ECOLE CENTRALE PARIS

Mmoire de Master Recherche 2

me
anne OSIL
Optimisation des Systmes Industriels et Logistiques







MODELISATION DUN PROBLEME DAFFECTATION POUR LA
PRODUCTION DUN PLAN DE SEMENCE ET RESOLUTION PAR UNE
APPROCHE DE TYPE PROGRAMMATION LINEAIRE MIXTE.


Cdric Nguyen



Ple Systmes Industriels et Logistiques, IFMA, Clermont-Ferrand
Laboratoire dInformatique, de Modlisation et dOptimisation des Systmes, LIMOS, Aubire
Cooprative LIMAGRAIN Agro-Production, Chappes




Septembre 2009









Tuteurs : Sverine Durieux
Christophe Caux
2


3

Rsum

Dans lindustrie des semences la rpartition des varits sur les parcelles est un problme
rcurrent et auquel il est souvent difficile de trouver une solution adquate.
La mise en place du plan de semis est une tape capitale car delle dpend le reste de la production. Le
plan de semis doit en premier lieu permettre dassurer la ralisation du plan de production propos par
le service commercial. Mais cela sajoute de nombreuses contraintes lies au respect des normes de
puret, aux caractristiques des terrains et aux besoins spcifiques des diffrentes varits.
Actuellement nous observons que les problmes lis aux plans de semences deviennent de plus
en plus complexes et difficiles rsoudre. La quantit de varits vgtales augmentant chaque anne,
les industriels doivent faire face un accroissement du nombre de variables et il devient alors
ncessaire de trouver un moyen efficace de rsoudre ces problmatiques.

Au cours de notre tude nous avons formul mathmatiquement par une approche de type
Programmation Linaire Mixte (PLM) un cas concret de ce problme rencontr chez le semencier
Limagrain et aprs une linarisation des contraintes nous nous sommes attels la rsolution en se
basant sur plusieurs solveurs logiciels notamment en raison de la taille et de la complexit du
problme. Ce mmoire prsente galement les rsultats obtenus et les gains quils apportent.

Mots-cls: Programmation linaire mixte, Problme daffectation, AMPL, Plan de semis, Contraintes


Abstract

A typical problem arising in seed industry management consists in the planning because it is a
very important step.
The totally production plan depends on it. Planning for seeds must ensure that the production plan
provided by the marketing department is respected. It must also meet certain constraints imposed by
the regulations and technical problems.
Currently, we note that the problems that are related to the plan seed become more and more
complex and difficult to resolve. The quantity of vegetable varieties increasing every year and we
must find a solution to solve problems with a growing number of variables and constraints.

In our study we have formulated a mathematical approach with Mixed Integer Linear
Programming (MILP) a case of this problem existing at the company Limagrain and then the
linearization of the constraints. We solved the problem in basing on multiple solver software, in
particular because of the size and complexity of the problem. This thesis also presents the results and
the gains obtained.

Keywords: Mixed integer linear programming; Assignment problem; AMPL; Seeds plan; Constraints

4


5

Remerciements


Un remerciement tout particulier Sverine Durieux et Christophe Caux mes tuteurs
pour leur encadrement et leur aide tout au long de mon master.

Merci Benjamin Valet pour son support et sa coopration grandement apprciable
concernant plus particulirement la partie modlisation mathmatique et lutilisation des
outils de rsolution.

Je suis trs reconnaissant Anne-Lise Huyet pour son accompagnement et son
assistance au cours de ce cursus ainsi qu Henri Pierreval pour ses prcieux conseils et pour
mavoir fait partager son exprience et sa vision du monde de la recherche.

Je remercie la socit Limagrain pour nous avoir permis dtudier leur systme de
rpartition de semences et nous en tre servi de base au cours de ce mmoire, notamment en
ce qui concerne lutilisation des donnes numriques issues du cas rel de leur plan de semis.

Je remercie galement la socit ILOG pour nous avoir autorise utiliser une licence
de leur logiciel OPL Development Studio IDE V5.5 contenant le solveur CPLEX 11 qui nous
a permis de valider lapproche dveloppe dans ce papier.

6


7

Table des Matires

Abstract ................................................................................................................................................... 3
Remerciements ........................................................................................................................................ 5
Table des Matires ................................................................................................................................... 7
Table des Figures................................................................................................................................... 11
Table des Tableaux ................................................................................................................................ 11
1. Introduction ................................................................................................................................. 13
2. Problmatique .............................................................................................................................. 15
2.1. Contexte Industriel ................................................................................................................ 15
2.2. Problmatique ........................................................................................................................ 15
2.2.1. Dfinition des contraintes .............................................................................................. 16
2.2.1.1. Contraintes de production ...................................................................................... 16
2.2.1.2. Contraintes techniques ........................................................................................... 16
2.2.1.2.1. Prcocit des varits et des parcelles ................................................................ 16
2.2.1.2.2. Besoins en plasticulture des varits .................................................................. 17
2.2.1.2.3. Technicit des varits et des parcelles .............................................................. 17
2.2.1.2.4. Sensibilit des varits aux maladies .................................................................. 17
2.2.1.2.5. Enherbement des parcelles ................................................................................. 17
2.2.1.3. Contraintes de rglementation ............................................................................... 17
2.2.1.3.1. Unicit de la varit sur une parcelle .................................................................. 17
2.2.1.3.2. Voisinage des parcelles ...................................................................................... 18
2.2.1.4. Contraintes supplmentaires .................................................................................. 18
2.2.1.4.1. Difficult de castration ....................................................................................... 18
2.2.1.4.2. Capacit des rcoltants ....................................................................................... 18
2.2.2. Objectif .......................................................................................................................... 19
2.2.3. Critres dvaluation ..................................................................................................... 19
2.2.4. Leviers daction ............................................................................................................. 20
2.3. Analogies ............................................................................................................................... 20
2.4. Complexit ............................................................................................................................ 22
2.4.1. Non linarit .................................................................................................................. 22
2.4.2. Dimensionnement .......................................................................................................... 22
3. Etat de lart .................................................................................................................................. 23
3.1. Dfinitions ............................................................................................................................. 23
8

3.1.1. Problmes daffectation ................................................................................................. 23
3.1.2. Programmation Linaire ................................................................................................ 25
3.2. Problmes Analogues ............................................................................................................ 26
3.2.1. Crew Assignment Problem (CAP) ................................................................................ 26
3.2.2. Product Manufacturing .................................................................................................. 34
3.2.3. Resources Allocation ..................................................................................................... 37
3.2.4. Knapsack Problem (KP) ................................................................................................ 39
3.2.4.1. Quadratic Knapsack Problem (QKP) .................................................................... 40
3.2.4.2. Multi-Choices Knapsack Problem (MCKP) .......................................................... 41
3.2.4.3. Multi-Dimensional Knapsack Problem (MDKP) .................................................. 43
3.2.5. Routing Wavelenght Assignment .................................................................................. 43
3.2.5.1. 1
er
type de divergence dapproche : ....................................................................... 44
3.2.5.2. 2
eme
type de divergence dapproche : ..................................................................... 45
3.2.6. Traffic Problem ............................................................................................................. 46
4. Contribution : Modlisation du problme industriel comme un problme linaire.............. 51
4.1. Notations ............................................................................................................................... 51
4.1.1. Constantes gnrales ..................................................................................................... 51
4.1.2. Constantes varits ........................................................................................................ 51
4.1.3. Constantes parcelles ...................................................................................................... 51
4.1.4. Variables ........................................................................................................................ 51
4.2. Modlisation des contraintes ................................................................................................. 52
4.2.1. Respect du plan de production ...................................................................................... 52
4.2.2. Prcocit des varits et des parcelles ........................................................................... 52
4.2.3. Besoin en plasticulture des varits ............................................................................... 52
4.2.4. Technicit des varits et des parcelles ......................................................................... 52
4.2.5. Sensibilit des varits aux maladies............................................................................. 52
4.2.6. Enherbement des parcelles ............................................................................................ 52
4.2.7. Unicit de la varit sur une parcelle............................................................................. 53
4.2.8. Voisinage des parcelles ................................................................................................. 53
4.2.9. Difficult de castration .................................................................................................. 53
4.2.10. Capacit des rcoltants .................................................................................................. 53
4.3. Problme Multi-objectifs ....................................................................................................... 53
4.3.1. Variables de relchement .............................................................................................. 54
4.3.2. Hirarchisation des cots ............................................................................................... 55
9

4.3.3. Fonction objectif ............................................................................................................ 55
5. Rsolution et exprimentation .................................................................................................... 57
5.1. Modles informatiques .......................................................................................................... 57
5.1.1. AMPL (A Mathematical Programming Language) ....................................................... 57
5.1.2. MPS (Mathematical Programming System) .................................................................. 57
5.2. Outils de rsolution ............................................................................................................... 57
5.2.1. Serveurs distance ........................................................................................................ 58
5.2.2. Programmes ddis ........................................................................................................ 58
5.2.2.1. LP_Solve ............................................................................................................... 59
5.2.2.2. CbC ........................................................................................................................ 59
5.2.2.3. SCIP ....................................................................................................................... 59
5.2.2.4. Symphony .............................................................................................................. 59
5.2.2.5. Cplex ..................................................................................................................... 59
5.2.2.6. Heuristique ............................................................................................................ 60
5.3. Rsolution .............................................................................................................................. 60
5.3.1. Recherche dune solution .............................................................................................. 60
5.3.1.1. Amlioration de la solution initiale ....................................................................... 60
5.3.1.1.1. Boucle itrative ................................................................................................... 60
5.3.1.1.2. Matrice de calcul de cout .................................................................................... 61
5.3.1.1.3. Hirarchisation des ilots par contrainte .............................................................. 61
5.3.1.1.4. Prsolving ........................................................................................................... 61
5.3.1.2. Relaxation .............................................................................................................. 61
5.3.1.2.1. Rsolution du problme en PL ........................................................................... 61
5.3.1.2.2. Recomposition des lots ...................................................................................... 62
5.4. Rsultats ................................................................................................................................ 62
5.4.1. Cadre de la rsolution .................................................................................................... 62
5.4.1.1. Caractristiques matrielles ................................................................................... 62
5.4.1.2. Cots des diffrents types de contraintes .............................................................. 63
5.4.1.3. Variables .................................................................................................................... 63
5.4.2. Solutions obtenues ......................................................................................................... 64
5.4.2.1. Solveurs libres ....................................................................................................... 64
5.4.2.1.1. CbC ..................................................................................................................... 64
5.4.2.1.2. LP_Solve ............................................................................................................ 64
5.4.2.1.3. Symphony ........................................................................................................... 64
10

5.4.2.1.4. SCIP .................................................................................................................... 64
5.4.2.2. CPLEX .................................................................................................................. 65
5.4.3. Tableau rcapitulatif des exprimentations ................................................................... 65
5.4.4. Comparaison des solutions ............................................................................................ 66
5.4.4.1. Cplex : 1
re
exprimentation .................................................................................. 66
5.4.4.2. Cplex : 2
me
exprimentation ................................................................................. 66
6. Conclusion et perspectives .......................................................................................................... 69
Rfrences ............................................................................................................................................ 71
Annexes ................................................................................................................................................ 77
Annexe 1: Modle AMPL ................................................................................................................. 77


11

Table des Figures

Figure 1 : Graphe biparti valu et sous-ensemble de l'ensemble ''Parcelle'' ......................................... 25
Figure 2 : Schma d'analogie entre l'allocation de produits et la distribution des varits .................. 37
Figure 3: Reprsentation classique d'un problme de trafic ................................................................. 47

Table des Tableaux

Tableau 1 : Hirarchisation des contraintes par importance relative ................................................... 20
Tableau 2 : Cot des contraintes pour les solveurs libres et Cplex 1
re
exprimentation ..................... 63
Tableau 3 : Cot des contraintes pour Cplex 2
me
exprimentation ...................................................... 63
Tableau 4 : Valeurs numriques des variables du problmes ............................................................... 64
Tableau 5 : Tableau rcapitulatif des exprimentations ....................................................................... 65
Tableau 6 : Comparaison des cots de la solution 1 et du plan de semis 2007 .................................... 66
Tableau 7 : Comparaison des cots sur les contraintes gnrales ........................................................ 66
Tableau 8 : Comparaison des cots de la solution 2 et du plan de semis 2007 .................................... 67


12


13

1. Introduction

Le travail expos dans ce mmoire est effectu dans le cadre du Master de recherche
Optimisation des Systmes Industriels et Logistiques suivi en double cursus avec lEcole
Centrale Paris.

Ltude prsente traite du problme de conception dun plan de semis pour lindustrie
agro-semencire. La problmatique se concentre sur les choix fait lors de lattribution de
varits vgtales sur des parcelles de terrain cultivables au moment de les semer.
Plus particulirement le cas qui est abord concerne lindustrie de la semence au travers de
lentreprise Limagrain. Limagrain est une cooprative semencire installe Chappes dans le
Puy-de-Dme. Elle cre et produit des varits vgtales dont une grande partie de mas.
Compose denviron 600 exploitants et couvrant une surface totale proche de 4000 hectares
Limagrain doit mettre en uvre dimportantes ressources aussi bien en terme de temps quen
terme de personnel afin de dfinir la rpartition denviron 900 varits de mas sur un peu
moins de 100 parcelles.

Lobjectif de ce projet consiste optimiser ce plan de semence en amliorant la
distribution initiale, savoir : Quelle varit sera cultive sur quels champs . Tout lenjeu
tant de dfinir une rpartition qui vrifie les contraintes auquel est soumis le problme.

La complexit du problme provient dune part du nombre important de contraintes et
de leur diversit (techniques, rglementaires, biologiques, conomiques) et dautre part du fait
que ces contraintes industrielles ne sont pas triviales exprimer.
En outre laspect discret du problme rend sa rsolution dautant plus difficile. En effet une
hypothse implicite de la problmatique consiste en ce quune parcelle de terrain ne se voit
affecter quune et une seule varit de mas rendant par l mme la variable dattribution
binaire et le problme discret.

Dans la littrature il est possible de trouver des similitudes avec certains problmes
notamment des cas daffectation et ce pour des secteurs dactivit aussi varis que lindustrie
lourde, le transport arien ou la logistique hospitalire. Mais il ny a pas eu jusqu prsent
danalogie claire avec lindustrie semencire et son problme de rpartition qui est prsent
dans ce mmoire.

La contribution directe de ce travail a t de formaliser le problme et ses contraintes
industrielles particulires, notamment leur aspect non-linaire. Bien que dlicates et
exigeantes, la modlisation et la linarisation prsentes dans ce mmoire permettent de se
ramener lutilisation de techniques et doutils connus dans le but de tenter une rsolution.

Aprs un chapitre 2 prsentant de faon dtaille la problmatique, ses tenants, ses
aboutissants, lobjectif de ltude et surtout les contraintes et les leviers daction en jeu, le
chapitre 3 se concentre sur ltude bibliographique des problmes daffectation et des
approches classiques de rsolution pour pouvoir mettre en vidence les similitudes avec notre
14

cas et comprendre dune part lunicit de la problmatique et dautre part la stratgie
dapproche expose ici en particulier le type de modlisation utilisant la Programmation
Linaire Mixte. Le chapitre 4 prsente la contribution proprement dite de cette tude savoir
la modlisation du problme industriel au travers dun problme linaire. Dans le chapitre 5
sont introduits les diffrents langages et outils de rsolution ainsi que les exprimentations et
la comparaison de nos rsultats avec ceux prcdemment obtenus par Limagrain. Enfin le
chapitre 6 conclut ltude, revient sur les gains apports grce notre approche et propose des
perspectives pour affiner loptimisation du plan de semence lavenir.



15

2. Problmatique

2.1. Contexte Industriel

Le sujet abord traite dun problme rgulirement rencontr par lindustrie agro-
semencire. En effet la conception dun plan de semence, redfini chaque anne, est la base
de la future rcolte. Cela consiste dcider quelles varits vgtales vont tre semes sur
quelles parcelles cultivables.

Mettre en place un plan de semis optimal permet de sassurer que la production de
lanne suivante repose sur des bases solides. Bien quantrieure dans le droulement ltape
de semis peut avoir une influence importante sur la rcolte.
Lobjectif principal est de rpondre au mieux au plan de production dfinissant la quantit de
chaque varit qui doit tre seme sur lensemble des terrains. Cet objectif est dfini en
avance de phase par le service marketing par anticipation des besoins de lanne suivante.

Le vritable enjeu du plan de semis est de satisfaire un certain nombre de contraintes
imposes aux varits, aux parcelles et leur association. Ces contraintes sont de type varis
et peuvent tre la fois techniques (rapidit et capacit de rcolte), biologiques (rsistance
aux maladies, correspondance entre les besoins dune varit et les apports dun terrain) ou
rglementaires (scurisation de la pollinisation).
Or le nombre de varits vgtales a fortement augment ces dernires annes et les
contraintes aussi bien que la disposition des parcelles sont amenes voluer ce qui
complexifie la conception du plan de semis qui seffectue souvent manuellement.

Dans notre tude nous nous sommes penchs sur le cas de la cooprative Limagrain.
Limagrain fort de ses 6000 employs travers le monde se concentre sur 3 domaines
spcifiques que sont les ingrdients craliers, les semences potagres et les semences de
grande culture. La partie qui nous intresse plus particulirement concerne les semences
agricoles de mas pour professionnels dans la rgion Auvergne autour du site de Chappes.

Le problme auquel nous tentons de rpondre se compose denviron 900 parcelles sur
lesquelles Limagrain doit placer presque une centaine de varits de mas, avec une quantit
spcifique pour chacune, et une trentaine de types de mles. La cooprative doit galement
grer lintervention dune vingtaine de rcoltants diffrents en tenant compte de leur capacit.
La superficie totale sur laquelle porte notre tude est de lordre de 4000 hectares.

Il est alors vident quune telle problmatique nest pas rsoluble de faon triviale.

2.2. Problmatique

Tous les documents et les donnes utiliss au cours de cette tude ont t fournis par la socit
Limagrain et sont extraits dun cas rel daffectation de semis (plan de semence de lanne
2007).
16


Chaque parcelle possde des caractristiques qui lui sont propres (temps de germination,
capacits de plasticulture, capacit dirrigation, surface cultivable ).
De plus il est important de signaler que les parcelles sont regroupes selon des critres
gographiques par ilots. Le nombre de parcelles par ilot est variable mais dans tous les cas
deux parcelles appartenant au mme ilot sont considres comme voisines. Ce critre a son
importance car comme nous le prsentons par la suite il existe des contraintes liant les
parcelles entre elles en fonction de ce voisinage.

2.2.1. Dfinition des contraintes

2.2.1.1. Contraintes de production

Le service marketing de lentreprise fournit les prvisions de vente de chacune des
varits pour lanne suivante. A partir des stocks disponibles il est possible den dduire le
volume ncessaire produire pour chaque type de mas.

Lobjectif premier tant de rpondre au plan de production il est ncessaire dimposer
une contrainte sur lcart entre la somme des surfaces attribues une varit et la superficie
thoriquement souhaite.

Toutefois les surfaces des diffrentes parcelles schelonnant de quelques ares une
dizaine dhectares, il apparat comme vident dintroduire deux contraintes lune limitant les
carts sur les petites parcelles et lautre sur les grandes :
- Lcart entre la superficie thorique et la superficie rellement cultive ne pourra pas
dpasser 2%. (Limite pour les petites parcelles),
- Lcart entre la superficie thorique et la superficie rellement cultive ne pourra pas
dpasser 2 hectares. (limite pour les grandes parcelles).

Toutes les parcelles seront soumises ces deux contraintes, la justification provient du fait
que si la parcelle est de petite taille admettons quelques ares 1ha la contrainte de 2ha sera
facilement vrifie mais cest la contrainte de pourcentage qui se montrera limitante.
Inversement dans le cas dune parcelle de plusieurs hectares voire dizaine dhectares la
contraintes de pourcentage sera lche alors que la contrainte de 2hectares sera limitante.

2.2.1.2. Contraintes techniques

2.2.1.2.1. Prcocit des varits et des parcelles

Certaines varits utilises ont une germination tardive or les diffrentes zones
gographiques sur lesquelles sont situes les parcelles agissent sur les temps de croissance du
mas. Compte tenu des risques de gel partir du mois de novembre et pour viter de perdre
une partie de la production il est indispensable de ne pas semer des varits maturation
tardives sur des terrains de type tardif.
17

2.2.1.2.2. Besoins en plasticulture des varits

Les varits germination tardives ncessitent souvent lutilisation de plasticulture
pour acclrer leur maturation. Lune des contraintes du problme consiste donc nattribuer
des varits ayant ce type de besoins qu des parcelles dont le propritaire possde les
moyens de plastifier.

2.2.1.2.3. Technicit des varits et des parcelles

Les varits de mas ne sont pas toutes similaires et ncessitent plus ou moins de
technicit pour assurer le rendement nominal. Cela inclut les diffrents travaux raliser sur
le mas et la capacit d'irrigation de la parcelle.

La technicit des parcelles est donc note de 1 pour une parcelle possdant une haute
technicit 3 pour une parcelle nayant quune technicit minimum. De mme les varits
sont classes par Plan Qualit Produit (PQP) de 1 pour une varit considres comme
critiques et dlicates traiter 3 pour une varit non critique.

Dans la modlisation de notre problme il est donc ncessaire de prendre en compte
une contrainte signifiant que la technicit de la parcelle doit forcement tre suprieure au PQP
de la varit qui y est cultive.

2.2.1.2.4. Sensibilit des varits aux maladies

Certaines varits sont sensibles aux maladies. Dans notre cas le risque principal vient
du Mildiou. Cette maladie infecte danne en anne les mme parcelles. Il est donc capital de
proscrire laffectation des varits sensibles sur les terres contamines.

2.2.1.2.5. Enherbement des parcelles

Certaines parcelles connaissent des problmes denherbement rcurrents et dans ces
cas l il est ncessaire de traiter le terrain laide dherbicides. Or certaines varits sont
sensibles aux herbicides. Il est donc essentiel dinclure dans notre modle une contrainte
interdisant la culture de varits sensibles aux herbicides sur des terrains enherbs.

2.2.1.3. Contraintes de rglementation

2.2.1.3.1. Unicit de la varit sur une parcelle

Les parcelles sont la proprit dun agriculteur particulier. Elles sont indivisibles et il
est donc impossible en thorie de cultiver plus dune varit de mas par parcelle. Cette
contrainte bien quimplicite doit ncessairement apparatre dans le modle. Cest dailleurs
elle qui nous oblige passer dun problme de programmation linaire (PL) classique un
18

problme de programmation linaire en nombre entier (PLNE) puisque laffectation dune
varit sur une parcelle est binaire :
A
i,j
=

1 Si la varit j est seme sur la parcelle i

0 Sinon

2.2.1.3.2. Voisinage des parcelles

La rglementation lie aux semences oblige une puret importante du produit fini.
Celle-ci est obtenue par un tri la rcolte et par la distanciation de la production des
diffrentes varits. Deux parcelles proches ne peuvent accueillir que deux varits ayant le
mme mle. Ceci sexplique par le fait que les varits de mas sont en ralit des croisements
entre certains mas mles et certaines autres varits de femelles. Il serait donc nuisible la
puret des rcoltes que des mas femelles soient pollinises par le mauvais type de mle.
Dans le cas de notre modle le fait que deux parcelles soient voisines correspondra au fait
quelles appartiennent toutes les deux un mme ilot et donc quelles auront un mle
commun. La contrainte peut alors se traduire par : Les varits semes sur les parcelles dun
mme lot devront avoir le mme mle.

2.2.1.4. Contraintes supplmentaires

2.2.1.4.1. Difficult de castration

Certains agriculteurs nont pas le personnel ou les moyens techniques de castrer les
mas. Des varits sous forme strile qui ne ncessitent pas de castration sont alors places de
prfrence sur leurs parcelles.

2.2.1.4.2. Capacit des rcoltants

Au moment du ramassage du mas et de son transport vers lusine ce ne sont pas les
agriculteurs qui rcoltent leur production, ils sous-traitent la collecte des entreprises
extrieures. Ces rcoltants ont des capacits de ramassage trs diverses, dautre part ils sont
sous contrat directement avec les agriculteurs et sont donc fixs pour chaque parcelle sans
quil nous soit possible de les raffecter.

Un problme apparait lorsquun rcoltant est responsable dune trop grande partie
dune varit et que sa capacit ne permet pas de transfrer la production lusine dans un
laps de temps raisonnable. Les temps de conservation du mas sont trs contraignants et les
temps de nettoyage de lunit de production entre le passage de deux varits diffrentes sont
significatifs. Il est donc fondamental dintroduire une contrainte permettant de placer au
mieux les varits sur les parcelles en tenant compte de la capacit des rcoltants :
19

- La superficie totale lie un rcoltant dune mme varit devra tre infrieure la
capacit de ramassage de 2 jours de travail de ce rcoltant,
- La superficie totale lie un rcoltant dune mme varit devra tre infrieure la
moiti du besoin totale de cette varit.

Le but tant de pouvoir faire la rcolte et assurer le passage dans lusine de la totalit
dune varit en une seule fois, soit en moins de 2 jours. Cela permet de limiter les nettoyages
des lignes de production ncessaires entre deux varits diffrentes et dviter la perte dune
partie de la production au cours de lattente de celle-ci.

2.2.2. Objectif

Le but poursuivi par lentreprise est de distribuer au mieux les semences de mas sur
les parcelles. Cela signifie que dans lidal la rpartition des varits rpond dune part
exactement au plan de production thorique et dautre part ne viole aucune des contraintes
que nous avons explicit dans la partie 2.2.1.

Or comme il est possible de limaginer et comme lexprience la montr par le pass
la taille du problme empche clairement lexistence dune solution idale.

Dans ce cas lobjectif est donc de trouver une solution optimale c'est--dire qui
rponde autant que faire se peut lensemble des contraintes. Il est possible de formuler cet
objectif comme suit :

La solution optimale sera celle qui rpartie les varits de mas sur les parcelles de
telle sorte que le cot de la violation de lensemble des contraintes soit minimal .

2.2.3. Critres dvaluation

Afin de comparer les diffrentes solutions et de dterminer celle tant optimale il est
ncessaire de quantifier le cot de la violation des contraintes. Pour cela nous nous sommes
bas sur des changes que nous avons eus avec la socit Limagrain propos de limportance
relative des contraintes leurs yeux.











20



La hirarchie retenue entre les critres est la suivante :

Niveau dimportance Contraintes respecter
1 Respect du plan de production
2
Unicit de la varit par parcelle
Voisinage des parcelles
3
Contrainte de technicit
Contrainte de plasticulture
4
Sensibilit des varits au Mildiou
Sensibilit des varits aux herbicides
5
Contrainte de prcocit
Contrainte sur la capacit des rcoltants
6 Difficult de castration
Tableau 1 : Hirarchisation des contraintes par importance relative
2.2.4. Leviers daction

La recherche de la solution optimale va passer par la recherche de solutions
acceptables puis par la slection de la meilleure dentre elles. Pour cela nous disposons de
plusieurs leviers daction.

Le premier et le plus vident consiste jouer sur la rpartition des varits en affectant
les semences aux parcelles. Mais comme nous lavons prsent prcdemment il nest pas
possible par cette seule mthode dobtenir une solution idale.

Sachant donc que Limagrain ne peut pas dfinir une solution optimale comme nous
lavons exprim dans la partie 2.2.2. nous allons tenter de minimiser la violation des
contraintes :
- Dabord en attribuant des cots en cas de violation des contraintes et en faisant
varier ces cots en fonction de limportance relative des contraintes entre elles
selon la hirarchisation prsente dans la partie 2.2.3.,
- Ensuite en relchant certaines contraintes afin de rendre le problme plus mou
et ainsi de le rsoudre plus facilement. Le relchement des contraintes devant
ncessairement se faire en fonction des cots de violation de celles-ci.
Le but sera ensuite de minimiser le cot total de violation des contraintes
entrain par leur relchement.

2.3. Analogies

Il serait rducteur de considrer ce sujet comme un cas particulier et spcifique et de
ne pas percevoir ltendue de ce type de problmatique.
21

Ainsi il est possible de retrouver dans la littrature un certain nombre de cas dans lesquels les
auteurs tentent dassocier des lments dautres, des ressources des tches, du personnels
des zones gographiques dans le but de mettre en place des plans de fonctionnement touchant
des domaines varis.

Cest ainsi que dans le cas dallocation de travailleurs Miralles et al. [1] ont trait le
double problme daffectation des tches sur des stations de travail et des oprateurs sur les
tches le long dune ligne dassemblage. Les auteurs ont tenu compte des comptences des
oprateurs, du lissage de la charge et du fait que les dures des tches dpendent directement
des oprateurs qui les excutent. Ils ont choisi comme objectif la minimisation du temps de
cycle et ont ensuite appliqu une mthode de type Branch and Bound. Dautres approches
comme celle de Valet [2] tentent daffecter au mieux les qualifications dans lentreprise pour
assurer un fonctionnement optimal quelques soient les perturbations rencontres.
Dans le secteur industriel il est aussi possible de trouver des travaux tels que ceux de
Moreno et Corominas [3] qui ont tent de maximiser la valeur totale dune production en
jouant sur le mix produits dune seule ligne dassemblage travers lanalogie avec un
problme daffectation de goulot.
La rpartition des outils a t traite par Bilgin et Azizoglu [4] qui dans leur article
cherchent affecter les outils adquats une machine automatise en tenant compte de la
capacit de la machine et dun nombre limit doutils pour in fine maximiser la valeur totale
des oprations pouvant tre effectues. Les auteurs dveloppent ensuite une approche Tabou
et 2 approches heuristiques afin de rsoudre leur problme.
Dans le domaine de la sant il est aussi possible de retrouver ce type de
problmatiques illustres notamment par Fei et al. [5] qui proposent de minimiser les cots
lors de lallocation des oprations chirurgicales aux salles doprations multifonctionnelles
dun hpital selon les caractristiques la fois de lopration et de la salle. Aprs avoir
modlis sous forme PLNE le problme, ils le rsolvent par une mthode Branch and Price
issue de la combinaison dun branch and bound et dune gnration de colonnes. De mme
Trilling, Guinet et Le Magny [6] ont cherch rduire le cot daffectation et optimiser
lutilisation des ressources au travers de la refonte du planning des infirmires dans un
hpital.
Une application militaire de ces approches est expose par Cai et al. [7] qui ont
prsent un tat de lart sur lallocation de cibles pour les lancements de missiles.
Entre autres utilisations il existe aussi de trs fortes analogies avec le secteur des
tlcommunications comme en est lexemple larticle de Alicherry, Bhatia et Li [8]. Les
auteurs sattlent au problme de laffectation de signaux des canaux de transmission pour
les rseaux sans fil en se contraignant respecter une rpartition quitable entre les clients du
rseau. Leur but tant de maximiser le dbit total.

Au vue des analogies prcdentes nous avons concentr notre tude bibliographique
du chapitre 3 sur des problmes similaires ou du moins affilis des problmes daffectation
et nous nous sommes attachs mettre en lumire le parallle de notre cas avec des approches
utilisant des formulations de type Programmation Linaire en Nombre Entier ou Mixte. Le but
tant dune part de dfinir plus prcisment les divergences entre notre problme de plan de
22

semis et les cas quil est possible de retrouver dans la littrature et dautre part de se ramener
un tant soit peu des problmes connus et des types de rsolutions maitrises.

2.4. Complexit

2.4.1. Non linarit

Lune des facettes rendant le problme de cette tude difficile rsoudre provient de la
non-linarit du modle quil faut mettre en uvre.
Les contraintes, auxquelles est soumise laffectation des varits, sont pour certaines non-
linaires et vont demander une linarisation afin de pouvoir revenir vers des types de modles
connus et des techniques ou outils de rsolution matriss.

2.4.2. Dimensionnement

Le problme daffectation du plan de semis de part son aspect combinatoire reprsente
une fois dtaill plusieurs millions de solutions dallocation dont il faut ensuite calculer la
valeur pour dfinir celle qui est la plus optimale.

Les exprimentations effectues au cours de cette tude ont permis via les solveurs que
nous prsentons dans la partie 5.2. dobtenir un dimensionnement du problme qui fournit un
ordre de grandeur pertinent :
- 215 787 contraintes,
- 92 959 variables.

La rsolution manuelle dun tel problme nest tout simplement pas envisageable et le
but de cette tude consiste dfinir une stratgie de rsolution au travers de la conception
dun modle mathmatique et du choix dun outil adapt.

23

3. Etat de lart

3.1. Dfinitions

3.1.1. Problmes daffectation

Le problme d'affectation est un problme classique de recherche oprationnelle.
L'objectif est de dterminer un couplage maximum dans un graphe biparti valu.

L'application la plus classique de ce problme est l'affectation de n employs m
tches. Chaque employ ne peut tre affect qu' une seule tche et il a un degr de
comptence diffrent pour chacune d'entre elles. Nous cherchons trouver l'affectation qui
maximise la comptence totale des employs sur lensemble des tches ou minimise le cot
daffectation total.

Nous considrons dans les problmes d'affectation, deux ensembles X et Y, et une
matrice M de cots d'affectation (si l'affectation n'est pas possible, le cot est infini).

Nous cherchons une fonction daffectation f telle que la somme des cots d'affectation soit
minimale :

C
M
(f) = M [x,f(x)] x X (3.1.1.1)

En fait, les problmes d'affectation peuvent tre poss comme des problmes de calcul
de flot maximal.
En effet, si nous considrons que les sommets de X sont lis la source, ceux de Y au puit,
trouver la solution au problme d'affectation consiste trouver le flot maximal sur le graphe,
considrant que tous les arcs ont une capacit unitaire et un cot correspondant au cot
d'affectation.

Le problme daffectation est un cas spcial du problme de transport o la demande associe
chaque destination est gale 1. La mthode Hongroise prsente par Kuhn [9] permet de
simplier la rsolution de ce genre de problme.

Cette mthode part de la constatation que la soustraction d'une constante une ligne ou une
colonne, ne change rien au problme d'affectation. En effet, si M est la matrice transforme :

C
M
(f) = C
M
(f)+r f (3.1.1.2)

Le principe de la mthode est d'arriver affecter, dans la matrice rduite, n zros (1 par ligne
ou par colonne). Dans ce cas, le cot de l'affectation est nul. Sil nest pas possible de le faire,
nous continuons sur une sous-matrice, jusqu'au succs.

24

Soit c
i,j
, le cot unitaire de transport sur larc u
i,j
, la formulation mathmatique du problme
daffectation scrit :

Min c
i,j
x
i,j
(3.1.1.3)

Tel que : x
i,j
= 1 i [1,n] (3.1.1.4)
x
i,j
= 1 j [1,n] (3.1.1.5)
x
i,j
0 (3.1.1.6)

Bien que prsentant des similarits avec notre cas puisque dune certaine manire nous
tentons daffecter les varits aux parcelles selon leurs caractristiques en minimisant le cot
daffectation il nest toutefois pas possible de rduire la problmatique de la conception des
plans de semis un problme daffectation simple car la dtermination dun couplage
maximum dans un graphe biparti valu ne peut pas sappliquer trivialement.
En effet dans notre cas il nest pas seulement ncessaire de comptabiliser la valeur de larc
entre un sommet de lensemble Varit et un sommet de lensemble Parcelle il faut
tenir compte :
- De lexistence de sous-ensembles Ilots incluent dans lensemble Parcelle et qui
interviennent dans le trac des arcs en forant respecter les contraintes de voisinage,
- De lexistence de sous-ensembles Rcoltants incluent dans lensemble Parcelle
et qui interviennent dans le trac des arcs en forant respecter les contraintes de
capacit des rcoltants. La somme des valeurs des arcs entre un mme sommet de
lensemble Varit et les sommets du i
me
sous-ensemble Rcoltants de
lensemble Parcelle doit tre compare la capacit du rcoltant i.
25




Pour le 50
me
anniversaire de la publication de larticle de Kuhn [9], Pentico [10] a ralis un
tat de lart concernant les problmes daffectation dans le but didentifier toutes les variantes
ayant t dveloppes depuis les cinquante dernires annes dans la littrature. Cependant
aucune nest vraiment assimilable notre problme de plan de semis.

3.1.2. Programmation Linaire

La programmation linaire (PL) est un type de formalisation mathmatique utilise
pour rsoudre des problmes doptimisation moyen et long terme : problmes tactiques et
stratgiques. Les domaines dapplication de ces problmes sont trs nombreux aussi bien dans
la nature des problmes abords (planification et contrle de la production, distribution dans
des rseaux) que dans les secteurs de lindustrie (industrie manufacturire, nergie, transports,
tlcommunications) comme le rappellent Vallin et Van Der Pooten [11].

Elle consiste tablir une fonction objectif, souvent appele fonction cot et
optimiser cette fonction soit en la minimisant soit en la maximisant. Paralllement le
problme doit rpondre un certain nombre de contraintes qui sont elles aussi formules
mathmatiquement. En PL les contraintes ainsi que la fonction cot sont linaires et sont
modlises par des galits ou des ingalits.

Sous-ensemble Rcoltants
Sous-ensemble Ilots
Ensemble Varit Ensemble Parcelle
Figure 1 : Graphe biparti valu et sous-ensemble de l'ensemble ''Parcelle''
26

Il existe un grand nombre dalgorithmes pour la rsolution de problmes de
programmation linaire les plus utiliss tant lalgorithme du Simplex , prsent dans les
annes 1940 par Dantzig, et la mthode dite du point intrieur .

La formulation classique en PL se prsente comme suit :

Max z = c
t
x (3.1.2.1)

Tel que : Ax b (3.1.2.2)
x 0 (3.1.2.3)

Sil devient ncessaire d'utiliser des variables discrtes dans la modlisation du
problme, nous sommes alors confronts un problme de type Programmation Linaire en
Nombres Entiers (PLNE). Il est important de savoir que ces derniers sont nettement plus
difficiles rsoudre que les PL classiques variables continues. Les modles de PL se
rvlent insuffisants pour reprsenter les problmes de PLNE et la rsolution de ces derniers
savre nettement plus laborieuse comme ont pu le dcrire Heche and al. [12].

La formulation classique en PLNE se prsente comme suit :

Max z = c
t
x (3.1.2.4)

Tel que : Ax b (3.1.2.5)
x N (3.1.2.6)
Dans le cas qui nous intresse nous ne pouvons pas nous satisfaire dune approche de
type PL ou PLNE en ce sens que dune part les variables daffectation des varits sur les
parcelles doivent prendre des valeurs discrtes et dautre part si nous utilisons comme
prsent dans la partie 2.2.4. et plus prcisment dans la partie 4.3.1. des variables de
relchement celles-ci pourront tre continues.
Le cas qui nous occupe est donc cheval entre la PL et la PLNE, il est alors question de PLM
(Programmation Linaire Mixte) dont la rsolution nest pas triviale.

3.2. Problmes Analogues

Pour les raisons que nous avons voques dans la partie 2.3. nous concentrons notre
tude bibliographique sur les problmes lis des cas daffectation et dont les approches de
rsolution sont axes sur la Programmation Linaire. Le but tant de mettre en lumire les
analogies qui existent avec notre problmatique mais aussi les points de divergence afin de
pouvoir orienter la recherche de solution dans le cas de notre plan de semis.

3.2.1. Crew Assignment Problem (CAP)

Le problme daffectation appliqu la planification intervient dans un grand nombre
de domaines. Dans la littrature le problme dAffectation dEquipage est essentiel et est
27

frquemment trait dans les secteurs des transports. Une application peut tre de distribuer les
diffrentes quipes sur les plans de vols dune compagnie arienne.
Il sagit dans ces cas l dattribuer un ensemble de tches un ensemble dagents. Le but de
ce type de problmatiques est lallocation optimale des ressources afin de raliser toutes les
tches. Une formulation traditionnelle est celle de Beasley et Cao [13] :

N : Nombre de tches
K : Ressources disponibles ( N)
C
i,j
: Cot entrain sil est possible pour une mme ressource deffectuer la tche i puis
la tche j

x
i,j
=
1 Si l
'
arc entre les tches i et j est utilis
0 Sinon

Fonction objectif : Min C
i,j
x
i,j
(3.2.1.1)

Sous contraintes :

, , j k i j
k i
x x =


[1 . . . ] j N

(3.2.1.2)
Le nombre darcs qui sortent dune tche est le mme que le nombre darcs qui y rentrent.

,
1
i j
i
x =

[1 . . . ] i N

(3.2.1.3)
Un seul arc sort de chaque tche.

0, j
j
x K =

(3.2.1.4)
Le nombre de ressources disponibles est exactement de K.


,
(0;1)
i j
x

, i j
(3.2.1.5)

Dans ce cas les agents sont tous identiques et laccent est mis sur la minimisation du
cot global daffectation.
Cela tant dans des modles plus volus sont intgrs des critres plus ralistes
comme le fait que les agents possdent des caractristiques spcifiques ce qui sexprime en
introduisant diffrentes catgories de ressources et en intgrant le fait que chaque tche
ncessite un type de ressource spcifique. De plus certains modles intgrent le fait que la
planification se heurte des contraintes de rglements et de conventions collectives dans
lentreprise ou bien encore font intervenir des temps de repos entre les tches. Il est alors
aisment comprhensible que ce type de problme soit considr comme complexe de par sa
nature hautement combinatoire.
Laffectation se fait en cherchant optimiser une fonction objectif dfinie en rgle
gnrale par le cot total des oprations, le temps minimum de non activit des agents ou
28

encore le nombre maximal dentits passes dans le systme (exemple : les passagers dans le
cas de compagnies ariennes).

Larticle de Medard et Sawhney [14] prsente une approche du problme compose
de deux partie le Pairing et le Rostering .
Les auteurs justifient le fait de dcomposer le problme en deux parties en expliquant que
dune part le problme dans son ensemble amnerait une explosion combinatoire et dautre
part en indiquant que la qualit de vie des membres dquipage est un des critres de ltude.
Il compte amliorer la gestion du personnel et des conditions de travail en sparant la cration
des plannings et la rpartition des missions aux diffrents agents.

Le Pairing consiste crer les missions et squencer les tches dans le
but dobtenir un recouvrement optimal. Dans cette tape les auteurs cherchent
minimiser le nombre de ressources pour couvrir la totalit du calendrier.

Le modle quils utilisent pour cette tape est le suivant :

P : Lensemble des appariements faisables, index par p
c
p
: Le cot de lappariement p
I(s) : Lensemble des vols couverts par la planification s, index par i
J : Lensemble des contraintes qui limitent les ensembles dappariement, index par j
S : Lensemble des plans de vol
n
i
: Le nombre de fois que le vol i doit tre couvert
m
j
: La charge max de travail dans le cas de j
b
jp
: La charge de travail de p dans le cas de j
a
ip
=1 : Si lappariement p couvre i
x
p
=1 : Si lappariement p est utilis

Fonction objectif :
p p
p P
Min c x

(3.2.1.6)


Lobjectif est de minimiser les cots totaux.

Sous contraintes :

ip p i
p P
a x n

( ) i I s

(3.2.1.7)


Les vols doivent tre tous couverts au total au moins autant de fois que n
i
.

ip p j
p P
b x m

j J

(3.2.1.8)
La charge de travail totale doit tre infrieure la charge de travail maximale.
{0;1}
p
x

p P
(3.2.1.9)

29

Le Rostering est ltape durant laquelle les missions sont assignes aux
membres dquipages en fonction de leurs comptences et de leurs activits
antrieures. Une tude dtaille du Rostering est prsente par Kohl et
Karisch [15].

Le modle quils utilisent pour cette tape est le suivant :

c : Un membre dquipage
R
c
: Lensemble des missions faisables pour c
C : Lensemble des membres dquipage
A : Lensemble des tches
K : Lensemble des types de postes (cockpit, cabine )
Q : Lensemble des appariements
v
aqcr
: Le coefficient de cot de la ralisation de lactivit a pendant la mission r par le
membre dquipage c selon sa qualification q
n
ak
: Le nombre de tches a pour la catgorie de poste k
b
a
: La limite impose pour une mission couvrant a
f
cr
: Le cot de la mission r faite par c
u
acr
=1 : Si a est couvert par la mission r accomplie par le membre dquipage c
x
cr
=1 : Si la mission r est attribue au membre dquipage c

Fonction objectif :
;
cr cr
c C r Rc
Min f x

(3.2.1.10)
Lobjectif est de minimiser les cots totaux.

Sous contraintes :
1
cr
r Rc
x

c C (3.2.1.11)

Tous les membres doivent tre affects une tche et une seule.

;
acr cr ak
c C r Rc
u x n

=

a A , k K
(3.2.1.12)

Toute tche doit tre accomplie.

;
aqcr cr a
c C r Rc
v x b

(3.2.1.13)
On doit respecter les qualifications des membres dquipage, si une tche est accomplie par
un agent non qualifi cela a un cot et ce cot est limit.

{0;1}
cr
x r , c (3.2.1.14)

Les rsultats obtenus par les auteurs semblent concluant et cette approche originale
permet dintgrer la qualit des conditions de travail dans les objectifs du modle.
30


Une autre approche, celle de Zeghal et Minoux [16], se veut plus complte que celles
rencontres communment dans la littrature. Ils y prsentent une formulation du problme
appliqu la compagnie arienne TunisAir et y ajoutent une phase damlioration du modle.
En effet, dans la plupart des rsolutions lies au CAP les mthodes consistent sparer le
problme en deux sous problmes comme nous avons pu le voir dans larticle prcdent :
- une premire tape dans laquelle il est convenu de chercher couvrir le planning ; cela
consiste crer les missions que devront accomplir les agents,
- une seconde tape consistant affecter les agents disponibles aux missions de la
solution prcdente en y ajoutant par ailleurs les contraintes de temps de repos et de
jours de congs.
Dans le cas qui nous occupe, les auteurs, aprs avoir formul un modle pour la premire
tape, ont ajout ce modle des contraintes dexclusions binaires pour intgrer les temps de
repos et les jours de congs. Par ailleurs les auteurs ont voulu rendre leur modle plus flexible
en relchant les contraintes entre les membres dquipage permettant ainsi de voir un pilote A
partir sur une destination avec un co-pilote B et en revenir avec un co-pilote C.

Le modle utilis sarticule comme suit :

F : Lensemble des segments de vol
S(f) : Lensemble des services de vol
I : Lensemble des instructeurs
P : Lensemble des pilotes
O : Lensemble des officiers
L
s
: Liste des paires de services de vol ne pouvant pas tre assures par le mme
quipage
I
ip
: Lensemble des paires instructeurs / pilotes qui ne peuvent pas faire partie du
mme quipage (de mme I
io
et I
po
) (cette contrainte dcoule du fait quil ne doit
pas y avoir plus dun membre par quipage avec des restrictions mdicales)
BT
s
: Le nombre dheures de vol pour un service de vol s donn
CT
s
: Le nombre dheures soient de vol soient dautres activits pour la compagnie
(entrainement, runion )
T
max,w
: Le nombre dheures de vol maximum permis par semaine
T
max,m
: Le nombre dheures de vol maximum permis par mois
T
guarantee
: Le nombre dheures standard (au-del ce sont des heures supplmentaires)
x
p,f
= 1 : Si le pilote p est affect au segment de vol f
y
o,f
=1 : Si lofficier o est affect au segment de vol f
z
i,f
=1 : Si linstructeur i est affect au segment de vol f
X
p,f
= 1 : Si le pilote p est affect au service de vol f
Y
o,f
=1 : Si lofficier o est affect au service de vol f
Z
i,f
=1 : Si linstructeur i est affect au service de vol f
HS
k
: Nombre de crdit dheures supplmentaires de lemploy k

31

Fonction objectif :
p i o
p P i I o O
Min HS HS HS

+ +

(3.2.1.15)
Lobjectif recherch est donc de minimiser les cots supplmentaires d aux services des
employs.

Sous contraintes :

, ,
( )
, ,
( )
, ,
( )
0
0
0
p f p s
s S f
o f o s
s S f
i f i s
s S f
x X
y Y
z Z

=
=
=

p P
o O
i I
f F




(3.2.1.16)

Si un membre dquipage est affect un vol il ne pourra tre affect aucun autre vol durant
ce segment de vol.

, , ,
2
p f o f i f
p o i
x y z + + =

(3.2.1.17)
Lquipage doit tre compos de 2 personnes.

,
,
,
1
1
2
p f
p
o f
o
i f
i
x
y
z

(3.2.1.18)
Il ne peut pas y avoir plus de 1 pilote, 1 officier et 2 instructeurs pour un quipage.

, , ,
, , ,
, , ,
0
0
0
p s o s i s
p o i
p s o s i s
p o i
p s o s i s
p o i
x y z
x y z
x y z
+
+
+ +



(3.2.1.19)
La composition de lquipage est respecte pour chaque service de vol.

, max,
( )
, max,
( )
, max,
( )
( )
( )
( )
s p s w
s S w
s o s w
s S w
s i s w
s S w
BT X T
BT Y T
BT Z T

p P
o O
i I
w

(3.2.1.20)
Il y a une rgulation du nombre dheures de vol par semaine.
32


, max,
( )
, max,
( )
, max,
( )
( )
( )
( )
s p s m
s S w
s o s m
s S w
s i s m
s S w
BT X T
BT Y T
BT Z T

p P
o O
i I
m

(3.2.1.21)
Il y a une rgulation du nombre dheures de vol par mois.

, , '
, , '
, , '
1
1
1
p s p s
o s o s
i s i s
X X
Y Y
Z Z
+
+
+

( , ')
s
s s L

(3.2.1.22)
Un mme quipage ne peut pas tre affect un service de vol qui lui est interdit.

, ,
, ,
, ,
1
1
1
p s o s
p s i s
o s i s
X Y
X Z
Y Z
+
+
+

s S
(3.2.1.23)

Des membres dquipage qui sont incompatibles ne peuvent pas faire parti du mme
quipage.

,
( )
,
( )
,
( )
( )
( )
( )
s p s guarantee p
s S w
s o s guarantee o
s S w
s i s guarantee i
s S w
CT X T HS
CT Y T HS
CT Z T HS

+
+
+

(3.2.1.24)
Les heures supplmentaires sont dtermines par cette contrainte.

, , ,
, ,
p f o f i f
x y z 0; 1 (3.2.1.25)

, , ,
, ,
p f o f i f
X Y Z 0; 1 (3.2.1.26)

0
0
0
p
o
i
HS
HS
HS

(3.2.1.27)
A partir de leur modle complet les auteurs ont cherch amliorer leur formulation
en intgrant les incompatibilits entre les vols : naturellement un membre dquipage ne peut
pas participer deux vols distincts au mme moment. Ils ont donc substitu ces contraintes
dexclusion binaire par des contraintes clique qui thoriquement sont plus robustes et
moins gourmandes en mmoire.

Pour bien comprendre lapplication de contraintes clique dans ce cas prcis il faut
considrer le problme des incompatibilits comme un graphe dintervalle.
Un graphe G = (V, E) dans lequel V est lensemble des nuds et E lensemble des arcs, est
appel graphe dintervalle si et seulement si | ( , ) v V u v E les intervalles correspondant
u et v sentrecroisent (Golumbic [17]).
33

Dans notre cas si nous considrons le graphe G = (V, E) dans lequel les nuds correspondent
aux vols devant tre effectus et les arcs aux paires de vols incompatibles il est lgitime de
considrer G comme un graphe dintervalle.
De plus est appel clique un ensemble C V si et seulement si chaque paire de nuds de
C est lie par un arc. Un clique est un clique maximal si et seulement sil nest pas
contenu dans un autre clique (Berge [18]).
A partir de ces dfinitions les auteurs substituent les contraintes dexclusion binaire relative
aux incompatibilits par la contrainte : Il ne peut pas y avoir plus dun nud par clique
maximal ; ce qui se traduit par :

C : Lensemble des cliques max


,
,
,
1
1
1
p s
s c
o s
s c
i s
s c
X
Y
Z

c C
p P
o O
i I




(3.2.1.28)

Les rsultats numriques prsents dans larticle semblent avrer lamlioration de la
rsolution du problme en utilisant la mthode des auteurs.

Cependant certaines remarques et interrogations peuvent tre mises propos de cette
approche.
Dabord il serait peut tre intressant de se pencher sur la question de lexistence dun cas
dans lequel la contrainte clique engendrerait plus de combinaisons que les contraintes
dexclusion binaire.
De plus pour une raison qui nest pas explicite dans larticle les auteurs prcisent que leur
mthode ne sapplique quaux courts et moyens courriers.
Et enfin il peut tre lgitime de sinterroger sur la pertinence de la flexibilit du modle : il est
sans doute plus simple de rsoudre un modle de ce type mais est-il vraiment raliste de
considrer quune partie des agents reste sur place quand le vol repart avec un quipage
partiellement recompos.

Dans loptique de la comparaison avec notre cas dtude sur la conception des plans de
semis il est notable quil existe des similarits telles que :
- Le fait que nous recherchons galement dans notre tude un recouvrement optimal des
parcelles par les varits,
- Le fait quil existe des cas exclusions dans notre problme notamment concernant
lunicit du mle sur un mme lot qui peuvent tre assimilables aux incompatibilits
entre certains membres dans le CAP.

Mais il est aussi vident que les deux problmatiques ne peuvent tre confondues pour
diffrentes raisons, savoir :
34

- Le problme daffectation dquipage tend vouloir minimiser le nombre de
ressources pour couvrir lensemble des tches alors que le nombre de parcelles nest
pas dans notre cas un levier que nous pouvons ajuster,
- Lactivit antrieure des membres dquipage joue un rle dans leur affectation alors
que le passif des parcelles nest pas un facteur limitant,
- Il nexiste pas danalogie dans le cas du plan de semis avec les temps de repos des
membres dquipage.

3.2.2. Product Manufacturing

Le problme de laffectation de produits et de lots sur des units de production est
couramment rencontr dans tout type dindustries et a particulirement t tudi durant les
deux dernires dcennies. Il existe deux types dapproches distinctes du problme : lune
utilisant une chelle de temps continu et lautre une discrtisation du temps.

Ltude daffectation de produits en temps continu a t prsente pour la premire
fois par Kondili, Pantelides et Sargent [19], rejoint quelques annes plus tard par Pinto et
Grossmann [20] dont la formulation sert encore de base aujourdhui aux diverses recherches
en cours sur le sujet :

i : Une commande
l : Une phase de fabrication de i
i
l : Une phase de la fabrication de i qui est accomplie
I : Lensemble des commandes
I
j
: Lensemble des commandes qui peuvent tre faites sur lunit j
J : Lensemble des units
J
i
: Lensemble des units qui peuvent faire la commande i
J
l
: Lensemble des units appartenant la phase l de la gamme de fabrication
K
j
: Lensemble des crneaux disponibles pour lunit j
L : Lensemble des phases
L
i
: Les phases ncessaires dans la production de i
L
j
: La phase correspondant lunit j
d
i
: La date laquelle est attendue la commande i
h
i
: Le cot de lcart de temps entre la date effective de livraison dune commande i
et la date prvue
Po
ij
: La position de la commande i sur lunit j
SU
j
: Le temps de mise en route de lunit j
T
ij
: Le temps de process de la commande i sur lunit j
U : La borne suprieure de dpart
Ts
ij
: Le dpart de lunit j durant le crneau de temps i
Te
ij
: Larrt de lunit j durant le crneau de temps i
Tsi
il
: Le dpart de la commande i dans la phase l
Tei
il
: Larrt de la commande i dans la phase l
35

X
ijl
: La variable binaire qui affecte la commande i durant la phase l lunit j

Fonction objectif : [ ]
i
i i
il
i
Min h d Tei

(3.2.2.1)

Lobjectif recherch est donc de minimiser les cots de dcalage entre la date attendue et la
date relle de fin de fabrication des commandes.
Sous contraintes :

; ( )
1
i j
ijl
j I l L L
X

=

(3.2.2.2)
Durant la premire phase il y a une unit et une seule affecte la commande i.

( )
i j
ijl j
i I l L L
X K

(3.2.2.3)
Les crneaux disponibles doivent tre respects, de plus cette contrainte aide diminuer
laspect combinatoire du problme.

( )
( )
i j
ij ij ijl ij j
l L L
Te Ts X T SU

= + +

(3.2.2.4)

( )
( )
i j
ij ij ijl ij j
l L L
Tei Tsi X T SU

= + +

(3.2.2.5)
Les dates de fin de fabrication sont calcules en fonction des dates de dpart.
(1 )
ijl il ij
U X Tsi Ts (3.2.2.6)
(1 )
ijl il ij
U X Tsi Ts (3.2.2.7)
Il existe bien une possibilit de crneau pour laffectation dune unit j pour la commande i
durant la phase l.

ij ij
Te Ts (3.2.2.8)

il il
Tei Tsi (3.2.2.9)

i
il i
Tei d (3.2.2.10)
Les squences de fabrication des units de production ne doivent pas se chevaucher.

Toujours dans la mme optique Hui, Gupta et Van der Meulen [21] propose une
reformulation de la fonction objectif cherchant faciliter la rsolution en limitant laspect
combinatoire :


il ij ij ij il
i l j i l
Max h Ts X T Te

+
`
)


(3.2.2.11)

Les auteurs cherchent ici amliorer le modle de Pinto et Grossmann [20] en maximisant le
temps dexcution de chaque commande pour chaque phase.

36

Par la suite Castro et Grossmann [22] reprenant une formulation de Castro et Barbosa [23]
proposent dutiliser une grille de temps reprant les vnements non plus pour lensemble du
parc machines mais pour chaque ressource individuellement expliquant que cela amliore les
temps de rsolution.

Lautre approche du problme consiste considrer le temps de faon discrte. Ainsi
Sahinidis et Grossmann [24] ont prsent une formulation non continue reprise par Mockus et
Reklairis [25]. Lavantage premier de cette approche consiste en une rduction du besoin en
ressources informatiques pour la rsolution du problme, nanmoins ce type dtude a pour
inconvnient dtre moins prcis quune formulation en temps continu et de ncessiter un
rglage pas toujours vident de la valeur des priodes utilises pour discrtiser le temps.

Nous nous sommes ensuite intresss un article de Prasad et Maravelias [26]. Les
auteurs cherchent ici aussi optimiser la planification des tches en jouant sur laffectation
des lots sur les units de production.
Lintrt de cet article rside dans le fait quil propose une approche tripartite de la rsolution
du problme. En se basant sur une formulation PLNE les auteurs sattlent rpondre trois
problmes simultanment :
- Slectionner les lots,
- Affecter les lots sur les units de production,
- Planifier lexcution.

Ce qui diffre essentiellement dans le cas de cet article cest la premire tape. Les auteurs
proposent de conditionner cette tape selon un objectif qui peut tre :
- la minimisation du makespan,
- la minimisation des cots de production,
- la maximisation des profits.

Dans les problmes daffectation de ressources classiques les auteurs ne sintressent qu un,
voir deux sous-problmes. Ici en ouvrant le champ de rflexion cet article nous permet de
nous interroger sur le possible intrt de slectionner en amont les diffrentes tches quil
faudra accomplir pour pouvoir mieux optimiser la rpartition des agents.
Cet article nous force nous interroger sur le possible apport dune prslection des tches
afin de mieux matriser la conception du planning par la suite.

Appliqu notre cas de plan de production de semis cette approche consiste dire
quil faudrait peut tre en amont dfinir les varits semer en fonction du planning
concevoir et ensuite seulement poser le problme daffectation.
A lheure actuelle ces choix sont soumis aux exigences du PIC (Plan Industriel et
Commercial) sur lequel il nest pas prvu que cette tude revienne.
Encore une fois dans le cas de ce type de problme comme dans le cas de laffectation
dquipage il est possible de remarquer une analogie. Ici lanalogie triviale peut tre rsume
par le schma suivant :

37




Toutefois il existe une diffrence notable : dans le cas de lallocation de produits des
ressources de production le but est de minimiser le retard de fabrication de lensemble des
produits, alors que dans le cas qui nous intresse le but est de minimiser la violation des
contraintes de production et le temps, dict par les saisons, nentre pas en ligne de compte
exception faite des contraintes lies la maturation mais dans ce cas prcis elles sont
finalement exprimes comme des contraintes dexclusion entre un type de varits et un type
de parcelles.

Il apparat donc que notre problmatique ne peut pas tre trivialement assimile aux
diffrents cas daffectation de type Product Manufacturing.

3.2.3. Resources Allocation

Il existe par ailleurs un certain nombre de problme dallocation de ressources qui ne
prennent pas en compte le squenage des tches au cours du temps. Ils sintressent
simplement laffectation de N ressources pour M tches.

Un exemple classique est prsent dans larticle de Sherali, Bish et Zhu [27]. Dans le
cas tudi par les auteurs le but est doptimiser laffectation dune flotte davions un
ensemble de vols. Leur modle est assez reprsentatif de ce type de problme :

F : Lensemble des avions l
L : Lensemble des vols
i,j,l : Des Aroports
Figure 2 : Schma d'analogie entre l'allocation de produits et la distribution des varits
Ensemble Tches

Produit fabriquer
Varits semer
Ensemble Ressources

Machines de production
Parcelles cultivables
38

f : Un avion
p
ij
: Le gain du vol de i j
c: Le cot pour faire partir un avion
Af : Le nombre maximal davion au dpart
x
ijf
=1 : Si le vol de i vers j est assur par f (x
ijf
est binaire)

Fonction objectif :
0 ij ijf jf
i j f j f
Max p x c x

(3.2.3.1)

Lobjectif recherch est de maximiser les bnfices.

Sous contraintes :
1
ijf
i f
x =

j L (3.2.3.2)
Un seul avion part de i pour aller vers j.

0
ilf ljf
i j
x x =


, l L f F (3.2.3.3)
La continuit du plan de vol est assure.

0if
i
x Af

f F (3.2.3.4)
La limite du nombre davions au dpart est respecte.

Le mme type de problme est prsent par Chakroborty et Vikram [28] propos des quais
dembarquement des trains.

Une approche diffrente est propose par Giovanni et Mecoli [29]. Dans cet article les
auteurs cherchent rpondre un souci de prfrence dans les affectations de ressources aux
tches. Ils considrent les cas dans lesquels il est plus judicieux daffecter une ressource
particulire une activit particulire. Cette approche peut se rvler trs intressante surtout
dans le cas o les ressources sont des agents et donc o le facteur humain joue un rle dans la
bonne marche du systme.
Pour cela ils dfinissent diffrentes catgories de ressources classes par prfrence et
paralllement dfinissent des catgories de tches classes aussi par prfrence.

Ils introduisent les variables :

R
ik
=1 Si la ressource i est de catgorie k
T
jk
=1 Si la tche j est de catgorie k
X
ij
=1 Si la ressource i est affecte au traitement de la tche j

Ils cherchent alors maximiser le nombre de ressources affectes au traitement des tches de
mme catgorie de prfrence :
39



ij jk ik
i j
Max X T R

k (3.2.3.5)
Le cas du plan de semis que nous tudions peut en partie se rattacher cette approche
en ce sens que certaines contraintes peuvent se traduire par les varits de type V1 sont
prfrablement associes des parcelles de type P1 . Cest notamment le cas en ce qui
concerne la prcocit des varits vgtales et la capacit daide la maturation des sols des
parcelles.

Lorsque nous comparons les problmes dallocation de ressources avec notre cas de
conception de plan de semis nous pouvons dabord observer certaines similitudes notamment
lapproche par classe de prfrences qui peut sappliquer notre problme. En effet si nous
considrons la recherche de solution comme la meilleure affectation de lensemble Varit
lensemble Parcelle et o les ensembles sont subdiviss en classes reprsentes par les
caractristiques (plasticulture, maturation, mildiou, enherbement ). De mme il sera
possible dassocier prfrentiellement une classe quantit une classe taille dlot .

Nanmoins les formulations prsentes pour les problmes dallocation de ressources
diffrent de notre cas en ce sens que les ressources se dplacent de nud en nud et cest
lensemble des arcs qui reprsente la somme des tches accomplir ce nest donc pas un
graphe biparti et nous ne pouvons pas assimiler directement notre problmatique ce type
dapproches.

3.2.4. Knapsack Problem (KP)

Le problme du sac dos (Knapsack Problem) modlise une situation analogue au
remplissage d'un sac dos, ne pouvant supporter plus d'un certain poids, avec tout ou partie
d'un ensemble d'objets ayant chacun un poids et une valeur. Les objets mis dans le sac dos
doivent maximiser la valeur totale, sans dpasser le poids maximum.
Ce problme dont il est fait rfrence pour la premire fois par Mathews [30] et que
Karp introduit dans sa liste des 21 problmes NP-Complets [31] est trs tudi car sil est
possible en pratique daboutir une solution, la rsolution peut ncessiter lnumration totale
des possibilits avant de dterminer laffectation optimale.

Sa formulation premire est la suivant :

G
j
: Gain de lobjet j
P
j
: Poids de lobjet j
C : Capacit du sac dos
N : Nombre dobjets disponibles
X
j
=1 : Si lobjet j est choisi
40

Fonction objectif :
1
N
j j
j
Max X G
=

(3.2.4.1)

Sous contraintes :

1
N
j j
j
X P C
=

(3.2.4.2)

Il existe diffrentes variantes du problme dont nous prsentons les problmatiques et
les approches dveloppes dans la littrature par la suite.

Il est possible de faire un rapprochement entre notre problme daffectation de plan de
semis et un problme de type Knapsack (sac dos) :
- Les dimensions du problme du sac dos multidimensionnel pouvant tre compares
aux contraintes sur les parcelles. En effet le nombre de parcelles sans enherbement est
fixe de mme pour le nombre de parcelle saine (absence de maladie) ou encore celle
possdant des moyens de plasticulture et lallocation doit permettre de rester dans ces
dimensions,
- Les contraintes de classes du problme du sac dos multi-choix pouvant tre
assimiles aux contraintes lies la proximit des parcelles dans un lot et la
prsence dun mle unique par catgories de varits femelles,
- Les contraintes dassociation du problme du sac dos quadratique pouvant elles tre
associes par analogie aux contraintes liant les types de parcelles aux types de varits
(plasticulture, maturation, enherbement, infections). Il ne sera pas question dun gain
supplmentaire mais datteindre le rendement nominal de la varit.

Toutefois la diffrence consiste en ce que pour le KP nous devons choisir des objets
mais il ny a pas de liste dobjets obligatoires ce qui est notre cas au travers du plan de
production qui nous oblige semer une certaine quantit de chaque varit.

3.2.4.1. Quadratic Knapsack Problem (QKP)

Le problme du sac dos quadratique est un problme qui prend en compte laspect
interrelationnel des objets choisis. En effet dans le QKP un gain supplmentaire est
comptabilis lorsque deux objets i et j sont pris simultanment. Les premiers formuler ce
problme sont Gallo, Hammer et Simeone [32] ils se sont servis de la formulation classique
du problme en nen modifiant seulement la fonction objectif :
Les notations sont reprises des quations de la partie 3.2.4. :


1 1 1
N N N
j j i j ij
j i j
Max X P X X G
= = =
+

(3.2.4.1.1)

41

La reformulation du problme entraine sa non-linarit. Cela tant Billionnet et
Calmels [33] utilise une technique de linarisation pour obtenir de ce problme une
formulation PLNE.
Ils introduisent une variable Y
i,j
pour i<j qui prend la valeur 1 si et seulement si X
i
=1 et X
j
=1.
Ils peuvent alors crire :

Y
ij
X
i
(3.2.4.1.2)
Y
ij
X
j
(3.2.4.1.3)
X
i
+X
j
1+Y
ij
(3.2.4.1.4)

Fonction objectif :
, ,
2
ij ij jj j
i j i j j
Max G y p X
<
+


(3.2.4.1.5)
Lobjectif recherch est de maximiser les bnfices.

Sous contraintes :

j j
j
P X C

(3.2.4.1.6)
Evidemment la contrainte de poids est conserve.

3.2.4.2. Multi-Choices Knapsack Problem (MCKP)

Dans le problme de sac dos choix multiple, les objets sont regroups en classes, et
il ne faut prendre qu'un seul reprsentant pour chaque classe. Lune des premires
formulations du problme nous vient de Johnson et Padberg [34] :

Les objets sont rangs dans k classes, nous noterons N
j
avec j{1,k} lensemble des indices
des objets appartenant la classe j. De plus un objet ne peut appartenir qu une seule classe.

Fonction objectif :
1
j
k
j j
i i
j i N
Max X G
=

(3.2.4.1.7)
Lobjectif recherch est de maximiser les bnfices

Sous contraintes :

1
j
k
j j
i i
j i N
X P C
=

(3.2.4.1.7)
Le poids maximal du sac est respect.

1
j
j
i
i N
X

{1... } j k

(3.2.4.1.7)
Un reprsentant au plus est choisi pour chaque classe.

42

Diffrentes mthodes de rsolution ont t prsentes ; lune delles assez efficace est
luvre de Kozanidis et Melachrinoudis [35] il sagit dun algorithme branch and bound qui
sarticule comme suit:

L : Lensemble des classes
x
j
: Lobjet j dans la classe dans laquelle nous sommes en train de travailler
b
res
: Le budget rsiduel (le poids encore disponible dans le sac)
c
j
: Le cot de lobjet j
l
k
: Lobjet choisi pour le moment dans la liste k
U : La valeur actualise du sac
l
j
: Le gain de lobjet j

I) Iterations
s=0 // initialisation

I.0) s = s+1 // lensemble suivant est tudi
Si s = |L|
STOP
Sinon
x
j
= nouvel objet
k = liste des objets de la classe s
Si toutes les variables de la liste k valent 0
Aller I.1)
Si juste 1 variable de k a une valeur positive
Aller I.2)
I.1) Si c
j
l
k
< b
res
// si le cot de lobjet est supportable
x
j
= l
k
b
res
= b
res
-c
j
l
k
// mise jour du budget
U = U+p
j
l
k
// mise jour de la valeur total du sac
Aller I.0)
Si c
j
l
k
b
res
// si le cot nest pas supportable
x
j
= b
res
/ c
j

U = U+(p
j
b
res
) / c
j

b
res
= 0
STOP

I.2) Si (c
j
-

c
j
)l
k
< b
res
// si nous trouvons un objet plus
rentable nous le prenons
x
j
= l
k
x
i
= 0

b
res
= b
res
-(c
j
-

c
j
)l
k

U = U+(p
j
-

p
j
)l
k

Aller I.0)
Si (c
j
-

c
j
)l
k
b
res

43

x
j
= b
res
/ (c
j
-

c
j
)
x
i
= l
k
- x
j

U = U+((p
j
-

p
j
)

b
res
) / (c
j
-

c
j
)
b
res
= 0
STOP

3.2.4.3. Multi-Dimensional Knapsack Problem (MDKP)

Le problme du sac dos multidimensionnel consiste non plus respecter un poids
maximal support par le sac mais respecter autant de poids quil y a de dimension dans le
problme. La contrainte devient alors :

1
N
j jk k
j
X P C
=

[1... ] k d (3.2.4.3.1)

k : Dimension
d : Nombre total de dimensions traites
P
jk
: Poids de lobjet j dans la dimension k

Lune des applications possibles est la rsolution du problme de remplissage dun container
dont le volume et le poids sont deux facteurs limitant.

3.2.5. Routing Wavelenght Assignment

Le problme de routage et daffectation de longueur donde est un obstacle
couramment rencontr dans la conception de rseau de communication. Il sagit damliorer
lefficacit du rseau compte tenu de la structure physique et des connexions ncessaires entre
les diffrents nuds. La contrainte principale provient du besoin de slectionner le routage
adquat des informations tout en vrifiant quil ny ait pas deux chemins partageant le mme
lien physique qui soient affects la mme longueur donde.
Le problme de routage et daffectation de longueur donde dans les rseaux optiques
est une problmatique largement tudie dans la littrature. Lintrt de rsoudre ce type de
problme rside dans la promesse de satisfaire les besoins en bande passante leve des
nouvelles applications de communication, en divisant l'norme largeur de bande de
transmission d'une fibre optique (~ 50 trabits par seconde) en de multiples canaux de
communication avec les bandes passantes (~ 10 gigabits Par seconde) compatibles avec les
vitesses de traitement lectronique des utilisateurs finaux.
Dans la plupart des cas les articles traitant de RWA mettent en avant une formulation
en PLNE pour chercher une solution exacte au problme. Cela tant il existe plusieurs types
dapproches.




44

3.2.5.1. 1
er
type de divergence dapproche :

Tout dabord en ce qui concerne la fonction objectif du problme : certains cherchent
minimiser le nombre de longueurs donde utilises dans le rseau cest le cas de Chen, Lin et
Tseng [36], et de Yan et Deogun [37]. Une autre possibilit est de chercher maximiser le
nombre de connexions entre les nuds, cette approche est celle de Krishnaswamy et Siravajan
[38] et de Coudert et Rivano [39]. Il existe une approche comme cest le cas chez Tornatore,
Maier et Pattavina [40] qui tente de minimiser le nombre de fibres utilises. Dautres encore
comme Jaekel et Chen [41], Singh, Sharma et Rani [42] ou encore Cheng [43] tentent de
limiter la congestion et les blocages dans le rseau. Une dernire approche cherche quant
elle maximiser le dbit dans les diffrentes fibres du rseau ; cest notamment le cas de
Kumar et Kumar [44].

Minimiser le nombre de longueur donde :

D : Lensemble des nuds de destination
E : Lensemble des arcs entre les nuds
K : Le nombre maximum de nuds sur chaque chemin
w : Une longueur donde
w
U
=1 Si la longueur donde est affecte au chemin
,
,
d w
mn
P =1 Si la destination du chemin est d, que la longueur donde utilise est w et que le
chemin passe par la connexion entre m et n

Fonction objectif :

2
,
,
1 1 ( , ) 1
D D
K K D
d w
w m n
w w m n E d
D E
Min U P
K
( (
( (

= = =
(
+ (
(


(3.2.5.1.1)



Maximiser le nombre de connexions :

K : Lensemble des connexions
x
k
=

1 Si la connexion k est garantie

0 Sinon

Fonction objectif : Max
k
x
(3.2.5.1.2)

Minimiser la congestion :

e

: Le nombre de longueurs donde utilises pour un chemin et sur une fibre e

45

max

: Le max{
e

}, cela reprsente la congestion du rseau de fibre

Fonction objectif :
max
Min
(3.2.5.1.3)

Maximiser le dbit :

i : Une paire de nuds du rseau
: Le nombre de longueurs donde disponibles
M
i
: Le nombre de chemins alternatifs entre les nuds de la paire i
N : Nombre de nuds

Si la connexion entre la paire de nuds i est tablie en utilisant la longueur donde
sur le chemin r
Sinon
Fonction objectif :
( 1)
,
1 1 1
i
M N N
i r
i r
Max

= = =

(3.2.5.1.4)
3.2.5.2. 2
eme
type de divergence dapproche :

De plus il est possible de rencontrer dans la littrature deux types de modlisations du
problme : lune base sur des chemins variables comme cest le cas pour Yan et Deogun
[37] qui y ajoutent une contrainte limitant le nombre de nuds possibles et une autre
modlisation qui est base sur des arcs variables.
Dans lapproche par arcs variables il est encore possible de distinguer des sous
catgories de dfinition des arcs:
- Les connexions considres individuellement cest le cas dans lune des formulations
de Krishnaswamy et Siravajan [38].
- Les connexions dfinies en fonction des nuds de dpart et darrive, une autre
formulation de Krishnaswamy et Siravajan [38] correspond cette approche.
- Les connexions dfinies uniquement en fonction des nuds de dpart comme cest le
cas chez Coudert et Rivano [39] et Tornatore, Maier et Pattavina [40]. Cette
formulation cherche en partie minimiser le nombre de contraintes et de variables en
amont de la rsolution.

Il est intressant de noter quil nexiste apparemment pas de dfinition darcs base
uniquement sur les nuds darrive mais peut tre serait il intressant de chercher savoir si
dans certains cas dans lesquels il y a plus de nuds puits que de nuds sources cette
formulation ne serait pas avantageuse par rapport une dfinition des connexions uniquement
en fonction des nuds de dpart.

Nous pouvons tout de mme remarquer que dans la quasi-totalit des cas les auteurs
concluent en prsentant lincapacit matrielle de rsoudre de grands problmes avec une
,
1
0
i r

46

formulation PLNE et introduisent gnralement une heuristique permettant de trouver une
solution acceptable. Exception faite de Krishnaswamy et Siravajan [38] qui au lieu dutiliser
une heuristique cherchent rsoudre le problme en passant par sa relaxation en PL
(Programmation Linaire).

La comparaison des problmes de type RWA avec notre cas de plan de semis fait
ressortir un parallle entre :
- Dune part dans le cas du RWA : la tche consiste en ce quun signal utilise un chemin
c'est--dire passe par un ensemble spcifique de points et pour y rpondre lui est
affect une longueur donde,
- Dautre part dans le cas du plan de semis : la tche consiste en ce quune varit
fournisse une quantit c'est--dire pousse selon des caractristiques spcifiques et pour
y rpondre lui est choisi une ou plusieurs parcelles.
Ce qui tend rapprocher les deux problmatiques.

Cependant il existe des diffrences entre les deux cas ; la plus notable rside dans le
fait que pour un cas de RWA le nombre de longueurs donde utilises na pas dimplication
limitante alors que le nombre de parcelles utilises et leur superficie sont fixes dans le cas qui
nous intresse. En ralit cela signifie quil y a un maximum au nombre de longueur donde
cest ce qui reprsente la congestion du rseau mais pas de minimum de nombre de longueur
donde utiliser alors que dans notre cas nous navons pas cette flexibilit.
Cette divergence nous empche clairement de considrer notre tude selon langle dun
problme de RWA.

3.2.6. Traffic Problem

Avec laugmentation continue des changes mondiaux le secteur des transports
connat un dveloppement galopant. Pour rpondre la demande tout en restant concurrentiel
les industriels se heurtent des types de problmatiques de plus en plus complexes. Ils font
alors frquemment appel la recherche et ses mthodes de rsolution.
Les problmes de trafic rencontrs classiquement consistent optimiser le parcours
dentits dans un rseau de transport en affectant chacune des dites entits le chemin optimal
permettant de minimiser soit les cots de transport soit le temps de trajet selon les cas.
La formulation classique du problme tir de larticle de Larsson et Patriksson [45] a
pour objectif de limiter le temps total de trajet dans le rseau de transport. Sa formulation est
la suivante :

Considrons que nous sommes dans un graphe (N,A) : N est lensemble des nuds et A
lensemble des arcs.

t
a
(f) : Temps de trajet sur larc a selon la fonction f
d
p,q :
La demande de flot pour la paire de nuds p et q
C : Lensemble des paires origines / destinations ( ( ) C N N )
f
apq
: Flot sur larc a issu de la paire de nuds p et q
47

R
p,q
: Ensemble des chemins entre les nuds p et q

r
: Portion de d
p,q
qui prend le chemin r

ra
=

1 Si le chemin r utilise l'arc a

0 Sinon

Fonction objectif : ( ) ( )
a a
MinT f t f =

(3.2.6.1)

Sous contraintes :

,
( , ) ( , )
p q
a apq pq ra r
p q C p q C r R
f f d

= =

(3.2.6.2)


,
1
p q
r
R
=

( , ) p q C (3.2.6.3)





Les problmes de trafic se retrouvent dans la littrature depuis dj plusieurs
dcennies. Limportance de rduire les temps de trajet, les cots de transport et de limiter
lapparition de cas extrmes tels que la congestion du trafic est essentiel dans la gestion dun
rseau de transport. Le principe consiste donc affecter les vhicules des chemins optimaux
dans le rseau. Une premire approche consiste trouver le plus court chemin entre les points
p
q
dp,q
r1.dp,q
r2.dp,q
Trac du chemin 2
Trac du chemin 1
r1 + r2 = 1
Figure 3: Reprsentation classique d'un problme de trafic
48

de dpart et darrive des vhicules. Ds les annes 1970 des modles statiques ont t mis en
uvre comme celui de Potts et Oliver [46] et celui de Sheffi [47]. Cela tant, les temps de
dplacement dpendant essentiellement du volume du trafic sur les arcs du rseau, les
chercheurs se sont assez vite dirigs vers la modlisation de rseaux dynamiques. Les
premiers chez McGurrin et Wang [48] se sont heurts lincapacit technique des ordinateurs
de lpoque rsoudre le problme. Plus tard Ran et Boyce [49] ont intgr dans un modle
de taille moyenne le principe de file dattente dans le calcul du temps de dplacement, mais il
semble que chaque itration de leur algorithme ncessite la rsolution dun problme
doptimisation non linaire.
A partir de Ziliaskopoulos [50] apparaissent dans la littrature des modles
daffectation dynamique en PLNE. Par la suite lapproche PLNE se voit complte par des
mthodes de rsolution par contraintes comme chez Waller et Ziliaskopoulos [51].

i : Un nud du rseau de transport
t
i
x : Le nombre de vhicules au nud i linstant t
t
ij
y : Le nombre de vhicules qui se dplacent de i j linstant t
t
i
Q : Le nombre maximal de vhicules qui peuvent entrer ou sortir de i linstant t
t
i
N : Le nombre maximum de vhicules qui peuvent tre en i linstant t
t
i
d : La demande en flot de vhicules pour le nud i linstant t
v : La vitesse du trafic lorsque larc entre 2 nuds est libre
w : Le retard de propagation de la vitesse
t
i
v
w
=

Fonction objectif :
t
i
t i
Min x

(3.2.6.4)
Lobjectif recherch est de minimiser le temps total pass par tous les vhicules dans le rseau

Sous contraintes :

1 1 1
0
t t t t
i i ki ij
k j
x x y y

+ =

(3.2.6.5)
Il y a ncessairement galit entre ce qui entre et ce qui sort dun nud

0
t t
ij i
y x (3.2.6.6)
Il ne peut pas y avoir plus de vhicule qui partent dun nud que de vhicules qui y sont

t t
ij i
y Q (3.2.6.7)
Il nest pas possible de faire sortir plus dun certain nombre de vhicules dun nud

t t t t t
ij j j j j
y x N + (3.2.6.8)
La limite de nombre de vhicules dans un nud un instant t doit tre respecte

1 1 1 t t t t
i i ij i
x x y d

+ = (3.2.6.9)
49

La demande de vhicules pour un nud doit tre respecte

, 0
t t
i ij
x y (3.2.6.10)

Par la suite il est possible comme cest le cas chez Waller et Ziliaskopoulos [51] de
rendre ce modle stochastique en faisant suivre la demande
t
i
d une loi statistique.

Si nous considrons les ensembles de nuds Chemin et Vhicule et que les
arcs entre ces deux ensembles reprsentent les affectations de trajet alors nous sommes dans
le cas dun graphe biparti. De plus lobjectif des problmes de trafic rejoint notre tude de cas
en ce sens quil tend minimiser le cot total daffectation. Dune part il sagit du cot de la
congestion en vrifiant que les vhicules sortent du rseau la date voulue, dautre part il
sagit du cot de violation des contraintes en sassurant que les varits sont produites
correctement et en quantit voulue.
Nanmoins une divergence non ngligeable existe entre les deux types de problmes,
savoir que dans le cas du trafic deux vhicules peuvent emprunter le mme chemin avec un
intervalle de temps ce qui est totalement exclu dans notre tude o deux varits ne peuvent
pas tre semes lune sur lautre mme avec un intervalle de temps entre les deux actions.

Au vu de labsence de problmes rellement similaires avec notre cas traits dans la
littrature nous avons dvelopp notre propre approche au cours de ce mmoire afin de
rpondre au cas spcifique de la conception dun plan de semence.
Notre contribution directe sest donc concentre sur la formalisation mathmatique du
problme en vu de le rsoudre. La partie significative du travail reposant sur la modlisation
des contraintes industrielles non-triviales notamment leur linarisation. Le fait de se ramener
un modle de type programmation linaire nous permet alors demployer des outils connus de
rsolution.



50


51


4. Contribution : Modlisation du problme industriel comme un problme
linaire

4.1. Notations

4.1.1. Constantes gnrales

N
v
Nombre de varits,
N
p
Nombre de parcelles,
N
A
Nombre d'agriculteurs,
N
r
Nombre de rcoltants,
N
m
Nombre de mles,
C
l
Capacit journalire du rcoltant l.

4.1.2. Constantes varits

S
i
Superficie de la parcelle i (ha),
Agri
i
Agriculteur de la parcelle i,
Rec
i
Rcoltant de la parcelle i,
Techni
i
Technicit de l'agriculteur de la parcelle i,
P
i
Prcocit de la parcelle i,
Pl
i
Capacit de plasticulture de la parcelle i.
Mild
i
Problme de Mildiou de la parcelle i,
Herb
i
Problme d'enherbement de la parcelle i,
Cast
i
Difficult de castration de la parcelle i,
Prox
i,k
Proximit entre les parcelles i et k.

4.1.3. Constantes parcelles

B
j
Besoin de la varit j,
M
j
Mle de la varit j,
PQP
j
Valeur Plan Qualit Produit de la varit j,
Prec
j
Prcocit de la varit j,
Pla
j
Besoins en plasticulture de la varit j,
Smild
j
Sensibilit au Mildiou de la varit j,
Sherb
j
Sensibilit aux herbicides de la varit j,
Fs
j
La varit j est sous la forme strile.

4.1.4. Variables

A
i,j
Attribution de la varit j la parcelle i, A
i,j
= 1 si la parcelle i est ensemence
avec la varit j.
52



4.2. Modlisation des contraintes

4.2.1. Respect du plan de production


,
1
0.98
p N
j j
i j
i
A S B
=

[ ]
1... v j N

(4.2.1.1)



,
1
1.02
p N
j j
i j
i
A S B
=

[ ]
1... v j N

(4.2.1.2)

,
1
2
p N
j j
i j
i
A S B
=

[ ]
1... v j N

(4.2.1.3)

,
1
2
p N
j j
i j
i
A S B
=
+

[ ]
1... v j N

(4.2.1.4)

4.2.2. Prcocit des varits et des parcelles


,
3
0
3
i
i j
j
P
A
Prec
=
=
`
=
)

[ ] [ ]
( , ) 1... 1... p v i j N N (4.2.1.5)


Ou :


, 6 i j i j A P Prec +
[ ] [ ]
( , ) 1... 1... p v i j N N (4.2.1.6)


4.2.3. Besoin en plasticulture des varits


, (1 ) i j i j A Pl Pla +
[ ] [ ]
( , ) 1... 1... p v i j N N (4.2.1.7)

4.2.4. Technicit des varits et des parcelles


, i i j j Techni A PQP
[ ] [ ]
( , ) 1... 1... p v i j N N

(4.2.1.8)

4.2.5. Sensibilit des varits aux maladies


, 1 ( ) i j i j A Mild Smild
[ ] [ ]
( , ) 1... 1... p v i j N N

(4.2.1.9)

4.2.6. Enherbement des parcelles


, 1 ( ) i j i j A Herb Sherb
[ ] [ ]
( , ) 1... 1... p v i j N N

(4.2.1.10)

53



4.2.7. Unicit de la varit sur une parcelle


,
1
1
v N
i j
j
A
=
=

[ ]
1... p i N

(4.2.1.11)

4.2.8. Voisinage des parcelles


, , ,
1 1
( | ) ( | )
v v N N
i j j i k k j j
j j
A M l Prox A M l
= =
= =


(4.2.1.12)


[ ] [ ] [ ]
( , , ) 1... 1... 1... p p m i j k N N N

4.2.9. Difficult de castration


, i i j j Cast A Fs
[ ] [ ]
( , ) 1... 1... p v i j N N

(4.2.1.13)

4.2.10. Capacit des rcoltants


, ,
1 1
1
[( | ) ] ( )
2
p p N N
i j i i i j i
i i
A Rec l S A S
= =
=


(4.2.1.14)


( , ) [1... ] [1... ] v r j l N N

Et :


,
1
[( | ) ] 2
p N
i j i i l
i
A Rec l S C
=
=

(4.2.1.15)


( , ) [1... ] [1... ] v r j l N N

4.3. Problme Multi-objectifs

Rapidement il devient vident que le problme dans sa forme premire nest pas
rsoluble, nous ne pouvons pas trouver une solution qui rponde toutes les contraintes
nonces prcdemment. La consquence directe de cet tat de fait est quil devient essentiel
de relcher certains critres ; le but nest plus alors de rpondre strictement tout mais de
rpondre au mieux lensemble des contraintes.


54



4.3.1. Variables de relchement

Afin de trouver une solution consensuelle entre les diffrentes contraintes il est
indispensable de modifier les quations pour pouvoir fixer des paramtres de relchement.
Ces variables de relchement auront un cot que nous chercherons limiter dans l'objectif du
problme.

Les quations deviennent alors :

(4.2.1.1)
_
,
1
0.98
p N
Surface min
j j
i j i
i
A S B
=

(4.2.1.16)


[ ]
1... v j N


(4.2.1.2)
_
,
1
1.02
p N
Surface max
j j
i j i
i
A S B
=
+

(4.2.1.17)


[ ]
1... v j N


(4.2.1.3)
_
,
1
2
p N
Surface min
j j
i j i
i
A S B
=

(4.2.1.18)


[ ]
1... v j N


(4.2.1.4)
_
,
1
2
p N
Surface max
j j
i j i
i
A S B
=
+ +

(4.2.1.19)


[ ]
1... v j N


(4.2.1.6) , 6
Prcocit
i j i j
i
A P Prec +

(4.2.1.20)

[ ] [ ]
( , ) 1... 1... p v i j N N


(4.2.1.7) , (1 )
Plasticulture
i j i j
i
A Pl Pla + +

(4.2.1.21)

[ ] [ ]
( , ) 1... 1... p v i j N N


(4.2.1.8) ,
Technicit
i i j j
i
Techni A PQP

(4.2.1.22)

[ ] [ ]
( , ) 1... 1... p v i j N N


(4.2.1.9) , 1 ( )
Mildiou
i j i j
i
A Mild Smild (4.2.1.23)

[ ] [ ]
( , ) 1... 1... p v i j N N


55

(4.2.1.10) , 1 ( )
Enherbement
i j i j
i
A Herb Sherb

(4.2.1.24)


[ ] [ ]
( , ) 1... 1... p v i j N N


(4.2.1.13) ,
Castration
i i j j
i
Cast A Fs

(4.2.1.25)

[ ] [ ]
( , ) 1... 1... p v i j N N


(4.2.1.14)
1
,
,
1 1
1
[( | ) ]
2
p p N N
Rcoltant
i j i i j
i j i
i i
A Rec l S A S
= =
= +


(4.2.1.26)
( , ) [1... ] [1... ] v r j l N N


(4.2.1.15)
2
,
1
[( | ) ] 2
p N
Rcoltant
i j i i l
i
i
A Rec l S C
=
= +

(4.2.1.27)
( , ) [1... ] [1... ] v r j l N N

4.3.2. Hirarchisation des cots

Les variables de relaxation symbolisent lcart impos la contrainte selon
laffectation des semis. Toutefois il est primordial de bien remarquer que toutes les
contraintes ne sont pas de poids quivalents. Pour pouvoir formuler lobjectif en incluant les
diffrences dimportance des contraintes il faut ncessairement tenir compte des critres
dvaluation prsents dans la partie 2.2.3. Limportance relative des critres entre eux nest
pas cense voluer, seules les valeurs numriques peuvent changer lors des exprimentations
afin de faire apparatre plus facilement linfluence des diffrents facteurs sur le rsultat, dans
notre cas le cot total de la fonction objectif.
Cependant au cours de nos exprimentations nous avons utilis deux hirarchisations
diffrentes pour le poids des contraintes. Mais cela ne modifie en rien la stratgie de
rsolution du problme. Ces deux alternatives ont t testes pour correspondre au mieux
lenvironnement de travail des techniciens de Limagrain pour pouvoir par la suite comparer
les rsultats fournis par notre approche avec leur solution de plan de semis.

4.3.3. Fonction objectif

Afin de quantifier la validit dune solution il est fondamental de dfinir une fonction
objectif. Cest cette fonction objectif exprime en fonction des variables du problme que
nous cherchons optimiser dans les problmes de PL.




56

Dans notre cas nous dsirons minimiser la somme des cots entrains par la relaxation
des contraintes. Les variables de relchement sont notes et les cots de chaque type de
contraintes sont reprsents par les C :

1
1 2
[
Prcocit Technicit Plasticulture
Prcocit Technicit Plasticulture
i i i
Mildiou Enherbement Castration
Mildiou Enherbement Castration
i i i
Rcoltant Rcol
Rcoltant Rcoltant
i i
C C C
Min Z
C C C
C C
+ + +
=
+ + +
+
1
2
]
p N
i
tant
=

(4.3.3.1)



57

5. Rsolution et exprimentation

5.1. Modles informatiques

5.1.1. AMPL (A Mathematical Programming Language)

Le langage principalement utilis dans cette tude est lAMPL. La principale raison en
est que ce langage est reconnu par une bonne partie des solveurs. De plus il a le mrite dtre
assez proche de la formulation mathmatique et est facilement utilisable [52], [53] et [54].

Le principe de lAMPL consiste formuler le problme mathmatique en dfinissant
les paramtres, les variables, les contraintes et la fonction objectif. LAMPL se prsente sous
la forme de trois fichiers textes distincts :
- Le fichier data.dat dans lequel sont dfinis tous les paramtres cest dire toutes
les donnes constantes utiles la rsolution du problme,
- Le fichier modle.mod dans lequel sont dclars les paramtres du fichier
data.dat et les variables du problme. Y sont aussi formules les contraintes et la
fonction objectif que nous cherchons minimiser,
- Le fichier lanceur.txt dans lequel sont dfinies les options de configuration tel que
le temps accord la rsolution ou le mode dalgorithme utilis.

Prsenter le fichier data.dat naurait pas un grand intrt et serait trs fastidieux du
fait du nombre de donnes du problme nous ninclurons donc dans ce mmoire que la partie
modle.mod [Annexe 1].

5.1.2. MPS (Mathematical Programming System)

Cependant il existe quelques solveurs qui ne lisent pas le format AMPL. Nous avons
donc utilis GLP_Solve logiciel dvelopp dans le cadre du projet GNU pour convertir notre
modle AMPL en modle MPS.
La grande particularit du modle MPS est quil numre toutes les variables du
problme et cherche le poids de chacune. Linconvnient vident de cette faon de procder
rside dans la taille du problme. Dans notre cas le modle AMPL reprsentait quelques
dizaines de Ko et une fois convertit le modle MPS avait une taille suprieure la centaine de
Mo.

5.2. Outils de rsolution

Au vu de la taille et de la complexit du problme il est apparu comme vident quune
rsolution manuelle ntait pas envisageable. Nous nous sommes donc tourns vers les
diffrents types de solveurs disponibles.




58

5.2.1. Serveurs distance

Il existe via internet la possibilit dutiliser des solveurs sur des plateformes distantes.
Au cours de cette tude nous avons entre autre utilis le serveur Neos Solver [55]. Ce
genre dalternatives offre aussi bien des avantages que des inconvnients.
Tout dabord lun des aspects les plus intressants consiste en un choix trs large de
solveurs, chacun possdant ses propres caractristiques, utilisant des algorithmes spcifiques
et tant ddi un type de problme (PL classique, PLNE, Optimisation sous contraintes,
Programmation non-linaire ). Ce panel doutils permet de choisir celui qui est le mieux
adapt au problme que nous cherchons rsoudre.
En outre ce systme qui consiste envoyer son problme sur des serveurs distants
permet de ne pas encombrer localement la mmoire ncessaire la rsolution.
Un autre avantage srieux de ce type de traitement consiste en ce que les outils
doptimisation prsents sont dvelopps, mis en uvre et vrifis par des membres de la
communaut scientifique dont les rfrences sont notifies ce qui permet dtre relativement
confiant quant la fiabilit des logiciels proposs.

Toutefois lutilisation de ce type de serveurs prsente aussi certains inconvnients. En
premier lieu il nest pas toujours ais de faire fonctionner les solveurs, les options de
configuration ntant pas forcment triviales.
De plus lutilisateur ne reoit aucune information quant lordinateur sur lequel est
trait son problme ce qui ne lui permet pas de dfinir les performances de rsolution lies
son modle. De mme les algorithmes et mthodes utilises par les solveurs ne sont pas
toujours prciss.
Un autre inconvnient de ce systme est que le temps de traitement dun problme
dpend directement de laffluence dutilisateurs sur le serveur et de la longueur de la file
dattente pour le solveur concern.

Dans notre cas nous avons tent dutiliser MINTO (Mixed INTeger Optimizer)
[56] un solveur ddi au traitement des problmes de PLNE. Malgr des temps de travail de
plusieurs heures aucun solveur na russi trouver de solution acceptable. Il est apparu
comme vident que la trs grande taille du problme tait lorigine de ce manque de rsultat.
Il a donc fallu chercher dautres moyens de rsolution pour notre tude.

5.2.2. Programmes ddis

Les programmes ddis peuvent tre libres ou sous licence mais surtout ils ont des
caractristiques qui leur sont propres et des performances ingales. La plupart du temps des
comparaisons entre les diffrents logiciels existent dans la littrature ; elles se basent sur des
tudes de cas types et gnralement lutilisateur slectionne le solveur qui rpond le mieux
aux problmes du mme type que le sien [57]. Dans notre cas il nest pas possible de se
rattacher un problme classique de part la taille et la complexit de ltude. Nous avons
donc soumis notre modle plusieurs outils doptimisation.

59

5.2.2.1. LP_Solve

LP_Solve est un outil doptimisation qui traite des problmes formuls en MPS [58],
[59] ou en AMPL. De plus LP_Solve est un logiciel dvelopp dans le cadre du systme
dexploitation GNU et est donc totalement libre (GNU Public Licence), ce qui en rend aise
lutilisation.

5.2.2.2. CbC

Le solveur Coin Branch and Cut (CbC) est un logiciel libre crit en C++ qui traite les
problmes de PLNE. Comme son nom lindique ce solveur est bas sur le principe de Branch-
and-Cut qui est une mthode doptimisation combinatoire. Cette technique consiste relaxer
le problme pour le rsoudre comme un PL classique puis crer pour chaque valeur de
variable non entire deux nuds valeur entire qui lencadre. Pour chaque nouvelle branche
cre lobjectif est valu et lorsquune branche savre moins optimale quune solution dj
trouve elle est coupe. En outre CbC est sous licence CPL (Common Public Licence) ce qui
fait de lui un logiciel open source.

5.2.2.3. SCIP

Le Solving Constraint Integer Programs (SCIP) est galement un programme
doptimisation qui utilise la mthode de Branch-and-Cut. Il est actuellement lun des solveurs
non-commerciaux les plus rapides et les plus efficaces [60], [61].
Le solveur SCIP base ses rsolutions sur des modle formul en format Z-level
Programming Language (ZPL), format trs proche de lAMPL.

5.2.2.4. Symphony

Symphony [62], [63] et [64] est aussi un logiciel libre qui traite les problmes de
PLNE. Il peut travailler partir de modle AMPL aussi bien que de modle en format MPS,
le langage ZIMPL permet en thorie de passer de lun lautre. De la mme manire que CbC
Symphony est un logiciel sous licence CPL.

5.2.2.5. Cplex

Le logiciel Cplex [65] dit par ILOG est reconnu comme tant lun des outils
doptimisation les plus performants sur le march lheure actuelle. Il est notamment trs
comptitif en ce qui concerne le traitement du presolvage qui tend diminuer la taille dun
problme avant sa rsolution propre et en ce qui concerne les optimisations en PLNE.
Dans le cadre de notre tude nous navons toutefois eu la possibilit de soumettre la
rsolution de notre problme ce logiciel quassez tardivement, lobtention dune licence
tant ncessaire son utilisation ce qui a eu pour incidence de ne permettre quun nombre
limit dexprimentations.

60


5.2.2.6. Heuristique

Une autre solution consisterait programmer une heuristique ddie au problme
trait. Cette solution doit tre considre en dernier recours car elle peut savrer assez
pnible mettre en uvre.
Tout dabord il faudra chercher sil existe dans la littrature une heuristique qui
correspond la rsolution du type de problme concern, ce qui au vu de ltat de lart
dvelopp dans le chapitre 3 semble assez improbable, et si ce nest pas le cas il risque dtre
difficile den concevoir une rapidement.
Par la suite il faut coder cette heuristique dans un langage choisi et vrifier sur un
certain nombre dexemples la validit de loutil doptimisation.
Lheuristique finalement obtenue sera trs spcifique au problme trait et il est important de
bien sinterroger sur le gain rellement apport compte tenu du travail fourni.

Pour ces raisons nous navons au cours de notre tude pas tent de dvelopper une
heuristique pour le problme de conception dun plan de semis.

5.3. Rsolution

5.3.1. Recherche dune solution

En commenant cette tude nous avons voulu tre le plus exhaustif possible en ce qui
concerne les contraintes. Mais il est apparu comme vident que le problme initial est trop
volumineux et trop complexe pour tre rsolu en un temps acceptable tel quil a t formul
au dpart. Cest pour cela que nous avons par la suite cherch rduire, simplifier et acclrer
le processus de rsolution principalement selon deux axes :
- Lamlioration de la solution initiale,
- La relaxation du problme.

5.3.1.1. Amlioration de la solution initiale

Comme prsent prcdemment le plus souvent nous cherchons couper le plus de
mauvaises branches possibles dans larbre des solutions. Il parait alors vident que plus les
branches qui ne sont pas optimales sont cartes tt plus nous augmentons les chances de
trouver la meilleure solution rapidement. Parti de ce constat nous cherchons donc amliorer
la solution initiale pour en partant dans les meilleures conditions arriver le plus tt possible
la solution optimale.

5.3.1.1.1. Boucle itrative

Dans le cas o serait disponible plusieurs unit de traitement et peut tre plusieurs
types de solveurs il peut galement tre sens de mettre en place un systme de boucles
61

itratives reprenant les diffrentes solutions fournies par les units de traitement et les
solveurs et recommenant une rsolution en sen servant de situation initiale.

5.3.1.1.2. Matrice de calcul de cout

En concevant partir dun tableur un fichier qui calcule en fonction de la matrice
daffectation le cot de la solution nous pouvons assez aisment comparer diffrents rsultats.
Ce qui peut nous permettre de dterminer entre des solutions distinctes issues de rsolutions
diffrentes laquelle est la plus avantageuse et par la suite laquelle pourra servir de solution
initiale une rsolution future.

5.3.1.1.3. Hirarchisation des ilots par contrainte

Toujours dans loptique damliorer la solution initiale il peut savrer intressant de
hirarchiser les lots selon leur niveau de contrainte. Ainsi en affectant dabord le mas sur les
lots les plus contraignants la rsolution devient plus aise mesure que nous avanons dans
laffectation pour terminer par les lots les plus faciles semer.
En suivant cette logique il a sembl judicieux au cours de notre tude de chercher
affecter les types de mles par lot pour obtenir une bonne solution initiale. Nous avons donc
soumis le problme aux solveurs prsents prcdemment. Dans le cas prsent les contraintes
ne concernent donc que la correspondance entre la somme des besoins en surfaces occupes
par les varits de chaque mle et la somme des surfaces des lots affects aux varits du
mle correspondant.

5.3.1.1.4. Prsolving

Un autre lment pouvant amliorer la rsolution consiste pr-solver le problme.
Certains des logiciels prsents prcdemment accomplissent trs bien cette tape qui permet
de supprimer un grand nombre de contraintes et de variables en reformulant le modle donn
par lutilisateur. Rsoudre un problme comportant beaucoup moins de variables et
dquations devient videmment plus ais.

5.3.1.2. Relaxation

5.3.1.2.1. Rsolution du problme en PL

La simplification la plus svre consiste transformer le problme de PLM en
problme de PL classique ce qui revient convertir les A
i,j
binaires en valeur relle. Les A
i,j

sont alors des variables continues comprises entre 0 et 1, ce qui en pratique signifie que sur
une parcelle il est possible de semer une proportion de diffrentes varits de mas.
Cette relaxation est radicale, elle rduit considrablement le temps de rsolution et
fourni une bonne solution au vue des autres contraintes mais elle transforme
fondamentalement le problme. Se pose alors la question de la faisabilit de la solution
62

obtenue : Est il vraiment plus bnfique de bien rpondre aux autres critres mais en
mlangeant les varits par parcelle et donc en complexifiant le travail des agriculteurs ?

Lors de nos exprimentations nous avons soumis ce modle aux solveurs pour
comparer les solutions obtenues. Les rsultats dtaills ainsi que la comparaison entre les
diffrents outils sont prsents dans la partie 5.4.2.

5.3.1.2.2. Recomposition des lots

Une autre solution de relaxation du problme consiste recomposer les lots. En effet
la contrainte de voisinage et dunicit du mle est lune des plus embarrassantes du modle ;
si nous recomposions les lots cela pourrait rendre ce critre moins contraignant. Il serait par
exemple possible de faire un plus grand nombre dlots mais de plus petite taille et de
composer des lots uniquement lorsque cela est ncessaire et que les parcelles sont vraiment
voisines. Le problme ainsi relch serait sans doute plus facilement et plus rapidement
rsoluble.
Il semblerait que lors de la conception du plan de semis par les techniciens de
Limagrain cette technique soit utilise en fin de processus. Lorsquil ne reste que peu de
varits semer les utilisateurs se permettent de recomposer certains lots pour mieux
rpondre aux contraintes.

Dans notre cas nous considrons les lots comme fixes ce qui rend le problme plus
difficile encore que ce qui est fait en ralit sur le terrain mais permet dautant mieux de juger
de la valeur des solutions trouves compte tenu de contraintes plus svres.

5.4. Rsultats

5.4.1. Cadre de la rsolution

5.4.1.1. Caractristiques matrielles

Afin de rsoudre le problme avec les solveurs dcrits prcdemment nous avons utilis des
ordinateurs de bureau classiques dont les caractristiques sont les suivantes :
- La station de travail sur laquelle ont tourn les solveurs libres est dote dun
processeur Intel Core Duo T2050 avec un CPU de 1,66GHz et une mmoire de 1Go
de Ram,
- La station de travail sur laquelle nous avons lanc la premire exprimentation avec le
solveur CPLEX 11 possde un processeur Pentium 4 avec un CPU de 3,4GHz et une
mmoire de 1Go de Ram,
- La station de travail sur laquelle nous avons lanc la seconde exprimentation avec le
solveur CPLEX 11 possde un processeur Pentium 4 avec un CPU de 2GHz et une
mmoire de 2Go de Ram.


63

5.4.1.2. Cots des diffrents types de contraintes

Comme nous lavons dj expliqu dans la partie 4.3.2. il est ncessaire de dfinir des
cots pour les contraintes violes. Nous avons donc, aprs discussion avec les diffrents
acteurs industriels, dfini numriquement des cots pour chaque type de contraintes.
Les deux hirarchies de critres sont dues des modifications de stratgie interne Limagrain
comme expliqu dans la partie 4.3.2.

Les cots utiliss au cours des exprimentations avec les solveurs libres et la premire
exprimentation avec CPLEX sont :

Contraintes Cots
Surface (par ha ou % dcart) 200
Prcocit 20
Plasticulture 20
Technicit 10
Sensibilit au Mildiou 10
Enherbement 5
Castration 5
Rcoltants (par ha dcart) 5
Tableau 2 : Cot des contraintes pour les solveurs libres et Cplex 1
re
exprimentation
Les cots utiliss au cours de la seconde exprimentation avec CPLEX sont :

Contraintes Cots
Surface (par ha ou % dcart) 200
Prcocit 40
Plasticulture 40
Technicit 20
Sensibilit au Mildiou 10
Enherbement 10
Castration 50
Rcoltants (par ha dcart) 50
Tableau 3 : Cot des contraintes pour Cplex 2
me
exprimentation
5.4.1.3. Variables

Les exprimentations se sont tales sur une priode de plusieurs mois au cours de
laquelle le PIC et les estimations de besoins du service commercial ont volu ce qui explique
quil y a en ralit eu deux sries dexprimentations :
- Lune sur les solveurs libres,
- Lune comprenant deux itrations avec Cplex et prenant en compte les volutions du
PIC.

64

Nous nous sommes permis de dcoupler ces deux phases en grande partie parce que les
solutions obtenues par les solveurs libres sont, comme expliqu dans la partie 5.4.2., non
concluantes.

Les variables utilises lors des deux sries dexprimentation ont t :

Solveurs Libres Cplex 11
- 864 Parcelles,
- 151 lots,
- 26 Rcoltants,
- 30 Mles,
- 85 Varits,
- 3945,381 ha thoriques,
- 3938,51 ha rels.
- 951 Parcelles,
- 136 lots,
- 23 Rcoltants,
- 36 Mles,
- 97 Varits,
- 3951,35 ha thoriques,
- 3933,33 ha rels.
Tableau 4 : Valeurs numriques des variables du problmes
5.4.2. Solutions obtenues

5.4.2.1. Solveurs libres

5.4.2.1.1. CbC

Le solveur CbC sarrte aprs 1 heure de calcul sans pouvoir ni continuer ni trouver de
solution viable que ce soit pour le problme total ou pour les versions relaxes en PL et
concernant le problme uniquement mles/lots.

5.4.2.1.2. LP_Solve

Le solveur LP_Solve sarrte aprs 5 heures de calcul sans pouvoir ni continuer ni
trouver de solution viable que ce soit pour le problme total ou pour les versions relaxes en
PL et concernant le problme uniquement mles/lots.

5.4.2.1.3. Symphony

Le solveur Symphony sarrte aprs 5 jours de calcul sans pouvoir ni continuer ni
trouver de solution viable que ce soit pour le problme total ou pour les versions relaxes en
PL et concernant le problme uniquement mles/lots.

5.4.2.1.4. SCIP

Le solveur SCIP est le seul solveur libre que nous ayons utilis qui ait russi obtenir
des rsultats :
- Pour la version relaxe concernant le problme uniquement mles/lots nous obtenons
une solution qui semble tre optimale en 49 minutes.
65

- Pour la version relaxe du problme en PL le solveur fournit une solution qui semble
galement optimale aprs 1h15 de calcul.
- Pour le problme total 3 jours de calcul ont t ncessaire pour obtenir une solution
mais elle nest malheureusement pas acceptable cause de violations trop importantes
sur les contraintes de surface de semence. En effet les carts observs oscillent entre
0% et 55% selon les varits par rapport au plan de production initial.

Ce que nous pouvons conclure des rsultats obtenus cest que la plupart des solveurs
libres sont dans lincapacit de rsoudre un problme de la taille de celui tudi lors de cette
tude. Le seul qui ait pu fournir des rsultats tant SCIP mais la qualit de la solution nest
pas suffisante compte tenu des contraintes du problme et le temps de calcul est trop
important pour tre satisfaisant.

5.4.2.2. CPLEX

En utilisant les valeurs numriques des variables prsentes dans le tableau 4 et des
cots de la violation des contraintes prsents dans les tableaux 2 et 3 la premire
exprimentation avec Cplex a fourni un rsultat en 4h et la seconde a permit dobtenir un
rsultat en un peu moins dune journe. Comme nous le dtaillons dans les parties 5.4.4.1. et
5.4.4.2. les solutions obtenues peuvent tre considres comme de bonnes solutions.

5.4.3. Tableau rcapitulatif des exprimentations

Cbc Lp_solve Symphony SCIP
Cplex 11 : 1
re

exprimentation
Cplex 11 : 2
me

exprimentation
Variables du
problme
864 Parcelles
151 Ilots
26 Rcoltants
85 Varits
30 Mles
3945,381ha thoriques
3938,51ha rels
951 Parcelles
136 Ilots
23 Rcoltants
97 Varits
36 Mles
3951,35 ha thoriques
3933,33 ha rels
Configuration
matrielle
Intel Core Duo T2050
CPU 1.66GHz
1Go de Ram
Pentium4
CPU 3.4GHz
1Go de Ram
Pentium4
CPU 2GHz
2Go de Ram
Problme Total
1h: Le
solveur
s'arrte
faute de
solution
5h: Le
solveur
s'arrte
faute de
solution
2 jours: Le
solveur ne
trouve pas
de solution
3 jours: Une solution
est trouve mais non
acceptable
4h : Une solution
(cf. partie 5.4.4.1.)
1 jour : une
solution (cf. partie
5.4.4.2.)
Problme PL
1h15: une solution qui
semble tre optimale
- -
Problme Male
ilots
49 min: une solution
qui semble tre
optimale
- -
Tableau 5 : Tableau rcapitulatif des exprimentations
66

5.4.4. Comparaison des solutions

Afin de pouvoir juger de la validit de notre approche nous avons cherch quantifier
le gain des solutions obtenues. Pour ce faire nous avons compar les solutions considres
comme acceptables, savoir celles fournies par Cplex, et nous avons confront la valeur
totale des violations de contraintes avec celle correspondant au plan de semis obtenu
manuellement par Limagrain et mis en uvre en 2007.
5.4.4.1. Cplex : 1
re
exprimentation
En reprenant les valeurs du tableau 2 la solution seme en 2007 donne un cot de
14 641 dont 5195 pour le respect des contraintes de plasticulture, castration, enherbement,
sensibilit au Mildiou, prcocit et technicit et 9446 pour les contraintes de respect des
surfaces du plan de production et pour les contraintes sur les rcoltants.
Aprs 4h de calcul avec Cplex 11 la solution obtenue affiche un cot de 11042 rparti entre
3515 pour les six premires contraintes et 7527 pour les deux autres.


Plasticulture / Castration / Enherbement /
Mildiou / Prcocit / Technicit
Plan de Production /
Rcoltants
Total
Semis 2007 5195 9446 14641
Cplex 3515 7527 11042
Gain 32% 20% 25%
Tableau 6 : Comparaison des cots de la solution 1 et du plan de semis 2007
Les rsultats obtenus montrent donc un gain substantiel puisquaprs 4h de calcul la
solution fournie par le solveur amliore de 25% la solution rellement retenue aprs une
rsolution manuelle.

5.4.4.2.Cplex : 2
me
exprimentation

En reprenant les valeurs du tableau 3 nous avons compar la solution seme en 2007 et
la solution fournie par la seconde exprimentation avec le solveur Cplex aprs une journe
complte de calcul.

Prcocit Plasticulture Mildiou Enherbement Castration Technicit Total
Nombre de contraintes
violes semis 2007
12 19 0 38 9 434 512
Nombre de contraintes
violes Cplex
0 2 0 8 1 287 298
Cot semis 2007 480 760 0 380 450 8680 10750
Cot Cplex 0 80 0 80 50 5740 5950
Gain 100% 89% 0% 79% 89% 34% 45%
Tableau 7 : Comparaison des cots sur les contraintes gnrales
En ce qui concerne les six contraintes classiques hors plan de production et problme
des rcoltants le gain global de la solution issue de notre approche est de 45%.
67



Plasticulture / Castration / Enherbement /
Mildiou / Prcocit / Technicit
Rcoltants
Plan de
production
Total
Semis 2007 10750 2157 7663 20569
Cplex 5950 198 613 6760
Gain 45% 91% 92% 67%
Tableau 8 : Comparaison des cots de la solution 2 et du plan de semis 2007
Lorsque sont prises en compte les contraintes de plan de production et le problme des
rcoltants le rsultat obtenu par le solveur amliore la solution des utilisateurs de 67%.

Il semble vident au regard des gains constats que lapproche dveloppe dans cette
tude et consistant dabord en une phase de formalisation mathmatique puis en une
rsolution laide doutils informatiques apporte un net progrs et permet damliorer la
conception du plan de semis de faon significative.
Outre le gain notable en termes de respect des contraintes il est important de noter
lintrt en termes de temps que reprsente notre approche. En effet la solution fournie par le
solveur est meilleure que celle obtenue manuellement mais notre dmarche a aussi permis dy
parvenir en une journe de calcul alors que la solution seme en 2007 a demand trois
semaines de travail temps complet cinq personnes.

Au cours de cette tude nous avons t amens travailler avec un doctorant en thse
CIFRE chez Limagrain, Benjamin Valet, et cette collaboration a abouti une publication [66]
reprenant les rsultats obtenus et qui a t prsente la confrence INCOM09.


68


69

6. Conclusion et perspectives

Dans la perspective de prendre la suite du travail expos dans ce mmoire pour en
amliorer les rsultats il serait possible en premier lieu de se pencher sur les propositions dj
avances dans la partie 5.3.1. notamment concernant la relaxation du problme et la recherche
dune meilleure solution initiale.

De plus nous pourrions lavenir inclure dans lanalyse un certain nombre de facteurs
qui nont pas t pris en compte jusque l mais qui peuvent tre influents et dans une certaine
mesure aider optimiser encore davantage la solution. Les principaux facteurs que nous
pourrions envisager sont :
- La productivit et le rendement de chaque agriculteur selon la varit avec laquelle il
travaille,
- La pluviomtrie en fonction des zones dans lesquelles se trouvent les parcelles,
- La qualit et ltendue de la pollinisation selon les parcelles pouvant intervenir sur le
choix daffectation des mles stratgiques par lots.

En outre lors de notre tude nous avons pu constater que certaines contraintes ntaient
pas prises en compte par Limagrain au moment de la conception du plan de semis mais
pouvaient nanmoins influer sur la qualit de la solution obtenue. Pour de futures recherches
il serait intressant dinclure ces contraintes dans le modle du problme :
- Diminution du nombre de varits diffrentes traites par un mme agriculteur afin de
permettre une meilleure visibilit sur la production et de faciliter leur travail,
- Dispersion dune mme varit sur des parcelles situes dans des zones gographiques
diffrentes pour limiter les risques en cas dincidents mtorologiques.

Au cours de cette tude nous avons galement pu observer des modifications
rgulires. En effet le PIC lorigine des objectifs de production volue rgulirement tout au
long de la conception du plan de semis et pendant sa mise en uvre. Ce qui dans notre cas
sest traduit par des valeurs diffrentes entre les exprimentations sur les solveurs libres et les
exprimentations avec Cplex.
Dans la ralit les semences ont dj commenc tre prpares, distribues et parfois
plantes ce qui interdit de reprendre la conception du plan depuis lorigine.
Il serait donc envisageable de complter notre travail en tudiant des exprimentations dans
des cas o une partie de la production est dj affecte des parcelles. Cela permettra en
premier lieu de quantifier les gains apports par le recalcul en fonction de la quantit quil
reste affecter et dautre part de vrifier la robustesse de notre approche en contraignant
encore davantage le modle.

Une autre facette dvelopper au cours dune tude ultrieure pourrait consister se
pencher sur des mthodes plus spcifiques de rsolution de problmes de programmation
linaire en nombres entiers ou mixtes. Les travaux de Ralphs et Galati [67], [68] peuvent
reprsenter une bonne base. Les auteurs prsentent dans leurs articles le fonctionnement
70

classique des procdures mettant en uvre des mthodes de type plans scants puis
exposent leur propre technique quils intitulent mthode de dcomposition qui consiste
introduire un polydre supplmentaire cens amliorer la recherche de solution.

La contribution de ce travail a principalement consist formaliser mathmatiquement
les contraintes industrielles non-triviales auxquelles est soumis le plan de semence pour
obtenir un modle qui la fois reflte la problmatique relle rencontre par les utilisateurs et
permet de revenir vers une forme connue, ici la PLM, pour recourir des outils prouvs.
La rsolution du problme avec laide du solveur Cplex 11 nous a ensuite permis
dobtenir des solutions fournissant un rel gain par rapport la situation initiale de semis.

Au vu des rsultats obtenus il est possible de conclure que lapproche prsente dans
cette tude amliore significativement la solution de plan de semis actuelle puisque nous
obtenons une rpartition des varits qui apporte jusqu 67% de gain supplmentaire.
De plus la solution issue de notre approche optimise diffrents aspects :
- Un meilleur respect des contraintes du problme et ce pour tous les types de
contraintes,
- Un gain de temps manifeste permettant dobtenir une solution rapidement et donc de
pouvoir recalculer une solution en cas dimpondrable,
- Une diminution de lutilisation des ressources en termes de personnel.

Le modle prsent a donc fait ses preuves et dmontr les bnfices quil peut
apporter en milieu industriel pour rsoudre efficacement un problme concret. Il est lgitime
denvisager dadapter et de se servir de ce modle pour dautres problmatiques du mme
type.


71

Rfrences

[1] C. MIRALLES, J.P. GARCIA-SABATER, C. AUDRS, M. CARDOS, Branch and Bound
procedures for solving the Assembly Line Work Assignment and Balancing
Problem : Application to Sheltered Work centres for disabled , Discrete Applied
Mathematics, vol. 156, pp. 352-367, 2008.
[2] B. VALET, Affectation Robuste de Qualifications pour une Entreprise Travaillant
la Commande , Masters thesis, Ecole Centrale Paris, 2006.
[3] N. MORENO, A. COROMINAS, Solving the minmax product rate variation problem
(PRVP) as a bottleneck assignment problem , Computer&Opereations Research,
vol. 33, pp. 928-939, 2006.
[4] S. BILGIN, M. AZIZOGLU, Operation assignment and capacity allocation problem in
automated manufacturing systems , Computer & Industrial Engineering, vol. 56,
pp. 662-676, 2009.
[5] H. FEI, C. CHU, N. MESKENS, A. ARTIBA, Solving surgical cases assignment
problem by a branch and price approach , International Journal Production
Economics, vol. 112, pp. 96-108, 2008.
[6] L. TRILLING, A. GUINET, D. LE MAGNY, Nurse scheduling using integer linear
programming and constraint programming , 12
th
IFAC Symposium on Information
Control Problems in Manufacturing INCOM 2006, Saint-Etienne, France.
[7] H. CAI, J. LIN, Y. CHEN, H. WANG, Survey of the research on dynamic weapon-
target assignment Problem , The Second Academy of China Aerospace Science &
Industry Cooperation, 2006.
[8] M. ALICHERRY, R. BHATIA, L. LI, Joint Channel assignment and routing for
throughput optimization in multi-radio wireless mesh networks , 11
th
ACM
International Conference on Mobile Computing and Networking MobiCom 2005,
Cologne, Germany.
[9] H.W. KUHN, The Hungarian method for the assignment problem , Naval Research
Logistics, vol. 52, pp. 7-21, 50
th
anniversary reprint, 2005.
[10] D.W. PENTICO, Assignment problems: A golden anniversary survey , European
Journal of Operational Research, vol. 176, pp. 774-793, 2007.
[11] P. VALLIN, D. VAN DER POOTEN, Aide la decision: Une approche par les cas ,
Universit Paris Dauphine, Ellipses, pp. 105-119, 2002.
72

[12] J.F. HECHE. T.M. LIEBLING , D. DE WERRA, Recherche Oprationnelle pour
lIngnieur , Presses Polytechniques et Universitaires Romandes, pp. 71-76, pp.
340-346, Lausanne, 2003.
[13] J. BEASLEY, B. CAO, A Tree Search Algorithm for the Crew Scheduling Problem ,
European Journal of Operational Research, vol. 94, pp. 517-526, 1996.
[14] C.P. MEDARD, N. SAWHNEY, Airline crew scheduling from planning to operations
, European Journal of Operational research, vol. 183, pp. 1013-1027, 2007.
[15] N. KOHL, S.E. KARISCH, Airline crew rostering: Problem types, modeling, and
optimization , Annals of Operations Research, vol. 127, pp. 223-257, 2004.
[16] F.M. ZEGHAL, M. MINOUX, Modeling and solving a Crew Assignment Problem in
air transportation , European Journal of Operational research, vol. 175, pp. 187-
209, 2006.
[17] M.C. GOLUMBIC, Algorithmic Graph Theory and Perfect Graphs , Academic
Press, 1980.
[18] C. BERGE, Graphes et Hypergraphes , Dunod, Paris, 1970.
[19] E. KONDILI, C.C. PANTELIDES, R. SARGENT, A general algorithm for short-term
scheduling of batch operations I, MILP formulation , Computer and Chemical
Engineering, vol. 17, pp. 211-227, 1993.
[20] J.M. PINTO, I.E. GROSSMANN, A continuous time mixed integer linear programming
model for short term scheduling of multistage batch plants , Industrial &
Engineering Chemistry Research, vol. 34, pp. 3037-3051, 1995.
[21] C.W. HUI, G. AVANEESH, H.A.J. VAN DER MEULEN, A novel MILP formulation for
short-term scheduling of multi-stage multi-product batch plants with sequence-
dependent constraints , Computer and Chemical Engineering, vol. 24, pp. 2705-
2717, 2000.
[22] P.M. CASTRO, E.I. GROSSMANN, An efficient MILP model for the short-term
scheduling of single stage batch plants , Computer and Chemical Engineering, vol.
30, pp. 1003-1018, 2006.
[23] P.M. CASTRO, A.P. BARBOSA-POVOA, H. MATOS, A.Q. NOVAIS, Simple continuous-
time formulation for short-term scheduling of batch and continuous processes ,
Industrial & Engineering Chemistry Research, vol. 43, pp. 105-118, 2004.
[24] N. SAHINIDIS, I.E. GROSSMANN, Reformulation of multiperiod MILP models for
planning and scheduling of chemical processes , Computer and Chemical
Engineering, vol. 15, pp. 255-272, 1991.
73

[25] L. MOCKUS, G. REKLAITIS, Mathematical programming formulation for scheduling
of batch operations based on nonuniform time discretization , Computer and
Chemical Engineering, vol. 21, pp. 1147-1156, 1997.
[26] P. PRASAD, C.T. MARAVELIAS, Batch selection, assignment and sequencing in
multi-stage multi-product processes , Computer and Chemical Engineering, vol. 32,
pp. 1106-1119, 2008.
[27] H.D. SHERALI, E.K. BISH, X. ZHU, Airline fleet assignment concepts, models, and
algorithms , European Journal of Operational research, vol. 172, pp. 1-30, 2006.
[28] P. CHAKROBORTY, D. VIKRAM, Optimum assignment of trains to platforms under
partial schedule compliance , Transportation Research, Part B 42, pp. 169-184,
2008.
[29] F. GIOVANNI, M. MECOLI, Resource assignment with preference conditions ,
European Journal of Operational research, vol. 180, pp. 519-531, 2007.
[30] G.B. MATHEWS, On the partition of numbers , Proceedings of the London
Mathematical Society, vol. 28, pp. 486-490, 1897.
[31] R.M. KARP, Reducibility Among Combinatorial Problems. In Complexity of
Computer Computations , Proc. Symposium IBM, Thomas J. Watson Res. Center,
Yorktown Heights, N.Y.. New York: Plenum, pp. 85-103, 1972.
[32] G. GALLO, P. HAMMER, B. SIMEONE, Quadratic knapsack problems , Mathematical
Programming Study, vol. 12, pp. 132-149, 1980.
[33] A. BILLIONNET, F. CALMELS, Linear programming for the 0-1 quadratic knapsack
problem , European Journal of Operational research, vol. 92, pp. 310-325, 1996.
[34] E.L. JOHNSON, M.W. PADBERG, A note on the knapsack problem with special
ordered sets , Operations Research Letters, vol.1, pp. 18-22, 1981.
[35] G. KOZANIDIS, E. MELACHRINOUDIS, A branch & bound algorithm for the 0-1
mixed integer knapsack problem with linear multiple choice constraints , Computer
and Operation Research, vol. 31, pp. 695-711, 2004.
[36] M.T. CHEN, B.M.T. LIN, S.S TSENG, Multicast routing and wavelength assignment
with delay constraints in WDM networks with heterogeneous capabilities , Journal
of Network and Computer Applications, vol. 31, pp. 47-65, 2008.
[37] S. YAN, J. DEOGUN, Multi-drop path model for multicast routing and wavelength
assignment , Information Science, vol. 149, pp. 113-134, 2003.
74

[38] R. KRISHNASWAMY, K. SIRAVAJAN, Algorithms for routing and wavelength
assignment based on solution of LP-Relaxation , IEEE Communications Letters 5,
pp. 435-437, 2001.
[39] D. COUDERT, H. RIVANO, Routage optique dans les rseaux WDM multifibers avec
conversion partielle , AlgoTel 2002, pp. 17-24, Mze, France.
[40] M. TORNATORE, G. MAIER, A. PATTAVINA, WDM network optimization by ILP
based on source formulation , IEEE Infocom, vol. 3, pp. 1813-1821, 2002.
[41] A. JAEKEL, Y. CHEN, Quality of service based resource allocation for scheduled
lightpath demands , Computer Communications, vol. 30, pp. 3550-3558, 2007.
[42] P. SINGH, A.K. SHARMA, S. RANI, Routing and wavelength assignment in WDM
networks with dynamic link weight assignment , Optik, vol. 118, pp. 527-532, 2007.
[43] S.T. CHENG, Backtrack routing and priority-based wavelength assignment in WDM
networks , Computer Communications, vol. 22, pp. 1-10, 1999.
[44] M.S. KUMAR, P. S. KUMAR, Static lightpath establishment in WDM networks
New ILP formulations and heuristic algorithms , Computer Communication, vol.
25, pp. 109-114, 2002.
[45] T. LARSSON, M. PATRIKSSON, Simplicial decomposition with disaggregated
representation for the traffic assignment problem , Transportation Science, vol.26,
pp. 4-17, 1992.
[46] R.B. POTTS, R.M. OLIVER, Flows in Transportation Networks Academic Press,
New York, 1972.
[47] Y. SHEFFI, Urban Transportation Networks. Prentice-Hall, Englewood Cliffs,
N.J.1985.
[48] M.F. MCGURRIN, P.T.R. WANG, An object-oriented traffic simulation with IVHS
applications , SAE VehicleNavigation and Information Systems Conference
Proceedings, pp. 551-561, 1991.
[49] B. RAN, D.E. BOYCE, Dynamic Urban Transportation Network Models: Theory and
Implications for IntelligentVehicle-Highway Systems , Springer-Verlag, Berlin,
1994.
[50] A.K. ZILIASKOPOULOS, A linear programming model for the single destination
system optimum dynamic traffic assignment problem , Transportation Science, vol.
34, pp.1-12, 2000.
75

[51] S.T. WALLER, A.K. ZILIASKOPOULOS, A chance-constrained based stochastic
dynamic traffic assignment model: analysis, formulation and solution algorithms ,
Transportation Research Part C 14, pp. 418-427, 2006.
[52] D. HOLMES , AMPL: A Mathematical Programming Language , University of
Michigan, Michingan, 1995.
[53] R. FOURER, D.M. GAY, B.W. KERNIGHAN, A Modeling Language for Mathematical
Programming , Management Science, vol. 36, pp. 519-554, 1990.
[54] Site internet consacr lAMPL :
http://www.ampl.com/
[55] Serveur distance doutils doptimisation Neos :
http://neos.mcs.anl.gov/neos/index.html
[56] Website of the laboratory Computational Optimization Research At Lehigh in the
Industrial and Systems Engineering Department at Lehigh University contain
informations about MINTO :
http://coral.ie.lehigh.edu/
[57] Website of the Computational Infrastructure for Operation Research :
http://www.coin-or.org/
[58] IBM, Mathematical Programming System Extended/370 (MPSX/370) program
reference manual , SH19-1095-3, 4th Edition, 1979.
[59] V.A. SPOSITO, B.C. ENGLISH, Reliability of Linear Programming Software: An
Experience with the IBM Mathematical Programming System Series: Comment ,
American Journal of Agricultural Economics, vol. 68, num. 2, pp. 370-372, 1986.
[60] T. ACHTERBERG , SCIP: A Framework to integrate Constraint and Mixed Integer
Programming , Konrad-Zuse-Zentrum fr Informationstechnik Berlin, Berlin, 2004.
[61] T. ACHTERBERG, Constraint Integer Programming , Ph.D. thesis, Berlin, 2007.
[62] T. KOCH, ZIMPL: Zuse Institute Mathematical Programming Language , Konrad-
Zuse-Zentrum fr Informationstechnik Berlin, Berlin, 2007.
[63] T.K. RALPHS, SYMPHONY version 5.0 user's manual. Technical Report , Lehigh
University Industrial and Systems Engineering, 2004.
[64] Site internet consacr au logiciel SYMPHONY :
http://branchandcut.org/SYMPHONY/
[65] Cours dintroduction lutilisation de CPLEX :
76

http://www.cours.polymtl.ca/mth6414/automne2005/cours%205/CPLEX%20-
commentaires.pdf
[66] B. VALET, C. CAUX, S. DURIEUX, C. NGUYEN, Using mathematical model for
allocation of seedling in Seed Production : a case study , INCOM 2009, Moscow,
Russia.
[67] T.K. RALPHS, M.V. GALATI, Decomposition in Integer Programming , 2005.
http://www.optimization-online.org/DB_FILE/2004/12/1029.pdf
[68] T.K. RALPHS, M.V. GALATI, Integer Programming: Theory and Practice, Chapter
Decomposition in Integer Programming. Operations Research Series volume 3, CRC
Press Edition, 2005.

77

Annexes

Annexe 1: Modle AMPL

# ---------------------
# PARAMETRES
# ---------------------

param Parcelles;
param Varietes;
param Nb_Recoltants;
param Nb_Males;
param Nb_Couts;
param Cout {i in 1..Nb_Couts};
param Capacite {i in 1..Nb_Recoltants};
set Voisin within (1..Parcelles cross 1.. Parcelles);

param Agriculteur {i in 1..Parcelles};
param Ilot {i in 1..Parcelles};
param Technicite {i in 1..Parcelles};
param Precocite {i in 1..Parcelles};
param Plasticulture{i in 1..Parcelles};
param Enherbement {i in 1..Parcelles};
param Mildiou {i in 1..Parcelles};
param Pb_sante {i in 1..Parcelles};
param Recoltants {i in 1..Parcelles};
param Surface {i in 1..Parcelles};

param Precoci {i in 1..Varietes};
param Plasti {i in 1..Varietes};
param Mildi {i in 1..Varietes};
param Herbicide {i in 1..Varietes};
param Surface_v {i in 1..Varietes};
param Sterilite {i in 1..Varietes};
param Males {i in 1..Varietes};
param PQP {i in 1..Varietes};

# ---------------------
# VARIABLES
# ---------------------

var A {1..Parcelles, 1..Varietes} binary;

var delta_precocite {1..Parcelles, 1..Varietes} >=0;
var delta_plasticulture {1..Parcelles, 1..Varietes} >=0;
78

var delta_technicite {1..Parcelles, 1..Varietes} >=0;
var delta_mildiou {1..Parcelles, 1..Varietes} >=0;
var delta_enherbement {1..Parcelles, 1..Varietes} >=0;
var delta_sante {1..Parcelles, 1..Varietes} >=0;
var delta_recoltant1 {1..Nb_Recoltants, 1..Varietes} >=0;
var delta_recoltant2 {1..Nb_Recoltants, 1..Varietes} >=0;
var delta_surface_max1 {1..Varietes} >=0;
var delta_surface_min1 {1..Varietes} >=0;
var delta_surface_max2 {1..Varietes} >=0;
var delta_surface_min2 {1..Varietes} >=0;
var delta_unicite {1..Parcelles} >=0;

# ---------------------
# FONCTION OBJECTIF
# ---------------------

minimize Z: sum {i in 1..Parcelles, j in 1..Varietes}(delta_unicite[i]*Cout[1] +
delta_surface_max1[j]*Cout[2] + delta_surface_min1[j]*Cout[3] +
delta_surface_max2[j]*Cout[4] + delta_surface_min2[j]*Cout[5] +
delta_precocite[i,j]*Cout[6] + delta_plasticulture[i,j]*Cout[7] +
delta_technicite[i,j]*Cout[8] + delta_mildiou[i,j]*Cout[9] +
delta_enherbement[i,j]*Cout[10] + delta_sante[i,j]*Cout[11]) + sum {l in
1..Nb_Recoltants, j in 1..Varietes}(delta_recoltant1[l,j]*Cout[12] +
delta_recoltant2[l,j]*Cout[12]);

# ---------------------
# CONTRAINTES
# ---------------------

subject to Surface_max1 {j in 1..Varietes}: sum {i in 1..Parcelles}
(A[i,j]*Surface[i])>=Surface_v[j]*0.98 - (delta_surface_max1[j])/100;
subject to Surface_min1 {j in 1..Varietes}: sum {i in 1..Parcelles}
(A[i,j]*Surface[i])<=Surface_v[j]*1.02 + (delta_surface_min1[j])/100;
subject to Surface_max2 {j in 1..Varietes}: sum {i in 1..Parcelles}
(A[i,j]*Surface[i])>=Surface_v[j]-2 - delta_surface_max2[j];
subject to Surface_min2 {j in 1..Varietes}: sum {i in 1..Parcelles}
(A[i,j]*Surface[i])<=Surface_v[j]+2 + delta_surface_min2[j];

subject to Unicite {i in 1..Parcelles}: sum {j in 1..Varietes} A[i,j] = 1 + delta_unicite[i];

subject to Precocite_P_V {i in 1..Parcelles, j in 1..Varietes}: A[i,j] - delta_precocite[i,j] <= 6-
Precocite[i]-Precoci[j];

subject to Plasticulture_P_V {i in 1..Parcelles, j in 1..Varietes}: A[i,j] <= Plasticulture[i] + (1-
Plasti[j]) + delta_plasticulture[i,j];
79


subject to Technicite_P_V {i in 1..Parcelles, j in 1..Varietes}: Technicite[i]*A[i,j] -
delta_technicite[i,j] <= PQP[j];

subject to Mildiou_P_V {i in 1..Parcelles, j in 1..Varietes}: A[i,j] - delta_mildiou[i,j] <= 1-
(Mildiou[i]*Mildi[j]);

subject to Enherbement_P_V {i in 1..Parcelles, j in 1..Varietes}: A[i,j] - delta_enherbement[i,j]
<= 1-(Enherbement[i]*Herbicide[j]);

subject to Sante_P_V {i in 1..Parcelles, j in 1..Varietes}: A[i,j]*Pb_sante[i] - delta_sante[i,j] <=
Sterilite[j];

subject to Recoltant_Varietes {j in 1..Varietes, l in 1..Nb_Recoltants}:
(sum {i in 1..Parcelles:Recoltants[i]=l}(A[i,j]*Surface[i])) <= ((1/2)*sum {i in
1..Parcelles}(A[i,j]*Surface[i])) + delta_recoltant1[l,j];

subject to Recoltant_Capacite {j in 1..Varietes, l in 1..Nb_Recoltants}:
(sum {i in 1..Parcelles:Recoltants[i]=l}(A[i,j]*Surface[i])) <= 2*Capacite[l] + delta_recoltant2[l,j];