00528 2,2 192



61

OPS BOBINES ESSUYAGE / 6 4081-003 0,00528 13 40

OPS SEAU BLANC 4072-003 0,025088 1 150

OPS SERVIETTES GRILL X 40 340-051 0,015841 3 90

OPS SERVIETTES COMPTOIR X 72 334-132 0,013986945 3,5 60

OPS SALIERE POIVRIERE PLASTIQUE UNITE 718-385 0 1 50

OPS LAVETTE SANITAIRE BLEUE 81000-

161 0,05328 7,1 36

OPS MCD PORT TAMPON GRIL N°3 3575-033 0,007373255 1 160

OPS MCD TAMPON GRILL N°3 3574-030 0,0046575 0,23 324

OPS TABLIER FILTRAGE 2 80000-

650 0 1 50

OPS SERRE TETE FILTRAGE 9000-043 0,011638 0,212 99

OPS ECRAN FILTRAGE 9000-046 0,000164 0,114 99

OPS GANTS FILTRAGE 9000-106 0,0151976 1 36

OPS GUIDE QUALITE 2014 9200-685 0,0235872 0,3 1280

OPS POMPE SIROP 6189-010U 0,000011 0 0

OPS FILETS A CHEVEUX 1714-009 0,007056 1 144

OPS KAY ASEPTISANT PLONG 2595-081 0,02126355 3,3 72

OPS KAY LIQUID CLEANSER PLUS 3200-051 0,010695 6,36 100

OPS KAY 5 ASEPTISANT 304-249 0,0202007 3,3 71

OPS KEY NETTOYANT GRILL 301-114 0,020488 13,23 72

OPS CHARGE HEAVY DUTY DEGREASER 215-165 0,0278775 19,51 48

OPS MCD SOL N°2 1244-007 0,0190404 20 72

OPS KAY DETARTRANT 2722-039 0,0105264 3,2 135

OPS ROBINET KETCHUP 2024-021 0,000152 1 0

OPS VAPO SURF MULTISURFACES ET VITRES 643-147 0,00664092 0,415 160

OPS VAPO ASEPTISANT 643-144 0,00740096 0,415 160

OPS VAPO DEGRAISSANT 643-150 0,0066555 0,415 160

OPS FILTRE FRITEUSE MAGNESOL 3190-054 0,0399 6,43 64

OPS ENVELOPPE TAPIS TOASTER 1630-009 0 0,5 0

OPS FILTRE PAP AUTOFILTRT 3400-021 0,0191625 1 50

OPS SAC POUBELLE 2927-015 0,0094248 10,14 78

OPS SAC POUBELLE 240L 356-249 0,0132 14,5 48

OPS PLATEAU ECRU GUPP 169-063 0,05741775 11,4 15

OPS GANTS SALADE 838-030 0,0243 1 999

OPS TESTEUR CHLORE 4999-003 0,00528 0,042 990

OPS PLATEAU VITRINE X 3 80000-

287 0,006660225 2 0

OPS BAGUETTES JOURNAUX 80000-

014 0 1 0

OPS VITRINE A PATISSERIE 80000-

281 0 5,5 0

OPS PORTE CRT CAISSE PANAS PLASTQ 9266-000 0 2 0



62

OPS TABLIER JETABLE BLANC X 100 80000-

117 0,028825875 2 300

OPS FILM PLASTIQUE 4125-012 0 2,5 48

OPS TEFLON 3 RABATS 2701-003 0,002722734 1,024 750

OPS PETIT TEFLON 2184-003 0,002321865 1 750

OPS TEFLON INTELL 2188-003 0,0020988 0,78 0

OPS TEFLON TOASTER 1247-003 0,00085 0,5 0

OPS BUN TOASTER WRAP BELT 795 1630-021 0,002879412 0,2 0



FOURNITURES BUREAU CLASSEUR GESTION RESTAU PLR 9200-586 0,0235872 1,65 0

FOURNITURES BUREAU CLASSEUR GESTION QUART

86700-430 0,007128 1,7 0

FOURNITURES BUREAU KITCHEN MANUAL BLUE EXTEND HRS 2619-013 0 2 0

FOURNITURES BUREAU KITCHEN MANUAL RED 2619-016 0,05859392 2 0 FOURNITURES BUREAU BLOC LIST CONTROL PRE QUART X 5

86500-040 0 1 0

FOURNITURES BUREAU CLASSEUR SECURITE ALIMENTAIRE 9200-614 0,0242 4,5 0 FOURNITURES BUREAU CLASSEUR SUP

86200-100 0,007128 2,2 50

FOURNITURES BUREAU CLASSEUR PEP

86700-436 0,007128 0,9 0

FOURNITURES BUREAU ATELIER GESTION DE QUART

86700-290 0 2 0

FOURNITURES BUREAU BADGE MCDO STAFF

80000-360 0,0036 0,6 150

FOURNITURES BUREAU

PORTE ETIQ PLASTIQUE ECOSIMA DBR 26

200004-102 0,082866784 0,006 0

FOURNITURES BUREAU

PORTE ETIQ ADHESIVE ECOSIMA GLS 26 201179-3 0 0,006 0

FOURNITURES BUREAU JEU ETIQ ECOSIMA 2000-000 0 1 0

FOURNITURES BUREAU ETIQUETTES BLANCHES

81000-127 0,0070464 2,5 408

FOURNITURES BUREAU TAMPON ENCREUR POUR PINCE 1

80000-222 0 1 0

FOURNITURES BUREAU PINCE A ETIQUETER K22 2978-003 0,00256 4,5 20 FOURNITURES BUREAU ETIQUETTES K22

81000-127 0,0070464 2,5 408

FOURNITURES BUREAU TAMPON ENCREUR K22 2136-027 0 0,2 0 FOURNITURES BUREAU ROULEAU IMPRIMANTE SATO 2087-043 0,0066429 19,2 168

FOURNITURES BUREAU RLX IMPRIMANTE CAISSE SANS FIL 9122-302 0,03672 19,2 40 FOURNITURES BUREAU RLX IMPRIMANTE THERMIQUE 2121-486 0,02464 11,32 36

FOURNITURES BUREAU ROULEAU IMPRIMANTE HP PANASONIC 9122-301 0,0237984 9,6 60

CADEAU /PLV GONFLEUR BALLON 9122-232 0,0113652 2 40

CADEAU /PLV TIGE BALLON X500 4640-048 0,041108125 2,98 42

CADEAU /PLV DRAPEAU VERTICAL VERT 212-034 0,00513 1 120

CADEAU /PLV DRAPEAU MCDRIVE VERT 212-037 0,00432 1 99



63

CADEAU /PLV BALLONS IMPRIMES 80000-

735 0,022386 2,8 108

CADEAU /PLV BAVOIR ENFANT 80000-

595 0,026752 9,4 48

CADEAU /PLV ARBRE A BALLON 9122-235 0,04465 5,3 40

CADEAU /PLV SET DE TABLE ANIV 2005 7883-609 0,004144 10 0

CADEAU /PLV KIT CONSOMMABLE ANNIV 08 88000-

930 0,0513 16,5 28

CADEAU /PLV KIT CONSOMMABLE ANNIV 09 7883-548 0 9 0

CADEAU /PLV ANNIV 10 MEMO MME 88100-035U 0 0,4 0

CADEAU /PLV ANIV 07 KIT PERMANENT DOM TOM 2 88000-

890 0 5,5 0

CADEAU /PLV CADEAU ANNIV 2012 FIGURINE MUSIC 88100-

138 0 3,9 36

CADEAU /PLV MALETTE MAQUILLAGE 88100-

046 0 1,2 40

CADEAU /PLV HAPPY CADEAUX 9700-015 0 6 30

CADEAU /PLV PDP 07 CALENDER 188-171 0 10 0

CADEAU /PLV PDP HAPPY MEMOEYGAME 2011 188-215 0 10 0

CADEAU /PLV PDP HAPPY POST CARD 3070-807 0,008415 10 40

CADEAU /PLV PDP PENCILS Q2 3753-006 0 10 0

Annexe 2:Formulaire de Commande



64

Bibliographie

1. C, Jan, et al. Behavioral Operations in Planning and Scheduling. s.l. : Springer Berlin

Heidelberg.

2. B.L.MacCarthy and J.R.Wilson. 2003. Human Performance in Planning and

Scheduling. New york : CRC Press, 2003.

3. Dantzig, George Bernard; Ramser et John Hubert (October 1959). Management

Science 6 (1): 80–91. doi:10.1287/mnsc.6.1.80

4. L. Bodin et B. Golden. Classification in vehicle routing and scheduling. Networks,

5. J.K. Hao, P. Galinier, and M. Habib. Métaheuristiques pour l'optimisation Combinatoire

et l'affectation sous contraintes. Revue d'Intelligence Artificielle

6. M. Gendreau et J.Y. Potvin. Metaheuristics in combinatorial optimization. Annals of

Operations Research

7. El-Ghazali Talbi. Metaheuristics : From Design to Implementation. John Wiley and

Sons, Hoboken, NJ, 2009.

8. Clarke et JW Wright. Scheduling of vehicles from a central depot to a Number of

delivery points. Operations research

9. S. Lin. Computer solutions of the traveling salesman problem. Bell System Technical

Journal

10. Marius M. Solomon. Algorithms for the vehicle routing and scheduling problems with

time window constraints. Operations Research, 35 :254_265, 1987

11. Prins.A simple and effective evolutionary algorithm for the vehicle routing

problem.Computer&Operation Research, 31(12) :1985_2002, 2004.

12. M.B. Baker and M.A. Ayechew. A genetic algorithm for the vehicle routing problem.

Computers & Operations Research, 30(5) :787 _ 800, 2003

13. E. J. Beltrami et L. D. Bodin. Networks and vehicle routing for municipal waste

collection. Networks, 4: 65-94, 1974

14. N. Christofides et J. E. Beasley. The period routing problem. Networks, 14: 237-256,

1984

15. R. A. Russell et D. Gribbin. A multiphase approach to the period routing problem.

https://en.wikipedia.org/wiki/Digital_object_identifier

https://dx.doi.org/10.1287%2Fmnsc.6.1.80



65

Networks, 21: 747-765, 1991.

16. M. L. Fisher et R. Jaikumar. A generalized assignment heuristic for vehicle routing.

Networks, 11: 109-124, 1981.

17. S. Lin et B. W. Kernighan. An effective heuristic algorithm for the traveling-salesman

problem. Operations Research, 21: 498-516, 1973

18. M. W. Carter, J. M. Farvolden, G. Laporte et J. Xu. Solving an integrated logistics

problem arising in grocery distribution. Rapport technique 95-26, Centre de recherche

sur les transports, 1995

19. J. F. Cordeau, G. Laporte, et A. Mercier. A unified tabu search heuristic for Vehicle

Routing Problems with time Windows. Journal of the Operational Research Society,

52:928-936, 2001.

20. Pirkwieser et G. R. Raidi. Boosting a variable neighborhood search for the periodic

vehicle routing problem with time Windows by ILP techniques. In Proceedings of the

8th Metaheuristic International Conference (MIC 2009), Hamburg, Germany, 2009a

Webographie

1. PREMIERS PAS en VBA : https://www.openclassrooms.com consulté le 03 avril 2016

2. Part Design : www.catia.com consulté le 10 avril 2016

3. Assembly Design : www.catia.com consulté le 15 avril 2016