Vous êtes sur la page 1sur 112

OPTIMISATION DE LA CHAINE

LOGISTIQUE
Prof. Chouaib BENQLILOU
chbenqlilou@gmail.com
2012-13
Dr. Chouaib BENQLILOU
Objectifs dapprentissage
Apprendre formuler un problme d'optimisation (linaire, non linaires,
variables continues et discrtes,) ; dfinir une mesure de performance,
fixer les limites permises et les contraintes respecter, prciser les
paramtres de dcision
Comprendre les principaux algorithmes d'optimisation deterministiques et
stochastiques et leurs applications en gnie de procds industriels; Choisir
lalgorithme le plus adapt et le configurer
Implmenter le systme sur logiciels doptimisation (GAMS, Matlab,) et
raliser une analyse de sensibilit sur les solutions optimales .
Dr. Chouaib BENQLILOU
Dr. Chouaib BENQLILOU
Prise de dcision optimale avec une connaissance
complte
Lensemble des dcisions possibles et
Un critre pour comparer entre eux (bien quantifi)
Dure des feux rouges dans une ville
Prsence dincertitude
Investissement vs risque modlisation stochastique
Introduction : Framework
Dr. Chouaib BENQLILOU
Logiciel
Contenant des algorithmes
doptimisation
(detrministiques ou
stochastiques)
(Excel, Matlab, GAMS)
Problme d ingnierie
Chain logistique
Ordonnancement,
RTO .
Formulation mathmatiquement en
quation
Fonction a minimiser/maximiser
Des contraintes (in)galit(procd)
Des variables de dcisions
s
y
n
t
a
x
e
Mise en quation
Optimisation est toujours requise
a une certaine tape de
conception, dexploitation
inv
Exp.
P
r
o
b
l

m
e
s

d

o
p
t
i
m
i
s
a
t
i
o
n

Planification et
Scheduling
Slection optimale
des consignes RTO
Rgulateurs PID
Capteur et
actionneur
Rconciliation de
donnes
Fault diagnosis
Conception
systeme
Chain logistique Forecasting
B
a
s
e

d
e

d
o
n
n

e
s

d
y
n
.
Purdue
Dr. Chouaib BENQLILOU
Introduction: Formulation mathmatique
Dr. Chouaib BENQLILOU
Fonction objectif
linaire ou non linaires
simple ou multiple
Contraintes
linaires/non linaires
galits/ ingalits
limites suprieures/inferieurs des variables
Variables
continue ou discrtes
Classification des problmes doptimisation LP, NLP, MILP, MINLP
Variables de dcision
Configurer les paramtres du solveur
Fonction conomique,
Modle du procd,
Itration, tolrance,
Une variable ou plusieurs
SYSTME DOPTIMISATION
LINAIRE
Dr. Chouaib BENQLILOU
Architecture de la SCM
Rseaux de diffrents
Fournisseurs
Units de production
Centres de stockage / distribution
March
Moyens de transport
Dr. Chouaib BENQLILOU
Les niveaux hirarchiques de la SCM
Design dcision stratgiques: emplacement des units de production,
centres de distribution, fournisseurs; choix des technologies et options de
distribution.
Tactique dcision de flux de matire: combien produire et ou; niveau de
production et de stockage (planification )
Oprationnel Organisation des ressources humaines et technique les
exigences du client (Ordonnancement)
Quel produit (quoi), quelle quantit (combien), quel quipement (ou), quel moment
(quand) .
batching, allocation, sequence, timing
Le modle de
PURDUE partie
conomique
Dr. Chouaib BENQLILOU
Vision de la SCM
Difficults relatives a la prise de dcision:
chelles temporelles et gographiques diffrents.
ractivit devant un marche hautement variant (secteur
lectronique; DELL)
anticip les exigences du client (ZARA)
Cout associ a la SC dans le produit est de 10% (resp. 40%)
march local (resp. march international)

Dr. Chouaib BENQLILOU
Flux de donnes
Coordonnes les diffrentes activits de la SC
Synchroniser les 3 flux
information
matire
financier (cash)
Satisfaction des spcifications du march
Maximiser le bnfice
Dr. Chouaib BENQLILOU
Optimisation
Design: dcision stratgique (2 a 5 ans)
maximiser le bnfice annuel, cout dinvestissement, NPV
Dterminer lemplacement des units et centre de
distribution, choix des technologies et des moyens de
transport
Dr. Chouaib BENQLILOU
Optimisation
Planning: dcision tactique (sur 1-24 mois)
maximiser le profit ou minimiser les retards et le cout total
Dterminer le niveau de production et de stockage
Contraints, disponibilit de la matire premire, capacit de
production, limites du stock
Donnes, demande de chaque march, cout de production,
cout de stockage et du transport, etc.
Dr. Chouaib BENQLILOU
Optimisation
Ordonnancement : dcision oprationnelle (heures
et jours)
maximiser la production pour une priode de temps
donne, minimiser le Makespan, minimiser le retard
Dterminer le quoi, le quand, le combien et le ou
Contraints, recette du processus, donnes de la
planification
Dr. Chouaib BENQLILOU
Real-time optimisation (RTO)
Dr. Chouaib BENQLILOU
La conception du Contrle permet dobtenir une rponse
raisonnable en boucle ferme devant des changements de
consignes (Set-Points - SP) et des perturbations.
La dtermination en temps rel (on-line) de consignes optimales (RTO)
1. Un modle en tat stationnaire est plutt utilis que le modle dynamique, tant
donn que le systme est suppos oprer en rgime permanent sauf quand les
consignes changent.
2. Le modle conomique maximisation du profit ou l minimisation des couts,
Slection optimale des SP est formule comme un problme
doptimisation faisant intervenir un modle conomique (FO) et
le modle du procd en rgime stationnaire (contraintes)
Real-time optimisation (RTO)
Dr. Chouaib BENQLILOU
Lapplication de la RTO en industrie (contrle superviseur)
Optimiser les set-points sur une base conomique
Sassurer du rgime stationnaire
Transfrer les donnes
Systme de Contrle Distribu ( DCS = {PID, PLC,} )
Real-time optimisation (RTO)
Un procd permet de fabriquer deux produits E et F a partir de
deux matires premires A et B avec une limite dapprovisionnement
Les transformations faisant intervenir A et B sont:
Procd P1 : A+B E
Procd P2 : A+2B F
Procd Produit Cout
opration
Prix de
vente
Max.
production
Cout
fixes
1 E 15Dh/Kg 40Dh/kg 30.000Kg/j 200Dh/j
2 F 5Dh/kg 33Dh/kg 30.000Kg/j 350Dh/j
Matire Premire Cout Disponibilit Max.
A 15Dh/kg 40.000kg/j
B 20Dh/kg 30.000kg/j
Dr. Chouaib BENQLILOU
Real-time optimisation (RTO)
Les tapes qui devront tre considre pour rsoudre pratiquement
un problme doptimisation:
ETAPE 1 : Identifier les variables du procds (les variables dentres et de
sorties les plus importantes, elles sont utilises dans la fonction objectif et les
contraintes)
La quantit de A, B, E et F [x
1
, x
2
, x
3
, x
4
]
ETAPE 2 : choisir et formuler la fonction objectif
Ventes des produits cout dexploitation cout de la matire premire
( ) ( ) ( ) 200 350 5 15 20 15 33 40
4 3 2 1 4 3
+ + + + x x x x x x
Dr. Chouaib BENQLILOU
Real-time optimisation (RTO)
ETAPE 3 : i) dvelopper et construire le modle du procds (bilan matire et
nergie) et ii) des contraintes physiques, opratoires (de stockage), de scurits
et environnementales
2 1 4
2 1 3
2x x x
x x x
+ =
+ =
30000 0
30000 0
30000 0
40000 0
4
3
2
1
s s
s s
s s
s s
x
x
x
x
ETAPE 4 : simplifier le modle doptimisation ainsi formuler (linarisation)
ETAPE 5 : choisir lalgorithme doptimisation adquat, le configurer et estimer la
solution initiale
ETAPE 6 : faire une tude de sensibilit (pour voir quels sont les paramtres les plus
importants pour trouver loptimum)
K
g


r
e
a
c
/

k
g

p
r
o
d
u
i
t
Dr. Chouaib BENQLILOU
Conception
Dr. Chouaib BENQLILOU
Les variables de dcision sont dfinit sur la base de lanalyse
des degrs de libert (NV NE)
Les contraintes sont principalement ceux relatives aux limites max et
min des variables et ceux relatives au procd (BM, BE,)
simulateur, ANN,
Gnralement la fonction objectif est un compromis entre le cout
dexploitation et le cout dinvestissement www.chempute.com;
www.chemengineer.miningco.com
Comment dterminer le diamtre optimal dune conduite
Pour un fluide non compressible de viscosit et densit donnes
Conception
FO
pompe la de efficacite : ,
3 . 1 ,
0
1
q
q
P m C
C
n L D C C
ope
n
inv
A
=
= =
C
o
n
t
r
a
i
n
t
e
s
friction de facteur 046 . 0 Re 046 . 0
fluide du vitesse
2
massique debit
4
2 . 0
2 . 0
2
2
=
|
|
.
|

\
|
= =
= = A
=
|
|
.
|

\
|
=

f
Dv
f
v
D
L v f
P
m v
D
m

t
P v, D, f, A
Variables
L D m
C
L D C C
8 . 4 2 . 0 2 . 0 8 . 2
0
3 . 1
1
142 . 0

+ =
q
Dr. Chouaib BENQLILOU
Conception
( ) | |
3 2
0
1
4
3
/ / / 59 . 0
. / 7 . 5
6 . 0
. / 10 72 . 6
/ 60
/ 50
s kgm anne Dh C
anne m Dh C
m s kg x
m kg
s kg m
=
=
=
=
=
=

Dr. Chouaib BENQLILOU


Planification de production (LP)
Procd de production multi-produit et multi-purpose offrant une
grande flexibilit (batch) maximisation dutilisation du systme
(p.e. extraction par CO2 supercritique)
Dterminer
Quoi?
Quand?
Ou?
Comment?
Dr. Chouaib BENQLILOU
Rconciliation de Donnes (QP)
Dr. Chouaib BENQLILOU
racteur
dist MP
Courant
F
i
l/s variance
F1 10 1
F2 10.5 300
F3 5.5 2
F4 6 0.5
) , (
*
4
*
3
*
2
*
2
*
1
2
*
C A ite observabil
F F F
F F
F Fi
i
+ =
=
|
|
.
|

\
|

o
min
s.t.
Solver dEXCEL
Option complment atteindre solver
Menu donnes
Pondration (favoris les
variables ayant une variance
rduite)
Planification de production dune raffinerie
Dr. Chouaib BENQLILOU
Raffinerie A
Ptrole brut # 2
Essence
Krosne
Fuel
Rsidu
Raffinerie B
Ptrole brut # 3
Ptrole brut # 4
Ptrole brut # 1
x2
x3
x4
x1
x5
Q1
Q2
Q3
Q4
Diffrent type de ptrole avec divers proprits et temps de
livraison problme LP
Planification de production dune raffinerie
x1 x2 x3 x4 x5 Prix de vente
$/br
Demande max
1000 br/sem
P1 0.6 0.5 0.3 0.4 0.4 45 170
P2 0.2 0.2 0.3 03 0.1 30 85
P3 0.1 0.2 0.3 0.2 0.2 15 85
P4 0 0 0 0 0.2 60 20
Prix brut $/br 15 15 15 25 25
Cout ope $/br 5 8.5 7.5 3 2
Brut dispo
1000 br/sem
100 100 100 200
5 5 4 4 3 3 2 2 1 1
x a x a x a x a x a Q
p p p p p p
+ + + + =
Dr. Chouaib BENQLILOU
5 ,..., 1 , 0
0
4 ,.., 1 ,
.
5 5 4 4 3 3 2 2 1 1
4 5 4
3 3
2 2
1 1
= >
>
<
= + + + + =
< +
<
<
<
|
|
.
|

\
|


c x
Q
D Q
p x a x a x a x a x a Q
S x x
S x
S x
S x
st
Q c Q v Max
c
p
p p
p p p p p p
c
p p
p
p p
Planification de production dune raffinerie
Dr. Chouaib BENQLILOU
Estimation de paramtre
coefficient de transfert de chaleur
activit du catalyseur
encrassement dun changeur de chaleur

Reprsentation correct du procd sous tude
Dr. Chouaib BENQLILOU
LP rsolution
Dr. Chouaib BENQLILOU
LP sans contrainte 1D (dtermination de la fraction
vaporise dans une distillation flash)
Mthode de Newton
( )
( )
( ) 0
1
' '
1
' '
1
'
1
= =
+
x f
x f
x f
x x
k k
Mthode deterministique: Une recherche prdtermine et nintroduisant aucune tape
alatoire :
I. direct nutilisant pas le gradient simplexe (Dantzig 1947), point intrieur
(Karmarkar 1984),
II. indirecte utilisant le gradient (la drive) gradient descendant,
La majorit des problmes doptimisation considres des
contraintes
Pour des problmes linaires la solution se trouve sur
la frontire de lespace des solution faisables
OPTIMISATION COMBINATOIRE
MILP/MINLP
Chouaib BENQLILOU
Dr. Chouaib BENQLILOU
MILP / MINLP
objectifs:
Comment formuler un problme doptimisation
faisant intervenir des variables continues et discrtes
MILP / MINLP
Algorithme branch and bound
Dr. Chouaib BENQLILOU
MILP
Pour certain problme les variables de dcision prennent des valeurs
entires (p.e. nombre de compresseur, affectation des taches aux
ressources 0 ou 1,)
Rsoudre le problme en supposant quil est linaire puis on
arrondit les valeurs rels aux entiers les plus proches.
Enumrer toutes les solutions faisables est tout simplement
impossible (p.e. pour un systme contenant 50 variables pouvant
prendre la valeur 0 ou 1 on 2
50
solutions) si en plus on considre
que les variables sont entires lexplosion combinatoire est
immense (NP-hard).
Dr. Chouaib BENQLILOU
MILP problme classique (knapsack)
on a n objets, chaque objet i a un poids wi et une
valeur vi
dterminer lensemble des objets a mettre dans le sack pour que
le poids ne dpasse pas Wet pour avoir la meilleure valeur totale
{ } pas ou choisis est objet l' si indicant binaire variable 1 , 0
. .
max
1
1
=
s
|
.
|

\
|

=
=
i
i
n
i
i
i
n
i
i
y
W w y
c s
v y
Dr. Chouaib BENQLILOU
MILP problme classique (traveling salesman)
un camion de distribution commence sa tourne a Casablanca, visite un
ensemble de ville une seul fois et retourne a la ville dorigine.
formuler le problme doptimisation qui permet de dterminer le
cout minimal de se parcours
{ } j la a i ville la de ge agent voya l' si indicant binaire variable 1 , 0 ; 0
, 1
, 1
. .
min
1
1
1 1
= =
=
=
|
|
.
|

\
|

=
=
= =
ij ii
n
j
ij
n
i
ij
n
j
ij
n
i
ij
y y
i y
j y
c s
c y
i
j
Dr. Chouaib BENQLILOU
MILP
Formulation de dcisions logiques au moyen de variables binaires
1
1
=

=
J
j
j
y
Si une caractristique existe la variable binaire prends la valeur 1 sinon la
valeur 0
On voudrais choisir une seule option parmi J
possibilits
m y
J
j
j
s

=1
On voudrais choisir au max m options parmi J
possibilits
0 s
j k
y y
Si loption k et choisi loption j devras aussi
tre choisis
0 , 0 > s x Uy x
Une variable binaire y pourra tre utiliser pour
forcer une variable continue x a tre nulle avec U un
grand nombre
Dr. Chouaib BENQLILOU
B&B exemple dillustration
Initialement les variables binaires peuvent tre considres comme des variables
continues appartenant a lintervalle [0,1] et le problme de minimisation peut tre
rsolus comme un LP (relaxer)
La valeur de la fonction objectif ainsi relaxer donne la borne inferieure (lower
bound)
La valeur non-entire pourra tre fixer 0 ou 1 et le problme LP est refait
(branch)
la meilleure solution non relaxer correspondante a une solution entire fournis la
borne suprieur (upper bound)
On coupe par optimalit //
infaisabilit //
Lnumration des solutions entiers prsente une structure
arborescente branch and bound B&B
) 05 . 0 (
1
tolerance
lb
lb ub
s

Dr. Chouaib BENQLILOU


B&B exemple dillustration
max f = 86y
1
+ 4y
2
+ 40y
3
s.c. 774y
1
+ 76y
2
+ 42y
3
<875
67y
1
+ 27y
2
+ 53y
3
<875
y
1
, y
2
, y
3
= 0, 1
129.1 [1, 0.776,1]
128.11[0.978, 1,1] 126 [1, 0,1]
113.81[1, 1,0.595]
44[0, 1, 1]
Infaisable 90 [1, 1,0]
E
n

p
r
o
f
o
n
d
e
u
r

d

a
b
o
r
d
Meilleure solution dabord
1 0 s s
j
y
MILP / MINLP
algorithme:
Dans chaque nud de l arborescence on relaxe le
problme MILP (resp. MINLP) et on rsout un
problme LP (resp. NLP) au moyen de la mthode
adopt par exemple simplex (resp. GRG)
Dr. Chouaib BENQLILOU
MILP / MINLP (SEQUENCE)
Squence de N=4 produits dans un procd de M=3 units afin de
minimiser le makespan:
2 3 1
P1 P2 P3 P4
1 3.5 4.0 3.5 12.0
2 4.3 5.5 7.5 3.5
3 8.7 3.5 6.0 8.0
Temps dopration
) ( 1 unit l' dans entre 1 produit le ou temps
) ( M unit l' de sort N produit le quand temps
10
nt initialeme C
Makespan C
NM
k unit l' dans j produit du operation d' temps
k unit l' de sort j produit le quand temps
jk
jk
C
t
MILP / MINLP
1- Le produit passe a lunit k si auparavant il a termin lunit k-1
NM
C
FO
Contraintes de temporisation
M k N j C C
k j k j k j
... 2 ... 1 ,
, 1 , ,
= = + >

t
2- Le produit j sort de lunit k une fois j-1 est fait dans k (2 produits dans
la meme k).
3- Si un produit termine lunit k, il passe a lunit k+1 une fois disponible.
1 ... 1 ... 1 ,
1 , 1 ,
= = >
+
M k N j C C
k j k j
M k N j C C
k j k j k j
... 1 ... 1 ,
, , 1 ,
= = + >

t
MILP / MINLP
Un produit devra occup une seul position dans la squence
Contraintes de squence dopration

=
= =
4
1
,
4 ... 1 , 1
i
i j
j X
Pour chaque position dans la squence on affecte un seul produit
Le temps dopration correspondant a lassignation X
ji
.
k j X
k i
i
i j k j
, ,
,
4
1
, ,
=

=
t t
squence la de i position la dans trouve se j produit
,i j
X

=
= =
4
1
,
4 ... 1 , 1
j
i j
i X
OPTIMISATION
INTRODUCTION A GAMS
Chouaib BENQLILOU
Dr. Chouaib BENQLILOU
Optimisation (GAMS Tutorial)
Optimisation Code
B&B MINLP
Mthodes
exacts
Mthodes
heuristiques
(stochastiques)
GA RT SA
Dr. Chouaib BENQLILOU
Cest Quoi GAMS ?
Systeme de modelisation algebriqaues
Modelisation lineaire non-lineaire et combinatoire
Tres performant pour les problemes larges et complexes
Algorithmes pour la resolution de: LP, NLP, MILP et MINLP:
MINOS, CONOPT,
GAMS (General algebraic modeling systems)
MS Excel (GRG)
Matlab (Optimisation Toolbox)
Dr. Chouaib BENQLILOU
Minimiser : le cout de Transport
Sous contraintes de : Satisfaire la demande et la capacite du stock
Un exemple sur GAMS: problem de Transport
Cout unitaire du transport
Distances
Marchs
Usine Fes Meknes Marrak. Stock
Casa 2.5 1.7 1.8 350
Tanger 2.5 1.8 1.4 600
Demande 325 300 275
I ndices (or sets):
i units de production
j marchs
Declarer et nommer les sets
Assigner leurs memberes entre des slashes / , , /
Terminer chaque instruction par (;).
Un exemple sur GAMS: problem de Transport
sets
i usines /Casa, Tanger/
j marches /Fes, Meknes, Marrakech/;
Dr. Chouaib BENQLILOU
Donnes(or parameters):
a
i
stock de chaque unit i (colis)
b
j
demande de chaque march j (colis)
c
ij
cout de trasnport de i vers j ($/case)
GAMS utilise les formats suivants
pour introduire les donnes :
Tables
Parameters
Scalar
Un exemple sur GAMS: problem de Transport
Dr. Chouaib BENQLILOU
Declarer les parametres et leur domaines a(i) and b(j)
Les valeurs sont introduites entre les / /
Couples elementvaleur devrons etre separes par des , ou
introduits sur des lignes separes.
Un exemple sur GAMS: problem de Transport
Parameters
d(j) demande de chaque marche /Fes 325, Meknes 300, Marrakech 275/
p(i) capacit de production de chaque unit /Casa 350, Tanger 600/;
Dr. Chouaib BENQLILOU
Declarer les parametres et leur domaines
Donnes sont introduit convenablment comme suit:
Un exemple sur GAMS: problem de Transport
Un scalaire est contruit comme un parametre sans domaine.
GAMS fera les calculs ncessaires
Table di(i,j) distance entre les villes
Fes Meknes Marrakech
Casa 340 240 200
Tanger 360 300 500;
Scalar f prix en dirhams par kg et par 1000 kilometres /9/ ;
Parameter c(i,j);
c(i,j) = f * di(i,j) / 1000 ;
Variables de decision:
x
ij
= quantit a envoy de lunit i au march j (colis), ou x
ij

0, pour tout i, j
Un exemple sur GAMS: problem de Transport
Les variables de decision sont exprimes ainsi que leur indices.
Les types de variables sont: FREE, POSITIVE, NEGATIVE, BINARY, or INTEGER.
La variable objective est declare sans induce et devar etre FREE.
.lo = lower bound
.up = upper bound
Variables
x(i,j) quantit kg de i a j
OF cout de transport global ;
Positive Variable x ;
free Variable OF ;
Constraintes: satisfaire
la capacit de stock de i:
j
x
ij
a
i
, pour tout i
les demandes du march j:
i
x
ij
b
j
, pout tout j
Fonctionobjectif
Minimiser
i

j
c
ij
x
ij
($K)
Un exemple sur GAMS: problem de Transport
Equations
cout fonction objective
capacite(i) capacite i
demande(j) demande j ;
cout .. OF =e= sum((i,j), c(i,j)*x(i,j)) ;
capacite(i) .. sum(j, x(i,j)) =l= p(i) ;
demande(j) .. sum(i, x(i,j)) =g= d(j) ;
On donne un nom au modele (TRANSPORT) et on peut dpecifi entre les
slahes quelles equations on peut inclure (ALL).
Un exemple sur GAMS: problem de Transport
On specifi a GAMS quel modele on utilisera avec quel Solver (LP) et on
indique la direction de loptimmisation (MINIMIZING, MAXIMIZING) ainsi que
la variable objectif.
Model transport /all/ ;
Solve transport using lp minimizing OF;
Display x.l, OF.l ;
Dr. Chouaib BENQLILOU
i. Exemple du B&B
ii. Assignation de courrants aux echangeurs de chaleurs
iii. Supply chain plannning dune Raffinerie
iv. Supply Chain Scheduling-sequencing
http://www.gams.com
Dr. Chouaib BENQLILOU
Ech 1 Ech 2 Ech 3 Ech 4
Cour 1 94 1 54 68
Cour 2 74 10 88 82
Cour 3 73 88 8 76
Cour 4 11 74 81 21
Allocation
Cout dassignation
max f = 86y
1
+ 4y
2
+ 40y
3
s.c. 774y
1
+ 76y
2
+ 42y
3
<875
67y
1
+ 27y
2
+ 53y
3
<875
y
1
, y
2
, y
3
= 0, 1
Dr. Chouaib BENQLILOU
$TITLE Test Problem
* Assignment problem for heat exchangers from pp.409-410 in
* "Optimization of Chemical Processes" by Edgar and Himmelblau

SETS
I streams / A, B, C, D /
J exchangers / 1*4 / ;

TABLE C(I,J) Cost of assigning stream i to exchanger j

1 2 3 4
A 94 1 54 68
B 74 10 88 82
C 73 88 8 76
D 11 74 81 21 ;

VARIABLES X(I,J), Z ;
BINARY VARIABLES X(I,J);

EQUATIONS ASSI(J), ASSJ(I), OBJ;

OBJ.. Z =E= SUM( (I,J), C(I,J)*X(I,J) ) ;
ASSI(J).. SUM( I, X(I,J) ) =E= 1;
ASSJ(I).. SUM( J, X(I,J) ) =E= 1;

MODEL HEAT / ALL / ;

SOLVE HEAT USING MIP MINIMIZING Z;

Allocation
Dr. Chouaib BENQLILOU
Planification de production dune raffinerie
x1 x2 x3 x4 x5 Prix de vente
$/br
Demande max
1000 br/sem
P1 0.6 0.5 0.3 0.4 0.4 45 170
P2 0.2 0.2 0.3 0.3 0.1 30 85
P3 0.1 0.2 0.3 0.2 0.2 15 85
P4 0 0 0 0 0.2 60 20
Prix brut $/br 15 15 15 25 25
Cout ope $/br 5 8.5 7.5 3 2
Brut dispo
1000 br/sem
100 100 100 200
5 5 4 4 3 3 2 2 1 1
x a x a x a x a x a Q
p p p p p p
+ + + + =
Dr. Chouaib BENQLILOU
Squence de N=4 produits dans un procd de M=3 units afin de
minimiser le makespan:
2 3 1
P1 P2 P3 P4
1 3.5 4.0 3.5 12.0
2 4.3 5.5 7.5 3.5
3 8.7 3.5 6.0 8.0
Temps dopration
Ordonnancement (squence) multi-produit
Flowshop
Dr. Chouaib BENQLILOU
OPTIMISATION
NON LINAIRE
Chouaib BENQLILOU
Dr. Chouaib BENQLILOU
Problmes NLP
La fonction objectif ou au moins une contrainte est une
quation non linaire
| |
r j c h
m i b g
x x x f
j j
i i
T
n
,..., 2 , 1 ) (
,..., 2 , 1 ) (
,...; , ) (
2 1
= s
= =
=
x
x
x x
Transformer les ingalits en galits,
Transformer un problme avec contraintes a un autre sans
Dr. Chouaib BENQLILOU
1. Programmation linaire squentielle (SLP) on linarise le problme (i.e.
fonction objectif et contraintes) autours dun point et successivement on
applique les algorithmes LP
2. Programmation quadratique sequentielle (SQP) on linarise les contraintes et
on assume que la fonction objectif est quadratique cest un QP qui est
rsolus dans chaque itration.
3. Gradient Rduit Gnralis (GRG, GRG2) (le plus robuste)
4. Conditions doptimalits du 1
er
et 2
eme
ordre (ncessaires et suffisantes)
1. Lagrangien (contraintes dgalit) ;
2. Kuhn-Truck-Condition (contraintes dingalit )
Loptimum global nest pas assur MultiStart
Problmes NLP
NLP
( ) ( ) ( ) | |
( )
( )
0 ,
,
* *
,
1
= V
+ =

=
j
j
m
j
j j j
L
b g f L


x
x
x
x x x
( ) j h
j
= 0
*
x
conditions doptimalit de premier ordre (ncessaire)
Lagrangien
quelle est la contrainte qui affecte le plus la valeur
fonction objectif
( )
( ) ( ) opposes sens de mais * avec colineaire est tjs *
t independan t linearemen sont *
x x
x
g f
g
j
V V
V
NLP
( )
b x x
c s
x x x x f
= +
+ =
2
2
2
1
2 1
. .
2 , 1 min
( )
( )
*
2 / 1
2 / 1
*
2 / 1
*
2
*
1
2
2
2

= =
=
|
.
|

\
|
= =

b FO
b
b
x x
La contrainte avec le multiplicateur de Lagrange le plus
lev est celle qui affecte le plus la FO analyse de
sensibilit des paramtres
Analyse de Sensibilit
c x x =
2 1
Dr. Chouaib BENQLILOU
NLP
permettent Pour entendre lide des multiplicateurs de
Lagrange pour traiter les contraintes dingalits :
Les conditions de Kuhn-Tucker (KKT)
( ) ( ) ( ) | |

=
+ =
r
j
j j j
c h u f L
1
, x x u x
( )
( ) | | 0
0
* *
*
*
=
>
s
j j j
j
j j
c h u
u
c h
x
x
Les ingalits
NLP
( )
( ) 25 2 , 1 . .
2 , 1 min
2
2
2
1
2 1
s + =
=
x x x x g c s
x x x x f
( ) ( ) ( )
( )
25
0 25 .
, 0
; 0
25 ,
2
2
2
1
2
2
2
1
2 1
2
2
2
1
s +
= +
>
= = =
+ =
x x
x x u
u
du
dL
dx
dL
dx
dL
x x u f u L x x
u = 0.5
x1= 3.54
x2=-3.54
Les ingalits
Dr. Chouaib BENQLILOU
NLP
Pour garantir loptimum global il faudra calculer la drive
seconde et vrifier que la matrice Hessien du Lagrangien est
semi-dfinie positive (i.e. tous les dterminants sub principaux
sont positifs).
Conditions doptimalits
conditions doptimalit du second ordre
(ncessaire et suffisante)
( ) ( ) 0 , ,
2
> V y u x y L
x
T
Dr. Chouaib BENQLILOU
NLP
Dr. Chouaib BENQLILOU
On linearise la fonction objectif f et les contraintes
g autour du point x
0
: la valeur initiale de x
( ) | |
( ) | | x x g x g x g
x x f x f x f
T
j j j
T
A V + ~
A V + ~
) ( ) (
) ( ) (
0 0
0 0
1. On borne x pour limiter lerreur dapproximation -1< x <1
2. On rsout le problme linaire pour trouver les x
i

3. On value le nouveau point x


0
+x
Sil y a une amlioration il devient le nouveau point sinon on
rduit le x et on reviens a ltape 2
Srie de Taylor dordre 1
Le plus utilis en pratique traitant des problmes trs large: suprieur a 100 var. ou cont.
Convergence lente au voisinage de loptimum : manque de visibilit de la courbe
SLP
NLP
0
0
7
25
. .
2 min
2 2
2 2
>
>
s
s +
+
y
x
y x
y x
c s
y x
1 1
1 1
0 2
0 2
7 4 4 2 2
25 4 4 8 2 2
. .
2 6 2 2 min
2 2
2 2
s A s
s A s
> A +
> A +
s A A = A A +
s A + A + = A + + A +
A + A + = A + + A +
y
x
y
x
y x y y y x x x
y x y y y x x x
c s
y x y y x x
c c c c
c c c c
c c
Point initial (xc, yc)= (2,2)
( ) | | x x f x f x f
T
A V + ~ ) ( ) (
0 0
( ) ( ) ) 1 , 1 ( ) , ( ) , ( 1 , 1 , + = = A A
c c n n opt
y x y x y x
SLP
NLP
1. Identifier les variables indpendantes / dpendantes.
Les quations (p.e. bilan matire) sont alors utilises pour
dterminer la valeur des variables dpendantes
Chaque itration de calcul un nouvel ensemble de variables
indpendantes est suggr.
p. e. 100 Variables et 95 quations 5 variables de
dcision
Gradient Rduit Gnralis
Dr. Chouaib BENQLILOU
NLP
1 Calculer le gradient de f au point actuel x
c
on vrifie la condition de
convergence
2 Calculer la direction de recherche d
c
en utilisant le gradient de f au
point x
c,
3 Dterminer la distance , le plus souvent une approximation de la valeur
qui minimise la fonction objectif f(x
c
+ d
c
) et elle est utilise pour
dterminer le point suivant x
n
= x
c
+ d
c
4 Remplacer le point x
c
par x
n
est retourner a ltape 1
Gradient Rduit Gnralis
(la FO est uniquement fonction des var. indpendante )
Le plus robuste-
Dr. Chouaib BENQLILOU
Dr. Chouaib BENQLILOU
NLP
4 . .
min
2 2
= +
+
y x c s
y x
basique ou dependante variable la est x
basique non ou te independen variable la est y
4 y x =
( ) ( )
( )
( ) 8 0 4 x 0 y
reduit gradient 0 4 8
reduite FO la 4
c c
2
2
= V = =
= + = V
+ =
F
y y F
y y y F
Gradient Rduit Gnralis
Dr. Chouaib BENQLILOU
NLP
( )
( ) ( ) d y
d y y
y F
c
c n
c
o o o
o o
+ =
+ = + =
= V
F g minimiser pour choisi est recherche de pas" " le
8 0
recherche de direction" " la 8
( ) ( ) ( )
( )
2 2 4 / 1
0 256 64
g
8 8 4 g
2 2
= = =
= + =
+ =
n n
x y
d
d
o
o
o
o
o o o
Gradient Rduit Gnralis
MSEXCEL
NLP
La mthode SQP rsout une squence de problme quadratique
(approximation aux problmes non linaires)
la fonction objectif quadratique
les contraintes linarisation
on rsout le QP
( ) ( ) ) ( . , x g x f x L
T
+ =
0 . . .
. .
2
1
min
2
= A V +
)
`

A V A + A V A
x g g c s
x L x x f x
xx
T T
SQP
Dr. Chouaib BENQLILOU
NLP
Thorme Il n'existe pas de nombres entiers non
nuls x, y et z tels que:
Dernier thorme de Fermat: le plus grand problme de
mathmatique de tous les temps
3 > = + n z y x
n n n
Impossible davoir un algorithme qui peut rsoudre
dune faon efficiente tous les problmes NLP
Dr. Chouaib BENQLILOU
Design of Multiproduct Batch Plant
maximiser lutilisation des units batch j (sapprocher a un
procd continu)
pas de stock intermdiaires (ZW, UIS)
pas dincertitudes
la prsence de procd semi-continus SC k: pompes,
centrifugeuses, changeurs de chaleurs,)
Position du Problme
En considre que lensemble des tapes (j ou k) pour produire un
ensemble de produits i, on voudrait concevoir un procd
multiproduit afin de satisfaire une production Q
i
dans un horizon
de temps H
Dr. Chouaib BENQLILOU
Design of Multiproduct Batch Plant
Variables de dcisions
( )
( )
( )
( )
( )
( )
j
i
ij
i
k
j
m
T
B
R
V
etape chaque dans parallele en unit d' Nombre
SC operation d' Temps
time Cycle
Size Batch
SC de train chaque de Capacite
batch etape chaque de Capacite
k
u
Dr. Chouaib BENQLILOU
Design of Multiproduct Batch Plant
Donnes du problmes
( )
( )
( )
( )
j dans i de operation d' temps
production la pour disponible temps de horizon
m i produit chaque de produire a Quantite
SC systemes catalogues
batch systemes catalogues
k a rapport par i factor duty
j a rapport par i factor size
3
3 min max
3 min max
3
3
ij
i
ik
ij
c
H
Q
/h m k , R R
m j , V V
kg/m D
kg/m S

Design of Multiproduct Batch Plant


Contraintes
j S B V
ij i j
> j V V V
j j j
> >
min max
k
D B
R
ik
k i
k
>
u
k R R R
k k k
> >
min max
( )
j
k i
d
i ij ij k i
ij
m
B c P
T
ij
1 ,
0
, +
+ + +
=
u u
L
i
i
i
T
B
Q
H . >
H time cycle batch x de nombre <
( ). , max
ij
L
i
L
i
T T u =
Design of Multiproduct Batch Plant
Fonction Objectif cout investissement
( ) ( ) j R b V a m
M
j
k k
M
j
j j j
m T B R V
k
j

+

= = 1 1
, , , ,
min
|
o
Dr. Chouaib BENQLILOU
OPTIMISATION
GLOBALE
Chouaib BENQLILOU
Dr. Chouaib BENQLILOU
Optimum local vs global
Si la FO est discontinue ou prsente plusieurs extremum
Si la FO et/ou les contraintes ne sont pas convexes
difficults dassurer un optimum global
Dr. Chouaib BENQLILOU
Optimisation stochastique
I. Mthode stochastique: on utilise un choix alatoire pour guider la recherche et
on peut tolrer une dtrioration de la fonction objectif
I. leurs points forts rsident dans le fait de pouvoir traiter des problmes
doptimisation difficiles (irrgularit de lespace de faisabilit) et
garantissent lobtention de loptimum global
II. cependant il peuvent tre trs lentes pour converger et gnralement on
devrais ladapter pour des problmes particuliers
Dr. Chouaib BENQLILOU
Algorithmes gntiques GA (1)
I. Dans les GA au lieu davancer point par point on avance population par population
(ensemble de points exemple temprature, pression, concentration) On cre
alatoirement une population initiale (gnralement entre 30-50 membre)
II. On dfinit un codage pour la dtermination de lindividus (p.e. vecteur contenant des
variables binaires 0 ou 1 correspondant a la dcision de placer ou non un capteur)
On dfinit un codage pour reprsenter chaque membre (individus) de la
population les variables de dcision = chromosome
III. On dtermine une fonction fitness pour valuer les individus de la population
la fonction objectif
Dr. Chouaib BENQLILOU
Algorithmes gntiques GA (2)
I. On utilise trois operateur s
I. Reproduction (slection) des individus avec une probabilit proportionnelle a
leur fonction objectif (roulette) probabilit PS
II. Crossover reviens a combiner deux individus pour en produire deux autres sur la
base dune certain probabilit PC: le point de coup est choisis alatoirement
III. Mutation permet de crer un nouveau individus (chromosome) en mutant une
partie alatoirement avec une probabilit PM (une fois le crossover effectue
(comme dans la thorie de lvolution cette probabilit P
M
est trs rduite)
II. Critre pour arrter la recherche (la diffrence ente la moyenne et valeur max de la
fonction fitness ou un certain nombre de gnration)
Adquate pour loptimisation multi-objectif
Recuit simul (1)
Dr. Chouaib BENQLILOU
Pour un processus physique a
haute temprature les
molcules liquides bougent
librement les unes au autres
On rduit la
temprature
Les molcules sont capables
de sorganiser pour donner un
cristal parfais au MINIMUM
dnergie
Si cette rduction est trop rapide il donnera pas un cristal parfais plutt un tat amorphe
Mtallurgie recuit simul (simulated anneling)
Recuit simul (2)
Dr. Chouaib BENQLILOU
1. Si E
k+1
> E
k
la probabilit P > 1 le mouvement est
arbitrairement assigner a une probabilit de 1 et le systme
devras toujours accepter un tel mouvement
2. Si P = 0 le mouvement est rejet.
3. Si 0 < P < 1 (on accepte le mouvement mme sil empire la
FO, pour dcider on compare P avec un numro alatoire entre
0 et 1 si P > a ce numro on accepte le mouvement
4. on rduit la temprature
( )
|
.
|

\
|

=
+
T
E E
P
k k 1
exp
La variable de dcision est T et la fonction objectif est lnergie E
probabilit de distribution de
Boltzman
simulannealbnd simulannealbnd
Contraintes
contraintes sont difficilement modlisable et/ou drive nest pas
facilement calculable On pourra notamment utiliser un modle
empirique ANN ou un simulateur de procd en connexion avec un
logiciel doptimisation (Matlab / EXCEL / Aspen / Connectivity)
Dr. Chouaib BENQLILOU
Fonction Objectif (cout investissement)
Fonction objectif (investissement)
es Temp Matiere
equipement type M
B
E
B E
f f f
Capacite
Capacite
Cout Cout
Pr
) _ (
. . .
|
|
.
|

\
|
=
( )
( )
interet taux ,
1 1
1
. =
+
+
= i
i
i i
Cout CoutAnnuel
e nombreAnne
e nombreAnne
E
Dr. Chouaib BENQLILOU
Fonction Objectif (cout exploitation)
1. Matires premires, catalyseurs.
2. Utilities: Electricit, fuel, vapeur (BP,MP,HP,); eau de
refroidissement; rfrigration, air comprim, gaz
inerte.
3. Ressources humaines.
4. Maintenance (6% investissement).
Peters MS, Timmerhaus KD and West RE (2003)
Plant Design and Economics for Chemical Engineers,
5th Edition, McGraw-Hill, New York.
Eau de refroidissement Energie de pompage de leau en haut de la tour
+ nergie de ventilateur de lair
Systme de rfrigration
Vapeur haute pression diffrence denthalpie* efficacit de la chaudire
(85%)* cout du fuel.
Vapeur moyenne pression (turbine a vapeur) cout de la VHP puissance
produite par la turbine (diffrence denthalpie *dbit molaire (ou massique)
* efficacit de la turbine.
Air comprim puissance du compresseur * efficacit.
|
|
.
|

\
|

=
C
C H C
T
T T Q
W
6 . 0
( )
v p
k k
C C k
P
P
k
kRT
W / 1
1
/ 1
1
2 1
=
(
(

|
|
.
|

\
|

=

Fonction Objectif (cout exploitation)
Air comprim
Pour assurer une compression dsire on utilise plusieurs compresseurs en
srie. Minimiser le W pour la compression de lair de 10KPa a 1000KPa
en utilisant 3 compresseurs et deux refroidisseurs afin dassurer que la
temprature dentre dans chaque compresseur nest pas leve T
1
,
considrez k = 1.4.
( ) ( ) ( )
v p
k k k k k k
C C k
P
P
P
P
P
P
k
kRT
W / 3
1
/ 1
3
4
/ 1
2
3
/ 1
1
2 1
=
(
(

|
|
.
|

\
|
+
|
|
.
|

\
|
+
|
|
.
|

\
|

=

La condition suffisante matrice Hessien en utilisant P
2
et P
3
trouves
antrieurement:
La condition ncessaire
( ) ( )
3 / 1
1
2
4
*
3
3 / 1
4
2
1
*
2
3 2
; 0 P P P P P P
P
W
P
W
= = =
c
c
=
c
c
0) nt (determina positive definit
2
> V W
P2 = 215.44 Kpa; P3 = 464.16 KPa
Fonction Objectif (valuation projet)
Valeur actuelle Nette
(mesure du Profit)
( )

+
=
n
n
i
Cashflow
NPV
1
IRR
utilisation efficace du Capital
0 = NPV i
Retour d investissement
InvInitial
annuel Cashflow
ROI
_
=
Priode de retour
La valeur de la monnaie changent avec le temps
Application
Quel est le projet le plus intressant dun point de vue
conomique
Anne cash flow
0 -10 -10
1 1,6 6,5
2 2,8 5,2
3 4 4
4 5,2 2,8
5 6,4 1,6
projet A Projet B
taux int 0,10
Contraintes : Modle
du procd (ANN,
ASPEN, EXCEL)
Fonction Objectif
Algorithmes doptimisation
GA (Matlab)
EXCEL (GRG)
GAMS (Dicopt, MINOS, CPLEX)
Optimisation du mix nergtique
Chaudire
Puissance elec
Moy Pression
Bas Pression
Moy Pression
fuel
condensat
Production de lacide sulfurique production de la pression haute vapeur trois turbo-
alternateurs, deux chaudires, deux groupes lectrognes contrat ONE
OPTIMISATION DE LA
CHAINE LOGISTIQUE
Chouaib BENQLILOU
Dr. Chouaib BENQLILOU
Optimisation dune SC
r Matires Premires vont tre utilises par j diffrentes
technologies se trouvant dans s sites de productions.
Les produits ralises dans les sites sont envoyes aux w
centre de distribution qui alimentent a leurs tours m marches
potentielles sur une horizon de temps constitu de t priodes.
SC Stratgique/ Tactique (Planning)
Fournisseur
Site
production:
technologie
Centres de
distribution
Marchs
Intgration
Optimisation dune SC
Dcisions:
Matire premire r achete pour s le long de t
Capacit de production dans s avec j
Production ralise par la tech. j dans le site s le long de t
Quantit envoye de s vers les centre de dist. (CD) w
Stockage dans le site s le long de t
Capacit de stockage dans le CD w le long de t
Quantit vendue de w vers m
Installer ou non une technologie j dans le site s.
Le Centre de distribution w ouvert ou ferm.
Optimisation dune SC
Site
production:
Tech 1
Tech 2
Centres de
distribution
Marchs
Fournisseur
Site
production:
Tech 1
Tech 2
Centres de
distribution
Centres de
distribution
Marchs
Flux de matire sur t priodes de temps
La Tech j est elle installe
Combien je produis avec Tech j
Combien je peux stocker
Le CD est il ouvert
Combien je peux stocker
Optimisation dune SC
La fonction Objectif:
Net Present Value (NPV) Valeur Actualise Nette
Revenues en terme du CashFlow sur le priode sous tude
- Cout
De la Matire Premire
Du Stockage
De la Production
Du Transport
Investissement initiale
technologie
centre distribution
capacit de production
Taux dactualisation
Optimisation dune SC
Financement (Site de Production / Commercialisation)
Mobilisation de crances nes a ltranger :
vente de Prix
360
90
. 1
v
T
P i E =
|
.
|

\
|
+
terme a nt encaisseme
360
90
. 1
360
90
'. 1
.
T
v
T
A T
C
P
i
i
C C
|
|
|
|
.
|

\
|
+
+
=
Escompte
Cours de change a Terme
Dr. Chouaib BENQLILOU
Optimisation dune SC
Quelles sont les contraintes?
Bilan Matire
SP la MP est transforme en produit dans les SP
SP variation du stock PF = production envois vers les CD
CD variation du stock = E-S
Capacits
SP production est entre la capacit min. et max.
CD on pourra pas envoyer de s vers w sil y pas espace
CD le stock max ne devra pas tre dpasser
Dr. Chouaib BENQLILOU
Optimisation dune SC
Quelles sont les contraintes?
Marchs et Fournisseurs
M la somme des ventes satisfait le marche
F on peut pas acheter au-dels des disponibilits du march
Design SP
SP on peut produire une quantit entre la capacit min et
max de chaque technologie dans chaque SP.
Dr. Chouaib BENQLILOU
Optimisation dune SC
j les technologie utilises / t1, t2/
r les matires premires / benzne, butane, lectricit/
s les sites de production /s1*s4/
w les centres de distribution /w1*w3/
m les marchs considrs /m1*m7/
t les priodes sous tudes /p1*p4/
Spcifier lemplacement des fournisseur, SP, CD ainsi que les marchs sur cette base
Introduise les donns correspondant pertinentes:
Un produit p
Dr. Chouaib BENQLILOU
Optimisation dune SC
Prix unitaire de transport et distance ente rs ; sw et wm
Prix de la chaque MP dans chaque priode rt
Disponibilit maximale de chaque MP r
MP r utilise dans chaque technologie rj
Utilisation minimale de chaque technologie j
Quantit de chaque MP utilis par chaque technologie rj
Capacit de production minimale moyennant la tech j dans le site s js
Capacit de production maximale moyennant la tech j dans le site s js
Capacit maximale de stockage des CD
Demande du march m sur chaque priode mt
Optimisation dune SC
Cout unitaire de production par chaque technologie dans chaque site js
Cout unitaire de stockage dans chaque SP pour chaque priode s t
Cout unitaire de stockage dans chaque DC pour chaque priode w t
Prix du produit sur chaque marche et pour chaque priode mt
taux dactualisation
Cout dinvestissement sur les CD
Cout dinvestissement de chaque technologie dans chaque site j s (en terme
dinvestissement de base)
Cout unitaire de chaque tech dans chaque SP j s (en terme de cap. de
production)
Dr. Chouaib BENQLILOU
Optimisation dune SC
binary variable
Techselect(j,s) technologie selectione dans le site s
CDselect(w) CD selection;
positive variable
achat(r,s,t) MP r achete pour s le long de t
ventes(w,m,t) quantit vendue de w vers m
Production(j,s,t) production ralis par la technologie j dans le site s pout t
PFtrans(w,s,t) quantit envoy de s vers w pour t
CapProd(j,s) capacit de production dans s avec j
StockSP(s,t) stockage dans le site s
StockCD(w,t) stockage dans les DC
Dr. Chouaib BENQLILOU
Optimisation dune SC
EQ1(w,t).. sum( s, PFtrans(w,s,t)) + StockCD(w,t-1) =e=
sum(m,ventes(w,m,t)) + StockCD(w,t);
EQ2(r,s,t).. achat(r,s,t) =e= sum((j), MPused(r,j)*Production(j,s,t));
EQ3(s,t).. sum(j,Production(j,s,t))+StockSP(s,t-1) =e=
sum(w,PFtrans(w,s,t))+StockSP(s,t);
EQ4(j,s).. Techselect(j,s)*lowCap(j,s)=l=CapProd(j,s);
EQ4B(j,s).. CapProd(j,s)=l=HiCap(j,s)*Techselect(j,s);
EQ5(j,s,t).. TechMinUse(j)*CapProd(j,s)=l=Production(j,s,t);
Dr. Chouaib BENQLILOU
Optimisation dune SC
EQ5(j,s,t).. TechMinUse(j)*CapProd(j,s)=l=Production(j,s,t);
EQ5B(j,s,t).. Production(j,s,t)=l=CapProd(j,s);
EQ6(w,t).. StockCD(w,t)=l=MaxStockCap(w)*CDselect(w);
EQ7(w,t).. sum((s),PFtrans(w,s,t)) =l= MaxStockCap(w)*CDselect(w)
EQ8(m,t).. sum((w),ventes(w,m,t))=g=demandePF(m,t);
Dr. Chouaib BENQLILOU
Optimisation dune SC
EQ9(r,t).. sum((s),achat(r,s,t))=l=MPdisponible(r);
eq_costRM(t).. costRM(t)=e=sum((s,r),(MPprix(r,t)*achat(r,s,t)));
eq_costst(t).. costst(t) =e= sum((w),(StockCostCD(w,t)*StockCD(w,t))) +
sum((s),(StockCostSP(s,t)*StockSP(s,t)));
eq_costPR(t).. costPR(t)=e=sum((s,j),(ProdCostPU(j,s)*Production(j,s,t)));
eq_costTR(t)..
costTR(t) =e= sum((w,m),
(distCDM(w,m)*TransCostCDM*ventes(w,m,t)))+sum((r,s),(distFSP(s)*TransCost
FSP*achat(r,s,t)))+sum((w,s),(distCDSP(w,s)*TransCostSPCD*PFtrans(w,s,t)));
Dr. Chouaib BENQLILOU
Optimisation dune SC
eq_totalcost(t).. totalcost(t)=e=costRM(t)+costPR(t)+costst(t)+costTR(t);
eq_revenue(t).. revenue(t)=e=sum((w,m),(ventes(w,m,t)*PFprix(m,t)));
eq_profit(t).. profit(t)=e=revenue(t)-totalcost(t);
eq_investissem..
investissement=e=sum((j,s),Techselect(j,s)*Techinvest(j,s))+sum((w),CDselect(w)
*CDinvest(w))+sum((j,s),CapCostPU(j,s)*CapProd(j,s));
eq_NPV.. NPV=e=sum((t),profit(t)/power((1+RR),(ord(t)-1)))-
investissement ;
Dr. Chouaib BENQLILOU
Optimisation dune SC
model SCMoptimisation /all/;
solve SCMptimisation using minlp maximizing NPV;
Dr. Chouaib BENQLILOU
Dr. Chouaib BENQLILOU
Livre
Edgar T.F., Himmelblau D.M. et Ladson L.S. Optimization of chemical
Processes, 2
nd
Edition. McGraw-Hill. (2001)
Mah R.S.H. et Seider W.D. Foundations of Computer-aided chemical
process design. Vol. 1 (1981)
Brinnkhuis J. et Tikhomirov V., Optimization: Insights and aplications.
Princton series in applied mathematics. (2005)
Logiciel
Matlab Optimization Toolbox
Solver MS-EXCEL
GAMS (algebraic modelling systems)