Vous êtes sur la page 1sur 39

Chapitre 2

Prevision et PlaniIication




2.1. Introduction

La complexite croissante de l`industrie manuIacturiere moderne tient
principalement au caractere de plus en plus reparti de son organisation, lie en partie
a la specialisation des metiers et a l`optimisation des cots. Dans ce contexte, le rle
essentiel joue par les Ilux d`inIormation et les bases de donnees s'exerce tant au sein
de l`entreprise que dans ses interactions avec l`environnement commercial et
Iinancier ( banques, Iournisseurs, clients, consommateurs, pouvoirs publics,...).
Dans ce contexte, les matres mots sont la Ilexibilite, l`adaptativite, la production
'au plus juste (lean production). En revanche, la planiIication peut apparatre
comme un Iacteur d`inertie ou de rigidite. Cette vision est cependant trompeuse dans
la mesure ou, si le rle de la planiIication tend a se deplacer vers les niveaux de
gestion plus globaux, il reste neanmoins essentiel pour garantir l`eIIicacite et la
perennite d`une entreprise. Dans les approches modernes, planiIication et reactivite
sont de mieux en mieux associees en tant qu`approches complementaires permettant
d`assurer l`autonomie des niveaux operationnels par la construction de plans
robustes (voir |MERCE et al. 1997| et le chapitre 1 de ce livre).
Une des qualites essentielles d`une entreprise moderne doit tre sa capacite de
reaction rapide aux changements externes et internes. Mais il est tout aussi essentiel
de pouvoir ' tenir un cap , c`est-a-dire de maintenir dans le temps une coherence
strategique et tactique. Idealement, les decisions operationnelles a court terme
devraient parIaitement s`integrer dans le plan directeur, car celui-ci deIinit le schema
tactique de production, de stockage et d`utilisation des ressources. Cet ideal est
pourtant rarement atteint car les evenements qui surviennent en temps reel sont
rarement anticipes par le plan directeur. Pour combler cette lacune, il est donc
essentiel d`associer plus etroitement les outils previsionnels a la Ionction de
planiIication, qu`il s`agisse en particulier des previsions de demandes ou de
deIaillance des ressources.
Prevision et planiIication 1

De nos jours, un plan de Iabrication doit donc reagir aux donnees courantes de
production, de stockage et de demande. Mais les decisions qu'il genere doivent aussi
prendre en compte l'evolution Iuture du systeme en integrant les donnees
previsionnelles. Cette integration doit porter sur les deux composantes
Iondamentales de toute prediction : le previsible et l`aleatoire. Une prevision au plus
juste des entrees et des etats Iuturs du systeme de production est determinante pour
l`optimisation du plan. Mais une caracteristique Iondamentale des donnees Iutures
est leur incertitude, qui doit tre quantiIiee et prise en compte dans le plan, de Iaon
a minimiser les risques d'erreurs du plan, mme dans le cas de previsions inexactes.
Ainsi, pour qu`un plan devienne, du moins partiellement, realisable, il doit tre
robuste, c`est a dire peu sensible aux ecarts aleatoires entre les previsions et la
realite. En pratique, cette robustesse se traduit souvent par des marges sur le temps
et sur les capacites les plus critiques.
Les objectiIs d`optimalite et de robustesse sont Irequemment antagonistes, car la
recherche des meilleures perIormances necessite une connaissance precise des
donnees et conduit souvent a une utilisation intensive des ressources. La robustesse
permet une certaine adaptation automatique aux aleas, tandis que l`approche par
optimisation necessite de re-planiIier des que les donnees changent.
Pour ne pas trop privilegier les objectiIs de production a court terme, l`horizon
de planiIication est generalement choisi plus long que l`horizon sur lequel le carnet
de commandes est connu avec precision. La taille importante du probleme a
resoudre conduit souvent a une representation agregee des produits et des ressources
|MERCE et al. 1997|. Les lancements de Iabrication relatiIs aux premieres periodes
de l`horizon de planiIication sont detailles au sein du plan directeur (Master
Production Schedule), qui est eIIectivement mis en ouvre. Les resultats du plan
relatives aux periodes suivantes sont rarement appliquees car au Iur et a mesure de
l`arrivee des commandes Iermes, les donnees du probleme evoluent. On relance
alors le calcul du plan sur un horizon ayant la mme duree que precedemment, mais
dont la periode initiale a ete decalee dans le temps. On parle alors d`un horizon
glissant .
Bien que tres utilisee en pratique, la planiIication a horizon glissant presente des
inconvenients. Elle necessite beaucoup de calculs et un niveau de description du
systeme trop agrege. En outre, elle ne garantit en rien l`optimalite de la politique a
moyen terme et peut conduire a des incoherences entre plans directeurs successiIs.
Un diIIicile equilibre doit donc tre trouve pour concilier la reactivite
conjoncturelle et l`insensibilite aux perturbations aleatoires.
Dans ce chapitre, nous proposons de concilier l`approche par optimisation et
l`approche par robustesse, en limitant la premiere au court terme et en utilisant la
seconde pour orienter l`evolution du systeme a moyen terme. L`approche par
robustesse qui va tre exploree est celle de la planiIication en boucle Iermee avec
attenuation de perturbations aleatoires bornees. La recherche de proprietes
d`invariance de polyedres permet de traiter ce probleme de Iaon numeriquement
eIIicace.

2 Organisation et gestion de production

2.2. Les contextes manufacturiers
2.2.1. Le triplet approvisionnement - production - consommation

Si l`on parle souvent d`entreprise virtuelle, ou encore d`entreprise etendue, c`est
qu`il est devenu diIIicile de delimiter la Irontiere d`une entite industrielle, ou que
cette Irontiere change selon le point de vue adopte. En particulier, avec le support
des reseaux inIormatiques actuels, la structure d`inIormation et de communication
dans laquelle baigne l`entreprise depasse largement le cadre de son organisation
propre. Des lors, la reponse a des problemes de production, d`organisation,
d`approvisionnement ou d`etudes de marche, peut Iaire appel a des ressources
externes. Reciproquement, le savoir-Iaire et les outils de production d`une entreprise
peuvent tre vus comme des ressources qu`il convient d`utiliser au mieux en reponse
aux besoins du marche.
2.2.2. Que faut-il prvoir et planifier?
2.2.2.1. La disponibilite et lutilisation des ressources

Sous la denomination de ressource, on entend habituellement a la Iois les acteurs
de la production, generalement associes en equipes de travail, les dispositiIs de
stockage et de transport des pieces, et les machines, d'assemblage et de
transIormation, parIois unitaires, parIois groupees en pools de machines de mme
Ionctionnalite, parIois disposees geographiquement en lots ou en sous-ateliers.
Parmi les caracteristiques communes a toutes les ressources d'un atelier, on peut
mentionner leur necessite pour realiser la production, le Iait qu'elles ne soient pas
consommees, qu'elles ne soient disponibles qu'en quantites limitees et qu'elles soient
sujettes a des deIaillances.
Les equipements permettant la production peuvent tre speciIiques ou Ilexibles.
Pour des productions de masse, comme par exemple dans l`electronique et
l`automobile, les economies d`echelle imposent que la plupart des machines soient
dediees a des tches tres specialisees. En revanche, la prise en compte croissante des
besoins des clients incite a l`achat de machines Ilexibles et reconIigurables, souvent
completees de robots polyvalents. Bien qu`antagonistes, les deux preoccupations de
production de masse et de production a la demande coexistent souvent, par exemple
dans les industries de l`automobile ou du textile. Une des cles de la rentabilite est
alors le choix du stade de diIIerentiation entre produits, la 'diIIerentiation retardee
permettant des gains de productivite importants mais limitant les possibilites
d`adaptation a la demande.
Dans les modeles orientes produits, en particulier en planiIication de production,
les ressources sont souvent simplement caracterisees par leur capacite et leurs
perIormances, et il est souvent commode, mathematiquement, d'agreger les
ressources pour simpliIier les modeles.
Prevision et planiIication 3

Par opposition a la gestion strategique, qui Iixe les produits a Iabriquer et les
ressources productives necessaires, la planiIication de production se situe au niveau
dit 'tactique d`utilisation des ressources existantes avec possibilite eventuelle de
Iaire appel a des heures supplementaires ou a de la sous-traitance
La Iormulation du probleme de planiIication repose donc generalement sur
l`hypothese que les ressources productives sont Iixes et imposees. Dans le cas
d`equipements speciIiques, les seules variations sont dues aux occurrences de
pannes, et aux arrts dus a la maintenance. Le rendement des equipements Ilexibles
peut en outre dependre des operations a eIIectuer.

2.2.2.2. La repartition du travail dans le temps

Les investissements associes aux equipements dedies comme aux ateliers
Ilexibles sont generalement considerables. Les durees de vie et d`amortissement de
ces equipements etant longues, c`est sur des horizons a long terme que leurs cots
d`utilisation peuvent tre evalues et optimises. Or, la demande est souvent diIIicile a
predire avec precision sur des horizons temporels aussi longs. Pour tre
suIIisamment reactive et pour utiliser des donnees previsionnelles suIIisamment
realistes, la planiIication de production doit porter sur un horizon a court ou a moyen
terme et le plan de production doit tre souvent remis en cause, ou mme
entierement recalcule, en particulier dans les methodes de planiIication optimale a
horizon glissant. L`horizon de temps de la planiIication de production est court
compare a celui de la gestion strategique, mais long compare aux durees operatoires
et a la circulation des pieces et des produits dans l`atelier.
Ce positionnement intermediaire entre les deux ples vitaux de l`entreprise rend
souvent diIIiciles et parIois discutables les missions et les consignes du plan de
production. Ces diIIicultes d`harmonisation temporelle s`accompagnent souvent de
diIIicultes organisationnelles pour le service de logistique, qui sert souvent
d`intermediaire, de Iiltre et parIois de bouc emissaire entre la direction de
l`entreprise et les ateliers de Iabrication.
2.2.2.3. Les quantites a produire

Pour calculer les quantites a produire a chaque periode de l'horizon de
planiIication, les demandes et les capacites de production Iutures sont generalement
supposees parIaitement connues. Il s'agit la d'une hypothese de calcul classique en
planiIication optimale |SHAPIRO 93|, |FRY et al. 94|, comme en planiIication
automatique par MRP (Material Requirement Planning) ou MRP II |ORLICKY 75|,
|BAKER 93|. La nature aleatoire de ces donnees peut cependant intervenir de Iaon
indirecte, a travers les mesures de l`etat des stocks, qu`il est important de Iaire
intervenir dans le calcul des quantites nettes a produire.
4 Organisation et gestion de production

2.2.2.4. Les niveaux des stocks

Les mythes du "zero stock" et du "zero deIaut" ont accompagne le "miracle"
industriel japonais des annees 1980 et ont aide a populariser dans le monde entier les
techniques de production dites "juste a temps". En Iait, l`existence des stocks est une
necessite a diIIerents niveaux :
- la possibilite d'eventuels problemes d'approvisionnement,
- les risques de pannes et de deIaillances humaines,
- la capacite limitee des ressources productives,
- les exigences des clients en termes de delais de livraison.
S'il est vrai que le stockage de produits ne genere pas, par lui-mme, de valeur
ajoutee |GIARD 1988|, il procure de solides atouts en termes de Iiabilite, de qualite
de service et mme de rentabilite a moyen terme de l'entreprise. Il permet en eIIet le
lissage de la production, l'amortissement des Iluctuations du marche, une utilisation
plus eIIicace des equipes de travail et des machines. Le dimensionnement et
l'utilisation des lieux de stockage constitue un probleme important en gestion de
production. La solution de ce probleme varie selon le systeme de production
considere et ses interactions avec le marche. L'analyse economique et l'optimisation
Iournissent des methodes pour decider de la meilleure alternative entre production a
la demande et livraison sur stock, ou du meilleur compromis entre ces deux
extrmes, particulierement dans le cas des processus de Iabrication multi-etapes
|INDERFUTH 91|.
2.2.3. Les supports d'information et de communication

De nos jours, la plupart des techniques de gestion de production necessitent, pour
leur mise en ouvre, un support inIormatique permettant le recueil, le traitement et la
diIIusion des donnees. En outre, la concurrence et les nouvelles possibilites
techniques ont genere de nouveaux besoins de communication et d'integration, les
partenaires techniques et commerciaux intervenant comme des agents autonomes
pouvant echanger des donnees et mener des projets ensemble, mme a distance.
Dans le cas de la planiIication de production, un meilleur couplage avec les donnees
previsionnelles sur les demandes externes et sur la Iiabilite des equipements peut
considerablement ameliorer l'eIIicacite et la robustesse des methodes et des
consignes de production.
L'importance et la complexite des nomenclatures permettant de decrire les
produits et les gammes de Iabrication, naguere considerees comme des diIIicultes
majeures dans la mise en place des methodes de type MRP Iondees sur les calculs
des besoins, sont maintenant bien matrisees. Mme la methode Kanban, qui, dans sa
version de base, materialise les demandes de produits par des transIerts d'etiquettes
entre operateurs |SHINGO 83|, est parIois mise en ouvre, dans les pays
occidentaux, sous une Iorme inIormatisee |SEIDMANN 88|.
En outre, de la gestion Iinanciere aux bureaux d'etudes et aux services
commerciaux, les diIIerents services d'une entreprise utilisent maintenant des
Prevision et planiIication 5

methodes et des supports de communication inIormatises. Or, la gestion de
production traite et genere des donnees qui concernent aussi d'autres services. Pour
eviter la proliIeration de systemes d'inIormation heterogenes, il est devenu essentiel
pour une entreprise de se doter d'une plate-Iorme d'inIormation integree. Comme le
souligne F. Vernadat |VERNADAT 96|, l'integration des moyens d'inIormation doit
aussi permettre de surmonter les barrieres organisationnelles heritees des principes
d'organisation hierarchique. Les methodes de gestion de production doivent prendre
en compte cette necessite de communication, en prevoyant en particulier des
interIaces permettant une certaine standardisation des entrees-sorties
inIormationnelles.

2.3. Modliser pour mieux piloter
2.3.1. Les diffrentes approches en modlisation d'ateliers

Les modeles permettant de decrire les activites de production, de transIert et de
stockage dans un atelier de production manuIacturiere relevent de deux approches
diIIerentes et complementaires : l`approche systeme et l`approche produit.
Dans l`approche ' systeme , on s`attache principalement a decrire le
Ionctionnement dynamique des machines et de toutes les ressources qui contribuent
a la production : operateurs, robots, chariots, palettes,... Cette approche est
generalement utilisee en automatisation et evaluation de perIormance d`ateliers.
L`approche ' produits decrit principalement les Ilux de produits en entree et en
sortie de l`atelier, ainsi que les niveaux des stocks. Cette approche correspond a une
vision plus economique, voire gestionnaire de l`atelier. Elle s`inspire en particulier
des modeles macro-economiques ' entrees - sorties de LeontieII. L`utilisation de
l`analyse ' entrees - sorties dans le cadre micro-economique de la gestion de la
production et des stocks, s`est developpee a partir des travaux de |VEINOTT 69|. La
representation des temps de cycle des produits sous la Iorme de retards purs a
ensuite permis le passage des modeles statiques a des modeles dynamiques
|GRUBBSTROM et al. 94|, |HENNET et al. 98|.
De Iaon classique, le rle d`un plan de production est de Iournir des valeurs de
reIerence pour les produits a Iabriquer et les quantites a stocker aux diIIerentes
periodes de l`horizon a moyen terme considere (l`ordre de grandeur de l'horizon
temporel de planiIication est habituellement la semaine ou le mois). Il est donc
naturel de chercher a resoudre ce probleme en utilisant un modele de production
relevant de l`approche ' produits . Cependant, la Iaisabilite du plan necessite aussi
une prise en compte plus ou moins detaillee des caracteristiques des ressources, en
particulier sous la Iorme de contraintes decrivant leur capacite limitee.

6 Organisation et gestion de production

2.3.2. Le modle multi-produits et multi-tapes
2.3.2.1. Lequation devolution des stocks

Un modele de production relevant de l`approche ' produits n`est valide que sur
un horizon de temps limite, pour lequel la structure et la composition des ressources
peuvent tre considerees comme Iixes.
Le systeme est constitue de N produits, R ressources et P stocks. L`horizon de
planiIication est divise en T periodes.
On caracterise le systeme de production a chaque periode k par les variables
suivantes:
- les quantites de produit i stocke au dbut de la periode, notees
) ,..., 0 ( ), ,..., 1 ( , T k N i s
ik
,
- les quantites de produits lancees en production pendant la periode k,
) ,..., 0 ( ), ,..., 1 ( , T k N i v
ik

- les quantite de produits livrees pendant la periode k, ,
ik
:
) ,..., 0 ( ), ,..., 1 ( T k N i
- les demandes par produit pendant la periode k, ,
ik
d

) ,..., 0 ( ), ,..., 1 ( T k N i .
Il est a noter que par deIinition, on doit avoir :
) ,..., 0 ( ), ,..., 1 ( , 0 , 0 , 0 , 0 T k N i : d v s
ik ik ik ik
. (1)
Les variables
ik
s et
ik
v sont des variables internes, les variables
ik
d des variables
d`entree et les variables
ik
: des variables de sortie du systeme. On note ces
variables vectoriellement de la Iaon suivante :
(
(
(

=
(
(
(

=
(
(
(

=
(
(
(

=
Nk
k
k
Nk
k
k
Nk
k
k
Nk
k
k
d
d
d
:
:
:
v
v
v
s
s
s
1 1 1 1
, , , .
Pour etablir l`equation dynamique d`evolution des stocks entre periodes
consecutives, il est necessaire de Iaire une hypothese sur les temps de cycle, c`est a
dire les delais de Iabrication des produits. On supposera ici que la production d`un
lot
ik
v de produit i debute des son lancement, c`est-a-dire ici des le debut de la
periode k, et que la duree de Iabrication d`un produit de type donne est constante. La
duree de Iabrication du produit i est notee
i
. Cette hypothese suppose
implicitement que les temps de preparation des machines sont soit negligeables, soit
inclus dans les durees operatoires, et qu`il n`y a pas d`attente, dans la mesure ou un
lancement n`est possible que si les ressources qu`il necessite sont disponibles. Sous
cette hypothese, l`equation d`evolution du stock de produit i de la periode k a la
periode k1 est la suivante:
Prevision et planiIication 7

.
.
, 1 , ik k i ik k i
: v s s
i
+ =
+
(2)
AIin de representer par une equation vectorielle unique l`ensemble des equations
d`evolution des stocks pour tous les produits de la periode k a la periode k1, on
peut introduire :
- l`operateur avance, note q, qui agit sur les suites temporelles ) (
k
de la Iaon
suivante :
1 +
=
k k
q ,
- l`operateur inverse, operateur retard note
1
q

tel que :
k k
q =
+

1
1
.
Avec ces notations et l`hypothese qui precede, l`equation vectorielle d`evolution
des stocks prend la Iorme suivante :
k k k k
: v q Diag s s
i
+ =

+
) (
1

(3)
ou par deIinition,
(
(

N
i
0
0
q
q
q Diag
0 0
0
0
0 0
) (
1

.

Les variables de stocks devant toutes tre positives ou nulles, l`equation (3) ne
represente leur evolution que si les sequences de vecteurs (v
k
), (z
k
)

garantissent le
respect de la contrainte :
) 1 ,..., 1 ( 0 + T k s
k
(4)
Nous decrirons a la section 2.3.2.5 une technique permettant d'etendre l'equation
(3) au cas des ruptures de stocks.
2.3.2.2. Les contraintes sur les ressources

Le systeme de production est suppose constitue de ressources dont le nombre est
note R. . Chaque ressource, notee r, est caracterisee par sa capacite agregee par
periode, notee
r
k
M . On suppose que la production
ik
v du produit i lancee a la
periode k utilise la ressource r en quantite
r
i
m aux periodes 0,..., 1
i
. Le cas
d`operations necessitant plusieurs ressources est naturellement represente dans ce
modele par des coeIIicients
r
i
m non nuls pour plusieurs indices de ressources, r.

Les contraintes de capacite de production sont representees de Iaon agregee
sous la Iorme suivante :
R r T k M v m
r
k
f
f k i
N
i
r
i
i
,..., 1 , ,..., 0 ,
1
,
1
= =
=

=

(5)
8 Organisation et gestion de production

Pour que ces contraintes soient bien deIinies, il est necessaire de connatre les
lancements de produits anterieurs au debut de l`horizon :
i
i i
v v
, 1 ,
, , . Ce sont
normalement des donnees qui sont gardees en memoire.
2.3.2.3. Les contraintes de capacite de stockage

Les lieux de stockage des produits sont des ressources particulieres, relatives aux
variables de stock
ik
s . On note
p
i
n la taille de stock p utilisee pour le stockage
d`une unite de produit i. Chaque capacite de stockage
p
k
N peut varier dans le temps.
P p N s n
p
k ik
I
i
p
i
,..., 1 ,
1
=
=
. (6)
2.3.2.4. La matrice de fabrication des produits

Un systeme de production peut tre analyse du point de vue des produits
primaires, intermediaire et Iinaux. Pour chaque produit i, on peut lister l`ensemble
des produits f intervenant directement dans sa Iabrication. On deIinit alors le
coeIIicient technique
fi
a de la Iaon suivante :
fi
a est la quantite de produit f directement utilisee pour fabriquer une unite de
produit i.

Dans une representation graphique dite ' gozinto |VAZSONYI 55|, chaque
produit i est represente par un sommet. L`arc fi represente l`utilisation du produit f
pour Iabriquer le produit i, et la quantite
fi
a permet de valuer cet arc. La Figure 2.1
presente un exemple de structure de production en representation par graphe
'gozinto .

Prevision et planiIication 9

1
2
5
3
4
2
2
3
2
2
1

Figure 2.1. Le graphe ' go:into ` dune structure a 5 produits

Les inIormations decrivant la structure de production sont resumees par la
matrice de Iabrication, aussi appelee matrice des coeIIicients techniques, A((a
fi
)).
Pour la structure de la Figure 2.1, cette matrice s`ecrit :
.
0 0 2 2 1
0 0 3 0 0
0 0 0 2 2
0 0 0 0 0
0 0 0 0 0
(
(
(
(
(
(

= A
Si le graphe ' gozinto de la structure de production ne comporte pas de circuit,
alors l`ensemble des produits Iinis, intermediaires et primaires peut tre decompose
en niveaux. Par convention, les produits de niveau 0 sont les produits Iinis qui
correspondent uniquement a une demande externe. Si un produit i est de niveau n,
l`ensemble des produits directement impliques dans sa Iabrication sont de niveaux
superieurs ou egaux a n1. L`ensemble des niveaux ainsi deIinis est Iini si le graphe
de Iabrication ne comporte pas de circuit. La matrice de Iabrication a alors une
structure triangulaire inIerieure.
La mise en Iorme automatique de la matrice des coeIIicients techniques a partir
d`une interIace graphique permettant la construction du graphe gozinto a ete realisee
dans le logiciel STRUCT, realise au LAAS-CNRS de Toulouse a partir de la
bibliotheque de produits ILOG |ILOG 98|. Ce logiciel permet en outre de speciIier
les matrices d`utilisation des ressources )) ((
r
i
m M = et d`utilisation des stocks
10 Organisation et gestion de production

)) ((
p
i
n N = par les diIIerents produits, ainsi que les vecteurs des capacites
maximales a chaque periode,
(
(
(

R
k
k
M
M

1
et
(
(
(

P
k
k
N
N

1
.
Ainsi, pour l`exemple de la Figure 2.1, on a genere les matrices et les vecteurs
representes sur la Figure 2.2.

.


Figure 2.2. Matrices et vecteurs des donnees de production
2.3.2.5 Le modele devolution

Prevision et planiIication 11

Le lancement de la production v
i
de produit i, i1,...,N requiert d`utiliser les
produits f, f1,...,N, en quantite a
fi
v
i
. La demande brute D
fk,
pour le produit f a la
periode k vaut donc :

ik
N
i
fi fk fk
v a d D + =
=1
(7)
Pour un plan de production satisIaisant la demande sans retard, on a, pour tout
produit j et a toute periode k,
fk fk
D : = . L`equation (3) d`evolution des stocks prend
alors la Iorme suivante :
[ ]
k k k k
d v A q Diag s s
i
+ =

+
) (
1

. (8)

La logique de production et d`approvisionnement correspondant au MRP revient
a resoudre par rapport a (v
k
) l`equation (8) niveau par niveau en imposant la
positivite a chaque periode du vecteur de stocks ( 0
k
s ) et en utilisant une regle
de production lot pour lot ou a tailles de lots Iixes. La regle lot pour lot
consiste a calculer les besoins bruts en composants a partir des commandes de
produits Iinis et de programmer les approvisionnements et/ou les productions
correspondantes de Iaon a satisIaire les commandes exactement aux dates dues. La
logique de la regle a tailles de lots Iixes diIIere de la regle lot pour lot par la
contrainte qui impose de ne programmer les productions et les approvisionnements
que selon un multiple de la taille de lot imposee.
L`approche developpee dans ce chapitre generalise l`approche MRP en integrant
l`equation d`evolution des stocks (3), leur positivite (4) et le calcul des demandes
brutes (7) comme contraintes du probleme de planiIication.
Supposons que le vecteur des demandes externes tende vers un vecteur constant,
note d
e
(d
k
d
e
pour
0
k k ), et supposons que cette demande puisse tre satisIaite
en permanence. Le vecteur des stocks tend alors vers un vecteur constant s
*

(s
k
s
*

pour
0
k k ).

A l`equilibre, l`equation (8) donne :
k e k
Av d v q Diag
i
+ =

) (

(9)
Pour une politique de production lot pour lot et apres un regime transitoire, le
vecteur des quantites produites a chaque periode permet de satisIaire la demande
brute a chaque periode. La suite (v
k
) etant alors constante (v
k
v
e
pour k _ k
0
),
l`equation (9) peut tre ecrite sous la Iorme d`une equation de type LeontieII :
e e
d A I v
1
) (

= . (10)
Pour les structures de production multi-etapes (graphe ' gozinto sans circuit),
on peut montrer que la relation (10) deIinit bien un vecteur de quantites a produire,
dans le sens ou les composantes du vecteur v
e
. deIini par la relation (10) sont toutes
positives ou nulles |HENNET et al. 98|.
12 Organisation et gestion de production

2.3.2.6. Prise en compte des stocks de securite et des arrieres de fabrication

L`etablissement de l`equation (8) a necessite de supposer que la demande etait
toujours satisIaite sans retard, tout en imposant la positivite des stocks a chaque
periode. En presence de capacites de production et de stockage limitees, on ignore
generalement a priori si une sequence donnee de demandes en produits Iinis peut
tre satisIaite. Dans le cas ou certaines demandes ne peuvent pas tre satisIaites a
temps, il est necessaire soit de renoncer a les satisfaire (lost sales), soit d`autoriser
des retards de livraison. La production reportee a une periode ulterieure
(generalement la periode suivante) est appelee ' arriere de Iabrication (backlog).
AIin de limiter la Irequence des ruptures de stocks, on est souvent amene a
constituer des stocks de securite. Leur rle est double : ils doivent permettre d`une
part d`absorber des Iluctuations moderees de la demande, et d`autre part de Iaire
Iace a des pannes et a de mauvais Ionctionnements occasionnels des ressources de
l`atelier. On suppose ici que le vecteur s
*
des stocks de securite est constant sur
l`horizon de planiIication, et qu`il constitue le vecteur de consignes pour la
trajectoire du vecteur des stocks, s
k
, sur cet horizon.
Pour Iaciliter la prise en compte de la positivite des stocks et autoriser les
arrieres de Iabrication, on considere un vecteur de stocks modiIie, v
k
, qui obeit a
l`equation recurrente suivante:
[ ]
k k k k
d v A q Diag v v
i
+ =

+
) (
1

. (11)
Les valeurs des stocks et des arrieres de Iabrication a la periode k sont calculees
a partir des coordonnees v
ik
du vecteur v
k
par les conditions suivantes :

=
+ =
* *
* *
de arriere un avec si 0
si
i ik i ik ik
i ik i ik ik
s v s v s
s v s v s
(12)

- Supposons tout d`abord qu`a la periode k, il n`y ait pas d`arriere de
Iabrication. Alors
*
i ik ik
s s v = et la demande brute pour le produit i a la periode k
vaut :
fk
N
f
if ik ik
v a d D + =
=1
.
On en deduit la valeur du stock de produit i a la periode k1 :
) , 0 max(
1
, 1 , ik fk
N
f
if k i ik k i
d v a v s s
i
+ =
=
+
.
Ce qui donne
) , max(
1 ,
* *
1 , + +
+ =
k i i i k i
v s s s (13)
avec
ik fk
N
f
if k i ik k i
d v a v v v
i
+ + =
=
+
1
, 1 ,
(14)
et un arriere de Iabrication de
*
1 , i k i
s v
+
. (15)
Prevision et planiIication 13

- Dans le cas d`un arriere de Iabrication pour le produit i a la periode k,
alors 0 =
ik
s et la demande brute pour le produit i a la periode k vaut :
*
1
i ik fk
N
f
if ik ik
s v v a d D + =
=
.
On en deduit la valeur du stock de produit i a la periode k 1 :
) , 0 max(
1
,
*
1 , ik fk
N
f
if k i ik i k i
d v a v v s s
i
+ + =
=
+
,
ce qui donne a nouveau les conditions (13), (14), (15).
Les conditions (13), (14), (15) sont donc valables dans tous les cas et pour
tous les produits. Elles peuvent tre regroupees sous la Iorme des relations (11),
(12).
Il est a noter que le modele (11), (12) equivaut a la representation des
stocks par variables algebriques :
+
=
ik ik ik
avec 0 =
+
ik ik
,
la variable 0
+
ik
q representant le stock de produit i a la periode k, et 0

ik
q
l`arriere de Iabrication du produit i a la periode k. En eIIet, pour passer de la
representation precedente a celle-ci, il suIIit de Iaire la transIormation
.
*
i ik ik
s v =

Le modele presente ci-dessus est general. Cependant, si les demandes externes
ne portent que sur les produits Iinis, ce qui est generalement le cas, les arrieres de
Iabrication n`ont pas de sens pour les produits primaires et intermediaires, car ceux-
ci doivent tre disponibles pour la production. Pour interdire tout arriere de
Iabrication pour le produit i, il suIIit d`imposer
*
i ik
s v . Pour ces produits, la
relation (12) se reduit a la premiere alternative.
2.3.3. Modlisation des demandes par des sries chronologiques

Qu`il s`agisse de prevoir les demandes de produits ou la Iiabilite des ressources,
toute prevision repose sur des modeles. Les modeles predictiIs ou previsionnels en
temps discret sont construits a partir de la representation d'une ou de plusieurs series
chronologiques. L`etablissement de modeles pour les series chronologiques est une
tche rendue extrmement diIIicile par la complexite des interactions entre
phenomenes economiques, physiques, ou technologiques. Les traitements de
donnees et les tests statistiques permettent de decider, avec des seuils et des marges
d`erreurs pre-deIinies, si des couplages sont signiIicatiIs ou non. Une typologie des
modeles de prevision est presentee dans |GIARD 88, p.785|. Elle est reproduite dans
la Figure 2.3.
14 Organisation et gestion de production

modeles explicatiIs
modeles autoprojectiIs
equation unique (utilisations de la regression multiple)
equations simultanees (modeles econometriques)
sur historiques recents : Iiltres lineaires
sur historique complet
moyennes mobiles
lissage exponentiel
Iiltre diIIerence
moindres carres
Box et Jenkins ...
analyse spectrale
Figure 2.3. Tvpologie des modeles de previsions, dapres [GIARD 88]

Dans un modele explicatiI, la serie chronologique ) (
k
: est generalement decrite
par trois termes :
- la tendance (ou trend ), en Ionction du temps,
- la composante cyclique, caracterisee par sa periodicite T
C
, (par exemple,
repetition de la mme loi de demandes chaque mois ou chaque annee),
- la perturbation aleatoire, supposee tre un processus stationnaire.
Un modele auto-projectiI comporte aussi un terme de perturbation aleatoire
stationnaire,
k
e , mais il represente la valeur courante de la serie,
k
: , en Ionction de
valeurs passees de la serie elle-mme,
i k
:

, et de valeurs passees de la perturbation,
i k
e

, soit en nombre restreint, soit en totalite. Les modeles explicatiIs pouvant
generalement tre corriges, Iiltres et reIormules sous une Iorme auto-projective, la
classe des modeles auto-projectiIs peut tre consideree comme la plus generale.
En particulier, tout systeme lineaire mono-variable en temps discret admet une
representation auto-projective de la Iorme suivante :

=

+ =
m
f
f k f
n
i
i k i k
e b : a :
0 1
(16)
La valeur courante de la serie,
k
: , peut tre interpretee comme la sortie d`un
Iiltre lineaire dont l`entree, (
k
e ) est supposee tre un bruit blanc, c`est-a-dire une
sequence de variables aleatoires independantes, de moyenne nulle et de mme loi de
probabilite. On a donc, par hypothese :
0 ) ( , ) ( , 0 ) (
2 2
= = =
f k k k k
e e E e E e E pour toute periode k et toute periode f
precedant k.
En utilisant l`operateur retard, l`equation (16) peut tre reecrite sous la Iorme
suivante:
k
f
m
f
f k
i
n
i
i
e q b : q a

=

=
=
0 1
) 1 ( . (17)
Cette Iorme Iait apparatre la structure ARMA (Auto-Regressive, Moving-
Average) du modele, caracterisee par le polynme auto-regressiI (AR) en
1
q :
Prevision et planiIication 15

i
n
i
i
q a

=

1
1 , et par le polynme de moyenne mobile (MA) en
1
q :
f
m
f
f
q b

=

0
.
L`emplacement des zeros du polynme auto-regressiI caracterise a la Iois la stabilite
du modele (3) et la stationnarite de la serie chronologique ) (
k
: . En particulier, si les
zeros en

q

du polynme auto-regressiI sont a l`interieur du cercle unite du plan
complexe, la serie ) (
k
: est stable et stationnaire.
Les series chronologiques rencontrees en pratique sont rarement stationnaires,
mais on cherche generalement a caracteriser leurs composantes non stationnaires par
des traitements et des tests statistiques, puis a Iiltrer ces composantes et a tester le
caractere stationnaire du modele residuel. Ainsi,

plusieurs etapes doivent preceder
l`identiIication des parametres du modele. Ces etapes relevent de l`analyse
statistique de l`historique. Les composantes irregulieres de la serie chronologique
(duree variable des cycles, jours Ieries,...) sont d`abord redressees ou corrigees. Des
techniques empiriques, comme l`utilisation de Iiltres a moyenne mobile centree, et
des techniques d`optimisation, comme la methode des moindres carres, permettent
l`estimation de la tendance et de la composante cyclique du modele. L`utilisation de
Iiltres aux diIIerences permet ensuite d`eliminer de la serie sa tendance et sa
composante cyclique, du moins dans le cas ou les composantes du modele
interviendraient de Iaon additive. Par exemple,
- si la tendance est representee par un polynme en k d`ordre N (en pratique,
N0, 1 ou 2), elle peut tre eliminee en multipliant les termes de la serie par le Iiltre
1 1
) 1 (
+

N
q ,
- si la periodicite de la composante cyclique est T
C
, cette composante peut tre
eliminee en multipliant les termes de la serie par le Iiltre ) 1 (
C
T
q

.
C`est donc sur des donnees Iiltrees que les parametres du modele ARMA de
l`equation (16) doivent tre identiIiees. Le modele doit ensuite tre valide. Une
technique courante de validation consiste a comparer les coeIIicients d'auto-
correlation calcules a partir du modele avec les auto-correlations echantillonnales
calculees sur les donnees reelles passees.
D`une Iaon classique, le coeIIicient d`auto-correlation de delai d d`une serie
chronologique est deIinie par :
) ( ) (
) , (
d k k
d k k
d
v Jar : Jar
: : Cov
+
+
= . (18)
Les auto-correlations echantillonnales sont obtenues par une Iormule deduite de
la Iormule (18) en remplaant les variances et covariances par leurs estimees
calculees a partir des donnees reelles. Elles peuvent tre representees graphiquement
sous la Iorme d`un correlogramme, dont la distribution des pics permet de btir des
hypotheses de tendance ou de saisonnalite. Dans le dernier cas, le critere bien connu
des deux ecarts-type et le test de Kruskal-Willis, appliques aux auto-correlations
echantillonnales, permettent de decider du caractere signiIicatiI ou non d`une
composante saisonniere. En outre, la validite a posteriori d`un modele ARMA peut
16 Organisation et gestion de production

tre evaluee en utilisant le test classique du
2
sur la serie representant le bruit,
) (
k
e , pour tester son caractere de bruit blanc gaussien |BOX et JENKINS 76|.
Une Iois les parametres identiIies et le modele valide, l`estimation de la valeur
courante de la serie, notee
k
:` , peut tre obtenue a partir de l`equation (16) en
prenant l`esperance mathematique de
k
: conditionnee par les observations
disponibles a l`instant k. En particulier, si toutes les valeurs passees ont pu tre
parIaitement mesurees, on obtient :

=

+ =
m
f
f k f
n
i
i k i k
e b : a :
1 1
` . (19)
L`integration de la tendance et de la composante saisonniere permet ensuite de
construire une prediction de la valeur courante de la serie reelle. La prediction des
valeurs Iutures obeit, elle aussi, a la mme procedure, les valeurs Iutures
,... ` , `
, 2 , 1 k k k k
: :
+ +
pouvant tre calculees par utilisation iterative de l'equation (16) en
prenant l'esperance mathematique des valeurs Iutures, ce qui donne en particulier
. 0 ` `
, 2 , 1
= = =
+ +

k k k k
e e
Dans le cas de series chronologiques inter-correlees, il est possible d`utiliser des
versions multi-variables des modeles ARMA, avec une extension directe des
methodes d`estimation et d`identiIication au cas multi-variable. L`etablissement des
equations de predictions des valeurs Iutures a ete aussi etendu au cas multi-
variables, en depit de quelques diIIicultes liees au caractere non commutatiI de la
multiplication de matrices polynomiales |KUCERA 79|.

2.3.4. Modlisation de ressources sujettes des dfaillances

De nombreux travaux ont ete consacres a la modelisation des processus de
deIaillance et de reparation des machines. Les modeles le plus couramment utilises
sont de type markovien. Ils permettent la prediction des perIormances moyennes des
equipements et Iournissent des mesures de leur srete de Ionctionnement, en des
termes similaires a ceux des systemes inIormatiques : Iiabilite, disponibilite,
maintenabilite |LAPRIE 96|.
Le niveau important d'agregation des produits et des capacites de production,
ainsi que la longueur de l'horizon temporel qui caracterisent les problemes de
planiIication de production ne permettent pas, en general, une representation
explicite des processus de deIaillance et de reparation.
Cependant, des procedures de prise en compte des deIaillances de ressources
peuvent tre integrees au schema de planiIication, a partir du modele multi-produits
et multi-etapes de la section 2.3.2.
- L'evolution des variables internes du modele, representant les stocks et les
arrieres de Iabrication, traduit naturellement l'inIluence d'une deIaillance ou d'une
Prevision et planiIication 17

reparation sur l'etat du systeme. Une politique de planiIication en boucle Iermee
permet alors de compenser ces Iluctuations, tant qu'elles restent Iaibles et localisees.
- La construction d'une politique de production robuste permet de tolerer des
evolutions limitees des variables d'entree du modele, les demandes
ik
d . Le modele
multi-etapes permet en outre d`introduire des demandes Iictives aleatoires sur les
produits intermediaires et sur les produits Iinis, qui peuvent resulter d'une baisse ou
d'une augmentation des capacites de production des ressources.
- Les capacites de production
r
k
M , qui Iigurent dans les contraintes (5) peuvent
varier selon la periode k consideree. Des changements de capacite productive,
constates ou anticipes, peuvent donc tre aisement integres au modele du systeme.
Cependant, la modiIication des valeurs des parametres concernes necessite en
general un nouveau calcul du plan de production. Il est donc conseille d'utiliser cette
procedure pour pallier des deIaillances importantes ou durables.

2.4. Prvoir pour mieux grer
2.4.1. Caractrisation du problme de planification

Le modele multi-produits et multi-etapes de la section 2.3.2 Iournit une
Iormulation mathematique appropriee pour la resolution des problemes de
planiIication de production. En particulier, la linearite de l`equation recurrente (11)
permet d`envisager deux classes de techniques de resolution :
- les techniques en boucle ouverte visant a calculer a l`instant initial toutes les
Iutures decisions de production sur l`horizon de prevision des demandes.
- les techniques en boucle Iermee permettant de calculer a chaque periode les
quantites a produire en Ionction de l`etat courant des stocks, des lancements
anterieurs, des commandes Iermes et des previsions actualisees des demandes
Iutures.
Il est a noter que les plans de Iabrication calcules par les techniques en boucle
ouverte sont rarement mis en ouvre entierement. Selon la methode de l`horizon
glissant, seules les premieres decisions sont appliquees et le plan est Irequemment
recalcule sur des donnees mises a jour.
Traditionnellement, la technique en boucle ouverte la plus utilisee est la
programmation lineaire |GIARD 98|. Mais la commande predictive sous contraintes
peut aussi tre envisagee pour resoudre le probleme. Les techniques en boucle
Iermee ont ete jusqu`a maintenant peu utilisees en raison de la complexite des
calculs en automatique et de la diIIiculte a prendre en compte les contraintes dans la
synthese des lois de commande. La methode par invariance polyedrique, qui va tre
decrite a la section 2.4.5 permet de resoudre ces diIIicultes.
2.4.2. Intgration des donnes prvisionnelles

18 Organisation et gestion de production

Le couplage entre prevision et planiIication apparat necessaire des que l`on
cherche a utiliser l`equation recurrente (11) pour calculer le vecteur des lancements
a la periode k, v
k
. En eIIet, ce vecteur interagit avec les demandes et les etats de
stocks Iuturs. Ces interactions apparaissent clairement par multiplication de
l`equation (14) relative a chaque produit i par le terme d`avance
i
q

, ce qui donne :
i i i i
k i k i k i
N
f
k f if ik
d v v v a v
+ + + +
=
+
+ =
, , 1 ,
1
,
. (20)
Considerons le retard maximum entre niveaux,
i
N i

,... 1
max
=
= . La matrice
A q diag q T
i
=

) ( ) (
1
peut tre reecrite sous la Iorme :

T T q T + + =

0
1
) ( (21)
avec A T =
0
, et ) (
l
i l
t Diag T = pour , , 1 = l
sinon. 0 , si 1 avec = = =
l
i i
l
i
t l t
L`equation (11) peut tre reecrite:
k l k
l
l k
d v T v q =

=

0
) 1 ( . (22)
2.4.3. Un schma de couplage prvision- planification

Si de nombreux auteurs ont souligne la necessite de previsions precises et Iiables
pour etablir un plan de Iabrication economiquement eIIicace, peu de logiciels de
planiIication existants integrent eIIectivement des modeles previsionnels de la
demande. Mathematiquement, l'integration d'un tel modele previsionnel dans la
Iormulation du probleme de planiIication conduit a un probleme de commande
stochastique.
Le choix d'un critere d'optimisation quadratique conduit a deux schemas
possibles de resolution : en boucle ouverte ou en boucle Iermee. Pour permettre le
calcul d'une commande en boucle Iermee, le probleme est rendu deterministe par
l'hypothese d'equivalence de certitude, qui revient a remplacer chaque variable
aleatoire par sa meilleure estimee courante, sans prendre en compte les incertitudes
d'estimation |SILVA FILHO et al. 99|. Mme sous cette hypothese simpliIicatrice,
le probleme de commande optimale reste diIIicile a resoudre en raison des
nombreuses contraintes lineaires sur les variables de production et de stockage, ces
contraintes etant diIIiciles a integrer dans un schema de regulation LQG (Lineaire
Quadratique Gaussien).
L'approche proposee dans ce chapitre diIIere du schema quadratique par le Iait
que les objectiIs de la commande : satisIaction de la demande et respect des
capacites de production et de stockage, sont mis sous Iorme de contraintes dont le
principe d'invariance assure le respect en presence de perturbations bornees. Le
caractere polyedrique des domaines d'invariance recherches permet une Iormulation
entierement lineaire du probleme de commande et sa resolution pour des systemes
Prevision et planiIication 19

de production complexes. TouteIois, la commande invariante ne garantit le respect
des contraintes que pour un etat initial du systeme appartenant au domaine invariant.
Il est donc souhaitable de construire des domaines invariants adaptes aux diIIerents
regimes de Ionctionnement du systeme. Il est en outre necessaire de construire des
politiques de commande complementaires permettant de transIerer un etat initial
quelconque du systeme vers le domaine invariant.
Ainsi, le schema de planiIication propose consiste en deux etapes :
- construction d'une trajectoire permettant au systeme d'atteindre le domaine
invariant associe aux vecteurs de demandes et de stocks nominaux
- mise en ouvre de la politique de planiIication en boucle Iermee tant que les
variations du vecteur des demandes reelles restent dans les limites de perturbations
admissibles.
Il est a noter qu'en raison de son caractere transitoire sur un horizon a court
terme, la premiere etape du schema peut reposer sur des hypotheses beaucoup plus
simples, comme une prevision parIaite des demandes Iutures sur l'horizon considere.
A un niveau superieur de supervision, tout changement signiIicatiI et durable de
la demande ou des parametres de production entrane une modiIication des vecteurs
de demandes et de stocks nominaux et l'iteration du schema presente ci-dessus.
2.4.4. L'approche par programmation linaire

La technique de base en planiIication est la programmation lineaire (en variables

continues). Si les quantites de production sont suIIisamment

importantes, les
approximations entieres des variables reelles sont generalement satisIaisantes. Mais
si le probleme de planiIication prend en compte les cots de mise en production
(cots de preparation), le probleme devient combinatoire et NP-diIIicile. Une
technique classique de resolution est alors par la Procedure de Separation et
Evaluation Progressive (PSEP).

- Probleme lineaire de base:
Minimiser ) (
1 1
ik ik ik
N
i
ik
T
k
s h v c J + =
= =
(23)
sous les contraintes :
T k N i v a d v s s
fk
N
f
if ik k i ik k i
i
,..., 0 , ,..., 1
1
, 1 ,
= = + =
=
+
(24)
, ,..., 1 , ,..., 0 ,
1
,
1
R r T k M v m
r
k
f
f k i
N
i
r
i
i
= =
=

=

(25)
T k P p M s n
p
k ik
I
i
p
i
,..., 0 , ,..., 1 ,
1
= =
=
(26)
k
e (27)

20 Organisation et gestion de production

Le probleme lineaire de base suppose que le systeme est toujours capable de
satisIaire la demande. On cherche alors simplement a minimiser le cot total de
production et de stockage sur l`horizon considere, tout en respectant a chaque
periode les contraintes de capacite de production et de stockage.

- Prise en compte des arrieres de Iabrication

Les limites de capacite de production et de stockage peuvent rendre impossible
la satisIaction sans retard de la demande. Si les retards sont coteux mais tolerables,
on peut alors autoriser les arrieres de Iabrication, c`est a dire le report d`une partie
de la demande sur des periodes posterieures a celles demandees par les clients. Le
critere a minimiser devient alors :
). (
1 1
+
= =
+ + =

ik ik ik ik ik
N
i
ik
T
k
h v c J (28)
La contrainte (25) est inchangee. Les contraintes (24), (26) et (27) sont
remplacees par :
fk
N
f
if ik k i k i k i k i k i
v a d v
i

=

+
+
+
+
+ =
1
, , , 1 , 1 ,
(29)
T k P p M n
p
k
ik
I
i
p
i
,..., 0 , ,..., 1 ,
1
= =
+
=

(30)

T k N i v
ik ik ik
,..., 0 , ,..., 1 0 , 0 , 0 = =
+
.

En outre, si le produit i est un produit primaire ou intermediaire, la quantite
disponible du produit i doit exceder la demande interne, et donc :
T k v a v
fk
N
f
if k i k i k i
i
,..., 0 ,
1
, , ,
= +

=

.
En vertu de l`equation (28), cette inegalite peut tre reecrite :
1 ,..., 1 ,
, ,
+ =
+
T k d
ik k i k i
. (31)
Si la demande externe pour un produit primaire ou intermediaire i est nulle, on
pourra imposer directement la non-negativite des stocks par les contraintes
1 ,..., 1 , 0
,
+ = =

T k
k i
.
Si la demande interne pour un produit i est nulle (i est un produit Iini), il n`est
pas necessaire d`imposer la contrainte (31), sauI si l`on veut limiter les retards de
livraison a au plus une periode.
Le cot par periode relatiI a la variable
+
=
ik ik ik


est lineaire par morceaux,
selon le diagramme de la Figure 2.4.
Prevision et planiIication 21

Cot
pente
ik
pente h
ik

ik

Figure 2..4. Cout lineaire par morceau sur la valeur algebrique du stock

La resolution du probleme reste possible par programmation lineaire. Le
probleme est alors resolu de Iaon numeriquement perIormante, en depit de
l`augmentation du nombre de variables et du nombre de contraintes.
Deux proprietes sont implicitement obtenues dans la solution :
a) comme les parametres h
ik
et
ik
sont positiIs, la procedure
d`optimisation conduit toujours a choisir la paire (
+
ik ik
, ) telle que
+
=
ik ik ik

de Iaon a minimiser
+
+
ik ik
. La valeur minimale de cette quantite, ,
ik
, est
obtenue pour :

=
=

+
) 0 , max(
) 0 , max(
ik
ik
ik
ik


.
b) en general, h
ik
'
ik
. On a alors toujours intert a satisIaire la demande
si c`est possible. On a recours aux arrieres de Iabrication seulement si la demande ne
peut pas tre satisIaite a temps.

- Introduction des cots de preparations (set-up costs)

Dans le cas ou la production est diversiIiee et ou les periodes de l`horizon de
planiIication sont relativement courtes, chaque demarrage de Iabrication d`un
produit de type donne peut entraner un cot supplementaire de preparation des
machines.
Soit f
ik
la variable logique associee au demarrage d`une production de type i a la
periode k et soit g
ik
le cot de demarrage de la production de type i a la periode k.
Le nouveau critere d`optimisation (avec arrieres de Iabrication) s`ecrit :
). (
1 1
ik ik ik ik ik ik ik
N
i
ik
T
k
f g h v c J + + + =
+
= =


Le probleme de planiIication devient alors un probleme en variables mixtes, plus
diIIicile a resoudre, et pour lequel il Iaut expliciter le couplage entre les variables f
ik
et v
ik.
Si l`on suppose que les cots de preparation sont relatiIs a chaque periode, c`est-
a-dire qu`ils ne couvrent pas des durees chevauchant plusieurs periodes, alors la
22 Organisation et gestion de production

variable f
ik
est reliee a la variable v
ik
par les relations suivantes :

> =
= =
. 0 si 1
0 si 0
ik ik
ik ik
v f
v f

En utilisant les contraintes de capacite des ressources ou des bornes sur les
demandes, il est generalement Iacile de calculer a priori une borne superieure de v
ik,
notee ik
v . On peut alors remplacer les relations entre f
ik
et v
ik
par la contrainte
inegalite :
ik ik ik
f v v

sous 1 0 ou f
ik
=
.
La resolution du probleme de planiIication peut alors devenir numeriquement
plus complexe en raison du caractere booleen des variables v
ik
. Cependant, de
nombreux logiciels de programmation lineaire en variables mixtes existent et
permettent de traiter le probleme sur des exemples de taille limitee.

2.4.5. L'approche par commande prdictive

Une des limitations de l`approche de resolution des problemes de planiIication
par programmation lineaire reside dans son caractere purement deterministe. Les
demandes sont supposees parIaitement connues a l`instant initial pour tous les
produits sur tout l`horizon de planiIication. Une telle hypothese est rarement realiste
pour des horizons de planiIication allant de quelques semaines a quelques mois.
Pour pallier ce probleme et Iaire Iace en temps reel a des changements du carnet de
commande, on est contraint de Irequemment recalculer le plan apres avoir modiIie
les donnees du probleme. On applique alors la technique dite de lhori:on glissant.
Selon cette technique, seuls les resultats relatiIs aux premieres periodes de l`horizon
de planiIication sont eIIectivement mis en ouvre, puis l`on reIormule et l`on resout a
nouveau le probleme. Cette technique permet d`ameliorer la reactivite du systeme,
mais sans reelle garantie de perIormance.
En Iait, pour elaborer un plan de production robuste, il est necessaire de prendre
en compte l`incertitude sur les donnees Iutures. Il Iaut donc raisonner dans un cadre
probabiliste en considerant que les variables decrivant les demandes Iutures, et
mme les rendements Iuturs, sont des variables aleatoires. Le cadre de la commande
predictive est bien adapte a ce type de modele. Il a montre son eIIicacite dans de
nombreux contextes industriels, particulierement dans les industries du process.
Mais, en raison sans doute du caractere discret et du grand nombre de variables, il a
ete peu utilise pour les systemes manuIacturiers.
L`approche par commande predictive repose sur le mme schema de commande
en boucle ouverte sur un horizon T et sur les mmes contraintes que l`approche par
optimisation lineaire. Mais elle en diIIere essentiellement par la Iorme quadratique
du critere retenu et par le Iait que les variables caracterisant les demandes Iutures,
l k i
d
+ ,
pour l ~1, sont considerees comme imparIaitement connues a l`instant k. En
Prevision et planiIication 23

consequence, et par le biais de l`equation d`evolution des stocks, les etats Iuturs des
stocks sont eux aussi incertains.
En utilisant le vecteur de stocks translate v
k
, introduit dans la section 2.3.2.5,
l`equation recurrente (11) permet de calculer les predictions a la periode k des
vecteurs de stocks Iuturs,
k l k
v
,
`
+
en Ionction des esperances mathematiques des
demandes Iutures :
k l k
d
,
`
+
. On obtient ainsi, pour 1 l :
[ ] + =

=
+

=
+

+
1
0
,
1
0
,
`
) ( `
l
f
k f k
l
f
f k k k l k
d v A q Diag v v
i

. (32)
L`objectiI de la commande etant de stabiliser le vecteur de stocks translate a sa
valeur nominale, 0
*
=
+l k
v , on peut deIinir un vecteur de production nominal a
l`instant kl,
*
l k
v
+
comme la solution de l`equation :
k l k l k l k
d v q Diag Av
i
,
* *
`
) (
+ +

+
=

(33)
En choisissant ) ( max
,..., 1
i
n i

=
= comme horizon de planiIication, le critere predictiI
a minimiser prend la Iorme suivante :
)
`

+ =
+ + + + +

=
+
k v v R v v v v E J
l k l k l
T
l k l k l k
l
T
l k
, | ) ( ) ( |
* *
1
0

. (34)
ou les matrices
l
R sont des matrices deIinies positives de ponderation des
vecteurs de commande.
Les conditions terminales, que l`on suppose admissibles, sont :

=
=
+ +
+
*
,
0 `
f k f k
k f k
v v
v
pour f .
Le probleme d`optimisation ainsi pose est un probleme d`optimisation
quadratique sous contraintes lineaires. Sa resolution ne pose pas de probleme
theorique mais reste limitee numeriquement a une centaine de variables et donc a un
petit nombre de produits et de periodes. Dans la suite, nous nous interesserons plus
particulierement a la solution de ce probleme dans le cas particulier ou l`esperance
conditionnelle des vecteurs de demande Iutures est un vecteur constant. Cette
hypothese de stationnarite du vecteur des demandes nous permettra de construire
une loi de commande en boucle Iermee, combinant reactivite et robustesse.

2.4.. L'approche en boucle ferme
2.4.6.1. Une representation detat du svsteme
Le vecteur des demandes externes, d
k
est maintenant suppose aleatoire, mais de
loi de probabilite stationnaire, sous la Iorme suivante :
24 Organisation et gestion de production

k e k
w d d + = (35)
ou d
e
est un vecteur constant a composantes positives ou nulles et w
k
est un
vecteur de bruits blancs bornes :
, 1 , 0 , , 1 , 0 | | = = =

k N i w w w et w E
i ik i ik
.
On suppose que les bornes inIerieures w
i
permettent de garantir que toutes les
composantes du vecteur d
k
sont positives ou nulles. Les contraintes de bornes sur le
vecteur
k
w peuvent tre reecrites sous la Iorme polyedrique suivante :
{ } = Lw w L R w
k
) , ( avec
(

=
(

=
w
w
I
I
L , (36)

Sous le modele stationnaire (23), (24), l`esperance conditionnelle de la demande
Iuture devient :
, 1 , 0
`
,
= =
+
l d d
e k l k
.
La sequence de vecteurs de production nominale qui satisIont l`equation (33) est
alors stationnaire :
e l k
v v =
+
*
, avec comme dans l`expression (10) :

e e
d A I v
1
) (

= .
Considerons maintenant le changement de variable :
e k k
v v u = .
Le probleme de planiIication peut tre reIormule comme un probleme de
regulation du vecteur de sortie
*
s s v
k k
= avec comme vecteur de commande
e k k
v v u = et sous la perturbation
e k k
d d w = . L`objectiI de la regulation est de
maintenir les stocks les plus proches possibles de leur niveau de reIerence, tout en
satisIaisant la demande sans violer de contraintes. En utilisant la relation (10),
l`equation dynamique (11) du systeme peut en eIIet tre reecrite sous la Iorme
suivante :
[ ]
k k k k
w u A q Diag v v
i
+ =

+
) (
1

(37)
ou, de Iaon equivalente,
k k k
w u q T v q =

) ( ) 1 (
1
. (38)
avec =
=


0
1
) (
l
l
l
T q q T deIini comme dans l'expression (21).
A partir de ces representations entrees-sorties, on peut deIinir une representation
d`etat etendue en utilisant comme vecteur d`etat x
k deIini par :
T T
k
T
k
T
k k
u u v x | |
1
= (39)
La dynamique du systeme de production est alors representee par l`equation
d`etat en temps discret:
k k k k
u B w B x x
2 1 1
A + + =
+
(40)
avec :
Prevision et planiIication 25

(
(
(
(
(
(

=
(
(
(
(
(
(

=
(
(
(
(
(
(

0
0 ,
0
0
,
0 0 0
0 0 0
0 0 0
A
2 1
1
I
A
B
I
B
I
I
T T I




. (41)
ou I est la matrice identite et la matrice nulle de dimensions n par n.

Pour un probleme de regulation ainsi Iormule, il est naturel de chercher une loi
de regulation sous la Iorme d`un retour d`etat lineaire :
k k
x u F = avec F | |
1
G G F = . (42)
Le systeme commande prend alors la Iorme suivante:
k k k
w B x x
1 F 1
A + =
+
avec F
2 F
A A B + (43)



2.4.6.2. Lapproche par invariance polvedrique en commande sous contraintes

Les representations d`etat (40) et (43) decrivent l`evolution du systeme de
production lorsque celui-ci satisIait les contraintes du modele. Ces contraintes,
exprimees en Ionction des variables
k k
u x , , prennent la Iorme suivante :
, ,..., 1 , ,..., 0 ), (
1 1
,
1
R r T k i v m M u m
e
N
i
i
r
i
r
k
f
f k i
N
i
r
i
i
= =
= =

=

(44)
T k P p s n N v n
i
I
i
p
i
p
k ik
I
i
p
i
,..., 0 , ,..., 1 ,
*
1 1
= =
= =
(45)
T k N i i v u s v
e ik i ik
,..., 0 , ,..., 1 ) ( ,
*
= = (46)

Cet ensemble de contraintes delimite, dans l`espace d`etat, un polyedre note
) , ( Q R , avec par deIinition :
{ }

=
+
Qx x Q R
n ) 1 (
) , ( (47)
26 Organisation et gestion de production

et
(
(
(
(
(

=
(
(
(
(

=
(

=
(

=
e
e
v
v
s
Q
Q
Q

*
2 1
2
1
2
1
, , ,

,
. ,
2
1
1
1
(
(
(
(

=
(
(
(
(

=
I O O
O
I O
O O I
Q
ME O O
ME ME O
O O N
Q

(48)

O et I representent respectivement la matrice nulle et la matrice identite. La
contrainte
1 1
x Q traduit les contraintes (44), (45), et
2 2
x Q represente les
contraintes (46). Les matrices E
l
sont obtenues a partir des matrices T
f
du systeme,
deIinies par les relations (21) : =
=

l f
f l
T E , c'est a dire ) (
f
l l
e Diag E = , avec 1 =
f
l
e
si
f
l , 0 =
f
l
e si
f
l > . De ces expressions decoule en particulier la propriete
suivante : ) (
1
i
l
l
Diag E

=
=
.
Les matrices M et N sont les matrices d`utilisation des ressources et des stocks
par les produits, telles qu`elles ont ete deIinies dans le modele de la section 2.3.2.
Les vecteurs et sont supposes constants. Leurs coordonnees sont deIinies
comme suit :
, ,..., 1 ), (
1
R r i v m M
e
N
i
i
r
i
r
k r
= =
=

. ,..., 1 ), (
*
1
P p i s n N
N
i
p
i
p
k p
= =
=

La propriete d`invariance positive d`un domaine D de l`espace d`etat
relativement a un systeme dynamique S peut tre deIinie de la Iaon suivante :

Le domaine D est positivement invariant pour le svsteme S si toute trafectoire detat
de S dont l etat initial appartient a D est entierement contenue dans D.

L`approche par invariance positive de domaines polyedriques permet de resoudre
des problemes de commande sous contraintes par retour d`etat en utilisant, selon le
cas, l`une des deux techniques suivantes, denotees a) et b):

a) approche directe
Cette approche procede par construction d`un retour d`etat

> =
= =
. 0 si 1
0 si 0
ik ik
ik ik
v f
v f
tel que le
systeme en boucle Iermee (43) admette comme ensemble positivement invariant le
Prevision et planiIication 27

polyedre ) , ( Q R . Tout point de ce polyedre peut alors tre admis comme etat
initial du systeme, la loi de commande garantissant qu`en depit des perturbations
) (
k
w , la trajectoire du systeme reste dans le polyedre ) , ( Q R . Les conditions
algebriques permettant de caracteriser l`existence d`un tel retour d`etat sont les
suivantes :

+
=
+ =

J H
QB JL
B A Q HQ
J H
1
2
) (
, 0 , 0
F
F
(48)

b) approche indirecte
Il s'agit de construire un retour d`etat
k k
x u F = tel que le systeme en boucle
Iermee (43) admette comme ensemble positivement invariant un polyedre ) , ( S R
inclus dans le polyedre des contraintes ) , ( Q R . Tout point du polyedre ) , ( S R
peut alors tre admis comme etat initial du systeme, la loi de commande garantissant
qu`en depit des perturbations ) (
k
w , la trajectoire du systeme reste dans le polyedre
) , ( S R et satisIait donc les contraintes. Les conditions algebriques qui permettent
de caracteriser l`existence d`un tel retour d`etat sont les suivantes :

=
+
=
+ =



P
Q PS
J H
SB JL
B A S HS
P J H
1
2
) (
, 0 , 0 , 0
F
F
(49)
L`existence de solutions au systeme (48) peut tre testee par programmation
lineaire. Les contraintes du probleme sont en eIIet lineaires par rapport aux variables
du probleme qui sont les termes des matrices H, J et F. On peut choisir comme
critere lineaire a minimiser une variable reelle positive , , , , qui correspond a un taux
de contractivite, introduit dans le probleme en remplaant l`inegalite par :
+ J H . (50)
La Iaisabilite du probleme est alors caracterisee par la condition :

1 . Cette
condition ne pouvant pas toujours tre veriIiee, on preIere deIinir une solution
generique au probleme de commande sous contraintes en construisant un domaine
polyedrique ) , ( S R pour lequel l`ensemble des contraintes (49) admette toujours
une solution, du moins en l'absence de bruit.
Considerons tout d`abord le systeme (43) en l`absence de bruit, c`est-a-dire pour
0 = = w w . On peut noter que si un polyedre ) , ( S R est positivement invariant
28 Organisation et gestion de production

pour le systeme (43) en l`absence de bruit, alors il en est de mme pour tout
ensemble homothetique, ) , ( S R , avec un reel positiI quelconque. En
consequence, si l`etat nominal zero est strictement a l`interieur du domaine
) , ( Q R , il est toujours possible de trouver 0 > tel que ) , ( ) , ( Q R S R . Le
probleme d`existence d`une solution au systeme (49) se ramene alors a la
construction d`une loi de commande
k k
x u F = pour laquelle le systeme en boucle
Iermee (43) admette des ensembles polyedriques positivement invariants. On peut
alors remarquer qu`en l`absence de bruit, l`objectiI de la commande predictive est
precisement de transIerer en temps minimum l`etat du systeme a sa valeur nominale.
Exprimee en Ionction du vecteur des variables de regulation, x
k
, cet objectiI est
celui de l`etat :ero en temps minimal. C`est un probleme dit de 'reponse pile. Pour
determiner une loi de commande par retour d`etat qui satisIasse cet objectiI, il suIIit
d`imposer comme matrice H dans le systeme (49), la matrice :
(
(
(
(
(
(

=
O O
I
O
O I O O
O O O
H


. (51)
On obtient alors la matrice de retour d`etat :
| ) ( ) ( ) ( |
1
1
1 1

E A I E A I A I

= F (52)
et des domaines polyedriques positivement invariants symetriques ) , ( S R avec
(

=
(

, S et
(
(
(
(
(
(

=
(
(
(
(
(
(


,
) (
) (
) (
1
A I O O
O
A I O O
O O A I O
E E I
(53)
ou est un vecteur positiI de
n
.Ce vecteur est quelconque en l`absence de bruit.
Pour traiter le cas bruite, il suIIit, d'apres (49), d'appliquer les contraintes

+
+


w B H
w B H
1
1

ce qui revient a restreindre le choix du vecteur [ ]
T
n

1
= aux vecteurs
qui satisIont la condition d`absorption du bruit :
) , max(
i i i
w w pour i1,...,n. (54)
Prevision et planiIication 29

La satisIaction des conditions (49) sous ce choix particulier de loi de commande
deIinie par (52) et d`ensembles positivement invariants deIinis par (53) sera alors
possible s`il existe une solution (P, ) qui satisIasse les contraintes (54) et les
conditions d`inclusion:
Q PS = . (55)
P . (56)
En raison de la symetrie du polyedre ) , ( S R , l'existence de solutions au systeme
(55), (56) est equivalente a l'existence d'une matrice R de
n q
telle que:
Q R = (57)
R . (58)
Comme, par construction, la matrice est inversible, la solution unique de (57) est:
1
= Q R et l'ensemble de contraintes (57), (58) se reduit a :

1
Q . (59)
Il est important de choisir le vecteur de Iaon a ce que le domaine ) , ( S R soit
le plus grand possible. Ce domaine deIinit en eIIet pour le systeme un ensemble
d`etats initiaux admissibles. En choisissant comme critere a maximiser une
combinaison lineaire ponderee positive des composantes du vecteur , le probleme
de determination du domaine ) , ( S R se ramene a la resolution du probleme
d'optimisation lineaire qui consiste a maximiser C sous les contraintes (54) et (59).
Les resultats obtenus par invariance positive selon l'approche indirecte peuvent
tre resumes dans le theoreme suivant :

Thorme
Sil existe une solution (P,) qui satisfasse les contraintes (54) et (59), alors la
politique de production definie par loi de commande
k k
x u F = avec F defini par
(52), permet de satisfaire la demande tout en respectant les contraintes de capacite
et de stockage a chaque periode, si letat initial du svsteme appartient au domaine
) , ( S R .

2.5. Mise en ouvre de la planification
2.5.1. La phase d'optimisation

La puissance, sans cesse en progres, des moyens de calculs, permet de traiter des
Ilots de donnees de plus en plus considerables, et de resoudre des programmes
d`optimisation, particulierement de programmation lineaire, avec des milliers, voire
des millions de variables et de contraintes. On peut donc, dans de nombreux cas, a
partir de donnees agregees ou detaillees, optimiser directement le plan de production
30 Organisation et gestion de production

des composants et des produits Iinis, sans avoir a decomposer le probleme et a
eIIectuer le calcul des besoins par une technique MRP. TouteIois, les hypotheses
purement deterministes sur lesquelles reposent les programmes de planiIication
optimale limitent leur domaine d'application a des horizons a court terme. Dans le
schema de planiIication propose ici, l'utilisation de la programmation lineaire est
limitee a la construction d'une trajectoire de transIert de l'etat du systeme dans le
domaine invariant. Le probleme a resoudre est decrit par les expressions (28)-(30),
avec des contraintes supplementaires qui imposent l'appartenance de l'etat Iinal au
domaine invariant associe au regime permanent :
(
(
(
(
(

+
e T
e T
Tk T
Tk T
v v
v v
s
x avec Sx

1
*
(60)
Grce a la plate-Iorme ILOG, les donnees entrees et mises en Iorme dans le
programme STRUCT sont traitees par le programme OPTI. Le regime nominal
desire du systeme est alors declare, ainsi que la duree maximale de la trajectoire de
raccordement de l'etat courant a un etat suIIisamment voisin de l'etat nominal. Le
programme avise l'utilisateur de la possibilite ou non de ce raccordement dans le
temps maximal imparti. Dans l'exemple de la Figure 2.5, les contraintes (60) ont ete
remplacees par une tolerance en pourcentage sur l'etat Iinal du systeme.
Le vecteur des demandes etant suppose parIaitement connu sur l'horizon de
raccordement, le programme OPTI calcule la trajectoire de production et de
stockage optimale permettant d'atteindre le domaine invariant en minimisant le cot
total de production et de stockage. Les trajectoires correspondant aux donnees de la
Figure 2.5 sont representees sur la Figure 2.6, avec en haut a droite les demandes
externes pour les produits 1, 2 et 3, en bas a gauche les courbes de production, en
haut a gauche les courbes d'evolution des stocks, les valeurs negatives correspondant
a des ruptures de stocks avec arrieres de Iabrication.

Prevision et planiIication 31


Figure 2.5. Donnees sur les etats limites de la trafectoire optimale


Figure 2.6. Trafectoires optimisees

La sortie numerique des resultats, presentee sur la Figure 2.7. peut servir a
constituer le cahier des charges du niveau operationnel en charge des lancements de
Iabrication.

32 Organisation et gestion de production


Figure 2.7. Consignes generees par le plan
2.5.2. La phase de rgulation

Un nouvel horizon de planiIication est maintenant considere. Il debute a la
periode T correspondant a la Iin de la phase d'optimisation, c'est-a-dire des que les
contraintes (60) sont satisIaites. La Iin de l'horizon, T ne necessite pas d'tre Iixee a
priori. Cet horizon peut correspondre a une actualisation periodique des parametres
du programme, a la detection d'un changement durable des valeurs moyennes de la
demande ou des capacites de production, ou encore a la violation des contraintes
(61) sur les bornes des perturbations admissibles. La politique de planiIication en
boucle Iermee repose en particulier sur l'hypothese de stationnarite du vecteur des
demandes externes sur l'horizon de planiIication. Les Iluctuations aleatoires des
composantes de ce vecteur autour de leurs valeurs nominales sont simplement
supposees bornees :
'. ,..., pour T T k w d d w d
e k e
= + (61)
L'estimation du vecteur d
e
permet le calcul du vecteur des productions nominales
a chaque periode :
e e
d A I v
1
) (

= . On peut aussi en deduire le vecteur des
niveaux de stocks nominaux, ,
*
s selon la regle choisie. Par exemple, un choix
simple possible est : . 2
*
e
v s =
La politique de planiIication par retour d'etat invariant garantit le respect des
contraintes de capacite de production et de stockage tant que les contraintes (61)
restent satisIaites et a condition que l'etat initial du systeme appartienne au domaine
invariant.
Lorsque l'approche directe est applicable, l'etat initial du systeme peut tre
suppose admissible. Il satisIait en eIIet la contrainte .
T
Qx Le
domaine ) , ( Q R etant alors invariant, l'etat courant du systeme reste admissible :

Prevision et planiIication 33

'. ,..., T T k pour Qx
k
= (62)
Exprimees en Ionction des variables de production et de stockage, les contraintes
(58) sont decrites par les conditions (25), (26) et (27), puisque par deIinition,
(
(
(
(
(

e k
e k
k
k
v v
v v
s s
x

1
*
. (63)
Les conditions d'application de l'approche indirecte sont moins restrictives vis-a-
vis des donnees du probleme. Mais pour garantir le respect des contraintes de
production et de stockage, elle necessite une condition supplementaire sur l'etat
initial du systeme :
) , ( ) , ( avec Q R S R T S . (64)
Comme il a ete decrit a la section precedente, le respect de cette condition peut
necessiter une phase transitoire prealable de transIert de l'etat courant du systeme
dans le domaine ) , ( S R . Des que la condition (60) est veriIiee, la mise en ouvre
des vecteurs de production :
' ,..., pour T T k x v v
k e k
= + = F (65)
avec F donne par (52) et
k
x par (63).
A titre d'exemple, on cherche a planiIier la production pour le systeme associe a
la structure de la Figure 2.1 pour des demandes aleatoires stationnaires en produits 1
et 2, deIinies par les parametres suivants :
(
(
(
(
(
(

= =
(
(
(
(
(
(

=
0
0
0
30
20
,
0
0
0
55
50
w w d
e
.
Des courbes de demandes aleatoires sur un horizon de planiIication de 40
periodes ont ete generees par une loi uniIorme selon les parametres ci-dessus. La
Figure 2.8. represente les trajectoires de demandes ainsi generees.

0 5 10 15 20 25 30 35 40
5
10
15
20
25
30
35

0 5 10 15 20 25 30 35 40
0
5
10
15
20
25
30

34 Organisation et gestion de production

(a) (b)
Figure 2.8. Evolution des demandes en produits 1 (a) et 2 (b)

Les courbes de production et de stocks de la Figure 2.9. ont ete obtenues par la
commande invariante (61), pour un etat initial du systeme appartenant au domaine
invariant ). , ( S R

0 5 10 15 20 25 30 35 40
5
0
5
10
15
20
25
30
35
0 5 10 15 20 25 30 35 40
25
30
35
40
45
50
55
60
65
70
75

Figure 2.9a. Courbe de production du produit 1 Figure 2.9b. Courbe de stock du produit 1

0 5 10 15 20 25 30 35 40
0
5
10
15
20
25
30
35
40
0 5 10 15 20 25 30 35 40
20
30
40
50
60
70
80
90

Figure 2.9c. Courbe de production du produit 2 Figure 2.9d. Courbe de stock du produit 2


0 5 10 15 20 25 30 35 40
20
0
20
40
60
80
100
120
140
0 5 10 15 20 25 30 35 40
100
150
200
250

Prevision et planiIication 35

Figure 2.9e. Courbe de production du produit 3 Figure 2.9f. Courbe de stock du produit 3

0 5 10 15 20 25 30 35 40
100
0
100
200
300
400
500
600
700
0 5 10 15 20 25 30 35 40
300
400
500
600
700
800
900
1000
1100
1200

Figure 2.9g. Courbe de production du produit 4 Figure 2.9h. Courbe de stock du produit 4

0 5 10 15 20 25 30 35 40
0
50
100
150
200
250
300
350
400
0 5 10 15 20 25 30 35 40
200
300
400
500
600
700
800
900

Figure 2.9i. Courbe de production du produit 5 Figure 2.9j. Courbe de stock du produit 5



2.6. Conclusion

Parmi les problemes cruciaux auxquels sont conIrontees les entreprises
modernes, on trouve l'organisation du travail et des ressources productives,
l'optimisation des cots et la reactivite aux Iluctuations du marche. Ces problemes
sont precisement ceux auxquels tente de repondre la planiIication de production,
mais souvent d'une Iaon trop normative et sans la prise en compte de l'etat courant
reel du systeme productiI. La litterature scientiIique traitant des problemes de
planiIication de production est extrmement riche et les avancees de la recherche
operationnelle ont donne lieu a l'elaboration de techniques et d'algorithmes
d'optimisation tres perIormants. Pour que ces outils deviennent vraiment
operationnels et eIIicaces, il est necessaire de les integrer dans les plates-Iormes de
communication et d'echange de donnees inIormatisees qui sont de plus en plus
36 Organisation et gestion de production

repandues actuellement. La planiIication pourra alors jouer son rle d'aide aux
decisions de production en eIIectuant une synthese des donnees courantes et
previsionnelles et en proposant des solutions et des reponses appropriees. Du point
de vue methodologique, ces objectiIs requierent d'organiser les traitements de
donnees et de rendre compatibles des modeles, des methodes et des logiciels
heterogenes. A titre d'illustration de cette demarche, ce chapitre a propose
l'utilisation conjointe de l'optimisation et de la commande en boucle Iermee, en
insistant sur la necessite de parvenir a une meilleure integration des Ionctions de
prevision et de planiIication.







Bibliographie






|BAKER 93| BAKER K.R., Requirements planning, Handbooks in Operations Research and
Management Science, vol. 4, S.C. Graves, A.H.G. Rinnooy Kan, P.H. Zipkin Editeurs, pp.
571-628,.North-Holland, 1993.

|BOX et JENKINS 76| BOX G.E.P., JENKINS G.M., Time Series analvsis - forecasting and
control, Holden-day, 1976.

|FRY et al. 92| FRY T.D., COX J.F., BLACKSTONE J.H.,An Analysis and Discussion oI the
Optimized Production Technology SoItware and its Use, Journal of Production and
Operations Management, vol. 1, pp. 229-242, 1992.

|GIARD 88| GIARD V., Gestion de la Production, Economica, 1988.

|GIARD 98| GIARD V., Processus productifs et programmation lineaire, Economica,
1998.

|GRUBBSTROM et al. 94| GRUBBSTRM R.W., MOLINDER A., Material requirement
planning employing input-output analysis and Laplace transIorms,. International Journal of
Production Economics, vol. 35, pp. 299-311, 1994.

|HENNET 95| HENNET J.-C., Discrete Time Constrained Linear Systems, Control and
Dvnamic Svstems, vol.71, Editeur C.T. Leondes, Academic Press, pp.157-213, 1995.
Prevision et planiIication 37


|HENNET 99| HENNET J.C., From the Aggregate Plan to Lot-Sizing in Multi-level Production
Planning, Manufacturing Svstem Modeling . from strategic planning to real-time control,
Editeurs P.Brandimarte, A.Villa, Springer-Verlag, 1999.

|HENNET et al. 98| HENNET J.C., BARTHES I., Closed-loop planning oI multi-level
production under resource constraints, Proceedings of the IFAC Svmposium INCOM98,
Nancv, (France), 1998.

|INDERFURTH 91| INDERFURTH K., SaIety stock optimization in multi-stage inventory
systems, International Journal of Production Economics 24, pp.103-113, 1991.

|ILOG 98| ILOG, ReIerence Manual, 1998.

|KARMARKAR 93| KARMARKAR U.S., ManuIacturing lead-times, order release and
capacity loading? Handbooks in Operations Research and Management Science, vol. 4,
Editeurs S.C. Graves, A.H.G. Rinnooy Kan, P.H. Zipkin, North-Holland, pp. 287-329, 1993.

|KUCERA 79| KUCERA V.,Discrete Linear Control - The Polvnomial Equation Approach, J.
Wiley & sons, 1979.

|LAPRIE 96| Guide de la surete de fonctionnement, J.C. Laprie coordonnateur, Cepadues,
1996.

|LEE et al. 94| LEE J.H., MORARI M., GARCIA C.E., State-space interpretation oI model
predictive control, Automatica, vol. 30, No.4, pp. 707-717, 1994.

|MERCE et al. 97| MERCE C., HETREUX G., FONTAN G., PlaniIication Agregee et PlaniIication
Detaillee, Concepts et Outils pour les Svstemes de Production, Editeur J.-C. Hennet,
Cepadues, pp. 23-44, 1997.

|ORLICKY 75| ORLICKY J., Material Requirements Planning, McGraw-Hill, New York,
1975.

|SALOMON 91| SALOMON M., Deterministic Lotsi:ing Models for Production Planning,
Springer Verlag, 1991.

|SEIDMANN 88| SEIDMANN A., Regenerative pull (Kanban) production control policies,
European Journal of Operations Research, vol.35, pp. 401-413, 1988.

|SHAPIRO 93| SHAPIRO J.F., Handbooks in Operations Research and Management Science,
Editeurs S.C. Graves, A.H.G. Rinnooy Kan, P.H. Zipkin, vol. 4, pp., North-Holland, 1993.

|SHINGO 83| SHINGO S., Maitrise de la production et methode Kanban . le cas Tovota.,
Editions d'organisation, 1983.

|SILVA FILHO et al. 99| SILVA FILHO O.S., CEZARINO W., MAJUNDER R., Adachi D.T.,
Stochastic Linear Quadratic Problem with Constraints Ior Aggregate Production Planning,
Actes de la Conference CARs and FOF 1999, Aguas de Lindoia, Bresil, 1999.

38 Organisation et gestion de production

|VASSILAKI et al. 88| VASSILAKI M., HENNET J.C., BITSORIS G., Feedback control oI linear
discrete-time systems under state and control constraints, International Journal of Control,
vol. 47, pp.1727-35, 1988.

|VAZSONYI 55| VAZSONYI A., The use oI mathematics in production and inventory control.
Management Science, vol. 1, No. 1, pp.70-85, 1955.

|VEINOTT 69| VEINOTT A.F.Jr., Minimum concave-cost solution oI LeontieI substitution
models oI multi-Iacility inventory systems, Operations Research, vol.17, No 2, pp.262-291,
1969.

|VERNADAT 96| VERNADAT F.B., Enterprise Modeling and Integration, Chapman-Hall,
1996.