Planificateur de tournées de collecte — mise en situation

Les modules 3 et 4 ont entraîné des modèles à partir d’exemples déjà étiquetés (une consommation connue, un statut de paiement connu) : de l’apprentissage supervisé. Ce module aborde sa contrepartie, posée au module 1 : l’apprentissage non supervisé, où aucune bonne réponse n’est fournie.

Le scénario

Une coopérative agricole doit organiser la collecte de récoltes auprès de 130 points de collecte dispersés sur son territoire. Deux missions :

1. Regrouper les points en zones réalisables par une flotte de 4 camions.
2. Pour chaque zone, calculer l’ordre de passage le plus court.

Générer les points de collecte

import numpy as np
import pandas as pd

rng = np.random.default_rng(11)
bassins = [
    {"nom": "Nord", "centre": (12.5, -1.5), "n": 35},
    {"nom": "Centre", "centre": (7.0, -2.0), "n": 40},
    {"nom": "Sud-Est", "centre": (5.5, 0.8), "n": 30},
    {"nom": "Sud-Ouest", "centre": (6.2, -4.5), "n": 25},
]
# ... génération de points par bassin, dispersion gaussienne autour de chaque centre

Nombre total de points: 130

Notez que les données sont générées par bassins régionaux (4 zones de coopératives), mais que cette information ne sera pas utilisée par les algorithmes de clustering : l’objectif est de vérifier si ces derniers redécouvrent une structure géographique cohérente à partir des seules coordonnées.

Pourquoi non supervisé ?

Il n’existe ici aucune « bonne réponse » : personne n’a étiqueté chaque point avec la zone à laquelle il devrait appartenir. L’algorithme doit découvrir une structure — des points proches les uns des autres — sans supervision. C’est la définition même du clustering.

Prochaine étape

👉 Corriger la distorsion géographique

---

Junior TSAFACK – 12/09/2026