UNIVERSIT DE MONTRAL

MODLE DOPTIMISATION POUR LA PLANIFICATION MOYEN

TERME DES MINES CIEL OUVERT

GABRIEL LHEUREUX
DPARTEMENT DE MATHMATIQUES ET DE GNIE INDUSTRIEL
COLE POLYTECHNIQUE DE MONTRAL

MMOIRE PRSENT EN VUE DE LOBTENTION

DU DIPLME DE MATRISE S SCIENCES APPLIQUES
(GNIE INDUSTRIEL)
JUIN 2011

Gabriel LHeureux, 2011.

UNIVERSIT DE MONTRAL

COLE POLYTECHNIQUE DE MONTRAL

Ce mmoire intitul:

MODLE DOPTIMISATION POUR LA PLANIFICATION MOYEN TERME DES

MINES CIEL OUVERT

Prsent par : LHEUREUX Gabriel

en vue de lobtention du diplme de : Matrise s sciences appliques
a t dment accept par le jury dexamen constitu de :

M. FRAYRET Jean-Marc, Ph.D., prsident

M. MARCOTTE Denis, Ph.D., membre
M. GAMACHE Michel, Ph.D., membre et directeur de recherche
M. SOUMIS Franois, Ph.D., membre et codirecteur de recherche

iii

Educations purpose is to replace an empty mind with an open one.

-Malcolm Forbes

iv

REMERCIEMENTS
Tout dabord, jaimerais remercier Michel Gamache davoir dclench mon intrt pour la
recherche oprationnelle par son enseignement de trs grande qualit. Il nest certainement pas
ais dtre professeur, mais Michel a su trouver sa place parmi les meilleurs.
Ensuite, jaimerais remercier mon directeur et mon co-directeur de recherche, respectivement
Michel Gamache et Franois Soumis, pour leur soutien, leur disponibilit et linspiration quils
mont fourni tout au long du projet. Leur constante implication fut un lment critique pour
lavancement de ce projet.
Finalement, jaimerais remercier Stphanie davoir t une source de motivation infinie tout au
long de mon BMI et jaimerais remercier mes parents, Andre et Daniel, pour leurs
encouragements et leur soutien. Tout a na t possible que grce vous.
Merci.

RSUM
Lexploitation dune mine ciel ouvert requiert un grand nombre dtapes de planification, que
ce soit au niveau de lanalyse du site, de lorganisation des installations ou de la gestion des
activits de production. Cette planification est complexe puisque les oprations planifier sont
nombreuses et fortement dpendantes les unes des autres. Dans ce projet, nous nous intressons
principalement au problme de planification moyen terme (i.e. une priode allant jusqu 3
mois) de ces activits. Ce problme consiste trouver lordre de traitement des blocs dune mine,
tout en minimisant les cots de production. Ces squences doivent respecter les liens de
prsances entre les blocs et les contraintes de mlange, ainsi que considrer le dplacement des
pelles et le groupement des blocs pour le forage/dynamitage.
Ce niveau de planification pour les mines ciel ouvert a reu peu dattention dans la littrature
jusqu prsent. Ainsi, nous proposons un modle compos dentiers mixtes (MIP) avec lequel
nous tablissons lorganisation des oprations et la squence dextraction des blocs de la mine.
Deux mthodes de rsolution sont dveloppes afin dexploiter ce modle.
En premier lieu, une mthode optimale faisant lusage de stratgies de rsolution est prsente.
Parmi ces stratgies, nous retrouvons la fixation de variables, ltablissement de priorits pour
larbre de branchement et linclusion de contraintes et de paramtres ayant la proprit dliminer
les symtries dans les solutions. Lutilisation de ce type de stratgies est indispensable et
amliore le temps de rsolution de faon drastique.
Par la suite, une mthode heuristique exploitant le caractre intuitif dextraire les blocs en
squence directe est dveloppe. Cette mthode repose sur ltablissement dune squence
intuitive qui sera ensuite propose au solveur, lors de la rsolution, par lentremise de rabais dans
la fonction objectif. Les rsultats dmontrent que cette faon de faire permet dobtenir de bonnes
solutions rapidement pour des modles de taille trs suprieure aux modles pouvant tre rsolus
de faon optimale.

vi

ABSTRACT
Operating an open pit mine requires a large number of planning steps, either for the site analysis,
the organization of facilities or the management of production activities. Such planning is
complex as the activities to plan are numerous and highly co-dependent. In this project, we are
primarily concerned with the problem of planning in the medium term (i.e. a period of up to 3
months) of these activities. This problem consists of finding the processing order for the blocks
of the mine, while minimizing production costs. These sequences must respect the precedence
relationships between blocks, the mixing constraints, the movements of the shovels and the
grouping of blocks for drilling / blasting.
This level of planning for open pit mining has received little attention in the literature so far.
Thus, we propose a model consisting of mixed integers (MIP) with which we establish the
organization of operations and the removal sequence for the blocks of the mine. Two resolution
methods are developed to use this model.
First, an optimal method making use of resolution strategies is presented. Among these strategies,
we find the setting of variables, the setting of priorities for the tree branching and the inclusion of
constraints and parameters with the property of eliminating symmetries in the solutions. The use
of such strategies is essential and improves the solution time dramatically.
Subsequently, a heuristic exploiting the intuitiveness of extracting blocks in a direct sequence is
developed. This method relies on the establishment of an intuitive sequence which is then
strongly suggested to the solver during the resolution through discounts in the objective function.
The results show that this approach achieves very good solutions quickly for models of size much
greater than the models which can be solved optimally.

vii

TABLE DES MATIRES

REMERCIEMENTS ..................................................................................................................... IV
RSUM ........................................................................................................................................ V
ABSTRACT .................................................................................................................................. VI
TABLE DES MATIRES ...........................................................................................................VII
LISTE DES TABLEAUX .............................................................................................................. X
LISTE DES FIGURES .................................................................................................................. XI
LISTE DES SIGLES ET ABRVIATIONS ...............................................................................XII
LISTE DES ANNEXES ............................................................................................................. XIII
CHAPITRE 1
1.1

INTRODUCTION ............................................................................................... 1

Horizons et niveaux de planification ................................................................................ 2

1.1.1 Long terme (niveau stratgique) .................................................................................. 3

1.1.2 Court terme (niveau oprationnel) ............................................................................... 3
1.1.3 Moyen terme (niveau tactique) .................................................................................... 3
1.2

Difficults de rsoudre ces problmes ............................................................................. 4

1.3

Objectifs du mmoire ....................................................................................................... 5

1.4

Plan du mmoire............................................................................................................... 5

CHAPITRE 2

REVUE DE LITTRATURE ............................................................................. 7

2.1

Conception stratgique du contour ultime de la mine ...................................................... 7

2.2

Mise en squence tactique des blocs ................................................................................ 8

2.3

Gestion oprationnelle des quipements ........................................................................ 10

2.4

Planification tactique des quipements et mise en squence des blocs moyen terme . 11

CHAPITRE 3
3.1

MODLE MATHMATIQUE......................................................................... 12

Dfinitions et objectifs ................................................................................................... 12

viii
3.2

Construction du modle de base..................................................................................... 15

3.2.1 La fonction objectif .................................................................................................... 15

3.2.2 Contraintes de mlange .............................................................................................. 17
3.2.3 Contraintes sur la localisation et la capacit des pelles .............................................. 17
3.2.4 Contraintes sur lutilisation des ressources la priode t .......................................... 18
3.2.5 Contraintes douverture et de fermeture des faces ..................................................... 19
3.2.6 Contraintes sur le dplacement des pelles .................................................................. 20
3.2.7 Contraintes de prcdence .......................................................................................... 20
3.2.8 Contraintes de lien temporel ...................................................................................... 21
3.2.9 Contraintes de slection des regroupements et de liaison .......................................... 21
3.3

Prsentation du modle de base complet........................................................................ 22

CHAPITRE 4

MTHODES DE RSOLUTION OPTIMALE ............................................... 27

4.1

Taille du problme ......................................................................................................... 27

4.2

Gnrateur dexemplaires .............................................................................................. 30

4.3

Plan dexprimentation .................................................................................................. 31

4.3.1 Paramtres du solveur ................................................................................................ 32

4.3.2 Modle de base ........................................................................................................... 32
4.3.3 Modle M1 ................................................................................................................. 34
4.3.4 Modle M2 ................................................................................................................. 35
4.3.5 Modle M3 ................................................................................................................. 38
4.3.6 Modle M4 ................................................................................................................. 39
4.3.7 Rsum pour le plan dexprimentation..................................................................... 41
CHAPITRE 5
5.1

MTHODES DE RSOLUTION HEURISTIQUE ......................................... 45

Approche gnrale.......................................................................................................... 45

ix
5.2

Approche heuristique et gnrateur de squences .......................................................... 46

5.2.1 Algorithme du gnrateur de squences..................................................................... 48

5.3

Exprimentations ............................................................................................................ 49

5.3.1 Tests initiaux et comparaison avec la mthode optimale ........................................... 49

5.3.2 Variations dans la valeur des poids de la squence .................................................... 51
5.3.3 Tests supplmentaires et limitations .......................................................................... 53
CHAPITRE 6

CONCLUSION ................................................................................................. 55

6.1

Contributions .................................................................................................................. 55

6.2

Avenues de recherche..................................................................................................... 56

BIBLIOGRAPHIE ........................................................................................................................ 58
ANNEXE 1 DISTRIBUTION DES CONTRAINTES SELON LE TYPE DEXEMPLAIRE . 60

LISTE DES TABLEAUX

Tableau 4.1: Rsum des paramtres des trois types dexemplaire ............................................... 28
Tableau 4.2 : Analyse du nombre de variables pour chaque type dexemplaire ............................ 29
Tableau 4.3 : Distribution partielle des contraintes selon le type dexemplaire ............................ 30
Tableau 4.4 : Rsultats du test pour le modle de base .................................................................. 33
Tableau 4.5 : Rsultats des tests pour le modle M1 ..................................................................... 35
Tableau 4.6 : Rsultats des tests pour le modle M2 ..................................................................... 37
Tableau 4.7 : Rsultats des tests pour le modle M3 ..................................................................... 39
Tableau 4.8 : Rsultats des tests pour le modle M4 ..................................................................... 41
Tableau 4.9 : Rsultats pour les colonnes Temps (secondes) , 1re Solution 5% OPT
(secondes) et Meilleure solution entire trouve (secondes) pour chaque tape de plan
dexprimentation, en excluant les tests pour le modle de base ........................................... 42
Tableau 4.10 : Rsultats pour le test T1.1 de chaque tape du plan dexprimentation excluant M3
................................................................................................................................................ 43
Tableau 5.1 : Rsultats du premier test contenant les poids tablis par la squence ..................... 49
Tableau 5.2 : Rsultats du deuxime test contenant les poids et la fixation des variables ............ 50
Tableau 5.3 : Tableau comparatif entre la mthode de rsolution optimale du chapitre 4 et la
mthode de rsolution heuristique du chapitre 5 .................................................................... 50
Tableau 5.4 : Rsultats des tests sur la rduction de la valeur des poids ....................................... 52
Tableau 5.5 : Rsultats des tests pour une production minimale de 100% .................................... 52

xi

LISTE DES FIGURES

Figure 3.1 : a) Un bloc, b) 3 faces de deux blocs, c) Un regroupement de 3 faces et un

regroupement de 4 faces, d) Une zone ................................................................................... 13
Figure 5.1 : Reprsentation graphique dune squence simple et intuitive .................................... 45
Figure 5.2 : Fonction triangulaire reprsentant ltendue des poids pour une affectation ............. 47

xii

LISTE DES SIGLES ET ABRVIATIONS

MIP

Programmation/Programme en entiers mixtes (Mixted Integers Programming)

NP-Difficile Problmes Non-dterministes Polynomiaux Difficile

PL

Programmation/Programme Linaire

PLNE

Programmation/Programme Linaire en Nombres Entiers

xiii

LISTE DES ANNEXES

ANNEXE 1 Distribution des contraintes selon le type dexemplaire ......................................... 60

CHAPITRE 1

INTRODUCTION

Lexploitation dune mine ciel ouvert requiert diverses tapes de planification, que ce soit au
niveau de la dlimitation de la fosse finale, de la localisation des installations de surface ou de la
gestion de toutes les activits de production. Ce type de planification est assez complexe et
sappuie souvent sur lexpertise dingnieurs et sur lutilisation de systmes daide la dcision.
Dans un projet dexploitation de mine ciel ouvert, nous retrouvons au moins quatre tapes: (1)
lexploration et lanalyse de rentabilit, (2) la prparation du site, (3) lexploitation et (4) la
remise en tat du site exploit. Ces tapes sont rsumes ici, mais sont plus dtailles par
Newman et al. (2010).
la premire tape, des gisements potentiels sont identifis et un modle gologique est tabli si
lexploitation dun de ces gisements est estime rentable. Dans ce modle, le gisement est
discrtis en blocs, pour lesquels la teneur en minerai et diverses caractristiques mcaniques et
chimiques sont tablies partir de lanalyse des carottes de forages et de mthodes
gostatistiques. Ces blocs sont les units de base utilises lors de la planification long et moyen
terme.
la seconde tape, on dtermine quelles seront les limites de la fosse la fin de sa vie
conomique. Ce problme consiste dterminer quels blocs seront extraits et ceux qui resteront
en place, tout en considrant lensemble des contraintes. Entre autres, on doit sassurer que la
pente des murs de la mine respecte linclinaison maximale permise et quun bloc nest extrait que
si les blocs qui le chapeautent le sont aussi. Ces contraintes font en sorte que le profil gnral de
la mine ressemble plus ou moins un cne. Ainsi, plus on souhaite creuser en profondeur, plus le
cne devient large, ce qui indirectement implique de slectionner des blocs dont la valeur
conomique est moins intressante. Ceci ncessite alors la rsolution dun problme
doptimisation afin de connatre le contour final de la mine qui procurera les meilleurs profits.
Lestimation du contour ultime de la mine ciel ouvert permet de dterminer la localisation des
installations de surfaces
Le site est alors prt pour la troisime tape, pendant laquelle on extrait et transporte le minerai.
Lextraction du minerai requiert lorganisation dune multitude dactivits dpendantes les unes
des autres dans lobjectif datteindre les cibles de productions. On retrouve, entres autres, les

2
activits suivantes : la slection des blocs extraire dans cette priode, le forage des blocs, le
dynamitage des blocs, lextraction des blocs par les pelles et le transport du matriel par camion.
Le minerai sera alors mis de ct sur des piles ou sera trait immdiatement lusine de
traitement.
Finalement, la quatrime tape consiste remettre le site dans un tat similaire celui existant
avant son exploitation. cette tape, on limine les parcs de rsidus et on favorise la croissance
de la vgtation environnante en effectuant une revgtation. Cette tape est atteinte la fin de la
vie conomique de la mine.
Dans ce type dentreprise, plusieurs aspects peuvent amliorer lefficacit de lexploitation : un
choix judicieux des techniques de minage, lautomatisation de certaines tches et une meilleure
planification des activits de minage. Ce dernier item est celui dont la mise en place est la moins
coteuse et dont les gains peuvent tre les plus significatifs. En exemple, la dtermination des
squences de minage permet dextraire plus rapidement les zones riches ce qui procure une
augmentation des revenus et compense les frais levs de dmarrage. La planification permet
galement de rpartir la charge de travail adquatement sur un horizon donn et destimer les
besoins en quipements.

1.1 Horizons et niveaux de planification

Llment principal considrer en planification est le niveau de dtails qui rendra le plan
pertinent. Habituellement, plus les dcisions stalent sur une longue priode de temps, moins les
dtails du quotidien possdent un impact sur le rsultat final. Ainsi, il existe diffrents niveaux
dcisionnels : stratgique, tactique et oprationnel. Le niveau stratgique concerne les dcisions
qui sont engages pour une longue priode de temps et qui orientent le projet en gnral. Le
niveau tactique concerne les dcisions de gestion gnrale ayant un impact moyen terme.
Finalement, le niveau oprationnel reprsente les dcisions du quotidien. Limpact de ces
dcisions est minime et trs bref. Dans les prochaines sous-sections, nous dcrivons en dtails ces
diffrents niveaux de planification. Nous prsentons dabord la planification long terme et celle
court terme. La dfinition de ces deux types de planification permettra de mieux cerner la
planification moyen terme.

1.1.1 Long terme (niveau stratgique)

La planification long terme, relevant du niveau stratgique, a pour but de positionner une
entreprise ou un projet avec son environnement. Les hauts dirigeants sont ceux qui prennent ce
type de dcisions occasionnelles, durables et difficilement rversibles. Lintrt principal pour ce
niveau de dcision est dobtenir une vue dassemble sur les annes venir pour orienter les
niveaux de dcisions infrieurs. Dans le cas des mines ciel ouvert, on tente de tracer le profil
final de la mine et dtablir une squence annuelle pour lextraction des blocs, sans traiter des
oprations particulires. Le profil et la squence permettent, entres autres, dtablir les besoins en
quipements et de planifier linstallation de linfrastructure.

1.1.2 Court terme (niveau oprationnel)

Au niveau oprationnel, les dcisions sont prises pour un horizon court terme. Cest lutilisation
des ressources qui est llment le plus important de ce niveau dcisionnel, rendant ces dcisions
frquentes, flexibles et brves. On y traite des oprations rencontres durant un quart de travail,
o on tente de minimiser lcart entre la production cible par la planification moyen terme et
celle qui sera tablie par le plan de production journalier. Pour les mines ciel ouvert, ce niveau
reprsente la gestion au quotidien des ressources dextraction et le respect des cibles de mlange
et de production.

1.1.3 Moyen terme (niveau tactique)

moyen terme, cest la gestion des ressources de faon plus globale qui importe. Ce type de
dcisions est faiblement rversible et un impact certain sur le projet. Lembauche demploys et
lachat de nouveaux quipements sont des exemples de dcisions qui relvent du niveau tactique.
Pour un projet de mine ciel ouvert, ce niveau dcisionnel reprsente une zone grise, pour
laquelle la planification peut se rvler tre trs bnfique ou, au contraire, plutt risque, tant
donn le compromis entre le niveau de dtails et ltendu des dcisions sur une longue priode de
temps. En effet, si on tablit une squence dactions trs dtaille, il est peu probable que
lhoraire soit respect et que la solution obtenue reprsente une aide la dcision efficace. On
doit grer lorganisation des quipements, tout en prcisant la squence dextraction des blocs de
la mine. Plus spcifiquement, la squence dactivits commence avec les quipes de forage et de
dynamitage, qui prparent les blocs pour lextraction, qui sera excute par les pelles et les

4
camions. Chacune de ces activits impliquent des dplacements dquipements et demploys.
Les quipements doivent donc tre disponibles et tre utiliss de faon respecter leur capacit
respective. De plus, les blocs traiter doivent tre accessibles, ces derniers dpendant
physiquement des blocs qui les entourent. Lextraction du minerai doit respecter des contraintes
de mlange o des bornes infrieure et suprieure sont tablies pour chacune des diffrentes
caractristiques du minerai. Toutes ces contraintes doivent tre respectes, le tout dans lobjectif
de minimiser les cots dopration sur une priode de quelques mois. Si on sintresse la
structure du problme, on retrouvera le squenage des blocs sur des longues priodes de temps,
mais surtout lorganisation des ressources chacune de ces priodes. Ce niveau dcisionnel vient
prciser les cibles de production, mais vrifie aussi la faisabilit de la planification long terme.
Cest ce niveau quon doit prciser le moment auquel chacun des blocs est extrait, combien de
ressources seront utilises et si les critres de production sont ralistes.

1.2 Difficults de rsoudre ces problmes

La taille des problmes rsoudre est souvent le premier lment considrer lorsquon tente
dtablir le niveau de faisabilit dun problme. Dans le cas de la planification des mines ciel
ouvert, le nombre de blocs considrer et le nombre de priodes couvrir sont les principales
composantes qui influencent la taille du problme. Lors de la planification moyen terme,
plusieurs contraintes parmi celles qui seront ajoutes impliquent le produit de ces deux
composantes. Malgr que le nombre de blocs considr soit infrieur au problme de
planification long terme, le produit du nombre de blocs par le nombre de priodes fait en sorte
que ces problmes sont de trs grande taille. De plus, la varit des contraintes ne permet pas la
reprsentation du problme par une structure unique et simple analyser comme pour la
dtermination du contour optimal de la mine. En effet, ce problme peut se rsoudre en utilisant
un algorithme de recherche du flot maximal dans un graphe. Pour le problme de planification
moyen terme, la synchronisation des activits prsente des caractristiques similaires au
problme de flow shop et le dplacement des pelles sapparente un problme de tourne sur
des nuds, sans avoir lavantage de pouvoir utiliser la structure propre chacun de ces
problmes.
Dans le cas du problme de la squence de minage, qui rejoint autant le long terme que le moyen
terme, lapproche optimale implique des modles de programmation linaire en nombres entiers

5
qui se rsolvent par des algorithmes dvaluation et de sparation progressive. Malheureusement,
lapproche optimale est toujours susceptible dtre inefficace d la structure du problme. Les
problmes de flow-shop et de tourne de vhicules tant

NP-Difficiles, et celui de la

planification moyen terme dans les mines ciel ouvert tant une combinaison de ceux-ci, ce
dernier est ncessairement NP-Difficile. La puissance de calcul disponible pour rsoudre le
problme de planification moyen terme dans son ensemble de faon optimale nest pas
suffisante et ne le sera surement pas encore avant trs longtemps. Quelques modles long et
court terme sont rsolus de faon optimale, mais ces derniers nont pas beaucoup dlments
communs avec les modles moyen terme.
Pour linstant, les meilleures approches proposes sont des mthodes heuristiques, compte tenu
du fait que ces problmes sont NP-Difficiles. En effet, il nest pas rare de faire usage de
mtaheuristiques ou de programmation par contraintes pour des problmes dordonnancement.
Ces mthodes sont en gnral rapides mais ne garantissent pas loptimalit.

1.3 Objectifs du mmoire

Lobjectif principal de ce mmoire est de proposer un modle mathmatique de planification
moyen terme et den dfinir les limites. Nous tenterons de dvelopper un modle de
programmation linaire en entiers mixtes pour rsoudre des problmes pour un horizon de
planification entre 30 et 90 jours. videmment, le problme la base est dj plutt difficile,
donc nous tenterons ensuite danalyser les limites du programme mathmatique et les difficults
prsentes dans sa structure. Dans cette analyse, il sera primordial didentifier les contraintes
difficiles et de se concentrer sur lpuration des lments du modle, si possible. Par puration,
nous signifions le retrait de contraintes non pertinentes, le renforcement des contraintes actives, et
lutilisation de simplifications mathmatiques. Une fois les limites dtermines, nous
identifierons les pistes qui permettront dobtenir des solutions pratiques pour ce problme, ce qui
inclut de considrer une approche optimale et une approche heuristique.

1.4 Plan du mmoire

Dans ce chapitre, nous avons dfini le problme de faon gnrale. Pour la suite du mmoire,
nous proposons la structure suivante. Une brve revue de la littrature est effectue au chapitre 2
pour permettre dtablir les bases de ce mmoire. Au chapitre 3, nous proposons dabord un

6
premier modle appel le modle de base. Aux chapitres 4 et 5, nous prsentons les mthodes de
rsolutions optimales et heuristiques. Finalement, le chapitre 6 est constitu dun retour sur les
impacts et les dfis de ce projet et dune conclusion sur les lments de ce mmoire.

CHAPITRE 2

REVUE DE LITTRATURE

Dans le but dtablir les bases de ce mmoire, nous prsenterons dans ce chapitre les mthodes
utilises pour faciliter la planification dans les mines ciel ouvert. Selon lhorizon de
planification, nous retrouvons des modles bien diffrents les uns des autres. Pour cette raison,
les modles seront regroups selon le type de planification quils reprsentent.
Newman et al. (2010) effectuent un excellent survol de tous les problmes de planification
prsents dans la littrature pour les mines souterraines et les mines ciel ouvert. Nous y
retrouvons principalement des modles de planification long terme (stratgique/tactique) et
court terme (tactique/oprationnel).
Ce qui suit dtaille ces diffrents types de modles, auxquelles nous ajoutons une catgorie
intermdiaire entre la mise en squence tactique des blocs et la gestion oprationnelle des
quipements. Le type de planification que vise ce mmoire correspond cette nouvelle catgorie.

2.1 Conception stratgique du contour ultime de la mine

ce niveau dcisionnel, lobjectif est dtablir le contour optimal de la mine. Cest ce moment
que le contour ultime est trac et que la dure du projet dexploitation peut tre tablie. Le profil
de la mine est tabli en considrant les contraintes de prcdence entre les blocs et la valeur
quapporte lextraction de chacun de ces blocs.
Hochbaum et Chen (2000) prsentent le modle en nombres entiers suivant qui sera utilis en
exemple pour ce type de problme. Ce type de modle est classique et est utilis par la majorit
des auteurs traitant du problme de planification long terme pour la conception du contour
ultime dune mine ciel ouvert. Il est important de mentionner que le modle gologique peut
tre reprsent par un graphe G (N, A) o N est lensemble des nuds (i.e. les blocs) et o A est
lensemble des arcs (i.e. les contraintes de prcdence entre les blocs).

Picard (1976) a dmontr que ce problme sapparente un problme de fermeture maximale

dans le graphe G (N, A) dcrit plus haut. Ce dernier a galement dmontr quil est possible de
transformer lgrement le graphe et de rsoudre ce type de problme de faon efficace par un
algorithme de flot maximal. Plusieurs recherches ont t effectues sur ce problme, les plus
rcentes portant sur des approches tenant compte de lincertitude des paramtres du modle
linaire (i.e. les donnes du modle gologique).

2.2 Mise en squence tactique des blocs

Dans ce problme, nous considrons le moment o les blocs sont extraits en introduisant la
notion de priode. Lintroduction de cet indice permet lajout de contraintes de ressources au
modle prcdent et oblige la modification du fonctionnement des variables de dcision

Chicoisne et al. (2009) prsentent le modle dans la forme suivante. Cette formulation est
similaire celles utilises par la majorit des auteurs traitant du problme de mise en squence
des blocs avec contraintes de ressources.

Les contraintes (2) assurent le respect de la capacit de chacune des ressources et les contraintes
(3) assurent le respect des prcdences entre les blocs. Les contraintes (4) assurent le respect de la
dfinition des variables

et les contraintes (5) initialisent zro la valeur des variables de

dcision pour la priode 0. Dans la fonction objectif, on maximise la somme des profits
obtenus lors de lextraction des blocs b. Plusieurs lments de ce type de modle sont repris et
font partie du modle prsent dans ce mmoire.
Ces problmes contiennent habituellement un bon nombre de priodes et de blocs, ce qui rend la
rsolution optimale difficile et force les chercheurs plutt favoriser une approche heuristique.
En exemple, Chicoisne et al. (2009) ont dvelopp une mthode de rsolution heuristique qui
gnre des bornes infrieures de bonne qualit par un algorithme de triage des blocs et qui raffine
la solution par une mthode de recherche locale.
Nous retrouvons aussi dans la littrature lutilisation de mtaheuristiques. Sattarvand et NiemannDelius (2008) prsentent une revue de littrature sur lutilisation gnrale de ces mthodes pour
ce type de problme. Nous y retrouvons lalgorithme gntique, le recuit simul et la colonie de
fourmis. Lutilisation de ces mthodes nest pas encore commune pour ce problme de
planification, mais prsente un potentiel vident.
Pour ce qui est de la rsolution optimale du modle, nous retrouvons plusieurs types de stratgies
de rsolution. En exemple, Caccetta et Hill (1999) prsentent une nouvelle mthode de branch
and cut . Cette mthode contient plusieurs lments cls dont le renforcement des liens entre les
variables pour augmenter limpact de la fixation des variables lors du branchement, lajout de

10
coupes, la combinaison entre la recherche depth first et la recherche best first et la
gnration de bornes infrieures efficaces laide dune mthode heuristique.
Dautre part, Boland, Fricke et Froyland (2006) font lusage de contraintes renforant la
formulation originale. Ces contraintes fixent zro la valeur de

si les blocs en prcdence b

suffisent remplir la demande pour un attribut donn jusqu la priode t.

La structure du modle prsent dans ce mmoire tant assez diffrente des structures des
modles traits par ces mthodes, nous navons prsent que les mthodes de rsolution les plus
pertinentes.

2.3 Gestion oprationnelle des quipements

Pour ce type de planification, plusieurs modles existent. Ces modles sont trs diffrents les uns
des autres et reprsentent habituellement un aspect en particulier de la gestion des quipements.
titre dexemple, McKenzie, Newman et Tenorio (2008) prsentent un modle qui traite
uniquement du dplacement des chargeurs. Pour les modles considrant lensemble des
quipements, le nombre de priodes est habituellement rduit et lextraction des blocs nest pas
un lment principal du problme. Fioroni et al. (2008) prsentent un modle contenant des
contraintes de production, de dplacements dquipements et de mlange. Cependant, ce modle
ne considre quune seule priode et ne considre pas les blocs individuellement. La liaison entre
les diffrentes priodes se fait par simulation, les rsultats de celle-ci tant les paramtres de la
priode suivante. Desgroseilliers (2009) prsentent un modle contenant des contraintes
similaires et traitant du dplacement des camions entre les sources de minerai ou de strile et les
puits associs aux concasseurs et aux haldes strile. La fonction objectif de ce modle maximise
un profit reli au cot de transport des camions et la qualit du minerai. Ce modle contient
environ une centaine de variables et de contraintes, ce qui rend la rsolution optimale trs
accessible, au contraire des modles de la section prcdente et de la section suivante.
ce niveau, la discrtisation des blocs du modle nexiste plus et les quipements (e.g. les
pelles) sont affects en prtraitement des zones. Seul les contraintes de mlange sont communes
entre ce type de modle et celui qui est prsent dans ce mmoire.

11

2.4 Planification tactique des quipements et mise en squence des

blocs moyen terme
Cette nouvelle catgorie de planification constitue une zone grise entre la mise en squence
tactique des blocs et la gestion oprationnelle des quipements. Le problme de planification
moyen terme tel que nous le dfinissons fait partie de cette catgorie. On retrouve dans la
littrature trs peu de modles pour ce type de problme.
Lestage et al. (1993) prsentent une des rares mthodes de rsolution pour ce type spcifique de
problme. Les lments de planification abords dans ce papier sont la satisfaction des cibles de
production et le respect des contraintes oprationnelles. Lobjectif du problme est damliorer le
contrle en production de la teneur en minerai et lutilisation des quipements. Un modle de
programmation dynamique par gnration dtats est propos pour rsoudre ce problme. Un tat
du modle reprsente une configuration de la mine comprenant ltat des blocs et la position des
quipements pour une priode. chaque itration de la rsolution (i.e. pour chacune des 90
priodes de lhorizon de planification), tous les tats possibles de la mine sont gnrs. Les tats
les moins pnalisants en fonction de latteinte des cibles de production et de lutilisation des
quipements sont choisis et servent de base dans la gnration des tats pour les prochaines
itrations. la dernire priode, la suite dtats la moins pnalisante est slectionne comme
solution finale.
Le modle prsent dans ce mmoire possde quelques lments en commun avec le modle de
Lestage et al. (1993), notamment le regroupement des blocs pour certaines tches et
lincorporation des activits de forage et de dynamitage.
Le chapitre suivant prsente le modle propos dans ce mmoire.

12

CHAPITRE 3

MODLE MATHMATIQUE

3.1 Dfinitions et objectifs

Dans ce modle de planification, nous ferons rfrence diffrentes subdivisions du modle
gologique. Le bloc est la premire unit utilise dans ce type de modle. De faon gnrale, le
bloc est un cube denviron 15m X 15m X 15m. partir de ces blocs, nous avons cr deux autres
units de production : les faces et les regroupements. Une face se dfinit comme un ensemble de
blocs possdant des caractristiques communes. Il sagit dun ensemble de blocs adjacents qui
seront exposs et accessibles simultanment. Chaque bloc appartient une seule face. La face est
lunit de production utilise pour la localisation des pelles. On considre quau plus une pelle
peut tre affecte une face. Un regroupement (ou cluster en anglais) reprsente un ensemble de
faces qui pourrait former une tche de forage et de dynamitage. Une face peut appartenir plus
dun regroupement, mais videmment, un seul regroupement contenant cette face peut tre for et
dynamit. Le modle mathmatique devra permettre loptimiseur de choisir parmi tous les
regroupements ceux qui permettent dobtenir un meilleur ordonnancement.
De plus, afin de mieux reprsenter les dplacements de pelles, nous utilisons le terme de zone
pour un ensemble de regroupements rapprochs. Plus dune pelle peut tre affecte une zone.
Les dplacements au sein dune mme zone sont courts, alors que les dplacements entre deux
zones sont beaucoup plus longs.

13

Figure 3.1 : a) Un bloc, b) 3 faces de deux blocs, c) Un regroupement de 3 faces et un

regroupement de 4 faces, d) Une zone

Lobjectif de ce type de planification est de minimiser les cots dexploitation en amliorant

lorganisation et la planification des oprations tout en assurant que les cibles de production
soient atteintes. moyen terme, nous nous intressons principalement aux cots de dplacement
des pelles et aux cots de forage et de dynamitage. Toutefois, latteinte de ces objectifs doit se
faire en respectant plusieurs contraintes oprationnelles. Nous dressons ici une liste dlments
considrer. Il faut :

14
1. Dterminer la priode laquelle chaque activit (i.e. forage, dynamitage ou extraction) est
excute.
2. tablir la squence des faces traiter en considrant les prcdences.
3. Connatre lemplacement de chacune des pelles chaque priode.
4. Respecter la squence de minage : le forage, le dynamitage, lextraction et le transport du
matriel fragment.
5. Respecter les contraintes de mlange et de production.
6. valuer le nombre de ressources qui sont disponibles.
7. Respecter la capacit de chacune des ressources (i.e. capacit des pelles, capacit du
concasseur, etc.).
8. Planifier lextraction partielle ou complte des faces.
9. Organiser le dplacement des pelles.
10. Choisir les regroupements de faces qui feront partie de la planification.
11. Connatre lemplacement des quipements autres que les pelles et les foreuses.
12. Organiser laffectation des camions aux pelles lors de chaque quart de travail.
13. Grer les employs (i.e. embauche, qualifications, conditions de travail, horaire, etc.)
14. Planifier la maintenance des quipements.
15. Planifier la construction des routes.
16. Assurer ltablissement dune zone de scurit lors des dynamitages.
Les lments considrer dans un tel problme sont trs diversifis et dpendent principalement
de lhorizon de planification pour lequel on doit obtenir une solution. Le problme vis dans ce
mmoire est la planification moyen terme dans laquelle on tente de grer lorganisation des
oprations, tout en tablissant la squence dextraction de certains blocs de la mine. Pour ce faire,
nous considrons dans notre modle les items 1 10.
Les lments 11 16 ont t jugs non pertinents pour le modle ou ont t ignors dans ce
premier modle par souci de simplification. Lunit temporelle utilise dans le modle tant

15
dune journe et les activits des lments 11 13 prenant moins quune unit de temps pour
sexcuter, nous pouvons supposer que la gestion plus dtaille de celles-ci revient plutt une
planification par quart de travail et donc au problme de court terme. Les lments 14 16
ajouteraient un niveau de dtails intressant pour le problme, toutefois ils engendrent une
complexit plus leve et augmentent la combinatoire. Dans ce mmoire, nous les avons ignors
par souci de simplicit. Il serait intressant de les inclure ventuellement dans ce type de modle.

3.2 Construction du modle de base

Dans cette section nous prsentons le modle de base. Ce dernier a volu considrablement au
cours du projet afin de permettre la rsolution du problme de planification moyen terme.
Chaque bloc de contraintes sera prsent individuellement et expliqu par la suite. Le modle
global sera prsent la fin de cette section.

3.2.1 La fonction objectif

La fonction objectif consiste minimiser la somme de trois cots. Le premier lment reprsente
le cot des trs grands dplacements de pelles entre deux zones. Le deuxime lment reprsente
le cot de se dplacer entre deux faces dans la mme zone. Finalement, le troisime lment
reprsente les cots de forage et de dynamitage.
Afin de rduire la combinatoire, nous distinguons les dplacements de courte distance (intrazone) de ceux de longue distance (extra-zone). Il est souhaitable de limiter les dplacements de
longue distance, nous introduisons donc un cot trs lev pour ce type de dplacement. Nous
avons considr un cot fixe unique pour tout dplacement entre deux zones. Ceci vite de
calculer la distance entre des faces de zones diffrentes et diminue ainsi la combinatoire. Nous
considrons que cette approximation des cots nest pas trop pnalisante pour le modle tant
donn que ce type de dplacement sera peu frquent dans les solutions. Il devient toutefois
intressant de faire cette distinction pour les petits dplacements intra-zone.
Voici les variables introduites dans la fonction objectif qui permettent de dfinir la nature des
dplacements des pelles:

16
in

out

=
Voici les variables qui permettent la planification pour le forage et le dynamitage :
=
=
Il est important de noter que la valeur dans le temps des variables

et

peut tre reprsente

par une fonction en escalier possdant une seule marche. Ces variables reprsentent ltat au
temps t du regroupement c.
Fonction objectif :

Dans la fonction objectif, le paramtre TCU (pour Travel Cost Undefined) reprsente la moiti du
cot de dplacer une pelle entre deux zones, tant donn que le changement entre ces zones est
reprsent autant par la variable

que la variable

cot de dplacer une pelle entre deux faces

et

. Le paramtre

reprsente le

dune mme zone et les paramtres

et

reprsentent le cot d'effectuer le forage et le dynamitage sur un regroupement c.

Lensemble

contient toutes les faces qui sont accessibles dans la mme zone que la face f.

17

3.2.2 Contraintes de mlange

Ce bloc de contraintes assure le respect des cibles de mlange. Nous y trouvons lindice e qui est
associ aux diffrentes caractristiques que lon souhaite vrifier (teneur, proprits mcaniques,
proprits chimiques, etc.).
Voici les variables introduites dans ce bloc de contraintes :
=
La variable

est cumulative. Pour obtenir la quantit qui a t retire au temps t, nous devons

faire la diffrence entre le temps t et le temps t-1.

Ces contraintes limitent le niveau de production afin de respecter les bornes

et

de toutes

les caractristiques e. La caractristique principale (i.e. e = 1) est la teneur en minerai du bloc.

Ces contraintes assurent le respect du niveau de mlange acceptable. Cette formulation assure
une teneur moyenne minimale et maximale pour la production. Le tonnage de la face est
reprsent par

et la quantit de l'lment e dans la face f est dfinie par

3.2.3 Contraintes sur la localisation et la capacit des pelles

Le bloc de contraintes pour contrler le niveau de production des pelles ncessite lintroduction
dune variable binaire qui identifie la prsence dune pelle devant une face chaque priode, afin
de lier la capacit de cette pelle au niveau de production qui sera effectu dans la face durant la
priode t.
=
Les contraintes suivantes limitent pour chaque priode laffectation dau plus une seule face
chacune des pelles et dau plus une seule pelle chacune des faces.

18

tant donn que les faces possdent habituellement un tonnage suprieur la capacit d'une pelle
pour une priode, nous limitons ici la production que peut effectuer chacune des pelles. La
demande minimale et la capacit maximale sont traites diffremment. Les contraintes (7)
limitent la production effectue une face durant une priode t la capacit maximale de la pelle
qui y est affecte. Pour la production minimale (6), nous considrons une seule contrainte par
priode pour lensemble des pelles. On assure que la somme de la production des pelles soit
suprieure un pourcentage minimal de la capacit totale disponible. Une demande de capacit
minimale individuelle pour chaque pelle pourrait rendre le problme non ralisable en forant le
dplacement des pelles lorsque la quantit de matriel est infrieure au minimum de production
exig ou encore force la solution tre sous-optimale en effectuant lextraction sur plus de
priodes afin dtre en mesure de pouvoir extraire le reste qui aurait t cr autrement.

La prsence de la variable

dans le membre de droite des contraintes (7) fait en sorte quil ne

peut y avoir de production que sil y a prsence de la pelle devant la face. De plus, on limite le
tonnage qui peut tre extrait d'une face f en fonction de la pelle s qui lui est attribue (la capacit
de la pelle s tant

). Les contraintes (6) force un minimum de production en rapport avec une

fraction LS du total de la capacit des pelles disponibles.

3.2.4 Contraintes sur lutilisation des ressources la priode t

Le nombre dquipes de forage et de dynamitage est limit et le nombre de priodes (
que prennent ces deux oprations peut varier dun regroupement lautre.

et

19

Ces contraintes assurent que le nombre de ressources en opration chaque priode (et ce, en
fonction du temps ncessaire pour effectuer l'opration) est compris dans les fentres respectives
([

et [

) pour le forage et le dynamitage.

3.2.5 Contraintes douverture et de fermeture des faces

Nous souhaitons limiter le nombre de faces en production simultanment chaque priode. Pour
ce faire, nous devons introduire les variables suivantes :
=
=
Il est important de noter que la valeur dans le temps des variables

et

peut tre reprsente

par une fonction en escalier possdant une seule marche. Ces variables reprsentent ltat au
temps t des faces f.
Les contraintes suivantes limitent le nombre nf de faces qui peuvent tre entames simultanment
dans une seule priode.

Par la suite, il faut lier ces nouvelles variables la variable dextraction des faces.

20
Ces contraintes dfinissent le fonctionnement des variables

et . Ces variables permettent de

vrifier si lextraction dune face est dbute ou est termine.

3.2.6 Contraintes sur le dplacement des pelles

Ces contraintes assurent la conservation du flot lorsque les pelles se dplacent.

Nous devons dfinir les dplacements dans le but dobtenir les cots associs. Cet ensemble de
contraintes remplit cette fonction. Pour chaque dplacement de pelle (arrive ou dpart dune
face), on doit dfinir la provenance ou la destination de celle-ci. Les dplacements entre deux
zones sont beaucoup plus coteux que les dplacements entre deux faces dune mme zone.

3.2.7 Contraintes de prcdence

Les prcdences entre les diffrentes activits de production sont respectes grce aux ensembles
de contraintes (16) (18). Lensemble (16) implique quun regroupement ne peut pas tre
dynamit avant davoir t for. Lensemble (17) vrifie quau moins un des regroupements
comprenant la face f soit dynamit avant de pouvoir amorcer lextraction du matriel de la face f.
Finalement, lensemble (18) impose que toutes les faces qui appartiennent lensemble des
prdcesseurs du regroupement c soient exploites avant que le regroupement c puisse tre
dynamit. Notez que cela nempche pas le forage du regroupement c. Lensemble

contient les

faces qui doivent tre exploites avant que le regroupement c puisse tre exploit et lensemble
contient les regroupements auxquels appartient la face f.

21

3.2.8 Contraintes de lien temporel

Ces contraintes permettent le respect de la dfinition des variables

et

, et assurent que

lextraction cumulative dune face est effectue de faon croissante.

3.2.9 Contraintes de slection des regroupements et de liaison

Voici les variables introduites dans ce bloc de contraintes :
=

Ces contraintes reprsentent la slection des regroupements c qui seront utiliss pour permettre
l'exploitation des faces. Dans l'ensemble

on retrouve des ensembles de regroupements non

compatibles entre eux. Chaque lment de l'indice k reprsente un tel ensemble. Les
regroupements d'un tel ensemble ne sont pas compatibles car ils partagent au moins une face
commune ce qui signifie quon ne peut slectionner qu'un seul de ces regroupements.
Une fois que les regroupements compatibles sont tablis, ces contraintes rendent possible le
forage de ces regroupements.

22

3.3 Prsentation du modle de base complet

Soit les indices et les ensembles suivants :
t

Indique la priode dexploitation (jour) | t = 1,,T

Indique lensemble des regroupements

Indique le numro du regroupement ( cluster ) |

Indique lensemble des faces

Indique le numro de la face |

Indique lensemble des pelles

Indique le numro dune pelle ( shovel ) |

Indique lensemble des lments

Indique le numro dun lment (e.g. e = 1 reprsente la teneur en minerai) |

Lensemble des regroupements auxquels appartient la face
Lensemble des faces qui doivent tre exploites avant que le regroupement c puisse tre
exploit

Indique le numro dune clique de regroupements non-compatibles

Lensemble des regroupements non-compatibles dans la clique k
Lensemble des faces qui sont dans la mme zone que la face f

Soit les paramtres suivants :

Le tonnage de la face f
Le nombre dunit de llment e dans la face f
La limite suprieure sur la production de llment e au temps t
La limite infrieure sur la production de llment e au temps t
La limite suprieure sur le nombre dquipes de forage disponibles au temps t
La limite suprieure sur le nombre dquipes de dynamitage disponibles au temps t

23
La limite infrieure sur le nombre dquipes de forage utiliser au temps t
La limite infrieure sur le nombre dquipes de dynamitage utiliser au temps t
La limite suprieure sur la capacit de production de la pelle s
LS

La limite infrieure (en %) sur lutilisation de la capacit totale des pelles.

Le nombre de priodes ncessaires pour effectuer le forage du regroupement c
Le nombre de priodes ncessaires pour effectuer le dynamitage du regroupement c

nf

Le nombre maximal de faces pouvant tre ouvertes simultanment

Le cot de se dplacer entre la face f1 et la face f2

TCU Le cot de se dplacer entre deux zones

Le cot de forer le regroupement c au temps t
Le cot de dynamiter le regroupement c au temps t
Soit les variables suivantes :
=
=
=
=
=
=
=
=

24

Fonction objectif :

Contraintes de mlange:

Contraintes sur la localisation et la capacit des pelles :

25
Contraintes sur lutilisation des ressources la priode t :

Contraintes douverture et de fermeture des faces :

Contraintes sur le dplacement des pelles :

Contraintes de prcdence :

26
Contraintes de lien temporel :

Contraintes de slection des regroupements et de liaison

Dclaration des variables :

27

CHAPITRE 4

MTHODES DE RSOLUTION OPTIMALE

Dans ce chapitre, nous prsentons des stratgies et des modles pour favoriser une rsolution
rapide du modle de base prsent au chapitre 3. Dabord, nous commenons par dfinir les
valeurs que nous avons utilises pour les principaux paramtres du modle, ce qui nous permettra
ensuite dvaluer la taille du problme. Ensuite, nous dcrivons brivement le gnrateur de
mines virtuelles qui a t dvelopp et qui permettra dvaluer les diffrents modles.
Finalement, nous dcrivons le plan dexprimentation qui est propos pour tester les diffrentes
stratgies de rsolution.

4.1 Taille du problme

Gnralement, plus un modle contient de contraintes et de variables, plus ce modle est difficile
rsoudre. Dans cette section, nous allons calculer la taille des problmes en fonction du nombre
de contraintes et de variables prsentes dans le modle. Cette information permettra de mieux
comparer les modles entre eux et de dfinir, en quelque sorte, leur niveau de performance.
Avant dvaluer la taille des problmes qui seront rsolus, nous devons dabord dfinir la valeur
des paramtres utiliss dans notre modle. Voici les paramtres principaux qui sont utiliss dans
le modle pour tous les tests effectus :

Le tonnage de chaque face est quivalent la capacit maximale de production dune

pelle durant 3 priodes.

Les regroupements sont composs dau moins 3 faces.

La production minimale exige des pelles (LS) est de 80% du total de tonnage disponible.

Le cot de dplacement dune pelle dune face une autre dans la mme zone est
proportionnel la distance euclidienne entre les faces. Si les faces sont dans des zones
diffrentes, le cot de dplacement est fixe, unique et relativement grand.

Les cots de forage et de dynamitage sont dcroissants dans le temps et proportionnels au

nombre de faces dans le regroupement concern. Les cots sont dcroissants dans la
fonction objectif afin dobtenir une solution plus raliste dans laquelle le forage et le
dynamitage sont effectus quelques priodes avant lextraction des faces.

La dure pour les activits de forage et de dynamitage (

et

) est dune priode.

28

La teneur est la seule caractristique du matriel qui est considre (i.e. e = 1 est la seule
valeur pour cet indice qui sera considre).

Dans ce mmoire, trois types dexemplaires sont produits. Les exemplaires sont des
reprsentations de mines fictives contenant toutes les informations ncessaires la rsolution du
modle et ayant un horizon temporel bien dfini. Le premier type dexemplaires (T1) est utilis
pour effectuer les tests dans le plan dexprimentation. La planification pour ces exemplaires
seffectue sur un horizon temporel de 10 priodes. Le deuxime type dexemplaires (T2) sera
utilis dans le prochain chapitre o une mthode heuristique est propose pour une planification
seffectuant sur 30 priodes. Finalement, le troisime type dexemplaires (T3) reprsente un idal
pour le problme de planification moyen terme et couvre une planification sur 90 priodes. Le
tableau 4.1 rsume les valeurs attribues aux paramtres pour les trois exemplaires. Les cinq
premires ranges du tableau indiquent le nombre de priodes comprises dans lhorizon de
planification, ainsi que le nombre de faces, de zones, de faces par zone et de pelles. La sixime
ligne indique le nombre de regroupements potentiels (i.e. tout agencement possible de 3 faces
conscutives et plus sur un banc dextraction donn). Finalement, les deux dernires lignes
indiquent la taille du problme rsoudre.
Tableau 4.1: Rsum des paramtres des trois types dexemplaire
T1

T2

T3

Priodes

10

30

90

Faces

30

90

192

Zones

Faces par zone

18

24

Pelles

Regroupements

60

315

864

Variables

15,660

310,815

2,541,024

Contraintes

5,912

83,729

627,178

Il est important de remarquer que pour les exemplaires T3, le nombre de variables et de
contraintes reprsente un obstacle vident la rsolution de ce modle.

29
Si nous analysons la distribution des variables, nous remarquons que celles traitant du
dplacement des pelles (

et

) sont les plus nombreuses tant donn le

nombre dindices impliqus dans leur dfinition. En effet, pour chaque pelle s chaque priode t
il existe une variable de dplacement pour chaque paire de faces dans une zone. Dans les
exemplaires T3, les variables

elles seules reprsentent plus de 80% du total des

variables.
Tableau 4.2 : Analyse du nombre de variables pour chaque type dexemplaire
Variables

T1

T2

T3

57%

78%

82%

10%

4%

3%

10%

4%

3%

10%

4%

3%

4%

3%

3%

4%

3%

3%

2%

1%

1%

2%

1%

1%

2%

1%

1%

0%

0%

0%

La contribution de chaque bloc de contraintes dpend du type dexemplaire considr. Pour le

premier type dexemplaire (T1), ce sont les contraintes qui grent le dplacement (15) qui sont
les plus nombreuses, alors que pour les deux exemplaires plus grands (T2 et T3), ce sont les
contraintes qui supervisent le respect des prcdences (18) qui reprsentent la plus grande portion
du total des contraintes. Ceci est d au fait que la somme des cardinalits des ensembles

contenant les faces devant tre exploites avant de pouvoir dynamiter le regroupement c,
augmente trs rapidement en fonction du nombre de faces et du nombre de regroupements. En
effet, pour les exemplaires de type T1, cette somme est de 50, alors quelle est de 1920 pour les
exemplaires de type T3. Il sagit dun facteur daugmentation de 38.4, alors que le nombre de

30
faces naugmente que par un facteur de 6.4 et que le nombre de regroupements naugmente que
par un facteur de 14.4. Une discussion sur le raffinement de cet lment se trouve au chapitre 6.
La distribution partielle des contraintes selon le type dexemplaire est prsente ci-dessous. Les
contraintes qui sont absentes du tableau 4.3 reprsentent chacune moins de 5% de la taille du
modle. Le tableau complet se trouve lannexe 1.
Tableau 4.3 : Distribution partielle des contraintes selon le type dexemplaire
Contraintes

T1

T2

T3

15

23%

16%

14%

16

9%

11%

12%

19

9%

11%

12%

20

9%

11%

12%

18

8%

25%

27%

En prvision du plan dexprimentation faisant usage dexemplaires de type T1, nous pouvons
affirmer que les lments traitant du dplacement des pelles sont les plus nombreux et nous
pouvons supposer que les amliorations les concernant auront un impact majeur sur la rsolution
du modle.

4.2 Gnrateur dexemplaires

Des donnes provenant dexploitation nont pu tre utilises pour notre plan dexprimentation.
Nous prsenterons donc dans cette section notre mthode pour gnrer des exemplaires.
Le gnrateur dexemplaires a t dvelopp dans le logiciel Excel 2007 et programm en Visual
Basic. Lutilisateur doit fournir les paramtres suivants au logiciel : la dimension des zones, le
nombre de zones de cette dimension, le nombre de pelles et le nombre de priodes. Les zones
sont gnres niveau par niveau, selon le nombre choisis. Les faces au premier plan de chacun
des niveaux sont directement accessibles ds la premire priode, ce qui donne une allure
descalier chaque zone. La teneur pour chacune des faces est gnre en partie de faon
alatoire et en partie en fonction des faces voisines. Cette faon de faire permet une distribution
plus raliste des teneurs au sein dune mme zone. Les prcdences sont ensuite tablies selon la

31
rgle quune face ne peut pas tre utilise si la face devant elle et la face au-dessus delle nont
pas t enleves. tant donn lutilisation des regroupements, ces rgles sont suffisantes pour les
exemplaires de type T1 et T2. Par contre, pour les exemplaires de type T3, il est important
dappliquer des rgles de prcdence supplmentaires afin de respecter les contraintes de pentes
mentionnes au chapitre 1. Les regroupements sont dtermins partir des faces adjacentes dune
mme range et sur le mme niveau; ainsi toutes les combinaisons squentielles de trois faces
adjacentes et plus sur chacune des ranges sont considres. partir de cette liste de
regroupements, le logiciel tablit la liste des regroupements incompatibles (i.e. les regroupements
partageant au moins une face). Le gnrateur dexemplaires fournit aussi la liste de tous les
paramtres importer dans le modle.
Une fois que les donnes sont gnres et importes, nous pouvons amorcer la rsolution du
modle pour cet exemplaire.

4.3 Plan dexprimentation

Dans cette section, nous prsentons le plan dexprimentation qui a t dvelopp afin de
connatre limpact de chaque stratgie de rsolution propose. Chaque tape du plan reprsente
lajout ou la modification dune stratgie et les tests qui permettent de quantifier lapport de cette
stratgie. Par stratgie, nous entendons tous types dlments ou de mthodes permettant
damliorer la performance de rsolution optimale du modle. Pour chaque modification du
modle, trois tests ont t effectus (T1.1, T1.2, T1.3). Chaque test se fait sur un exemplaire
prdfini de type T1. Les trois exemplaires (i.e. un pour chaque test) sont donc de mme taille et
ne diffrent que par la teneur des faces. Il est important de noter que des tests sur des exemplaires
de diffrents types et de diffrentes tailles auraient permis de mieux dfinir limpact des
stratgies. Cependant, les exemplaires plus petits que T1 ne sont pas pertinents car ils sont
facilement rsolus sans laide dun solveur, tandis que ceux plus grands que T1 contiennent trop
de variables et de contraintes pour permettre une rsolution optimale. Notons que les stratgies du
plan dexprimentation ont t testes individuellement mais sont prsentes par bloc dans ce
mmoire par souci de simplification. Dautres combinaisons de stratgies ont t testes mais ne
se retrouvent pas dans le plan dexprimentation puisquelles ne contribuaient pas rduire le
temps de rsolution de faon significative. Il est important de noter que la solution optimale ne
change pas entre les tapes du plan dexprimentation et donc que lutilisation des stratgies

32
amliore le temps de rsolution sans dgrader la solution. La mise en uvre et les tests effectus
pour chacune des tapes de ce plan sont dtaills dans les sections suivantes.

4.3.1 Paramtres du solveur

Pour tous les tests suivants, le logiciel utilis pour la rsolution du modle est IBM ILOG
CPLEX Optimization Studio V12.2. Lordinateur sur lequel ce logiciel a t utilis est compos
dun processeur bi-cur de 3.00GHz, 8GB de RAM et fonctionne sur la plateforme Windows 7.
Le logiciel CPLEX Optimization Studio permet de slectionner divers paramtres afin dadapter
la rsolution au type de modle et sa structure. Dailleurs, la documentation du logiciel
recommande certaines modifications dans les paramtres pour les modles tels que celui-ci. Par
dfaut, la majorit des paramtres sont initialiss loption automatique . Dans ce cas, cest le
logiciel qui choisit les paramtres. Afin de voir sil tait possible de trouver une combinaison
idale de paramtres, nous avons commenc par effectuer des tests sur des exemplaires de plus
petite taille que T1. Les rsultats associs au choix des paramtres sont trs intressants car dans
certains cas le temps de rsolution est diminu de plus de 60%. Cependant, ces rsultats ne sont
pas demeurs constants pour toutes les tailles dexemplaire ou mme entre deux exemplaires de
mme taille. Les paramtres suggrs de faon automatique par le logiciel ont donc t utiliss
pour excuter le plan dexprimentation.

4.3.2 Modle de base

Le modle de base na t test que pour lexemplaire T1.1. Aprs 10 heures, ce qui correspond
au critre darrt fix 36 000 secondes, la rsolution ne montrait aucun signe de convergence
court terme compte tenu lcart entre la valeur de la meilleure solution en nombres entiers
trouve jusqu prsent et celle de la meilleure solution fractionnaire un nud de branchement
encore ouvert. En effet, la diffrence entre ces deux valeurs tait encore de 9% au moment o le
critre darrt a t atteint. Le tableau 4.4 prsente linformation relative ce test. Dans ce
tableau et pour ceux qui suivront, nous dfinissons linformation contenue dans les colonnes de la
faon suivante.

33
Dfinition des colonnes :
# Contraintes Rduit

Le nombre de contraintes aprs la rduction effectue en prtraitement

par le logiciel.

# Variables Rduit

Le nombre de variables aprs la rduction effectue en prtraitement par

le logiciel.

# Nuds Visits

Le nombre total de nuds visits dans larbre de branchement.

Largeur max. de
larbre

Le nombre maximal de nuds restant visiter pendant le branchement.

Temps (secondes)

Le temps requis pour atteindre la solution optimale ou tout autre critre

darrt.

cart dintgrit
LP\OPT

Le pourcentage dcart entre la solution trouve par la relaxation linaire

initiale et la solution optimale.

1re Solution 5%
OPT (secondes)

Le temps requis pour atteindre une solution entire moins de 5% de la

solution entire optimale.

Meilleure solution
entire trouve
(secondes)

Le temps requis pour atteindre la meilleure solution entire.

Tableau 4.4 : Rsultats du test pour le modle de base

Rduit

#
Variables
Rduit

# Nuds
Visits

Largeur
max. de
larbre

Temps
(secondes)

cart
dintgrit
LP\OPT

1re
Solution
5% OPT
(secondes)

Meilleure
solution
entire
trouve
(secondes)

4060

12020

1457910

840000

36000

N/A

N/A

N/A

#
Modle

Base

Test

T1.1

Contraintes

Pour ce test, plusieurs informations ne sont pas disponibles puisque la rsolution na pas t
complte, mais nous pouvons observer que le nombre de nuds visits est trop grand pour
permettre une rsolution rapide.

34

4.3.3 Modle M1
Pour le modle M1, deux nouvelles stratgies sont testes. Ces stratgies ont pour objectif de
faciliter la rsolution du problme en fixant a priori certaines variables zro et en prcisant des
priorits pour ltape de branchement. Ces deux stratgies sont les suivantes :
A) Fixation des variables
La fixation des variables en prtraitement se base sur le calcul des moments au plus
tt en ne considrant que les contraintes de prcdences entre les faces et les dures
minimales dextraction. Pour chaque face , sachant que celle-ci ne peut pas tre extraite
avant la priode
la face

, ceci implique ncessairement que toutes les variables associes

avant cette priode

prtraitement sont les suivantes :

sont gales zro. Les variables vises par ce

Pour obtenir le modle M1,

nous ajoutons au modle de base des contraintes fixant zro ces variables pour les
priodes vises.
B) tablissement des priorits
Lors de la procdure de branchement, il est possible dtablir une priorit pour la slection
des variables. Dans ce problme, il y a certains avantages rendre la valeur des variables
entire en premier. En effet, la relaxation (PL) du programme linaire en nombres
entiers (PLNE) se rsout trs rapidement, mais la solution trouve est loin dtre raliste.
Les pelles sont divises et distribues sur plusieurs faces en mme temps, ce qui limine
la majorit des dplacements. La valeur de la solution du PL est souvent trs loin de la
valeur de la solution du PLNE. Il est donc important damorcer le branchement en fixant
les variables associes aux pelles, ce qui influencera directement les variables pour les
dplacements (

) et les variables pour lextraction des faces (

tant donn les

liens directs entre ces ensembles de variables. Ltablissement de ces priorits sur

se

fait sur la base quil est plus important de fixer les variables en suivant un ordre
chronologique.
Compte tenu des rsultats obtenus pour les tests T1.1 et T1.2 du modle M1, le test T1.3 na pas
t effectu. Voici les rsultats de ces tests :

35
Tableau 4.5 : Rsultats des tests pour le modle M1

Rduit

#
Variables
Rduit

#
Modle

Test

Contraintes

# Nuds
Visits

Largeur
max. de
larbre

Temps
(secondes)

cart
dintgrit
LP\OPT

1re
Solution
5% OPT
(secondes)

Meilleure
solution
entire
trouve
(secondes)

M1

T1.1

2680

10735

736204

117000

6464

31.5%

40

40

M1

T1.2

2680

10735

811274

138000

7483

31.4%

38

Nous remarquons immdiatement que le modle M1 reprsente une amlioration sur le temps de
rsolution dau moins 80% sur le modle de base et est donc au moins 5 fois plus rapide que
celui-ci. Le nombre de nuds visits diminue dau moins 50% et la largeur maximale de larbre
de branchement diminue dau moins 85%. Nous remarquons aussi que la solution optimale est
trouve assez rapidement (voir la dernire colonne) et que le reste du temps ne sert qu
confirmer quil sagit bien de la meilleure solution entire. En effet, le solveur prend prs de 2
heures pour effectuer cette confirmation, alors que la meilleure solution entire est trouve aprs
40 secondes.
Les stratgies suivantes tentent de rduire ce temps dexploration de larbre de branchement ne
permettant pas damliorer la valeur de la solution optimale.

4.3.4 Modle M2
Le modle M2 est bas sur le modle M1 auquel nous ajoutons trois stratgies se traduisant par
lajout dun nouveau terme dans la fonction objectif et de deux nouveaux blocs de contraintes.
Ces stratgies ont pour objectif dliminer la recherche de solutions fonctionnellement identiques
et donc dliminer la symtrie entre les solutions. Ces trois stratgies sont les suivantes :
C) Rabais li la teneur
Ce rabais fait partie de la fonction objectif et vient favoriser lutilisation des faces
possdant les teneurs les plus leves. Ceci vient diffrencier les faces qui sont autrement
interchangeables dans plusieurs situations. Lapplication de ce rabais est tout fait raliste
et vient favoriser une production plus riche en minerai de faon gnrale. Nous
introduisons le paramtre

qui est directement proportionnel la teneur de la face f. Ce

36
rabais est dcroissant en fonction du temps pour favoriser une production plus riche au
dbut de la planification et pour liminer les symtries dans lordre dextraction. Ce terme
sintroduit dans la fonction objectif de la faon suivante :

D) Initialisation des pelles

Idalement, le modle est initialis selon la situation actuelle de la mine. Ceci implique
que certaines faces sont diffrentes tapes dextraction et que les quipements se
trouvent des endroits spcifiques la premire priode. Linitialisation des pelles place
celles-ci des endroits prdtermins pour les premires priodes. Afin dviter un biais
trop grand ou la non-ralisabilit du modle pour les petits exemplaires, nous attribuons
une zone chacune des pelles plutt quune face en particulier. Les contraintes suivantes
introduisent lindice pour les zones ( ) et lensemble des faces prsentes dans une zone
(

Cette contrainte attribue la zone x la pelle s tel que s = x pour les trois premires
priodes de la planification. En exemple, la pelle 1 sera affecte la zone 1 et la pelle 2
sera affecte la zone 2. Puisque les ressources et les faces ne sont pas toutes initialises
en prtraitement (i.e. la situation de dpart nest pas prdfinie), les priodes 1 et 2
reprsentent des priodes dinitialisation moins contraintes que les suivantes, permettant
au solveur de produire une solution avec une priode dinitialisation ralisable. Il est donc
important dassurer que les pelles se trouvent dans leur zone jusqu la troisime priode,
cette priode tant la premire tre considre dans chacun des blocs de contraintes.
Dans notre cas, le nombre de pelles est gal ou infrieur au nombre de zones. Dans le cas
o il y aurait moins de zones que de pelles, il est important dadapter ce bloc de
contraintes en consquence.

37
E) Contraintes ddies llimination des symtries dans les solutions obtenues
Dans le problme, les pelles doivent extraire partiellement le tonnage total dune des faces
afin de respecter des contraintes de production et de mlange. Les pelles sont toutes
identiques et les faces, sous certaines conditions, peuvent tre considres comme
interchangeables. Cette situation gnre des symtries dans les solutions potentielles. En
effet, lors du branchement, plusieurs branches sont tout fait identiques et mnent des
solutions similaires dans lesquelles les pelles sont simplement nommes dans un ordre
diffrent. Ces solutions sont fonctionnellement identiques et pour rsoudre le modle,
nous navons besoin que dune seule dentre elles.
Les contraintes qui ont t slectionnes pour liminer les symtries entre les solutions
dans ce modle forcent lutilisation des pelles en ordre croissant du numro
didentification qui leur a t attribu. Cette stratgie sinspire de celle propose par
Albareda-Sabola et al. (2007) qui prsentent un problme de localisation dusines et
daffectation de vhicules des clients. Voici donc le bloc de contraintes adapt pour le
problme de planification moyen terme des mines ciel ouvert :

Dans le dveloppement de ces stratgies ayant pour objectif de briser les symtries,
dautres contraintes ont t envisages. Pour les tests du plan dexprimentation, ces
contraintes ne reprsentaient pas une amlioration suffisante pour tre considres ou
ntaient pas compatibles avec dautres contraintes.
Tableau 4.6 : Rsultats des tests pour le modle M2

Rduit

#
Variables
Rduit

#
Modle

Test

Contraintes

# Nuds
Visits

Largeur
max. de
larbre

Temps
(secondes)

cart
dintgrit
LP\OPT

1re
Solution
5% OPT
(secondes)

Meilleure
solution
entire
trouve
(secondes)

M2

T1.1

2423

8875

24682

4200

200

33.8%

37

M2

T1.2

2423

8875

15600

2250

107

33.7%

58

M2

T1.3

2423

6655

30983

4900

204

33.8%

14

38
Lajout de ces stratgies amliore le temps de rsolution denviron 97% par rapport au modle
M1, qui lui-mme amliorait le temps de rsolution dau moins 80% par rapport au modle de
base. Le modle M2 est donc au moins 200 fois plus rapide que le modle de base. Le nombre de
contraintes et le nombre de variables aprs la rduction effectue par CPLEX a aussi diminu
denviron 10%, malgr lajout de contraintes. Finalement, le nombre de nuds visits dans
larbre de branchement pour le modle M2 est rduit de 97% par rapport au modle M1. Cette
rduction du nombre de nuds visits est significative et est entirement responsable de la
rduction sur le temps de rsolution. Ces nouvelles stratgies sont donc efficaces.
Malgr ces bons rsultats, les possibilits damlioration sont encore prsentes puisque la
solution de la relaxation linaire du programme linaire en nombres entiers (PLNE) contient
toujours un fractionnement irraliste des pelles. Les stratgies suivantes tentent de favoriser les
valeurs entires lors de la rsolution du PL.

4.3.5 Modle M3
Le modle M3 est constitu du modle M2 auquel nous ajoutons une seule stratgie. Cette
stratgie a pour objectif dobtenir de meilleures solutions lors de la rsolution de la relaxation
linaire du PLNE. Voici cette stratgie :
F) Dplacements minimaux
Dans la rsolution du PL, les variables

indiquant la position de la pelle s une face f

au temps t sont trs fractionnaires, ce qui limine la majorit des dplacements et rduit
fortement les cots. Cette situation cre un cart important entre la valeur de la solution
du PL et du PLNE. Dans le but de diminuer ce fractionnement, nous imposons un nombre
minimale de dplacements pour les pelles. Il est possible de calculer ce nombre en
prtraitement pour un exemplaire donn. Dans certaines occasions, lajout dune
contrainte qui oblige le nombre de dplacements excder ce minimum liminera
indirectement la prsence de variables

diffrentes de zro mais dont la valeur est trs

faible. En effectuant la somme des dplacements entre deux faces de la mme zone et la
somme des dplacements entre les zones (en faisant bien attention de ne pas compter
ceux-ci deux fois), nous pouvons obliger le nombre total de dplacements tre suprieur
une valeur prdtermine (VAL).

39

Tableau 4.7 : Rsultats des tests pour le modle M3

Rduit

#
Variables
Rduit

#
Modle

Test

Contraintes

# Nuds
Visits

Largeur
max. de
larbre

Temps
(secondes)

cart
dintgrit
LP\OPT

1re
Solution
5% OPT
(secondes)

Meilleure
solution
entire
trouve
(secondes)

M3

T1.1

2664

10557

38687

4000

400

0.8%

13

310

M3

T1.2

2664

7775

10521

1394

138

0.8%

19

28

M3

T1.3

2664

7844

1402

318

26

0.8%

13

14

La colonne la plus intressante de cette srie de tests est la colonne cart dintgrit . Cette
colonne indique lcart entre la valeur de la solution du PL et la valeur de la solution entire
optimale. Un pourcentage infrieur 1% dmontre que la solution du PL est beaucoup plus
proche de la solution optimale que dans les modles M2 et M1. Malheureusement, ce gain au
niveau de lcart dintgrit ne se traduit pas au niveau du temps de rsolution de faon constante.
En effet, nous ne pouvons pas quantifier de faon absolue lamlioration quapporte le modle
M3 par rapport au modle M2, mais nous savons quelle reprsente un avantage vident pour
lcart entre la solution optimale et la solution du PL, en plus dtre parfois beaucoup plus rapide
en diminuant grandement le nombre de nuds visits (e.g. le test T1.3). Notons que le nombre de
nuds visits en fonction du temps de rsolution est beaucoup moins lev pour le modle M3
(moins de 100 nuds/secondes) que pour le modle M2 (plus de 125 nuds/secondes) et donc
que le temps de rsolution par nud de branchement augmente.

4.3.6 Modle M4
Le modle M4 est constitu du modle M2 auquel nous ajoutons plusieurs contraintes regroupes
sous une seule stratgie. Ces nouvelles contraintes ont pour objectif daider la fixation des valeurs
entires et de renforcer les liens entre les variables. Il est important de noter que la stratgie du
modle M3 nest pas prsente dans le modle M4. Des tests qui ne seront pas prsents ici ont
dmontrs que le modle M4 tait plus performant sans lutilisation de la stratgie ajoute dans le
modle M3.

40
G) Contraintes de renforcement des liens entre les variables
Ces contraintes visent renforcer les liens entre les variables, afin datteindre des
solutions entires plus rapidement et daugmenter limpact de la fixation des variables lors
du branchement. Il sagit donc dajouter des contraintes de liaison entre les variables.
Le premier bloc de contraintes de cette stratgie vient expliciter le lien entre les variables
et les variables

. Si une pelle nest pas prsente au temps t la face f, cela

signifie quil ne peut pas y avoir de dplacement vers cette face au temps t ou de
dplacement partir de cette face au temps t+1.

Le deuxime bloc de contraintes de cette stratgie force des vidences dans la squence
des oprations. La premire partie vient fixer zro les variables de fermeture des faces
pour les priodes suivant immdiatement louverture de ces mme faces. La deuxime
partie vient assurer que le dynamitage dun regroupement soit effectu au plus tard 3
priodes aprs le forage et que la fermeture dune face soit effectue au plus tard 5
priodes aprs louverture de cette face.

Le troisime et dernier bloc de contraintes de cette stratgie renforce la contrainte (25) du

modle de base qui fait le lien entre la slection des regroupements et leur utilisation.

41

Tableau 4.8 : Rsultats des tests pour le modle M4

Rduit

#
Variables
Rduit

# Nuds
Visits

Largeur
max. de
larbre

Temps
(secondes)

cart
dintgrit
LP\OPT

1re
Solution
5% OPT
(secondes)

Meilleure
solution
entire
trouve
(secondes)

#
Modle

Test

Contraintes

M4

T1.1

1718

830

22145

3500

31

33.4%

M4

T1.2

1718

830

732

400

33.4%

M4

T1.3

1718

830

14620

2500

27

33.3%

22

Le modle M4 reprsente une amlioration du temps de rsolution denviron 70% par rapport au
modle M2. Le nombre de contraintes est rduit de 30% et le nombre de variables est rduit de
90%. Le nombre de nuds est aussi diminu de 10% (e.g. pour T1.1) jusqu 95% (e.g. pour
T1.2). La 1re solution moins de 5% de la solution optimale et la meilleure solution entire sont
aussi trouves plus rapidement. Ce modle est au moins 1000 fois 1500 fois plus rapide que le
modle de base.

4.3.7 Rsum pour le plan dexprimentation

Suite aux tests effectus dans ce plan dexprimentation, nous pouvons affirmer que le modle
M4 reprsente une amlioration sur le temps de rsolution de 70% par rapport au modle M2, ce
dernier apportant une amlioration de 97% face au modle M1, qui lui-mme amliorait le temps
de rsolution dau moins 80% sur le modle de base. titre comparatif, le nombre de nuds
visits lors des tests pour le modle M4 reprsente moins de 1% du nombre de nuds visits
latteinte du critre darrt pour le test S1 du modle de base. Le modle M4 reprsente donc une
grande amlioration du modle de base et contient les stratgies suivantes :
A) Fixation des variables
B) tablissement des priorits
C) Rabais li la teneur
D) Initialisation des pelles

42
E) Contraintes ddies llimination des symtries dans les solutions obtenues
G) Contraintes de renforcement des liens entre les variables
Il est important de noter que le modle M3 apporte une amlioration au niveau de la borne
infrieure initiale, mais reprsente, en moyenne, une augmentation du temps de rsolution.
De plus, notons que des solutions acceptables sont trouves trs rapidement en fonction du temps
total de rsolution. En effet, la colonne 1re Solution 5% OPT (secondes) reprsente le
temps requis pour atteindre une solution possdant une valeur 5% ou moins de la valeur de la
solution entire optimale. Le tableau suivant prsente un rsum des colonnes Temps
(secondes) , 1re Solution 5% OPT (secondes) et Meilleure solution entire trouve
(secondes) pour chaque tape de plan dexprimentation, lexception des tests pour le modle
de base.
Tableau 4.9 : Rsultats pour les colonnes Temps (secondes) , 1re Solution 5% OPT
(secondes) et Meilleure solution entire trouve (secondes) pour chaque tape de plan
dexprimentation, en excluant les tests pour le modle de base
1re
Solution
5% OPT
(secondes)

Meilleure
solution
entire
trouve
(secondes)

Modle

Test

Temps
(secondes)

M1

T1.1

6464

40

40

M1

T1.2

7483

38

M2

T1.1

200

37

M2

T1.2

107

58

M2

T1.3

204

14

M3

T1.1

400

13

310

M3

T1.2

138

19

28

M3

T1.3

26

13

14

M4

T1.1

31

M4

T1.2

M4

T1.3

27

22

43
Les solutions entires acceptables (i.e. 5% de loptimum) sont trouves jusqu 25 fois plus
rapidement que les meilleurs solutions entires et latteinte de ces solutions acceptables seffectue
jusqu 1500 fois plus rapidement que le temps de rsolution totale (e.g. le test T1.2 pour le
modle M1).
Ensuite, par lajout des diffrentes stratgies proposes dans ce chapitre, nous remarquons une
grande diminution du nombre de contraintes et de variables aprs la rduction effectue par
CPLEX et du nombre de nuds visits lors du branchement. Voici un tableau rcapitulatif du
test T1.1 pour chaque tape du plan dexprimentation en excluant M3. Tel que prcdemment
mentionn, la solution optimale est identique pour chaque tape du plan. Seule la performance de
rsolution diffre.
Tableau 4.10 : Rsultats pour le test T1.1 de chaque tape du plan dexprimentation excluant M3

Rduit

#
Variables
Rduit

#
Modle

Test

Contraintes

# Nuds
Visits

Largeur
max. de
larbre

Temps
(secondes)

cart
dintgrit
LP\OPT

1re
Solution
5% OPT
(secondes)

Meilleure
solution
entire
trouve
(secondes)

Base

T1.1

4060

12020

1457910

840000

36000

N/A

N/A

N/A

M1

T1.1

2680

10735

736204

117000

6464

31.5%

40

40

M2

T1.1

2423

8875

24682

4200

200

33.8%

37

M4

T1.1

1718

830

22145

3500

31

33.4%

Malgr une amlioration considrable de plus de 99.9% du temps de rsolution (i.e. plus de 1000
fois plus rapide) entre le modle M4 et le modle de base et une diminution de 98% du nombre
de nuds visits, des tests supplmentaires dmontrent que les exemplaires de taille suprieure
T1 ne peuvent pas tre rsolus de faon pratique mme aprs lajout des stratgies du modle M4.
Aprs 4 heures (i.e. 14400 secondes), pour un exemplaire de 15 priodes et 40 faces, lcart entre
la valeur de la meilleure solution en nombres entiers trouve jusqu prsent et celle de la
meilleure solution fractionnaire un nud de branchement encore ouvert tait suprieur 17%.

44
Pour des exemplaires de type T1, une excellente solution peut facilement tre trouve par le
planificateur. Le caractre avantageux de faire les faces en squences directes nest pas vident
pour le solveur. Il faut ly inciter, mais sans forcer la solution, ou au contraire, lui imposer une
squence et construire la solution en faisant lusage dune mthode heuristique.

45

CHAPITRE 5

MTHODES DE RSOLUTION HEURISTIQUE

Dans le chapitre prcdent, nous avons tabli les limites des mthodes de rsolution optimale.
Malgr lajout de plusieurs stratgies dacclration au modle de base et une amlioration du
temps de rsolution de plus de 99.9%, loptimalit ne peut tre atteinte que pour des exemplaires
de type T1. En effet, une lgre augmentation du nombre de pelles, de faces, de zones, de
regroupements ou de priodes reprsente une augmentation substantielle du nombre de
contraintes et de variables.
Dans le but de trouver des solutions pour des exemplaires plus grands que T1, nous prsentons
une approche heuristique dans ce chapitre.

5.1 Approche gnrale

Deux lments posent les bases de lapproche heuristique prsente dans ce chapitre.
Premirement, les solutions obtenues par le modle M4 du chapitre 4 contiennent toujours un
cart dintgrit suprieur 30%. Ceci est expliqu par les valeurs fractionnaires que prennent les
variables

et

lors de la rsolution du PL. Deuximement, lextraction des faces en

squence, en ignorant les autres contraintes, est llment le plus intuitif pour un dcideur. En
effet, une squence simple est une solution facile et habituellement plutt efficace. Ce type de
solution est un excellent point de dpart et ne requiert aucune expertise particulire.

Figure 5.1 : Reprsentation graphique dune squence simple et intuitive

Sur ces bases, nous proposons une mthode de construction de squence initiale pour le modle
afin dexploiter la simplicit et lefficacit de cette solution triviale. Nous dveloppons dans cette
section lamorce de cette mthode heuristique qui se base sur ltablissement dune squence
prdtermine et propose au solveur sous forme de poids (i.e. cots ngatifs) dans la fonction
objectif pour les variables

46

5.2 Approche heuristique et gnrateur de squences

Lapproche prsente dans ce chapitre sapparente un problme dordonnancement de tches
sur des machines en parallle. Dans ce problme, des tches ayant des temps de traitement
diffrents doivent tre affectes une seule des machines en parallle disponibles. Lobjectif de
cette approche est de construire une squence pour chacune des machines prsentes. Dans notre
cas, les tches sont des faces, les machines sont des pelles et les temps de traitement sont
identiques. Il ne sagit donc pas de minimiser le temps de traitement total ou le temps de
traitement maximal pour une machine comme dans le problme des machines parallle, mais
plutt de minimiser le cot de transition entre les diffrentes tches. La transition entre les tches
pour le problme de planification des mines ciel ouvert reprsente le dplacement des pelles,
alors que pour le problme dordonnancement des tches sur des machines en parallle, elle
reprsente le temps ou le cot deffectuer lajustement et la mise en course des machines.
Le gnrateur de squences a t dvelopp dans le logiciel Excel 2007 et programm en Visual
Basic. Pour construire la squence, le gnrateur utilise la matrice des distances entre les faces,
lensemble des regroupements dans lesquelles chaque face est inclue (
devant tre exploites avant le dynamitage de chaque regroupement (

et lensemble des faces

. Le squenceur ncessite

aussi de linformation sur le nombre de pelles, de faces, de priodes, de regroupements et de

zones. Lutilisateur peut slectionner les faces de dpart pour chaque pelle selon la situation
initiale de la mine. Habituellement, les faces lextrmit de chaque zone sont choisies comme
position de dpart si aucune situation initiale nest dfinie. Lorsque le squenceur est activ, ce
dernier commence par noter la prsence dlments prtablis dans la squence et complte cette
dernire pour chaque priode et chaque pelle. Lors de la slection de la face suivante pour une
squence, la face la plus proche faisant partie dun regroupement accessible est ajoute la
squence. Un regroupement est accessible si toutes les faces en prcdence ont t traites (i.e.
plac dans une squence) depuis au moins 2 priodes, ce qui correspond au nombre de priodes
ncessaires pour effectuer le forage et le dynamitage. Le processus est rpt jusqu ce que les
pelles soient occupes pour toutes les priodes. La squence respecte la capacit maximale de
production des pelles en attribuant

3 priodes compltes chaque pelle pour effectuer

lextraction dune face. La contrainte de production minimale est respecte du fait que le respect
de la squence produite assure une production 100% de la capacit pour chaque pelle. La

47
demande minimale en teneur moyenne (i.e. la contrainte de mlange) est le seul lment non
considr dans la construction de la squence et reprsente donc la seule dviation possible lors
de la rsolution du modle.
Une fois les squences tablies, le squenceur gnre une liste de poids en fonction de la
squence obtenue. Chaque affectation dune pelle une face dans la squence dure 3 priodes.
Cependant, des poids sur 15 priodes sont accords cette affectation. Cette tendue dbute 6
priodes avant le dbut et termine 6 priodes aprs la fin de laffectation. Les poids attribus sur
cette tendue sont reprsents par une fonction triangulaire. Les poids augmentent rapidement
jusquau dbut de laffectation et diminuent plus lentement par la suite. La figure 5.1 illustre la
fonction triangulaire reprsentant ltendue des poids pour une affectation donne (priodes A,B
et C).

Figure 5.2 : Fonction triangulaire reprsentant ltendue des poids pour une affectation
Ces poids sont utiliss dans la fonction objectif du modle M4 comme tant des cots ngatifs
pour les variables

afin de fortement suggrer la squence lors de la rsolution et dassurer la

ralisabilit du problme. De plus, nous retirons les contraintes ddies llimination des
symtries, ces dernires devenant inutiles tant donn lintroduction de la squence. Une fois ces
modifications effectues, il est possible de rsoudre le modle et dobtenir la solution dcoulant
de la squence prtablie. Notons que lutilisation du gnrateur de squence dans son tat actuel
prend plus de temps que la rsolution en soit, mais ce temps peut facilement tre rduit par une
optimisation du code et une diminution de lutilisation de linterface dExcel 2007.

48

5.2.1 Algorithme du gnrateur de squences

Dans cette sous-section, nous prsentons un pseudocode gnral reprsentant lalgorithme
permettant de gnrer les squences pour cette mthode heuristique.
1. Pour chaque regroupement c (for)
2.

Dterminer le nombre de faces en prcdence pour le regroupement c

3.

Stocker linformation dans degr(c)

4. Prochain regroupement (next)

5. Pour chaque pelle p (for)
6.

Noter la prsence dune face de dpart (position de dpart de la pelle p)

7.

Ajouter cette face au dbut de la squence pour cette pelle, soit seq(1,p)

8.

Pour chaque regroupement c avec cette face en prcdence (for)

9.
10.

degr(c) = degr(c) 1
Prochain regroupement (next)

11. Prochaine pelle (next)

12. Pour chaque priode t (for)
13.
14.

Pour chaque pelle p (for)

Trouver la face la plus proche de la face stocke dans seq(t 1, p) dans un
regroupement disponible (i.e. degr(c) = 0 depuis au moins 2 priodes pour
permettre le forage et le dynamitage)

15.

Stocker la face trouve dans seq(t,p)

16.

Pour chaque regroupement c avec cette face en prcdence (for)

17.
18.
19.

degr(c) = degr(c) 1
Prochain regroupement (next)
Prochaine pelle (next)

20. Prochaine priode (next)

49

5.3 Exprimentations
Sauf indication contraire, tous les tests de ce chapitre ont t effectus sur des exemplaires de
type T2 et avec le modle M4 prsent la fin du chapitre 4. Ces exemplaires contiennent 30
priodes, 90 faces et 315 regroupements. Les modles correspondants contiennent environ 310
000 variables et 84 000 contraintes, soit 20 fois plus de variables et 15 fois plus de contraintes
que les modles des exemplaires de type T1.

5.3.1 Tests initiaux et comparaison avec la mthode optimale

Le premier test effectu concerne la rsolution du modle auquel les poids de la squence ont t
ajouts. Concernant les tableaux suivants, la colonne Valeur de la solution optimale
reprsente la valeur de la solution optimale en excluant la valeur des poids de la squence.
Tableau 5.1 : Rsultats du premier test contenant les poids tablis par la squence
Chargement
du modle
(secondes)

Rsolution
du modle
(secondes)

Valeur de la
solution
optimale

29

2450

Ce temps de rsolution peut tre rduit de faon simple. lextrieur de ltendue de 15 priodes
pour chaque affectation, la valeur des poids est nulle. Pour les

auxquelles nous attribuons un

poids nul, le squenceur peut fournir une liste de contraintes fixant les variables correspondantes
zro. Il est important de noter que les contraintes renforant le lien entre

et

ajoutes

dans le chapitre 4 pour le modle M4 augmentent limpact de la fixation zro des variables
.
Le test suivant concerne la rsolution du modle auquel les poids de la squence et la fixation
zro des variables

ayant un poids nul ont t ajouts.

50
Tableau 5.2 : Rsultats du deuxime test contenant les poids et la fixation des variables
Chargement
du modle
(secondes)

Rsolution
du modle
(secondes)

Valeur de la
solution
optimale

2450

Bien que le chargement soit un peu plus long tant donn lajout dune quantit importante de
contraintes, le temps de rsolution lui est diminu de plus de 85%. La valeur de la solution
optimale tant la mme, la fixation des variables est un lment bnfique la rsolution du
modle dans le cadre de cette approche.
titre comparatif, nous prsentons ici un tableau permettant de comparer la rsolution optimale
dun exemplaire de type T1 en faisant lusage des stratgies prsentes au chapitre 4 et la
rsolution heuristique base sur la squence telle que prcdemment dfinie. La colonne OBJ
reprsente la valeur de la solution optimale obtenue en faisant lusage de la mthode dfinie dans
la colonne Mthode. OPT reprsente une rsolution optimale en faisant lusage du modle M4 et
des stratgies inclues dans celui-ci et OPT100% reprsente la mme mthode pour laquelle nous
fixons le paramtre LS (i.e. lutilisation minimale des pelles) 100%. HEUR reprsente une
rsolution base sur la squence dfinie dans ce chapitre.
Tableau 5.3 : Tableau comparatif entre la mthode de rsolution optimale du chapitre 4 et la
mthode de rsolution heuristique du chapitre 5
# Nuds
Visits

Largeur
max. de
larbre

Temps
(secondes)

OBJ

Rduit

#
Variables
Rduit

OPT

1718

830

22145

3500

31

748

OPT100%

2963

3080

494

283

945

HEUR

1765

1290

970

#
Mthode

Contraintes

La rsolution est videmment beaucoup plus rapide lorsque nous utilisons une squence
prtablie. Notons que la diffrence entre les deux dernires mthodes (i.e. OPT100% et HEUR)
sur la valeur de la solution optimale est denviron 2.5%. La valeur de la solution optimale pour la
mthode OPT est de beaucoup infrieure aux deux autres mthodes tant donn la possibilit de

51
diminuer la production afin dconomiser sur le dplacement des pelles lorsque LS est fix
80%, ce qui nest pas ncessairement souhaitable et ne permet pas une bonne comparaison entre
la mthode optimale et la mthode heuristique.

5.3.2 Variations dans la valeur des poids de la squence

Dans le but dvaluer la sensibilit du temps de rsolution et de la valeur de la solution sur des
exemplaires de type T2 en fonction de lutilisation des poids, nous valuerons avec la prochaine
srie de tests linfluence des poids sur les autres cots de la fonction objectif. En effet, plus les
poids reprsentent une petite portion des cots, moins la solution sera influence par ceux-ci.
Cela favorise lobtention dune meilleure solution, mais peut reprsenter une augmentation
importante du temps de rsolution. Dans le cas dune mthode heuristique, la qualit de la
solution et la rapidit de rsolution chaque itration sont deux facteurs trs importants.
Pour ces tests, la valeur des poids a t divise par un facteur croissant, ce qui a diminu de faon
incrmentale la portion des cots attribuable aux poids. Pour le tableau suivant, nous dfinissons
linformation contenue dans les colonnes de la faon suivante :

% Cots

Val. Sol.

Temps
(sec)

Le pourcentage de la valeur de la solution qui est attribuable aux poids de la

squence.
La valeur de la solution en excluant la valeur des poids.
Le temps total pour atteindre la solution optimale en fonction de la squence ou
pour atteindre un autre critre darrt (e.g. @180 reprsente un critre darrt de
180 secondes).

Tous les tests suivants ont t effectus sur des exemplaires de type T2.

52
Tableau 5.4 : Rsultats des tests sur la rduction de la valeur des poids
% Cots

Val. Sol.

Temps
(sec)

98%

2450

13

83%

2450

14

66%

2450

15

55%

2360

16

52%

2330

36

50%

2270

66

45%

2240

@180

31%

2431

@180

La diminution des poids de la squence permet lobtention dune meilleure solution, mais
implique une augmentation marque du temps de rsolution. Il est important de se rappeler que
les poids sont ngatifs dans la fonction objectif et ne sont pas considrs dans la colonne Val.
Sol. . La diminution de ces valeurs est donc principalement due la possibilit de diminuer la
production des pelles jusqu 80% du total de capacit, ce qui nest pas ncessairement dsirable.
Afin dviter une diminution de lutilisation des pelles, nous avons refait les tests prcdents pour
dterminer leffet dune contrainte de production minimale 100% du total de capacit.
Tableau 5.5 : Rsultats des tests pour une production minimale de 100%
% Cots

Val. Sol.

Temps
(sec)

98%

2725

13

81%

2725

13

64%

2725

13

52%

2725

14

50%

2725

15

47%

2725

19

43%

2725

68

31%

2725

145

53
Notons que la valeur de la solution optimale ne dpend pas ici de la diminution des poids de la
squence, ce qui prouve rellement que la diminution de la valeur de la solution optimale dans le
test prcdent est due la possibilit de diminuer la production afin de rencontrer la demande
minimale de 80%. Notons que les solutions sont trouves beaucoup plus rapidement que dans le
test prcdent tant donn la diminution du nombre de combinaisons possibles pouvant satisfaire
la contrainte de production minimale.

5.3.3 Tests supplmentaires et limitations

Le resserrement des contraintes reprsentant un avantage certain lors de la rsolution, nous avons
ensuite effectu des tests sur le resserrement des poids de la squence. Dans ces tests, ltendue
des poids dune affectation est passe de 15 priodes 7 priodes avec des valeurs beaucoup plus
leves pendant les priodes A, B et C. Ces tests nont pas t concluants et ne prsentaient
aucune corrlation entre le resserrement de ltendue des poids et lamlioration du temps de
rsolution.
Suite lamlioration du temps de rsolution lorsque nous considrons une squence prtablie,
un dernier test a t effectu afin de connatre la limite pratique dutilisation de cette mthode.
Pour ce test, un exemplaire de 45 priodes, 120 faces et 540 regroupements a t utilis, ce qui
reprsente un modle de 330 000 contraintes et 750 000 variables. Pour cette taille de modle, le
logiciel est trs instable puisquil contient une norme quantit de donnes. La rsolution na
donc pas pu tre effectue de faon satisfaisante et aucun rsultat nest disponible.
Tel quel, ltablissement des squences par la mthode des poids fonctionne trs bien et donne de
bonnes solutions assez rapidement pour des exemplaires de type T1 et T2. En 13 secondes, de
bonnes solutions de base sont obtenues pour des modles contenant 310 000 variables et 84 000
contraintes bass sur le problme de planification moyen terme des mines ciel ouvert. Notons
que la production minimale demande pour les pelles reprsente un lment critique. Cette
contrainte peut rendre le problme non ralisable ou non pertinent. En effet, avec une demande
minimale 80% de la capacit totale disponible, les meilleures solutions contiennent des pelles
produisant 100% de leur capacit et dautres pelles ntant pas utilises. Dautre part, la teneur
moyenne minimale ( ) pose le mme problme, puisquune teneur trop leve pourrait rendre le
modle non ralisable et une teneur trop basse rendrait le problme trop simple. Pour des valeurs

54
leves de ces deux limites, laugmentation de la taille de la mine reprsente une ralisabilit plus
facile atteindre et une pertinence accrue.
ce sujet, il est important de remarquer que la gnration de la squence, dans ltat actuel de la
mthode propose, reprsente la seule tape ncessaire pour obtenir une solution. En effet, la
mthode dtablissement des squences permet dobtenir la solution de faon directe. Ceci est d
la structure du modle dfinie par les paramtres choisis au dbut du chapitre 4 et la
provenance des donnes. Ainsi, il est attendu quun ensemble plus riche de donnes et de
paramtres (e.g. provenant de mines relles) sur des exemplaires plus grands permettrait une
meilleure valuation de la mthode et justifierait le raffinement de celle-ci, notamment par
lutilisation de diffrentes structures de poids, lamlioration de limpact de la phase
doptimisation et linstauration dun processus itratif permettant dobtenir de meilleures
solutions.

55

CHAPITRE 6

CONCLUSION

Dans ce mmoire, nous avons trait du problme de planification moyen terme dans les mines
ciel ouvert. Ce problme est complexe et ncessite habituellement lexpertise dingnieurs et
lutilisation de systmes daide la dcision. Les avantages damliorer la qualit de ces
dcisions sont nombreux. Une bonne planification peut videmment engendrer une rduction des
cots (e.g. une meilleure gestion des quipements), mais surtout une augmentation des profits
(e.g. une meilleure production de valeur). La nature des oprations dune mine ciel ouvert
implique un engagement des quipements sur de longues priodes de temps, ce qui amplifie
limpact des dcisions court terme sur les dcisions qui devront tre prises dans le futur et
limite la rversibilit des dcisions prises. Ceci fait en sorte que ces problmes sont trs
contraints et que les combinaisons possibles dlments de solution sont trs nombreuses.

6.1 Contributions
Lobjectif principal de ce mmoire tait de prsenter un nouveau modle de programmation en
nombre entiers permettant de rsoudre le problme de planification moyen terme des mines
ciel ouvert. Les modles mathmatiques traitant de ce problme sont trs rares dans la littrature.
Nous avons prsent un modle dtaill qui permet de considrer, sur un horizon de 10 30
priodes, plusieurs lments de la problmatique tel que les contraintes de mlange, les
contraintes de prcdence entre les blocs, les contraintes de capacit de ressources, le
dplacement des pelles effectuant lextraction du matriel et la synchronisation des activits
(incluant le forage et le dynamitage des blocs). Pour permettre la rsolution de ce modle, deux
approches ont t prsentes : une approche optimale et une approche heuristique.
Tout dabord, une approche optimale a t dveloppe. Suite lanalyse du modle de base, nous
avons dvelopp des stratgies permettant lamlioration du temps de rsolution. Ces stratgies
contiennent, entre autres, la fixation en prtraitement de variables, le renforcement des liens entre
les variables et lajout de contraintes ddies llimination des symtries dans les solutions
obtenues. Lutilisation de ces stratgies a permis une rsolution dau moins 1000 fois 1500 fois
plus rapide que pour la rsolution standard du modle de base. Malgr lefficacit de ces
stratgies, la rsolution optimale pour ce type de problme se limite des modles de taille
rduite, cest--dire des problmes de planification pour horizon temporel denviron 10 jours.

56
Afin dobtenir des solutions pour des tailles suprieures du problme, une approche heuristique a
t prsente. Cette approche exploite le caractre intuitif deffectuer lextraction des faces en
squence, menant au dveloppement dune mthode de construction de squences. Ces squences
construites en prtraitement prennent en considration la majorit des contraintes, lexception
des contraintes de mlange, et sont favorises fortement dans le modle lors de la rsolution par
lintroduction de cots ngatifs dans la fonction objectif. Cette mthode permet dobtenir des
solutions de base rapidement pour des problmes de taille moyenne. En effet, il est possible
dobtenir une solution en 13 secondes pour un problme de planification visant un horizon de 30
priodes et contenant 90 faces, ce qui correspond un modle contenant plus de 83 000
contraintes et plus de 310 000 variables.

6.2 Avenues de recherche

Les dveloppements effectus dans ce mmoire font partie dune premire tape dans
lmergence de modles considrant la problmatique de planification moyen terme dans les
mines ciel ouvert. Le modle prsent dans ce mmoire possde quelques lments
problmatiques ncessitant une attention particulire. Tout dabord, la demande de capacit de
production minimale pour les pelles pourrait tre couple lamlioration des profits pour
encourager une production suprieure, ce qui nest actuellement pas le cas. Llment de rabais
sur lextraction des faces ajout dans la section 4.3.4, traitant du dveloppement du modle M2,
est ce qui se rapproche le plus dun lment de profit pour ce modle. Cependant, cet lment na
pas t dvelopp dans lobjectif principal de stimuler la production, mais plutt dliminer les
symtries dans les solutions, sans biaiser la solution. Ce type de distinction nous amne la
prochaine limitation. Lanalyse et le balancement des cots dans la fonction objectif possde un
impact majeur sur les solutions obtenues. dfaut dobtenir une structure de cots provenant
dune mine existante, ces cots doivent tre soigneusement choisis afin dobtenir de bonnes
solutions. Cependant, sans pouvoir comparer les solutions avec une planification prexistante, les
hypothses poses pour la slection des cots sont difficilement justifiables. De plus, certains
raffinements pourraient tre susceptibles damliorer lefficacit du modle. En effet, une logique
de construction moins gloutonne des regroupements en prtraitement allgerait le modle et
diminuerait les combinaisons possibles dlments de solutions. Dailleurs, il est attendu que
ltablissement des regroupements pour un vrai problme de planification des tches dans une

57
mine ciel ouvert serait plutt direct et beaucoup plus simple que la mthode choisie dans ce
mmoire. Cette ncessit de raffinement touche aussi la gestion des prcdences. Les contraintes
(18) faisant lusage des ensembles

sont responsables de plus de 25% du nombre total de

contraintes dans le modle lorsque nous considrons des exemplaires de type T2 et T3. Une
structure de prcdences plus simple et plus directe entre les faces pourraient diminuer le nombre
de ces contraintes. Il faut cependant faire attention respecter le lien entre les faces et leur
regroupement, ce qui ne permet pas de faire une simple conversion pour les contraintes (18).
En dfinitive, notre approche optimale se prterait bien une planification sur 90 jours faisant
lusage dune fentre mobile (i.e. un horizon fuyant) de 10 jours. Pour ce faire, il est important de
diriger les tranches de 10 jours sur les objectifs long terme et dassurer la liaison entre celles-ci.
Il est possible que laugmentation de la taille de la mine oblige la diminution du nombre de
priodes par tranche. Afin de contourner ce problme lors de la rsolution dun exemplaire de
mine de trs grande taille, une mthode sapparentant la recherche de grands voisinages peut
tre utilise. Dans cette mthode, chaque itration, une portion rsoluble et partielle de la mine
(i.e. de dimension semblable des exemplaires complets de type T1) contenant un sous-ensemble
des pelles prsentes est slectionne pour tre rsolue alors que les lments extrieurs cette
portion sont fixs. Ces faons de faire pourraient permettre dobtenir de trs bonnes solutions trs
rapidement.

58

BIBLIOGRAPHIE
Albareda-Sambola, M., Fernndez E. & Laporte, G. (2009). The capacity and distance
constrained plant location problem. Computers & Operations Research, 36 (2), 597-611.
Bley, A., Boland, N., Fricke, C. & Froyland, G. (2010). A strengthened formulation and cutting
planes for the open pit mine production scheduling problem. Computers & Operations Research,
37 (9), 1641-1647.
Boland, N. Fricke, C. & Froyland, G. (2006). A strengthened formulation for the open pit mine
production scheduling problem. Optimization Online, Consult le 20 mai 2011, tir de
http://www.optimization-online.org/DB_FILE/2007/03/1624.pdf.
Boland, N., Dumitrescu, I., Froyland, G. & Gleixner, A.M. (2009). LP-based disaggregation
approaches to solving the open pit mining production scheduling problem with block processing
selectivity. Computers & Operations Research, 36, 1064-1089.
Caccetta, L. (2007). Application of Optimisation Techniques in Open Pit Mining. In A.
Weintraub, C. Romero, T. Bjrndal, & R. Epstein (Eds.), Handbook of Operations Research in
Natural Resources (pp. 547-559), Springer.
Caccetta, L. & Hill, S.P. (1999) Optimization Techniques For Open Pit Mine Scheduling.
MODSIM 99, 203, 895-900.
Chicoisne, R., Espinoza, D., Goycoolea, M., Moreno, E. & Rubio, E. (2009). A new algorithm
for the open-pit mine scheduling problem (soumis pour publication).
Desgroseilliers, L.H. (2009). Systme automatis de conception dun plan de production minier
avec rtroaction. M.Sc.A. cole Polytechnique de Montral, Qc., Canada.
Dimitrakopoulos, R. & Ramazan, S. (2004). Uncertainty-based production scheduling in open pit
mining. SME Transactions, 316, 106-112.
Fioroni, M.M., Franzese, L.A.G., Bianchi, T.J., Ezawa, L., Pinto, L.R. & de Miranda Jr., G.
(2008). Concurrent Simulation and Optimization Models for Mining Planning. Proceedings of
the 2008 Winter Simulation Conference, Miami, FL, 759-767.
Gershon, M. (1987). Heuristic approaches for mine planning and production scheduling.
International Journal of Mining and Geological Engineering, 5, 1-13.

59
Hochbaum, D.S., Chen, A. (2000). Performance analysis and best implementations of old and
new algorithms for the Open Pit Mining Problem. Oper. Res., 48(6), 894-914.
Johnson, E.L., Nemhauser, G.L. & Savelsbergh, M.W.P. (2000). Progress in Linear
Programming-Based Algorithms for Integer Programming: An Exposition. INFORMS Journal on
Computing, 12 (1), 2-24.
Leite, A. & Dimitrakopoulos, R. (2007). Stochastic optimisation model for open pit mine
planning: application and risk analysis at copper deposit. Mining Technology, 116 (3), 109-118.
Lestage, P., Mottola, L., Scherrer, R. & Soumis, F. (1993). A Computerized Tool for Short Range
Production Planning in Use at the Mont Wright Operation. Proceedings of the International
Symposium on the application of computers and operations research in the mineral industries,
(Vol. 2, pp. 67-74). Montral: Elbrond and Tang.
McKenzie, P., Newman, A.M. & Tenorio, L. (2008). Front Range Aggregates Optimizes Feeder
Movements at Its Quarry. Interfaces, 38 (6), 436-447.
Newman, A.M., Rubio, E., Caro, R., Weintraub, A. & Eurek, K. (2010). A Review of Operations
Research in Mine Planning. Interfaces, 40 (3), 222-245.
Picard, J.C. (1976). Maximal Closure of a Graph and Applications to Combinatorial Problems.
Management Science, 22 (11), 1268-1272.
Ramazan, S. (2007). The new Fundemental Tree Algorithm for production scheduling of open pit
mines. European Journal of Operational Research, 177, 1153-1166.
Sattarvand, J. & Niemann-Delius, C. (2008). Perspective of metaheuristics optimization methods
in open pit production planning. Proceedings of the XXI World Mining Congress, Krakw,
Poland, 143-155.
Smith, M.L. (1998). Optimizing short-term production schedules in surface mining: Integrating
mine modeling software with AMPL/CPLEX. International Journal of Mining, Reclamation and
Environment, 12 (4), 149-155.

60

ANNEXE 1 DISTRIBUTION DES CONTRAINTES SELON LE TYPE

DEXEMPLAIRE

Contraintes

T1

T2

T3

15
16
19
20
18
13
14
5
7
17
21
22
23
24
25
4
2
3
6
8
9
10
11
12

22.8%
9.1%
9.1%
9.1%
7.6%
5.1%
5.1%
5.1%
4.6%
4.6%
4.6%
4.6%
4.6%
1.0%
1.0%
0.8%
0.2%
0.2%
0.2%
0.2%
0.2%
0.2%
0.2%
0.2%

15.6%
10.9%
10.9%
10.9%
25.2%
3.2%
3.2%
3.2%
3.1%
3.1%
3.1%
3.1%
3.1%
0.4%
0.4%
0.2%
0.0%
0.0%
0.0%
0.0%
0.0%
0.0%
0.0%
0.0%

13.6%
12.3%
12.3%
12.3%
27.2%
2.8%
2.8%
2.8%
2.7%
2.7%
2.7%
2.7%
2.7%
0.1%
0.1%
0.1%
0.0%
0.0%
0.0%
0.0%
0.0%
0.0%
0.0%
0.0%