Jeudi 14 Mars
Heure: |
10:30 - 11:30 |
Lieu: |
Salle B107, bâtiment B, Université de Villetaneuse |
Résumé: |
Covering some vertices with paths and a Hamiltonian degree condition for tough graphs |
Description: |
Cléophée Robin A graph G is Hamiltonian if it exists a cycle in G containing all vertices of G exactly once. A graph G is t-tough if, for all subsets of vertices S, the number of connected components in G ? S is at most |S| / t. In 1973, Chvàtal conjecture the following : There exists a constant t such that every t-tough graphs is Hamiltonian. Let t be a positive integer. A graph G with degree sequence d_1,d_2,...,d_n is P(t) (t being a positive integer) If for all i, t ? i |
Jeudi 21 Mars
Heure: |
10:30 - 11:30 |
Lieu: |
Salle B107, bâtiment B, Université de Villetaneuse |
Résumé: |
Optimal Planning and Pricing of Electric Vehicle Charging Services |
Description: |
Miguel Anjos The increase of electric vehicle (EV) adoption in recent years has correspondingly increased the importance of providing adequate public charging services for EV users. For a charging service provider, a key question is to determine the optimal location and sizing of charging stations, as well as the price for charging, with respect to a given objective and subject to budget and other practical constraints. Practical objectives include maximizing EV adoption as part of a public policy on electric transportation, and maximizing the profit gained from providing this service. I will present an overview of work to which I have contributed in this area, and discuss directions for ongoing and future research |
Mercredi 27 Mars
Heure: |
10:00 - 11:00 |
Lieu: |
Salle B107, bâtiment B, Université de Villetaneuse |
Résumé: |
Optimisation de la réserve de charge dans un réseau électrique |
Description: |
Dimitri Watel Dans un réseau électrique, le flot électrique n'est pas choisi librement pas l'opérateur. Il découle des appels de puissance effectués par les consommateurs et du graphe du réseau. Connaissant ces deux paramètres, on peut déduire la valeur du flot dans chaque câble du réseau. L'opérateur peut jouer sur le réseau avec deux paramètres : en désactivant un ou plusieurs nuds ou en forçant l'orientation du courant électrique. Une fois ces actions choisies, l'opérateur peut estimer la valeur du flot dans tout le réseau. L'objectif de ce dernier est d'éviter une surcharge des sources électriques, ce qui pourrait provoquer son arrêt et donc une surcharge d'autres sources. Avec cet effet boule-de-neige, l'opérateur cours le risque d'un black-out total. Une possibilité pour éviter ce phénomène est d'optimiser la réserve de charge. La charge d'une source est le pourcentage d'utilisation de sa capacité de production, qui doit rester loin de 100% pour éviter une surcharge. La réserve de charge est la différence entre la charge maximum et la charge minimum de l'ensemble des sources. Ainsi, un réseau équilibré est un réseau où toutes les sources sont utilisées avec le même pourcentage. Ce type d'optimisation garanti aussi un revenu équitable quand les acteurs produisant de l'énergie n'ont pas tous la même capacité de production. Notre problème se décrit donc ainsi : connaissant un réseau électrique et les appels de charge des consommateurs, quelles sont les actions de désactivation et d'orientation que l'opérateur doit effectuer pour minimiser la réserve de charge. Nous nous intéressons dans ce problème à la complexité et l'approximabilité de ce problème. Nous montrons que ce problème est NP-Difficile et inapproximable dans le cas général. Il reste NP-Difficile même dans le cas où le réseau électrique est un arbre ; mais, dans ce cas, il existe un schémas d'approximation avec un rapport d'approximation absolu. La fin de la présentation abordera la difficulté de la production d'instances réalistes et l'évaluation de ces algorithmes. |
Jeudi 28 Mars
Heure: |
10:30 - 11:30 |
Lieu: |
Salle B107, bâtiment B, Université de Villetaneuse |
Résumé: |
Heuristic and Exact Algorithms for Solving the Electric Autonomous Dial-A-Ride Problem |
Description: |
Yue Su We propose highly efficient heuristic and exact algorithms to solve the Electric Autonomous Dial-A-Ride Problem (E-ADARP), which consists in designing a set of minimum-cost routes that accommodates all customer requests for a fleet of Electric Autonomous Vehicles (EAVs). The E-ADARP has two important features: (i) the employment of EAVs and a partial recharging policy; (ii) the weighted-sum objective function that minimizes the total travel time and the total excess user ride time. We first propose a Deterministic Annealing (DA) algorithm to solve the E-ADARP. Partial recharging (i) is handled by an exact route evaluation scheme of linear time complexity. To tackle (ii), we propose a new method that allows effective computations of minimum excess user ride time by introducing a fragment-based representation of paths. To validate the performance of the DA algorithm, we compare our algorithm results to the best-reported Branch-and-Cut (B&C) algorithm results on existing instances. Our DA algorithm provides 25 new best solutions and 45 equal solutions for 84 existing instances. To test the algorithm's performance on larger-sized instances, we establish new instances with up to 8 vehicles and 96 requests, and we provide 19 new solutions for these instances. Then, we present a highly efficient CG algorithm, which is integrated into the Branch-and-price (B&P) scheme to solve the E-ADARP exactly. Our CG algorithm relies on an effective labeling algorithm to generate columns with negative reduced costs. In the extension of labels, the key challenge is determining all excess-user-ride-time optimal schedules to ensure finding the minimum-negative-reduced-cost route. To handle this issue, we apply the fragment-based representation and propose a novel approach to abstract fragments to arcs while ensuring excess-user-ride-time optimality. We then construct a new graph that preserves all feasible routes of the original graph by enumerating all feasible fragments, abstracting them to arcs, and connecting them with each other, depots, and recharging stations in a feasible way. On the new graph, we apply strong dominance rules and constant-time feasibility checks to compute the shortest paths efficiently. In the computational experiments, we solve 71 out of 84 instances optimally, improve 30 previously reported lower bounds, and generate 41 new best solutions on previously solved and unsolved instances. |
|
|