| dc.description.abstract | The rapid growth of urbanization and mobility demand has created critical challenges
for sustainable transportation systems. Among these, hub location–allocation problems
(HLAPs) have become a central concern in designing efficient carpooling and multimodal
mobility infrastructures, where the objective is to balance accessibility, cost efficiency, and
environmental impact [1][2]. Such problems are NP-hard and cannot be solved efficiently
using exact methods for real-scale instances, which motivates the use of approximation,
heuristic, and metaheuristic methods [3, 4].
This thesis explores the application of multi-objective optimization to HLAPs, focusing on
advanced metaheuristics. Evolutionary algorithms such as the NSGA-II, GA, and MOPSO
are analyzed and compared, along with hybrid models that integrate local search or combine
multiple metaheuristics [5, 6]. These techniques are evaluated under conflicting objectives,
including minimization of travel costs, walking distances, and CO2 emissions [7, 8], as well
as maximization of coverage and social benefits [9, 10].
The comparative study of state-of-the-art methods [11, 12, 13, 14, 15] shows that evolutionary
multi-objective approaches consistently outperform classical mathematical programming
in generating diverse Pareto-optimal solutions and enabling decision-makers to explore
trade-offs [16, 17]. However, persistent challenges remain: most studies rely on synthetic
data or simplified assumptions, while real-world environmental benefits of carpooling hubs
remain modest without supportive policy measures [18, 19].
The synthesis highlights that hybrid metaheuristics i.e balancing global exploration and
local exploitation, offer the most promising direction for HLAPs [20, 21]. This work contributes
to advancing decision-support tools for sustainable urban mobility by providing a
structured comparative framework and by identifying research gaps. Future work should
focus on integrating dynamic demand modeling [22], multimodal transport interactions [23,
24], and policy frameworks [25] to ensure practical and scalable implementations for greener
mobility planning.****
La croissance rapide de l’urbanisation et de la demande en mobilité a engendré des défis majeurs
pour les systèmes de transport durable. Parmi eux, les problèmes de localisation–allocation
de hubs (HLAPs) sont devenus une préoccupation centrale dans la conception d’infrastructures efficaces
de covoiturage et de mobilité multimodale, où l’objectif est d’équilibrer accessibilité, efficacité
économique et impact environnemental [1][2]. Ces problèmes sont de nature NP-difficile et ne peuvent
être résolus efficacement par des méthodes exactes pour des instances de grande taille, ce qui
motive le recours à des méthodes d’approximation, heuristiques et métaheuristiques [3, 4].
Cette thèse explore l’application de l’optimisation multi-objectifs aux HLAPs, en se concentrant
sur des métaheuristiques avancées. Des algorithmes évolutionnaires tels que le NSGA-II, les algorithmes
génétiques (GA) et le MOPSO sont analysés et comparés, ainsi que des modèles hybrides
intégrant des recherches locales ou combinant plusieurs métaheuristiques [5, 6]. Ces techniques sont
évaluées selon des objectifs contradictoires, incluant la minimisation des coûts de déplacement, des
distances de marche et des émissions de CO2 [7, 8], ainsi que la maximisation de la couverture et
des bénéfices sociaux [9, 10].
L’étude comparative des méthodes de pointe [11, 12, 13, 14, 15] montre que les approches évolutionnaires
multi-objectifs surpassent systématiquement la programmation mathématique classique
pour générer des solutions Pareto-optimales diversifiées et permettre aux décideurs d’explorer les
compromis [16, 17]. Toutefois, des défis persistent : la plupart des études reposent sur des données
synthétiques ou des hypothèses simplifiées, tandis que les bénéfices environnementaux réels des hubs
de covoiturage demeurent limités sans mesures politiques d’accompagnement [18, 19].
La synthèse met en évidence que les métaheuristiques hybrides, c’est-à-dire l’équilibre entre
exploration globale et exploitation locale, offrent la voie la plus prometteuse pour les HLAPs [20,
21]. Ce travail contribue à l’avancement des outils d’aide à la décision pour une mobilité urbaine
durable en proposant un cadre comparatif structuré et en identifiant les lacunes de la recherche.
Les travaux futurs devraient se concentrer sur l’intégration de la modélisation dynamique de la
demande [22], des interactions de transport multimodal [23, 24], et des cadres politiques [25] afin de | en_US |
