Vous êtes sur la page 1sur 105

N d'ordre : 98

COLE CENTRALE DE LILLE UNIVERSIT DE TUNIS EL MANAR COLE NATIONALE DINGNIEURS DE TUNIS

THSE
prsente en vue dobtenir le grade de

DOCTEUR
en Automatique et Informatique Industrielle
tel-00577101, version 1 - 16 Mar 2011

par

Hela BOUKEF BEN OTHMAN


Doctorat dlivr conjointement par lcole Centrale de Lille et lcole Nationale dIngnieurs de Tunis

Sur lordonnancement dateliers job-shop flexibles et flow-shop en industries pharmaceutiques Optimisation par algorithmes gntiques et essaims particulaires
soutenue le 3 Juillet 2009, devant le jury dexamen compos de : MM. Noureddine ELLOUZE Abdellah EL MOUDNI Noureddine LIOUANE Imed KACEM Mohamed BENREJEB Pierre BORNE Prsident Rapporteur Rapporteur Examinateur Co-Directeur de Thse Directeur de Thse

Thse en cotutelle prpare au Laboratoire dAutomatique, Gnie Informatique et Signal de lEcole Centrale de Lille et lUnit de Recherche LARA Automatique de lEcole Nationale dIngnieurs de Tunis

Avant propos

Avant Propos

Ce prsent travail a t effectu au sein de lUnit de Recherche LARA Automatique de lEcole Nationale dIngnieurs de Tunis (ENIT) et du Laboratoire dAutomatique, Gnie Informatique et Signal (LAGIS) de lEcole Centrale de Lille (EC-Lille). tel-00577101, version 1 - 16 Mar 2011 Nous sommes particulirement sensibles au grand honneur que Monsieur le Professeur Noureddine ELLOUZE, Directeur de lUnit de Recherche LSTS de lEcole Nationale dIngnieurs de Tunis, nous fait en acceptant de prsider notre Jury dExamen. Quil trouve ici lexpression de notre profonde reconnaissance. Cest un agrable devoir pour nous dexprimer notre trs vive reconnaissance Monsieur le Professeur Mohamed BENREJEB, Directeur de lUnit de Recherche LA.R.A. Automatique, et Monsieur Pierre BORNE, Professeur lEcole Centrale de Lille pour nous avoir guid durant toute llaboration de ce mmoire avec le srieux et la comptence qui les caractrisent. Quils trouvent ici le tmoignage de notre trs profonde gratitude. Nous tenons remercier vivement Monsieur Abdellah EL MOUDNI, Professeur

lUniversit de Technologie Belfort-Monbliard et Monsieur Noureddine LIOUANE, Matre de Confrences lInstitut Suprieur des Sciences Appliques et Technologies de Gafsa et Directeur de lInstitut Suprieur des Sciences Appliques et Technologies de Kairouan, davoir bien voulus accept de rapporter sur notre travail. Quils trouvent ici, le tmoignage de notre profonde reconnaissance.

Avant Propos

Nos remerciements sadressent galement Monsieur Imed KACEM, Professeur lUniversit Paul Verlaine-Metz; pour lintrt quil a bien voulu porter nos travaux en acceptant de participer notre Jury dExamen. Nous tenons, enfin remercier tous les chercheurs de lUnit de Recherche LARA Automatique de lENIT et du Laboratoire dAutomatique, Gnie Informatique et Signal de lEC-Lille pour leur amicale prsence et la sympathie quils nous ont constamment tmoignes. Nous leur exprimons, ici, toute notre gratitude.

tel-00577101, version 1 - 16 Mar 2011

Table des Matires

Table des Matires

Avant Propos ................................................................................................................... 2 Table des Matires .......................................................................................................... 4 Table des Figures............................................................................................................. 8 Liste des Tableaux......................................................................................................... 10 Introduction gnrale.................................................................................................... 11

tel-00577101, version 1 - 16 Mar 2011

Chapitre I - Ordonnancement : spcificits, ateliers, mthodes et complexit............................................................................. 14


I.1 - Introduction ........................................................................................................... 14 I.2 - Gnralits sur lordonnancement....................................................................... 15 I.3 - Formulation dun problme dordonnancement................................................ 16 I.3.1 - Les tches ................................................................................................. 16 I.3.2 - Les ressources .......................................................................................... 17 I.3.3 - Les contraintes......................................................................................... 17 I.3.4 - Les critres ............................................................................................... 18 I.4 - Les ateliers.............................................................................................................. 19 I.4.1 - Les ateliers de type flow-shop................................................................. 19 I.4.2 - Les ateliers de type job-shop .................................................................. 19 I.4.3 - Les ateliers de type open-shop................................................................ 19 I.5 - Reprsentation des problmes dordonnancement ............................................ 20 I.5.1 - Le diagramme de Gantt .......................................................................... 20 I.5.2 - Graphe Potentiel-Tches ........................................................................ 21 I.5.3 - Mthode PERT ........................................................................................ 22 I.6 - Complexit des problmes dordonnancement................................................... 23

Table des Matires

I.7 - Mthodes doptimisation ...................................................................................... 25 I.7.1 - Les mthodes exactes............................................................................... 25 a - La mthode Branch and Bound............................................................... 25 b - La programmation dynamique ............................................................... 26 c - La programmation linaire ...................................................................... 26 d - Les heuristiques ........................................................................................ 26 I.7.2 - Les mthodes approches ou mtaheuristiques.................................... 27 a - Les mthodes bases sur la recherche locale .......................................... 27 b - Les algorithmes volutionnistes : algorithmes gntiques .................... 33 I.8 - Position du problme............................................................................................. 38 I.9 - Conclusion.............................................................................................................. 38 tel-00577101, version 1 - 16 Mar 2011

Chapitre II - Algorithmes gntiques pour la rsolution de problmes dordonnancement en industries pharmaceutiques........ 40


II.1 - Introduction.......................................................................................................... 40 II.2 - Ordonnancement en industries pharmaceutiques ............................................ 41 II.2.1 - Types de produits utiliss dans les industries pharmaceutiques ....... 41 II.2.2 - Cheminement des produits au niveau des industries Pharmaceutiques 42 II.2.3 - Spcificits dun atelier de conditionnement....................................... 42 II.2.4 - Lignes de conditionnement ................................................................... 43 II.2.5 - Problmes survenant dans un atelier de conditionnement ................ 44 II.3 - Problmes dordonnancement de type flow-shop ............................................. 45 II.3.1 - Prsentation des ateliers de type flow-shop......................................... 45 II.3.2 - Ordonnancement dateliers de type flow-shop ................................... 46 II.4 - Optimisation mono-objectif / Optimisation multi-objectifs............................. 46 II.4.1 - Optimisation mono-objectif .................................................................. 46 II.4.2 - Optimisation multi-objectifs ................................................................. 47 II.5 - Rsolution dun problme dordonnancement en industries pharmaceutiques par les algorithmes gntiques........................................ 48 II.5.1 - Prsentation du problme ..................................................................... 48

Table des Matires

II.5.2 - Formulation du problme ..................................................................... 49 a - Notations .................................................................................................... 49 b - Critres minimiser ................................................................................. 50 c - Fonction fitness optimiser...................................................................... 50 II.5.3 - Algorithmes gntiques ......................................................................... 51 a - Prsentation des algorithmes gntiques ................................................ 51 b - Fonctionnement dun algorithme gntique .......................................... 52 c - Codage des algorithmes gntiques ......................................................... 52 d - Oprateurs des algorithmes gntiques .................................................. 53 II.5.4 - Codage CLOS propos .......................................................................... 54 II.5.5 - Oprateurs proposs.............................................................................. 55 tel-00577101, version 1 - 16 Mar 2011 a - Oprateur de slection.............................................................................. 55 b - Oprateur de croisement.......................................................................... 56 c - Oprateur de mutation ............................................................................. 58 II.5.6 - Algorithme propos ............................................................................... 58 II.6 - Simulation et rsultats ......................................................................................... 60 II.6.1 - Exemple de 16 produits traits sur 2 lignes de conditionnement ...... 61 II.6.2 - Exemple de 30 produits traits sur 2 lignes de conditionnement ...... 63 II.7 - Conclusion ............................................................................................................ 65

Chapitre III - Rsolution de problmes dordonnancement job-shop flexible par la mthode base sur loptimisation par essaim particulaire............................................................. 66
III.1 - Introduction ........................................................................................................ 66 III.2 - Problmes dordonnancement de type job-shop flexible (FJSP) ................... 67 III.2.1 - Prsentation des problmes FJSP....................................................... 68 III.2.2 - Formulation des problmes FJSP....................................................... 68 III.3 - Optimisation par essaim particulaire (OEP) ................................................... 69 III.3.1 - Prsentation de la mthode OEP ........................................................ 69 III.3.2 - Optimisation par essaim particulaire dans le cas continu................ 69

Table des Matires

III.3.3 - Optimisation par essaim particulaire dans le cas discret ................. 70 a - Formulation gnrale des problmes dordonnancement FJSP par essaim particulaire .................................................................................... 70 b - Prsentation de la structure dune particule.......................................... 71 III.3.4 - Algorithme Bas sur la mthode dOptimisation par Essaim Particulaire pour le cas discret (BOEP)............................................. 72 a - Etapes de lalgorithme BOEP propos ................................................... 72 b - Algorithme BOEP propos ...................................................................... 73 III.4 - Elaboration dun ordonnancement dateliers de type job-shop flexible par la mthode base sur lessaim particulaire minimisant le Makespan ............... 75 III.4.1 - Prsentation des cas dateliers tudis ............................................... 75 tel-00577101, version 1 - 16 Mar 2011 III.4.2 - Rsultats de mise en uvre de la mthode BOEP ............................. 77 III.4.3 - Influence du choix des coefficients , et sur les rsultats obtenus................................................................................................... 81 III.4.4 - Influence de la modification du voisinage sur les rsultats obtenus 83 III.4.5 - Comparaison des rsultats avec ceux obtenus par les algorithmes gntiques.............................................................................................. 86 III.5 - Comparaison de lefficacit des AG et de la mthode BOEP pour la rsolution de problmes flow-shop en industries pharmaceutiques.............. 87 III.5.1 - Efficacit de la mthode BOEP Position du problme................... 87 III.5.2 - Rsultats de lapplication de lalgorithme BOEP.............................. 88 III.6 - Conclusion........................................................................................................... 92

Conclusion gnrale................................................................................... 93 Bibliographie .............................................................................................. 96 Annexe ...................................................................................................... 104

Table des Figures

Table des Figures

Figure 1. 1 - Classification des types dateliers ....................................................................... 20 Figure 1. 2 - Diagramme de Gantt dun ordonnancement........................................................ 21 Figure 1. 3 - Graphe Potentiel-Tches d'un ordonnancement .................................................. 22 Figure 1. 4 - Exploration de lespace de recherche dans la mthode de recherche locale ....... 28 Figure 1. 5 - Algorithme relatif au fonctionnement gnral du recuit simul.......................... 30 Figure 1. 6 - Algorithme relatif au fonctionnement gnral de la mthode de recherche tabou .................................................................................................................... 32 Figure 1. 7 - Fonctionnement gnral dun algorithme gntique ........................................... 35 tel-00577101, version 1 - 16 Mar 2011 Figure 1. 8 - Dplacement des fourmis vers une source de nourriture..................................... 36 Figure 1. 9 - Dplacement des fourmis aprs placement d'un obstacle sur leur chemin.......... 36 Figure 1. 10 - Choix du chemin le plus court par la plupart des fourmis................................. 37 Figure 2. 1 - Machines composant une ligne de conditionnement........................................... 44 Figure 2. 2 - Cheminement des produits dans un atelier de type flow-shop ............................ 45 Figure 2. 3 - Types de minima ................................................................................................. 47 Figure 2. 4 - Fonctionnement de loprateur de croisement .................................................... 53 Figure 2. 5 - Fonctionnement de loprateur de mutation........................................................ 54 Figure 2. 6 - Placement des chromosomes sur la roulette la roulette....................................... 56 Figure 2. 7 - Lancement dune bille sur la roulette .................................................................. 56 Figure 2. 8 - Arrt de la bille sur un chromosome, ici, sur celui ayant la meilleure fitness..... 56 Figure 2. 9 - Fonctionnement de l'oprateur de croisement un point .................................... 57 Figure 2. 10 - Fonctionnement de l'oprateur de croisement deux points............................. 57 Figure 2. 11 - Fonctionnement de l'oprateur de mutation un point ..................................... 58 Figure 2. 12 - Fonctionnement de l'oprateur de mutation deux points propos .................. 58 Figure 2. 13 - Etapes de mise en uvre de lalgorithme gntique propos............................ 60 Figure 2. 14 - Evolution des cots travers les gnrations pour le problme dordonnancement 16x2 en industries pharmaceutiques .................................. 62 Figure 2. 15 - Diagramme de Gantt relatif au meilleur individu pour le problme 16 x 2 utilisant les algorithmes gntiques................................................................... 62

Table des Figures

Figure 2. 16 - Evolution des cots travers les gnrations pour le problme dordonnancement 30x2 en industries pharmaceutiques .................................. 64 Figure 2. 17 - Diagramme de Gantt relatif au meilleur individu pour le problme 30 x 2 utilisant les algorithmes gntiques.................................................................. 65 Figure 3. 1 - Etapes relatives lvolution de lalgorithme BOEP.......................................... 73 Figure 3. 2 - Evolution du Cmax travers les gnrations pour un problme FJSP 20x5....... 78 Figure 3. 3 - Diagramme de Gantt de la meilleure solution pour le problme 20x5................ 78 Figure 3. 4 - Evolution du Cmax travers les gnrations pour un problme FJSP 10x6....... 79 Figure 3. 5 - Diagramme de Gantt de la meilleure solution pour le problme 10x6................ 79 tel-00577101, version 1 - 16 Mar 2011 Figure 3. 6 - Evolution du Cmax travers les gnrations pour un problme FJSP 3x5......... 80 Figure 3. 7 - Diagramme de Gantt de la meilleure solution pour le problme 3x5.................. 80 Figure 3. 8 - Evolution du Cmax travers les gnrations pour un problme FJSP 20x5 pour un choix alatoire des coefficients , et ................................................ 81 Figure 3. 9 - Evolution du Cmax travers les gnrations pour un problme FJSP 10x6 pour un choix alatoire des coefficients , et ................................................ 82 Figure 3. 10 - Evolution du Cmax travers les gnrations pour un problme FJSP 3x5 pour un choix alatoire des coefficients , et .............................................. 82 Figure 3. 11 - Evolution du Cmax travers les gnrations pour un problme FJSP 20x5 pour un voisinage de 10 particules.................................................................... 84 Figure 3. 12 - Evolution du Cmax travers les gnrations pour un problme FJSP 10x6 pour un voisinage de 10 particules.................................................................... 84 Figure 3. 13 - Evolution du Cmax travers les gnrations pour un problme FJSP 3x5 pour un voisinage de 10 particules.................................................................... 85 Figure 3. 14 - Evolution des cots travers les gnrations pour le problme dordonnancement 16x2 en industries pharmaceutiques .................................. 89 Figure 3. 15 - Diagramme de Gantt relatif au meilleur individu pour le problme 16 x 2 par application de la mthode BOEP ...................................................................... 90 Figure 3. 16 - Evolution des cots travers les gnrations pour le problme dordonnancement 30x2 en industries pharmaceutiques .................................. 90 Figure 3. 17 - Diagramme de Gantt relatif au meilleur individu pour le problme 30 x 2 par application de la mthode BOEP ...................................................................... 91

Liste des tableaux

Liste des Tableaux


Tableau 1. 1 - Donnes utilises pour la ralisation dun graphe potentiel-tches .................. 21 Tableau 2. 1 - Codage CLOS pour n lignes et m produits pour un individu i donn............... 55 Tableau 2. 2 - Donnes relatives un problme dordonnancement 16x2 en industries pharmaceutiques................................................................................................ 61 Tableau 2. 3 - Donnes relatives un problme dordonnancement 30x2 en industries pharmaceutiques................................................................................................ 63 tel-00577101, version 1 - 16 Mar 2011 Tableau 3.1- Exemple de structure dune particule................................................................. 72 Tableau 3.2 - Benchmark 20x5 relatif un problme dordonnancement de type job-shop flexible mono-opration toutes les machines tant utilisables ........................... 76 Tableau 3.3 - Benchmark 10x6 relatif un problme dordonnancement de type job-shop flexible mono-opration certaines machines ntant pas utilisables .................. 77 Tableau 3.4 - Benchmark 3x5 relatif un problme dordonnancement de type job-shop flexible multi-oprations......................................................... 77 Tableau 3.5 - Rsultats comparatifs des diffrentes variantes de la mthode BOEP............... 86 Tableau 3.6 -Tableau comparatif des rsultats relatifs aux mises en uvre de la mthode base sur loptimisation par essaim particulaire (BOEP) et des algorithmes gntiques (AG) pour les problmes FJSP........................................................................... 86 Tableau 3.7 - Tableau comparatif des rsultats relatifs aux mises en uvre de la mthode BOEP et des AG pour les problmes flow-shop en industries pharmaceutiques 91

10

Introduction Gnrale

Introduction gnrale

Parmi les problmes rencontrs par le chercheur et lingnieur, les problmes doptimisation occupent notre poque une place de choix. Formuler les problmes doptimisation et tenter de les rsoudre reprsentent lobjectif principal de nombreux chercheurs. Comprendre, analyser et formuler un problme doptimisation ncessitent dabord une dfinition des paramtres, des variables, de lespace de recherche ainsi que des fonctions optimiser. tel-00577101, version 1 - 16 Mar 2011 Une fois la (ou les) fonction(s) optimiser dfinie(s), une mthode adapte pour la rsolution du problme pos est choisie. A ce niveau, la taille et la complexit du problme entrent en compte pour le choix de la mthode doptimisation. Si le problme est de petite taille et de complexit rduite, la mise en uvre dune mthode exacte peut suffire et aboutir une solution optimale. Dans le cas de problmes de tailles importantes, les mthodes approches constituent le moyen le plus efficace de se rapprocher le plus possible de la solution optimale. Quil sagisse dune optimisation mono ou multi-objectifs entre galement en ligne de compte. Dans le cas dun objectif unique, la dfinition de la fonction fitness, f, ne pose gnralement pas de problme. Par exemple, si lon se fixe lobjectif de minimiser un cot C, la fonction fitness sera gale C. Certains problmes doptimisation doivent satisfaire des objectifs multiples, souvent concurrents, ce qui ncessite parfois la recherche dun compromis. Une mthode classique, en prsence de fonctions objectifs fi, consiste les combiner en effectuant, par exemple, une somme pondre des fonctions objectifs, f = i f i , ramenant ainsi un problme multii

objectifs un problme mono-objectif. Cest lutilisateur de fixer convenablement les poids des objectifs, tenant compte de leur importance ou de les adapter, parfois, par ttonnement. Les problmes dordonnancement dans le secteur industriel, sont parmi les problmes doptimisation les plus tudis. Amliorer le rendement des ressources et minimiser les cots

11

Introduction Gnrale

de production sont devenus les leitmotivs des industriels. Chercher le meilleur moyen de maximiser son profit est aujourdhui lun des objectifs principaux de toute entreprise. Cest dans ce contexte quentre nos travaux de recherche. Ils concernent la rsolution de problmes multi-objectifs dordonnancement en industries pharmaceutiques. Au niveau de ce type dindustries, assurer la production en quantit et surtout de qualit irrprochable, dans les dlais impartis et tenant compte des diffrentes saisons tout en minimisant les cots, reprsente un challenge de tous les jours. Sachant que les problmes de production dans les industries pharmaceutiques sont complexes et ncessitent la prise en compte de plusieurs facteurs essentiellement lis au respect de lhygine ainsi que de lassurance et du contrle de la qualit, nous nous orientons pour leur rsolution vers le choix des mthodes approches. tel-00577101, version 1 - 16 Mar 2011 Deux mthodes sont donc utilises tout au long de ce rapport. La mthode des algorithmes gntiques et la mthode doptimisation par essaim particulaire qui sont des mthodes volutionnistes. Les algorithmes volutionnistes doivent leur nom l'analogie avec les mcanismes d'volution des espces vivantes. Un algorithme volutionniste est compos de trois lments essentiels : une population constitue de plusieurs individus reprsentant des solutions potentielles pour problme pos, un mcanisme d'valuation de ladaptation de chaque individu de la population l'gard de son environnement et un mcanisme d'volution compos d'oprateurs permettant d'liminer certains individus et de produire de nouveaux individus partir des individus slectionns. Un algorithme volutionniste dbute, donc par la cration dune population initiale souvent gnre alatoirement et rpte ensuite un cycle d'volution compos de trois tapes essentielles qui sont la mesure de la qualit de chaque individu de la population par le mcanisme d'valuation, la slection des individus pour une ventuelle volution et la gnration de nouveaux individus par recombinaisons d'individus slectionns. Une condition darrt indique la fin de ce processus. Le premier chapitre de ce mmoire propose, dans un premier temps, une vue densemble sur les problmes dordonnancement des systmes de production et sur leur complexit. Ainsi les diffrentes composantes de lordonnancement sont prsentes et les types dateliers pouvant les caractriser introduits. Diffrentes reprsentations possibles des problmes dordonnancement sont par la suite proposes. Dans un deuxime temps, nous focalisons notre attention sur la prsentation des diffrentes mthodes doptimisation allant des mthodes

12

Introduction Gnrale

exactes aux mthodes approches indiquant celles qui sont les plus utilises dans la littrature. En conclusion ce chapitre, la problmatique relative lordonnancement en industries pharmaceutiques et des critres minimiser est prsente. Dans la premire partie du deuxime chapitre, les spcificits et les diffrents problmes rencontrs dans un atelier de conditionnement en industries pharmaceutiques sont introduits. Les lignes de conditionnement composant le poste en question sont dtailles nous amenant ainsi nous intresser aux ateliers de type flow-shop dont elles font partie. La deuxime partie, quant elle traite de la rsolution du problme multi-objectifs pos en utilisant la mthode des algorithmes gntiques. Un Codage spcifique est recherch pour permettre la meilleure reprsentation possible du problme trait. tel-00577101, version 1 - 16 Mar 2011 Deux exemples sont par la suite traits, et les rsultats relatifs consigns pour leur comparaison ultrieure avec la mthode doptimisation par essaim particulaire au niveau du chapitre suivant. Dans le troisime chapitre, la mthode doptimisation par essaim particulaire est introduite et son utilisation dans le cas continu prsente. La formulation de cette mthode est, par la suite, modifie pour permettre son adaptation au cas discret. Dans une premire partie, trois exemples traitant de lordonnancement job-shop flexible ont t traits et compars avec des rsultats obtenus par utilisation des algorithmes gntiques. Dans une deuxime partie, nous revenons au problme dordonnancement en industries pharmaceutiques trait au deuxime chapitre pour effectuer une comparaison des rsultats obtenus.

13

Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit

Chapitre I
Ordonnancement : spcificits, ateliers, mthodes et complexit

tel-00577101, version 1 - 16 Mar 2011

I.1 - Introduction
La ralisation dun projet ncessite souvent une succession de tches auxquelles sattachent certaines contraintes : de temps, relatives aux dlais respecter pour lexcution des tches, dantriorit, o certaines tches doivent sexcuter avant dautres, de production, concernant le temps doccupation du matriel ou des hommes qui lutilisent, ... Les techniques dordonnancement dans le cadre de la gestion dun projet ont pour objectif de rpondre au mieux aux besoins exprims par un client, au meilleur cot et dans les meilleurs dlais, en tenant compte des diffrentes contraintes. Lordonnancement se droule en trois tapes qui sont: -

la planification, qui vise dterminer les diffrentes oprations raliser, les dates correspondantes, et les moyens matriels et humains y affecter. lexcution, qui consiste mettre en uvre les diffrentes oprations dfinies dans la phase de planification. le contrle, qui consiste effectuer une comparaison entre planification et excution, soit au niveau des cots, soit au niveau des dates de ralisation.

14

Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit

Ainsi, le rsultat dun ordonnancement est un calendrier prcis de tches raliser qui se dcompose en trois importantes caractristiques : laffectation, qui attribue les ressources ncessaires aux tches, le squencement, qui indique lordre de passage des tches sur les ressources, le datage, qui indique les temps de dbut et de fin dexcution des tches sur les ressources. Dans ce chapitre, quelques gnralits sur les problmes dordonnancement dans les ateliers de production dont les spcificits : les types dateliers, les critres doptimisation et la complexit sont introduites. Dans un deuxime temps, une description des principales mthodes doptimisation utilises dans la littrature est ralise nous permettant ainsi de prsenter celles que nous utiliserons dans la suite de ce rapport. tel-00577101, version 1 - 16 Mar 2011

I.2 - Gnralits sur lordonnancement


Lordonnancement est une branche de la recherche oprationnelle et de la gestion de la production qui vise amliorer lefficacit dune entreprise en termes de cots de production et de dlais de livraison. Les problmes dordonnancement sont prsents dans tous les secteurs dactivits de lconomie, depuis lindustrie manufacturire [Pinedo, 55] jusqu linformatique [Blazewicz et al, 96]. Ordonnancer le fonctionnement dun systme industriel de production consiste grer lallocation des ressources au cours du temps, tout en optimisant au mieux un ensemble de critres [Rodammer et al, 88]. Cest aussi programmer lexcution dune ralisation en attribuant des ressources aux tches et en fixant leurs dates dexcution [Carlier et al, 88]. Ordonnancer peut galement consister programmer lexcution des oprations en leur allouant les ressources requises et en fixant leurs dates de dbut de fabrication. Dune manire plus simple, un problme dordonnancement consiste affecter des tches des ressources des instants donns pour rpondre au mieux aux besoins exprims par un client, au meilleur cot et dans les meilleurs dlais, tout en tenant compte des contraintes. Les problmes dallocation des ressources, dorganisation des tches, de respect des dlais et de prise de dcision en temps requis constituent autant de difficults quil est ncessaire de surmonter dans la gestion des systmes de production en milieu industriel.

15

Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit

Au niveau de lentreprise, lordonnancement concerne plusieurs postes : les ventes, la production, la maintenance, etc. Son rle est de plus en plus important, car il permet une gestion de ces diffrents postes qui peut tre optimale. Pour la bonne gestion de ces postes ainsi que des contraintes pouvant y tre relies, il est ncessaire : de dterminer les diffrentes oprations raliser, les dates correspondantes, les moyens matriels et humains y affecter, dexcuter ces oprations et de contrler les cots qui en dcoulent. Cest ainsi que lordonnancement intervient pour permettre la meilleure gestion possible du systme de production.

tel-00577101, version 1 - 16 Mar 2011

I.3 - Formulation dun problme dordonnancement


Les problmes dordonnancement apparaissent dans tous les domaines : informatique, industrie, construction, administration, etc [Carlier, 88]. Les diffrentes donnes dun problme dordonnancement sont les tches, les ressources, les contraintes et les critres. Ainsi, tant donns un ensemble de tches et un ensemble de ressources, il sagit de programmer les tches et affecter les ressources de faon optimiser un ou plusieurs objectifs (un objectif correspondant un critre de performance), en respectant un ensemble de contraintes. I.3.1 - Les tches Une tche est une entit lmentaire localise dans le temps, par une date de dbut et/ou de fin, et dont la ralisation ncessite une dure pralablement dfinie. Elle est constitue dun ensemble doprations qui requiert, pour son excution, certaines ressources et quil est ncessaire de programmer de faon optimiser un certain objectif. On distingue deux types de tches : o les tches morcelables (premptibles) qui peuvent tre excutes en plusieurs fois, facilitant ainsi la rsolution de certains problmes, o les tches non morcelables (indivisibles) qui doivent tre excutes en une seule fois et ne sont interrompues quune fois termines.

16

Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit

I.3.2 - Les ressources Une ressource est un moyen technique ou humain utilis pour raliser une tche. On trouve plusieurs types de ressources : o les ressources renouvelables, qui, aprs avoir t alloues une tche, redeviennent disponibles (machines, personnel, etc), o les ressources consommables, qui, aprs avoir t alloues une tche, ne sont plus disponibles (argent, matires premires, etc). Qu'elle soit renouvelable ou consommable, la disponibilit d'une ressource peut varier au cours du temps. Par ailleurs, dans le cas des ressources renouvelables, on distingue principalement, les ressources disjonctives qui ne peuvent excuter qu'une tche la fois et tel-00577101, version 1 - 16 Mar 2011 les ressources cumulatives qui peuvent tre utilises par plusieurs tches simultanment mais en nombre limit . I.3.3 - Les contraintes Suivant la disponibilit des ressources et suivant lvolution temporelle, deux types de contraintes peuvent tre distingues [Carlier et al, 88] : contraintes de ressources et contraintes temporelles. o les contraintes de ressources : plusieurs types de contraintes peuvent tre induites par la nature des ressources. A titre dexemple, la capacit limite dune ressource implique un certain nombre, ne pas dpasser, de tches excuter sur cette ressource. Les contraintes relatives aux ressources peuvent tre disjonctives, induisant une contrainte de ralisation des tches sur des intervalles temporels disjoints pour une mme ressource, ou cumulatives impliquant la limitation du nombre de tches raliser en parallle. o les contraintes temporelles : elles reprsentent des restrictions sur les valeurs que peuvent prendre certaines variables temporelles dordonnancement. Ces contraintes peuvent tre : des contraintes de dates butoirs, certaines tches doivent tre acheves avant une date pralablement fixe, des contraintes de prcdence, une tche i doit prcder la tche j,

17

Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit

des contraintes de dates au plus tt, lies lindisponibilit de certains facteurs ncessaires pour commencer lexcution des tches.

I.3.4 - Les critres Un critre correspond des exigences qualitatives et quantitatives satisfaire permettant dvaluer la qualit de lordonnancement tabli. Les critres dpendant dune application donne sont trs nombreux; plusieurs critres peuvent tre retenus pour une mme application. Le choix de la solution la plus satisfaisante dpend du ou des critres pralablement dfinis, pouvant tre classs suivant deux types, rguliers et irrguliers. Les diffrents critres ne sont pas indpendants; certains mme sont quivalents. Deux tel-00577101, version 1 - 16 Mar 2011 critres sont quivalents si une solution optimale pour lun est aussi optimale pour lautre et inversement [Carlier et al, 88] o Les critres rguliers constituent des fonctions dcroissantes des dates dachvement des oprations. Quelques exemples sont cits ci-dessous: - la minimisation des dates dachvement des actions, - la minimisation du maximum des dates dachvement des actions, - la minimisation de la moyenne des dates dachvement des actions, - la minimisation des retards sur les dates dachvement des actions, - la minimisation du maximum des retards sur les dates dachvement des actions. o Les critres irrguliers sont des critres non rguliers, c'est--dire qui ne sont pas des fonctions monotones des dates de fin dexcution des oprations, tels que: - la minimisation des encours, - la minimisation du cot de stockage des matires premires, - lquilibrage des charges des machines, - loptimisation des changements doutils. La satisfaction de tous les critres la fois est souvent dlicate, car elle conduit souvent des situations contradictoires [Roy et al, 93] et la recherche de solutions des problmes complexes doptimisation.

18

Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit

I.4 - Les ateliers


Une classification des problmes dordonnancement dans un atelier peut soprer selon le nombre de machines et leur ordre dutilisation pour fabriquer un produit, qui dpend de la nature de latelier considr. Un atelier est caractris par le nombre de machines quil contient et par son type. Comme le montre la figure1.1, On distingue les trois types dateliers suivants : flow-shop, job-shop et open-shop, avec des extensions possibles pour chacun deux. I.4.1 - Les ateliers de type flow-shop Appels galement ateliers cheminement unique, ce sont des ateliers o une ligne de tel-00577101, version 1 - 16 Mar 2011 fabrication est constitue de plusieurs machines en srie; toutes les oprations de toutes les tches passent par les machines dans le mme ordre. Dans les ateliers de type flow-shop hybride, une machine peut exister en plusieurs exemplaires identiques fonctionnant en parallle. I.4.2 - Les ateliers de type job-shop Appels galement ateliers cheminement multiple, ce sont des ateliers o les oprations sont ralises selon un ordre bien dtermin, variant selon la tche excuter; le job-shop flexible est une extension du modle job-shop classique; sa particularit rside dans le fait que plusieurs machines sont potentiellement capables de raliser un sous-ensemble doprations. I.4.3 - Les ateliers de type open-shop Ce type datelier est moins contraint que celui de type flow-shop ou de type job-shop. Ainsi, lordre des oprations nest pas fix a priori; le problme dordonnancement consiste, dune part, dterminer le cheminement de chaque produit et, dautre part, ordonnancer les produits en tenant compte des gammes trouves, ces deux problmes pouvant tre rsolus simultanment. Compar aux autres modles dateliers, lopen-shop nest pas couramment utilis dans les entreprises.

19

Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit

tel-00577101, version 1 - 16 Mar 2011

Figure 1. 1 - Classification des types dateliers

I.5 - Reprsentation des problmes dordonnancement


Il existe trois sortes de reprsentations possibles dun problme dordonnancement: le diagramme de Gantt, le graphe Potentiel-Tches et la mthode PERT. I.5.1 - Le diagramme de Gantt Le diagramme de Gantt est un outil permettant de modliser la planification des tches ncessaires la ralisation d'un projet. Il s'agit d'un outil labor en 1917 par Henry L. Gantt. Etant donn la facilit relative de lecture des diagrammes de Gantt, cet outil est utilis par la quasi-totalit des chefs de projet dans tous les secteurs. Il permet de reprsenter graphiquement l'avancement du projet et constitue galement un bon moyen de communication entre les diffrents acteurs d'un projet. Le diagramme de Gantt prsente en ordonne la liste des tches, notes Ti excuter par les machines notes Mj et en abscisse lchelle du temps, comme le montre la figure 1.2 dans le cas o i = 1,2,,5 et j = 1,2.

20

Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit

Figure 1. 2 - Diagramme de Gantt dun ordonnancement

I.5.2 - Graphe Potentiel-Tches tel-00577101, version 1 - 16 Mar 2011 Cette outil graphique a t dvelopp grce la thorie des rseaux de Ptri qui ont surtout servi modliser les systmes dynamiques vnements discrets [Carlier et al, 84]. Dans ce genre de modlisation, les tches sont reprsentes par des nuds et les contraintes par des arcs [Roy 70], comme le montre la figure 1.3. Ainsi, les arcs peuvent tre de deux types : les arcs conjonctifs illustrant les contraintes de prcdence et indiquant les dures des tches, les arcs disjonctifs indiquant les contraintes de ressources [Gotha, 93], [Jain et al, 99].

Exemple de graphe potentiel-tches


Tableau 1. 1 - Donnes utilises pour la ralisation dun graphe potentiel-tches

Tches Dures Contraintes a b c d e f 6 mois 3 mois 6 mois 2 mois 4 mois 3 mois b acheve b acheve d et a acheves

21

Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit

Pour qu'une tche puisse commencer, il est ncessaire que toutes les tches qui la relient la tche du dbut S du projet, soient ralises. On dfinit donc : la date au plus tt de la tche, qui correspond la date de dbut, au plus tt, de l'excution de la tche. Exemple : la tche f ne peut s'excuter que si a et d ont t ralises. Donc, pour excuter a il faut 6 mois et pour excuter d il faut 2+3 mois. La tche f ne pourra commencer au plus tt que 6 mois aprs le dbut du projet: c'est donc le plus long chemin entre a et f. la dure du projet, qui correspond au plus long chemin entre S (tche de dbut du projet) et S (tche de fin du projet).

tel-00577101, version 1 - 16 Mar 2011

Figure 1. 3 - Graphe Potentiel-Tches d'un ordonnancement

I.5.3 - Mthode PERT (Program Evaluation and Research Task) Cette reprsentation, semblable la prcdente, permet de reprsenter une tche par un arc, auquel est associ un chiffre qui reprsente la dure de la tche. Entre les arcs, figurent des cercles, appels sommets ou vnements, qui marquent laboutissement dune ou de plusieurs tches. Ces cercles sont numrots afin de suivre lordre de succession des divers vnements. Les mthodes graphiques ont connu une trs importante volution surtout avec lapparition des Rseaux de Ptri (RdP) [Chrtienne, 83], [Carlier et al, 84], qui permettent de traduire plusieurs notions fondamentales ayant un lien avec les problmes dordonnancement, telles que :

22

Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit

les conflits sur les ressources, les dures opratoires certaines, les dures opratoires alatoires, les gammes, les disponibilits, les multiplicits et les capacits de ressources la rptitivit, etc

I.6 - Complexit des problmes dordonnancement


Dune manire gnrale, les problmes dordonnancement dateliers tant des problmes combinatoires difficiles, il nexiste pas de mthodes universelles permettant de rsoudre tous les cas. tel-00577101, version 1 - 16 Mar 2011 Plusieurs algorithmes peuvent tre utiliss pour rsoudre un problme dordonnancement mais tous ne sont pas quivalents. On peut diffrencier les divers algorithmes de rsolution par le moyen des critres suivants : o l'efficacit de l'algorithme en terme de dure d'excution; un algorithme est dit plus efficace qu'un autre si pour les mmes donnes, il s'excute en un laps de temps plus court; o l'efficacit de l'algorithme en espace mmoire de stockage; un algorithme est dit plus efficace qu'un autre si pour rsoudre le mme problme, il utilise moins d'espace mmoire; o la fiabilit de l'algorithme; plus un programme est complexe, plus il y a des risques d'existence de bugs, les bugs tant des erreurs plus ou moins videntes qui se manifestent lors de la mise en exploitation dun programme. Un programme est jug plus fiable ou plus stable qu'un autre s'il prsente moins de bugs; o la robustesse de l'algorithme; elle mesure son degr de tolrance aux erreurs des utilisateurs et sa rsistance aux attaques des pirates; un programme est plus robuste qu'un autre s'il rsiste mieux aux erreurs de manipulations des utilisateurs plus ou moins bien attentionns. Il est noter qu'il n'y a pas de mthode ou d'chelle de mesure permettant d'valuer la fiabilit ou la robustesse d'un algorithme. C'est l'usage que ces qualits sont mesures. Par contre, il existe des mthodes rationnelles et rigoureuses pour valuer l'efficacit en temps ou en espace

23

Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit

d'un algorithme. Ces mthodes d'valuation portent le nom d'analyse de complexit des algorithmes. Deux types de complexit peuvent tre cits: o la complexit mthodologique, qui exprime une fonction du nombre doprations lmentaires de calcul effectues par la mthode ou par lalgorithme de rsolution en fonction du nombre des donnes du problme trait, o la complexit problmatique, lie la difficult du problme rsoudre et au nombre des oprations lmentaires quun algorithme dterministe peut effectuer pour trouver loptimum en fonction de la taille du problme. Selon son degr de complexit, un problme peut appartenir lune des quatre classes suivantes [Sakarovitch 84] : tel-00577101, version 1 - 16 Mar 2011

les problmes les plus difficiles, qui sont des problmes pour lesquels il nexiste aucune mthode de rsolution; ils sont dits indcidables, les problmes de la classe P, dits polynomiaux, sil existe un algorithme de complexit polynomiale pour leur rsolution, les problmes de la classe NP, dits problmes NP-difficiles, qui ne peuvent priori tre rsolus en un temps polynomial que par des mthodes approches (heuristiques); au cours de leur excution, ces algorithmes font des choix dont loptimalit nest pas dmontrable,

les problmes NP-Complets, qui rpondent la dfinition suivante : un problme de dcision A est dit NP-Complet sil appartient la classe NP et si pour tout A de NP : - il existe une application polynomiale qui transforme toute instance I de A en une instance I de A, - A admet une rponse "oui" pour linstance I, si et seulement si A admet une rponse "oui" pour linstance I. Autrement dit, sil existe un algorithme polynomial pour rsoudre A, alors, pour tout le reste des problmes de la classe, il existe des algorithmes polynomiaux pour les rsoudre.

24

Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit

I.7 - Mthodes doptimisation


Etant donns un ensemble de tches et un ensemble de ressources, il est ncessaire de programmer les tches et daffecter les ressources de faon optimiser un ou plusieurs objectifs (un objectif correspondant un critre de performance), en respectant un ensemble de contraintes. La principale difficult laquelle est confront un dcideur, en prsence dun problme doptimisation est celui du choix dune mthode efficace capable de produire une solution optimale en un temps de calcul raisonnable. Les diffrentes mthodes de rsolution dveloppes peuvent tre classes en deux catgories : les mthodes exactes qui garantissent la compltude de la rsolution et les mthodes approches qui perdent la compltude pour gagner en efficacit. tel-00577101, version 1 - 16 Mar 2011 I.7.1 - Les mthodes exactes On peut dfinir une mthode exacte comme tant une mthode qui fournit une solution optimale pour un problme doptimisation. Lutilisation de ce type de mthodes savre particulirement intressante dans les cas des problmes de petites tailles. La mthode par sparation et valuation (branch and bound) [Le Pape, 95], [Baptiste, 96] constituent certainement celles qui sont les plus utilises pour rsoudre les problmes doptimisation multi-objectifs [Sakarovitch, 84]. Dautres mthodes telles que la programmation linaire ou la programmation dynamique, sont aussi utilises couramment. Toutes ces mthodes examinent dune manire implicite, la totalit de lespace de recherche pour produire la solution optimale. a - La mthode Branch and Bound Lalgorithme Branch and Bound consiste placer progressivement les tches sur les ressources en explorant un arbre de recherche dcrivant toutes les combinaisons possibles. Il sagit de trouver la meilleure configuration donne de manire laguer les branches de larbre qui conduisent de mauvaises solutions. Lalgorithme branch and bound effectue une recherche complte de lespace des solutions dun problme donn, pour trouver la meilleure solution. La dmarche de lalgorithme Branch and Bound consiste [Collette et al, 02] :

25

Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit

diviser lespace de recherche en sous espaces, chercher une borne minimale en terme de fonction objectif associe chaque sous espace de recherche, liminer les mauvais sous-espaces, reproduire les tapes prcdentes jusqu lobtention de loptimum global. b - La programmation dynamique

Elle se base sur le principe de Bellman [Bellman, 86] : Si C est un point qui appartient au chemin optimal entre A et B, alors la portion de ce mme chemin allant de A C est le chemin optimal entre A et C . Cest une mthode qui consiste donc construire dabord les sous-chemins optimaux et ensuite par rcurrence le chemin optimal pour le problme entier. tel-00577101, version 1 - 16 Mar 2011 Cette mthode est destine rsoudre des problmes doptimisation vocation plus gnrale que la mthode de sparation et dvaluation (branch and bound) sans permettre pour autant daborder des problmes de tailles importantes. c - La programmation linaire Cest lune des techniques classiques de recherche oprationnelle. Elle repose sur la mthode du simplexe et les algorithmes de points intrieurs de Karmarkar [Sakarovitch, 84]. Elle consiste minimiser une fonction cot en respectant des contraintes, le critre et les contraintes tant des fonctions linaires des variables du problme [Mellouli et al, 04]. d - Les heuristiques Les heuristiques sont des mthodes empiriques qui donnent gnralement de bons rsultats sans pour autant tre dmontrables. Elles se basent sur des rgles simplifies pour optimiser un ou plusieurs critres. Le principe gnral de cette catgorie de mthodes est dintgrer des stratgies de dcision pour construire une solution proche de celle optimale tout en cherchant avoir un temps de calcul raisonnable [Bel, 01]. Parmi ces stratgies, nous distinguons : FIFO (First In First Out) o la premire tche arrive est la premire tre ordonnance, SPT (Shortest Processing Time) o la tche ayant le temps opratoire le plus court est traite en premier,

26

Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit

LPT (Longest Processing Time) o la tche ayant le temps opratoire le plus important est traite en premier, EDD (Earliest Due Date) o la tche ayant la date due la plus petite est la plus prioritaire,

I.7.2 - Les mthodes approches ou mtaheuristiques Malgr lvolution permanente de linformatique, il existe toujours, pour un problme polynomial, une taille critique au-dessus de laquelle une numration, mme partielle, des solutions admissibles devient prohibitive. Compte tenu de ces difficults, la plupart des spcialistes de loptimisation combinatoire ont orient leurs recherches vers le dveloppement des mtaheuristiques [Widmer, 01]. Une mtaheuristique est souvent dfinie comme une tel-00577101, version 1 - 16 Mar 2011 procdure exploitant au mieux la structure du problme considr, dans le but de trouver une solution de qualit raisonnable en un temps de calcul aussi faible que possible [Nicholson, 71]. Les mtaheuristiques sont ainsi des mthodes de recherche gnrales, ddies aux problmes doptimisation difficile. Elles sont, en gnral, prsentes sous forme de concepts. Les principales mtaheuristiques sont celles bases sur la recherche locale, telles que le recuit simul et la recherche Tabou, et celles bases sur les algorithmes volutionnistes telles que les algorithmes gntiques ainsi que les algorithmes bass sur la recherche globale tels que les algorithmes de colonies de fourmis et les algorithmes reposant sur la mthode doptimisation par essaim particulaire. a - Les mthodes bases sur la recherche locale La recherche locale peut tre rsume comme tant une procdure de recherche itrative qui, partir d'une premire solution ralisable, l'amliore progressivement en appliquant une srie de modifications (ou mouvements) locales, comme montr dans la figure 1.4. Il faut, pour cela introduire une structure de voisinage qui consiste spcifier un voisinage pour chaque solution. Ainsi, chaque itration, la recherche s'oriente vers une nouvelle solution ralisable qui diffre lgrement de la solution courante en remplaant celle-ci par une meilleure situe dans son voisinage. La recherche se termine si un optimum local est rencontr. L'inconvnient important de cette mthode est qu' moins d'tre extrmement chanceux, cet optimum local est souvent une solution assez mdiocre. Dans la recherche locale, la qualit des solutions

27

Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit

obtenues dpend fortement de la richesse de l'ensemble des transformations (mouvements) considres chaque itration. Pour faire face cette limitation, des mthodes de recherche locale plus sophistiques ont t dveloppes au cours de ces vingt dernires annes. Ces mthodes acceptent des solutions voisines moins bonnes que la solution courante afin dchapper aux minima locaux. En rgle gnrale, seule une portion du voisinage courant est explore chaque tape [Widmer, 01]. Les mthodes les plus connues sont le recuit simul [Kirkpatrick et al, 83] et la recherche tabou [Glover, 89], [Glover, 90].

tel-00577101, version 1 - 16 Mar 2011

Figure 1. 4 - Exploration de lespace de recherche dans la mthode de recherche locale

Le recuit simul

Inspir du recuit physique, ce processus est utilis en mtallurgie pour amliorer la qualit dun solide et cherche un tat dnergie minimale qui correspond une structure stable du solide. Ainsi, pour quun mtal retrouve une structure proche du cristal parfait, on porte celuici une temprature leve, puis on le laisse refroidir lentement de manire ce que les atomes aient le temps de sordonner rgulirement. L'algorithme du recuit simul [Kirkpatrick et al, 83], permet de rsoudre les problmes de minima locaux. En effet, une nouvelle solution de cot suprieur celui de la solution courante ne sera pas forcment rejete, son acceptation sera dtermine alatoirement en tenant compte de la diffrence entre les cots ainsi que du facteur temprature T. Ce paramtre, sert prendre en compte le fait que plus le processus d'optimisation est avanc, moins on est prs accepter une solution plus coteuse. Par contre, l'acceptation de solutions 28

Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit

fortement coteuses permet, au dbut, de mieux explorer l'espace des solutions possibles et ainsi, d'accrotre les chances d'approcher le minimum global. Kirkpatrick [Kirkpatrick et al, 83] et Cerny [Cerny, 85] se sont inspirs dune telle technique pour rsoudre des problmes doptimisation combinatoire. Le voisinage N(s) dune solution, sapparente lensemble des tats atteignables depuis ltat courant, en faisant subir des dplacements aux atomes du systme physique. A chaque itration, une seule solution voisine est gnre. Celle-ci est accepte si elle est meilleure que la solution courante. Dans le cas contraire, la nouvelle solution est accepte avec une certaine probabilit qui dpend de limportance de la dtrioration et du paramtre T correspondant la temprature. En rgle gnrale, la temprature est diminue par paliers, chaque fois quun certain nombre ditrations est effectu. La meilleure solution trouve est tel-00577101, version 1 - 16 Mar 2011 mmorise. Lalgorithme est interrompu lorsquaucune solution voisine na t accepte pendant un cycle complet ditrations temprature constante [Widmer, 01]. De nombreuses tudes ont t effectues sur la mthode du recuit simul [Collins et al, 88], [Osman et Christofides, 1994]. En optimisation, le processus du recuit simul rpte une procdure itrative qui cherche des configurations de cots plus faibles tout en acceptant de manire contrle des configurations qui dgradent la fonction de cot [Collette, 02], [Hao, 99]. Ainsi, si une amlioration du critre est constate, le nouvel tat est retenu, sinon une diminution du critre est calcule et le nouvel tat est retenu si p tant un nombre tir de faon alatoire entre 0 et 1, on a exp(-/T) > p. Un algorithme doptimisation par recuit simul se dcompose selon les tapes suivantes [Laquerbe et al, 98] : choix dune fonction optimiser, adoption dun schma de recuit dans lequel sont prciss la temprature initiale, le nombre de configurations gnres chaque temprature et le schma de dcroissance du critre, gnration transitions, choix dun critre dacceptation. Cet algorithme est prsent dans la figure 1.5. stochastique de configurations voisines, correspondant aux

29

Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit

tel-00577101, version 1 - 16 Mar 2011

Figure 1. 5 - Algorithme relatif au fonctionnement gnral du recuit simul

30

Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit

La recherche tabou

Bien que son origine remonte 1977, la recherche tabou nest propose quau milieu des annes 80 par Fred Glover [Glover, 89], [Glover, 90]. Cette mthode, dveloppe pour rsoudre des problmes combinatoires, la plupart NP-difficiles, propose de surmonter le problme des optima locaux par lutilisation dune mmoire. La mthode tabou est une procdure itrative qui, partant dune solution initiale, tente de converger vers la solution optimale en excutant, chaque pas, un mouvement dans lespace de recherche. Chaque pas consiste dabord engendrer un ensemble de solutions voisines de la solution courante pour ensuite en choisir la meilleure, mme si ce choix entrane une augmentation de la fonction objectif minimiser. tel-00577101, version 1 - 16 Mar 2011 En acceptant de dtriorer la valeur de la solution courante, le minimum local peut tre vit mais, en contre partie, des parcours rptitifs sont dplors. Aussi, pour palier linconvnient majeur des mthodes de recherche locale, la recherche tabou a pour but damliorer chaque tape, la valeur de la fonction objectif, en utilisant une mmoire afin de conserver les informations sur les solutions dj visites. Cette mmoire constitue la liste Tabou qui va servir interdire laccs aux dernires solutions visites. Lorsquun optimum local est atteint, il y a interdiction de revenir sur le mme chemin. Un critre daspiration, est galement utilis pour lever linterdiction dutilisation dun mouvement si ce dernier conduit une meilleure solution. Plusieurs stratgies ont t proposes rcemment afin damliorer lefficacit de la mthode tabou. Lintensification et la diversification de la recherche constituent deux dentre elles [Widmer, 01]. Lintensification consiste explorer en dtails une rgion de lespace de recherche juge prometteuse. Sa mise en uvre consiste, le plus souvent, en un largissement temporaire du voisinage de la solution courante dans le but de visiter un ensemble de solutions partageant certaines proprits. La diversification a pour objectif de diriger la procdure de recherche vers des rgions inexplores de lespace de recherche. La stratgie de diversification la plus simple consiste redmarrer priodiquement le processus de recherche partir dune solution, gnre alatoirement ou choisie judicieusement, dans une rgion non encore visite de lensemble des solutions admissibles.

31

Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit

Les domaines dapplication de la recherche tabou sont vastes et varis, ils passent de lordonnancement la robotique, au problme du voyageur de commerce, llectronique voire mme aux applications mdicales, En tenant compte des notations suivantes, les tapes dvolution de lalgorithme sont prsentes dans la figure 1.6. s0 s* : la solution initiale, : la meilleure solution actuelle,

f(x) : la fonction minimiser, f(s*) : la valeur de la fonction minimiser pour obtenir la meilleure solution, T : la liste tabou.

tel-00577101, version 1 - 16 Mar 2011

Figure 1. 6 - Algorithme relatif au fonctionnement gnral de la mthode de recherche tabou

32

Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit

b - Les algorithmes volutionnistes : algorithmes gntiques Contrairement aux mthodes de recherche locale qui font intervenir une solution unique, les mthodes volutives manipulent un groupe de solutions admissibles chacune des tapes du processus de recherche. Lide centrale consiste utiliser rgulirement les proprits collectives dun ensemble de solutions distinguables, appel population, dans le but de guider efficacement la recherche vers de bonnes solutions dans lespace de recherche. En rgle gnrale, la taille de la population reste constante tout au long du processus. Aprs avoir gnr une population initiale de solutions, une mthode volutive tente damliorer la qualit moyenne de la population courante en ayant recours des principes dvolution naturelle [Widmer, 01]. tel-00577101, version 1 - 16 Mar 2011 Parmi les mthodes volutionnistes, nous citons les algorithmes gntiques. Les Algorithmes Gntiques (A.G.) [Holland, 75] sont des algorithmes itratifs dont le but est doptimiser une fonction prdfinie, appele fitness. Pour raliser cet objectif, lalgorithme travaille sur un ensemble de points, appels population dindividus. Chaque individu ou chromosome (chane binaire de longueur finie dans les premires dfinitions) reprsente une solution possible du problme donn. Il est constitu dlments, appels gnes, dont les valeurs sont appeles allles. L'utilisation d'un algorithme gntique ncessite la dfinition, au pralable, d'un espace de recherche dont les lments de base sont les chromosomes et d'une fonction dfinie sur cet espace (fonction fitness) dont la valeur optimale est value en rapport avec les oprateurs de croisement et de mutation choisis [Iyer, 04]. Cinq lments de base sont ncessaires pour lutilisation des algorithmes gntiques [Durand et al, 94] : - un principe de codage des lments de la population, qui consiste associer chacun des points de lespace dtat une structure de donnes, la qualit de ce codage des donnes conditionnant le succs des algorithmes gntiques; bien que le codage binaire ait t trs utilis lorigine, les codages rels sont dsormais largement utiliss, notamment dans les domaines applicatifs pour loptimisation de problmes variables relles, un mcanisme de gnration de la population initiale qui doit tre capable de produire une population dindividus non homogne servant de base pour les gnrations futures;

33

Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit

le choix de la population initiale est important car il influence la rapidit de la convergence vers loptimum global; dans le cas o lon ne dispose que de peu dinformations sur le problme rsoudre, il est essentiel que la population initiale soit rpartie sur tout le domaine de recherche, une fonction optimiser, appele fitness ou fonction dvaluation de lindividu, des oprateurs permettant de diversifier la population au cours des gnrations et dexplorer lespace dtat; loprateur de croisement recompose les gnes dindividus existant dans la population alors que loprateur de mutation garantit lexploration de lespace dtat, - des paramtres de dimensionnement, reprsents par la taille de la population, le nombre total de gnrations, ou le critre darrt, ainsi que les probabilits dapplication des tel-00577101, version 1 - 16 Mar 2011 oprateurs de croisement et de mutation. Lenchanement de ces diffrents lments est reprsent dans la figure 1.6. Cette mthode sera prsente plus en dtail dans le second chapitre de ce mmoire.

34

Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit

tel-00577101, version 1 - 16 Mar 2011

Figure 1. 7 - Fonctionnement gnral dun algorithme gntique

c - Les algorithmes de recherche globale Les algorithmes de colonies de fourmis

Ces algorithmes sont ns la suite de constatations faites sur le comportement des fourmis qui sont capables de trouver le chemin le plus court, du nid une source de nourriture, et de sadapter aux changements de lenvironnement. Les biologistes ont, ainsi, tudi comment les fourmis arrivent rsoudre collectivement des problmes trop complexes pour un seul individu, notamment les problmes de choix lors de

35

Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit

lexploitation des sources de nourriture et ceci grce la phromone (substance leur permettant de laisser une trace sur leur chemin), [Dorigo et al, 97]. Ces algorithmes ont donc pour but de reproduire le comportement naturel des fourmis pour retrouver le meilleur chemin possible vers un objectif donn. Lexemple prsent dans les figures 1.8, 1.9 et 1.10, montre la capacit de cet algorithme se rapprocher de la solution optimale. - Au dpart, les fourmis disposent dun chemin pour aller de leur nid, la fourmilire, la source de nourriture, figure 1.8.

tel-00577101, version 1 - 16 Mar 2011

Figure 1. 8 - Dplacement des fourmis vers une source de nourriture

- Un obstacle est plac entre le nid et la source de nourriture, les fourmis vont alors commencer par se sparer de part et dautre de lobstacle en dposant de la phromone sur leur passage, figure 1.9. Les fourmis les plus rapidement arrives au nid, aprs avoir visit la source de nourriture, sont celles qui ont emprunt les deux branches les plus courtes laller et au retour. Ainsi la quantit de phromone prsente sur le plus court trajet est plus importante que celle prsente sur le chemin le plus long. Or, une piste prsentant une plus grande concentration en phromone, tant plus attirante pour les fourmis, a donc une probabilit plus grande dtre emprunte [Tangour et al, 09].

Figure 1. 9 - Dplacement des fourmis aprs placement d'un obstacle sur leur chemin

36

Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit

- Finalement la quantit de phromone sur le chemin le plus court fait que ce chemin finit par tre emprunt par la plupart les fourmis, figure 1.10.

Figure 1. 10 - Choix du chemin le plus court par la plupart des fourmis

tel-00577101, version 1 - 16 Mar 2011

Les algorithmes doptimisation par essaim particulaire

La mthode dOptimisation par Essaim Particulaire (OEP) a t propose en 1995 par James Kennedy et Russel Eberhart [Kennedy et al, 95] qui cherchaient simuler la capacit des oiseaux voler de faon synchrone et leur aptitude changer brusquement de direction, tout en restant en formation optimale. Le fonctionnement de lOEP fait quelle peut tre classe parmi les mthodes itratives (approche progressive de la solution) et stochastiques (faisant appel au hasard) dans le but damliorer la situation existante en se dplaant partiellement au hasard et partiellement selon des rgles prdfinies, en vue datteindre la solution globale souhaite [Clerc et al, 08]. La mthode doptimisation par essaim particulaire, est une procdure de recherche base sur une population dindividus, appels particules, qui changent leur position (tat) avec le temps. Dans un systme dOEP, les particules se dplacent lintrieur dun espace de recherche. Pendant le dplacement, chaque particule ajuste sa position selon sa propre exprience, et selon l'exprience des particules voisines, se servant de sa meilleure position produite et de celle de ses voisines. Ce comportement est semblable celui du comportement humain consistant prendre des dcisions o les individus considrent leur exprience antrieure et celle des personnes qui les entourent [Kennedy et al, 95]. LOEP peut ainsi combiner des mthodes de recherche locale avec des mthodes de recherche globale (mtaheuristiques). Mme si beaucoup de similitudes existent entre les mthodes volutionnaires et lOEP, cette dernire se distingue par le fait qu'elle n'utilise pas l'oprateur de slection qui choisit les individus gards dans la prochaine gnration.

37

Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit

En effet, tous les membres de la population sont maintenus par le procd de recherche de sorte que l'information soit toujours mise en commun entre les individus pour diriger la recherche vers les meilleures positions trouves dans l'espace de recherche [Deroussi, 06]. Cette mthode est expose plus en dtails dans le troisime chapitre de ce mmoire.

I.8 - Position du problme


La rsolution des problmes rencontrs pour la gestion de leur poste de production, constitue une des principales proccupations des industriels. En effet, comment russir produire le plus possible, le rapidement possible avec le moins de cot possible, le moins darrts possible, le moins de personnel possible tout en respectant toutes les contraintes lies au produit (prcdence, achvement, prissabilit, )? tel-00577101, version 1 - 16 Mar 2011 Notre travail rentre dans ce cadre et consiste donc dvelopper des outils daide lordonnancement permettant la gestion du poste de production et en particulier celui du conditionnement au niveau des industries pharmaceutiques. Il sagit donc, de prendre en considration les diffrentes contraintes relatives aux ressources et aux produits ncessaires ainsi quau temps et ceci pour raliser une optimisation multi-objectifs reposant sur deux objectifs principaux relatifs dune part la minimisation des cots de fabrication et aux cots des temps engendrs par les oprations de nettoyage ainsi que les temps darrt et aux cots de non utilisation des ressources, dautre part. Pour cela, deux mthodes sont utilises et compares: les algorithmes gntiques et les algorithmes doptimisation par essaim particulaire.

I.9 - Conclusion
Aprs la prsentation des problmes dordonnancement et de leurs principales caractrisations, diffrentes mthodes, exactes et approches, pouvant tre utilises pour la rsolution de ces problmes sont introduites dans ce chapitre. Parmi les mthodes exactes, nous avons distingu la programmations linaire, la programmation dynamique et la mthode branch and bound. Parmi les mthodes approches ou mtaheuristiques, nous avons prsent les mthodes de recherche locale telles que le recuit simul ou la mthode de recherche tabou, et les mthodes volutionnistes, telles que les algorithmes gntiques, les algorithmes de colonies de fourmis ou les algorithmes doptimisation par essaim particulaire, rcemment proposs.

38

Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit

La rsolution dun problme dordonnancement en industries pharmaceutiques par lutilisation de la mthode des algorithmes gntiques est propose dans le prochain chapitre et les rsultats obtenus seront compars avec ceux fournis par la mthode doptimisation par essaim particulaire prsente dans le troisime chapitre.

tel-00577101, version 1 - 16 Mar 2011

39

Chapitre II Algorithmes gntiques pour la rsolution de problmes dordonnancement en industries pharmaceutiques

Chapitre II
Algorithmes gntiques pour la rsolution de problmes dordonnancement
tel-00577101, version 1 - 16 Mar 2011

en industries pharmaceutiques

II.1 - Introduction
La rsolution de problmes doptimisation consiste, en rgle gnrale, dfinir une ou plusieurs fonctions objectifs (fonctions cots) minimiser ou maximiser selon le type de problme trait. La dfinition du problme d'optimisation est souvent complte par la donne de contraintes et toutes les solutions retenues doivent respecter ces contraintes, qui peuvent aussi tre vues comme dfinissant l'espace de recherche [Clerc et al, 04]. Les mtaheuristiques permettent de trouver une ou plusieurs solutions proches de loptimum pour des problmes d'optimisations, en tenant compte des fonctions objectifs dfinies. Le principe d'une mtaheuristique est de minimiser ou de maximiser ces fonctions, de trouver un minimum global un problme de minimisation et de ne pas rester bloqu sur un minimum local. Ainsi, les mtaheuristiques ont pour ambition commune de rsoudre au mieux les problmes d'optimisation qualifis de difficiles. Quelque soit la mthode utilise, le choix des critres optimiser continue poser de srieux problmes. Dans une grande partie de la littrature, la rsolution des problmes

40

Chapitre II Algorithmes gntiques pour la rsolution de problmes dordonnancement en industries pharmaceutiques dordonnancement traite surtout le cas mono-objectif. Seulement, de nos jours, diffrents objectifs peuvent tre pris en considration et grs simultanment pour une meilleure optimisation [Chang et al, 07], [Saad et al, 06], [Tangour et al, 06]. Dans ce chapitre, un problme dordonnancement multi-objectifs dun atelier de conditionnement de type flow-shop en industries pharmaceutiques est prsent. Les diffrentes caractristiques et oprations le concernant sont introduites puis sa formulation et sa rsolution par les algorithmes gntiques proposes.

II.2 - Ordonnancement en industries pharmaceutiques


Pour pouvoir faire face la concurrence, les industries pharmaceutiques doivent maintenir un taux de productivit en constante volution; des faiblesses peuvent toutefois apparatre au tel-00577101, version 1 - 16 Mar 2011 niveau du systme de production et plus particulirement au niveau du poste de conditionnement et engendrer des cots de production ainsi que des cots de non utilisation relativement levs. Pour y pallier et rsoudre le problme dordonnancement au niveau de ce poste, plusieurs mthodes doptimisation peuvent tre envisages, parmi lesquelles, on trouve les algorithmes gntiques. II.2.1 - Types de produits utiliss dans les industries pharmaceutiques Pour obtenir la bote de mdicaments parvenant au consommateur, le produit passe par les formes suivantes : les matires premires composes du principe actif (mlange ou compos extrait dune substance vgtale, animale ou de synthse qui confre au mdicament son action pharmacologique), de lexcipient (substance neutre dans laquelle est incorpor un mdicament pour permettre son absorption) et parfois dun colorant, les produits semi-finis qui rsultent de la transformation des matires premires en comprims ou en glules, les articles de conditionnement primaires, en contact direct avec le semi-fini, tels que les bobines daluminium ou de PVC, et les articles de conditionnement secondaires tels que les notices, les vignettes et les tuis en carton, les produits finis qui sont mis disposition du consommateur.

41

Chapitre II Algorithmes gntiques pour la rsolution de problmes dordonnancement en industries pharmaceutiques II.2.2 - Cheminement des produits au niveau des industries pharmaceutiques Les matires premires et les articles de conditionnement primaires et secondaires arrivent au magasin et sont dposs dans une zone de rception, tiquets puis achemins vers une zone de quarantaine en lattente dtre contrls par le service contrle qualit. Sils sont accepts, les produits sont alors stocks dans une zone portant la mention accept avec une tiquette avec la mme mention ; sinon, ils sont dposs dans une zone dite refus. Suivant les plannings tablis, les matires premires et les articles de conditionnement sont livrs par un magasinier au service production en vue dtre traits. tel-00577101, version 1 - 16 Mar 2011 Les matires premires, portant ltiquette accept, sont achemines vers le service des formes solides. Les articles de conditionnement, portant ltiquette accept, sont, au besoin, directement envoys au service conditionnement. Les produits semi-finis, rsultant de la transformation des matires premires au niveau de latelier des formes solides, sont envoys, en fonction du planning, au service conditionnement. Aprs avoir t traits au service conditionnement, les produits finis rsultant de la transformation des semi-finis et des articles de conditionnement, sont envoys au magasin, en attendant dtre transmis aux particuliers (pharmaciens, dlgus mdicaux) ou aux hpitaux. II.2.3 - Spcificits dun atelier de conditionnement Un atelier de conditionnement de produits pharmaceutiques peut contenir une ou plusieurs lignes de conditionnement automatique, qui sont exploites pour transformer les produits semi-finis, en utilisant les articles de conditionnement, en produits finis. Latelier tudi comporte : o deux chanes de conditionnement automatique servant pour lemballage des comprims et glules, o un tapis de conditionnement de produits, o une encartonneuse semi-automatique, o une ligne de vignettage plat des tuis, o un local de prparation, dans lequel on trouve une plieuse de notices et un local doutillage,

42

Chapitre II Algorithmes gntiques pour la rsolution de problmes dordonnancement en industries pharmaceutiques o une laverie, o seffectuent le nettoyage du matriel et les tests dtanchit des blisters, o une zone de pr-stockage de produits semi-finis et semi-conditionns. II.2.4 - Lignes de conditionnement Au niveau de latelier considr, le conditionnement des comprims et des glules est effectu essentiellement sur deux lignes de conditionnement. Une ligne de conditionnement de comprims et de glules est constitue de quatre machines, comme le montre la figure 2.1 : une blistreuse, une encartonneuse, une vignetteuse et une fardeleuse [Boukef et al, 06]. o La blistreuse trate le film PVC en le passant sous une plaque chauffante, permettant tel-00577101, version 1 - 16 Mar 2011 de former de petites alvoles (thermoformage) qui sont alimentes par un chargeur contenant les produits semi-finis. Une autre plaque chauffante a pour rle de sceller la feuille daluminium au-dessus ; les blisters sont ensuite coups et envoys vers lencartonneuse. o Lencartonneuse reoit les quantits de blisters ncessaires selon le format et les introduit dans lemballage en mme temps que la notice. o La vignetteuse reoit les blisters dans leurs botes et colle dessus une vignette imprime. o La fardeleuse regroupe les produits finis en lots ; un oprateur humain se charge de remplir les caisses avec le nombre de produits finis, fix lavance. Pour chacune des lignes de conditionnement, les produits passent par les quatre machines (en srie) dans le mme ordre. Il sagit donc dun atelier de type flow-shop.

43

Chapitre II Algorithmes gntiques pour la rsolution de problmes dordonnancement en industries pharmaceutiques

tel-00577101, version 1 - 16 Mar 2011

Figure 2. 1 - Machines composant une ligne de conditionnement

II.2.5 - Problmes survenant dans un atelier de conditionnement Plusieurs oprations de nettoyage et de changement de format sont grer sur le poste de conditionnement, conjointement aux oprations de production. Les temps improductifs gnrs par ces oprations sont assez importants, compte tenu du fait que le temps de lancement de la fabrication dun produit dpend de celui qui la prcd. Dun produit un autre, le changement entrane, ainsi, certaines modifications au niveau de chacune des machines [Boukef et al, 06]. o Au niveau de la blistreuse, il peut y avoir des changements de chargeur, de brosse, de format, de bobines PVC et Aluminium, etc. o Au niveau de lencartonneuse, les changements consistent en des rglages assez fins qui permettent de passer dun format dtui un autre. o Au niveau de la vignetteuse, il sagit de modifier ldition de la vignette concernant le nom du produit, le prix, le numro de lot, la date limite de sa consommation, etc. o Au niveau de la fardeleuse, et suivant les changements effectus au niveau de lencartonneuse, des rglages sont envisageables pour agrandir ou rtrcir la taille du fardeau.

44

Chapitre II Algorithmes gntiques pour la rsolution de problmes dordonnancement en industries pharmaceutiques Tous les arrts et les changements survenant au cours dune opration doivent tre pris en compte pour permettre un bon ordonnancement du poste de conditionnement.

II.3 - Problmes dordonnancement de type flow-shop


Les problmes d'ordonnancement d'ateliers de type flow-shop, ou ateliers cheminements uniques, sont parmi les problmes les plus connus dans le domaine de l'ordonnancement. Ils ont fait lobjet de nombreuses tudes dont lobjectif principal est la minimisation de la date de fin dexcution [Negenman, 01], [Breit, 06], [Ruiz et al, 06]. Le problme datelier flow-shop auquel nous nous intressons est trait sous une forme multicritres o les objectifs sont la minimisation des cots de fabrication ainsi que la minimisation tel-00577101, version 1 - 16 Mar 2011 des diffrents cots darrt et de non utilisation des lignes de conditionnement. II.3.1 - Prsentation des ateliers de type flow-shop Un problme d'ordonnancement flow-shop met en uvre
m

machines,

notes M 1, M 2,..., Mm , et n produits (tches), notes p1, p 2,..., pn . Chaque produit (tche)

est excut(e) sur la machine M 1 , puis sur M 2 , et ainsi de suite, jusqu' ce qu' la dernire machine. A chaque instant, une machine traite au plus un produit la fois et chaque produit est excut par au plus une machine. La figure 2.2 montre lordre de cheminement des produits dans un atelier classique de type flow-shop.

Figure 2. 2 - Cheminement des produits dans un atelier de type flow-shop

45

Chapitre II Algorithmes gntiques pour la rsolution de problmes dordonnancement en industries pharmaceutiques


II.3.2 - Ordonnancement dateliers de type flow-shop

La rsolution des problmes dordonnancement de type flow-shop a connu plusieurs tapes. Depuis les travaux de Johnson [Johnson, 54], l'objectif le plus vis, dans la rsolution de ces problmes d'ordonnancement est de rduire au maximum le Makespan ou Cmax, temps de fin de fabrication du dernier produit. Diverses approches heuristiques [Dannenbring, 77], [Nawaz, 83], [Osman, 89] et [Widmer et al, 90] ont t proposes pour rduire le Makespan [Murata, 96]. Alors que ces tudes ont eu pour rle de traiter un seul objectif, beaucoup de problmes rels impliquant des objectifs multiples ont t mis de ct. Rcemment, plusieurs travaux de recherche ont abord les problmes d'ordonnancement
tel-00577101, version 1 - 16 Mar 2011

multi-objectifs de type flow-shop [Ho et al, 91], [Gangadhran, et al, 94], [Mabed et al, 01], [Bertel et al, 01], [Neumann et al, 05], [Onwubolu et al, 06]. Nous nous proposons de rsoudre le problme dordonnancement en industries pharmaceutiques dun point de vue multi-objectifs tout en nonant les diffrents critres et contraintes sy rattachant et en utilisant les algorithmes gntiques comme mthode de rsolution.

II.4 - Optimisation mono-objectif / Optimisation multi-objectifs


La rsolution dun problme doptimisation mono-objectif consiste trouver le minimum ou le maximum dune fonction donne. Ce besoin doptimisation vient de la ncessit de fournir lutilisateur un systme qui rponde au mieux ses attentes. Mais parfois, il savre ncessaire doptimiser plusieurs fonctions, do la ncessit de recourir une optimisation multi-objectifs.
II.4.1 - Optimisation mono-objectif

Dun point de vue mathmatique, un problme doptimisation mono-objectif se prsente de la faon suivante :

r minimiser f ( x ) (fonction optimiser)


avec g ( x ) 0 et h ( x ) = 0
r r

r r

r r x n , f ( x ) r r (m contraintes ingalits) g ( x ) m r r (p contraintes galits) h ( x) p

46

Chapitre II Algorithmes gntiques pour la rsolution de problmes dordonnancement en industries pharmaceutiques Il existe deux types de minima : les minima locaux et les minima globaux. - Minimum global r Un point x * est un minimum global de la fonction f , si on a : r r r r f ( x*) p f ( x) x , tel que x* x - Minimum local r Un point x * est un minimum local de la fonction f , si on a : r r r r f ( x*) f ( x) x V ( x*) et x* x r r V ( x*) dfinissant un voisinage de x *

tel-00577101, version 1 - 16 Mar 2011

Figure 2. 3 - Types de minima

Les objectifs les plus rgulirement considrs sont la minimisation de la dure totale de lordonnancement, le respect des dates au plus tard, la minimisation des retards, la minimisation dun cot, la minimisation de la date effective de fin de toutes les oprations,
II.4.2 - Optimisation multi-objectifs

Dun point de vue mathmatique, un problme doptimisation multi-objectifs, se prsente, dans le cas o le vecteur f regroupe k fonctions objectif, de la faon suivante [Collette, 02] :

r r minimiser f ( x ) r r avec g ( x ) 0 r r et h ( x ) = 0

r r r x m , f (x) k r r g(x) m r r h ( x) p

Pour mieux rsoudre ces problmes doptimisation multi-objectifs, il est ncessaire de simplifier les diffrentes fonctions objectif pour faciliter leur traitement.

47

Chapitre II Algorithmes gntiques pour la rsolution de problmes dordonnancement en industries pharmaceutiques Parmi les diffrentes mthodes utilises, la mthode de pondration des fonctions objectif qui se prsente comme suit : A chacune des fonctions objectif, est appliqu un coefficient de pondration et la somme pondre des fonctions objectifs est effectue. Une nouvelle fonction objectif est ainsi obtenue [Collette, 02]. Formulation du problme initial r r r r r minimiser f ( x ) , f ( x ) k , x n
avec g ( x ) 0
tel-00577101, version 1 - 16 Mar 2011
r r

Formulation du problme avec la mthode de pondration des fonctions objectif


k r r minimiser f eq ( x ) = wi f i ( x ) i =1
k

r x n

r r g(x) m r r h (x) p

wi 0 i { 1,..., k r r avec g ( x ) 0 r r et h ( x ) = 0

} et wi
i =1

=1

et h ( x ) = 0

r r

r r g(x) m r r h (x) p

Lavantage de cette approche, qualifie de nave, de loptimisation multi-objectifs, est sa simplicit. Elle est galement trs efficace algorithmiquement compte tenu du fait quelle permet de retrouver la surface de compromis, en faisant varier les coefficients de pondration.

II.5 - Rsolution

dun

problme

dordonnancement

en

industries

pharmaceutiques par les algorithmes gntiques


Dans cette partie, une tude dun problme dordonnancement multi-objectifs dun atelier de type flow-shop en industries pharmaceutiques est propos. Le problme trat est prsent et rsolu par les algorithmes gntiques.
II.5.1 - Prsentation du problme

Avant sa mise sur le march, un produit pharmaceutique passe par plusieurs ateliers : le magasin, latelier des formes solides et latelier de conditionnement dans lequel seffectue la mise en botes des comprims et glules. Ltape de conditionnement, consistant mettre le produit fini en botes est une tape importante, mais qui entrane des retards pouvant engendrer des cots levs.

48

Chapitre II Algorithmes gntiques pour la rsolution de problmes dordonnancement en industries pharmaceutiques En effet, des temps darrts dus des pannes machines ou des arrts obligatoires peuvent survenir lors de lopration de conditionnement, sans compter les temps de nettoyage et de changement de format, devant tre effectus sur les lignes entre le conditionnement de deux produits ainsi que les cots engendrs par la non utilisation de ces lignes. Latelier de conditionnement tudi possde deux lignes de conditionnement L1 et
L2 fonctionnant

en flow-shop puisque chaque produit conditionn passe par lensemble des

machines constituant chaque ligne dans un ordre unique. Loptimisation du passage des produits dans les lignes de conditionnement consiste minimiser les temps de production, et donc les cots qui en dcoulent. Nous nous proposons de mettre en uvre une mthode doptimisation multi-objectifs base sur les algorithmes gntiques pour la rsolution du problme dordonnancement des produits
tel-00577101, version 1 - 16 Mar 2011

pharmaceutiques sur les deux lignes de conditionnement cites ci dessus.


II.5.2 - Formulation du problme

Il sagit, dans un premier temps, dordonnancer seize produits p i , i = 1,...,16 , sur deux lignes de conditionnement L j , j = 1,2 . Par la suite, un problme plus complexe traite lordonnancement de 30 produits sur les deux lignes de conditionnement. Il est noter quune ligne de conditionnement peut fabriquer plusieurs produits. Un produit ne peut tre fabriqu que sur une seule ligne et par respect dun temps de nettoyage entre le conditionnement de deux produits. Des temps darrts peuvent galement tre constats durant le conditionnement dun produit. Pour cela, il faut trouver le meilleur ordonnancement de ces produits sur les deux lignes pour minimiser les cots de production en minimisant les temps darrt, de nettoyage et de non utilisation des lignes.
a - Notations

Oik Pi p ik C Pik
stk CP i

: opration de conditionnement du produit i sur la ligne Lk : produit fini aprs lopration Oik : temps de conditionnement de lopration Oik : temps de fin dexcution de Pi sur la ligne Lk : cot de stockage par unit de temps du produit Pi

49

Chapitre II Algorithmes gntiques pour la rsolution de problmes dordonnancement en industries pharmaceutiques tpi k
arr t ik
nu t ik

: temps de prparation de la ligne Lk avant lopration Oik : temps darrt durant lopration Oik sur la ligne Lk : temps de non utilisation de la ligne Lk avant lopration Oik : cot total de production : cot unitaire de production du produit i sur la ligne Lk : dure des oprations de nettoyage sur la ligne Lk : dure des changements de format sur la ligne Lk : cots darrt et de non utilisation de la ligne Lk par unit de temps : cot total darrt et de non utilisation des lignes par unit de temps
b - Critres minimiser

C tot prod

C kui
nett DOik chf DOik

C arr k
tot C arr

tel-00577101, version 1 - 16 Mar 2011

Dans ce problme, les critres minimiser sont ceux relatifs aux cots de fabrication et aux cots des temps engendrs par les oprations de nettoyage ainsi que des temps darrt et de non utilisation des lignes de conditionnement. Ils sexpriment respectivement par les deux fonctions objectifs suivantes : F1 et F2 , correspondant respectivement au cot total de production et au cot darrt et de non utilisation des lignes de conditionnement.
ui F1 = C tot prod = C k wik p ik k i

(II.1) (II.2)

tot arr nu F2 = Carr = Carrk wik (tpik +t ik ) k i

avec :
chf arr nett tp ik = DO ik + DO ik

1 : si le produit est fabriqu sur la ligne Lk wik = 0 : sinon

c - Fonction fitness optimiser

Etant donn que la minimisation du cot de production est plus importante que la minimisation des cots de non utilisation des lignes de conditionnement, la fonction fitness

50

Chapitre II Algorithmes gntiques pour la rsolution de problmes dordonnancement en industries pharmaceutiques

F minimiser correspond la somme pondre des deux fonctions objectifs F1 et F2 , avec


des poids 1 et 2 dfinis en fonction de limportance de ces deux critres :

F = 1 F1 + 2 F2
tot F = 1C tot prod + 2 C arr

(II.3) (II.4) (II.5)

arr nu + tik F = 1 Cku wik pik + 2 Carrk wik (tpik ) i i k k avec :

i f 0 , i = 1, 2, et 1 + 2 = 1
o les i sont les coefficients qui, peuvent, de plus, par un choix adquat de leurs valeurs, privilgier un critre par rapport un autre.
tel-00577101, version 1 - 16 Mar 2011 II.5.3 - Algorithmes gntiques

Les algorithmes gntiques font partie des algorithmes volutionnistes qui doivent leur nom l'analogie avec les mcanismes d'volution des espces vivantes. Un algorithme volutionniste typique est compos de trois lments essentiels : une population constitue de plusieurs individus reprsentant des solutions potentielles (configurations) du problme donn, un mcanisme d'valuation de ladaptation de chaque individu de la population l'gard de son environnement extrieur et un mcanisme d'volution compos d'oprateurs permettant d'liminer certains individus et de produire de nouveaux individus partir des individus slectionns [Hao, 99].
a - Prsentation des algorithmes gntiques

Depuis l'ide originale propose par Holland, le dveloppement des algorithmes gntiques dans les trois dernires dcennies a connu un essor considrable [Davis, 91], [Goldberg, 94], [Ross, 97], [Knosala et al, 01], [Iyer et al, 04], [Watanabe et al, 05], [Chang et al, 07], [Ruiz et al, 07]. Les algorithmes gntiques sont des techniques de recherche bases sur les mcanismes de la slection naturelle et de la gntique. Ils se sont avrs trs efficaces dans la rsolution des problmes complexes d'optimisation, tels que le problme du voyageur de commerce [Jog, 89], [Starkweather, 91] ou les problmes dordonnancement [Ischibuchi, 94], [Kacem, 03],

51

Chapitre II Algorithmes gntiques pour la rsolution de problmes dordonnancement en industries pharmaceutiques [Mesghouni, 99], l ou les mthodes classiques, telles que l'algorithme branch and bound, ont montr leurs limites.
b - Fonctionnement dun algorithme gntique

Dans la qute de la robustesse et de la solution optimale, ce qui distingue les algorithmes gntiques des mthodes classiques, peut tre formul selon quatre axes principaux : tel-00577101, version 1 - 16 Mar 2011

les algorithmes gntiques utilisent un codage des paramtres et non les paramtres eux-mmes, ils travaillent sur une population de points et non sur un point unique, ils nutilisent que les valeurs de la fonction tudie, pas de sa drive ou dune autre connaissance auxiliaire, ils utilisent des rgles de transition probabilistes et non dterministes [Goldberg, 94].

Ainsi, la premire tape dans l'application d'un algorithme gntique un problme particulier consiste convertir les solutions ralisables de ce problme dans une structure, appele chromosome. Afin de trouver la solution optimale dun problme donn, un algorithme gntique standard commence par la production alatoire d'un ensemble de solutions (chromosomes), appel population initiale, et volue vers des solutions diffrentes, mais meilleures, au fil des gnrations. Dans chaque gnration, la fonction objectif, ou fitness, dtermine les chromosomes choisir pour la reproduction. L'algorithme choisit, ainsi, les meilleurs chromosomes (ayant les meilleures fonctions fitness). Les oprateurs gntiques, tels que le croisement et la mutation, sont appliqus ces chromosomes. Les nouveaux chromosomes (descendants) ainsi produits, constituent la gnration suivante. Ces itrations continuent jusqu' ce que le critre d'arrt soit satisfait.
c - Codage des algorithmes gntiques

Le codage des solutions du problme doptimisation, obtenues en utilisant les algorithmes gntiques, consiste modliser chaque solution par un chromosome, c'est--dire par une squence de gnes. Initialement, le codage utilis par les algorithmes gntiques tait reprsent sous forme de chanes de bits contenant toute linformation ncessaire la description dun point dans lespace dtat.

52

Chapitre II Algorithmes gntiques pour la rsolution de problmes dordonnancement en industries pharmaceutiques Ce type de codage a pour intrt de permettre de crer des oprateurs de croisement et de mutation simples. Cest galement en utilisant ce type de codage que les premiers rsultats de convergence thorique ont t obtenus [Durand, 94]. Plus gnralement, les gnes peuvent tre des entiers, des rels, des caractres ou toute autre extension ou ensemble de ces entits lmentaires [Kacem, 03]. Le choix adquat du codage, ou de la description de la solution, est une tche importante pouvant garantir la russite de lapplication des algorithmes gntiques [Gargouri, 03].
d - Oprateurs des algorithmes gntiques

Deux oprateurs permettant la diversification de la population et son volution sont utiliss par les algorithmes gntiques : loprateur de croisement et loprateur de mutation.
tel-00577101, version 1 - 16 Mar 2011

Loprateur de croisement a pour but denrichir la diversit de la population en manipulant la


structure des chromosomes. Classiquement, les croisements sont envisags avec deux parents et gnrent deux enfants, comme le montre la figure 2.4. Cet oprateur assure donc le brassage et la recombinaison des gnes parentaux, permettant, ainsi, de former des descendants aux potentialits nouvelles. Etant alatoire, cet oprateur agit selon une probabilit p fixe par lutilisateur, en fonction du problme optimiser [Mesghouni, 99].

Figure 2. 4 - Fonctionnement de loprateur de croisement

53

Chapitre II Algorithmes gntiques pour la rsolution de problmes dordonnancement en industries pharmaceutiques

Loprateur de mutation consiste changer, alatoirement, la valeur de certains gnes dans un


chromosome, comme le montre la figure 2.5. Sans elle, la population reste uniforme et risque de devenir incapable dvoluer.

Figure 2. 5 - Fonctionnement de loprateur de mutation

tel-00577101, version 1 - 16 Mar 2011

Un codage et des oprateurs de croisement et de mutation sont proposs et utiliss, dans ce qui suit, pour la mise en uvre et la rsolution du problme dordonnancement flow-shop en industries pharmaceutiques.
II.5.4 - Codage CLOS propos

Le codage des lments de la population initiale est une tape importante dans la mise en uvre des algorithmes gntiques. Le codage pris en compte dans le problme dordonnancement en industries pharmaceutiques, considr dans cette tude, est le Codage en Liste des Oprations Structur (CLOS) [Boukef et al, 06], [Boukef et al, 07]. Dans le cas de plusieurs machines, ce codage consiste proposer, pour chaque individu, une structure de donnes contenant le numro de la machine sur laquelle le produit est trait ainsi que ses dates de dbut et de fin de fabrication (tableau 2.1). La formulation de ce codage utilise les notations suivantes :

nLi : le numro de la ligne de conditionnement sur laquelle est fabriqu le produit Pi, ti Ci F
: le temps de dbut de fabrication du produit Pi, : le temps de fin de fabrication du produit Pi, : la fonction fitness optimiser.

54

Chapitre II Algorithmes gntiques pour la rsolution de problmes dordonnancement en industries pharmaceutiques


Tableau 2. 1 - Codage CLOS pour n lignes et m produits pour un individu i donn

Produit1 Produit2

nL1 nL2

t1 t2

C1 C2 F

Produitj

nLj

tj

Cj

Produitm

nLn

tn

Cn

II.5.5 - Oprateurs proposs tel-00577101, version 1 - 16 Mar 2011

Les oprateurs utiliss par les algorithmes gntiques permettent de diversifier la population au cours des gnrations et dexplorer lespace dtat, reprsent par lespace des solutions. Loprateur de croisement recompose les gnes dindividus existant dans la population, quant loprateur de mutation, il a pour but de garantir lexploration de lespace dtat. Ces diffrents oprateurs proposs pour la rsolution du problme trait, sont prsents dans ce qui suit.
a - Oprateur de slection

La slection permet d'identifier statistiquement les meilleurs individus d'une population et d'liminer partiellement les mauvais. Nanmoins, ce nest pas parce quun individu est bon quil survit ncessairement et ce nest pas parce quil est mauvais quil disparat. En effet, bien souvent, une espce bien adapte peut descendre dun individu dcrt mauvais . Il existe diffrents principes de slection, dont le principe de la roulette pondre [Goldberg, 94]. Il sagit dune roulette sur laquelle sont placs tous les chromosomes de la population, la place accorde chacun des chromosomes tant en relation avec sa valeur d'adaptation (sa fonction fitness). Ensuite, une bille est lance et s'arrte sur un chromosome. Les meilleurs chromosomes peuvent ainsi tre tirs plusieurs fois et les plus mauvais ne jamais tre slectionns. Le principe de la roulette pondre est expliqu dans les figures 2.6, 2.7 et 2.8 suivantes.

55

Chapitre II Algorithmes gntiques pour la rsolution de problmes dordonnancement en industries pharmaceutiques

Figure 2. 6 - Placement des chromosomes sur la roulette la roulette

tel-00577101, version 1 - 16 Mar 2011

Figure 2. 7 - Lancement dune bille sur la roulette

Figure 2. 8 - Arrt de la bille sur un chromosome, ici, sur celui ayant la meilleure fitness

b - Oprateur de croisement

Le croisement a pour but denrichir et de diversifier la population en manipulant la structure des chromosomes.
o Loprateur de croisement un point propos consiste choisir deux parents et un

point de croisement. Le parent 1 (respectivement le parent 2) reoit les chromosomes du parent 2 (respectivement du parent 1) qui suivent le point de croisement, comme le montre la figure 2.9. Une mise jour est ensuite effectue pour le calcul de la fonction fitness.

56

Chapitre II Algorithmes gntiques pour la rsolution de problmes dordonnancement en industries pharmaceutiques

Figure 2. 9 - Fonctionnement de l'oprateur de croisement un point

tel-00577101, version 1 - 16 Mar 2011

o Loprateur de croisement deux points propos, consiste choisir deux parents et

deux points de croisement. Le parent 1 (respectivement le parent 2) reoit les chromosomes du parent 2 (respectivement du parent 1) qui prcdent le premier point de croisement et qui suivent le deuxime, comme le montre la figure 2.10. Une mise jour est ensuite effectue pour le calcul de la fonction fitness.

Figure 2. 10 - Fonctionnement de l'oprateur de croisement deux points

57

Chapitre II Algorithmes gntiques pour la rsolution de problmes dordonnancement en industries pharmaceutiques

c - Oprateur de mutation

Les proprits de convergence des algorithmes gntiques sont fortement dpendantes de loprateur de mutation. En effet, cet oprateur permet lalgorithme gntique datteindre tous les points de lespace dtat, sans pour autant les parcourir tous, dans le processus de rsolution [Durand, 94].
o Loprateur de mutation un point propos, consiste choisir un produit fabriqu par

une ligne de conditionnement et le transfrer sur lautre ligne, comme le montre la figure 2.11. Une mise jour est ensuite effectue conduisant une modification de la fonction fitness.
tel-00577101, version 1 - 16 Mar 2011

Figure 2. 11 - Fonctionnement de l'oprateur de mutation un point

o Loprateur de mutation deux points propos, consiste choisir deux produits

fabriqus sur deux lignes de conditionnement diffrentes et inverser les numros des lignes, tel que le montre la figure 2.12.

Figure 2. 12 - Fonctionnement de l'oprateur de mutation deux points propos

II.5.6 - Algorithme propos

Les tapes dcrites ci-aprs, expliquent en dtail le fonctionnement des diffrents oprateurs de lalgorithme gntique appliqu aux problmes dordonnancement et plus particulirement ceux des industries pharmaceutiques.

58

Chapitre II Algorithmes gntiques pour la rsolution de problmes dordonnancement en industries pharmaceutiques


Dbut Pour un nombre ditrations choisis Crer (population initiale)

Choisir une probabilit p


Pour i = 0 nbre_individus 1 Slectionner individu1 Si individu1(i).prob < p Alors

Appliquer oprateur de mutation individu1 Sinon


Pour j =0 nbre_individus - 1

Selectionner individu2 tq individu1 individu2


Si individu2(j).prob < p Alors tel-00577101, version 1 - 16 Mar 2011

Appliquer oprateur de mutation individu1


Sinon

Appliquer les oprateurs de croisement un point et deux points aux individus 1 et 2


Fin Si Fin Pour Fin Si

Mettre jour la population dindividus


Fin Pour

Trouver la meilleure fonction fitness Enregistrer le meilleur individu


Fin Pour Fin

La dmarche de cet algorithme est propose dans la figure 2.13 ci-dessous.

59

Chapitre II Algorithmes gntiques pour la rsolution de problmes dordonnancement en industries pharmaceutiques

tel-00577101, version 1 - 16 Mar 2011

Figure 2. 13 - Etapes de mise en uvre de lalgorithme gntique propos

II.6 - Simulation et rsultats


Deux exemples, traitant de problmes rels rencontrs dans une industrie pharmaceutique comportant deux lignes de conditionnement (L1 et L2) sont prsents dans cette partie. Ces problmes consistent ordonnancer respectivement 16 et 30 produits sur les deux lignes L1 et L2 pour montrer le comportement des algorithmes gntiques face deux problmes de tailles et de complexits diffrentes. Les donnes de ces problmes dordonnancement de type flow-shop en industries pharmaceutiques sont prsentes dans les tableaux 2.2 et 2.3.

60

Chapitre II Algorithmes gntiques pour la rsolution de problmes dordonnancement en industries pharmaceutiques Elles sont relatives aux temps de nettoyage (tn_Li), temps darrt (ta_Li), temps de production (tp_Li), cots de production (Cp_Li) et aux cots de non utilisation (Cnu_Li) des produits

(Nom_pr) de chacune des deux lignes de conditionnement L1 et L2.


II.6.1 - Exemple de 16 produits traits sur 2 lignes de conditionnement

Les temps de production (tp_Li), darrt (ta_Li) et de nettoyage (tn_Li), indiqus dans le tableau 2.2, sont en heures et les diffrentes dates sont calcules partir dun temps initial t0. Prenant en compte les donnes prsentes, les cots de production (Cp_Li) et de non utilisation des lignes (Cnu_Li) sont calculs en fonction des formules II.1 et II.2 et la fonction fitness dduite partir de la formule II.5 du paragraphe II.5.2.
tel-00577101, version 1 - 16 Mar 2011
Tableau 2. 2 - Donnes relatives un problme dordonnancement 16x2

en industries pharmaceutiques

Nom_pr pr1 pr2 pr3 pr4 pr5 pr6 pr7 pr8 pr9 pr10 pr11 pr12 pr13 pr14 pr15 pr16

tn_Li ta_Li tp_Li Cp_Li Cnu_Li 3/2,5 3/2 42/30 5/5,5 3,5/2 2,5/3 4/4 30/30 5/5,5 3,5/2 4/3 2/3 40/40 5/5,5 3,5/2 3/3 4/4 18/22 5/5,5 3,5/2 2/2,5 3/2 15/25 5/5,5 3,5/2 4/2,5 3/2 42/30 5/5,5 3,5/2 2,5/3 4/4 30/30 5/5,5 3,5/2 2/3 2/3 40/40 5/5,5 3,5/2 3,5/3 4/4 17/25 5/5,5 3,5/2 2/2,5 3/2 15/20 5/5,5 3,5/2 3/3 4/4 30/30 5/5,5 3,5/2 4/3 2/3 40/40 5/5,5 3,5/2 3,5/3 4/4 18/20 5/5,5 3,5/2 2/2,5 3/2 15/12 5/5,5 3,5/2 3/2,5 3/2 40/30 5/5,5 3,5/2 2,5/3 4/4 30/32 5/5,5 3,5/2

Les algorithmes gntiques, utilisant le codage CLOS sont appliqus en vue dobtenir le meilleur ordre de passage des produits pour minimiser la fonction objectif F. Ainsi, pour 500 gnrations et une population de 20 individus par gnration, les oprateurs de croisement et de mutation sont appliqus, gnrant de nouveaux individus dont les nouveaux cots sont calculs jusqu lobtention du meilleur individu avec le cot le plus bas.

61

Chapitre II Algorithmes gntiques pour la rsolution de problmes dordonnancement en industries pharmaceutiques Le meilleur individu pour lequel le minimum global, 1260, est obtenu est prsent dans la figure 2.14. Les diffrents types de minima sont ainsi illustrs avec pour chacun la fonction fitness correspondante et une convergence la 445me gnration.

tel-00577101, version 1 - 16 Mar 2011

Figure 2. 14 - Evolution des cots travers les gnrations pour le problme dordonnancement 16x2 en industries pharmaceutiques

Le diagramme de Gantt prsent dans la figure suivante correspond au meilleur minimum obtenu aprs application des algorithmes gntiques sur le problme 16 x 2. Nous obtenons, ainsi, une rpartition assez quilibre des seize produits sur les deux lignes de conditionnement avec un Cmax de 230.

Figure 2. 15 Diagramme de Gantt relatif au meilleur individu pour le problme 16 x 2 utilisant les algorithmes gntiques

62

Chapitre II Algorithmes gntiques pour la rsolution de problmes dordonnancement en industries pharmaceutiques


II.6.2 - Exemple de 30 produits traits sur 2 lignes de conditionnement

Les temps de production (tp_Li), darrt (ta_Li) et de nettoyage (tn_Li) indiqus dans le tableau 2.3 sont en heures et les diffrentes dates sont calcules partir dun temps initial t0. Prenant en compte les donnes prsentes, les cots de production (Cp_Li) et de non utilisation des lignes (Cnu_Li) sont calculs en fonction des formules 1 et 2 et la fonction fitness dduite partir de la relation II.5.
Tableau 2. 3 - Donnes relatives un problme dordonnancement 30x2 en industries pharmaceutiques

Nom_pr pr1 pr2 pr3 pr4 pr5 pr6 pr7 pr8 pr9 pr10 pr11 pr12 pr13 pr14 pr15 pr16 pr17 pr18 pr19 pr20 pr21 pr22 pr23 pr24 pr25 pr26 pr27 pr28 pr29 pr30

tn_Li ta_Li tp_Li Cp_Li Cnu_Li 3/2,5 3/2 42/30 5/5,5 3,5/2 2,5/3 4/4 30/30 5/5,5 3,5/2 4/3 2/3 40/40 5/5,5 3,5/2 3/3 4/4 18/22 5/5,5 3,5/2 2/2,5 3/2 15/25 5/5,5 3,5/2 4/2,5 3/2 42/30 5/5,5 3,5/2 2,5/3 4/4 30/30 5/5,5 3,5/2 2/3 2/3 40/40 5/5,5 3,5/2 3,5/3 4/4 17/25 5/5,5 3,5/2 2/2,5 3/2 15/20 5/5,5 3,5/2 3/3 4/4 30/30 5/5,5 3,5/2 4/3 2/3 40/40 5/5,5 3,5/2 3,5/3 4/4 18/20 5/5,5 3,5/2 2/2,5 3/2 15/12 5/5,5 3,5/2 3/2,5 3/2 40/30 5/5,5 3,5/2 2,5/3 4/4 30/32 5/5,5 3,5/2 3/2 3/4 60/65 5/5,5 3,5/2 2,5/4 3/2 35/30 5/5,5 3,5/2 4/4 3/3 40/40 5/5,5 3,5/2 3/4 4/3 45/50 5/5,5 3,5/2 4/3,5 3/4 30/32 5/5,5 3,5/2 3/3,5 2/3 44/37 5/5,5 3,5/2 4/2 4/3 37/40 5/5,5 3,5/2 3,5/3 3/4 45/45 5/5,5 3,5/2 3/3 3/2 13/12 5/5,5 3,5/2 2/2 4/4 27/25 5/5,5 3,5/2 2/2 4/3 30/33 5/5,5 3,5/2 2,5/3 2/3 10/13 5/5,5 3,5/2 4/3,5 2/2 31/30 5/5,5 3,5/2 3,5/3 2/2 29/25 5/5,5 3,5/2

tel-00577101, version 1 - 16 Mar 2011

63

Chapitre II Algorithmes gntiques pour la rsolution de problmes dordonnancement en industries pharmaceutiques Les algorithmes gntiques, utilisant le codage CLOS sont appliqus en vue dobtenir le meilleur ordre de passage des produits pour minimiser la fonction objectif F. Ainsi, pour 500 gnrations et une population de 20 individus par gnration, les oprateurs de croisement et de mutation sont appliqus, gnrant de nouveaux individus dont les nouveaux cots sont calculs jusqu lobtention du meilleur individu avec le cot le plus bas. Le meilleur individu pour lequel le minimum global est obtenu est prsent dans la figure 2.15. Les diffrents types de minima sont ainsi illustrs avec pour chacun la fonction fitness correspondante et une convergence la 161me gnration.

tel-00577101, version 1 - 16 Mar 2011

Figure 2. 16 - Evolution des cots travers les gnrations pour le problme dordonnancement 30x2 en industries pharmaceutiques

Le diagramme de Gantt prsent dans la figure suivante reprsente le meilleur minimum obtenu aprs application des algorithmes gntiques sur le problme 30 x 2. Nous obtenons, ainsi, une rpartition des trente produits sur les deux lignes de conditionnement avec un Cmax de 502.

64

Chapitre II Algorithmes gntiques pour la rsolution de problmes dordonnancement en industries pharmaceutiques

Figure 2. 17 Diagramme de Gantt relatif au meilleur individu pour le problme 30 x 2 utilisant les algorithmes gntiques

Lutilisation des algorithmes gntiques pour la rsolution de ces deux problmes


tel-00577101, version 1 - 16 Mar 2011

dordonnancement en industries pharmaceutiques a confirm la capacit de cette mthode atteindre un optimum global respectant les diffrents critres et contraintes tablies. Cette mthode est compare avec la mthode doptimisation par essaim particulaire dans le chapitre suivant nous permettant ainsi de conclure sur lutilisation de lune ou lautre des deux mthodes dans le cas de problmes doptimisation dans le cas discret et plus particulirement dans les cas des problmes job-shop flexible et des problmes flow-shop en industries pharmaceutiques

II.7 - Conclusion
La rsolution des problmes dordonnancement dans le cas des industries pharmaceutiques par les algorithmes gntiques dans le cas multi-objectifs, constitue la contribution principale de ce chapitre. Aprs avoir introduit les ateliers de type flow-shop ainsi que les algorithmes gntiques, une rsolution de deux problmes dordonnancement rels en industries pharmaceutiques est propose. Les diffrents critres, leur combinaison formant la fonction fitness ainsi que les contraintes relatives au problme de lordonnancement, des ateliers de type flow-shop en industries pharmaceutiques, sont ensuite prsents et le codage CLOS ainsi que les diffrents oprateurs utiliser et leur fonctionnement proposs. La rsolution de ces deux problmes, ainsi prsents, a abouti la conclusion que les algorithmes gntiques ont fait leurs preuves dans la recherche du minimum global et permettent datteindre une bonne solution souvent proche de loptimum.

65

Chapitre III Rsolution de problmes dordonnancement job-shop flexible par la mthode base sur loptimisation par essaim particulaire

Chapitre III
Rsolution de problmes dordonnancement job-shop flexible par la mthode base
tel-00577101, version 1 - 16 Mar 2011

sur loptimisation par essaim particulaire

III.1 - Introduction
Dans le contexte industriel actuel, lentreprise doit veiller garantir un systme de production fiable pour ne pas scarter des objectifs quelle se fixe et des budgets quelle salloue. Lordonnancement reprsente lune des fonctions les plus importantes pour assurer la performance globale de ce systme. A lheure actuelle, certains problmes dordonnancement ne peuvent tre rsolus par des mthodes exactes, lintrt des industries se trouve donc focalis sur le dveloppement de mthodes approches. Naturellement, ces mthodes doivent avoir des bases thoriques solides permettant dapprocher ces problmes complexes avec une certaine confiance dans la qualit du rsultat. Parmi les problmes dordonnancement les plus difficiles, on cite ceux relatifs aux ateliers de type job-shop classique. Leur rsolution de manire optimale savre, dans la plupart des cas, trs difficile cause de leur caractre fortement combinatoire.

66

Chapitre III Rsolution de problmes dordonnancement job-shop flexible par la mthode base sur loptimisation par essaim particulaire

Lutilisation des mthodes exactes requiert un ensemble de calculs, dont le nombre volue de faon exponentielle avec la taille du problme considr. Il savre donc prfrable dutiliser les mthodes approches, telles que celles bases sur le principe de la recherche locale ou sur les mthodes volutives. Les problmes dordonnancement dateliers de type job-shop flexible constituent une extension des problmes job-shop et sont, de ce fait, encore plus difficiles rsoudre [Garey et al, 79]. La mthode doptimisation par essaim particulaire a t propose, au dpart, comme solution aux problmes doptimisation continus non linaires tels que le contrle des puissances [Abido, 02], lapprentissage des rseaux de neurones [Van den Bergh et al, 00] et la recherche
tel-00577101, version 1 - 16 Mar 2011

du chemin optimal [Onwubolu et al, 04]. Les domaines dapplication de loptimisation par essaim particulaire sur les problmes doptimisation combinatoire restent, nanmoins, assez limits [Lian et Jiao, 06], [Lian et al, 06 b], [Pan et al, 08], Dans ce troisime chapitre, aprs lintroduction des Problmes dordonnancement de type Job-Shop Flexible (FJSP en anglais) ainsi que leur formulation, sont prsentes la mthode doptimisation par essaim particulaire et ses spcificits dans le cas continu. Lutilisation de cette mthode dans le cas discret pour la rsolution de certains problmes de ce type est par la suite propose. Des rsultats relatifs lapplication de cette mthode sont finalement prsents et une comparaison avec ceux obtenus ultrieurement par application des algorithmes gntiques, est considre pour mettre en exergue les diffrences et les similitudes entre ces deux mthodes.

III.2 - Problmes dordonnancement de type job-shop flexible (FJSP)


Dans un problme dordonnancement de type job-shop flexible, une opration donne pouvant tre ralise par une ou plusieurs ressources, possde une dure de traitement dpendant de la ressource utilise. Les contraintes relatives ce type de problme sont de type prcdence, temporel ou disjonctif.

67

Chapitre III Rsolution de problmes dordonnancement job-shop flexible par la mthode base sur loptimisation par essaim particulaire

III.2.1 -

Prsentation des problmes FJSP

Les problmes dordonnancement dateliers de type job-shop flexible sont connus dans la littrature comme tant les problmes les plus difficiles rsoudre. La difficult rside dans le choix de la meilleure mtaheuristique pour leur rsolution ainsi que pour la dtermination des meilleurs ordonnancements en des temps raisonnables, les plus proches possibles de la solution optimale. Plusieurs auteurs se sont penchs sur la rsolution des problmes dordonnancement job-shop flexible. Bruker et Schlie [Bruker et al, 90] ont dvelopp un algorithme polynomial pour la rsolution dun problme FJSP deux jobs. Yang [Yang, 01] a prsent un nouvel algorithme gntique bas sur lapproche de la programmation linaire. Chambers [Chambers, 96] a dvelopp un
tel-00577101, version 1 - 16 Mar 2011

algorithme de recherche tabou pour ce type de problme. Wu and Weng [Wu et al, 05] ont propos une mthode base sur les systmes multi-agents. Xia et Wu [Xia et al, 05] ont trait ce problme avec une approche hybride alliant lalgorithme doptimisation par essaim particulaire et le recuit simul. Gao, Gen, Sun et Zhao [Gao et al, 07] ont quand eux, trait ce problme en utilisant un algorithme gntique hybride. Dans ce rapport, le problme FJSP est trait en totalit par lalgorithme doptimisation par essaim particulaire discrtis.
III.2.2 Formulation des problmes FJSP

Les problmes dateliers job-shop flexibles peuvent tre formuls comme suit [Saad et al, 07]: soit un ensemble de n produits indpendants raliser sur m machines Mk, k = 1, 2, . .

. , m,
chaque produit Jj est constitu dune squence de nj oprations Oi,j , i = 1, 2, . . . , nj, excuter selon un ordre bien dfini, lexcution de chaque opration i dun job Jj ncessite une ressource slectionne partir dun ensemble de machines disponibles, chaque machine ne peut raliser quune seule opration la fois, lassignation dune opration Oi,j une machine Mk entrane loccupation de cette machine durant tout le temps dexcution de lopration, not pi,j,k, la premption nest pas autorise.

68

Chapitre III Rsolution de problmes dordonnancement job-shop flexible par la mthode base sur loptimisation par essaim particulaire

Le FJSP prsente deux difficults principales : la premire est relative lassignation de chaque opration Oi,j une machine Mk, la seconde correspond au calcul des temps de dbut ti,j et des temps de fin tfi,j de lopration Oi,j.

III.3 - Optimisation par essaim particulaire (OEP)


La mthode doptimisation par essaim particulaire est semblable la mthode des algorithmes gntiques dans le sens o sa population initiale est gnre dune manire alatoire, et diffrente de celle-ci par le fait quelle nutilise pas les oprateurs de croisement et de mutation la base de la mise en uvre des algorithmes gntiques.
tel-00577101, version 1 - 16 Mar 2011 III.3.1 Prsentation de la mthode OEP

La mthode doptimisation par essaim particulaire fait partie des mthodes de recherche globale dont le systme est initialis avec une population, nomme essaim , compose de solutions alatoirement gnres, et pour laquelle la recherche de la solution optimale se fait par une mise jour de cette population. Chaque individu ou solution potentielle, appel galement particule, possde une vitesse ajuste dynamiquement, relativement lexprience propre de la particule ainsi qu celle des particules voisines. LOEP a t initialement introduite pour traiter des problmes doptimisation dans le domaine continu alors que beaucoup de problmes doptimisation se situent dans lespace discret [Lian et al, 06 a], [Lian et al, 06 b]. Il savre donc intressant de recourir des modifications sur lalgorithme initial pour pouvoir rpondre aux besoins spcifiques aux problmes considrs pour diffrents types dateliers [Lian et al, 06 c], [Sha et al, 06], [11], [Xia et al, 05].
III.3.2 Optimisation par essaim particulaire dans le cas continu

Les principes de base de lOEP classique sont trs simples. Un essaim, qui contient un ensemble de particules, entre au commencement dans un espace de recherche. Chaque particule de l'essaim possde les cinq caractristiques suivantes: sa position, sa vitesse, 69

Chapitre III Rsolution de problmes dordonnancement job-shop flexible par la mthode base sur loptimisation par essaim particulaire

sa position actuelle et la valeur de la fonction objectif pour cette position, la valeur de la meilleure position de ses voisins et la fonction objectif correspondante, sa meilleure position prcdente. Les notations relatives ces caractristiques sont les suivantes:

Vi (t ) : vitesse de la particule i litration t , X i (t ) : position courante de la particule i litration t , Pi (t ) : meilleure ancienne position de la particule i litration t , Gi (t ) : meilleure position du voisinage de la particule i litration t .
A un moment donn, une particule doit effectuer un choix entre : garder sa position actuelle et continuer selon sa vitesse actuelle,
tel-00577101, version 1 - 16 Mar 2011

prendre en compte son ancienne position, prendre en compte la meilleure position de son voisinage [Clerc et al, 09]. Ceci peut tre formul analytiquement par les relations suivantes:

Vi (t + 1) = c1Vi (t ) + c 2 (Pi (t ) X i (t ) ) + c3 (Gi (t ) X i (t ) ) X i (t + 1) = X i (t ) + Vi (t + 1) c1 , c 2 , c3 tant des coefficients de confiance.


III.3.3 Optimisation par essaim particulaire dans le cas discret

(III.1) (III.2)

Lalgorithme doptimisation par essaim particulaire tant dfini initialement dans le domaine continu, il savre videmment ncessaire deffectuer une conversion du domaine continu vers le domaine discret pour la rsolution des problmes dordonnancement. La premire tape de cette conversion consiste crer une structure de particules puis proposer un algorithme prsentant la marche suivre pour une meilleure rsolution des problmes FJSP.
a - Formulation gnrale des problmes dordonnancement FJSP par essaim particulaire

Pour passer du cas continu vers le cas discret, considrons les nouvelles notations suivantes :
Oijf

: opration i dun job j pour une particule f , : position actuelle de la particule f une itration t ,

P f (t )

70

Chapitre III Rsolution de problmes dordonnancement job-shop flexible par la mthode base sur loptimisation par essaim particulaire

mijf (t )

: machine slectionne pour lexcution de lopration Oijf une itration t pour la position actuelle de la particule f ,

PBf (t ) Pb f (t )
[mijf (t )]b

: meilleure position du voisinage de la particule f une itration t , : meilleure position connue de la particule f une itration t , : machine slectionne pour lexcution de lopration Oijf pour la meilleure position connue de la particule f une itration t ,

[mijf (t )] B : machine slectionne pour lexcution de lopration Oijf pour la meilleure

position du voisinage de la particule f une itration t ,


mijf

: modification appliquer la particule f pour laffectation des machines, : vecteur de mutation appliquer la particule f pour permettre le changement de position,

tel-00577101, version 1 - 16 Mar 2011

mijf

, ,

: coefficients de confiance.

Pour chaque individu, les changements effectuer pour passer dune position Pf(t) une autre

Pf(t+1) doivent respecter la relation III.3 suivante :


P f (t + 1) = P f (t ) + mijf

(III.3)

avec:
mijf = f ( mijf , mijf )

(III.4)

et :

mijf = [mijf (t )] + [(mijf (t )) b mijf (t )] + [(mijf (t )) B ) mijf (t )]


b - Prsentation de la structure dune particule

(III.5)

Prsenter une structure de particule revient prsenter un exemple daffectation dun ensemble doprations Oij considres, un ensemble de machines Mk en indiquant les temps de dbut tij correspondants [Boukef et al, 08].

71

Chapitre III Rsolution de problmes dordonnancement job-shop flexible par la mthode base sur loptimisation par essaim particulaire

Tableau 3. 1- Exemple de structure dune particule


Opration Numro de la machine Temps de dbut dexcution de lopration

O11 O21 O31 O12 O22 O32 O13 O23


III.3.4 tel-00577101, version 1 - 16 Mar 2011

M1 M3 M3 M3 M2 M1 M2 M1

t11 t21 t31 t12 t22 t32 t13 t23

Algorithme Bas sur la mthode dOptimisation par Essaim Particulaire pour le cas discret (BOEP)

a - Etapes de lalgorithme BOEP propos

Une population initiale, appele essaim, est gnre alatoirement dans une premire tape, en affectant chaque opration une machine, tout en respectant un ordre de priorit. En deuxime tape, une particule est slectionne parmi lessaim et un voisinage contenant la particule dsigne est choisi. Des heuristiques sont ensuite utilises pour amliorer certaines affectations de machines aux oprations. Des changements effectuer sur la position de la particule pour la rapprocher de la meilleure solution de son voisinage ou de sa propre meilleure performance ultrieure sont, par la suite, dtermins par llaboration dun vecteur appel vecteur mutation qui permet, en effet, de modifier les affectations des machines aux oprations en vue damliorer la fonction optimiser. Ces tapes relatives lvolution de lalgorithme doptimisation par essaim particulaire dans le cas discret, reprsentes dans la figure 3.1, sont reprises jusqu ce quun certain nombre ditrations soit atteint [Boukef et al, 09].

72

Chapitre III Rsolution de problmes dordonnancement job-shop flexible par la mthode base sur loptimisation par essaim particulaire

tel-00577101, version 1 - 16 Mar 2011

Figure 3. 1- Etapes relatives lvolution de lalgorithme BOEP

b - Algorithme BOEP propos

Les diffrentes tapes schmatises ci-dessus dans la figure 3.1 sont expliques en dtail dans lalgorithme BOEP suivant. Pour chaque particule (individu) de lessaim, ces tapes sont suivies et la particule prsentant la meilleure fonction objectif est considre comme la solution optimale obtenue.
P : particule choisie, Pm : meilleure particule connue, PM : meilleure particule du voisinage.

73

Chapitre III Rsolution de problmes dordonnancement job-shop flexible par la mthode base sur loptimisation par essaim particulaire

Dbut Pour un nombre ditrations choisi Crer (population initiale) Pour i = 0 n 1 // n correspondant au nombre de particules dans lessaim

Slectionner une particule P Slectionner un voisinage contenant P


// pour une population de 50 particules, un voisinage de 5 particules a t choisi

Appliquer heuristique1 et heuristique 2 pour amliorer laffectation des machines*


Pour j = 1 nbre_machines

Vitesse_locale(j) = Pb.machine(j) - P.machine(j)


tel-00577101, version 1 - 16 Mar 2011
//La vitesse locale correspondant lexpression ( mij (t )) b mij (t ) dans la formule
f f

III.5.

Vitesse_globale(j) = PB.machine(j) - P.machine(j)


//La vitesse globale correspondant lexpression ( mij (t )) B ) mij (t ) de la relation
f f

III.5.

Vitesse(j) = Vitesse_actuelle(j) + Vitesse_locale(j) + Vitesse_globale(j)**


// La vitesse actuelle relative laffectation initiale des machines pour cette particule, correspond lexpression mij (t ) dans la relation III.5. La vitesse appliquer correspond donc, au vecteur de mutation mijf .
f

Fin pour Pour j = 1 m // m correspondant au nombre de machines Si P. vitesse(j) -0,5 et P. vitesse(j) < 0 Alors

Garder le mme numro de machine


Sinon Si P. vitesse(j) 0 et P. vitesse(j) < 1 Alors

Incrmenter le numro de machine***


Sinon Si P. vitesse(j) < - 0,5 Alors

Dcrmenter le numro de machine***


Sinon Prendre la machine qui ncessite le moins de temps dexcution

pour traiter lopration en question


Fin Si

74

Chapitre III Rsolution de problmes dordonnancement job-shop flexible par la mthode base sur loptimisation par essaim particulaire

Fin pour

Mettre jour lindividu i


Fin Pour

Trouver la meilleure fonction objectif obtenue Enregistrer le meilleur individu


Fin Pour Fin * Lheuristique 1 consiste comparer les affectations des machines de lindividu slectionn

celles du meilleur voisin connu et de modifier la plus mauvaise affectation, correspondant


tel-00577101, version 1 - 16 Mar 2011

au numro de machine qui donne le temps dexcution le plus long. Lheuristique 2 consiste vrifier pour chaque opration excute, si le fait dattendre la libration dune autre machine, pourrait ou non amliorer le temps dexcution de lopration en cours.
** Le calcul de la vitesse dans cet algorithme correspond au calcul de la formule III.5

concernant le vecteur de mutation mijf . Ici la notion de vitesse nous sert pour nous rapprocher de lalgorithme initial de lOEP qui se base sur des changements de positions en ajustant la vitesse de la particule.
*** Pour lincrmentation des machines, si le numro incrmenter est le dernier, choisir

alatoirement un autre numro de machine. Pour la dcrmentation des machines, si le numro dcrmenter est le plus bas, choisir alatoirement un autre numro de machine.

III.4 - Elaboration dun ordonnancement dateliers de type job-shop flexible par la mthode base sur lessaim particulaire minimisant le Makespan
III.4.1 Prsentation des cas dateliers tudis

Trois problmes dordonnancement dateliers de types job-shop flexible sont traits dans cette partie. Deux de ces problmes sont de type mono-opration.

75

Chapitre III Rsolution de problmes dordonnancement job-shop flexible par la mthode base sur loptimisation par essaim particulaire

Le premier, consiste ordonnancer 20 produits sur 5 machines, toutes les machines tant utilisables un moment donn, comme le montre le tableau 3.2. Chaque produit contient une seule opration et son excution ncessite une des 5 machines disponibles. Le deuxime problme de type mono-opration, consiste ordonnancer 10 produits sur 6 machines. Le symbole -- indique que la machine choisie ne traite pas le produit en question, comme le montre le tableau 3.3. Le dernier problme trait est un problme de type multi-oprations. Il concerne lordonnancement de 3 produits sur 5 machines en respectant lordre de priorit des oprations, comme le montre le tableau 3.4.
Tableau 3. 2 Benchmark 20x5 relatif un problme dordonnancement de type job-shop flexible mono-opration toutes les machines tant utilisables
M1 54 83 15 71 77 36 53 38 27 87 76 91 14 29 12 77 32 87 68 94 M2 79 3 11 99 56 70 99 60 5 56 3 61 73 75 47 12 21 86 5 77 M3 16 89 49 15 89 45 60 23 57 64 7 1 63 41 63 47 26 75 77 40 M4 66 58 31 68 78 91 13 59 49 85 85 9 39 41 56 40 54 77 51 31 M5 58 56 20 85 53 35 53 41 69 13 86 72 8 49 47 87 58 18 68 28

tel-00577101, version 1 - 16 Mar 2011

J1 J2 J3 J4 J5 J6 J7 J8 J9 J10 J11 J12 J13 J14 J15 J16 J17 J18 J19 J20

76

Chapitre III Rsolution de problmes dordonnancement job-shop flexible par la mthode base sur loptimisation par essaim particulaire

Tableau 3. 3 - Benchmark 10x6 relatif un problme dordonnancement de type job-shop flexible mono-opration certaines machines ntant pas utilisables

J1 J2 J3 J4 J5 J6 J7 J8 J9 J10

M1 10 02 09 -15 09 14 07 09 08

M2 07 05 05 08 12 05 13 16 16 14

M3 06 08 06 -08 07 08 05 08 06

M4 13 12 12 10 06 13 20 11 11 18

M5 -07 06 15 10 -14 17 -21

M6 -11 17 -09 -17 09 -14

tel-00577101, version 1 - 16 Mar 2011

Tableau 3. 4 - Benchmark 3x5 relatif un problme dordonnancement de type job-shop flexible multi-oprations
J1 J2 J3 O11 O21 O31 O12 O22 O32 O13 O23 M1 1.50 3.00 4.50 1.50 1.50 4.50 1.50 4.50 M2 9.50 4.50 7.00 4.50 8.25 4.50 4.50 9.50 M3 3.12 1.75 1.75 4.50 4.91 1.75 4.91 1.75 M4 4.91 4.70 4.50 3.25 4.50 2.00 3.25 4.50 M5 4.50 4.50 3.75 6.37 3.75 4.50 3.00 3.75

Ces trois problmes diffrents, de part le nombre de jobs excuter et du fait quils sont mono ou multi-oprations, sont rsolus par lalgorithme BOEP dans le but de minimiser la date de fin effective de la dernire opration, appele galement Cmax ou Makespan.
III.4.2 Rsultats de mise en uvre de la mthode BOEP

Pour les trois exemples traits, des essaims de 50 particules sont gnrs et des voisinages de 5 particules sont slectionns. Lalgorithme est excut pour chacun des problmes sur 1000 gnrations dessaims, les coefficients de confiance, , et , choisis pour ces problmes ont respectivement pour valeurs 0.2, 0.3 et 0.5. Dautres valeurs de , et seront choisies ultrieurement et leur impact sur la convergence de ces problmes tudi. Pour le premier exemple 20x5, la convergence a eu lieu la 232me gnration comme le montre la figure 3.2. et la meilleure solution obtenue est reprsente par le diagramme de Gantt de la figure 3.3. 77

Chapitre III Rsolution de problmes dordonnancement job-shop flexible par la mthode base sur loptimisation par essaim particulaire

tel-00577101, version 1 - 16 Mar 2011

Figure 3. 2 - Evolution du Cmax travers les gnrations pour un problme FJSP 20x5

Figure 3. 3 - Diagramme de Gantt de la meilleure solution pour le problme 20x5

78

Chapitre III Rsolution de problmes dordonnancement job-shop flexible par la mthode base sur loptimisation par essaim particulaire

Pour le deuxime exemple 10x6, la convergence a eu lieu la 63me gnration et est illustr dans la figure 3.4. Le diagramme de Gantt correspondant est prsent dans la figure 3.5.

tel-00577101, version 1 - 16 Mar 2011

Figure 3. 4 - Evolution du Cmax travers les gnrations pour un problme FJSP 10x6

Figure 3. 5 - Diagramme de Gantt de la meilleure solution pour le problme 10x6

79

Chapitre III Rsolution de problmes dordonnancement job-shop flexible par la mthode base sur loptimisation par essaim particulaire

Quant au troisime exemple 3x5, traitant du problme multi-oprations, la convergence a eu lieu la 12me gnration, comme montr dans la figure 3.6. Le diagramme de Gantt, relatif la meilleure solution, est prsent dans la figure 3.7.

tel-00577101, version 1 - 16 Mar 2011

Figure 3. 6 - Evolution du Cmax travers les gnrations pour un problme FJSP 3x5

Figure 3. 7 - Diagramme de Gantt de la meilleure solution pour le problme 3x5

80

Chapitre III Rsolution de problmes dordonnancement job-shop flexible par la mthode base sur loptimisation par essaim particulaire

Les temps darrts reprsents, indiquent lattente pour chaque opration, de la fin de celle qui la prcde. Ainsi, Lopration O32 sur la machine 3 ne peut commencer que si lopration O22 sur la machine 1 est termine. Des temps dattente sont ainsi gnrs.
III.4.3 Influence du choix des coefficients , et sur les rsultats obtenus

Le choix des coefficients , et fixs 0.2, 0.3 et 0.5, accorde plus dimportance au 3me coefficient, qui permet la comparaison de la position actuelle de la particule son voisinage, quaux deux autres, qui permettent de prendre en compte la position actuelle de la particule et la comparaison de cette position avec la meilleure position connue. Dans ce qui suit, nous reprenons les trois exemples traits prcdemment en effectuant un
tel-00577101, version 1 - 16 Mar 2011

choix alatoire de ces coefficients [Clerc et al, 09]. Les rsultats correspondant sont prsents dans les figures 3.8, 3.9 et 3.10.

Figure 3. 8 - Evolution du Cmax travers les gnrations pour un problme FJSP 20x5 pour un choix alatoire des coefficients , et

81

Chapitre III Rsolution de problmes dordonnancement job-shop flexible par la mthode base sur loptimisation par essaim particulaire

tel-00577101, version 1 - 16 Mar 2011

Figure 3. 9 - Evolution du Cmax travers les gnrations pour un problme FJSP 10x6 pour un choix alatoire des coefficients , et

Figure 3. 10 - Evolution du Cmax travers les gnrations pour un problme FJSP 3x5 pour un choix alatoire des coefficients , et

82

Chapitre III Rsolution de problmes dordonnancement job-shop flexible par la mthode base sur loptimisation par essaim particulaire

Nous remarquons pour ces trois exemples, que les rsultats obtenus aprs modification des coefficients de confiance sont les mmes mais avec une convergence plus lente vers la solution optimale. Ainsi, dans le premier exemple traitant de lordonnancement de 20 produits mono-opration sur 5 machines, la convergence a lieu la 448me gnration dans le cas o les coefficients , et sont gnrs alatoirement alors quelle a lieu la 232me gnration dans le cas o ces coefficients sont pralablement fixs. Dans le deuxime exemple, traitant de lordonnancement de 10 produits mono-opration sur 6 machines, la convergence lieu la 585me gnration pour , et gnrs alatoirement alors quelle a lieu la 63me gnration quand ces coefficients sont fixs au dpart.
tel-00577101, version 1 - 16 Mar 2011

Le troisime exemple, traitant de lordonnancement de 3 produits multi-oprations sur 5 machines, la convergence a lieu la 39me gnration pour , et gnrs alatoirement alors quelle a lieu la 12me gnration quand ces coefficients sont fixs au dpart.
III.4.4 Influence de la modification du voisinage sur les rsultats obtenus

Dans une premire tape de rsolution, un voisinage de 5 particules est choisi pour un essaim de 50 particules. Dans ce qui suit, nous nous proposons dtudier limpact de la modification du voisinage sur les rsultats obtenus. Un exemple de voisinage de 10 particules est pris en compte et les rsultats relatifs cette modification sont prsents dans les figures 3.11, 3.12 et 3.13.

83

Chapitre III Rsolution de problmes dordonnancement job-shop flexible par la mthode base sur loptimisation par essaim particulaire

tel-00577101, version 1 - 16 Mar 2011

Figure 3. 11 - Evolution du Cmax travers les gnrations pour un problme FJSP 20x5

pour un voisinage de 10 particules

Figure 3. 12 - Evolution du Cmax travers les gnrations pour un problme FJSP 10x6 pour un voisinage de 10 particules

84

Chapitre III Rsolution de problmes dordonnancement job-shop flexible par la mthode base sur loptimisation par essaim particulaire

tel-00577101, version 1 - 16 Mar 2011

Figure 3. 13 - Evolution du Cmax travers les gnrations pour un problme FJSP 3x5 pour un voisinage de 10 particules

Pour les trois exemples traits, en prenant en considration un voisinage de 10 particules, le Cmax obtenu est le mme que pour un voisinage de 5 particules. La diffrence rside dans la rapidit de convergence. En effet, la mthode utilisant un voisinage de 10 particules est plus lente que celle utilisant un voisinage de 5. Ainsi, dans le premier exemple traitant de lordonnancement de 20 produits mono-opration sur 5 machines, la convergence a lieu la 232me gnration dans le cas o le voisinage est de 5 particules alors quelle a lieu la 458me gnration dans le cas o le voisinage est de 10. Dans le deuxime exemple, traitant de lordonnancement de 10 produits mono-opration sur 6 machines, la convergence lieu la 63me gnration dans le cas o le voisinage est de 5 particules alors quelle a lieu la 429me gnration dans le cas o le voisinage est de 10. Le troisime exemple, traitant de lordonnancement de 3 produits multi-oprations sur 5 machines, la convergence a lieu la 12me gnration dans le cas o le voisinage est de 5 particules alors quelle a lieu la 37me gnration dans le cas o le voisinage est de 10.

85

Chapitre III Rsolution de problmes dordonnancement job-shop flexible par la mthode base sur loptimisation par essaim particulaire

Les rsultats des trois mthodes tudies sont consigns dans le tableau III.5 suivant.
Tableau 3. 5 Rsultats comparatifs des diffrentes variantes de la mthode BOEP

Problme 20x5
Cmax Convergence

Problme 10x6
Cmax Convergence

Problme 3x5
Cmax Convergence

tel-00577101, version 1 - 16 Mar 2011

Mthode BOEP voisinage de 5 particules et , , fixes Mthode BOEP voisinage de 5 particules et , , variables Mthode BOEP voisinage de 10 particules
III.4.5 -

84 84 84

232 448 458

16 16 16

63 585 429

6,75 6,75 6,75

12 39 37

Comparaison des rsultats avec ceux obtenus par les algorithmes gntiques

Les rsultats du tableau III.6 suivant, obtenus par application de lalgorithme doptimisation par essaim particulaire, ont t compars avec ceux obtenus par application des algorithmes gntiques [Saad, 07] dans le but de minimiser le Cmax.
Tableau 3. 6 -Tableau comparatif des rsultats relatifs aux mises en uvre de la mthode base sur loptimisation par essaim particulaire (BOEP) et des algorithmes gntiques (AG) pour les problmes FJSP

Mthodes doptimisation Cmax Convergence

Problme 20 x 5 AG BOEP 84 84 905 232

Problme 10 x 6 AG BOEP 16 16 20 63

Problme 3x5 AG BOEP 6,75 6,75 14 12

Ce tableau montre que pour les trois problmes considrs, la mthode doptimisation par essaim particulaire et la mthode des algorithmes gntiques ont abouti aux mmes rsultats, Cmax = 84 pour le premier exemple, Cmax = 16 pour le deuxime et Cmax = 6,75 pour le troisime avec un nombre de gnrations identiques. La convergence de lalgorithme BOEP savre toutefois plus rapide pour le premier et le dernier problme mais lest un peu moins pour le deuxime. Ceci sexplique certainement par le fait que, dans lexemple 10x6, la non utilisation de certaines machines pour des produits spcifiques pose problme au niveau de la mthode doptimisation par essaim particulaire. 86

Chapitre III Rsolution de problmes dordonnancement job-shop flexible par la mthode base sur loptimisation par essaim particulaire

III.5 - Comparaison de lefficacit des AG et de la mthode BOEP pour la rsolution de problmes flow-shop en industries pharmaceutiques
III.5.1 - Efficacit de la mthode BOEP Position du problme

Dans cette partie, nous reprenons lexemple de latelier de conditionnement de type flow-shop en industries pharmaceutiques trait au premier chapitre pour lequel 16, puis 30 produits sont traits sur 2 lignes de conditionnement. Aprs avoir rsolu ces deux problmes par utilisation des algorithmes gntiques, nous nous proposons de vrifier lefficacit de la mthode doptimisation par essaim particulaire pour ce type dateliers.
tel-00577101, version 1 - 16 Mar 2011

Considrons les notations suivantes relatives ce problme :


PBf (t )

: meilleure position connue du voisinage de la particule f litration t : meilleure position connue de la particule litration t : ligne de conditionnement slectionne pour le traitement de lopration Oik litration t pour la position actuelle de la particule f

Pb f (t )
f (t ) Lik

(L

f ik

(t )

: ligne de conditionnement slectionne pour le traitement de lopration Oik litration t pour la meilleure position connue de la particule f

(L

f ik

(t )

: ligne de conditionnement slectionne pour le traitement de lopration Oik litration t pour la meilleure position du voisinage de la particule f

L f

: changements appliqus la particule f relatifs laffectation des lignes de conditionnement

L f

: vecteur de mutation appliqu la particule f permettant la mise jour de la sa Position

Ainsi, pour chaque particule, les changements effectuer pour passer dune position Pf(t) une autre Pf(t+1) doivent respecter la relation III.6 suivante, , et tant des coefficients de confiance :
P f (t + 1) = P f (t ) + L f

(III.6)

87

Chapitre III Rsolution de problmes dordonnancement job-shop flexible par la mthode base sur loptimisation par essaim particulaire

avec : L f = f ( L f ) et:
f f f f f L f = [ Lik (t )] + [( Lik (t )) b Lik (t ) + [( Lik (t )) G ) Lik (t )]

(III.7)

(III.8)

Ainsi, aprs application du vecteur de mutation L f la particule f, les critres F1 et F2, formuls dans le deuxime chapitre au paragraphe II.5.2 et correspondants respectivement au cot total de production et au cot darrt et de non utilisation des lignes de conditionnement, sont repris et la fonction objectif F rvalue, F = 1 F1 + 2 F2 .
tel-00577101, version 1 - 16 Mar 2011 III.5.2 - Rsultats de lapplication de lalgorithme BOEP

Lalgorithme BOEP, bas sur la mthode doptimisation par essaim particulaire, est appliqu au problme dordonnancement flow-shop en industries pharmaceutiques. Ainsi, une population dessaim est gnre par affectation alatoire de chaque produit une ligne de conditionnement. Par la suite, une particule de lessaim est slectionne et un voisinage de cette particule est choisi. Une heuristique pour lamlioration de laffectation des lignes est ensuite utilise. Elle consiste choisir, pour le produit ayant le plus grand temps dexcution, laquelle des deux lignes ncessite le moins de temps dexcution et faire le changement si ncessaire. A cette heuristique locale est ajoute une heuristique globale qui consiste changer laffectation des lignes de conditionnement en appliquant suivantes : Pour chaque lment de L f : si la valeur de L f est > 0 alors garder le mme numro de ligne, si la valeur de L f est < 0 alors changer alatoirement le numro de la ligne, sinon, prendre la machine qui ncessite le moins de temps pour le traitement du produit. Ces tapes sont ainsi rptes jusqu ce quun nombre ditrations fix pralablement soit atteint.
L f

respectant les conditions

88

Chapitre III Rsolution de problmes dordonnancement job-shop flexible par la mthode base sur loptimisation par essaim particulaire

Les rsultats relatifs lapplication de cet algorithme sur les problmes traitant de lexcution de 16 puis de 30 produits sur deux lignes de conditionnement sont prsents dans ce qui suit. Ainsi, pour le premier exemple, pour 500 gnrations et une population de 50 particules avec un voisinage de 5 particules, la mthode base sur loptimisation par essaim particulaire est applique jusqu lobtention du meilleur individu avec le cot le plus bas. La meilleure particule pour laquelle le minimum global, 1207, est obtenu est prsente dans la figure III.14. Les diffrents types de minima sont ainsi prsents avec convergence la 49me gnration.

tel-00577101, version 1 - 16 Mar 2011

Figure 3. 14 - Evolution des cots travers les gnrations pour le problme dordonnancement 16x2 en industries pharmaceutiques

Le diagramme de Gantt, prsent dans la figure suivante, reprsente le meilleur minimum obtenu aprs application de la mthode base sur loptimisation par essaim particulaire sur le problme 16 x 2. Nous obtenons, ainsi, une rpartition presque parfaite des seize produits sur les deux lignes de conditionnement avec un Cmax de 213.

89

Chapitre III Rsolution de problmes dordonnancement job-shop flexible par la mthode base sur loptimisation par essaim particulaire

Figure 3. 15 - Diagramme de Gantt relatif au meilleur individu pour le problme 16 x 2

par application de la mthode BOEP

tel-00577101, version 1 - 16 Mar 2011

Pour le deuxime exemple, pour 500 gnrations et une population de 50 particules avec un voisinage de 5 particules, la mthode base sur loptimisation par essaim particulaire est applique jusqu lobtention du meilleur individu avec le cot le plus bas. La meilleure particule pour laquelle le minimum global, 2543, est obtenu, est prsente dans la figure III.16. Les diffrents types de minima sont ainsi prsents avec une convergence la 128me gnration.

Figure 3. 16 - Evolution des cots travers les gnrations pour le problme dordonnancement 30x2 en industries pharmaceutiques

90

Chapitre III Rsolution de problmes dordonnancement job-shop flexible par la mthode base sur loptimisation par essaim particulaire

Le diagramme de Gantt, prsent dans la figure III.17, reprsente le meilleur minimum obtenu aprs application de la mthode base sur loptimisation par essaim particulaire sur le problme 30 x 2. Nous obtenons, ainsi, une rpartition des trente produits sur les deux lignes de conditionnement avec un Cmax de 498.

tel-00577101, version 1 - 16 Mar 2011

Figure 3. 17 - Diagramme de Gantt relatif au meilleur individu pour le problme 30 x 2

par application de la mthode BOEP

Lutilisation de la mthode doptimisation par essaim particulaire pour la rsolution de ces deux problmes dordonnancement de type flow-shop en industries pharmaceutiques ont confirm les rsultats obtenus dans la premire partie de ce chapitre pour des ateliers de type job-shop flexible. La comparaison de ces rsultats avec ceux obtenu dans le deuxime chapitre, par application des algorithmes gntiques sont prsents dans le tableau III.7 suivant.
Tableau 3. 7 - Tableau comparatif des rsultats relatifs aux mises en uvre de la mthode BOEP et des AG pour les problmes flow-shop en industries pharmaceutiques

Mthodes doptimisation Fonction Fitness Convergence Cmax

Problme 16 x 2 AG BOEP 1260 1207 445 49 230 213

Problme 30 x 2 AG BOEP 2643 2543 161 128 502 498

Ce tableau montre que, pour les deux types de problmes considrs, la mthode base sur loptimisation par essaim particulaire a abouti des rsultats plus intressants que ceux obtenus par lutilisation de la mthode des algorithmes gntiques. 91

Chapitre III Rsolution de problmes dordonnancement job-shop flexible par la mthode base sur loptimisation par essaim particulaire

Nous remarquons ainsi, pour ces deux exemples, quavec la mthode BOEP nous obtenons une convergence plus rapide (49 gnrations par rapport 445 pour lexemple 16x2 et 128 par rapport 161 pour lexemple 30x2) et un meilleur minimum global (1207 par rapport 1260 et 2543 par rapport 2643). Ces rsultats, associs ceux obtenus dans la premire partie de ce chapitre, traitant de lordonnancement dexemples de type job-shop flexible, nous permettent de valider lutilisation de la mthode base sur loptimisation par essaim particulaire dans le cas discret. De plus, pour chacun des exemples, le Cmax obtenu par la mthode BOEP est toujours meilleur que celui obtenu par la mthode AG.

III.6 - Conclusion
tel-00577101, version 1 - 16 Mar 2011

La premire partie de ce chapitre traite de la prsentation de la mthode doptimisation par essaim particulaire, son utilisation dans le cas continu et les diffrentes mises jour et formulations ncessaires pour son adaptation au cas discret, donnant ainsi naissance la mthode BOEP (Base sur lOptimisation par Essaim Particulaire). Trois exemples portant sur lordonnancement dateliers de type job-shop flexible sont traits et deux variantes de la mthode BPSO par la suite essayes ; lune utilise des coefficients de confiance alatoires et lautre une modification du voisinage. Ces deux variantes ont donn des rsultats similaires la mthode initiale mais avec des temps de convergence plus grands. Dans la deuxime partie de ce chapitre, le problme dordonnancement datelier flow-shop en industries pharmaceutiques, tudi dans le deuxime chapitre par application des algorithmes gntiques, est repris avec utilisation de la mthode base sur loptimisation par essaim particulaire. Les rsultats obtenus par cette dernire sont largement positifs et nous conduisent conclure que la mthode BPSO est comparable , sinon meilleure que, la mthode des AG en ce qui concerne les deux types de problmes traits.

92

Conclusion Gnrale

Conclusion gnrale
La rsolution de problmes dordonnancement dateliers de type flow-shop en industries pharmaceutiques et dateliers de type job-shop flexible constitue la principale contribution de nos travaux consigns dans ce mmoire. Deux mthodes doptimisation ont t considres : la mthode des algorithmes gntiques, qui a dj prouv son efficacit dans diffrents domaines tels que celui de loptimisation, de
tel-00577101, version 1 - 16 Mar 2011

lintelligence artificielle, de la robotique, du traitement du signal et de lconomie et la mthode doptimisation par essaim particulaire, qui a fait ses preuves dans le cas de problmes continus tels que les commandes des machines ou dans la robotique et qui devient intressante utiliser dans le domaine discret. Dans ce mmoire, nous nous sommes proposs dtudier de dvelopper et dexploiter ces deux mthodes et de comparer leurs rsultats respectifs et leurs efficacits. Nous nous sommes, tout dabord, intresss ltude de lordonnancement dans sa globalit, savoir ses diffrentes composantes (tches, ressources, contraintes, critres), ses diffrents types dateliers (job-shop, flow-shop et open-shop) et les mthodes doptimisation le plus souvent utilises pour sa rsolution, allant des mthodes exactes (programmation linaire, programmation dynamique) aux mthodes approches (recuit simul, recherche tabou, algorithmes gntiques et algorithmes de colonies de fourmis). Par la suite, notre intrt sest port sur ltude de la mthode des algorithmes gntiques et son utilisation pour la rsolution de problmes multi-objectifs dordonnancement de type flow-shop en industries pharmaceutiques. Pour cela, les diffrentes caractristiques relatives ce type dindustries et plus particulirement du poste de conditionnement sont prsentes et les contraintes pouvant y survenir dtailles, le cot total de production et le cot darrt et de non utilisation des lignes de conditionnement tant les deux critres minimiser. Notre contribution dans ce sens touche la formulation du problme, la proposition dun codage (CLOS), doprateurs de croisement et de mutation ainsi que dun algorithme spcifique la rsolution de problmes dordonnancement en industries pharmaceutiques.

93

Conclusion Gnrale

Les rsultats obtenus, relatifs deux problmes tudis, ont confirm la capacit des algorithmes gntiques sapprocher de la solution optimale. Dans le dernier chapitre, nous nous sommes intresss ltude de la mthode dOptimisation par Essaim Particulaire (OEP). Ce chapitre est dcompos en deux parties. Aprs ltude de problmes dordonnancement de type job-shop flexible et de problmes dordonnancement de type flow-shop en industries pharmaceutiques, sont prsentes la mthode OEP ainsi que celle relative aux problmes job-shop flexibles. La formulation gnrale de la mthode OEP dans le cas continu est introduite avant de passer aux diffrentes conversions ncessaires pour le passage vers le domaine discret, tout en gardant lesprit coopratif de cette mthode. Notre contribution dans ce sens a t la proposition dune nouvelle structure de particule
tel-00577101, version 1 - 16 Mar 2011

pouvant tre utilisable, dune manire gnrale, pour la reprsentation des particules dans les problmes dordonnancement. Nous en avons dduit un algorithme Bas sur lOptimisation par Essaim Particulaire (BOEP) montrant lintrt de lutilisation de cette mthode dans le cas discret. Pour les trois exemples mono-objectif dordonnancement de problmes job-shop flexibles, pour la minimisation du Cmax tudis, les rsultats obtenus compars avec ceux issus de la mthode des Algorithmes Gntiques (AG) sont satisfaisants vu que le Cmax obtenu pour tous les cas est le mme pour les deux mthodes, et que la mthode BOEP converge dans deux cas sur trois plus rapidement que la mthode des AG. Les rsultats relatifs lefficacit de cette nouvelle mthode compars ceux relatifs aux algorithmes gntiques pour deux problmes dordonnancement en industries pharmaceutiques, ont montr que la mthode BOEP permet dobtenir des solutions meilleures et une convergence plus rapide que celles obtenues par la mthode AG. Toutes ces conclusions, confirment que la mthode doptimisation par essaim particulaire a fait ses preuves, autant que les algorithmes gntiques ou les algorithmes de colonies de fourmis, pour la rsolution de problmes dordonnancement. Les rsultats obtenus tant encourageants, il serait intressant de pouvoir dvelopper certains autres aspects dans nos travaux envisags en perspectives : tenir compte dautres critres rsoudre au niveau des industries pharmaceutiques tels que les retards de livraison des produits ou les temps darrts survenant lors des maintenances des lignes de conditionnement,

94

Conclusion Gnrale

comparer la mthode BOEP avec dautres mthodes approches telles que le recuit simul, la recherche tabou ou les algorithmes de colonies de fourmis, tudier limpact de lhybridation de cette mthode avec dautres mthodes approches.

tel-00577101, version 1 - 16 Mar 2011

95

Bibliographie

Bibliographie

[Abido, 02] M.A. Abido, Optimal power flow using particle swarm optimization . Electrical Power and Energy Systems, vol. 24, pp. 563-571, 2002. [Baptiste et al, 96] P. Baptiste et C. Le Pape, A constraint-Based Branch and Bound Algorithm for Preemptive Job-Shop Scheduling . 5th IEEE, International Symposium on Assembly and Task Planning, Besanon, 1996. [Bel et al, 2001] G. Bel et J-B. Cavaill, Ordonnancement de la production . Editions Herms, Paris, 2001. [Bellman, 86] R.E. Bellman, The Bellman continuum . Editions Robert S. Roth, 1986. [Bertel et al, 01] S. Bertel et J. C. Billaut, Problme dordonnancement multicritre dans
tel-00577101, version 1 - 16 Mar 2011

un flow-shop hybride avec recirculation . 3me Confrence Francophone de MOdlisation et SIMulation, MOSIM01, 25-27 avril 2001, Troyes. [Borne et al, 90] P. Borne, G.D. Tanguy, J.P. Richard, F. Rotella et I. Zambettakis, Commande et optimisation des processus . Edition Technip, Paris, 1990. [Blazewicz et al, 96] J. Blazewicz, K. Ecker, E. Pesch, G. Schmidt et J. Weglarz, Scheduling computer and manufacturing process . Springer, Berlin, 1996. [Boukef et al, 06] H. Boukef, F. Tangour et M. Benrejeb, Sur la formulation dun problme dordonnancement Hammamet, 2006. [Boukef et al, 06] H. Boukef, F. Tangour, M. Benrejeb et P. Borne, Nouveau codage pour la rsolution de problmes dordonnancement dateliers de type flow-shop par les algorithmes gntiques . 7me Confrence Internationale des Sciences et Techniques de lAutomatique, STA06, Hammamet, pp. 1-14, 2006. [Boukef et al, 07] H. Boukef, M. Benrejeb et P. Borne, A proposed genetic algorithm coding for flow-shop scheduling problems . International Journal of Computers, Communications and Control, vol. 2, n 3, pp. 229-240, 2007. [Boukef et al, 08] H. Boukef, M. Benrejeb et P. Borne, Flexible Job-shop Scheduling Problems Resolution Inspired From Particle Swarm Optimization . Studies in Informatics and Control, vol. 17, n 3, pp. 241-252, 2008. de type flow-shop dateliers de production en industries pharmaceutiques . Journes Tunisiennes dElectrotechnique et dAutomatique, JTEA06,

96

Bibliographie

[Boukef et al, 09] H. Boukef, M. Benrejeb et P. Borne, Genetic Algorithm and Based Particle Swarm Optimization Comparison for Solving a Flow-shop Multiobjective Scheduling Problem in Pharmaceutical Industries . International Review of Automatic Control, vol. 2, n2, pp. 223-228 [Breit, 06], J. Breit, A polynomial-time approximation scheme for the two-machine flowshop scheduling problem with an availability constraint . Computers & Operations Research, vol. 33, pp. 21432153, 2006. [Bruker et al, 90] P. Bruker et R. Schlie, Job-shop scheduling with multi-purpose machines . Computing, vol. 45, pp. 369375, 1990. [Carlier et al, 88] J. Carlier et P. Chrtienne, Problmes dordonnancement, Modlisation, Complexit, Algorithmes . Edition Masson, Paris, 1988.
tel-00577101, version 1 - 16 Mar 2011

[Carlier et al, 84] J. Carlier, P. Chrtienne et C. Girault, Modelling scheduling problems with Petri nets. Advanced studies in Petri nets . Lecture notes in Computer Science, Springer Verlag, Paris, 1984. [Chambers, 96] J.B. Chambers, Classical and flexible job shop scheduling by tabu search . Thse de Doctorat, Universit du Texas, Austin, USA, 1996. [Chang et al, 07] P.C. Chang, S.H. Chen et C.H. Liu, Sub-population genetic algorithm with mining gene structures for multi-objective flow-shop scheduling problems . Expert Systems with Applications, vol. 33, pp. 762771, 2007. [Chrtienne, 83] P. Chrtienne, Les rseaux de ptri temporises . Thse de Doctorat, Universit de Paris VI, Paris, 1983. [Clerc et al, 04] M. Clerc et P. Siarry, Une nouvelle mtaheuristique pour l'optimisation difficile : la mthode des essaims particulaires . J3eA, vol. 3, n 7, pp. 1-13, 2004. [Clerc et al, 09] M. Clerc et P. Siarry, Une mthode inspire de comportements coopratifs observs dans la nature : loptimisation par essaim particulaire . Revue de lElectricit et de lElectronique, REE, n4, Avril 2009. [Collette et al, 02] Y. Collette et P. Siarry, Optimisation Multiobjectif . Editions Eyrolles, Paris, 2002. [Collins et al, 88] N.E. Collins, R.W. Eglese et B.L. Golden, Simulated annealing: an annotated bibliography . American Journal of Mathematical and Management Sciences, vol. 8, pp. 209-307, 1988. [Dannenbring, 77] D. G. Dannenbring, An evaluation of flow-shop sequencing heuristics . Management Science, vol. 23, pp. 1174-1182, 1977.

97

Bibliographie

[Davis, 91] L. Davis, Handbook of genetic algorithm . New York: Van Nostrand Reinhold, 1991. [Dorigo et al, 97] M. Dorigo et L.M. Gambardella, Ant colony system: a cooperative learning approach to the travelling salesman problem . IEEE Transactions on Evolutionary Computation, vol.1, pp. 53-66, 1997. [Durand et al, 94] N. Durand, J.M. Alliot et J. Noailles, Algorithmes gntiques : un croisement pour les problmes partiellement sparables . Journes Evolution Artificielle Francophones, JEAF, Toulouse, 1994. [Gangadhran et al, 94] R. Gangadharan et C. Rajendran, A simulated annealing heuristic for scheduling in a flow-shop with bi-criteria . 16th International Conference on Computers Industrial Engineering, pp. 345-348, 1994.
tel-00577101, version 1 - 16 Mar 2011

[Gao et al, 07], J. Gao, M. Gen, L. Sun et X. Zhao, A hybrid of genetic algorithm and bottleneck shifting for multiobjective flexible job shop scheduling problems . Computers and Industrial Engineering, vol. 53, pp. 149162, 2007. [Gargouri, 03] E. Gargouri, Ordonnancement Coopratif en Industrie Agroalimentaire . Thse de Doctorat, Universit des Sciences et Technologies de Lille. [Garey et al, 79] R. Garey et D.S. Johnson, Computers and Intractability: A guide to the theory of P-completeness . Editions Freeman and Co, 1979. [Glover, 89] F. Glover, Tabu search, part I . ORSA, Journal of Computing, vol.1, pp. 190206, 1989. [Glover, 90] F. Glover, Tabu search, part II . ORSA, Journal of Computing, vol.2, pp. 432, 1990. [Goldberg, 94] G.E. Goldberg, Algorithmes gntiques . Editions Addison Wesley, France, 1994. [Gotha, 93] Gotha, Les problmes dordonnancement . RAIRO-Recherche Oprationnelle, vol. 27, n 1, pp. 77-150, 1993. [Hao et al, 99] J.K. Hao, P. Galinier et M. Habib, Mtaheuristiques pour loptimisation combinatoire et laffectation sous contraintes . Revue dIntelligence Artificielle, vol.1999, pp. 2-39, 1999. [Ho et al, 91] J.C. Ho et Y.L. Chang, A new heuristic for the n-job, m-machine flow-shop problem . European Journal of Operational Research, vol.52, pp. 194-202, 1991. [Holland, 75] J.H., Holland, Adaptation in natural and artificial systems . PhD, Michigan Press Univ., Ann Arbor, MI, 1975.

98

Bibliographie

[Ischibuchi, 94] H. Ischibuchi, Genetic algorithms and neighbourhood search algorithms for fuzzy flow-shop scheduling problems . Fuzzy Sets and Systems, vol. 67, pp. 81-100, 1994. [Iyer et al, 04] S.K. Iyer et B. Saxena, Improved genetic algorithm for the permutation flowshop scheduling problem . Computers and Operations Research, vol. 31, pp. 593606, 2004. [Jain et al, 99] A.S. Jain et S. Meeran, Deterministic job-shop scheduling : past, present and future . European Journal of Operational Research, vol. 113, pp. 390-434, 1999. [Jo, 89] P. Jog, The effects of population size, heuristic crossover and local improvement on a genetic algorithm for the travelling salesman problem . Third IGCA, San Mateo, 1989. [Johnson, 54] S.M. Johnson, Optimal two and three stage production schedules with setup
tel-00577101, version 1 - 16 Mar 2011

times included . Naval Research and Logistics Quarterly, vol. 1, 1954. [Kacem, 03] I. Kacem, Ordonnancement multicritre des job-shops flexibles : formulation, bornes infrieures et approche volutionniste cooprative . Thse de Doctorat, Universit des sciences et techniques de Lille1, 2003. [Kennedy et al, 95] J. Kennedy et R.C. Eberhart, Particle swarm optimization . IEEE International Conference on Neural Networks, Piscataway, pp. 1942-1948, 1995. [Kirkpatrick et al, 83] S. Kirkpatrick, C.D. Jr et M.P. Vecchi Optimization by simulated annealing . Science, vol.220, pp. 671-680, 1983. [Knosala et al, 01] R. Knosala, T. Wal, A production scheduling problem using genetic algorithm. Journal of Materials Processing Technology, vol. 109, pp. 90-95, 2001. [Laquerbe et al, 98] C. Laquerbe, L. Pibouleau, P. Floquet et S. Domenech, Procdures stochastiques en gnie des procds : Mthode du recuit simul et algorithmes gntiques . 6me Colloque Maghrbin sur les Modles C2MNI6, Tunis, pp. 761-766, 1998. [Le Pape, 95] C. Le Pape, Three mechanisms for managing resource constraints in the library for constraint-based scheduling . INRIA/IEEE Conference on Emerging Technologies and Factory Automation, Paris, pp. 980-995, 1995. [Lian et al, 06 a] Z. Lian, X. Gu et B. Jiao, A novel particle swarm optimization algorithm for permutation flow-shop scheduling to minimize Makespan . Chaos, Solitons and Fractals, pp. 1-11, 2006. Numriques de lIngnieur,

99

Bibliographie

[Lian et al, 06 b] Z. Lian, X. Gu et B. Jiao, A similar particle swarm optimization algorithm for permutation flow-shop scheduling to minimize Makespan . Applied Mathematics and Computation, vol. 175, pp. 773785, 2006. [Lian et al, 06 c] Z. Lian, B. Jiao et X. Gu, A similar particle swarm optimization algorithm for job-shop scheduling to minimize Makespan . Applied Mathematics and Computation, vol. 183, pp. 10081017, 2006. [Mabed et al, 01] M. Mabed, M. Rahoual, E. Talbi et C. Dhaenens, Algorithmes gntiques multicritres pour les problmes de flow-shop . 3e Confrence Francophone de Modlisation et SIMulation MOSIM01 du 25 au 27 avril 2001 Troyes. [Mellouli et al, 04] K. Mellouli, A. El Kamel, P. Borne, Programmation linaire et applications. Elments de cours et exercices rsolus . Editions Technip, 2004.
tel-00577101, version 1 - 16 Mar 2011

[Mesghouni, 99] K. Mesghouni, Application des algorithmes volutionnistes dans les problmes doptimisation en ordonnancement de la production . Thse de Doctorat, Universit des Sciences et Technologies de Lille, 1999. [Murata et al, 96] T. Murata, H. Ishibuchi et H. Tanaka, Multi-objective genetic algorithm and its applications to flow-shop scheduling . Computers Industrial Engineering, vol. 30, n 4, pp. 957-968, 1996. [Nawaz et al, 83] M. Nawaz, E.E. Enscore et I. Ham, A heuristic algorithm for m-machine, n-job flow-shop sequencing problem . OMEGA, vol. 11, pp. 91-98, 1983. [Negenman, 01] E. G. Negenman, Local search algorithms for the multiprocessor flow-shop scheduling problem . European Journal of Operational Research, vol. 128, pp. 147-158, 2001. [Neumann et al, 05] K. Neumann, C. Schwindt et N. Trautmann, Scheduling of continuous and discontinuous material flows with intermediate storage restrictions . European Journal of Operational Research, vol. 165, pp. 495509, 2005. [Nicholson, 71] T. Nicholson, Optimization in industry . Editions Longmann Press, Londres, 1971. [Onwubolu et al, 04] G.C. Onwubolu et M. Clerc, Optimal operational path for automated drilling operations by a new heuristic approach using particle swarm optimization . International Journal of Production Research, vol. 42, n 3, pp. 473-491, 2004. [Onwubolu et al, 06] G. Onwubolu et D. Davendra, Scheduling flow shops using differential evolution algorithm . European Journal of Operational Research, vol. 171, pp. 674692, 2006.

100

Bibliographie

[Osman et al, 94] I.H. Osman et N. Christofides, Capacitated clustering problems by hybrid simulated annealing and tabu search . International Transactions in Operational Research, vol.1, pp. 317-336, 1994. [Osman et al, 89] I.H. Osman et C.N. Potts, Simulated annealing for permutation flow-shop scheduling . OMEGA, vol. 17, pp. 551-557, 1989. [Pan et al, 08] Q.K. Pan, M. F. Tasgetiren et Y. C. Liang, A discrete particle swarm optimization algorithm for the no-wait flow-shop scheduling problem . Computers and Operations Research, vol. 35, Issue 9, pp. 2807-2839, 2008. [Pinedo, 55] M. Pinedo, Scheduling : Theory, Algorithms and systems . Prentice-Hall, Englewood Clis, New Jersey, 1955. [Rodammer et al, 88] F.A. Rodammer et K. Preston White, A recent survey of production
tel-00577101, version 1 - 16 Mar 2011

scheduling . IEEE Transaction on Systems, Man and Cybernetics, pp. 6-18, 1999. [Ross, 97] P. Ross, What are genetic algorithms good at? . Informs Journal on Computing, vol. 9, n3, 1997. [Roy, 70] B. Roy, Algbre moderne et thorie des graphes, volume 2 . Editions Dunod, Paris, 1970. [Roy et al, 93] B. Roy et D. Bouysson, Aide multi-critres la dcision : Mthodes et cas . Collection Gestion Srie : Production et technologie quantitatives appliques la gestion. Edition Economica, Paris, 1993. [Ruiz et al, 06] R. Ruiz, C. Maroto et J. Alcaraz, Two new robust genetic algorithms for the flow-shop scheduling problem . Omega, vol. 34, pp. 461 476, 2006. [Ruiz et al, 07] R. Ruiz, J. C. Garca-Daz et C. Maroto, Considering scheduling and preventive maintenance in the flow-shop sequencing problem . Computers and Operations Research, vol. 34, pp. 3314-3330, 2007. [Saad et al, 06] I. Saad et M. Benrejeb, Optimisation multicritre par Pareto-optimale des problmes dordonnancement en tenant compte du cot de production , Revue Sciences et Technologies de lAutomatique, e-STA, vol. 3, n1, 2006. [Saad, 07] I. Saad, Conception dun systme daide lordonnancement tenant compte des impratifs conomiques . Thse de Doctorat, Ecole Centrale de Lille, Ecole Nationale dIngnieurs de Tunis, 2007.

101

Bibliographie

[Saad et al, 07] I. Saad, H. Boukef et P. Borne, The comparison of criteria aggregative approaches for the multi-objective optimization of flexible job-shop scheduling problems . Fourth Conference on Management and Control of Production and Logistics, MCPL 2007, Sibiu, pp. 603-608, 2007. [Sakarovitch, 84] M. Sakarovitch, Graphes et Programmation Linaire . Edition Hermann, Paris, 1984. [Sakarovitch, 84] M. Sakarovitch, Programmation Discrte . Edition Hermann, Paris, 1984. [Sha et al, 06] D. Y. Sha et C. Y. Hsu, A hybrid particle swarm optimization for job shop scheduling problem . Computers and Industrial Engineering, vol. 51, pp. 791808, 2006. [Starkweather, 91] T. Starkweather A comparison of genetic sequencing operators . Fourth
tel-00577101, version 1 - 16 Mar 2011

IGCA, pp. 69-76, 1991. [Tangour et al, 06] F. Tangour, S. Hammadi, P. Borne et M. Benrejeb, Ordonnancement dynamique dans un atelier de production agroalimentaire . Sminaire dAutomatiqueIndustrie, SAI06, Matmata, 2006. [Tangour, 07] F. Tangour, Ordonnancement dynamique dans les industries agroalimentaires . Thse de Doctorat, Ecole Centrale de Lille, Ecole Nationale dIngnieurs de Tunis, 2007. [Tangour et al, 09] F. Tangour, I. Saad et P. Borne, Optimisation par colonie de fourmis . Revue de lElectricit et de lElectronique, REE, n4, pp. 39-44, 2009. [Van den Bergh et al, 00] F. Van den Bergh et A.P. Engelbecht, Cooperative learning in neural networks using particle swarm optimizers . South African Computer Journal, vol. 26, pp. 84-90, 2000. [Xia et al, 05] W. Xia et Z. Wu, An effective hybrid optimization approach for multiobjective flexible job-shop scheduling problems . Computers and Industrial Engineering, vol. 48, pp. 409425, 2005. [Yang, 01] J.B. Yang, GA-based discrete dynamic programming approach for scheduling in FMS environments . IEEE Transactions on Systems, Man, and Cybernetics, Part B, vol. 31, n 5, pp. 824835, 2001. [Watanabe et al, 05] M. Watanabe, K. Ida et M. Gen, A genetic algorithm with modified crossover operator and search area adaptation for the job-shop scheduling problem. Computers and Industrial Engineering, vol. 48, pp. 743752, 2005.

102

Bibliographie

[Widmer, 01] M. Widmer, Les Mtaheuristiques : Des outils performants pour les problmes industriels . 3me Confrence Francophone de MOdlisation et SIMulation MOSIM01, 25-27 avril 2001, Troyes. [Widmer et al, 90] M. Widmer et A. Hertz, A new heuristic method for the flow-shop sequencing problem . European Journal of Operational Research, vol. 4, pp. 186-193, 1990. [Wu et al, 05] Z. Wu et M.X. Weng, Multiagent scheduling method with earliness and tardiness objectives in flexible job shops . IEEE Transactions on System, Man, and Cybernetics-Part B, vol. 35, n 2, pp. 293301, 2005.

tel-00577101, version 1 - 16 Mar 2011

103

Annexe

Annexe

tel-00577101, version 1 - 16 Mar 2011

Diagramme de Gantt de la meilleure solution pour le problme FJSP 20x5 par utilisation des Algorithmes gntiques

Diagramme de Gantt de la meilleure solution pour le problme FJSP 10x6 par utilisation des Algorithmes gntiques

104

Annexe

tel-00577101, version 1 - 16 Mar 2011

Diagramme de Gantt de la meilleure solution pour le problme FJSP 3x5 par utilisation des Algorithmes gntiques

105

Vous aimerez peut-être aussi