Jing LI soutient sa thèse de doctorat le vendredi 8 novembre 2024: « Optimisation de la logistique d’urgence en cas de catastrophes naturelles »

Le problème de planification de la logistique d’urgence (ELPP) pour les catastrophes naturelles a attiré une attention significative ces dernières années en raison de la fréquence croissante et des impacts graves sur la santé publique et la sécurité. Ces catastrophes peuvent être classées en deux types : prévisibles et imprévisibles. Cette étude se concentre sur l’amélioration de l’efficacité et de l’efficience des secours pour les deux types de catastrophes.

Les catastrophes imprévisibles, survenant soudainement avec peu ou sans avertissement préalable, présentent de sérieux défis pour les organisations de secours. Les recherches actuelles sur les ELPPs pour les catastrophes imprévisibles (ELPPs-UD) négligent le rôle des donations ainsi que des facteurs clés simultanément, tels que la demande, le transport et l’approvisionnement incertains, qui affectent ensemble l’efficacité des interventions. Pour combler cette lacune, le premier travail de la thèse étudie un nouveau ELPP-UD qui considère la corrélation entre les donations et la gravité des catastrophes, ainsi que diverses incertitudes. Un nouveau modèle d’optimisation robuste à deux étapes est construit et des algorithmes sur mesure de génération de colonnes et de contraintes (CCG) sont développés pour résoudre ce problème. Les expériences numériques à partir d’une étude de cas et d’instances générées aléatoirement valident l’efficacité et l’efficience du modèle et des algorithmes proposés.

Les catastrophes naturelles prévisibles sont caractérisées par leur capacité à être prévues bien à l’avance. Les informations prévisionnelles appropriées peuvent être utilisées pour des alertes précoces et une préparation aux urgences afin d’améliorer l’efficacité des secours. Cependant, la littérature existante sur les problèmes de planification de la logistique d’urgence pour les catastrophes prévisibles (ELPP-PD) présente plusieurs lacunes : 1) Aucune étude n’examine les activités de secours en considérant simultanément les trois étapes: avant les alertes, entre une alerte et le déclenchement de la catastrophe, et après la catastrophe. 2) La plupart des études ne tiennent pas compte des incertitudes temporelles liées à la trajectoire et à l’intensité d’une catastrophe. 3) Il y a un manque de prise en compte des options de transport impliquant la participation du public, telles que les transporteurs “crowd-sourced”, même si leur rôle peut être crucial pour assurer une réponse rapide en cas de catastrophe.

Pour combler ces lacunes, le deuxième travail de la thèse étudie un nouveau ELPP-PD qui prend en compte simultanément les décisions de secours en trois étapes et les incertitudes temporelles liées à la trajectoire et à l’intensité d’une catastrophe. Un nouveau modèle d’optimisation robuste à trois étapes est proposé. Pour résoudre le problème efficacement, un modèle déterministe équivalent est proposé, basé sur une analyse théorique, puis un algorithme de recouvrement progressif amélioré est développé. L’efficacité et l’efficience du modèle et de l’algorithme proposés sont évaluées par une étude de cas et des instances générées aléatoirement.

La troisième partie de la thèse examine un ELPP-PD innovant qui intègre l’utilisation de supports “crowd-sourced”. Pour ce problème, un nouveau modèle robuste à base de contraintes en probabilité sur plusieurs périodes est proposé, qui est ensuite converti en un modèle déterministe équivalent par une analyse théorique. Un algorithme heuristique basé sur la CCG est développé pour résoudre efficacement le problème. Les résultats expérimentaux basés sur une étude de cas et des instances générées aléatoirement démontrent la bonne performance du modèle et de l’algorithme proposés.

The emergency logistics planning problem (ELPP) for natural disasters has gained significant attention in recent years due to the increasing frequency and severe impacts of these events on public health and safety. These disasters can be classified into two types: predictable and unpredictable. This study focuses on improving the effectiveness and efficiency of relief efforts for both types of disasters.

Unpredictable natural disasters, which occur suddenly with little to no warning, present significant challenges to relief organizations. Existing literature on ELPPs for unpredictable natural disasters (ELPPs-UD) fails to consider the impact of in-kind donations on relief activities and does not fully explore key factors in disaster relief together, such as uncertain demand, transportation, and supply. These oversights can affect the efficiency of relief activities. To bridge this gap, we first study a new ELPP-UD that considers the correlation between in-kind donations and disaster severity, as well as various uncertainties. A novel two-stage distributionally robust optimization model is constructed, and tailor-made column-and-constraint generation (CCG) algorithms are developed to solve the problem. Numerical experiments on a case study and randomly generated instances validate the effectiveness and efficiency of the proposed model and algorithms.

Predictable natural disasters are characterized by their ability to be forecasted well in advance. Appropriate forecasting information can be used for earlier disaster warnings and emergency preparedness to improve relief effectiveness. However, the existing literature on ELPPs for predictable disasters (ELPPs-PD) has several research gaps: 1) No study fully considers the relief activities at all three stages simultaneously: pre-warnings, between a warning and the onset of the disaster, and post-disaster. 2) Most studies do not consider both time-dependent uncertainties in the disaster’s trajectory and intensity. 3) There is a lack of consideration for transportation options that involve public participation, i.e., crowd-sourced carriers, even though they can be crucial in ensuring a timely disaster response.

To bridge these research gaps, the second work of the thesis investigates a novel ELPP-PD that accounts for three-stage relief decisions and time-dependent uncertainties in the disaster’s trajectory and intensity together. A novel three-stage distributionally robust optimization model is proposed for the problem. To efficiently resolve the problem, an equivalent deterministic model is provided based on theoretical analysis, and then an enhanced progressive hedging algorithm is proposed. The effectiveness and efficiency of the proposed model and algorithm are evaluated through a case study and randomly generated instances.

The third part of the thesis further examines an innovative ELPP-PD that incorporates the use of crowd-sourced carriers. A novel multi-period robust chance-constraint model is proposed, which is then converted into an equivalent deterministic model through theoretical analysis. A heuristic-based CCG algorithm is then developed to effectively solve the problem. Experimental results based on a case study and randomly generated instances demonstrate the good performance of the proposed model and algorithm.