Multi-objective Optimization for solving location allocation problems of mobility hubs inside Urban enviroments

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