Contraintes opérationnelles

Véhicules hétérogènes : optimiser des tournées avec un parc mixte

Mis à jour le

En bref : Capacités, gabarits, équipements et motorisations différents compliquent l’optimisation. L’affectation du bon véhicule à chaque mission doit être confiée à l’algorithme plutôt qu’au dispatcher, surtout avec l’arrivée des véhicules électriques.

Rares sont les exploitations qui disposent d’une flotte homogène. La réalité d’un parc de livraison est souvent un assemblage de véhicules de gabarits différents, de motorisations différentes, d’équipements différents, acquis à des moments différents selon les besoins du moment. Optimiser des tournées sur un parc hétérogène est significativement plus complexe que sur un parc uniforme : l’algorithme doit non seulement décider qui va où, mais aussi avec quel véhicule, en tenant compte des contraintes propres à chaque type de véhicule et à chaque mission.

Ce que l’hétérogénéité du parc ajoute au problème d’optimisation

Sur un parc homogène, tous les véhicules sont interchangeables. N’importe quelle tournée peut être affectée à n’importe quel véhicule. L’algorithme n’a qu’à décider de la répartition des clients et du séquençage des arrêts.

Sur un parc hétérogène, chaque véhicule a ses propres caractéristiques qui le rendent plus ou moins adapté à certaines missions. Un camion de dix tonnes peut livrer un client avec une commande de deux palettes, mais c’est un gaspillage de capacité. Un fourgon léger peut couvrir cinq clients en centre-ville en profitant d’accès que le camion ne peut pas prendre. Un véhicule frigorifique est indispensable pour certains produits mais inutile pour d’autres. L’algorithme doit arbitrer entre toutes ces dimensions simultanément.

La dimension coût vient s’ajouter à la dimension capacité. Un kilomètre parcouru avec un camion lourd coûte plus cher qu’un kilomètre parcouru avec un fourgon léger. Un algorithme qui minimise uniquement le kilométrage total sans tenir compte du coût par kilomètre selon le type de véhicule produit des solutions sous-optimales économiquement : il peut réduire le kilométrage en utilisant systématiquement les véhicules les plus grands, alors qu’une répartition intelligente entre les différents gabarits serait plus économique.

Les dimensions de l’hétérogénéité à paramétrer

Les capacités en poids et en volume sont les paramètres les plus évidents. Chaque véhicule a une charge utile maximale et un volume de chargement. Ces deux dimensions doivent être paramétrées indépendamment : un véhicule peut être contraint par le volume avant d’être contraint par le poids, ou l’inverse selon la nature des produits livrés.

Les restrictions d’accès géographique sont souvent sous-estimées dans le paramétrage initial. Un poids lourd ne peut pas circuler dans certaines rues, sous certains ponts, dans certaines zones à restrictions de gabarit. Un véhicule électrique peut accéder à des zones interdites aux véhicules thermiques. Ces restrictions géographiques par type de véhicule doivent être intégrées dans le calcul des itinéraires, pas seulement dans les règles d’affectation.

Les équipements spécifiques conditionnent l’affectation de certaines missions. Un hayon élévateur pour les livraisons sans quai de déchargement. Un caisson frigorifique pour les produits sous température dirigée. Une rampe d’accès pour les personnes à mobilité réduite dans le transport de personnes. Ces équipements doivent être associés aux véhicules qui les possèdent, et les missions qui les nécessitent ne peuvent être affectées qu’à ces véhicules.

Le coût à l’usage varie selon le type de véhicule : carburant, péages, coût de l’amortissement. Un algorithme qui peut optimiser en tenant compte de ces coûts réels, et non seulement du kilométrage, produit des solutions économiquement meilleures sur un parc hétérogène.

L’affectation véhicule-mission : une décision algorithmique à ne pas laisser au dispatcher

Dans beaucoup d’exploitations, l’affectation des véhicules aux tournées est faite manuellement par le dispatcher avant de lancer l’optimisation. Il choisit quel véhicule prend quelle zone selon son expérience et ses habitudes. L’optimiseur prend ensuite cette affectation comme une donnée fixe et optimise les tournées dans ce cadre.

Ce mode de fonctionnement laisse sur la table une partie significative des gains potentiels. L’affectation manuelle du dispatcher est basée sur des heuristiques informelles (ce véhicule va toujours dans ce secteur) qui ne sont pas nécessairement optimales. Un algorithme qui décide simultanément de l’affectation des véhicules et du séquençage des missions explore toutes les combinaisons possibles et peut trouver des affectations que le dispatcher n’aurait pas envisagées.

La résistance à ce changement de pratique est fréquente : le dispatcher a l’impression de perdre le contrôle sur une décision qu’il prenait lui-même. La transition vers un mode où l’algorithme propose l’affectation et le dispatcher valide (plutôt que décide) est souvent le changement organisationnel le plus difficile à conduire dans un projet d’optimisation sur parc hétérogène.

Un test utile en démonstration : chargez un scénario avec des missions de volumes variés et un parc mixte de trois types de véhicules. Demandez à l’outil de proposer une affectation optimale sans contrainte manuelle préalable. Comparez avec ce que votre dispatcher aurait fait intuitivement. L’écart de coût entre les deux affectations vous donnera une idée du gain potentiel d’un algorithme d’affectation automatique sur votre parc.

La transition vers la flotte électrique : une hétérogénéité supplémentaire

Les flottes en transition vers l’électrique sont des flottes mixtes thermique-électrique dont l’hétérogénéité est particulièrement exigeante à gérer. Les véhicules électriques ont une autonomie limitée qui impose des contraintes de distance maximale par tournée, et potentiellement des arrêts de recharge intercalés dans les tournées longues.

L’algorithme doit traiter l’autonomie résiduelle comme une contrainte de capacité temporelle : chaque mission consomme de l’autonomie, et la somme des missions affectées à un véhicule électrique ne doit pas dépasser son autonomie disponible au départ (moins une marge de sécurité). Quand une recharge intermédiaire est nécessaire, l’algorithme doit l’intégrer comme un arrêt supplémentaire dans la tournée, en sélectionnant la borne de recharge la moins pénalisante en termes de temps et de détour.

Les véhicules électriques ont souvent accès à des zones interdites aux véhicules thermiques (ZFE sans restriction pour les véhicules à zéro émission). L’algorithme peut tirer parti de cette spécificité en affectant préférentiellement les missions en zone ZFE aux véhicules électriques, ce qui libère les véhicules thermiques pour les missions hors ZFE et réduit les contraintes globales du problème.

Ce que les exploitants de parcs mixtes doivent vérifier

La capacité de l’outil à paramétrer de façon granulaire chaque type de véhicule (poids, volume, équipements, restrictions géographiques, coût à l’usage) est le critère de base. Vérifiez que ce niveau de détail est disponible dans le paramétrage, pas seulement dans l’argumentaire commercial.

L’affectation automatique des missions aux véhicules (et non la pré-affectation manuelle par le dispatcher) est le critère qui conditionne l’exploitation complète du potentiel d’un algorithme sur parc hétérogène. Demandez une démonstration en mode affectation automatique sur un scénario représentatif de votre parc.

Si votre flotte est en transition vers l’électrique, vérifiez que l’outil gère l’autonomie comme une contrainte de capacité et propose des arrêts de recharge dans les tournées quand c’est nécessaire. C’est une fonctionnalité que tous les outils n’ont pas encore intégrée avec un niveau de maturité satisfaisant.

Vous gérez un parc mixte et vous cherchez un optimiseur qui exploite pleinement la diversité de vos véhicules ? Le questionnaire QuelleTournee.fr analyse votre configuration et vous propose les solutions adaptées.

Trouver mon optimiseur de tournées →