Les véhicules électriques constituent une alternative durable aux modes de transport conventionnels grâce à leur moindre impact environnemental et à leur meilleure efficacité énergétique. Cependant, leurs temps de recharge prolongés posent d'importants défis opérationnels, ce qui motive le développement de systèmes intelligents d'ordonnancement visant à optimiser l'utilisation des ressources de recharge et à améliorer l'efficacité globale des opérations.
Dans cet article, nous étudions un problème d'ordonnancement stochastique multi‑objectif et contraint pour les opérations de recharge de VE, dans lequel les arrivées des véhicules sont incertaines et où les clients peuvent annuler leurs demandes avec une certaine probabilité. L'objectif est de minimiser simultanément le retard relatif moyen attendu et la charge maximale moyenne attendue, de manière à concilier stabilité de la station de recharge et satisfaction des clients. Cette approche fournit un cadre plus réaliste que les méthodes de pointe existantes pour ce problème. Nous montrons que le calcul de la charge maximale moyenne attendue pour un planning donné requiert un nombre d'opérations exponentiel en la taille du problème. Compte tenu de cette complexité, nous recourons à une approximation de Monte Carlo et à des algorithmes métaheuristiques pour approximer le front de Pareto optimal à l'aide d'opérateurs spécifiques au problème, conçus pour explorer efficacement l'espace des solutions. Plus précisément, nous implémentons les deux versions de l'algorithme génétique à tri non dominé (NSGA‑II et NSGA‑III), ainsi que l'algorithme Multi‑Objective Cuckoo Search (MOCS). Nous menons des expériences numériques comparant ces métaheuristiques en termes d'hypervolume et de temps d'exécution, et montrons que MOCS offre les meilleures performances. Enfin, nous démontrons que notre modèle stochastique surclasse nettement son homologue déterministe en tenant explicitement compte de l'incertitude de la demande, ce qui conduit à des plannings de recharge de VE plus robustes et plus efficaces opérationnellement, mieux adaptés à la variabilité réelle, et qui soulignent la supériorité pratique de l'approche proposée.