Vous êtes sur la page 1sur 200

Optimisation des flux logistiques : vers une gestion

avancee de la situation de crise


Aida Kaddoussi

To cite this version:


Aida Kaddoussi. Optimisation des flux logistiques : vers une gestion avancee de la situation
de crise. Autre. Ecole Centrale de Lille, 2012. Francais. <NNT : 2012ECLI0030>. <tel-
00801728>

HAL Id: tel-00801728


https://tel.archives-ouvertes.fr/tel-00801728
Submitted on 18 Mar 2013

HAL is a multi-disciplinary open access Larchive ouverte pluridisciplinaire HAL, est


archive for the deposit and dissemination of sci- destinee au depot et `a la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publies ou non,
lished or not. The documents may come from emanant des etablissements denseignement et de
teaching and research institutions in France or recherche francais ou etrangers, des laboratoires
abroad, or from public or private research centers. publics ou prives.
N dordre : 209

ECOLE CENTRALE DE LILLE

THESE

Prsente en vue
dobtenir le grade de

DOCTEUR

En

Spcialit : Automatique, Gnie Informatique, Traitement du Signal et Image

Par

Aida KADDOUSSI

DOCTORAT DELIVRE PAR LECOLE CENTRALE DE LILLE

Optimisation des flux logistiques: vers une gestion avance de la situation


de crise
Soutenue le 26 Novembre 2012 devant le jury dexamen :

Prsident Etienne, CRAYE, Professeur, Ecole Centrale de Lille

Rapporteur Jacques, CARLIER, Professeur, Universit de Technologie de Compigne

Rapporteur Alain, QUILLIOT, Professeur, Universit Blaise Pascal de Clermont -Ferrand

Membre Patrick, SIARRY , Professeur, Universit Paris-Est Crteil Val-de-Marne


Membre Jean-Charles, DECONNINCK, Prsident Generix Group
Membre Francis, BRETAUDEAU, Directeur du Dpartement Logistique, CASSIDIAN

Directeur de thse Slim, HAMMADI, Professeur, Ecole Centrale de Lille

Co-encadreur Hayfa, ZGAYA, MCU, ILIS - Universit Lille2

Thse prpare dans le Laboratoire LAGIS UMR CNRS 8219 lEcole Centrale de Lille

Ecole Doctorale SPI 072


PRES Universit Lille Nord-de-France

1
Ddicace

A mon trs cher papa, Ridha, pour sa patience, ses prcieux conseils, les valeurs et principes
quil ma inculqus, et tous ses sacrifices,

A ma douce maman, Souad, pour tout son amour, sa tendresse et son affection sans limites,

A ma trs chre sur Sarra, pour tout ce quelle a fait pour moi et qui je dois tout,

A mon futur poux, Ameur, pour son amour, sa prsence et son soutien sans faille,

A ma trs chre Karama, pour tous les bons moments passs ensemble,

A la mmoire de mes deux petites surs parties trop tt, Entissar et Tharoua,

A tous ceux et celles qui me sont chers, qui ont particip de prs ou de loin laboutissement
de ce travail,

Je vous rends hommage par ce modeste travail en guise de ma reconnaissance ternelle et de


mon incommensurable amour.

3
Remerciements

Je tiens exprimer en premier lieu ma gratitude mon directeur de thse Monsieur


Slim HAMMADI, professeur lEcole Centrale de Lille et directeur de cette thse. Je le
remercie pour ses conseils judicieux, la grande confiance quil ma accorde et pour la vision
innovante de la recherche quil a toujours su minculquer.

Mes sincres remerciements vont aussi au Professeur tienne CRAYE, Professeur


lcole Centrale de Lille et directeur de cet honorable tablissement, pour lhonneur quil ma
fait en acceptant de prsider ce jury.

Jadresse aussi mes vifs remerciements au Professeur Jacques CARLIER, Professeur


lUniversit de Technologie de Compigne et au Professeur Alain QUILLIOT, Professeur
lUniversit Blaise Pascal de Clermont-Ferrand, qui mont fait le grand honneur daccepter de
rapporter cette thse. Je les remercie infiniment pour le temps consacr cet effet en dpit de
toutes les responsabilits quils ont.

Je souhaite remercier tout particulirement Messieurs Patrick SIARRY, Professeur,


Universit Paris-Est Crteil Val-de-Marne, Jean-Charles DECONNINCK, Prsident Generix
Group et Francis BRETAUDEAU, Directeur du Dpartement Logistique EADS
CASSIDIAN, pour avoir valu ce travail et accept de participer au jury de cette thse.

Je souhaite exprimer galement toute ma gratitude Mademoiselle Hayfa ZGAYA,


matre de confrences la facult dIngnierie et Management de la Sant lUniversit Lille
2 et Co-encadrante de cette thse, pour lnorme soutien scientifique et pour sa perspicacit
qui ont contribu la ralisation de ce travail. Je la remercie pour sa prsence et ses
encouragements sans faille.

Mes remerciements vont bien videmment lensemble du personnel du LAGIS, et


plus particulirement mes voisines de bureau Wided et Safa, et mon amie de toujours
Karama, grce qui jai rdig mon mmoire dans une atmosphre la fois studieuse et
chaleureuse.

Enfin, une pense trs particulire et une reconnaissance infinie ma grande sur
Sarra, sans qui, ce travail naurait pas pu arriver terme. Je lui dois tout.

5
Table des matires
Table des figures ...................................................................................................................... 131
Liste des tableaux ..................................................................................................................... 151
Introduction Gnrale ............................................................................................................... 171
Chapitre I : Logistique distribue avance ............................................................................... 211
I.1 Introduction ..................................................................................................................... 211
I.2 Logistique et gestion des chanes logistiques .................................................................. 211
I.2.1 Logistique - Dfinitions ............................................................................................ 211
I.2.2 Le concept de la supply chain................................................................................... 231
I.2.2.1 Supply Chain SC ............................................................................................... 231
I.2.2.2 Supply Chain Management SCM ..................................................................... 231
I.2.3 La prise de dcision en logistique : un processus hirarchis .................................. 241
I.2.3.1 Niveau stratgique............................................................................................. 241
I.2.3.2 Niveau tactique ................................................................................................. 241
I.2.3.3 Niveau oprationnel .......................................................................................... 251
I.2.4 Les performances ...................................................................................................... 251
I.3 Logistique des transports ................................................................................................. 271
I.3.1 Transport des personnes ........................................................................................... 271
1.3.1.1 Transport multimodal ....................................................................................... 271
1.3.1.2 Systmes dinformations ct rgulateur ......................................................... 281
1.3.1.3 Systmes dinformations ct client ................................................................ 281
I.3.2 Transport de biens .................................................................................................... 291
I.3.2.1 Les participants ................................................................................................. 291
I.3.2.2 Paramtres de configuration du rseau de distribution ..................................... 301
I.4 Logistique hospitalire .................................................................................................... 301
I.4.1 Lvolution ............................................................................................................... 301
I.4.2 Les processus de la logistique hospitalire ............................................................... 311
I.4.3 Les familles de flux .................................................................................................. 321
I.5 Logistique militaire : Principaux enjeux ......................................................................... 331
I.5.1 La crise et la gestion de la crise ................................................................................ 331
I.5.2 Caractristiques de la chane logistique humanitaire ............................................... 341
I.5.3 La gestion des flux .................................................................................................... 351
I.5.3.1 Flux pousss ...................................................................................................... 351
I.5.3.2 Flux tirs ........................................................................................................... 361
I.5.4 La littrature scientifique pour la gestion de crise .................................................... 361
I.6 Besoins mthodologiques pour les chanes logistiques................................................... 381
1.6.1 Modlisation ............................................................................................................ 391
I.6.1.1 Modle analytique ............................................................................................. 391
I.6.1.2 Modle par simulation ...................................................................................... 391
1.6.2 Optimisation ............................................................................................................. 391
1.6.3 Aide la dcision ..................................................................................................... 401
I.7 Pilotage centralis vs pilotage distribu .......................................................................... 401
I.7.1 Dfinition du pilotage ............................................................................................... 411
I.7.2 Les systmes centraliss conventionnels .................................................................. 411
I.7.2.1 Les systmes MRP2 .......................................................................................... 411
I.7.2.2 Les ERP ............................................................................................................ 411
I.7.2.3 Les systmes de planification avance.............................................................. 421
I.7.2.4 Quelques Critiques ............................................................................................ 421
I.7.3 Les systmes distribus intelligents .......................................................................... 431
I.7.3.1 Les systmes fractals......................................................................................... 431

7
I.7.3.2 Les systmes multi agents ................................................................................. 431
I.7.3.3 Les systmes holoniques ................................................................................... 431
I.7.3.4 Les systmes contrls par le produit ............................................................... 431
I.7.4 Motivations pour la dcentralisation du pilotage dans le cas de CLGC ................... 441
I.8 Terrain dtude partenaire industriel ............................................................................ 441
I.9 Positionnement de la thse .............................................................................................. 461
I.10 Conclusion ..................................................................................................................... 461
Chapitre II : LAlliance entre les Systmes multi-agents et lOptimisation ............................ 491
II.1 Introduction .................................................................................................................... 491
II.2 Optimisation ................................................................................................................... 491
II.2.1 Quelques concepts ................................................................................................... 491
II.2.1.1 Dfinition dun problme doptimisation ........................................................ 491
II.2.1.2 La notion dalgorithme .................................................................................... 511
II.2.1.3 Classification des problmes doptimisation ................................................... 521
II.2.2 Heuristiques et mtaheuristiques ............................................................................. 531
II.2.2.1 Les algorithmes gloutons ................................................................................. 541
II.2.2.2 Le recuit simul (Simulated Annealing - SA) ................................................ 541
II.2.2.3 La recherche tabou (Tabu Search TS) ......................................................... 551
II.2.2.4 Les algorithmes volutionnaires ..................................................................... 561
II.2.3 Mthodes exactes .................................................................................................... 571
II.2.3.1 La mthode par sparation-valuation (branch & bound) ............................... 571
II.2.3.2 La programmation linaire .............................................................................. 581
II.3 Les systmes multi-agents ............................................................................................. 591
II.3.1 Quelques concepts ................................................................................................... 601
II.3.1.1 La notion dagent ............................................................................................. 601
II.3.1.2 Typologie dagents .......................................................................................... 621
II.3.1.3 Les systme multi-agents................................................................................. 621
II.3.2 Les mcanismes dinteractions................................................................................ 631
II.3.2.1 La coopration ................................................................................................. 641
II.3.2.2 La planification ................................................................................................ 641
II.3.2.3 La ngociation ................................................................................................. 651
II.3.3 Apport des SMA...................................................................................................... 661
II.3.4 Applications des SMA ............................................................................................ 671
II.4 Lalliance entre les SMA et lOptimisation ................................................................... 681
II.4.1 Les SMA pour une rsolution collective dun problme doptimisation ................ 681
II.4.2 Les SMA, une solution adapte au problme dapprentissage................................ 701
II.4.3 Besoins lis la rsolution distribue des problmes doptimisation ..................... 711
II.5 Quelques systmes multi-agents pour loptimisation de la logistique militaire ............ 721
II.5.1 Nexus : Auto-organisation base d'agents pour le soutien en combat ................... 721
II.5.1.1 Approche ......................................................................................................... 721
II.5.2 ALP : Advanced Logistics Project .......................................................................... 731
II.5.3 Ushahidi, logiciel libre pour la collecte d'informations et la cartographie interactive
des donnes ....................................................................................................................... 741
II.6 Conclusion ..................................................................................................................... 751
Chapitre III : SMA au service de la modlisation avance dune chaine logistique ................ 771
III.1 Introduction .................................................................................................................. 771
III.2 Choix des architectures des systmes complexes ......................................................... 771
III.2.1 Technologies du Gnie Logiciel ............................................................................ 771
III.2.1.1 Architectures base de composants ............................................................... 781
III.2.1.2 Architectures base dagents ......................................................................... 781

8
III.2.1.3 Architecture oriente services ........................................................................ 791
III.2.2 Comparaison des architectures .............................................................................. 791
III.2.2.1 Slection de laction ....................................................................................... 791
III.2.2.2 Flexibilit du couplage ................................................................................... 801
III.2.2.3 Niveau dabstraction ...................................................................................... 811
III.2.2.4 Synthse ......................................................................................................... 821
III.2.3 Contraintes ............................................................................................................. 821
III.2.4 Choix stratgiques .................................................................................................. 831
III.2.5 Principales mthodes existantes base dagents ................................................... 851
III.2.5.1 ADELFE......................................................................................................... 851
III.2.5.2 Gaia ................................................................................................................ 851
III.2.5.3 INGENIAS ..................................................................................................... 861
III.2.5.4 MaSE .............................................................................................................. 861
III.2.5.5 PASSI ............................................................................................................. 871
III.2.5.6 Prometheus ..................................................................................................... 871
III.2.5.7 Comparaison des diffrentes mthodes .......................................................... 881
III.3 OBAC : Une architecture propose base dagents communicants ............................ 881
III.3.1 Notions lmentaires .............................................................................................. 891
III.3.1.1 Objet .............................................................................................................. 891
III.3.1.2 Modlisation Objet ........................................................................................ 891
III.3.1.3 Classe ............................................................................................................. 891
III.3.2 UML : Langage de Modlisation Unifi ................................................................ 901
III.3.3 De la modlisation Objet vers la modlisation Agent ........................................... 911
III.4 Architecture propose base dagents communicants pour la gestion de crise ........... 911
III.4.1 Agent zone ............................................................................................................. 931
III.4.2 Agent Transport ..................................................................................................... 951
III.4.3 Agent Intgrateur Evaluateur ................................................................................. 961
III.4.4 Agent Estimateur de Besoins (Need Estimating Agents : NEA) ........................... 961
III.4.4.1 Comportement du NEA .................................................................................. 971
III.4.4.2 Organisation de lNEA ................................................................................. 1021
III.4.5 Agent Mto......................................................................................................... 1041
III.4.6 Agent GUI ............................................................................................................ 1051
III.4.7 Fonctionnement global du systme ...................................................................... 1081
III.3.7.1 Rception des colis ....................................................................................... 1081
III.3.7.2 Consommation des marchandises ................................................................ 1091
III.4.7.3 Transmission des demandes ......................................................................... 1091
III.4.7.4 Envois des colis ............................................................................................ 1101
III.5 Conclusion .................................................................................................................. 1101
Chapitre IV : Comportements optimisateurs des agents logistiques ...................................... 1131
IV.1 Introduction ................................................................................................................ 1131
IV.2 Comportement de lagent Mtropole : Positionnement optimis des zones .............. 1141
IV.2.1 Problmatique ...................................................................................................... 1141
IV.2.2 Problme de Steiner ............................................................................................. 1151
IV.2.2.1 Problme de Steiner dans les graphes .......................................................... 1161
IV.2.2.2 Etat de lart ................................................................................................... 1171
IV.2.3 Algorithme de positionnement des zones ............................................................ 1191
IV.2.3.1 Algorithme de Steiner : vers la cration dynamique de la CLGC ............... 1201
IV.2.3.2 Aide au positionnement : le mode manuel ................................................... 1231
IV.3 Comportement de lagent zone : ordonnancement des tches de livraison ................ 1241
IV.3.1 Dfinitions ........................................................................................................... 1251

9
IV.3.2 Caractrisation dun problme dordonnancement .............................................. 1251
IV.3.2.1 Les tches ..................................................................................................... 1251
IV.3.2.2 Les ressources .............................................................................................. 1261
IV.3.2.3 Les critres ................................................................................................... 1261
IV.3.2.4 Les contraintes ............................................................................................. 1271
IV.3.3 Rsolution centralise/distribue des problmes ................................................. 1281
IV.3.4 Mthodes de rsolutions distribues .................................................................... 1291
IV.3.5 Positionnement de notre tude ............................................................................. 1301
IV.3.6 Modle propos : vers un ordonnancement distribu .......................................... 1321
IV.3.6.1 Fonctionnement gnral ............................................................................... 1321
IV.3.6.2 Formulation de notre problme .................................................................... 1341
IV.3.6.3 Construction des tches de livraison ............................................................ 1351
IV.3.6.4 Algorithmes pour lordonnancement local des tches de livraison ............. 1371
IV.3.6.5 Critres ou Indicateurs de performances pour lvaluation de la chane ..... 1411
IV.4 Etude de convergence du systme propos ................................................................ 1431
IV.4.1 Convergence dun agent logistique ..................................................................... 1431
IV.4.1.1 Etude de complexit du comportement de lagent Mtropole ..................... 1431
IV.4.1.2 Etude de complexit du comportement de lagent zone .............................. 1441
IV.4.2 Convergence du systme propos ........................................................................ 1441
IV.4.2.1 Caractrisation dun phnomne mergent .................................................. 1451
IV.4.2.2 Convergence prominente de notre systme ................................................ 1461
IV.5 Conclusion .................................................................................................................. 1491
Chapitre V : Outil de simulation propos pour diffrentes situations logistiques ................. 1511
V.1 Introduction.................................................................................................................. 1511
V.2 Les plateformes de dveloppement ............................................................................. 1511
V.2.1 CORMAS : ............................................................................................................ 1521
V.2.2 Zeus ....................................................................................................................... 1521
V.2.3 MadKit .................................................................................................................. 1521
V.2.4 Jade........................................................................................................................ 1521
V.3 Choix de la plateforme................................................................................................. 1531
V.4 Outils et paramtrages ................................................................................................. 1541
V.4.1 Plateforme et conteneur ........................................................................................ 1541
V.4.2 Outils utiles au dbogage ...................................................................................... 1551
V.4.3 Langage ACL (Agent Communication Langage) ................................................. 1551
V.5 Simulations et Rsultats ............................................................................................... 1561
V.5.1 Prsentation du Dmonstrateur OBAC ................................................................. 1571
V.5.2 Positionnement des zones : Le mode automatique ............................................... 1601
V.5.2.1 Premier test : cas de 2 zones utilisateurs ....................................................... 1611
V.5.2.2 Deuxime test : cas de 3 zones utilisateurs ................................................... 1631
V.5.3 Aide au positionnement des zones : Le mode Manuel.......................................... 1671
V.5.3.1 Donnes utilises ........................................................................................... 1681
V.5.3.2 Rsultats des exprimentations ..................................................................... 1701
V.5.4 Les tests du Need Estimating Agent ..................................................................... 1731
V.5.4.1 Premier test : variation linaire en fonction du nombre de personnes .......... 1731
V.5.4.2 Second test : variation non linaire en fonction du nombre de personnes .... 1751
V.5.5 Comportement des agents ordonnanceurs : Scnario Japon ................................. 1761
V.5.5.1 Donnes du scnario ...................................................................................... 1761
V.5.5.2 Premire semaine de dploiement ................................................................. 1781
V.5.5.3 Deuxime semaine de dploiement ............................................................... 1811
V.5.5.4 Troisime semaine de dploiement ............................................................... 1811

10
V.5 Conclusion ................................................................................................................... 1861
Conclusion Gnrale .............................................................................................................. 1891
Bibliographie .......................................................................................................................... 1911

11
Table des figures

Figure I. 1 Niveaux stratgique, tactique et oprationnel dans une SC (Rhode et al., 00) ....... 251
Figure I. 2 Systme de contrle pour les performances des CL ............................................... 261
Figure I. 3 Evolution des systmes de Sant ............................................................................ 311
Figure I. 4 Flux pousss et flux tirs ........................................................................................ 361
Figure I. 5 Rpartition des publications selon leurs contribution (N. Altay et W. G. Green) .. 381
Figure I. 6 Organigramme dEADS (en 2011) ......................................................................... 451
Figure I. 7 Architecture trois couche de notre systme ......................................................... 46
Figure II. 1 Organigramme de la mtaheuristique du Recuit Simul (Siarry, 2002) .............. 551
Figure II. 2 Organigramme de lalgorithme Tabou (Siarry, 2002) .......................................... 561
Figure II. 3 Rsolution dun problme par algorithme gntique (Siarry, 2002)..................... 571
Figure II. 4 Classification des mthodes de rsolution ............................................................ 591
Figure II. 5 Evolution des paradigmes de linformatique ........................................................ 601
Figure II. 6 Les interactions sous leurs diffrentes formes ...................................................... 641
Figure II. 7. Cartographie des demandes daide en Hati ......................................................... 741
Figure II. 8 Calendrier des vnements .................................................................................... 75
Figure III. 1 Connexion de plusieurs composants .................................................................... 811
Figure III. 2 Comparaison des technologies ............................................................................. 821
Figure III. 3 Les diffrentes vues dUML ................................................................................ 901
Figure III. 4 Organisation Multi-agent propose ..................................................................... 931
Figure III. 5 Architecture du systme....................................................................................... 931
Figure III. 6 Diagramme dactivits de lagent Mtropole ...................................................... 951
Figure III. 7 Diagramme dactivits de lagent Intgrateur Evaluateur ................................... 961
Figure III. 8 Fonctionnement gnral de lagent NEA............................................................. 981
Figure III. 9 Les fonctions dappartenance aux trois classes Froid, Tempr et Chaud .......... 991
Figure III. 10 Les fonctions dappartenance aux trois classes Faible, Moyenne et Forte ...... 1001
Figure III. 11 Interface de lagent Test................................................................................... 1031
Figure III. 12 Organisation de lagent NEA ........................................................................... 1031
Figure III. 13 Diagramme dactivits de lagent NEA ........................................................... 1041
Figure III. 14 Diagramme dactivits de lagent Mto ......................................................... 1051
Figure III. 15 Diagramme dactivits de lagent GUI ............................................................ 1061
Figure III. 16 Interactions entre les agents ............................................................................. 1061
Figure III. 17 Diagramme de squences ................................................................................. 1071
Figure III. 18 Diffrents modes dactivits des agents ........................................................... 108
Figure IV. 1 Solution pour trois points. ................................................................................. 1161
Figure IV. 2 Solution pour quatre points................................................................................ 1161
Figure IV. 3 Arbre de Steiner euclidien minimal ................................................................... 1181
Figure IV. 4 Graphe de Steiner minimal ................................................................................ 1181
Figure IV. 5 Algorithme gnral de Steiner ........................................................................... 1191
Figure IV. 6 Algorithme gnral ............................................................................................ 1211
Figure IV. 7 Algorithme pour Actualiser les distances .......................................................... 1221
Figure IV. 8 Algorithme pour Runifier les arbres ................................................................ 1221
Figure IV. 9 Algorithme de construction de larbre 1-S ........................................................ 1231
Figure IV. 10 Algorithme de construction de larbre 2-S ...................................................... 1231
Figure IV. 11 Modle type dun systme dordonnancement de livraison ............................ 1311
Figure IV. 12 Systme dordonnancement distribu base dagents .................................... 1321
Figure IV. 13 Algorithme de cration des tches ................................................................... 1361

13
Figure IV. 14 Algorithme de liste .......................................................................................... 1391
Figure IV. 15 Algorithme de Branch & Bound ...................................................................... 140
Figure V. 1 Plateformes et Conteneurs .................................................................................. 1551
Figure V. 2 Interface initiale du dmonstrateur OBAC ......................................................... 1571
Figure V. 3 Paramtrage des ressources ................................................................................. 1581
Figure V. 4 Interface graphique principale ............................................................................ 1581
Figure V. 5 Suivi des paquets................................................................................................. 1591
Figure V. 6 Evolution des stocks ........................................................................................... 1601
Figure V. 7 Paramtrage des zones, cas 2 zones ................................................................. 1611
Figure V. 8 Les deux zones utilisateurs ................................................................................. 1621
Figure V. 9 Deux zones utilisateurs et deux zones portuaires ............................................... 1631
Figure V. 10 Paramtrage des zones, cas de 3 zones sur un mme continent ........................ 1631
Figure V. 11 Trois zones utilisateurs et une zone intermdiaire ............................................ 1641
Figure V. 12 Trois zones utilisateurs (2 zones portuaires et une zone intermdiaire) ........... 1671
Figure V. 13 Carte des villes et aroports .............................................................................. 1681
Figure V. 14 Mers et Ports ..................................................................................................... 1691
Figure V. 15 Interface dinitialisation .................................................................................... 1701
Figure V. 16 Rsultat du premier test .................................................................................... 1711
Figure V. 17 Cas dune perturbation ...................................................................................... 1721
Figure V. 18 Rsultat du second test ...................................................................................... 1721
Figure V. 19 Evaluation de la dcision du logisticien............................................................ 1731
Figure V. 20 Courbe de valeurs du premier test .................................................................... 1741
Figure V. 21 Courbe de valeurs du second test ...................................................................... 1751
Figure V. 22 Mise en place de la chane logistique ............................................................... 1771
Figure V. 23 Vue densemble de la chane logistique............................................................ 1781
Figure V. 24 Tches reues par les agents ordonnanceurs au 1er jour (semaine 1) ................ 1791
Figure V. 25 Liste des tches reues par les agents ordonnanceurs au 3me jour (semaine 1) 1801
Figure V. 26 Liste des tches reues par les agents ordonnanceurs au 5me jour (semaine1) 1811
Figure V. 27 Liste des tches reues par les agents ordonnanceurs au 1er jour (semaine 3) .. 1831
Figure V. 28 Liste des tches reues par les agents ordonnanceurs au 2me jour (semaine 3) 1831
Figure V. 29 Liste des tches reues par les agents ordonnanceurs au 5me jour (semaine 3) 1841
Figure V. 30 Courbes des cots de livraison .......................................................................... 1841
Figure V. 31 Sniffer Agent ..................................................................................................... 1851
Figure V. 32 Courbe des stocks avec premire version ......................................................... 1861
Figure V. 33 Courbe des stocks avec lordonnancement distribu ........................................ 1861

14
Liste des tableaux

Tableau I. 1 Les processus de la logistique hospitalire .......................................................... 321


Tableau I. 2 Les diffrents types de crises ............................................................................... 331
Tableau I. 3 Rsum de la littrature existante sur humanitarian supply chains/logistics . 37
Tableau III. 1 Synthse de la comparaison des diffrentes mthodes ...................................... 881
Tableau III. 2 Rgles dinfrence ............................................................................................. 99
Tableau IV. 1 Problme de larbre couvrant minimum et problme de Steiner .................... 115
Tableau V. 1 Quelques actions de communications............................................................... 1561
Tableau V. 2 Donnes de dpart pour le cas 2 zones ............................................................. 1611
Tableau V. 3 Donnes de dpart pour le cas 4 zones ............................................................. 1621
Tableau V. 4 Donnes de dpart pour le cas 3 zones ............................................................. 1631
Tableau V. 5 Donnes de dpart pour le cas 2 continents...................................................... 1661
Tableau V. 6 Donnes relatives aux villes dappuis stratgiques .......................................... 1691
Tableau V. 7 Tableau de valeurs du premier test ................................................................... 1741
Tableau V. 8 Tableau de valeurs du second test .................................................................... 1751
Tableau V. 9 Caractristiques des moyens de transport utiliss pour la CLGC .................... 1771
Tableau V. 10 Cots obtenus en K ....................................................................................... 1791
Tableau V. 11 Cots (K) obtenus aprs ajustement ............................................................. 1801
Tableau V. 12 Les quantits initiales de ressources au dbut de la troisime semaine ......... 1821
Tableau V. 13 Comparaison entre le cot de livraison total obtenu, avec et sans entente entre
les agents ................................................................................................................................ 1841

15
Introduction Gnrale

Les travaux de thse prsents dans ce mmoire, ont t effectus dans la perspective
dapporter une solution pour des problmes de prise de dcision rencontrs dans des systmes
dinformation pour les chanes logistiques. La chane logistique reprsente un avantage
concurrentiel que les entreprises cherchent perptuer. Elle a pour but d'optimiser les
changes, ou flux, que l'entreprise entretient avec ses fournisseurs et ses clients. Ces flux
peuvent tre de natures diverses. Il peut s'agir de flux d'informations, relatifs aux
approvisionnements ou la conception des produits, de flux financiers lis aux achats, ou
encore de flux de marchandises ( partir des matires premires et pices d'assemblage
jusquaux produits finis).

En particulier, la logistique de gestion de crise fait de plus en plus parler delle. Pour ces
systmes, o il nest jamais trs ais danticiper lvolution de lenvironnement, les formes de
changements subis sont varies et rapides. En effet, les prises de dcision des logisticiens
concernent des actions qui ont lieu dans un environnement sans cesse mouvement. De plus,
rpondant un appel durgence, elles nont, par dfinition, aucune manire de prvoir ce qui
va arriver. Une chane logistique de gestion de crise peut tout moment tre victime de
retards de livraison, de mauvaises estimations de consommation, de pertes de cargaisons, de
pics spontans de consommation, et bien dautres vnements imprvisibles. Tous ces
imprvus sont susceptibles dengendrer des ruptures de stocks nimporte quel point de la
chane logistique, ce qui peut avoir des consquences dramatiques pouvant entraner des
pertes humaines. Ces situations extrmes ntant pas acceptables, ceci justifie le besoin de
crer un outil qui permettrait de simuler des situations logistiques relles et/ou probables,
lobjectif tant dobserver les comportements des diffrentes zones en place et dgager les
meilleures stratgies adopter selon les situations de crise.

Les travaux de recherche prsents dans cette thse, dans le cadre dune coopration avec le
dpartement logistique de CASSIDIAN EADS, visent apporter une rponse ces dfis,
dans une dmarche qui lie les mthodes doptimisation au paradigme de lintelligence
artificielle. Nous nous proposons de ce fait de trouver des modles mathmatiques, et des
protocoles de coopration inter-agents, permettant de minimiser le risque de rupture de stock
dans une zone quelconque de la chane logistique.

17
Afin de mettre en vidence toutes les contraintes qui nous sont poses, nous proposons la
conception et le dveloppement dun systme daide la dcision orient agents, pour la
modlisation et loptimisation de la chane logistique de gestion de crise. En effet, aspirant
llaboration dun systme oprationnel, performant et comptitif grande chelle, nous nous
sommes focaliss sur la notion doptimisation en usant des mthodologies dintelligence
artificielle distribue. Les systmes multi-agents (SMA) sont particulirement sollicits dans
la mise en uvre de telles applications en raison de leur adaptation pour la reprsentation
comportementale des entits qui composent le systme et pour ltude dynamique de leurs
interactions.

Les problmes de gestion des flux abords sont envisags aussi bien au niveau global entre
plusieurs acteurs de la chane, quau sein des activits dun des acteurs. Ainsi des problmes
doptimisation allant du positionnement des zones logistiques de gestion de crise ceux de la
prise de dcision au sein de chaque zone font partie de nos problmatiques abordes.

Le manuscrit se dcompose selon les chapitres suivants :


1. Dans le premier chapitre, nous prsentons le contexte de recherche qui relve de la gestion
des chanes logistiques et nous mettons laccent sur la prsentation des caractristiques de la
logistique distribue avance et de ses problmatiques. A travers ce premier chapitre, nous
explicitons les choix ayant orient nos travaux vers la conception et le dveloppement dun
systme multi-agent ;
2. Notre problmatique ainsi dfinie, nous nous focalisons dans le deuxime chapitre sur la
mthodologie de rsolution adopter et qui se prsente sous forme dune alliance des
systmes multi-agents et des fondements de loptimisation, pour la mise en place dune
approche sinscrivant dans le cadre dune intelligence artificielle distribue ;
3. Dans le troisime chapitre nous tudions lapport des systmes multi-agents dans la
conception et la ralisation des systmes logistiques. Nous proposons ensuite une organisation
multi-agent ddie la modlisation et loptimisation dune chane logistique de gestion de
crise en dtaillant larchitecture de notre systme et les comportements des diffrents agents;
4. Le chapitre 4 sera consacr aux solutions proposes pour optimiser les flux de la chane
logistique de gestion de crise. En effet, nous proposons dans ce chapitre, un module pour
loptimisation du positionnement gographique des diffrentes zones de la chane, et une
approche innovante pour lordonnancement distribu des tches de livraison qui permet
dapporter une solution un problme de gestion des flux fortement distribu ;

18
5. Enfin, nous dtaillons dans le dernier chapitre, les applications du systme adopt pour
dmontrer la validit des solutions proposes.

19
Chapitre I : Logistique distribue avance
I.1 Introduction
Dans le cadre de nos travaux, nous nous sommes intresss ltude de loptimisation de la
chane logistique de gestion de crise et notamment loptimisation des activits de
planification et de pilotage des flux logistiques, en tenant compte des contraintes de type cot,
dlai et qualit de service.
Dans ce premier chapitre, nous dfinissons en premier abord les notions de logistique et de
gestion des chanes logistiques. Ensuite nous nous intressons aux spcificits de certaines
chanes logistiques, notamment dans le domaine du transport, de la sant et de la gestion de
crise. Il sen suit une prsentation des forces et faiblesses des diffrentes approches existantes
en termes de modlisation et pilotage des chanes logistiques. Ceci va nous permettre, de
dfinir dun ct les besoins mthodologiques spcifiques la gestion des chanes logistiques,
et dun autre, dargumenter notre motivation pour adopter le courant de recherche qui
sintresse la dcentralisation de la prise de dcision logistique.
Ensuite nous prsentons le partenaire industriel avec qui nous menons nos travaux, ce qui
nous permet de situer le besoin industriel et de formuler la proposition de recherche que nous
apportons pour couvrir ce besoin.

I.2 Logistique et gestion des chanes logistiques

I.2.1 Logistique - Dfinitions


On cite souvent la dfinition dorigine militaire : La logistique consiste apporter ce quil
faut, l o il faut et quand il le faut.
Le mot logistique apparat en France au XVIIIe sicle, avec lapparition des problmes de
soutien militaire (rapprovisionnement en armes, munitions, vivres, ).
Ce terme sest ensuite rpandu, dans le milieu industriel notamment, pour voquer
principalement la manutention et le transport des marchandises. Jusquaux annes 70, la
logistique navait que peu dimportance dans la gestion des entreprises, considre comme
une fonction secondaire, limite aux tches d'excution dans des entrepts et sur les quais
d'expdition. Mais la logistique est ensuite comprise comme un lien oprationnel entre les
diffrentes activits de l'entreprise, assurant la cohrence et la fiabilit des flux-matires, en

21
vue de la qualit du service aux clients tout en permettant l'optimisation des ressources et la
rduction des cots.
La logistique devient, au milieu des annes 90, une fonction globalise voire mondialise de
gestion du flux physique dans une vision complte de la chane Clients/Fournisseurs, et
constitue vritablement une nouvelle discipline du management des entreprises. La
logistique globale reprsente ainsi lensemble des activits internes ou externes
lentreprise qui apportent de la valeur ajoute aux produits et des services aux clients (Courty,
2003).

Dans leur ouvrage, La logistique au service de lentreprise , (Colin, Math, & Tixi, 1981)
ont propos la dfinition suivante :

La logistique est le processus stratgique par lequel l'entreprise organise et soutient son
activit. A ce titre, on peut dterminer et grer les flux matriels et informationnels affrents,
tant internes qu'externes, en amont qu'en aval.

La fonction logistique dsignerait ainsi la gestion des flux physiques de matires premires et
de produits ainsi que celle des flux dinformation, cest dire les transports, les entrepts,
linformatique, etc.

Il existe plusieurs types de logistiques :


- logistique dapprovisionnement qui permet dalimenter les stocks des entreprises et usines
en matires premires, composants et sous-ensembles ncessaires la production.
- logistique de production qui consiste rendre disponibles les matriaux et les composants
ncessaires la production au pied des lignes de production.
- logistique de distribution qui consiste acheminer vers le client final ou le consommateur
les produits dont il a besoin.
- logistique militaire qui a pour objectif de transporter sur un thtre doprations les forces et
les ressources ncessaires pour assurer leur mise en uvre oprationnelle et maintenir leur
soutien.
- rtro-logistique qui consiste reprendre des produits dont le client ne veut pas ou quil veut
faire rparer, ou encore des produits traiter en dchets industriels.

Il y a donc bien des logistiques diffrentes jusqu ce que le concept de supply chain ne
vienne apporter une certaine unit en ce domaine.

22
I.2.2 Le concept de la supply chain

I.2.2.1 Supply Chain SC


Cest un concept relativement rcent mme si les militaires utilisent la mme expression
depuis beaucoup plus longtemps. On dfinit assez souvent la supply chain comme La suite
des tapes de production et de distribution dun produit depuis les fournisseurs des
fournisseurs des producteurs, jusquaux clients de ses clients (Supply Chain Council).
Afin de mieux comprendre le concept de Chane Logistique CL (Supply Chain SC), nous
proposons deffectuer une revue des dfinitions de ce terme, utilises dans la littrature.
Christopher (Christopher, 1992) dfinit la chane logistique comme tant le rseau
d'entreprises qui participent, en amont et en aval, aux diffrents processus et activits qui
crent de la valeur sous forme de produits et de services apports au consommateur final. En
d'autres termes, une chane logistique est compose de plusieurs entreprises, en amont
(fourniture de matires et composants) et en aval (distribution), et du client final .
Lummus (Lummus et al., 1998) a, quant lui, dfinit la chane logistique comme tant le
rseau dentits par lequel le flux matriel passe. Ces entits incluent fournisseurs,
transporteurs, sites dassemblages, centres de distribution, dtaillants et clients .
Une dfinition plus gnrale est celle propose par Poirier (Poirier et Reiter, 2001) : Une
chane logistique est le systme grce auquel les entreprises amnent leurs produits et leurs
services jusqu leurs clients .

I.2.2.2 Supply Chain Management SCM


Il existe une distinction entre la chane logistique et la gestion de la chane logistique .
En effet, la gestion de chane logistique regroupe les approches, processus et fonctions
indispensables pour la rduction des cots dune chane logistique et laugmentation de sa
flexibilit en vue doptimiser sa performance.
Ici encore, on relve plusieurs dfinitions de la gestion de la chane logistique (Mentzer, et al.,
2001). Beaucoup dauteurs soulignent la difficult de dfinir le SCM. Voici quelques
dfinitions, issues notamment de (Croom et al., 2000) :
Vakharia (Vakharia, 2002) dfinit la SCM comme tant lart et la science de crer et
daccentuer les rapports synergiques entre les partenaires dune mme chane logistique ayant
comme objectif commun de livrer, juste temps, les bons produits et les bons services au bon
client, avec la meilleure quantit .
Simchi-Levi propose dans son ouvrage la dfinition suivante (Simchi-Levi et Kaminsky,
2003) Le SCM est une stratgie qui vise la fois la rduction des frais globaux, permettant

23
une position plus concurrentielle toutes les diffrentes parties de la chane logistique, et
loptimisation de la satisfaction du client final par une plus grande adaptabilit des systmes
de production et de distribution .
Pour Rota-Franz (Rota-Franz et al., 2001), faire du SCM consiste intgrer lensemble des
moyens internes et externes pour rpondre la demande des clients. Lobjectif est doptimiser
de manire simultane et non plus squentielle lensemble des processus logistiques.

Le principal objectif du SCM est damliorer la comptitivit industrielle en : 1) minimisant


les cots, 2) assurant le niveau de service requis par le client, 3) allouant efficacement les
activits sur les acteurs de production, distribution, transport et dinformation ; veillant ce
que les acteurs ne dveloppent pas de comportements locaux antagonistes venant affecter la
performance globale.

I.2.3 La prise de dcision en logistique : un processus hirarchis


Pour nimporte quel type de chane logistique, la prise de dcision est divise en trois
niveaux: stratgique, tactique et oprationnel, correspondant respectivement des horizons
long, moyen et court terme, comme lillustre la figure I.1. Quelques problmatiques et
travaux rattachs chacun des niveaux dcisionnels sont prsents ci-dessous (Ganeshan et
al., 1998, Shapiro, 1999, Vincent et al., 2004, Botta-Genoulaz, 2005).

I.2.3.1 Niveau stratgique


Ce niveau, aussi appel Strategic Management par (Croom et al., 2000) ou encore Strategic
Planning par (Thomas et Griffin, 1996), regroupe toutes les dcisions stratgiques. Ces
dcisions sont des directives et des lignes dactions sur le long terme (de 6 mois plusieurs
annes), comme, par exemple, la recherche de nouveaux partenaires industriels, la slection
des fournisseurs et sous-traitants, mais aussi les dcisions dimplantation ou de dlocalisation
de zones dintervention dans le cas de la logistique militaire, laffectation dune nouvelle zone
dapprovisionnement un centre de distribution (entrept), le dveloppement dun nouveau
produit, la configuration de la chane logistique, son mode de fonctionnement, ainsi que les
objectifs financiers atteindre.

I.2.3.2 Niveau tactique


Le niveau dcisionnel tactique sintresse aux dcisions moyen terme (de quelques semaines
quelques mois) qui devront tre excutes pour dployer la stratgie dcide par
lentreprise. Ces dcisions portent sur les problmes lis la gestion des ressources de

24
lentreprise, en particulier la planification des activits en tenant compte des ressources
disponibles sur un horizon fix.

I.2.3.3 Niveau oprationnel


En ce qui concerne le niveau oprationnel, ou Operational Planning selon (Thomas et Griffin,
1996), les dcisions ont une porte plus limite dans lespace et dans le temps (dcisions sur
la journe ou sur la semaine). A ce niveau, les dcisions tactiques gnrent un plan dtaill de
production ou dordonnancement, applicable au niveau dun atelier ou dune zone logistique.

Figure I. 1 Niveaux stratgique, tactique et oprationnel dans une SC (Rhode et al., 00)

I.2.4 Les performances


La gestion de la chane logistique cherche amliorer le systme global de production. Pour
atteindre cet objectif, nous avons souvent recours un certain nombre dindicateurs de
performance. Ces indicateurs, parfois difficiles quantifier, peuvent tre la satisfaction du
client, le respect des dlais de livraison, la flexibilit de la chane, le partage de linformation,
la gestion des risques, lamlioration de la traabilit, etc. Ils sont construits partir du suivi
des stocks et permettent de fixer les seuils des objectifs atteindre.
Trois principaux indicateurs de performance de la chane logistique sont largement utiliss,
correspondant chacun un type de flux : des indicateurs de coopration en ce qui

25
concerne la performance du flux dinformation, les cots pour le flux financier et les dlais de
livraison pour le flux physique.
La premire tape du suivi des performances consiste donc mesurer la performance .
Plusieurs critres de performance sont envisageables. Beamon (Beamon, 1998) classe celles-
ci en deux catgories : les mesures de performance qualitatives (satisfaction du client,
flexibilit, intgration du flux physique et dinformation, gestion du risque financier, etc.) et
quantitatives (retards de livraison, temps de rponse client, etc.). Ensuite, il faut prendre des
dcisions de ringnierie et agir sur le systme et le modle travers des variables de dcision
afin de tendre vers les objectifs fixs, comme le montre la figure I.2. La mise en place dun
systme performant traduit donc un besoin de contrle de la chane logistique et
damlioration des performances.

Figure I. 2 Systme de contrle pour les performances des CL

La gestion des systmes logistiques a pour objectif de dvelopper des modles et des
mthodes doptimisation permettant de fournir une aide la dcision efficace. En effet, les
systmes logistiques en gnral constituent des organisations sociotechniques
particulirement difficiles et prsentent des problmatiques de modlisation et doptimisation
complexes. Les systmes logistiques concerns sont principalement ceux qui relvent de : la
Production, le Transport, la Sant et la Gestion de Crise. De tels systmes sont souvent
dynamiques, distribus et tendus sur des rseaux grandes chelles et se prsentent
gnralement sous formes dentits autonomes en interaction. Les processus issus de ces
systmes sont complexes, par leurs dimensions importantes (nombre trs important de
variables), la nature de leurs relations dynamiques, et la multiplicit des contraintes
auxquelles ils sont soumis (contraintes de productivit et de scurit pour lhomme et
lenvironnement).
Les logisticiens de ces systmes sont confronts des problmes de complexit croissante
comme par exemple : Comment amliorer, scuriser, et optimiser les flux logistiques?
26
Comment amliorer la synchronisation des flux dans ces systmes distribus, tels que : les
rseaux de soins, la chane logistique globale du transport multimodal, les rseaux de
production multi-site et la gestion de crise multizone ? Quelles nouvelles technologies de
linformation et de la communication adopter et comment les implanter en harmonie avec les
spcificits de lactivit de ces systmes logistiques ?

Ces travaux de recherche qui sinscrivent dans le cadre des thmes de recherche de lquipe
Optimisation des Systmes Logistiques (OSL-LAGIS), se veulent une rponse ces dfis,
dans une dmarche qui allient les mthodes doptimisation au paradigme multi-agent..

Le reste de ce chapitre prsente les principaux systmes logistiques ainsi que les
technologies existantes pour amliorer leur gestion.

I.3 Logistique des transports


La logistique des transports couvre deux grandes catgories : les systmes de transport des
personnes, en rapport avec la gestion des villes et lamnagement urbain, et les systmes de
transport de biens, appels galement la logistique de distribution.

I.3.1 Transport des personnes


Dans le domaine du transport des personnes, nous mettons en relation principalement trois
intervenants diffrents. Dun ct, les transports : linfrastructure (rseau de transport) et
quipements (Bus, tram, train, etc.), de lautre : les exploitants qui investissent et grent les
rseaux de transport. Enfin, il faut prendre en compte les voyageurs qui utilisent le rseau de
transport dans leurs dplacements. Le transport des personnes peut alors tre trait selon deux
volets dinvestigation : laide la mobilit cot client, et laide la rgulation cot rgulateur.
Nous introduisons tout dabord la notion de transport multimodal comme une solution qui
permet de fournir plus de flexibilit et de souplesse dans les dplacements, rendant ainsi le
rseau de transport plus fiable et beaucoup plus rentable.

1.3.1.1 Transport multimodal


Un rseau de transport multimodal, dans le cas des systmes de transport des personnes, est
caractris par la prsence simultane de diffrents modes de transport tels que les bus, les
mtros et les tramways. La liaison entre ces modes est tablie au niveau de ples dchange
ou de nuds de correspondance. Par rapport au cas monomodal, la planification du trafic dans
un rseau multimodal est plus difficile, tant donne la complexit des dplacements. En
effet, ce processus ncessite lordonnancement des vhicules, afin de leur affecter des courses
et aussi lordonnancement du personnel, afin de leur affecter des services.
27
Sachant que linformation dans le transport est un lment cl, il faut faire un choix entre les
multiples systmes dinformation destins exploiter au mieux le rseau (Feki, 2010).

1.3.1.2 Systmes dinformations ct rgulateur


Ces Systmes dInformations (SI) sont aussi appels systmes dinformations ct exploitant.
En effet, lexploitation dun rseau de transport passe principalement par deux phases-cl :
une phase de planification et une phase de rgulation. On trouve donc des Systmes dAide
lExploitation (SAE) et des Systmes dAide la Dcision (SAD) utiliss pour la ralisation
de ces deux phases.
La premire phase est la phase de planification ralise en amont de la mise en service du
rseau. Elle consiste concevoir, planifier et ordonnancer les ressources du transport. Cest
une phase importante pour les exploitants ; elle est valable pour les vhicules et pour la
planification de la main-d'uvre : les conducteurs (Freling, 1999). La problmatique de la
planification est directement lie aux algorithmes dordonnancement et particulirement aux
algorithmes de tournes de vhicules (Vehicle Scheduling Problem VSP) (Daduna et al, 1995).
Actuellement, plusieurs entreprises de transport reposent toutes leurs phases de planification
sur des outils, logiciels et systmes de planification pour gnrer les tableaux horaires et les
fiches de services des conducteurs (Rousseau, 1985).
La deuxime phase survient suite la mise en place du service de transport. Cest une phase
de rgulation qui consiste affiner les horaires et le nombre de vhicules aux heures de pointe
pour amliorer la qualit de service et optimiser lutilisation du rseau.

1.3.1.3 Systmes dinformations ct client


Le deuxime type de SI lie le client (le voyageur) et les transports. Ce sont les Systmes
dInformations dAide au Dplacement (SIAD). Lobjectif principal de ce type de SI est
daider le voyageur dans la phase de planification en proposant le chemin le plus court ou le
moins coteux. Actuellement, les systmes dinformations destins aux clients sont
gnralement monomodaux et dans le cas o ces systmes sont multimodaux, ils ne
concernent qu'un seul oprateur et donc sont mono-oprateur. Ces systmes se prsentent sous
forme de site web. Ils offrent en plus des informations usuelles (dhoraires, de disposition des
stations dans une carte) un calculateur d'itinraire interne. Il s'agit d'un moteur de recherche
d'itinraire accdant aux donnes locales d'un seul exploitant. Il fournit donc des itinraires
monomodaux. Parmi les exploitants proposant de tels sites nous pouvons citer Transpole pour
la mtropole Lilloise et la RATP pour lIle de France. Tous ces systmes demeurent mono-
oprateur. De plus en plus de projets sont mis en place dans le but dintgrer les donnes

28
issues de plusieurs oprateurs. Les travaux raliss ont suivi principalement deux stratgies, la
premire vise centraliser les donnes de tous les oprateurs dans un norme gisement de
donnes et lexploiter par la suite, la deuxime tend exploiter les donnes distantes en crant
un systme mdiateur entre les systmes existants.

I.3.2 Transport de biens

Le transport de biens couvre les domaines fonctionnels de la logistique de distribution et


dapprovisionnement. a consiste globalement mettre la disposition du client les produits
de qualit, en quantit et dans les dlais promis et un cot conomique et concurrentiel. La
logistique de distribution est une fonction transversale. Sa dfinition comporte :
- le choix du mode de transport : route, air, voie navigable, combin,
- le choix entre le transport propre, externalis, hybride,
- le type d'emballage, normes,
- la gestion du stockage, de la manutention, la localisation des dpts,
- le service aprs-vente.
Cette activit recouvre les trafics effectus par la route, le rail, les voies deau et la mer, lair
ainsi que les oloducs. La route reprsente la part la plus importante des transports terrestres.

I.3.2.1 Les participants


1 Le transporteur en compte propre ou transporteur priv

Il sagit gnralement dune entreprise ou dun particulier qui transporte ses propres
marchandises avec ses propres vhicules ou des vhicules lous et avec le plus souvent ses
propres conducteurs. Ces transporteurs privs sopposent aux transporteurs publics.

1 Le transporteur public

Il sagit de ce quon appelle messagerie, messagerie rapide, mono-colis, transport de lots


industriels, etc. On distingue entre lenvoi de colis des particuliers, lenvoi de colis rapide
par des entreprises dautres entreprises pour des colis nexcdant pas les 31 kg, et la
messagerie rapide qui permet denvoyer des colis sur palettes dun poids maximal allant
jusqu 3 tonnes.

1 Lexpditeur ou chargeur

Cest celui qui fait appel un transporteur. Il est souvent plus reconnu sous lappellation de
donneur dordre.

1 Le destinataire

29
Le destinataire est un participant important au transport routier. Il possde des obligations qui
concernent le dchargement des marchandises, les conditions de rception des marchandises
et les possibilits de rclamation en cas de problmes.

1 Les vhicules du transport routier

Il existe plusieurs types de vhicules : camionnette fourgon , 6x4 plateau, 6x4 benne,
porteur, semi-remorque, camion remorque ou train routier. Des progiciels daide au
chargement permettent doptimiser la disposition des colis, palettes et matriels divers
lintrieur du vhicule en question, compte tenu de lordre des livraisons dune tourne, de la
facilit de dchargement et du poids maximal.

I.3.2.2 Paramtres de configuration du rseau de distribution

La dfinition de l'architecture physique d'un rseau de distribution doit prendre en compte un


nombre important de paramtres, notamment :

- caractristiques, volume, varit et valeur des produits ;

- nombre, localisation, stabilit des points de livraison ;

- niveau de service fix en termes de dlais, fiabilit des livraisons, ractivit aux alas, de
traabilit ;

- impact des conditionnements sur les types de moyens de transport utiliss et l'organisation
physique des points de stockage ;

- diffrents cots : transport, entreposage, immobilisation.

Un deuxime exemple de systmes logistiques et pas des moindres concerne les systmes de
gestion de la chane de soins en sant, appele encore logistique hospitalire. Nous prsentons
dans la section suivante les diffrentes familles de flux qui caractrisent la logistique pour la
sant ainsi que les diffrents processus contrler pour assurer une gestion optimise des
patients.

I.4 Logistique hospitalire

I.4.1 Lvolution
Le contexte hospitalier actuel avec la croissance des dpenses de sant incite les
tablissements de sant adopter une politique plus rigoureuse et objective de matrise des
dpenses de sant. Lobjectif est double : dune part le respect des moyens allous au secteur

30
de la sant, dautre part, lutilisation optimale de ces ressources. Ces nouvelles exigences de
productivit sont venues sajouter celles de qualit et de scurit des soins prodigus aux
patients. Ces dernires annes, la situation des systmes de sant rappelle celle du monde
industriel et des entreprises de production de biens des annes 80. En effet, au cours des vingt
dernires annes, nous avons assist de multiples tentatives dimportation et dadaptation
lhpital de mthodes de gestion empruntes au monde de lentreprise, et ceci dans le but de
profiter de lexprience gestionnaire dans ce domaine. Les systmes de sant ont ainsi
reconnu de nombreuses restructurations hospitalires. Ces restructurations ont amen, un
grand nombre dhpitaux revoir leurs processus oprationnels et sinvestir dans des projets
de modernisation de leurs infrastructures et de leurs organisations.

Figure I. 3 Evolution des systmes de Sant

I.4.2 Les processus de la logistique hospitalire


Le systme hospitalier est considr comme un vritable systme de production de soins dont
la mission principale est de prodiguer le meilleur soin au patient. Les constats de terrain sur la
complexit de lhpital sont nombreux et quotidiens : multiplicit des missions,
hirarchisation, cloisonnement, diversit des mtiers, htrognit des quipements et des
installations (Pham, 2002). On note aussi, un ventail de professions trs large. Les
nombreuses professions soignantes possdent en effet une dontologie, une culture
professionnelle et une organisation hirarchique spcifique. Aux professions typiquement
hospitalires se rajoute une panoplie d'autres mtiers non directement rattachs l'activit de
soins (administratifs, techniciens, informaticiens, etc.).

31
Traditionnellement, la logistique hospitalire est scinde en deux parties, comme lillustre le
tableau I.1 :
- Les prestations htelires qui regroupent les activits caractre non-mdical : repas,
blanchisserie, nettoyage, etc.
- La logistique mdicotechnique qui regroupe les activits caractre mdical :
les prlvements pour analyse,
les transports de produits sanguins,
les achats et approvisionnements mdicaux (laboratoire, pharmacie, mdicaments,
dispositifs),
des activits annexes comme l'action humanitaire.

Sous-systme Processus mtier Processus logistique

Consultations, interventions Transport sanitaire,


Orient patient
chirurgicales, soins brancardage, accueil

Acquisition, stockage
Validation et aide aux dispensation et distribution des
Ddi pharmacie
prescriptions mdicaments, dispositifs
mdicaux
Collecte, nettoyage
Ddi linge Entretien des chambres
distribution du linge
Dispensation et distribution des Acquisition repas ou
Ddi restauration
repas composants

Soutien administratif Activits administratives Acquisitions de fournitures

Gestion des connaissances


Soutien technique Maintenance des quipements
techniques, des produits
Tableau I. 1 Les processus de la logistique hospitalire

I.4.3 Les familles de flux


Le rseau de soins est dfini comme tant une collaboration entre les professionnels de sant
de diffrentes disciplines rpondant au besoin des patients en matire de sant et dune prise
en charge qualitative. Lobjectif du rseau de soin est donc damliorer la qualit des soins
tout en garantissant leur continuit ainsi que la matrise des diffrents flux et cots engendrs.
Les flux qui circulent travers le rseau de soin sont diffrents et varis.
- les flux de matriels mdico-chirurgicaux (par exemple des appareils de radiographie, des
seringues, des compresses) ;
- les flux de mdicaments et molcules diverses ;

32
- les flux dchantillons et de prlvements ;
- les flux de matires et matriels hteliers (plateaux repas, lits, draps, consommables
divers...) ;
- les flux de matires et matriels dentretien et de maintenance ;
- les flux de personnes (patients, personnels et visiteurs).

I.5 Logistique de gestion de crise : Principaux enjeux


En moyenne, chaque anne, plus de 210 millions de personnes sont affectes par des
catastrophes naturelles. Les organisations humanitaires et militaires doivent donc souvent
mettre en place des chanes logistiques complexes et ce dans un environnement
excessivement volatile. Ces chanes logistiques ont de nombreuses particularits qui les
diffrencient de leurs homologues habituellement rencontres dans lindustrie traditionnelle.
Si lon exclut certains termes spcifiques la logistique dentreprise, tels que client ou
magasin, le concept de SCM (Supply Chain Management) saccorde avec les objectifs de
gestion de limpact dune crise. Le concept de SCM appliqu aux oprations de secours,
ravitaillements et soutien sappelle la gestion de la crise.

I.5.1 La crise et la gestion de la crise


La crise, quelle soit naturelle ou provoque par lhomme, est une situation laquelle les
gouvernements locaux ne peuvent faire face avec leurs propres ressources. Les crises peuvent
tre engendres par plusieurs causes : catastrophes naturelles (telle que les tremblements de
terres, les inondations, etc.), conflits politiques ou accidents industriels. Certaines crises vont
causer des milliers de morts, dautres vont toucher un nombre limit de la population.
Certaines crises vont durer quelques semaines, comme dans le cas des vagues de chaleur,
dautres peuvent durer des annes. Les principaux types de crises sont prsents dans le
tableau I.2.

Type de crise

Type dvolution Naturelle Provoque par lhomme

Tremblements de terre, tornades, Attaques terroristes, coups dtats,


rapide
inondations, etc. accidents nuclaires, etc.

lente Famine, Scheresse, Pauvret, etc. Conflits politiques, Rfugis


Tableau I. 2 Les diffrents types de crises

33
Chacune de ces situations de crise induit une sortie, un dbordement du cadre commun, il est
donc indispensable de mettre en place une mthodologie qui permet de revenir rapidement
une situation normale davant la crise. Cest ce quon appelle la gestion de crise. La gestion
de crise et le dploiement dune chane logistique de gestion de crise dpendent de la
localisation du dsastre, son intensit, sa nature et des acteurs touchs par le sinistre.

La gestion de crise est compose de trois types dactivits :


- La prvention des crises : a pour objectif damener le risque de crise un seuil acceptable et,
quand cela est possible, dviter que la crise ne se produise effectivement.
- La capacit de raction oprationnelle : comprend la planification stratgique avance, les
entranements et la simulation afin dassurer la disponibilit, la rapidit de mobilisation et de
dploiement des ressources ncessaires pour grer les urgences potentielles.
- La gestion de crise dclare : il sagit de la rponse, incluant lvacuation, la recherche et le
sauvetage, au moment de la crise, et le rtablissement de la situation partir de cette crise, en
minimisant ses effets, en limitant les impacts sur lenvironnement et la population locale.
plus long terme, lobjectif est de ramener les systmes la normale, quil sagisse
denvironnement, dconomie ou autres (Jeannin, 2008).

I.5.2 Caractristiques de la chane logistique humanitaire


Une Chane Logistique de Gestion de Crise (CLGC), dtient le mme objectif quune chane
logistique dune entreprise. Cependant, la logistique humanitaire dans un contexte forte
perturbations est plus difficile mettre en place quune logistique civile. Plusieurs auteurs ont
tent didentifier les caractristiques dun tel environnement. Nous avons retenu cinq grandes
catgories :
- Le cycle de vie de lopration humanitaire :
Le cycle de vie de lopration humanitaire est compos de 4 phases principales : prdiction et
analyse des risques, prparation des plans daction, intervention immdiate et soutien, et
finalement le dmantlement. La dure de chacune de ces phases varie en fonction du type de
crise (volution rapide ou lente).

- Lenvironnement :
La chane logistique de gestion de crise est rgie par plusieurs contraintes comme la
neutralit, limpartialit, etc. En dautres termes, et surtout dans le cas de conflits politiques,
tous les acteurs doivent bnficier du mme soutien. La CLGC doit pouvoir assurer la
distribution simultane de ressources vers toutes les zones sinistres.

34
- La nature des flux :
Les canaux de distribution grent les types de flux traditionnels avec cependant quelques
spcificits :
- Les flux physiques sont composs de matires (nourriture, eau, etc.) et dunits
constitues (forces, etc.)
- Les flux dinformations (transmission des ordres, le suivi et la coordination des flux
physiques) sont hautement structurs et hirarchiss.

- Rseau logistique :
Linfrastructure logistique est fixe uniquement en mtropole, elle est crer en opration. Le
rseau routier peut souvent faire lobjet de ruptures multiples et non planifies.

- Les dynamiques :
Les dynamiques dune CLGC sont trs spcifiques puisquils essaient de rpondre certains
besoins vitaux. Ces dynamiques sont accentues dans le cas de crise soudaine, o les besoins
surgissent de faon inattendue aprs la survenance de la crise. Dans la plupart du temps, la
CLGC devra :
- Estimer les besoins urgents et vitaux, mais aussi incertains.
- Coordonner lapprovisionnement, urgent et incertain aussi.
- Travailler dans des conditions durgence, considrer des vnements imprvisibles,
le tout avec des dlais trs courts.
- Prendre en considration le manque de transparence et le climat instable dans
lesquels la CLGC pourrait avoir fonctionner.

I.5.3 La gestion des flux


Plusieurs types de flux existent, selon le mode de gestion.

I.5.3.1 Flux pousss


Le flux pouss est relatif une production partir de besoin estim, destin alimenter un
stock ou le complter. Dans ce cas de figure, les approvisionnements sont pousss au
plus loin vers le consommateur. Dans le contexte de gestion de crise, le flux pouss,
correspond la livraison dune ressource estime suffisante pour loprateur terrain (ou
client). En cas de sous-consommation, ces stocks provoqus viendraient handicaper les
dtenteurs du stock ; en cas de surconsommation, le manque de ractivit serait notoire par
manque de visibilit.

35
I.5.3.2 Flux tirs
Le flux tir correspond une production amont pilote par les besoins de laval ; le
fournisseur vient complter, sur demande, le besoin de son client. Dans le contexte de gestion
de crise, cela correspond la demande de rapprovisionnement faite par le consommateur en
fonction de ses besoins et en respectant la marge alloue par le commandement. Ce principe
prend en compte la prvision des besoins et la notion de stock de scurit, ncessaire pour
pallier une rupture ou une action non judicieuse. Cette mthode assure en thorie ladquation
permanente du soutien au besoin rel.

Figure I. 4 Flux pousss et flux tirs

Gnralement, en cas de crise, nous utilisons les deux mthodes, comme le montre la figure
I.4, avec une prfrence pour le flux pouss dans les zones en amont, et le flux tir dans les
zones en aval. En effet, le flux tir dans les zones en aval a pour but dadapter rellement les
envois la demande, pour pouvoir coller de prs aux exigences du terrain et viter les
ruptures de stock. Mais un fonctionnement flux tir en amont prsente un risque de retard
des ressources, car le dlai dacheminement dune zone lautre est non ngligeable. Cest
pourquoi les flux pousss sont utiliss en zone amont.

I.5.4 La littrature scientifique pour la gestion de crise


Lvolution du nombre de publications
Le nombre de publications (confrences et revues) comportant Humanitarian Supply
Chain dans leur titre ne cesse daugmenter avec une acclration depuis 2000.
Le tableau I.3 (Charles, 2010) donne un aperu sur la quantit de publications sur les chanes
logistiques humanitaires au cours des dernires annes. Ceci est une vue partielle de la
littrature existante puisque nombreux articles ont t publis dans des revues lies la

36
logistique militaire, aux rfugis, la sant mais qui napparaissent pas toujours dans les
bases de donnes universitaires.
Les bases de donnes universitaires
Science Direct Science Direct ISI Web Springerlink
Mots cls Recherche dans Recherche dans le Recherche dans Recherche
tout le contenu titre, le rsum et le thme dans tout le
les mots cls contenu
Humanitarian Supply Chain 665 9 15 447
Humanitarian Logistics 625 17 34 440
Humanitarian Supply Chain and 147 7 10 115
Logistics
Total articles Humanitarian Supply 1143 19 39 772
Chain and/or Logistics

Tableau I. 3 Rsum de la littrature existante sur humanitarian supply chains/logistics

La figure I.5 prsente la rpartition de la littrature publie selon les diffrentes tapes du
cycle de vie de la crise. Environ 44% de la recherche publie concerne lattnuation et
lanalyse des risques. Lintervention immdiate et soutien et la prparation viennent
respectivement en 2me et 3me position avec 23,9% et 21.1% des articles publis. Mais le
domaine le plus en besoin de recherche est la phase de dmantlement ou rtablissement aprs
le sinistre avec seulement 11% des articles publis.
La figure I.5 prsente une rpartition des articles en fonction de leurs contributions depuis
lanne 2000 : dans le domaine de la modlisation, du dveloppement de la thorie et du
dveloppement dapplications et doutils. Nous remarquons alors que plus de la moiti de la
recherche publie dans le domaine de la gestion de crise concerne la modlisation, suivie par
26.6% sur le dveloppement de la thorie et 15.6% concernant le dveloppement doutils et
applications.

37
Figure I. 5 Rpartition des publications selon leurs contribution (N. Altay et W. G. Green)

Daprs les analyses rapportes dans cette section, un nombre croissant darticles ont t
publis sur le thme de la gestion du dsastre. La plupart des travaux actuels sur les chanes
logistiques de gestion de crise saccordent sur le fait que les recherches futures devraient
porter sur des mthodes pour lamlioration de la gestion des stocks, la conception des
systmes de distribution, la coopration et la coordination et la mesure de la performance
(meilleurs changes dinformations, recherche de la meilleure quantit conomique de
transport, ngociation entre acteurs,).
En effet, un constat de plus en plus vident est le fait que la chane logistique de gestion de
crise nest pas seulement une relation dyadique ni mme un ensemble de relations limites
un ou deux rangs. Une CLGC est bien souvent un rseau dentits gographiquement
distribues plus vaste et donc plus complexe grer. Nous comparons dans la section suivante
les diffrentes faons de piloter la chane logistique, savoir pilotage centralis versus
pilotage distribu, afin damliorer le processus dcisionnel dans les chanes logistiques
complexes de type chane logistique de gestion de crise.

I.6 Besoins mthodologiques pour les chanes logistiques


Dans cette section, nous prsentons rapidement trois grands axes de recherche en termes de
mthodologies et techniques utilises au service de la gestion des chanes logistiques, savoir
la modlisation, loptimisation et laide la dcision.

38
1.6.1 Modlisation
Il existe diffrents modles de chanes logistiques. Le choix du modle dpend directement du
type de problme et de structure que lon veut tudier.

I.6.1.1 Modle analytique


Les modles analytiques permettent de dcrire le systme par un ensemble dquations
mathmatiques. Pour quun modle analytique (dterministe ou stochastique) soit viable, il
faut quil soit relativement simple, cest--dire quil faut faire un certain nombre dhypothses
et de simplifications. Cest peut-tre pour cela que les modles analytiques se contentent
gnralement daspects bass sur la distribution dans une structure dyadique (Huang et al.,
2003).

I.6.1.2 Modle par simulation


Le modle par simulation est gnralement utilis lorsquil nexiste pas une relation entre les
diffrentes variables du systme et ne pouvant donc pas se mettre sous la forme dun modle
analytique. Les modles de simulation sont des modles la fois stochastiques et dynamiques.
Les travaux danalyse des processus dcisionnels par simulation de modle sont nombreux.
(Maria, 1997) propose de classer les diffrentes techniques de simulation de chanes
logistiques en quatre grandes parties : i) la simulation par tableur, ii) lapproche par la
dynamique des systmes, iii) lapproche par vnements discrets ou simplement iv) les jeux
dentreprises, qui permettent dduquer et dentraner les utilisateurs certains aspects de la
gestion de la chane logistique.

1.6.2 Optimisation
Loptimalit de la qualit de service en logistique sous-entend une satisfaction des utilisateurs
du systme propos de par lintgration des fonctionnalits ncessaires la bonne gestion de
la chane logistique. Dans ce sens, le concept doptimisation a retenu toute notre attention.
Loptimisation a t introduite dans un souci damlioration des services fournis peu importe
le domaine auquel ils sappliquent. Un problme doptimisation concerne lexcution de
mthodes spcifiques en qute dun optimum. Ce dernier peut tre une valeur maximisant ou
minimisant une fonction f, dite fonction objectif ou fonction de cot ; elle est encore appele
critre doptimisation (Sghaier, 2011). Selon le cas, et quil sagisse dun problme mono
variable ou multi variable, continu ou discret, etc., une mthode doptimisation adquate est
choisie pour rsoudre le problme pos. Entre mthodes exactes, mta-heuristiques, hybrides
ou autres, chercheurs et praticiens ont leurs dispositions un large panel de choix de

39
mthodes doptimisation quils peuvent adopter. Toutes ne sont pas appropries au problme
doptimisation auquel ils doivent faire face et un choix doit donc tre fait. A dfaut de quoi,
loptimisation et lefficacit escomptes sen trouveront entraves.

1.6.3 Aide la dcision


Les techniques daide la dcision ont pour but de modliser de manire la plus fidle
possible les prfrences dun expert. Cette modlisation va permettre alors de concevoir et de
construire des outils adapts et capables dassister ou de remplacer un dcideur sur des
problmatiques complexes. Laide la dcision formalise lexpertise obtenue aprs un
entretien avec le dcideur et les interactions entre le dcideur et son environnement.
tant donn que nous nous intressons principalement lexpertise des dcideurs dans le
domaine de la logistique, le modle utilis se doit dtre souple et suffisamment labor afin
de permettre la reprsentation des diffrents comportements dcisionnels les plus
communment rencontrs en gestion de chanes logistiques de gestion de crise.

I.7 Pilotage centralis vs pilotage distribu


Nous consacrons la premire partie de cette section la prsentation de lvolution des
systmes centraliss. Ces derniers, initialement de type MRP2 (Cf. I.7.2.1), ont volu et ont
donn naissance aux systmes APS (Advanced Planning and Scheduling). Nous verrons que
ces systmes sont principalement bass sur la centralisation de la prise de dcision et que leur
dveloppement est principalement marqu par laugmentation croissante du nombre de
fonctions comprises. Notons que les travaux de recherche associs ce type de systmes
centraliss sont toujours aussi nombreux jusqu notre poque, et que ceux-ci correspondent
aux systmes plus amplement mis en application dans lindustrie. Les entreprises avaient
install ce type de systmes essentiellement pour des raisons de cot, mais galement cause
de leur incapacit obtenir des informations dtailles, en temps rel, issues des diffrentes
entits composant leur chane logistique.
Ensuite, nous prsentons le courant de recherche qui sintresse aux systmes intelligents de
distribution ou de logistique. La vision de la prise de dcision logistique au niveau de ces
nouveaux systmes (au dbut de 1990) a chang radicalement en passant de la perspective
centralise conventionnelle une perspective distribue. Ce changement de perspective est
bas sur les nouvelles ncessits en termes de flexibilit et de ractivit. Ainsi, ces nouveaux
systmes se proposent de donner une rponse des problmatiques comme : la distributivit,
la re-configurabilit, linteroprabilit, la rutilisabilit, etc.

40
I.7.1 Dfinition du pilotage
Le pilotage dune chane logistique compose de plusieurs entits est une fonction qui permet
dexploiter les ressources qui sont disposition dans cette chane logistique. Cette fonction
trouve sa matrialisation dans deux lments dorganisation : le systme dinformation et le
systme dcisionnel. Le systme dinformation permet de stocker, adapter et mettre
disposition les donnes sur lesquelles se basent les centres de dcision. Le rle du systme
dinformation est de fournir chaque centre de dcision l'information ncessaire et suffisante
une prise de dcision adquate.

I.7.2 Les systmes centraliss conventionnels

I.7.2.1 Les systmes MRP2


Le MRP2 (Manufacturing Ressource Planning) est dfini par lAPICS (Association
Internationale pour le Management des Oprations) comme une mthode de planification
efficace de toutes les ressources dune entreprise industrielle. Les systmes MRP2 offrent
plusieurs services dont les plus utiliss sont les plannings oprationnels, les plans financiers et
surtout laide la dcision par lanalyse de scnarios. Cette mthode est constitue dun grand
nombre de fonctions toutes lies entre elles : Plan Stratgique (PS), Plan Industriel et
Commercial (PIC), Programme Directeur de Production (PDP), calcul des besoins,
planification des besoins en capacit et suivi de lexcution des plans.

I.7.2.2 Les ERP


Bass sur les fondations technologiques du MRP2, les progiciels intgrs ERP (Entreprise
Resource Planning) permettent de grer les fonctions transactionnelles de lentreprise. Les
systmes ERP couvrent plusieurs fonctions comme la fabrication, la distribution, la
comptabilit, la gestion des ressources humaines, les finances, la gestion de projets, la gestion
de stocks, la maintenance et le transport. Herrera (Herrera, 2011) prsente les avantages
communment promus par les entreprises qui dveloppent des systmes ERP:
a) Permettre laccs des informations fiables (base de donnes commune, consolidation
des donnes et amlioration des rapports).
b) Eviter la redondance doprations et de donnes (les modules accdent aux mmes
donnes dans la base centrale).
c) Eviter les multiples oprations de mise jour et dentre des donnes.
d) Proposer des fonctions de commerce lectronique (commerce par Internet et culture de
collaboration).

41
e) Proposer des modules additionnels tels que la gestion de la relation client et le SCM.
Dautres avantages peuvent tre dgags comme : la rduction des temps de cycle et de
livraison, la minimisation des cots et ladaptabilit, mais ils sont encore discutables ce jour.
Les inconvnients les plus constats de ces systmes sont : le temps dpens pour
limplmentation, le cot du systme, mais surtout la rigidit lgard de la complexit des
diffrents processus de lentreprise.

I.7.2.3 Les systmes de planification avance


Lide inhrente aux APS (Advanced Planning and Scheduling ou Advanced Planning
Systems) est lutilisation des techniques et des algorithmes qui permettent dobtenir des
solutions optimises diffrents niveaux de dcision (Herrera, 2011).
Les progiciels APS assurent la planification et loptimisation de la circulation des flux le long
dune chane logistique. Il sagit de techniques qui rentrent dans le cadre de lanalyse et de la
planification de la production et de la logistique court, moyen et long termes. Ils sont
prsents comme la version volue de lERP vu quils fournissent une solution qui optimise
le travail collaboratif en fonction dobjectifs tels que le taux de service et les marges sur les
activits. Les composantes principales dun systme APS sont la planification de la
production, lordonnancement de la production et la planification de la distribution et du
transport. Quelques inconvnients sont citer, notamment ceux lis la flexibilit, la re-
configurabilit, la robustesse, lagilit, la ractivit ou la rutilisation. En effet, ces problmes
sont encore loin dtre rsolus par ce genre de systmes en raison de la complexit engendre.

I.7.2.4 Quelques Critiques


La nature combinatoire de la plupart des problmes dans les systmes de distribution, tels que
le problme dallocation des ressources, conduit la simplification de la complexit inhrente
ce genre de systmes. En effet, linformation ncessaire pour lobtention des dcisions aux
diffrents niveaux est une information agrge et dans ce processus dagrgation,
dimportantes relations entre les diffrents composants du systme peuvent tre ngliges.
Un deuxime point faible des approches centralises est labsence dun vrai retour
dinformation depuis les niveaux infrieurs de la chane logistique, ce qui rduit la ractivit
et la flexibilit vis- vis des perturbations possibles.

42
I.7.3 Les systmes distribus intelligents

I.7.3.1 Les systmes fractals


Les systmes fractals ont t proposs partir des travaux de (Warnecke, 1993). Ces systmes
reprennent les caractristiques de lauto-similarit et de la rcursivit utilises dans la
gomtrie fractale, pour la conception dune structure dun systme. Ce systme est construit
en assurant la cohrence entre les objectifs globaux et locaux des entits qui le composent.
Lobjectif est de doter la structure du systme de la ractivit et la souplesse ncessaire pour
rsister aux changements de lenvironnement.

I.7.3.2 Les systmes multi agents


Au-del des modlisations prenant en compte, dans un modle analytique, lensemble de la
chane logistique, des approches consistent mettre en avant laspect distribu de la chane en
crant des maillons possdant plus ou moins dautonomie. Ces modlisations relvent des
concepts orients objets et se traduisent par une architecture distribue base dacteurs
(agents). Le paradigme des systmes multi-agents apparat comme une rponse au problme
de la modlisation de systmes distribus grande chelle. Les systmes multi-agents seront
prsents dans le chapitre II ainsi que leurs applications dans le domaine de la logistique.

I.7.3.3 Les systmes holoniques


partir des concepts exprims par Alfred Koestler dans son livre (Koestler, 1968), le HMS
(Holonic Manufacturing Systems) consortium a propos les systmes holoniques de
production. Une entit holonique possde une structure rcursive de socits. Les holons
possdent des proprits comme lautonomie et la coopration et la conservation dune
flexibilit dynamique au niveau distribu. Chaque holon du systme possde les mmes
caractristiques que lensemble et possde une spcialit. Depuis leurs utilisations dans les
systmes manufacturiers, les systmes holoniques ont t appliqus dans de nombreux autres
domaines tels que la sant (Ulieru & Geras, 2002), les systmes de transport (Brckert et al.,
1998) et les robots footballeurs (Barbat et al., 2001).

I.7.3.4 Les systmes contrls par le produit


Un systme contrl par le produit fait voluer la vision prcdente vers un systme plus
interoprable et intelligent. En effet, le produit devient le contrleur des ressources de
lentreprise. Cest ce quon appelle un produit intelligent. Les systmes contrls par le
produit ont t gnralement perus comme une classe particulire des systmes holoniques.
Lide fondamentale est le changement de perspective depuis une vision classique

43
hirarchique et agrge de la fonction de planification et de pilotage de la production vers une
perspective distribue de la prise de dcision. Dans ce sens, une partie de la dcision est
effectue en local et tout au long du cycle de vie des produits.

I.7.4 Motivations pour la dcentralisation du pilotage dans le cas de CLGC


Herrera (Herrera, 2011) propose plusieurs motivations pour la dcentralisation du pilotage :
Faisabilit
Dans certains cas, la prise de dcision distribue est la seule solution automatise ralisable.
Par exemple, dans les chanes logistiques o les entits sont en concurrence les unes avec les
autres et o les informations partages sont rares pour des raisons de scurit, la
dcentralisation est une stratgie plus systmatique et automatise pour remplacer les
pratiques ad-hoc existantes.
Robustesse et flexibilit
Cet avantage permet damliorer la performance pour diffrents scnarios. Cest lune des
caractristiques les plus importantes pour justifier lutilisation des systmes base dagents.
Spcifiquement, cela signifie que le systme a comme proprits : la robustesse aux pannes ou
aux perturbations des plans, la rorganisation en ligne et la rponse effective aux
perturbations externes.
Reconfigurabilit
Les solutions bases sur des agents soutiennent fortement une approche plug and play. Cela
permet de changer, ajouter ou enlever, autant le matriel que les modules de logiciel, en ligne
chaque fois que cela est ncessaire. Cela rend aussi la maintenance du systme
significativement moins chre. Ce changement est la consquence des checs dquipement
ou la consquence dun changement de plan. La migration depuis lancienne technologie peut
voluer lentement sans arrter lopration

I.8 Terrain dtude partenaire industriel


Leader mondial des secteurs de laronautique, de lespace, de la dfense, de la scurit et des
services associs, le groupe EADS (European Aeronautic Defence and Space company)
comprend lavionneur Airbus, le plus grand hlicoptriste mondial Eurocopter et la joint-
venture MBDA, leader mondial dans le domaine des missiles. EADS est galement le
partenaire majeur du consortium Eurofighter, le matre duvre du lanceur dAriane2,
larchitecte de lavion de transport militaire A400M et le plus grand partenaire industriel pour
le systme europen de navigation par satellite Galileo.

44
En 2011, le Groupe qui comprend Airbus, Astrium, Cassidian et Eurocopter a dgag un
chiffre d'affaires de 49,1 milliards d'euros, avec un effectif de plus de 133 000 personnes ,
comme lillustre la figure I.6.
Depuis sa cration en lan 2000, le groupe a toujours t lavant-garde de linnovation et de
linternationalisation au sein de lindustrie arospatiale et de dfense. Constamment lcoute
des besoins mergents de ses clients la fois civils et militaires, EADS amliore sans cesse
ses modes de fonctionnement.

Figure I. 6 Organigramme dEADS (en 2011)

Cassidian, division du groupe EADS, est un leader mondial dans le domaine des solutions et
systmes de scurit intgrs et de l'intgration de grands systmes, proposant ses clients
civils et militaires dans le monde entier des produits et services forte valeur ajoute :
systmes ariens (aronefs et systmes de drones), systmes navals, terrestres et interarmes
, renseignement et surveillance, cyber scurit, communication scurise, systmes de test,
missiles, services et support. Avec quelque 28 000 employs, Cassidian a ralis en 2011 un
chiffre d'affaires de 5,8 milliards d'euros.
Vritable ple Dfense et Scurit dEADS, Cassidian reprsente lentit chef de file du
groupe pour le dveloppement de solutions de systmes. Cette division a bti sa rputation sur
une longue et puissante ligne de systmes darmes et de missiles aroports, et a incorpor
les capacits rseau-centres de toute dernire gnration en sappuyant sur trois facteurs cls:
la veille technologique, lintgration et lexpertise. En misant sur laspect critique et
scuritaire des missions, Cassidian prpare ses clients relever leurs nouveaux dfis, que ce
soit sur terre, en mer ou dans les airs.

45
La thse est ralise en coopration avec le dpartement Logistics Information Systems
qui fait partie de la business unit Defence and Communication Systems (DCS), de la
division Cassidian dEADS.

I.9 Positionnement de la thse


Loutil le plus utilis pour la validation des systmes dcentraliss tels les chanes logistiques
de gestion de crise est la simulation. La mthode la plus gnralement adopte consiste
construire un modle du systme et ensuite de comparer le rsultat gnr par celui-ci avec la
situation relle et lvaluer par rapport diffrents critres de performances. La proposition
de recherche que nous faisons consiste plus prcisment en un ensemble doutils et de
dmarches permettant loptimisation des flux dans une CLGC. Nous avons opt pour une
modlisation de la CLGC base dagents communicants. Dans ce modle, les agents qui
reprsentent les diffrents acteurs de la chane logistique, sont en liaison directe avec ce qui se
passe sur le terrain, ils pompent les informations en continu de la couche terrain et comparent
la situation relle la situation logistique de rfrence. En fonction de ces informations ainsi
que des divers modles mathmatiques disposition, ces agents vont devoir adapter leurs
comportements afin de ragir au mieux aux diffrentes perturbations du terrain, dans le but de
revenir une situation davant-crise.

Figure I. 7 Architecture trois couche de notre systme

I.10 Conclusion
Nous avons prsent dans ce chapitre les lments de base de la chane logistique et de sa
gestion afin de bien assimiler ce vaste domaine. Nous avons mis en vidence quelques travaux
rencontrs dans la littrature et qui peuvent tre considrs comme tant le contexte gnral
de notre travail de thse. Une des motivations majeures de ce travail de recherche est
doptimiser les flux logistiques dans une chane de gestion de crise base dagents
communicants. Le problme tudi est donc cheval entre ces deux classes de problmes :

46
dune part, il sintgre dans une approche multi-agent pour la modlisation du fonctionnement
de la chane logistique, dautre part, il sapparente un problme global doptimisation.

Nous proposons dans le chapitre suivant un tat de lart des mthodes doptimisation et du
paradigme multi-agent, avant de dmontrer toute loriginalit de leur alliance.

47
Chapitre II : LAlliance entre les Systmes multi-agents et lOptimisation

II.1 Introduction
Sur la base des problmatiques prcdemment nonces, (cf. Chapitre I), nous orientons notre
tude vers les fondements essentiels de loptimisation. Dans notre cas, des notions trs
importantes et dactualit telles que les systmes multi-agents (SMA) et loptimisation
distribue sont directement impliques dans notre approche. Leur combinaison efficace pour
la rduction de la complexit du problme de gestion de crise nous mne y porter lintrt
quil se doit. Nous commenons par dfinir quelques concepts de base de loptimisation, puis
nous prsentons un tat de lart sur les diffrentes mthodes doptimisation. Ensuite, notre
intrt se porte sur les systmes multi-agents, qui constituent un concept pour la mise en place
dune mthodologie de rsolution et doptimisation distribue.

II.2 Optimisation
Dans le domaine de gestion des chanes logistiques, nous cherchons toujours maximiser les
bnfices et minimiser les pnalits dues aux retards. Ces objectifs atteindre sinscrivent
dans le cadre des problmes doptimisation. Plusieurs mthodes sont dveloppes afin daider
atteindre loptimalit relativement aux dcisions que les logisticiens doivent prendre
(mthodes exactes, heuristiques et mta heuristiques).

II.2.1 Quelques concepts

II.2.1.1 Dfinition dun problme doptimisation


Un problme doptimisation concerne lexcution de mthodes spcifiques en qute dun
optimum. Ce dernier peut tre une valeur maximisant ou minimisant une fonction f, dite
fonction objectif ou fonction de cot ; elle est encore appele critre doptimisation (Sghaier,
2011). Il sagit donc de trouver parmi lensemble des variables de dcision, llment qui
optimise ce critre.

M. Ejday (Ejday, 2011) dfinit le concept doptimisation comme comprenant deux phases
principales : la modlisation et la rsolution du problme.

La phase de modlisation est elle-mme divise en trois tapes :

- Lidentification des paramtres sur lesquels lutilisateur va agir pour faire voluer le
23 4 56 .
systme, appels variables de dcisions, que nous pouvons dsigner par un vecteur 1

49
- La dfinition de la fonction cot ou fonction objectif qui va permettre dvaluer ltat du
systme.

- La modlisation des contraintes auxquelles sont soumises les variables de dcision.

La deuxime phase de rsolution consiste rechercher la valeur optimisant la fonction cot en


appliquant lalgorithme doptimisation choisi cet effet. Le problme doptimisation consiste
alors dterminer les variables de dcision conduisant aux meilleures conditions de
fonctionnement du systme.

Un problme doptimisation peut scrire de la faon suivante :

789878ABCDEF1
23 23 D 4 DDDDBAD19DA1ADB9AB7BDBD56
A1ADD9C89BD1

Lensemble U est appel ensemble des contraintes. Il est souvent dfini par des galits et des
23 4 56 : h(1
ingalits : U = { 1 23) 1 0} avec g 4 D 5 et h 4 D 5 .
23) = 0, g(1

Nous distinguons trois types diffrents doptimums (minimums ou maximums) : un Minimum


global, un Minimum local fort et un Minimum local faible 1
23* :

- Le minimum global : Trouver le minimum global revient trouver une solution dont
loptimalit stend sur tout lespace de recherche considr.
23*)  DEF1
EF1 23 DD1
23* D 1
23

- Le minimum local fort : Le point 1


23* sappelle le minimum local fort de la fonction E
23*) tel que 1
quand il existe un voisinage F1 23 D 4 F1
23*).
EF1
23*)  DEF1
23 D1
23* D 1
23

- Le minimum local faible : Il reprend un peu la dfinition dun minimum local fort
avec cependant lexistence de points de lespace ayant la mme valeur de f que lui. Le
point 1
23 * sappelle le minimum local faible de la fonction E quand il existe un
23*) tel que 1
voisinage F1 23 D 4 F1
23*) tel que
EF1
23*) ! DEF1
23 D1
23* D 1
23

Indpendamment de lapproche, une bonne mthode doptimisation doit considrer les points
suivants :

la robustesse : la mthode doit tre applicable pour une large classe de problmes,
indpendamment des paramtres et des valeurs initiales,

50
lefficacit : elle ne doit pas tre relativement chre en temps CPU et en mmoire vive,

la prcision : le rsultat numrique doit bien approcher la vraie solution du problme de


minimisation.

II.2.1.2 La notion dalgorithme


Un algorithme est dfini comme une suite d'instructions lmentaires destines rsoudre un
problme (Toussaint, 2010).

La performance dun algorithme appliqu un jeu de donn est mesure selon diffrents
critres :

- le temps d'excution : il reprsente le temps ncessaire lalgorithme pour calculer la


solution;

- l'espace mmoire : il reprsente la quantit de mmoire ncessaire lalgorithme pour


calculer la solution partir du jeu de donnes de dpart ;

- l'erreur : elle reprsente l'erreur ventuelle qui peut exister entre la solution calcule et la
solution optimale. Notons qu'une telle erreur ne peut tre mesure que si l'on possde une
mtrique sur l'espace des solutions ;

- la robustesse : elle exprime la capacit de lalgorithme s'adapter des variations sur les
jeux de donnes (de manire intuitive, un algorithme est robuste si un faible changement dans
les donnes n'induit pas ou peu de changements dans la solution. Au contraire, si la solution
doit tre entirement recalcule alors l'algorithme n'est pas robuste).

Pour les tudes de complexit, il est ncessaire de dfinir la taille d'une instance. De manire
gnrale, nous dirons qu'une instance est de taille n si l'instance occupe n cases mmoires. La
complexit d'un algorithme est alors une fonction de n (Toussaint, 2010). On dfinit la
complexit CA d'un algorithme A comme le nombre maximal d'instructions lmentaires
effectues pour traiter n'importe quelle instance, de taille n fixe, d'un problme. Il en dcoule
les notions de polynomialit et d' exponentialit : A est dit polynomial, s'il existe un
polynme P tel que : Dn 4 1, CA(n) ! P(n). Dans le cas contraire A est dit exponentiel. La
complexit d'un algorithme s'exprime alors souvent par un ordre de grandeur dpendant de la
taille n des donnes :

O(1) : complexit constante (indpendante de la taille de la donne)


O(log(n)) : complexit logarithmique
O(n) : complexit linaire
51
O(np) : complexit polynomiale (p 4 1, p 1 2)
O(an) : complexit exponentielle (a 4 2, a > 1)

II.2.1.3 Classification des problmes doptimisation


La complexit d'un problme est donne par rapport la plus faible complexit de
l'algorithme qui rsout ce problme. Notons que cette approche est dlicate puisqu'il peut
exister plusieurs algorithmes, ventuellement de complexit diffrente, pour rsoudre un
mme problme. Nous donnons ici un aperu gnral des grandes classes de complexit qui
concernent les problmes de dcision.

La classe P
Un problme P est dit polynomial (ou polynomial-temps), s'il existe un algorithme de
complexit polynomiale qui rsout P. L'ensemble des problmes polynomiaux forme la classe
P.

La classe P-Espace
Un problme P est dit polynomial-espace, s'il existe un algorithme qui rsout P en espace
polynomial par rapport la taille de ses donnes.

La classe NP
Un problme P est dans NP si pour toute instance de ce problme on peut vrifier que
l'instance est solution du problme en un temps polynomial. Cette catgorie est fondamentale
car elle contient la plupart des problmes d'optimisation combinatoire. Remarquons que, pour
n'importe quelle instance d'un problme polynomial, il est toujours possible de vrifier en
temps polynomial si elle est solution de ce problme, donc P " NP.

Les problmes NP-complet


Une notion essentielle pour dfinir ce qu'est un problme NP-complet est celui de la
dominance : Un problme P domine un problme P (ou encore P est rductible
polynomialement en P) si :

1. On peut transformer toute instance I de P en une instance I de P grce un algorithme


polynomial ;
2. I est solution de P si et seulement si I est solution de P.
Il dcoule de cette dfinition qu'un problme NP-complet est un problme de la classe NP qui
domine tous les autres. La notion de NP-compltude est donc associe une notion de
dominance et non, comme il est parfois dit abusivement, une notion d' exponentialit

52
(Toussaint, 2010). Afin de rsoudre ces problmes, on utilise diffrents types d'algorithmes.
Nous pouvons en citer:
- Les algorithmes approchs (appels heuristiques), qui permettent de trouver des solutions
approches dans des temps de calcul raisonnables, mais sans avoir d'indication sur la qualit
de la solution trouve ;
- Les algorithmes d'approximation avec garantie, qui permettent de trouver des solutions
approches et garantissent une qualit de la solution fournie (sous forme d'cart maximal par
rapport la solution optimale) pour toutes les instances du problme ;
- Les algorithmes exacts, comme l'exploration arborescente ou la programmation linaire qui,
coupls avec des mcanismes de filtrage, peuvent s'avrer trs performants.
Ces mthodes fournissent des solutions exactes mais le temps de calcul n'est pas born
polynomialement. C'est pourquoi, elles sont souvent rserves des instances de taille
modre.
Dans la seconde section de ce chapitre, nous donnons un aperu des heuristiques et
mtaheuristiques classiques, puis dans la troisime section nous nous intressons aux
algorithmes exacts.

II.2.2 Heuristiques et mtaheuristiques


Cette premire approche consiste utiliser des mthodes heuristiques visant identifier
rapidement de bonnes solutions. Une heuristique permet alors didentifier au moins une
solution ralisable pour un problme doptimisation, mais sans garantir que cette solution soit
optimale.

Il n'existe pas, notre connaissance, de dfinition officielle. Cependant il est communment


admis que :

- Une heuristique dsigne un algorithme qui rsout un problme d'optimisation donn, sans
garantie d'optimalit mais dans des temps de calcul raisonnables (un exemple connu est
l'algorithme glouton). Les mthodes heuristiques sont souvent classes en deux catgories :
les mthodes constructives permettant de construire une solution ralisable et les mthodes
damlioration permettant de visiter plusieurs solutions ralisables en tentant damliorer la
valeur de lobjectif ;

- Une mtaheuristique dsigne un schma algorithmique gnral qui peut s'appliquer


diffrents problmes d'optimisation combinatoire. Plus prcisment, elle utilise des stratgies
qui guident la recherche dans l'espace des solutions, ces stratgies tant indpendantes du

53
problme auquel on les applique. Le but est d'explorer le plus efficacement possible l'espace
des solutions afin de ne pas rester bloqu dans les minima locaux et de se diriger rapidement
vers les rgions les plus prometteuses. Il existe un grand nombre de mtaheuristiques allant de
schmas trs simples (qui mettent en uvre des processus de recherche basiques, comme la
descente), des schmas beaucoup plus complexes (avec des processus de recherche labors
comme les colonies de fourmis).

II.2.2.1 Les algorithmes gloutons


Les algorithmes gloutons (greedy algorithms) sont parmi les schmas heuristiques les plus
simples et les plus rapides. Ils construisent une solution de manire itrative sans jamais
remettre en cause les dcisions prises dans l'itration antrieure. Dans les cas o l'algorithme
ne fournit pas systmatiquement la solution optimale, il est appel une heuristique gloutonne.

Algorithme glouton
In: S (squence)
Out: A
1: dbut
2: S=
3: Tant que (S incomplte) faire
4: Construire la liste L des lments insrables dans S ;
5: Si L 2 alors
6: Evaluer le cot incrmental des lments de L ;
7: Insrer llment avec le cot minimum ;
8: Return S
9: fin

Les mtaheuristiques que nous prsentons dans les sections suivantes proposent des stratgies
de recherche plus labores. Certaines de ces stratgies ont t conues par analogie avec
d'autres domaines, comme par exemple la physique (recuit simul) ou la biologie (algorithmes
volutionnaires, colonies de fourmis). La plupart des mtaheuristiques prsentent
l'inconvnient d'avoir de nombreux paramtres rgler dont dpend le compromis dlicat
entre efficacit et temps de calcul. Nous prsentons les mtaheuristiques les plus connues,
partir desquelles de nombreuses variantes peuvent tre labores.

II.2.2.2 Le recuit simul (Simulated Annealing - SA)


Cette mtaheuristique est caractrise par la prsence d'une variable de contrle appele
temprature (par analogie aux processus thermodynamiques dont elle s'inspire) qui fixe les
conditions dans lesquelles une transformation dgradante est accepte. Siarry (Siarry, 2002)
explique le fonctionnement gnral de cette mthode qui sappuie sur lalgorithme de

54
Metropolis (Metropolis et al., 1953). Disposant dune configuration initiale, une certaine
temprature T suit le procd qui repose sur le fait de faire subir au systme des modifications
lmentaires. A chaque itration, si la modification en question arbore une amlioration qui
converge vers lobjectif fix (i.e. diminution de la fonction objectif (ou nergie)), la
modification est accepte. Par ailleurs, mme si cette mme modification provoque au
contraire une dtrioration 2E, il est envisageable quelle soit accepte mais avec une certaine
probabilit de exp(- 2E/T ). Cette dmarche est ensuite renouvele en gardant la temprature
constante, jusqu ce que lquilibre thermodynamique soit atteint. Toute la dmarche ainsi
dcrite est alors renouvele pour une nouvelle valeur de la temprature plus basse et une srie
de transformations est alors effectue. La mthode du recuit simul est souple vis--vis des
volutions du problme et facile implmenter, elle est dcrite gnriquement dans la figure
II.1.

Figure II. 1 Organigramme de la mtaheuristique du Recuit Simul (Siarry, 2002)

II.2.2.3 La recherche tabou (Tabu Search TS)


La recherche tabou est galement une des mtaheuristiques les plus connues, elle a t
introduite par Glover (Glover, 1986). Elle utilise un historique de manire interdire
l'algorithme de revenir sur ses pas. Cet historique se traduit par la prsence d'une liste dite
tabou qui garde une trace des dernires solutions visites. Ainsi l'algorithme ne pourra plus
explorer ces solutions (du moins court terme, tout dpend de la taille de la liste tabou).

55
L'algorithme fonctionne comme suit. Initialement la liste tabou est vide et on gnre une
solution S l'aide d'une heuristique quelconque ; S devient la solution courante. A chaque
itration, on choisit le meilleur voisin S de S qui n'est pas dj dans la liste tabou, S devient
la solution courante S et est ajoute la liste tabou. Si la taille de la liste tabou dpasse la
taille maximale autorise, on supprime de cette liste l'lment le plus ancien (stratgie FIFO -
First In First Out). Notons que la liste tabou permet d'viter les cycles en interdisant de
choisir une solution dans le voisinage de la solution courante qui aurait dj tait explore. En
outre, en pratique, on ne stocke pas les solutions dans leur intgralit (trop coteux en temps
et en espace) mais seulement une signature de ces solutions.

Figure II. 2 Organigramme de lalgorithme Tabou (Siarry, 2002)

II.2.2.4 Les algorithmes volutionnaires


Les algorithmes volutionnaires sont inspirs du domaine de la biologie : ils ont t introduits
dans les annes 1950 (Fraser, 1957). Les techniques utilises reproduisent le schma
d'volution des espces et en adoptent le vocabulaire. Les solutions sont appeles individus et
l'algorithme traite simultanment plusieurs individus. L'ensemble de ces individus est appel
population et volue chaque itration de l'algorithme. La population relative une itration
donne s'appelle gnration, on obtient donc une nouvelle gnration chaque itration. Les
individus qui servent produire la nouvelle gnration sont appels parents et les individus
rsultants sont appels enfants ou fils.

56
Le principe dun algorithme volutionnaire est simple. En effet, il sagit de considrer un
ensemble de N points, choisis priori au hasard, dans un espace de recherche. Cet ensemble
constitue la population initiale. Chaque individu x de la population ainsi dfinie possde une
certaine performance, qui mesure son degr dadaptation lobjectif vis. Par exemple, dans
le cas de la minimisation dune fonction objectif f, lindividu x est dautant plus performant
que f(x) est plus petit. Le principe de base dun algorithme volutionnaire revient faire
voluer de manire progressive, par gnrations successives dindividus, la composition de la
population tout en maintenant sa taille constante. Au fil des gnrations, lobjectif principal
vis consiste amliorer la performance globale des individus (Siarry, 2002).
Plusieurs approches d'algorithmes volutionnaires ont t tudies:
- Les stratgies d'volution (evolution strategies - ES), utilises pour rsoudre des problmes
d'optimisation continue ;
- La programmation volutionnaire (evolutionary programming - EP), conue pour faire
voluer des automates tats finis, l'ide tant de crer une intelligence artificielle ;
- Les algorithmes gntiques (genetic algorithms - GA), utiliss pour rsoudre des problmes
d'optimisation combinatoire, ces derniers tant certainement les plus populaires.
Exemple : algorithme gntique

Figure II. 3 Rsolution dun problme par algorithme gntique (Siarry, 2002)

II.2.3 Mthodes exactes


Nous prsentons dans la section suivante deux mthodes exactes: l'exploration arborescente et
la programmation linaires qui sont les deux mthodes les plus utilises dans la rsolution des
problmes d'optimisation combinatoire.

II.2.3.1 La mthode par sparation-valuation (branch & bound)


La mthode par sparation-valuation consiste gnrer progressivement tout l'espace de
recherche (que l'on reprsente comme les feuilles d'un arbre). Pour gagner du temps, nous
vitons de gnrer toutes les feuilles, leurs nombre tant exponentiel par rapport la taille de

57
l'instance. Le principe est de gnrer l'arbre progressivement en essayant de commencer par
les sous-arbres les plus prometteurs et surtout en n'explorant pas jusqu'aux feuilles un sous-
arbre dont on sait qu'il ne peut pas contenir la solution optimale.
Le fonctionnement gnral de cet algorithme est divis en trois tapes :
- La sparation : Le terme sparation fait rfrence la stratgie d'numration de toutes les
solutions. Cette stratgie consiste construire l'arbre d'exploration. Pour cela on a besoin de
dterminer loprateur de construction qui va permettre d'ajouter un lment la solution
partielle et la stratgie de parcours de l'arbre qui dtermine l'ordre d'exploration des nuds.
Au fur et mesure de l'exploration, on obtient des informations qui permettent, grce la
phase dvaluation, d'viter l'exploration de certaines parties de l'arbre.

- Lvaluation : Cette phase de lalgorithme permet d'exclure, au cours du processus


d'exploration, certaines branches de l'arbre dont on sait qu'elles ne peuvent pas contenir la
solution optimale. Pour cela nous devons connaitre la valeur de la borne suprieure sur la
solution optimale et la fonction qui va permettre dvaluer la solution partielle ;

- Le parcours de larbre : Il existe deux stratgies de parcours. Nous pouvons parcourir larbre
en profondeur, cest dire en descendant dans les branches jusqu' trouver une solution
(feuille) ou une solution que l'on peut liminer. Dans ce dernier cas, on remonte dans la
branche pour redescendre dans une autre direction. On peut choisir de parcourir les branches
dans l'ordre de l'arbre (de gauche droite) ou alors en commenant par les nuds de cot les
plus faibles dans un mme niveau (qui semblent les plus prometteurs). La deuxime stratgie
consiste parcourir larbre en largeur. Dans ce cas nous explorons les solutions niveau par
niveau. Cette stratgie est rarement utilise en pratique car elle ne permet pas un filtrage
efficace et elle est trs coteuse en place mmoire.

II.2.3.2 La programmation linaire


On appelle programme (ou modle) linaire un modle mathmatique reprsentant un
problme d'optimisation, dans lequel on cherche optimiser une fonction objectif linaire
sous un certain nombre de contraintes. Ces contraintes sont modlises par des quations ou
inquations linaires. Il existe des mthodes qui assurent la rsolution exacte d'un tel
programme. Une des mthodes les plus connues est la mthode du simplex (de son inventeur
G.B. Dantzig). En thorie, cette mthode a une complexit non polynomiale. Cependant, il
s'avre qu'elle est trs efficace en pratique. Comme toutes les techniques de rsolution exacte,
les temps de calcul peuvent vite devenir trs grands. Il est donc courant d'utiliser des
techniques supplmentaires comme la gnration de colonnes ou le branch and cut (coupes et
58
branchements) pour les problmes de grande taille. Des librairies d'optimisation comme
CPLEX (d'IMB ILOG) implmentent ces mthodes.

Dans cette section du chapitre, nous nous sommes intresss des problmes d'optimisation
combinatoire et nous avons pass en revue diffrentes approches de rsolution. Nous avons
pass en revue les deux grandes approches de rsolution existantes. D'une part, les
heuristiques et mtaheuristiques qui fournissent des algorithmes de rsolution approche sans
garantir la qualit de la solution. D'autre part, les mthodes exactes telles que l'exploration
arborescente ou la programmation linaire, qui permettent de calculer des solutions optimales
mais avec des temps de calcul pouvant tre prohibitifs. Le schma de la figure II.4 rsume la
classification des mthodes de rsolution.

Figure II. 4 Classification des mthodes de rsolution

Dans la section suivante, nous nous intressons au paradigme multi-agent que nous
considrons bien adapt pour la mise en uvre et la modlisation des problmes
doptimisation pour les systmes distribus.

II.3 Les systmes multi-agents


Dans cette section, nous commenons dabord par dfinir les diffrentes notions lies cette
mthode, particulirement : lco-rsolution, la coopration, la ngociation, et la planification
qui constituent les concepts cls de notre chane logistique de gestion de crise. Ensuite nous
abordons les diffrents aspects de la formalisation des systmes multi-agent. Enfin, nous
justifions notre intrt pour ladoption de ce paradigme en citant nos diffrents arguments.

59
II.3.1 Quelques concepts
Les systmes multi-agents forment un paradigme pour la conception des systmes complexes
et proposent des outils pour les analyser, les concevoir et les implanter. Thoriquement, un
Systme Multi-Agent (SMA) est un ensemble dentits (agents logiciels ou humains) qui
interagissent dans un environnement pour rsoudre des problmes qui dpassent les capacits
ou les connaissances individuelles de chaque agent. Grce sa nature autonome, ractive
et/ou proactive, le paradigme agent est adopt dans des systmes dynamiques et en temps rel.
Il est intressant dobserver la place quoccupent les systmes multi-agent dans lvolution
des paradigmes de linformatique selon (Jamont, 2005). La figure II.5 suivante illustre cette
place.

Figure II. 5 Evolution des paradigmes de linformatique

II.3.1.1 La notion dagent


Parmi les nombreuses dfinitions du terme agent , certaines semblent faire lunanimit au
sein de la communaut multi-agent. Ferber (Ferber, 1995) dfinit un agent comme une entit
physique ou virtuelle :
qui est capable dagir dans un environnement,
qui peut communiquer directement avec dautres agents,
qui est mue par un ensemble de tendances (sous la forme dobjectifs, individuels ou dune
fonction de satisfaction, voire de survie, quelle cherche optimiser),
qui possde des ressources propres,
qui est capable de percevoir (mais de manire limite) son environnement, qui ne dispose
que dune reprsentation partielle de cet environnement (et ventuellement aucune),
qui possde des comptences et offre des services,

60
qui peut ventuellement se reproduire,
- dont le comportement tend satisfaire ses objectifs, en tenant compte des ressources et des
comptences dont elle dispose, et en fonction de sa perception, de ses reprsentations et des
communications quelle reoit.
Une dfinition plus commune, inspire des travaux de Jennings (Jennings et al., 1998),
englobe ces notions et dfinit un agent comme tant un systme informatique dou de
raisonnement et capable de communiquer avec ses semblables et qui agit sur son
environnement dune faon autonome et en fonction de sa perception pour atteindre les
objectifs pour lesquels il a t conu . Cette dfinition met laccent, non seulement sur la
capacit de lagent raisonner, mais aussi agir. En effet, le concept dagent repose sur la
notion fondamentale de laccomplissement des actions qui vont agir sur lenvironnement et le
modifier. Il en dcoule de cette dfinition un cycle de vie pour lagent bas sur trois grandes
phases : La perception de lenvironnement, la prise de dcision et lexcution. Lagent utilise
ses connaissances et ses comportements pour construire sa perception de lenvironnement qui
lentoure et le reproduire. Ensuite vient ltape de la prise de dcision ou encore
dlibration qui consiste dcider de la prochaine action excuter. Pour ce faire, lagent
use de ses raisonnements et de son intelligence qui caractrisent sa capacit tre
autonome. Enfin, lagent effectue concrtement laction choisie lors de ltape prcdente.
Une autre dfinition est apporte par Wooldridge (Wooldridge et al., 1995), un agent est un
systme informatique capable dagir de manire autonome et flexible dans son
environnement. La flexibilit dun agent consiste en les proprits suivantes :

Ractivit : elle concerne laptitude dun agent ragir aux modifications survenant dans
son environnement et adapter son fonctionnement et comportement (actions et ordre dans
lequel elles sont entreprises) en fonction des changements perus.

Pro-activit : elle concerne laptitude dun agent agir de sa propre initiative pour essayer
datteindre les buts et objectifs quil sest fix. Son comportement nest donc pas uniquement
dirig par des vnements mais il est tout fait capable de gnrer et satisfaire des buts.

Capacits sociales : un systme social est capable dinteragir ou cooprer avec dautres
systmes. Les agents communiquent directement entre eux pour pouvoir changer des
informations. Ils interagissent via des langages de communication spcifiques et convenus.

61
II.3.1.2 Typologie dagents
La diffrence dans la typologie des agents dcoule de la diffrence comportementale par
rapport la manire et la rapidit dexcution des actions qui leur sont spcifiques (Bradshaw,
1997) (Strugeon, 1995). Trois principaux agents sont distingus dans la littrature :

- Agents cognitifs : Ces agents proviennent dune mtaphore du modle humain. Ils possdent
une reprsentation explicite de leur environnement, des autres agents et deux-mmes. Ils sont
dots de capacits cognitives : anticiper, raisonner, mmoriser, planifier, communiquer, etc.
Les actions quils entreprennent sont gnralement le fruit dun comportement rflchi bas
sur leurs connaissances de lenvironnement. Le travail le plus reprsentatif de cette famille
dagent porte sur le modle Believe Desir Intention BDI (Rao & Georgeff, 1995).

- Agents ractifs : trs rapides, leurs actions sont assimiles des rflexes. Ils fonctionnent
selon un modle stimuli/rponse. En effet, ds quils aperoivent un changement dans leur
environnement, ils ragissent par une action programme. Pour cela, ces agents sont
constamment en tat de veille attendant un changement probable survenant dans
lenvironnement. Contrairement aux agents cognitifs, les agents ractifs nont pas de
reprsentation explicite de leur environnement. Lexemple le plus clbre est celui de la
fourmilire tudie par Alexis Drogoul (Drogoul, 2000).

- Agents hybrides : Ces agents conjuguent la rapidit de rponse des agents ractifs avec les
capacits de raisonnement des agents cognitifs. Il sagit de ce fait dun compromis
autonomie/coopration et efficacit/complexit.

II.3.1.3 Les systme multi-agents


A partir des dfinitions prcdentes de la notion dagent, nous pouvons considrer un systme
multi-agent comme tant un ensemble homogne ou htrogne dagents situs dans un mme
environnement et qui interagissent. Ces agents communiquent et collaborent pour achever des
objectifs individuels ou collectifs, ou pour rsoudre des problmes qui dpassent les capacits
ou les connaissances individuelles de chacun. Ferber (Ferber, 1995) dfinit un systme multi-
agent de la manire suivante :

" Un systme multi-agent est un systme compos des lments suivants :

Un environnement qui est un espace disposant gnralement dune mtrique.

Un ensemble dobjets situs dans lespace, ils sont passifs, ils peuvent tre perus, dtruits,
crs et modifis par les agents.

62
Un ensemble dagents qui sont les entits actives du systme.

Un ensemble de relations qui unissent les objets entre eux.

Un ensemble doprations permettant aux agents de percevoir, de dtruire, de crer, de


transformer et de manipuler les objets.

Un ensemble doprateurs chargs de reprsenter lapplication de ces oprations et la


raction du monde cette tentative de modification (les lois de lunivers)."

Selon la vision de Demazeau (Demazeau, 1995) :

SMA = Agent +Environnement + Interaction + Organisation.

Cette dcomposition dun SMA est dite dcomposition Voyelles qui identifie un axe Agent,
un axe Environnement, des Interactions et une structure Organisationnelle explicite ou non.

Linteraction reprsente lune des plus importantes caractristiques dun SMA. Elle est
dfinie par Doniec (Doniec, 2006) comme tant une relation dynamique instaure entre
plusieurs agents du fait de leurs actions combines et rciproques. Linteraction peut avoir
plusieurs formes : la coopration, la coordination, la ngociation, la collaboration, etc.
Toutefois, elle est essentiellement reprsente par la coordination, qui fait rfrence tous les
processus utiliss dans la prise de dcision et au comportement global dun ensemble
dagents.

II.3.2 Les mcanismes dinteractions


Les interactions, telles que dfinies par Ferber dans (Ferber, 1995), correspondent une mise
en relation directe et dynamique de deux agents ou plus et ce par le biais dun ensemble
dactions rciproques. Weiss (Weiss, 2000) propose la modlisation donne par la figure II.6
suivante afin de schmatiser lensemble des interactions possibles entre les agents. Il dfinit la
coordination en faisant rfrence aux ressources partages car les agents doivent coordonner
leurs actions dans lenvironnement quils partagent afin dviter les conflits de ressources.

63
Figure II. 6 Les interactions sous leurs diffrentes formes

La coordination est dfinie au sens gnral par Doniec (Doniec, 2006), comme tant
lensemble des actions permettant une production et/ou une organisation en vue datteindre un
objectif dtermin. Dans ce sens, soit les agents sentre-aident et donc cooprent pour essayer
datteindre lobjectif global en vitant les situations de conflits, soit ils se retrouvent dans une
situation de comptition.

II.3.2.1 La coopration
Une situation cooprative est une situation o les agents collaborent pour raliser un but
commun. Ce but peut tre soit un but partag par tous les agents, soit un but mis en avance par
le concepteur du SMA. Les agents peuvent tre alors associs un ou plusieurs buts. La
coopration apparat quand les actions de chaque agent satisfont au moins l'une des conditions
suivantes: (1) les agents ont un but commun tous et leurs actions tendent raliser ce but,
(2) les agents effectuent les actions qui ralisent non seulement leurs propres buts mais aussi
ceux des autres. Dans ce cas, les agents ne sont pas dans une situation de concurrence, ils
essaient donc de saccommoder sans se dranger. Les agents peuvent cooprer pour partager
les tches et les ressources. Cest une mthode qui permet la rpartition du travail.

II.3.2.2 La planification
Bond et Gasser (Bond & Gasser, 1988) nous font remarquer que lorientation des
comportements des agents vers des buts communs permet dobtenir une plus grande
coordination. (Boissier , 2000) prsente plusieurs techniques de planification comme la
planification centralise pour des plans distribus, la planification distribue pour des plans
centraliss et la planification distribue pour des plans distribus :

a) Planification centralise pour des plans distribus : Ce type de planification se focalise sur
le contrle et la coordination par plusieurs agents dans des environnements partags. En
planification multi-agent centralise, un agent est responsable de la cration du plan qui
spcifie les actions planifies pour tous les agents concerns. Le principe est le suivant :

64
- Gnration de plans ordre partiel,
- Dcomposer le plan en sous-plans,
- Insrer des actions de synchronisation dans les sous-plans en introduisant des commandes de
communication,
- Allouer les sous-plans aux agents,
- Initier lexcution du plan.
Ce type de planification prsente lavantage de faciliter la rsolution de conflits et de
converger vers une solution globale. Cependant la mise en place ncessite la centralisation du
contrle au niveau dun seul agent.

b) Planification distribue pour des plans centraliss : Dans une approche de planification
distribue, les activits de planification sont rparties au sein dun groupe dagents. Cette
approche est utilise quand un seul agent ne peut pas avoir une vue globale des activits du
groupe. Le processus de planification est alors distribu entre diffrents agents spcialistes qui
cooprent et communiquent en partageant des objectifs et des reprsentations pour former un
plan cohrent. Les spcialistes gnrent leurs portions de sous-plans, et les plans partiels sont
ensuite synchroniss en un seul plan (Boissier , 2000). Cette technique prsente lavantage de
ne pas centraliser le contrle au niveau dun seul agent. Cependant elle engendre des cots de
communication levs et sans garantie de convergence, puisque les agents peuvent avoir des
incompatibilits au niveau des buts et intentions.

c) Planification distribue pour des plans distribus : Pour ce type de planification, le


processus de synthse dun plan et son excution sont distribus. Chaque agent produit un
plan, soit indpendamment des autres (agent-driven), soit en tant dirig par un but commun
avec les autres (goal-driven). Les agents peuvent se communiquer leurs plans.

II.3.2.3 La ngociation
Contrairement la coopration qui suppose la sociabilit des agents, la ngociation
correspond la coordination en univers comptitif entre agents. La ngociation est un
mcanisme puissant pour grer les dpendances inter-agents ou le processus par lequel un
groupe d'agents arrive une dcision mutuelle acceptable sur un sujet donn.

Dans un SMA, un objet est considr comme un sujet de ngociation entre un groupe
dagents, sil se retrouve dans une situation de dsaccord pour la ralisation dun objectif
commun. Ainsi, la ngociation est la forme de contribution la plus approprie pour la
rsolution de conflits car elle garantit un pouvoir quitable des agents, ce qui permet la

65
dcentralisation du contrle. Le principe de base pour mettre en place un mcanisme de
ngociation est de faire, pour les agents ngociants, des propositions, des choix, et des
concessions d'offres, pour ventuellement atteindre une dcision commune acceptable. Dans
les systmes multi agents, l'objectif est de construire des agents ngociants avec lintervention
humaine la plus rduite possible.

Les agents engags dans un processus de ngociation doivent prendre certaines initiatives qui
peuvent conduire un accord entre les diffrentes parties. De ce fait, trois grands mcanismes
de ngociation existent dans la littrature :

La ngociation par compromis : dans ce type de ngociation, chacune des parties relche les
contraintes quelle juge moins importantes afin daugmenter les chances datteindre le but
global,

La ngociation intgrante : dans ce type de ngociation, chacune des parties est amene
changer ses objectifs selon le nouveau tour de ngociation courant, en cherchant les buts
profonds,

La formation de coalitions: il sagit de partitionner le groupe dagents en conflit en sous-


groupes appels coalitions. Une coalition reprsente une organisation dagents court terme
base sur des engagements spcifiques et contextuels, ce qui permet aux agents de coexister
tout en bnficiant de leurs comptences respectives (Vauvert et al., 2000).

II.3.3 Apport des SMA


Tels que longuement dcrits dans les sections prcdentes ainsi que dans une multitude de
travaux de recherche (Feki, 2010) (Zgaya, 2007) (Kammoun, 2007), les SMA prsentent de
multiples avantages. Ces derniers ont fait leur grand succs dans plusieurs domaines et le
recours des chercheurs et industriels aux plateformes multi-agents pour la mise en place de
systmes performants et efficaces. Parmi leurs points forts, nous pouvons noter
essentiellement :

- Leur capacit dadaptation nimporte quel type de problme.

- Lintgration et la gestion aise dune quantit importante dinformations distribues et


htrognes faisant voluer la littrature vers le gnie logiciel distribu.

- La personnalisation des services lusager de par lintgration dagents assistants


lutilisateur dans son usage du systme. Ces agents sont appels Agents Interface. De par cette

66
pratique, les systmes dinformation sen trouvent ainsi personnifis sadaptant aux besoins
des logisticiens.

- La prise de dcision collective travers des mcanismes de coordination et collaboration


assures de par la communication, changes et interactions entre les agents. Dans ce cadre, les
Agents Collaborants sont connus pour leur efficacit interconnecter plusieurs systmes ou
rsoudre des problmes de type distribu. Ils associent pour cela leurs comptences
individuelles pour mener bien leurs tches dans le but de raliser un objectif collectif dont la
complexit dpasse leurs aptitudes individuelles. Ce domaine dapplication est souvent appel
Intelligence Artificielle Distribue (IAD).

Le domaine des systmes multi-agents (SMA) propose donc des mthodologies, des
techniques et des outils pour rpondre diffrents problmes que lon peut dcliner selon trois
aspects :

- Le dveloppement de systmes informatiques dcentraliss o lapproche SMA


permet lintgration flexible et la coopration de logiciels et services autonomes,
- La rsolution de manire distribue dun problme qui se pose globalement la
collectivit dagents,
- La simulation de phnomnes complexes o la modlisation multi-agent apporte
un cadre conceptuel permettant la reprsentation et la simulation de systmes
faisant intervenir diffrentes entits en interaction.

II.3.4 Applications des SMA


Plusieurs publications concernant les applications des systmes multi-agents dans lindustrie
(Chaib-Draa, 95) (Kouiss & al., 95) (Shen & al., 2006) ont fait leurs apparition. Cette
mergence sexplique par laptitude des SMA modliser des systmes de plus en plus
complexes. Parmi les premires applications dveloppes base dagents communicants, on
trouve une application pour le contrle du trafic arien (Cammarata & al., 1988). Dans cette
application, les stratgies de coopration des SMA ont t exploites pour rsoudre les
conflits entre les plans dun groupe dagents. Chaque agent, reprsentant un avion, cherche
btir un plan de vol qui doit garantir une distance scuritaire de chaque autre agent. Dans le
cas o les agents sont en conflit, ils doivent choisir entre lagent le plus apte laborer un
nouveau plan de vol sans engendrer de nouvelles situations conflictuelles. Ce choix se base
sur la quantit dinformation dont dispose chaque agent et sur le nombre de contraintes. En

67
effet, il revient lagent le mieux inform de raliser le nouveau plan de vol qui rsout le
conflit et lagent le moins contraint de lexcuter.

Malgr leur rcente expansion, les SMA touchent une grande varit de domaines
dapplications. En effet, ils sont lintersection de plusieurs domaines scientifiques (Chaib-
Draa et al., 2001): informatique rpartie et gnie logiciel, intelligence artificielle et vie
artificielle, sociologie, psychologie sociale, sciences cognitives et bien dautres. Nous
retrouvons ainsi les SMA la base des systmes distribus, des interfaces homme-machines,
des bases de donnes et bases de connaissances distribues coopratives, de la robotique
cognitive et coopration entre robots et des applications distribues comme le web, linternet,
le contrle de trafic routier, le contrle arien, les rseaux dnergie, etc.

Dans la section suivante, nous essayons de mettre en vidence et de prouver lintrt de


lalliance entre les SMA et loptimisation pour modliser et optimiser, de manire conjointe,
des modles complexes en logistique. Nous allons, de ce fait, dresser un tat de lart sur les
approches agent en optimisation. Nous choisissons de prsenter les mthodes les plus souvent
rfrences dans la littrature concernant le mariage entre SMA et optimisation.

II.4 Lalliance entre les SMA et lOptimisation


Les systmes multi agents et loptimisation offrent par leur combinaison, une approche de
rsolution qui permet de contrer le problme de complexit des systmes rels. En effet,
lassociation des travaux thoriques raliss dans le domaine de loptimisation avec les
systmes daide la dcision, base dagents communicants, facilite la prparation
rationnelle et lautomatisation de dcisions humaines importantes et complexes. Deux aspects
essentiels rapprochent les mthodes doptimisation des SMA : le premier est la distribution
du calcul, le second est li aux problmes dadaptation et dauto-adaptation de la recherche.
En effet, le choix dune bonne stratgie de recherche (ou le choix dun bon paramtrage) et la
rsolution du problme peuvent tre raliss dynamiquement et de faon distribue. Le
problme de slection dactions raliser en fonction de la situation pour un agent donn,
peut alors tre assimil un problme dapprentissage, dans un objectif gnral de
maximisation dun gain (Meignan, 2008).

II.4.1 Les SMA pour une rsolution collective dun problme doptimisation
Au sens de cette approche, un agent est associ la construction ou lamlioration dune
solution unique dun problme doptimisation. Les communications et interactions entre
agents visent changer des informations propos des zones prometteuses de lespace de

68
recherche, de manire rendre lexploration plus efficace. Par exemple, pour loptimisation
par colonies de fourmis, les agents changent les informations et cooprent par le biais de
lchange de la matrice de phromone. Cette situation de coopration se nomme la stigmergie
(Parunak, 2003). Lintrt de lutilisation du paradigme multi-agent pour les approches
doptimisation est tout dabord de pouvoir dcrire de manire naturelle le fonctionnement des
mthodes doptimisation, ce qui en facilite la conception. Donc, dans un premier temps, les
SMA offrent un support informatique performant et flexible pour la modlisation et la mise en
uvre des problmes doptimisation. Ensuite, en termes de rsolution, la distribution du
calcul permet une exploration plus efficace de lespace de recherche tout en permettant une
mise en uvre parallle possible des algorithmes mis en place. Les systmes multi-agents
semblent donc adapts pour la rsolution de divers types de problmes combinatoires.
Cette alliance permet une application simultane de plusieurs algorithmes de recherche
locale, et nous offre la possibilit dexplorer un grand nombre de solutions, en prenant
diffrentes directions dfinies par divers fonctions de voisinage considres la fois, et
ainsi acclrer la recherche dune bonne solution. En effet, les proprits sociales qui
caractrisent les systmes multi-agents, telles que la communication et la coopration,
garantissent la visite dun grand nombre de solutions, chose qui ne savre pas possible si
chaque heuristique est utilise indpendamment des autres.

Nous nous basons alors sur les principes des systmes multi-agents, qui nous permettent
davoir une collaboration entre les diffrentes mthodes et heuristiques. Notons que
lutilisation de ces systmes, pour la rsolution de certains problmes industriels,
prsente des avantages certains dus la fois, lexcution parallle de plusieurs
procdures et aussi la prsence de collaboration entre la totalit de ses composantes.
Cette collaboration, assure par une communication permanente entre les agents, a pour
rle de donner chacun dentre eux la possibilit davoir une estimation exacte de
lvolution actuelle du systme, et par consquent une bonne orientation aux procdures.
En dautres termes, la possibilit quoffre cette dmarche de lancer simultanment les
diffrents agents, excutant chacun de son ct la procdure qui lui est associe, permet
au systme daugmenter le nombre de bonnes solutions calcules. Ces solutions pourront
alors servir de solutions de dpart pour de prochaines itrations.

Le concept dagent est souvent explicitement mentionn dans les mtaheuristiques


distribues. Cest le cas par exemple de la mthode Co-Search (Talbi & Bachelet, 2004).
Cette mthode est base sur lutilisation de trois agents complmentaires, chacun deux ayant

69
un rle bien dfini et combinant des structures de voisinage de diffrentes portes notamment
via un algorithme gntique. Ces trois agents voluent en parallle et cooprent via une
mmoire centrale et partage. Pendant la recherche, lensemble des connaissances acquises
par les trois agents est regroup dans cette mmoire centrale. Le premier agent, appel
Searching Agent, utilise une fonction damlioration base sur le voisinage. En dbut
dexcution, le Searching Agent utilise la Recherche Tabou pour amliorer la solution
initiale. Le second agent est appel Diversifying agent. Il est charg de fournir de nouvelles
solutions dans les zones non explores de lespace de recherche, en exploitant les
informations des rgions dj visites. Pour ceci, il utilise un algorithme gntique. Le dernier
agent est appel Intensifying Agent et a pour rle de gnrer de nouvelles solutions partir de
zones prometteuses dj explores, en utilisant un oprateur de perturbation. La mthode Co-
Search permet de visiter de nouvelles rgions et dexplorer de manire plus prcise des
rgions dj visites. Cest une mthode qui semble trs intressante du point de vue de la
combinaison de plusieurs mthodes diffrentes en parallle et donc de faire cooprer plusieurs
stratgies de recherche complmentaires.

II.4.2 Les SMA, une solution adapte au problme dapprentissage


Un autre avantage de lalliance entre les SMA et des mthodes doptimisation est directement
li aux problmatiques dadaptation et dapprentissage des stratgies de recherche. En effet, le
paradigme multi-agent offre la possibilit de choisir la bonne stratgie de recherche ou le bon
paramtrage dynamiquement et en temps rel, sous la forme dun problme dapprentissage.
Plusieurs travaux de recherche ont trait les problmatiques dadaptation. Cette problmatique
associe aux systmes multi-agents est souvent assimil au problme dapprentissage par
renforcement (Burke et al, 2003). Un paradigme classique pour prsenter les problmes
d'apprentissage par renforcement consiste considrer un agent autonome, plong au sein
d'un environnement, et qui doit prendre des dcisions en fonction de son tat courant. En
retour, l'environnement procure l'agent une rcompense (un gain maximiser).

Plusieurs familles dalgorithmes multi-agents mettant en uvre les mcanismes dadaptation


ont vu le jour. La plus grande source dinspiration reste cependant lobservation de la nature.
Les algorithmes biomimtiques sinspirant du comportement social observ chez les fourmis
en sont un bon exemple.

Un autre exemple dapprentissage des algorithmes gntiques base dagents a galement t


mis contribution dans (Vallin et Coello, 2003) pour la recherche dinformation sur Internet.

70
Le but est de crer un agent charg dassister les utilisateurs dans leurs problmes de
recherche dinformation. Cependant, ce systme a la particularit dtre conu la manire
dun outil de veille stratgique : il est charg de scruter en permanence une zone prdfinie
dInternet afin dy dtecter lapparition de documents pertinents pour un utilisateur.
Loriginalit de ce systme rside dans sa manire de rcuprer les souhaits de lutilisateur et
de les adapter au fur et mesure de son utilisation.

II.4.3 Besoins lis la rsolution distribue des problmes doptimisation


Les proprits souhaitables pour un algorithme doptimisation excut au sein dune
architecture distribue tel un systme multi-agent sont la distribution, la dcentralisation, la
robustesse aux pannes, lasynchronisation des changes de messages, lautonomie des agents,
le fonctionnement dans un systme ouvert, etc.

- La distribution implique la rpartition de lexcution de lalgorithme sur diffrents agents.


Concrtement cela veut dire que chaque agent doit tre dot dun processeur et dun
algorithme local sexcutant sur celui-ci, participant au calcul de lalgorithme global.
Lexcution de lalgorithme globale se fait donc de manire concurrente sur plusieurs
machines. Ltat de lalgorithme global est dfini comme lunion des tats des algorithmes
locaux.

- La dcentralisation exige quaucun agent ne soit distinguable des autres du point de vue de
lalgorithme, en dautres termes, du point de vue des connaissances et capacits ncessaires au
bon droulement de lalgorithme. Autrement dit, nous dirons que lalgorithme est centralis si
un seul agent dtient une information sans laquelle lexcution de lalgorithme devient
impossible.

- La robustesse aux pannes sous-entend que lalgorithme puisse sexcuter quel que soit le
nombre dagents tombant aux pannes, en rpliquant les ressources critiques du systme.

- Les pannes du rseau de communication peuvent retarder larrive des messages ou


intervertir leurs ordres darrive par rapport leurs ordres denvoi. De ce fait, un change de
message synchrone pourrait faire en sorte quun agent attende indfiniment larrive dun
message. Pour faire face ce genre de situations, et afin de dtecter quun agent est tomb en
panne, des dtecteurs de dfaillance sont mis en place. Mais ces dtecteurs fonctionnant eux-
mmes base dchange de messages, ncessitent des performances plus fortes qui relvent
du domaine des rseaux et non des systmes multi-agents.

71
- La synchronisation des algorithmes est une proprit ncessaire qui peut savrer
problmatique car elle sous-entend que plusieurs agents (ou tous), ralisent simultanment
une transition dans les squences dexcution de leur algorithme local. Pour faire ceci, nous
devons possder une information globale qui concerne tous les agents. Cependant une telle
information est considre centralise car mme si elle est partage par tous les agents, elle
ncessite la collecte dune information sur ltat global du systme. Il est donc prfrable de
fonctionner de manire asynchrone, car cela implique que la procdure nest pas centralise et
donc plus robuste aux pannes.

II.5 Quelques systmes multi-agents pour loptimisation de la logistique de


gestion de crise
Nous nous intressons, en particulier, aux applications des systmes multi-agents dans le
domaine de la logistique de dfense. Nous prsentons brivement, dans cette section, trois
applications, compte tenu des publications limites pour des contraintes de confidentialit.

II.5.1 Nexus : Auto-organisation base d'agents pour le soutien en combat


Le systme Nexus est un middleware Peer-to-Peer (P2P) orient agents qui permet de crer
une architecture oriente service hautement distribue. Nexus propose une combinaison
structure d'un rseau de recouvrement P2P et de services autonomes, et offre un puissant
moyen pour soutenir les oprations en temps rel dans la scurit ou la dfense. Nous
prsentons, dans ce qui suit, une vue densemble sur ce systme.

II.5.1.1 Approche
La premire phase du projet Nexus a dmontr la valeur dun middleware bas agent P2P
pour la dcouverte et la fusion de services. Il est bas sur trois paradigmes principaux :
linformatique P2P, les agents autonomes et les architectures orientes services. Les
implmentations existantes darchitecture oriente services, telles quelles sont appliques
dans le domaine civil, souffrent de plusieurs limitations qui les rendent impropres pour les
environnements volatiles. En effet, des facteurs comme lorchestration de processus, les
workflows spcifis manuellement et les services centraliss conduisent des applications
rseau fragiles, non adaptatifs et difficiles entretenir. L'objectif est de dvelopper une
architecture oriente services oriente agents, qui rpond aux exigences de fiabilit rigoureuse
du domaine de la dfense et accueille les besoins du rseau des applications centres sur la
fusion de l'information. En particulier, les fonctionnalits suivantes sont en cours
dlaboration :

72
- Prestation de services homognes et fiables dans les environnements volatiles.
- Hirarchisation des demandes et rpartition des charges.
- Rsilience la volatilit de l'infrastructure rseau sous-jacent: en adoptant une
architecture peer-to-peer.
- Services dcentraliss o les ressources en rseau sont prsentes en fonction de
leurs proprits et des informations reues en temps rel concernant leurs attributs.
- Slection smantique et adaptative de services.
- La surveillance proactive et de la substitution du service automatis.
- Filtrage des services d'information en fonction de leur pertinence smantique pour
l'utilisateur ainsi que limposition dune certaine structure la couche de
messagerie du middleware.
Afin doffrir la rsilience ncessaire, Nexus adopte une approche entirement dcentralise et
qui sarticule autour de plusieurs niveaux. Au niveau le plus bas, un rseau ddi P2P est
construit, reliant chacun des nuds dans le rseau les uns avec les autres.

II.5.2 ALP : Advanced Logistics Project


En 1996, la Defense Advanced Research Projects Agency (DARPA), en collaboration avec la
Defense Logistics Agency (DLA) ont commenc un effort de recherche denviron 80 millions
de dollars appel le projet de logistique avance : Advanced Logistics Projetc (ALP), visant
dvelopper la prochaine gnration de systmes logistiques (Carrico et Greaves, 2008). Ce
projet se base principalement sur les stratgies suivantes :
- Gathering : qui consiste rcuprer les informations du monde rel.
- Supporting : qui consiste recevoir/identifier les tches ou les changements importants.
- Decomposing : qui consiste dcomposer un problme global en plusieurs sous-
problmes.
- Acting : qui consiste excuter une action prcise en interaction avec les entits du
monde rel.
- Delegating : qui consiste allouer les sous-problmes aux ressources disponibles.
- Assessing : qui consiste contrler continuellement lvolution pour tre sr que tout se
passe conformment ce qui a t prvu .
- Reporting : qui consiste prparer des rapports pour le monde extrieur.
Les concepteurs utilisent un moteur de workflow dynamique pour construire les modles,
interconnecter les reprsentations des composantes cognitives et accomplir les tches.

73
II.5.3 Ushahidi, logiciel libre pour la collecte d'informations et la cartographie
interactive des donnes
Ushaihidi est dcrit par ses crateurs comme un logiciel permettant aux gens, o qu'ils soient
dans le monde, de raconter ce qu'ils se passent autour d'eux pendant une situation d'urgence
(le mot ushaihidi signifie tmoignage en swahili). Ce systme, voulu accessible partout et
facile raliser, a t dvelopp durant les meutes post-lectorales au Kenya en 2008 pour
venir en aide aux victimes des violences. A partir de tout appareil lectronique pouvant
transmettre des donnes, le logiciel conoit une carte centralisant les informations cls lors
d'une crise. Les usagers envoient un sms, un mms ou un courriel et les donnes apparaissent
dessus.

Figure II. 7. Cartographie des demandes daide en Hati

Le systme a par exemple t utilis en Hati aprs le sisme de 2010


(http://haiti.ushahidi.com).

74
Figure II. 8 Calendrier des vnements

II.6 Conclusion
Dans ce chapitre, nous avons prsent le concept doptimisation, les principales notions qui y
sont relies et une brve revue des systmes existants dans la littrature et qui ont trait de ce
concept. En second lieu, les systmes multi-agents ont t prsents en mettant en exergue les
contributions quils sont susceptibles dapporter notamment lorsquil sagit de traiter des
problmes dimportante complexit, comme cest le cas de la problmatique de gestion des
chanes logistiques, et plus particulirement pour la gestion de crise.
Considrant la problmatique ainsi nonce, nous adoptons dans notre approche un
croisement mutuel entre ces deux concepts. Dans le but premier de raliser efficacement des
traitements optimiss et dans des dlais de rponse raisonnables, nous avons en effet opt
pour une alliance des SMA et de loptimisation dans une architecture spcifique, que nous
dtaillons dans les chapitres suivants.

75
Chapitre III : SMA au service de la modlisation avance dune chaine
logistique

III.1 Introduction
Etant placs dans un environnement instable et fortement volutif, la mise en place dune
modlisation approprie qui cadre bien avec le degr de ractivit attendu en cas de crise
simpose. En effet, la forte variabilit des contraintes, donnes et paramtres de
lenvironnement sopposent la mise en place dune chane logistique de gestion de crise
dynamique, optimise et performante.
Les donnes du systme de gestion de crise sont parpilles sur un rseau gographique dune
tendue assez large. La distribution de ces donnes est fortement alatoire et inconstante. Elle
ncessite de ce fait une modlisation qui en suit le mouvement et simprime de leurs
variabilits afin de reprsenter en temps rel, lvolutivit de lenvironnement qui les
incorpore.
La suite de ce chapitre est organise comme suit : afin de pouvoir porter un choix sur la mise
en place de larchitecture la mieux approprie, nous proposons dans la premire section de
comparer les architectures systmes les plus utilises dans le domaine du gnie logiciel.
Quelques notions sur le concept objet et la mthode UML sont prsentes dans la section
III.3. Ensuite larchitecture du systme propos est dtaille dans la section III.4. Les dtails
dimplantation du concept multi-agent dans notre approche sont par la suite fournis au niveau
des sections suivantes.

III.2 Choix des architectures des systmes complexes


La spcification de notre problme nous impose plusieurs contraintes. Nous essayons donc au
dbut de ce chapitre de comparer les diffrentes technologies. Dans un premier temps, nous
prsentons les technologies les plus utilises dans le domaine du gnie logiciel afin de pouvoir
les comparer. Ensuite, nous dtaillons les contraintes auxquelles notre systme est confront
et nous ferons notre choix darchitecture.

III.2.1 Technologies du Gnie Logiciel


Le besoin croissant en systmes dinformation la fois complexes et performants, a cr une
nouvelle demande en architecture systme . Lapparition de nouveaux concepts structurels
et architecturaux en gnie logiciel a rpondu cette demande. Ainsi, nous disposons
actuellement dune multitude doutils et de technologies permettant la cration et la gestion
77
des architectures complexes. Parmi ces concepts, nous prsentons les plus rpandus, savoir
les composants logiciels, les systmes multi-agents et les services web. Dans ce qui suit, nous
analysons les architectures relatives ces concepts qui sont : les architectures base de
composants, dagents et de services.

III.2.1.1 Architectures base de composants


Cette technologie est issue des approches orientes objets. Cest une rponse la demande de
la rutilisation du code dans le dveloppement des applications informatiques. Depuis les
annes quatre-vingt-dix, cette nouvelle vision des logiciels informatiques ne cesse dvoluer
(Maurer, 2000). Elle consiste considrer le logiciel informatique comme un ensemble de
plusieurs composants (De mme quun circuit lectrique est constitu de composants
lectroniques assembls).
Comme cest aussi le cas pour lorient objet, lun des principaux atouts de la programmation
base de composants est la rutilisation (Barbier et al., 2002). La notion de composant vient
complter les limites de lapproche objet en terme de granularit de rutilisation en proposant
une dfinition plus prcise des entres et sorties de chaque composant et en assurant une
meilleure scurit de la rutilisabilit des composants. En effet, la diffrence de lobjet
qui risque de faire des rutilisations non scurises (suite des appels des services externes
sans spcification explicite), un composant ne peut utiliser que des services bien spcifis
compte tenu de sa conception et des prcisions sur ses interfaces (Feki, 2010).

III.2.1.2 Architectures base dagents


Comme nonc prcdemment, les systmes base dagents tiennent leurs origines dans le
dveloppement de lintelligence artificielle. En effet, le concept dagent est une volution de
lintelligence artificielle distribue ne de la fusion entre les systmes distribus et
lintelligence artificielle (Chaib-Draa, 1994).
Pour rsoudre les problmes les plus complexes pouvant reprsenter une limite des capacits
de rsolution dune entit (agent) unique, la mise en commun des connaissances de plusieurs
agents et leur coopration permet de franchir cette limite et de donner plus dlan dans les
capacits de rsolution. Le concept de coopration dpasse ici la simple addition de
connaissances et reprsente une relle fusion dun savoir global qui offre une vue plus
synthtique sur les problmes.

78
III.2.1.3 Architecture oriente services
Larchitecture oriente services (ou Service Oriented Architecture, SOA) est une nouvelle
organisation applicative permettant une interaction entre des composants distants dune
application travers des services. La notion du service peut tre reprsente ici par un objet
produit par un fournisseur et consomm par un client. La SOA propose un nouveau concept
facilitant lchange de messages, rutilisable et avec une bonne scurit (utilisation de
protocoles standardiss).
Larchitecture oriente service est daprs Rouillard (Rouillard, 2007) une manire
dorganiser les applications logicielles isoles travers une mise en place dune infrastructure
accueillant un ensemble de services interconnects. Chaque service tant accessible au travers
de standards et de protocoles dchange de message . Les architectures orientes services
reprsentent une vision base sur loffre et la demande de services. Il peut sagir de tout type
de service respectant un/des protocole(s) et une description prcise mise la disposition du
client (par exemple les WSDL - pour Web Services Description Language).

III.2.2 Comparaison des architectures


Pour analyser au mieux les diffrentes architectures, nous nous rfrerons aux recherches
effectues par Briot (Briot, 2009) dans le cadre de son analyse comparative des architectures
base de composants logiciels et les systmes multi-agents.
Dans son analyse, Briot propose de comparer les diffrents concepts en se projetant sur un
rfrentiel commun trois dimensions, o chaque dimension traite un axe important de la
programmation et du logiciel. Ces axes sont les suivants: la slection de laction, le niveau
dabstraction et la flexibilit du couplage.

III.2.2.1 Slection de laction


Elle identifie quand et comment lentit logicielle active laction du code correspondant.
Globalement, on remarque que la slection de laction a t repousse plus tard dans les
compilateurs avec lvolution des langages de programmation.
En effet, dans les premiers langages (Ex. Fortran), les diffrentes instructions sont identifies
par leur numro de ligne. La slection de laction est par consquent exprime globalement et
statiquement. Ensuite sont apparus les langages de programmation structure ou modulaire,
(Ex. Pascal), qui innovent par une encapsulation du code dans des procdures. Cette
modularit implique un appel par un nom symbolique et non pas par un numro de ligne.
Linvocation nest donc plus globale et devient externe. Cependant, lidentification de la
slection de laction demeure statique.

79
La grande innovation des langages orients objet dans ce domaine est lapparition de la
liaison tardive (late binding) qui consiste ce que la mthode appeler soit identifie selon
son appartenance un objet. Ainsi la slection de laction est repousse jusqu lexcution et
nest plus identifie la compilation dune manire statique, la slection est donc externe et
dynamique.
Daprs Briot (Briot, 2009), les composants logiciels ninnovent pas particulirement en
termes de slection de laction. La seule diffrence par rapport la programmation-objet
rside dans le fait quun composant na pas besoin dinformation externe pour son excution :
lintgralit du code ainsi que la documentation dun composant se trouvent dans le
composant lui-mme (Oussalah, 2005). Par opposition, pour un objet, une partie de son code
se trouve dans sa classe mre. Les agents apportent une grande volution la slection de
laction. En effet, contrairement aux procdures et mthodes qui sont invoques un lieu
particulier du code, la slection de laction dans le concept agent (comportement) dpend
aussi du contexte, de ltat et des connaissances de ce dernier. Cette nouvelle autonomie la
slection de laction rend lagent proactif en plus de son aspect ractif. Ainsi, la slection de
laction devient interne et dynamique.

III.2.2.2 Flexibilit du couplage


Elle est dfinie par la capacit mettre en relation plusieurs entits logicielles. On distingue
deux types de couplage : le couplage structurel et le couplage de communication. Nous nous
concentrons dans le paragraphe suivant sur le couplage structurel.
Le couplage structurel est mis en place dans les langages de programmation travers les
rfrences. En effet, un objet X rfrence un deuxime Y en mettant simplement la rfrence
de Y dans une variable locale X quon notera Vx. Donc pour changer la rfrence de X vers
un autre artfact Z par exemple, il suffit de changer la valeur de la variable Vx en lui affectant
Z. Un problme majeur intervient si on souhaite que X rfrence en mme temps plusieurs
artfacts (Z1...Zn). Dans ce cas, on est oblig de passer par des collections informatiques telles
que les listes, les files, les piles, etc. En plus, il faudra changer les instructions communiquant
avec la rfrence vu que ce nest plus un objet, mais une collection dobjets qui est traite. Il y
aura donc un ajout ditrateur de collection et ceci nous oblige r-implmenter le code de
lobjet X.
La nouveaut des portes/interfaces de sorties dans larchitecture des composants permet de
palier au problme dcrit prcdemment. Un composant ayant un ensemble de bornes dentre
et un ensemble de bornes de sorties, facilite la manipulation du couplage en lexternalisant.

80
Figure III. 1 Connexion de plusieurs composants

Larchitecture SOA (Service Oriented Architecture) et en particulier les web services rendent
les couplages des diffrentes entits applicatives dynamiques travers la consultation de
lannuaire et les choix du service.
Les systmes multi-agents intgrent aussi cet aspect dynamique de slection du service
excuter vu quils implmentent entre autres des agents annuaires. Ce dernier type dagent
existant dans larchitecture FIPA1 et permet aux autres agents dun systme de retrouver la
liste dagents fournisseurs dun service en particulier. Cest un annuaire sous forme dagent
qui facilite la mise en relation avec un agent proposant un service recherch.
De plus, les systmes multi-agents proposent un couplage smantique bas sur une
organisation sociale et des connaissances. Ceci fait voluer les langages de programmation et
les logiciels vers un niveau plus lev en connaissance avec lutilisation du concept
dorganisation. En outre, la sparation de la description de larchitecture du systme dune
part et de limplmentation dautre part, reprsente un grand pas dans lvolution de la
programmation. Ceci est confirm dans les architectures base de composants. Les
composants tant des entits indpendantes avec des descriptions prcises, larchitecture du
systme assimil une carte lectronique constitue de composants interconnects, est
totalement indpendante de son implmentation. Cette avance technologique est encore plus
dveloppe dans les architectures service grce la dcouverte, le choix automatique et
linvocation des services. Dautant plus chez les architectures multi-agents avec leur fameuse
collaboration, organisation, ngociation et coordination.

III.2.2.3 Niveau dabstraction


Le niveau dabstraction est dfini par le niveau dexpression des concepts offerts aux
concepteurs et aux programmeurs. On remarque aisment la grande corrlation entre les
langages de programmation et le niveau dabstraction. En effet, dans les premiers langages de
programmation (trs proches de la machine), on se basait sur les instructions et les numros
de lignes. Ensuite apparaissent les langages modulaires (procdure, fonctions) avec un degr

2
1FIPA : The Foundation for Intelligent Physical Agents1

81
plus haut dabstraction, qui continue augmenter avec lapparition des structures de donnes
et surtout la programmation-objet qui nous fait voluer des donnes vers des concepts via le
principe des objets informatiques reprsentant des objets physiques (Perrot, 1998).
Les composants ninnovent pas sur cet axe contrairement aux agents qui permettent dtendre
cette volution vers une vision base de connaissance. En effet, les agents cognitifs par
exemple, apportent la notion dtat mental qui est une modlisation symbolique de concepts
cognitifs qui permettent une coordination et une organisation entre les agents.

III.2.2.4 Synthse

Figure III. 2 Comparaison des technologies

Larchitecture composants est trs proche de larchitecture oriente objet, elle prsente une
lgre volution au niveau de la slection de laction et de la Flexibilit du couplage .
Cependant, son niveau dabstraction demeure limit . Larchitecture oriente service
prsente un niveau plus lev dabstraction et une meilleure flexibilit de couplage, mais pas
dinnovation dans la Slection de laction . Finalement, larchitecture multi-agent est la
plus volue sur les trois axes (Figure III.2). Sa faiblesse existe peut-tre ailleurs, au niveau
de la mise en place ou des performances.

III.2.3 Contraintes
Afin doffrir une aide la dcision fiable en cas de crise, notre systme doit pouvoir accder
en temps rel aux donnes qui caractrisent la situation logistique relle sur le terrain. Il doit
donc accder aux diffrents systmes dinformation et capteurs existants et sadapter
automatiquement leurs offres de services. Ensuite il faut pouvoir appliquer des algorithmes

82
doptimisation pour le positionnement des zones et lacheminement des ressources, tout en
grant lintgration chaud de nouveaux modules.
Les contraintes respecter sont les suivantes :

- Communication inter-SI : Larchitecture de notre systme doit pourvoir faciliter lchange


de messages entre le systme lui-mme et son environnement. En effet, la base de son
fonctionnement rside dans la rcupration automatique de donnes partir du terrain et les
transmettre ses acteurs. Cette transmission ncessite une forme particulire dchange de
messages entre les entits du systme et doit respecter certains standards. Dautre part, la
rcupration de donnes partir dautres systmes dinformations doit prsenter une certaine
forme dintelligence.

- L'volutivit des systmes: Ayant une structure dynamique, les acteurs doivent pouvoir
sinscrire ou quitter la chane logistique tout moment. Dans tous les cas, notre systme ne
doit pas tre affect dans sa globalit. En effet, il doit permettre une inscription et une
dsinscription automatique des acteurs logistiques sans avoir modifier le code source ou
mme redmarrer le systme. Ceci est fait dans loptique davoir une meilleure fiabilit en
cas de perturbation.

- La distribution et l'incompltude de l'information: Un acteur logistique va devoir accder


des informations incompltes et partages le long des frontires du systme.

- Les capacits dcisionnelles: Apprentissage et raisonnement sont ncessaires la prise de


dcision individuelle et collective pour les acteurs. Ils doivent tre dots de capacits de
raisonnement, pour pouvoir acqurir ou modifier les connaissances et ceci en interaction avec
lenvironnement.

- Calcul complexe : La rsolution des problmatiques de positionnement optimis et de


lacheminement des ressources suite des perturbations ncessite lapplication dalgorithmes
complexes et une adaptation au calcul et la rsolution de problmes.

III.2.4 Choix stratgiques


Sans surprise, nous remarquons que les trois technologies rpondent la premire contrainte
savoir la communication entre SI. Mais leur forme dchange de messages diffre.
Comme prcis prcdemment, nous sommes confronts deux types de transfert de
messages :
Un transfert intra-systme : qui consiste dans les transferts de messages entre les diffrentes
entits du systme.

83
Un transfert inter-systme : qui consiste dans les transferts de messages entre notre systme et
les autres systmes dinformations.
Sachant que larchitecture agent est la plus dveloppe en matire de transfert de message
puisquelle na pas besoin de connatre linterface de son interlocuteur contrairement
larchitecture composant et service, nous estimons que cette technologie est la plus adapte
notre problmatique. Nous sommes donc tents de lutiliser dans les deux formes dchange
de messages de notre systme. Cependant, pour les SI qui nutilisent aucune des architectures
cites, il serait peut-tre plus simple de mettre en place une offre de service (WS) permettant
laccs leur calculateur que de concevoir une architecture multi-agent offrant le mme
service.
En conclusion, nous prconisons donc lutilisation de larchitecture multi-agent en interne du
systme pour lchange des messages intra-systme, et des WS pour lchange de messages
avec les SI (inter-systmes).
Concernant la deuxime contrainte, larchitecture multi-agent est encore la plus adapte ce
type de problme. En effet, grce la souplesse et lintelligence de ses agents, lvolutivit du
systme est facilite. Larchitecture base de services, de son cot, apporte un dynamisme qui
se traduit par la dcouverte et linvocation des services qui peut tre trs utile pour une
adaptation aux SI, mais ceci reste trs rigide (pas dadaptation automatique) et ncessite un
effort de dveloppement supplmentaire en plus de la difficult dintgration chaud.
Notre systme doit permettre lintgration de nouveaux acteurs ou de les dsinscrire sans
arrter le fonctionnement global du systme. Dans le cadre de larchitecture base de
composants, les nouveaux composants doivent tre conus en amont et ensuite implments
avec le systme ce qui rend lintgration de composants chaud difficile. Les agents quant
eux peuvent tre implments indpendamment les uns des autres et il est, par consquent,
trs simple de dmarrer ou darrter un agent lorsque le systme tourne sans aucun impact sur
le fonctionnement global. Enfin, notre problmatique nous impose lexcution dun processus
doptimisation global, et donc des mthodes de rsolution, dans un environnement distribu.
Dans ce genre de contexte, diffrentes entits doivent excuter des instructions
indpendamment des autres et communiquer entre elles par la suite pour regrouper les
diffrents rsultats dans une rponse globale. Les trois architectures permettent cette approche
avec un lger dsavantage pour lapproche service qui par concept nest pas destine au calcul
algorithmique et dune manire gnrale nest pas lhbergeur idal pour une masse de calcul.
Les deux autres technologies, quant elles, sont trs utilises dans la recherche algorithmique
distribue.

84
III.2.5 Principales mthodes existantes base dagents
Dans cette section, nous allons prsenter les principales mthodes orientes agent. Chaque
mthode sera dcrite brivement puis nous examinerons plusieurs axes de comparaison. Ces
mthodes, pour la plupart, sont disponibles en ligne, les outils associs tant le plus souvent
libres.

III.2.5.1 ADELFE
ADELFE (atelier de dveloppement de logiciels fonctionnalit mergente) est ddie des
systmes multi-agents trs spcifiques : auto-organisateurs par coopration. Les concepts
manipuls par ADELFE sont directement issus des AMAS (adaptive multi-agent systems)
(Georg et al., 2003). En effet, ladaptation du systme est obtenue par interactions
coopratives entre les agents autonomes ayant des buts locaux. Ces derniers sont intgrs dans
le module de comptence des agents. De mme, les croyances peuvent tre vues comme des
reprsentations, qui sont forcment locales et relatives. Lautonomie dun agent est assure
par lencapsulation des comptences et des reprsentations dans les modules de lagent, ainsi
que par laccs priv aux dcisions de lagent qui garantit la proactivit. La ractivit des
agents est obtenue par lutilisation de machines tats finis pour transcrire les comportements
dynamiques et sociaux. Les interactions sont en effet prises en compte dans le module
dinteraction via les actions et les perceptions.
ADELFE utilise UML (unified modeling language) et AUML (agent UML). Les agents sont
vus comme des agents strotyps possdant des attributs et oprations strotyps en
fonction des modules. La prise en compte de la complexit ne passe que par la structuration
en paquetages, modles et sous-systmes, mais nest pas aussi efficace que dans Gaia ou
MaSE.

III.2.5.2 Gaia
Gaia se veut tre gnrale, applicable nimporte quel domaine et comprhensible par la
distinction entre macro-niveau et micro-niveau. Les agents modliss, pouvant tre
htrognes, sont des systmes computationnels gros grain, qui vont essayer de maximiser
une mesure de qualit globale. Toutefois, Gaia ne prend pas en compte les systmes admettant
de rels conflits. Lorganisation (dune centaine dagents environ) est clairement statique dans
le temps, de mme que les services offerts par les agents.
Gaia manipule six modles danalyse et de conception diffrents :
le modle de rle, qui identifie les diffrents rles devant tre jous par les agents du
systme ;

85
le modle dinteraction qui dfinit les protocoles de communication entre agents ;
le modle dagent qui attribue les rles aux diffrents agents du systme ;
le modle de service qui dfinit, comme son nom lindique, les diffrents services offerts par
le systme, et les agents tributaires ;
le modle dorganisation qui dfinit la structure de lorganisation grce des graphes
orients reprsentant les voies de communication entre agents ;
le modle environnemental qui dcrit les diffrentes ressources accessibles caractrises par
les types dactions que les agents peuvent entreprendre pour les modifier.

III.2.5.3 INGENIAS
INGENIAS (Gomez, 2002) est la continuit du projet MESSAGE (methodology for
engineering systems of software agents) qui tend la notation UML et sintgre dans lUSDP
(unified software development process).
Dans INGENIAS, les concepts agents sont manipuls dans des vues (ou modles) :
la vue de lorganisation montre les entits concrtes dans le systme et son environnement,
et la relation de haut niveau comme lagrgation, le pouvoir ou les accointances (qui implique
la dfinition dinteractions) ;
la vue des buts/tches montre les buts, les tches, les situations et les relations entre eux. Les
dpendances temporelles peuvent tre dfinies, ainsi que les dpendances dordre
compositionnel ;
la vue des agents/rles associe les rles aux agents, en spcifiant les vnements
dclenchant lattribution de rles aux agents et les ressources exploites ;
la vue des interactions dfinit, pour chaque interaction agent/rle, linitiateur, les
collaborateurs, les motivateurs , les informations changes, les vnements dclenchant
les interactions, et les autres effets possibles comme lattribution de nouveaux rles par
exemple ;
la vue du domaine est une vue classique en analyse oriente objet qui dcrit le domaine
dapplication du systme en termes dentits et de relations entre elles.

III.2.5.4 MaSE
MaSe, pour Multiagent Software Engineering, propose une approche complte pour le
dveloppement des systmes multi-agents. Cette approche couvre toutes les tapes de
lanalyse jusquau dploiement. Dans cette mthodologie, et comme dans Gaia, lautonomie
des agents est assure par lencapsulation des fonctionnalits dans les rles. Elle utilise des
techniques de modlisation directement inspires de la conception objet, savoir de lOMT

86
(Object Modeling Technique) et UML (Unified Modeling Language). Deux tapes principales
composent cette mthodologie :
- Lanalyse qui consiste identifier les rles et les cas dutilisations, crer les
diagrammes de squences et transformer les buts en ensembles de rles.
- La conception qui a pour but dassigner les rles des classes dagents spcifiques, de
dfinir les classes internes des agents et la structure finale du systme.

Cependant, les architectures dveloppes avec MaSE sont statiques, fermes et ne permettant
pas de dfinir des socits grand nombre dagents. O-MaSE (Organization based
Multiagent Software Engineering), une extension la mthodologie MaSE, la complte par la
dimension dorganisation, et dfinit un mta-modle permettant aux agents dadapter leur
organisation lexcution (DeLoach, 2005).

III.2.5.5 PASSI
PASSI (Process for Agent Societies Specification and Implementation) est une mthode
intgrant des modles de conception et concepts inspirs de lingnierie oriente objet
(Cossentino, 2001). PASSI rutilise fortement UML et manipule beaucoup de concepts
communs aux agents en y rajoutant des notions propres FIPA. Ces notions sont encapsules
dans cinq modles : le modle des besoins, le modle de socits dagents, le modle
dimplmentation dagent, le modle de codage et le modle de dploiement. Cest une
mthode pouvant sappliquer nimporte quel domaine, mais plutt oriente agents mobiles.

III.2.5.6 Prometheus
Prometheus est le fruit dune exprience de programmation avec la plateforme JACK,
dveloppe par Padgham (Padgham, 2003). Cette mthode reprend les mmes concepts que
dans Gaia ou MaSE. Par contre, bien que la notion de socit soit avance, les notions de
rles sont inexistantes et leurs gestion non aborde. Un point positif par rapport aux autres
mthodes est la notion dincident pouvant survenir en cours de fonctionnement.
Le processus de Prometheus se dcompose en trois tapes :
- La spcification du systme : identification des buts et sous-buts du systme en
utilisant des scnarios de cas dutilisation, dfinition des donnes de travail, etc.
- La conception architecturale : spcification des interactions, donnes et perceptions
des agents travers un diagramme de vue et des diagrammes de squences, etc.
- La conception dtaille : spcification de la vue interne des agents en prcisant les
composantes internes, capacits, plans, croyances et donnes, etc.

87
Prometheus gre une grande partie du cycle de dveloppement, contrairement aux phases de
test, validation et dploiement qui sont presque absentes. Cest une mthode qui convient plus
des applications orientes utilisateurs et moins la rsolution de problmes ou la
simulation.

III.2.5.7 Comparaison des diffrentes mthodes


Bernon propose une synthse de la comparaison des mthodes prsentes dans le tableau1.
ADELFE Gaia MaSe INGENIAS PASSI Prometheus
Adaptation ++ + -
Autonomie + + + + + +
Buts + ++ ++ ++
Croyances + + - + ++
Dsirs - ++ + ++ ++
Interaction/Message ++ + ++ ++ ++ ++
Rle + ++ ++ ++ ++ -
Modularit ++ ++ ++ ++ +
Tableau III. 1 Synthse de la comparaison des diffrentes mthodes

Lgende : (++) pour les proprits pleinement prises en charge ; (+) pour les proprits prises en charge de manire
indirecte ; () pour les proprits potentiellement prises en charge ; (-) pour les proprits non prises en charge.

Nous pouvons constater que les interactions ou les notions dagents sont communment
abordes. Lautonomie reste une moyenne de + seulement. Globalement, et suivant une
lecture selon laxe verticale, un premier constat est quaucune mthode nest parfaite dans ce
sens. Chaque mthode possde des spcificits en termes darchitecture, de formalisme ou de
modles. INGENIAS est assez gnrale et convient tout type de contexte et propose un
processus et des notations riches et expressives, utilisant largement les notions dUML.

Ainsi placs dans un contexte dintelligence artificielle distribue, nous verrons dans ce qui
suit la manire dont les fonctionnalits du systme propos ont t dispatches sur les
diffrentes entits impliques. Pour cela, une modlisation base sur les agents est
pralablement spcifie.

III.3 OBAC : Une architecture propose base dagents communicants


Dans nos travaux nous nous intressons tout dabord la technologie UML qui est un langage
de modlisation favorisant la conception et la programmation orientes objet aussi bien que la
modlisation agent ; passage obligatoire pour la dfinition dune architecture logicielle
approprie. Dans ce qui suit, nous dfinissons les notions de base relatives au concept objet
avant dintroduire larchitecture propose pour la modlisation de notre systme et par la

88
suite dtailler limplantation du concept multi-agent. Les comportements des diffrentes
entits ainsi dfinies, voluant dans lenvironnement propre la gestion de crise, sont
prsents laide de la modlisation ici adopte.

III.3.1 Notions lmentaires

III.3.1.1 Objet
Un objet est toute entit ayant un sens dans une application quelconque du monde rel. Il
sagit dun conteneur symbolique qui peut reprsenter une entit physique (e.g. un individu,
un priphrique dordinateur ), un concept (e.g. un processus, un procd danalyse de
donnes, ) et toute chose visible et tangible (un matriel, une substance, un produit)
qui possde sa propre existence (Shlaer & Mellor, 1988). Il incorpore des informations et des
mcanismes en rapport avec lentit du monde rel manipule. Toute la technologie objet, la
modlisation et programmation orientes objet tournent autour de ce concept central.

III.3.1.2 Modlisation Objet


La modlisation objet consiste reprsenter selon un modle bien dfini en informatique les
lments de lenvironnement rel du problme reprsent par le systme (Wirfs-Brock et al.,
1990). Cette modlisation est, dans le cas gnral, indpendante des outils de programmation
mis profit pour le dveloppement logiciel du systme en question. La conception objet
revient donc dterminer les objets prsents (i.e. reprsentant les lments voluant dans
lenvironnement) et isoler leurs donnes et les fonctions qui les utilisent et en crer des
prototypes ou classes pour les reprsenter.
De multiples langages ont ainsi merg pour dfinir les modles et patrons de conception
pouvant tre utiliss pour modliser un problme quelconque. Plus de 50 mthodes objets ont
t proposes par diffrents analystes entre 1970 et 1994. Cependant, trois seulement se sont
rellement distingues. Il sagit des trois mthodes dfinies dans la suite : OOSE, Booch et
OMT qui ont donn lieu par la suite au Langage de Modlisation Unifi (UML : Unified
Modeling Language).

III.3.1.3 Classe
Une classe est un modle (template), une reprsentation abstraite dun ensemble dobjets
ayant des attributs et mthodes communs. Un objet est dit instance dune classe. Il hrite des
caractristiques (i.e. attributs) et comportements (i.e. mthodes) dun prototype bien
dtermin. Une classe reprsente ainsi toutes les choses ayant les mmes caractristiques
et suivant les mmes rgles. Elle se rfre donc un ensemble dobjets ayant :

89
- des proprits similaires
- des comportements communs
- et les mmes relations

III.3.2 UML : Langage de Modlisation Unifi


Unified Modeling Language ou langage de modlisation unifi permet de modliser un
problme de manire standard. Il sagit dun langage mettant en place un bon nombre de
diagrammes pour la modlisation graphique de lensemble des donnes et traitements intgrs
au niveau du systme concevoir. Ce langage a t propos pour runir, unifier et fusionner
trois autres mthodes de modlisation objet, savoir OMT, Booch et OOSE.
Normalis par lOMG en 1997, UML dfinit formellement lapproche objet tout en lui
donnant une dimension mthodologique en se basant sur une multitude de vues du systme
illustres travers la Figure suivante.

Figure III. 3 Les diffrentes vues dUML

Les vues dcrivent lensemble du systme dun point de vue organisationnel, architectural,
dynamique, temporel, logique, gographique, etc. Chacune comporte un ou plusieurs
diagrammes qui sont au nombre de 13 dans le langage UML dans sa version 2.3. Chaque
diagramme est class sous une catgorie bien particulire, nous en distinguons 3 en tout :

1. Diagrammes structurels ou statiques : runissent au total 6 diagrammes : de classes, de


composants, dobjets, de structure composite, de dploiement et de paquetage.

2. Diagrammes comportementaux : regroupent les diagrammes de comportement, dactivits


et dtats-transitions.

3. Diagrammes dinteraction ou dynamiques : modlisent les changes inter-objets et se


rfrent aux diagrammes de squences, de communication, de temps ou encore le diagramme
global dinteraction.

90
UML ntant pas une mthode, le choix des diagrammes revient lapprciation de chaque
concepteur. Nous nous intressons particulirement au diagramme de classes plac sous le
signe de la structure statique. Ce type de diagramme sera mis profit afin de dfinir
larchitecture logicielle de notre systme.
Aussi un deuxime type de diagrammes relatif aux diagrammes comportementaux est utilis
pour la modlisation du fonctionnement des diffrents agents inclus dans larchitecture en
question. Afin de modliser le comportement (i.e. rle) de chacun de ces agents, nous avons
opt pour les diagrammes dactivit pour en faire ressortir les diffrents reliefs. Un troisime
type de diagramme UML correspondant aux diagrammes de squences class sous la
catgorie des diagrammes dinteraction sera mis profit pour dfinir les changes et
communications inter-agents afin den modliser les coalitions ayant lieu dtre.

III.3.3 De la modlisation Objet vers la modlisation Agent


Une conception base sur les agents peut tre vue comme un style architectural qui drive de
la modlisation objet. En effet, l'architecture agent est le produit du passage du composant
objectif vers le composant projectif. Un objet tant dfini comme tant un composant passif
puisquil est pourvu dun ensemble dattributs et de mthodes travers lesquels il peut tre
manipul. Il offre ainsi un ensemble de services et utilise dautres objets afin de raliser ses
propres fonctionnalits.
De manire quelque peu similaire, un agent utilise dune faon intelligente les autres agents
pour raliser ses objectifs. Paralllement lchange de messages entre objets pour tablir les
interactions possibles pouvant les relier, les agents communiquent de par ltablissement dun
support pour dialoguer grce un protocole de communication facilitant ainsi lenvoi et la
rception de messages, la ngociation et lchange dinformation dans un contexte de
coalition inter-agent.

III.4 Architecture propose base dagents communicants pour la gestion de


crise
Dans le but essentiel de contrecarrer les problmes de complexit exponentielle, nous nous
proposons de mettre en place un systme de rsolution qui se base sur la dcomposition du
processus global en un ensemble de tches moins complexes sexcutant en parallle. Cette
ide de base se traduit par la mise en place dune architecture logicielle distribue o le
problme initial est dcompos en plusieurs sous-problmes auxquels sont associs des
processus plus ou moins indpendants. Dans un contexte de multi-threading , ces

91
processus excutent en parallle et de manire autonome une ou plusieurs requtes ou sous-
requtes favorisant ainsi le traitement instantan et parallle des demandes de livraisons des
zones sinistres. Le concept multi-agent est favorable la mise en place dune architecture
dynamique distribue. Ainsi, dans le but dtablir un traitement optimis efficace et lger en
termes de complexit, nous nous proposons de mettre en place un systme multi-agent. Ce
systme baptis OBAC pour Optimisation Base dAgents Communicants est pourvu dune
multitude de fonctionnalits impliques dans le processus doptimisation du fonctionnement
la chane logistique et de la rponse face la crise. Parmi ces fonctionnalits, nous retrouvons
entre autre le positionnement des zones logistiques, le traitement parallle des requtes de
livraisons de ressources, et lestimation optimise des besoins.

LOMA (Organisation Multi-Agent) propose est dynamique, de type socit, elle considre
chaque acteur de la CLGC comme un agent autonome, capable dchanger des informations
avec les autres acteurs. Dans notre CL, les acteurs sont nombreux et varis. De multiples
modlisations sont envisageables. Cependant, elles font toutes intervenir les diffrentes zones
de la chane logistique, et les modlisent travers un ou plusieurs agents, que lon appellera
agents gestionnaires de ces zones. Ainsi, les changes dinformation, les changes de
marchandises entre zones, vont avant tout rsulter dune communication directe ou indirecte
entre les agents gestionnaires des zones.
Pour rsoudre le problme dcrit prcdemment, nous proposons un systme dynamique et
ouvert, bas sur linteraction de plusieurs types dagents logiciels qui vont aider au bon
droulement des changes de flux physiques et informationnels : Les agents Zones, lagent
Transport, lagent Intgrateur Evaluateur, lagent Mto, les agents Interfaces GUI et lagent
Veille. Les agents Interfaces jouent le rle dinterface entre les utilisateurs et le systme, les
agents zones sont responsables des zones logistiques et soccupent des ordonnancements des
tches de livraison en local, lagent Transport gre lensemble des vecteurs de transports de la
chane logistique, lagent Intgrateur Evaluateur soccupent de lvaluation et la composition
des plans de livraison finaux et lagent Mto fournit des informations concernant les
conditions mtorologiques.
Un autre type dagent intervient dans le fonctionnement de la CLGC : lagent NEA (Need
Estimating Agent) qui a pour rle destimer les consommations aux niveaux des zones
sinistres.

92
Figure III. 4 Organisation Multi-agent propose

Comme le montre la Figure III.4, des flux de donnes sont changs entre les diffrents agents
aidant la bonne marche du systme dans un contexte de synchronisation vident. Chacune
des entits impliques dans ce processus est pourvue dun rle bien dfini dans le processus
global. Lensemble de ces entits est dfini dans la suite, avec un descriptif dtaill de leurs
fonctionnements (Kaddoussi et al., 2012-a).
Lorganisation de notre systme est illustre dans la figure III.5.

Figure III. 5 Architecture du systme

III.4.1 Agent zone


Chaque zone est assimile un agent: lagent-zone. Les flux dinformations, de matriels et
humains circulent dans les 2 sens. Un agent-zone peut communiquer avec un agent du mme

93
niveau ou un agent un niveau suprieur/infrieur hirarchiquement. Chaque agent zone est
dot dun ensemble de comportements qui participent au bon fonctionnement de la chaine
logistique de gestion de crise. Parmi ces comportements, nous citons le comportement
anticipateur, le comportement ngociateur et le comportement ordonnanceur. Lensemble de
ces comportements sera dtaill dans le chapitre suivant. Un agent zone a une dure de vie
limite dans le temps. En effet, il est cr au dclenchement de la crise mais ds quil y a un
retour la stabilit et la situation davant crise, cet agent sera dtruit. Un agent zone pourra
aussi tre dplac si la situation sur le terrain limpose. La problmatique de positionnement
optimis des zones logistiques sera dtaille dans le chapitre 4. Un agent zone est dot des
proprits suivantes :
- Agent organisationnel ;
- Chaque zone de la CL est reprsente par un agent zone ;
- Fournit les noms et les adresses des zones suprieures et subordonnes ;
- Fournit les besoins de la zone concerne et zones subordonnes ;
- Fournit le stock de scurit.
- Fait appel une mthode de rsolution pour ordonnancer les livraisons des
marchandises vers ses zones subalternes.
Les agents-zones sont de 4 types. Ils constituent ce que nous appelons une population
dagents zones.
- Agent Mtropole : cest un agent fixe qui gre toutes les ressources de la zone
Mtropole. Il dispose dun stock de dpart trs important et il joue le rle du
fournisseur de toute la CLGC ;
- Agent ZRR : zone de regroupement de ressources. Cest un agent dynamique qui est
cr seulement en cas de crise. Au niveau de cet agent, les ressources seront
regroupes pour tre affectes aux diffrents moyens de transport possibles. Cest le
deuxime maillon de la CLGC. Lopration qui consiste ramener les ressources de la
mtropole jusqu lagent ZRR est appele le pr-acheminement. Il sagit
gnralement de zones de regroupement des marchandises en attente dexpatriation en
dehors des frontires franaises ;
- Agent ZI : zone intermdiaire. Lorsque la distance entre la zone de regroupement de
ressources et la zone sinistre est importante, une zone logistique intermdiaire est
place et un agent zone intermdiaire est crer pour grer cette zone.
- Cet agent est cr par lagent ZRR ;
- Il cre autant dAgents zones terminales que de zones sinistres.

94
- Agent ZT : zone terminale
- Il reprsente la zone sinistre ;
- Cest au niveau de lagent ZT que la consommation de ressources est la
plus alatoire.
Le diagramme dactivits de lagent Mtropole est reprsent dans la figure III.6 suivante.

1
Figure III. 6 Diagramme dactivits de lagent Mtropole

III.4.2 Agent Transport


Lagent Transport soccupe des transports de marchandises et informe les zones quelles
viennent de recevoir un colis. Lorsquune zone dcide denvoyer des marchandises une
autre zone, lagent Transport en est inform. Il affecte alors le moyen de transport ncessaire
la livraison et attend un certain nombre de jours, qui correspondent au dlai dacheminement,
puis il informe la zone rceptrice quun colis est arriv. Finalement, cet agent soccupe de
lacheminement des marchandises, et peut tre assimil aux quipes logistiques grant les
camions, bateaux et autres vhicules transportant les ressources voulues.
On remarque que les moyens disponibles pour transporter les marchandises en dehors de la
frontire franaise vers le pays en besoin sont multiples. Selon les destinations et les dlais
impartis, le choix peut se porter sur la voie routire, maritime ou encore arienne. Ce dernier
choix est en particulier motiv par lurgence de la livraison, au dtriment du cot de
lopration. Ce changement de mode de livraison peut galement se faire sur le terrain. Par
exemple, nous pouvons imaginer des livraisons par hlicoptre au lieu dune livraison
classique en camion, lorsque l'urgence se fait sentir.

95
III.4.3 Agent Intgrateur Evaluateur
Cet agent a pour rle de composer un planning global pour lacheminement des ressources
tout le long de la CLGC, partir de planning locaux reus de la part des agents zones.
En effet chaque agent zone responsable de zones subalternes va excuter un algorithme
doptimisation bien dfini, lequel est implant dans son cur. Les agents ordonnancent leurs
tches localement dans la zone dont ils sont responsables pour ensuite transfrer leurs
solutions lagent Intgrateur Evaluateur.
Ds lors quun ensemble de solutions est gnr par le systme, lagent Intgrateur Evaluateur
va devoir identifier les paramtres concerns par chaque solution reue, identifier la nature de
la rponse (valide ou pas) et agir en consquence. L'agent Intgrateur Evaluateur utilise des
indicateurs de performance pour vrifier la validit des solutions. En cas de non validit dune
solution locale, lagent Intgrateur Evaluateur slectionne l'agent zone concern et le contacte
pour une demande de rajustement.
De plus amples dtails sur la manire suivant laquelle est men le traitement optimis des
tches de livraison sont donns avec une description complte des algorithmes allous cet
effet dans le chapitre IV.

Figure III. 7 Diagramme dactivits de lagent Intgrateur Evaluateur

III.4.4 Agent Estimateur de Besoins (Need Estimating Agents : NEA)


Lagent estimateur de besoin Need Estimating Agent (NEA) est un agent holonique ou
encore un sous-systme multi-agent dont le rle est de fournir une estimation de la
consommation venir dun site logistique. Sur une base logistique, il est important de

96
maintenir ses stocks au-dessus dun certain seuil critique. Il est possible davoir une ide de
cette consommation, mais en cas de modifications de certains paramtres, un pic de
consommation par exemple dans le cas qui nous proccupe, cette consommation peut varier
normment. Lobjectif du NEA est dallier lexpertise des personnes habitues dterminer
ces consommations, avec des corrections suivant certains paramtres environnementaux que
nous obtenons partir dune base de donnes retraant les anciennes CLGC et leurs
conditions. Lagent NEA scrute donc, de la couche terrain, les informations sur le climat et le
nombre de personnes et utilise les modles destimations dvelopps dans la couche
mathmatique pour simuler et anticiper la variation du phnomne de consommation au
niveau des zones logistiques.
Nous dcrivons dans ce qui suit le comportement du NEA ainsi que lvaluation des
consommations dans une CLGC et lorganisation de NEA.

III.4.4.1 Comportement du NEA


Lagent estimateur est appel par la ZT laquelle il est rattach, afin de fournir une
valuation des besoins de la zone ;
Lagent estimateur contacte lagent mto, qui lui fournit toutes les informations utiles sur
lhumidit et la temprature dans les 7 jours venir ;
A partir de ces informations, il dtermine en logique floue un coefficient dhandicap, qui
reprsente la rigueur des conditions climatiques, et qui correspond donc un besoin en
ressources supplmentaires ;
En tenant compte de la population prsente (consommation moyenne des soldats) et du
coefficient de handicap pour chaque jour, lestimateur obtient une premire valeur, appele
valeur prconise non optimise, du besoin en ressources de la zone ;
Puis lagent estimateur effectue une correction de cette valeur, en tenant compte du pass en
matire destimations, et des diffrences entre valeur estime et valeur relle pour les jours
prcdents. Nous avons amlior les modles destimation linaires existants dans la thse de
(Zoghlami, 2008) en intgrant un estimateur bas sur le modle ARMAX, modle qui a
prouv tre plus gnrique et mieux adapt aux situations de crise. Une estimation base du
modle ARMAX est ainsi ralise. A la suite de cette correction, lagent estimateur obtient
une deuxime valeur, appele valeur prconise optimise (Kaddoussi et al., 2012-b) ;
Une fois que la journe est passe, la ZT constate la quantit de marchandises consommes.
On informe lagent estimateur de la valeur relle. Cela permet lestimateur de choisir le
mode destimation le plus performant, et le plus proche de la ralit, figure III.7.

97
Figure III. 8 Fonctionnement gnral de lagent NEA

- Evaluation base sur la logique floue des consommations dans une CLGC :
A partir dune consommation moyenne fixe de ressources journalires pour un soldat donn,
lide est danticiper une surconsommation ou sous-consommation en fonction des conditions
climatiques venir.
Il sagit dune mthode base sur la notion de sensation, qui permet de tenir compte de
plusieurs paramtres permettant daboutir une estimation. Pour effectuer ces estimations, il
est ncessaire de fixer un certain nombre de classes, et de zones permettant de visualiser les
degrs de confiance accords chacune des sensations. Cette mthode est divise en trois
tapes :

a) La fuzzification :
La fuzzification est la conversion numrique / linguistique des variables d'entre. Pour notre
application, nous proposons de prendre en compte les valeurs de la temprature et de
l'humidit dans la zone considre pour rgler la consommation moyenne de la ressource
(exemple : vtements) et de fournir une estimation prcise des besoins futurs dans cette
ressource.
Considrons le cas de la temprature: cette variable dentre peut tre divise en trois classes :
Froid, Tempr, Chaud. Prenons lexemple suivant : en dessous de 15C, nous considrons
quil fait froid ; entre 18C et 22C, il fait moyen ; et au-dessus de 25C, il fait chaud.
Toutefois, entre 15C et 18C, il fait de moins en moins froid et de plus en plus tempr. De
mme entre 22C et 25C, il fait de plus en plus chaud et de moins en moins tempr. Cette

98
tape de paramtrage des classes est ralise en concertation avec les logisticiens dEADS. En
effet, selon la localisation gographique, la saison, etc., ces valeurs peuvent tre changes.
Une fois ces valeurs et le nombre de sensations diffrentes fixs, nous pouvons alors, pour
une temprature T donne, dterminer son degr d'appartenance dans les trois classes (froid,
tempr et chaud). On obtient ainsi le graphe de sensation, dit fonction dappartenance, de la
temprature, suivant :

Figure III. 9 Les fonctions dappartenance aux trois classes Froid, Tempr et Chaud

Nous procdons de la mme manire pour lhumidit.

b) Linfrence floue
L'infrence floue nous permet de dvelopper une dcision en utilisant les rgles de dcision.
Ces rgles sont bases sur des expriences passes et traduisent l'influence de la mto sur la
consommation de vtements. Les rgles de dcision sont dcrites par des termes linguistiques.
La relation entre la temprature, l'humidit et la variation de la quantit moyenne de
vtements destins tre consomms sont rsumes dans le tableau III.2. Ce tableau se lit de
la faon suivante : Si Temprature est Froid et Humidit est Sec Alors Consommation
est Forte . Les rgles d'infrence dcrivent de ce fait l'influence des conditions climatiques
sur la consommation moyenne de vtements. (Y aura-t-il une consommation moindre, une
surconsommation ou allons-nous maintenir la consommation moyenne?).

Froid Tempr Chaud


Sec Forte Faible Faible
Tempr Forte Moyenne Faible
Humide Forte Moyenne Moyenne
Tableau III. 2 Rgles dinfrence

c) La dffuzification
La deffuzzification est la conversion linguistique / numrique des diffrentes variables. La
mthode utilise dans notre application est la mthode du centre de gravit.
Variable de sortie : Variation de la consommation moyenne.

99
Nous classons la variation de la consommation moyenne de vtements en trois classes: Faible,
Moyenne et Forte.
- Classe n1 Faible : une sous-consommation par rapport la moyenne;
- Classe n2 Moyenne : la consommation moyenne est maintenue ;
- Classe n3 Forte : une surconsommation par rapport la moyenne.
La matrice d'infrence va alors dfinir les degrs d'appartenance chacune de ces classes, en
fonction de la valeur relle de la temprature et de l'humidit.

Figure III. 10 Les fonctions dappartenance aux trois classes Faible, Moyenne et Forte

Le rsultat de lestimation ralis par la logique floue permet donc daffiner lestimation de la
consommation par rapport la consommation moyenne. Lintrt de la deuxime tape
destimation est de pouvoir prendre en compte lhistorique des consommations pour rajuster
la valeur obtenue par cette estimation par rapport aux antcdentes.

- Lidentification paramtrique par modle ARMAX pour lestimation des besoins


L'intrt de la deuxime tape de l'estimation est de prendre en compte l'historique des
mesures et des consommations afin de redresser la valeur obtenue par la premire phase
destimation floue et obtenir ainsi un modle mathmatique qui reprsente le phnomne
tudi.
Le NEA est un moteur de calcul qui fonctionne par apprentissage, de telle sorte que, plus il
calculera destimations, plus celles-ci seront prcises. Pour ce faire, l'NEA utilise les valeurs
obtenues par calcul floue, les valeurs relles de consommation enregistres dans le pass et
lerreur obtenue pour amliorer les calculs futurs. Nous proposons dutiliser lestimateur
ARMAX pour identifier le modle mathmatique qui reprsente le phnomne mesur.
Le modle ARMAX est adapt pour les sries temporelles sans tendance et sans saisonnalit.
Il sagit de la gnralisation du modle ARMA, qui est capable d'incorporer une variable
dentre externe (X). Le modle ARMAX scrit sous la forme suivante:

# $ F9 % & ' () D*F9 + +) D,F9 + -) D.F9

100
o y est un vecteur des variables de sortie observes (ce qui correspond aux quantits relles
de ressources consommes sur le terrain la fin de la journe de calcul), x est un vecteur des
variables d'entre (dans notre cas, x est gal au vecteur des variables d'entre obtenu aprs la
phase de calcul flou), e est un vecteur de perturbation (bruit blanc) et A, B et C sont des
matrices polynomiales de la dimension approprie.
Les tapes du processus didentification sont comme suit :
a) Identification du modle: pour construire le modle ARMAX, il est ncessaire
d'identifier ses diffrents paramtres. Pour ce faire, nous utilisons lalgorithme des
moindres carrs rcursif (RLS).
b) Model checking: Pour valuer l'efficacit du modle mis en uvre, nous utilisons le
critre d'information d'Akaike (AIC). tant donn un ensemble de modles candidats
pour les donnes, le modle prfr est celui avec la valeur minimale AIC. Dans le cas
gnral, l'AIC scrit :
3F % &
/01 ' D 23 456F789  % D
:
o l est le nombre de paramtres dans le modle statistique, 789 est la valeur de la
fonction de vraisemblance pour le modle estim et M le nombre de mesures. Le
critre prend en compte la fois la pertinence statistique de l'ajustement et le nombre
de paramtres qui doivent tre estims pour atteindre le niveau de cet ajustement, en
imposant une pnalit pour laugmentation du nombre de paramtres.
c) Estimations: c'est l'tape de l'extrapolation des donnes travers le modle retenu.
*Algorithme gnral :

101
Initialiser le nombre maximum de variables ;D  ;D  ;D : na, nb, nc
Initialiser 3, 4(0), Q(0), 5(0) ,... ,5(n) = 0
Pour i = 0 jusque na
Pour j = 0 jusque nb
Pour k = 0 jusque nc
Faire pour une tape n
Calculer 4(n) pour le modle avec la fonction RLS:
#F9 % & ' < #F9 % D = #F9 2 D& % D 9 #F9 2 3 % D > % D ? #F9 2 8 D
%D< @F9 % D = @F9 2 & % D 9 @F9 2 3 % D > % D 6A8D @F9 2 B
%D< BF9 % D = BF9 2 & % D 9 BF9 2 3 % D > % D 6ACD BF9 2 D
Retourner 4(n), Q(n), 5(n) ;
Calculer lAIC correspondant ce modle avec la fonction AIC ;
Retourner AIC ;
AIC_min, 4_min, Q_min, 5_min initialiss pour i = 0, j = 0, k = 0 ;
Si AIC < AIC_min
AIC_min = AIC ;
4_min = 4 ;
Q_min = Q ;
5_min = 5 ;
Fin ;
Fin ;
Fin ;
Fin ;
Retourner : AIC_min, 4_min, Q_min, 5_min ; Calcul de y* ;

III.4.4.2 Organisation de lNEA


Nous avons considr que le SMA devait tre intgralement autonome, et donc navoir pour
seule communication extrieure que les requtes quon peut lui faire, ainsi que lenvoi des
rsultats obtenus. De plus, nous avons cr lintrieur mme du systme une structure de
mmorisation de lhistorique. Cette mmorisation est volatile, cest--dire quelle est
rinitialise lorsquon arrte le systme. Le systme sorganise autour de trois organes
principaux :
a) Le premier organe est une interface de test qui nous permet de manipuler le NEA et
ainsi vrifier son comportement.

102
Figure III. 11 Interface de lagent Test

b) Le second organe est la structure responsable du stockage des donnes, appel


Transaction DB. Son rle principal est de mmoriser ou de mettre jour les
transactions que nous lui soumettons et de les restituer en cas de demande. Une
transaction est un ensemble constitu dune demande destimation, des paramtres
ncessaires au calcul de cette estimation, du rsultat de cette estimation et dun
feedback ralis posteriori sur la qualit de lestimation.
c) Le troisime agent qui constitue lNEA est un sous-systme multi-agent, constitu de
plusieurs agents estimateurs, dont chacun applique un modle destimation diffrent.

Estimateur
ARMAX
Transaction DB
,,,,
,,,,

Estimateur i

Agent Interface Estimateur n

Figure III. 12 Organisation de lagent NEA

103
Figure III. 13 Diagramme dactivits de lagent NEA

III.4.5 Agent Mto


Lagent mto est directement li aux agents estimateurs ; il donne aux NEA toutes les
informations relatives lenvironnement de leur zone ; trois types de donnes ont t retenus :
- La temprature ambiante.
- Le degr dhumidit de la zone.
- Le nombre de civils approvisionner, prs de la zone en question.
Lagent mto fournit une estimation de ces donnes pour le jour-mme, ainsi que les 6
prochains jours, ce qui permet ainsi aux agents estimateurs de pouvoir raliser des estimations
prcises sur les besoins dune zone. En effet, on peut constater que ces trois types de donnes
correspondent exactement aux paramtres essentiels dont se servent les agents estimateurs
pour effectuer leurs estimations. Il ne leur manque quune information : le nombre de
militaires prsents dans la zone elle-mme, qui a galement sa propre consommation, et dont
lagent estimateur doit tenir compte. Cette dernire information leur est donne directement
par lagent zone duquel le NEA dpend.

104
Figure III. 14 Diagramme dactivits de lagent Mto

III.4.6 Agent GUI


Lagent GUI (Graphic User Interface) est un agent directement rattach la fentre de
contrle. Il va ainsi dialoguer avec lensemble des agents pour leur donner les ordres voulus
par lutilisateur. Il est galement charg de rcuprer des informations permettant davoir une
vision globale de la chane lcran, et finalement raliser une tude de risque [Zoghlami et
al., 07a]. Ds sa cration, lagent GUI se met en veille attendant tout vnement susceptible
de le ractiver et dclencher un processus qui lui est propre.
En ralit, il y a deux agents GUI, pour deux fentres et deux types dinterface avec
lutilisateur. La premire, correspondant la chane logistique, permet de connatre les
informations affrentes chaque zone ; la seconde correspond un retour dinformations
quant aux estimations de chaque agent estimateur. Les deux agents GUI permettent dobtenir
des informations compltes sur la localisation des marchandises un jour J, et sur ltat de la
chane logistique dans son ensemble. Le premier agent GUI permet de plus lutilisateur de
spcifier des informations comme le niveau du stock de scurit ou le temps dacheminement
des marchandises.

105
Figure III. 15 Diagramme dactivits de lagent GUI

Linteraction entre une socit dagents, compose dagents zones, dagent NEA et de lagent
Mto est illustre par le diagramme dactivits trois partitions de la Figure III.16 suivante :

Figure III. 16 Interactions entre les agents

Un exemple de comportements de la socit dagents est illustr par le diagramme de


squence de la figure III.17.

106
Figure III. 17 Diagramme de squences

Les comportements dtaills des diffrents agents, et les diffrentes mthodes de rsolution
dveloppes au cur de chaque acteur, seront dcortiqus dans le chapitre IV.

Lensemble des agents de notre chane logistique de gestion de crise, du fait de leurs
diffrentes proprits (autonomie, communication, coopration,) peuvent avoir diffrents
modes dactivits. En effet, un instant t donn, certains agents ngocient entre eux, dautres
transmettent des commandes alors que dautres ordonnancent des tches de livraison Nous
avons dgag quatre modes dactivits, selon la figure III.18.

107
Figure III. 18 Diffrents modes dactivits des agents

- Activits parallles: dans cet exemple, trois agents travaillent simultanment, de manire
non squentielle. Un agent attend la fin d'une activit pour en commencer une autre.
- Activits avec dcalage: les trois agents travaillent avec un dcalage. Un agent peut
dmarrer une nouvelle activit mme si une premire activit est encore en cours.
- Interruption: un agent-zone peut interrompre une activit dj commence, s'il reoit une
mise jour ou une activit plus urgente.
- Diffrentes dures: les activits des agents sont de dures diffrentes. Ces dures
dpendent du type de lactivit raliser (ngociation, ordonnancement, estimation).

III.4.7 Fonctionnement global du systme


Chaque jour, quatre grandes tapes permettent de rsumer les oprations pouvant seffectuer:
Rception des colis.
Consommation des marchandises.
Transmission des demandes et besoins au suprieur hirarchique.
Envoi des colis une zone subalterne.

III.3.7.1 Rception des colis


Une premire phase consiste rceptionner les colis reus par les zones.
Lagent Transport indique ce que chaque zone reoit. Cette phase est assure par des
messages changs entre les agents.
Lagent Transport indique, par le biais dun message, aux agents zones quils ont reu un
colis, en spcifiant le contenu du colis. Lagent zone indique quil la bien reu, il met jour

108
son stock, et renvoie linformation lagent GUI, afin quil puisse crire dans la fentre
graphique une ligne spcifiant la rception du colis.

III.3.7.2 Consommation des marchandises


Cette deuxime phase a pour but denregistrer la consommation des marchandises dans
chacune des zones. Cela se traduit par une baisse du stock pour toutes les zones. Chaque agent
zone indique la consommation quil a enregistre.
On peut distinguer deux parties dans cette phase.
- La communication au niveau de la chane logistique : lagent zone enregistre la
consommation son niveau, et modifie ses stocks en fonction. Il informe lagent GUI,
toujours afin que les informations soient affiches dans la fentre utilisateur.
- La deuxime partie implique lagent estimateur. En effet, pour fonctionner correctement,
lagent estimateur a besoin dun retour dinformations sur la consommation ayant rellement
eu lieu, afin doptimiser ses estimations. Ainsi, lagent zone transmet la consommation relle
lagent estimateur. Linformation est galement transmise lagent GUI du NEA, pour que
la fentre destimation puisse rdiger le rapport sur le tableau de bord, et rsumant les valeurs
optimises et relles pour la journe prcdente, et pour les diffrentes ressources considres.

III.4.7.3 Transmission des demandes


Chaque zone fait une valuation des besoins quelle aura dans les n jours venir. Ces besoins
ne correspondent pas la consommation journalire ; en effet, le besoin est une demande
denvoi de colis. Ainsi, si la zone saperoit que dans les n jours qui suivent, le stock prsent
(hors stock de scurit) ne suffira pas absorber la consommation ou les colis envoys aux
zones subalternes, alors cette zone commandera sa zone-mre un rapprovisionnement, dun
montant gal la quantit ncessaire pour retrouver son seuil de recompltement.
On part dun stock actuel, chaque jour, on effectue les modifications suivantes :
On ajoute les stocks que la zone-mre a dj envoy, et qui sont en transit ; ou bien les
promesses denvois formules par la zone-mre.
Si la zone est une ZRR ou ZI, on soustrait la quantit de marchandises que lon prvoit
denvoyer chacune des zones subalternes ce jour-l.
Sinon, cest une zone terminale, auquel cas on soustrait les marchandises correspondant au
besoin identifi par les agents estimateurs.
Si ce stade, le stock des marchandises que lon prvoit est infrieur au stock de scurit,
alors cela se traduit par des demandes auprs du suprieur, pour r-obtenir le seuil de
recompltement. Cest donc ce stade que lon dfinit les besoins dune zone. Afin de raliser

109
une estimation juste des stocks pour les jours suivants, on considrera dans un premier temps
que cette demande sera satisfaite ; ce qui sera confirm ou infirm par les promesses denvoi
qui suivront.
Linformation des demandes est une information ascendante : les zones terminales
dterminent un besoin quelles transmettent au suprieur ; ce dernier peut ainsi valuer ses
propres besoins et les transmettre lchelon suprieur, et ainsi de suite. Cest lors de la phase
suivante, envois des colis, que chaque zone dcidera denvoyer ou non les colis demands.

III.4.7.4 Envois des colis


La dernire phase est lenvoi des colis ; suite aux demandes formules par les zones
subalternes, chaque zone fait une valuation des marchandises quelle va envoyer ce jour, et
quelle prvoit denvoyer dans les jours venir. Cest particulirement cette tape
quintervient la stratgie logistique adopter : quoi envoyer, qui, et quel moment. Cette
stratgie logistique a pour but de dfinir quelle quantit de marchandises envoyer, en fonction
des paramtres suivants : les valuations des besoins de lensemble des zones subalternes pour
chaque jour, et la quantit de stock disponible et le stock prvisionnel dans les jours venir.
Le flux denvois de marchandises suit un parcours inverse celui de la prcdente phase :
lenvoi commence par la zone de regroupement des ressources, qui envoie lensemble de ses
zones subalternes des marchandises. Les zones subalternes vont pouvoir mettre jour leur
stock prvisionnel, et envoyer leurs marchandises aux zones subalternes. On a ainsi un flux
descendant.
Il faut noter qu chaque tape, linformation sur les marchandises envoyes parvient lagent
GUI, afin que la fentre soit mise jour par rapport aux dcisions denvois.

III.5 Conclusion
Les mthodologies orientes agents sintressent des problmes de conception de systmes
multi-agents relatifs : lidentification des agents, la spcification des capacits de
raisonnement, lorganisation du systme multi-agents et la reprsentation des interactions
entre agents. Elles ont pour objectifs de guider le concepteur dans les phases danalyse et de
conception de systmes multi-agents.
La modlisation base dagents, de chane logistique de gestion de crise, offre une
reprsentation du modle du domaine base sur le paradigme agents. Cette modlisation
repose sur plusieurs modles permettant de dessiner lorganisation du systme multi-agents, la
nature des agents, leurs comportements, ainsi que les modes dinteraction.

110
Nous nous intressons un meilleur modle de dploiement et dutilisation des agents le long
de la CLGC afin de pouvoir disposer de donnes convenables en minimisant les dlais. Pour
ce faire, nous proposons dans un premier temps une solution optimise pour le
positionnement des zones logistiques de la CLGC. Ensuite nous proposons diffrents
comportements pour les agents zones, qui seront dtaills dans le chapitre IV.

111
Chapitre IV : Comportements optimisateurs des agents logistiques

IV.1 Introduction
Plusieurs problmatiques sont inhrentes notre chane logistique de gestion de crise et son
fonctionnement. En effet, des dcisions ayant de forts enjeux et des rpercussions
conomiques non ngligeables doivent tre prises. Linvestissement dans chacun des maillons
de la CLGC est gnralement trs lourd, il est donc ncessaire de les tudier de faon
approfondie, de les concevoir et de les organiser au mieux. On obtiendra ainsi de meilleures
performances lors du dmarrage ou de la re-conception de la chane. Par ailleurs, il existe des
interactions entre ces diffrents maillons ainsi quentre des maillons de la chane et des
lments extrieurs celle-ci. Les performances obtenues par chacun et la performance
globale de la chane dpendent donc de sa phase de conception et des diffrentes
collaborations et cooprations qui existent dans celle-ci. Il sagit alors de dfinir au mieux la
structure de la CLGC et de prendre les meilleures dcisions en fonction du comportement des
diffrents partenaires ou intervenants. Lorsque la structure et le fonctionnement de la chane
sont dfinis, en phase dexploitation, diffrents niveaux (stratgique si besoin mais surtout
tactique ou oprationnel), il sagit de planifier et ordonnancer lacheminement des ressources
et la gestion des transports afin de ragir au mieux la crise.
Nous avons donc adapt et dvelopp un algorithme de positionnement des zones logistiques,
qui va permettre doptimiser la structure de notre CLGC. De la mme manire, un processus
dordonnancement distribu, et donc un nouveau comportement ordonnanceur intgr dans le
cur de chaque agent zone, a t dvelopp et mis en uvre (Kaddoussi, 2011-b).
Le reste de ce chapitre est organis comme suit : nous prsentons et dtaillons dans la section
suivante le comportement de lagent mtropole pour rsoudre la problmatique du
positionnement optimis des zones logistiques. Deux modes seront mis en avant : le mode
automatique et le mode manuel. Ensuite, dans la section IV.3, nous nous intressons au
comportement ordonnanceur des agents zones, et plus globalement au processus distribu
pour loptimisation de lacheminement des ressources, dans le respect des contraintes de
dlais. Finalement, dans la dernire section, nous prsentons une tude de convergence de
notre systme propos.

113
IV.2 Comportement de lagent Mtropole : Positionnement optimis des zones
Notre CLGC est une chaine dynamique, cest--dire t= 0, elle nexiste pas encore. Un des
plus grands dfis de la logistique militaire par rapport la logistique civile est de garantir de
bonnes performances et ceci chaque nouveau dploiement et malgr la variabilit de
lenvironnement. Lors dune crise, nous sommes donc toujours face une prise de dcision
quant la configuration de notre chaine. En effet, il faut dcider du nombre de zones qui
constitueront la chaine et de leur implantation gographique. Bien entendu, les dcisions
prises lors de la conception de la chane logistique ont un impact sur lensemble des dcisions
prises lors de lexploitation du rseau logistique.

IV.2.1 Problmatique
Plusieurs contraintes interviennent dans la prise de dcision relative limplantation
gographique de la CLGC. En effet, pour assurer une coordination logistique efficace il faut
tenir compte de diffrents points:
- Limportance des dgts dans le pays touch par le sinistre, qui dpend ici de la
position gographique par rapport au centre de la crise. En effet la zone ou le pays le
plus touch sera le premier aid (voir aussi si les dgts posent des problmes daccs:
routes dtruites, distance des bases logistiques aux victimes trop importante, personnel
hospitalier disparu )
- La politique intrieure du gouvernement (taux de scolarisation, couverture vaccinale
importante (exemple : Sri Lanka o la prsence de moustiques impliquait un fort
besoin en vaccins et autres quipements comme les moustiquaires), zones tampons
empchant laccs certaines zones cls.
- Le climat et la faune locale.
- La probabilit que dautres catastrophes naturelles interviennent et dtruisent les
installations.
- La zone gographique (la zone urbaine a plus daccs aux ressources que la zone
rurale, les transports doivent tre adapts la zone (bateaux, camions civils ou
militaires, voie arienne).
En concertation avec nos experts logisticiens dEADS, nous avons pu alors dgager les
caractristiques suivantes des bases logistiques intermdiaires (Hubs):
- Proximit gographique aux zones de dploiement ;
- Un climat similaire celui des zones de dploiement ;

114
- Infrastructure prexistantes disposant de vhicules de soutien et des
installations de rparation de lquipement ;
- Zone politiquement stable lappui de la distribution commerciale.
Nous proposons dans le cadre de nos travaux de recherche doffrir au dcideur logisticien un
outil qui le guide dans sa prise de dcision au moment de la configuration de la CLGC, pour
choisir lemplacement gographique des bases logistiques intermdiaires (Hubs).

Lobjectif ici est de suggrer au concepteur les zones gographiques optimales qui
garantissent un acheminement et une raction rapide et efficace face la crise. Pour rsoudre
ce problme, nous proposons un module daide la dcision au sein de notre dmonstrateur
OBAC (Optimisation Base dAgents Communicants) qui propose au logisticien, deux
modes de fonctionnements. Dans un premier temps, un mode automatique qui propose une
surface (quon appellera par la suite la surface de Steiner) lintrieur de laquelle
limplantation dun hub est optimise. Un deuxime mode de fonctionnement a t mis en
place, o il revient au logisticien de placer le hub manuellement, en se laissant conseiller
par le dmonstrateur pour optimiser son choix parmi plusieurs zones dappuis stratgiques
prexistantes. Ce deuxime mode de fonctionnement sera privilgi dans les pays o les
forces armes disposent dj de plusieurs zones dappuis stratgiques prinstalles. On
privilgie dans ce cas lutilisation de ces zones comme zones intermdiaires, au lieu den
crer des nouvelles (le cas du premier mode automatique).

Nous prsentons dans la sous-section suivante le problme de Steiner pour la cration de


zones intermdiaires, ensuite nous dtaillons le processus daide la dcision pour
limplantation gographique des Hubs.

IV.2.2 Problme de Steiner


Le problme de l'arbre de Steiner (nomm en rfrence au mathmaticien Jakob Steiner) est
un problme trs classique de la thorie des graphes. Cest un problme d'optimisation
combinatoire relativement proche du problme de l'arbre couvrant minimal.

Problme de larbre couvrant minimum Problme de Steiner


- Donnes : graphe non orient, longueur dij
- Donnes : graphe non orient, longueur dij
associe chaque arc (i,j), ensemble de
associe chaque arc (i,j) ;
sommets terminaux ;
- Problme : dterminer un arbre de poids
- Problme : dterminer un arbre de poids
minimum pour connecter tous les sommets
minimum pour connecter tous les sommets
terminaux.
du graphe.
Tableau IV. 1 Problme de larbre couvrant minimum et problme de Steiner

115
Dans les deux problmes, tant donn un ensemble V de sommets, il s'agit de trouver un arbre
A reliant tous les sommets de V. Alors que dans le problme de l'arbre couvrant minimal, tous
les sommets de l'arbre A doivent tre dans V, il est autoris dans le problme de l'arbre de
Steiner d'utiliser des points en dehors de V. Dans les deux problmes, chaque arte a un cot
donn. Le cot de l'arbre tant donn par la somme du cot de ses artes, il s'agit de trouver
l'arbre de cot minimal.

IV.2.2.1 Problme de Steiner dans les graphes


Soit un graphe non orient G = (V, E), avec V : sommets, E : artes, L : terminaux
(obligatoires) et ce : poids de larte c 4 E.

Lobjectif est dobtenir un arbre couvrant des sommets terminaux L de poids minimum (cas
particulier : si L=V, problme de larbre couvrant de poids minimum).

Il existe diffrentes contraintes que l'on peut appliquer l'arbre. La plupart des problmes sont
NP-complets (donc considrs comme difficiles calculer). Quelques cas de figures sont
rsolubles en un temps polynomial. Pour les autres cas, la rsolution se fait via une recherche
heuristique.

Ce problme de Steiner a trouv de multiples applications dans un panel de disciplines trs


tendu, comme les projets des rseaux dordinateurs et de tlcommunications, les problmes
de la phylognie en biologie, conception de grands rseaux (tlcommunication, distribution
lectrique, pipelines,. . .)

Exemples :

Figure IV. 1 Solution pour trois points. Figure IV. 2 Solution pour quatre points.
Le point de Steiner S Dans cet arbre, il y a deux points de Steiner : S1 et S2
est au centre des trois autres points A, B et C.

La diminution de la complexit lie la construction de larbre minimal couvrant un groupe


de nuds dans un graphe connexe non-orient a fait lobjet de nombreux travaux.

116
IV.2.2.2 Etat de lart
La problmatique de construction de larbre minimal de Steiner a longtemps t traite dans la
littrature. Le temps de calcul demand par les solutions connues dpend dune faon
exponentielle de la taille du problme (nombre de nuds dans le groupe multipoints et
dimensions du graphe). Jusqu prsent, la construction exacte de larbre pour une
cinquantaine de nuds a pu tre ralise. Dans les cas rels, on utilise des heuristiques
fournissant des solutions approches de larbre minimal de Steiner. Une des heuristiques les
plus simples est lalgorithme de Takahashi et Matsuyama (Takahashi et al., 1980) qui reprend
lide de Prim pour construire un arbre couvrant. L'algorithme consiste choisir
arbitrairement un sommet et faire crotre un arbre partir de ce sommet. Chaque
augmentation se fait de la manire la plus conomique possible.
Principe : L'tape d'initialisation consiste choisir un sommet quelconque du graphe initial.
Au bout de la premire tape, on se retrouve ainsi avec un arbre contenant 1 sommet et 0
arte. Ensuite, on construit rcursivement l'arbre minimal de la faon suivante : l'tape n,
ayant dj construit un arbre contenant n sommets et n-1 artes, on tablit la liste de toutes les
artes reliant un sommet de l'arbre un sommet qui n'est pas sur l'arbre. On choisit alors une
arte de poids minimal, que l'on rajoute l'arbre ; l'arbre contient prsent n+1 sommets et n
artes. L'algorithme se termine lorsque tous les sommets du graphe sont contenus dans l'arbre.
La complexit de l'algorithme dpend fortement de la manire dont est implment le choix
de l'arte/sommet ajouter dans l'ensemble chaque tape. Avec une reprsentation nave, on
obtient une complexit en O(a * S) avec a le nombre d'artes et S le nombre de sommets.

Une autre heuristique fournissant des solutions approches de larbre minimal de Steiner est
lalgorithme de Kruskal (Kruskal, 1956). Cest un algorithme qui permet de parallliser
lalgorithme de Djikistra. Cest donc un bon moyen dobtenir un arbre couvrant minimum
(arbre de taille minimum ne reliant que des points de P). Cet algorithme considre
simultanment tous les membres du groupe. Il propose dinitialiser une fort (un ensemble
darbres) avec les membres du groupe (chacun des nuds initialise un arbre isol). Son
algorithme permet dobtenir un seul arbre couvrant laide des connexions successives entre
les arbres isols. Les connexions sont ralises laide des plus courts chemins.
Principe : Le squelette de lalgorithme est simple : lide est dinitialiser lensemble P comme
une fort, c'est--dire comme un ensemble de N arbres de 1 point chacun. A laide dune
matrice des distances entre les arbres de P, on dtermine ensuite les deux arbres les plus prs
lun de lautre et on les unifie. On recommence le fonctionnement jusqu unification totale

117
de la fort. La complexit de l'algorithme, domine par l'tape de tri des artes, est 6(a log V)
avec a le nombre d'artes et V le nombre de sommets du graphe G.
Zelikovsky (Zelikovsky, 1993) propose un algorithme qui permet de construire un arbre dont
le quotient cot du rsultat / cot de larbre minimum de Steiner est infrieur 11/6.
Zelikovsky utilise ( la place des plus courts chemins) des arbres pour couvrir des triplets de
nuds.

Selon la mtrique utilise pour le calcul de la distance entre les sommets dans V, deux
versions de larbre de Steiner ont t tudies :

Graphe de Steiner minimal (Graph Steiner Minimal Tree : SMT): Dans cette version,
l'ensemble des sommets et mtrique est donn par un graphe fini.

Arbre de Steiner euclidien minimal (euclidean SMT): Dans cette version, lensemble
V reprsente tout l'espace euclidien et est donc infini. Gnralement la mtrique est
donne par la distance euclidienne. Pour deux points de coordonnes (x1, y1) et (x2,
y2), la distance est :

EF@= 2 @9 9 % F#= 2 #9 9

Dans certaines applications, telles que le routage VLSI (Very Large Scale Integration
routing), la norme L1, galement connu sous le nom distance rectiligne, est utilise.
La distance est dfinie alors par :

F@= 2 @9 F % F#= 2 #9 F

La figure suivante illustre un arbre de Steiner euclidien minimal et un arbre de


Steiner minimal pour les graphes.

1 1
Figure IV. 3 Arbre de Steiner euclidien minimal Figure IV. 4 Graphe de Steiner minimal

Lapproche gnrique pour trouver larbre de Steiner est la suivante :

118
Approche gnrique
In: P
Out: A
1: begin
2: A=
3: While (A nest pas un AC)
4: Trouver arte (x,y) de poids
minimum qui peut tre ajout A
5 A:= A+ {(x,y)}
6:Return A
7: end

Avec AC : Arbre Couvrant

En effet, une mthode bien connue pour se rapprocher d'un SMT (Steiner Minimal Tree) est
d'utiliser un arbre couvrant minimal (Minimal Spanning Tree : MST). On construit d'abord un
graphe complet avec L sommets et poids des artes gales la longueur du plus court chemin.
Puis on trouve un MST, dans lequel chaque arte correspond un plus court chemin sur le
graphe original. Enfin, le MST est transform nouveau en un arbre de Steiner en remplaant
chaque arte par le chemin le plus court et en effectuant un post-traitement simple pour
supprimer les cycles possibles.

Algorithm : MST-STEINER
Input : A graph G = (V,E,w) and a terminal set L V.
Output: A Steiner tree T.
1: Construct the metric closure GL on the terminal set L.
2: Find an MST TL on GL.
3: T .
4: For each edge e= (u,v) E(TL) do
4.1: Find a shortest path P from u to v on G.
4.2: If P contains less than two vertices in T then
Add P to T;
Else
Let pi and pj be the first and the last vertices already in T;
Add subpaths from u to pi and from pj to v to T.
5: Output T.
Figure IV. 5 Algorithme gnral de Steiner

IV.2.3 Algorithme de positionnement des zones


Notre module pour le positionnement des zones propose lutilisateur deux modes de
fonctionnement. Dans le premier mode, qualifi de mode automatique, nous dterminons un
arbre de Steiner approch. Les zones intermdiaires ou Hubs susceptibles dtre implantes
gographiquement dans la CLGC appartiennent des surfaces de la forme de cercles, de

119
centres les points de Steiner, et de rayons rglables par le logisticien. A lintrieur de ces
surfaces, tout placement de zone est considr optimis. Nous appellerons cette surface :
surface de Steiner. Le rayon du cercle est une valeur qui correspond une relaxation que nous
autorisons et qui permet de contourner des contraintes qui rendent impossible limplantation
de la zone exactement sur le point de Steiner trouv (sans pour autant trop dgrader la
solution).
Dans le deuxime mode, nous proposons lutilisateur un outil daide la dcision pour
choisir, parmi un ensemble de zones dappuis stratgiques prexistantes, la zone gographique
et plus particulirement la ville au niveau de laquelle il serait prfrable dinstaller la zone
logistique. Cette tape va permettre de prendre en considration diffrents paramtres
supplmentaires fixs par les experts logisticiens, dans le choix de la localisation de la zone.
Nous montrons que cette approche permet la prise en compte de lexpertise humaine et de
facteurs gographiques, politiques et conomiques.

IV.2.3.1 Algorithme de Steiner : vers la cration dynamique de la CLGC


Nous travaillons sur un ensemble donn P constitu de N points.
P = {P1, P2, , PN}
Chaque point est entirement caractris par ses coordonnes. Ces coordonnes reprsentent
respectivement la latitude et la longitude du point.
Pi = (ui, vi)
Le problme consiste relier les points de P en utilisant si ncessaires des points extrieurs
P. Ces points sont ce quon appelle des points de Steiner et ils appartiennent lensemble S.
La thorie de Steiner montre que lensemble S est de cardinalit maximale N-2.
S = {S1, S2, , SN-2}
La difficult du problme rside dans le nombre et la position des points de S, et donc dans la
recherche des coordonnes de chacun des points de S. La construction de ces points de S
ncessite lutilisation de points intermdiaires Xi.

Si = (ui, vi), Xi = (xi, yi)

Lalgorithme de Steiner retourne une zone surfacique sous forme dun cercle, et de rayon R
rglable, au cours de la crise, pour agrandir ou diminuer la surface optimise selon la situation
sur le terrain. Ce paramtre est contrl par le logisticien en se basant sur les historiques des
oprations de dploiement en cas de crise.
Heuristique propose :

120
On commence de la mme faon que pour Kruskal : on initialise une fort et une matrice des
distances. On slectionne ensuite la reprsentation des deux arbres les plus proches et on les
runifie avec la mthode de Zelikovsky. On recommence ensuite sur la nouvelle fort jusqu
unification totale.
Vu quon recherche contraindre la complexit O(N) on va se limiter dans le choix des
reprsentations. Ces dernires seront :
- Les points S construits lors de la dernire runification,
- Les extrmits du chemin utilis si la runification na pas construit de points S,
- Le point P sil est isol,
De cette faon chaque instant chaque arbre de la fort est reprsent par 2 points au
maximum. Ainsi on ne va construire que des arbres de Steiner 4, 3 ou 2 points.

Figure IV. 6 Algorithme gnral

- Actualiser les distances pour la matrice


Le calcul ne se fait pas comme dans lalgorithme de Kruskal par la mthode du plus court
chemin. Il se fait comme dans lalgorithme de Zelikovski. C'est--dire quon considre la
distance entre deux arbres comme la somme des longueurs de larbre de Steiner qui
permettrait sa runification, laquelle on retire la longueur des boucles. Finalement pour
calculer la distance qui spare larbre nouvellement cr des anciens arbres de la fort, nous
construisons larbre de Steiner qui nous servira lors de la prochaine phase de runification. Ce
qui explique pourquoi cette phase de runification nest quune initialisation des
reprsentations pour les prochaines itrations.

121
Figure IV. 7 Algorithme pour Actualiser les distances

Figure IV. 8 Algorithme pour Runifier les arbres

- Construction de larbre 1-S


Gomtriquement, cet arbre de Steiner est le plus simple. Il suffit alors de placer correctement
le point S. Pour cela on distingue diffrents cas, et on appelle les sommets du triangle form
par des reprsentations A, B et C. On utilise ensuite la rduction de Melzak (Melzak, 1961)
pour placer le point S.

122
Figure IV. 9 Algorithme de construction de larbre 1-S

- Construction de larbre 2-S


On utilise encore une fois la rduction de Melzak. Nous partons dun ensemble de 4 points A,
B, C et D. Nous construisons 2 couples de points X, soit 4 points. Nous mesurons ensuite les
distances entre ces deux couples et on ne gardera que le cas le plus favorable.

Figure IV. 10 Algorithme de construction de larbre 2-S

IV.2.3.2 Aide au positionnement : le mode discret


Lobjectif de ce mode de fonctionnement est damliorer le soutien logistique des forces
dployes ltranger, en facilitant la gestion des transports et la distribution des quipements
aux endroits stratgiques du globe, et en favorisant le placement des bases logistiques
intermdiaires des lieux stratgiques.
Une brve tude sur le problme de l'emplacement des installations et leurs domaines
d'application (le transport commercial, les tlcommunications et les applications militaires)
est donne dans (Ghanmi et al., 2008). Une revue de la littrature sur les modles discrets
pour lemplacement des installations, dcrivant certaines contraintes telles que la capacit des
installations, lemplacement statique/dynamique des installations, peuvent tre trouvs dans
(Sibel et al., 2008).

123
L'approche repose sur la mise en place d'une srie de plates-formes permanentes et
temporaires de soutien oprationnel des endroits cls partout dans le monde.
Le choix de lemplacement dun Hub doit rpondre aux conditions suivantes :
- Proximit gographique aux zones de dploiement ;
- Un climat similaire celui des zones de dploiement ;
- Infrastructure prexistantes disposant de vhicules de soutien et des
installations de rparation de lquipement ;
- Zone politiquement stable lappui de la distribution commerciale.
En se basant sur les critres prcdents et en utilisant un ensemble dindicateurs politico-co-
militaires, les forces armes ont pu identifier des rgions dappui stratgique dans le monde,
qui seront favorises lors de limplantation des zones logistiques.
Disposant de n zones dappuis stratgiques et dune liste m de destinations de dploiement
possibles, le modle doptimisation du placement des bases logistiques propos doit donner:
- Lemplacement (discret) des installations parmi les rgions dappuis stratgiques existantes ;
- Le nombre dinstallations.
Les rgions dappuis stratgiques sont values selon les valeurs des variables de dcision
suivantes :
hi = nombre de personnel disponible / BLi (Base Logistique);
dij = distance de la BL i (et de la Mtropole (i=0)) la zone j ;
Nij = rseau routier, nombre de routes disponibles pour aller de la BL i vers la zone j ;
Pij = nombre de ports disponibles ;
Aij = nombre daroports ;
Cij = rseau de communication ;
Ces variables sont soumises certaines contraintes :
- Contrainte de distance : dij ! K (K : distance en km fixe par EADS) ;
- Contrainte de transport : Nij ! 0 (prsence de liaison terrestre) ;
Lalgorithme propos calcule un indice de pertinence de chacune des zones dappuis, partir
des valeurs des variables ci-dessus. Lindice de pertinence est le rsultat dune pondration
entre toutes ces variables. Le logisticien aura la possibilit de donner plus dimportance un
critre donn, en augmentant sa pondration.

IV.3 Comportement de lagent zone : ordonnancement des tches de livraison


Nous nous proposons dintroduire au sein des agents zones les techniques doptimisation et
dordonnancement plus particulirement afin de leur permettre de faciliter la circulation des

124
flux de la CLGC et dterminer une meilleure solution dordonnancement satisfaisant un
certain nombre de critres.
Les approches centralises classiques proposent de concentrer la rsolution du problme
doptimisation au sein dun unique agent qui joue le rle de mdiateur. Tous les agents
doivent alors communiquer leurs prfrences cet agent qui va se charger de trouver la
solution optimale. Lavantage de cette approche rside dans loptimalit des solutions
trouves et dans la simplicit de la communication entre agents. Seulement, cette
centralisation de la rsolution pose problmes aux niveaux de la tolrance aux pannes et
ladaptabilit. En effet, une perturbation ou un changement mineur dans les donnes du
problme ncessite le redmarrage du processus de rsolution.
Nous proposons, dans ce contexte, une approche de rsolution distribue et cooprative
faisant interagir lensemble des entits composant notre systme. Le problme
dordonnancement considr va permettre dtablir des plans dacheminement des ressources
le long de la CLGC.

IV.3.1 Dfinitions
Rsoudre un problme dordonnancement revient organiser la ralisation dun ensemble
doprations lmentaires (les tches), en exploitant les capacits des machines disponibles
(les ressources). Cette ralisation doit respecter un ensemble de rgles techniques (les
contraintes), tout en prsentant le maximum defficacit (selon les critres dvaluation
choisies) (Artiba, 1990 ; Carlier et Chrtienne, 1988). Lordonnancement vise amliorer
lefficacit dune entreprise en minimisant les cots et en respectant les dlais de livraison.
Les problmes dordonnancement apparaissent dans tous les domaines : informatique,
militaire, industrie, transport, construction, administration, etc.

Les lments principaux constituant un problme dordonnancement sont alors les suivants :
les tches (ou oprations), les ressources, les contraintes et les critres doptimisation.

IV.3.2 Caractrisation dun problme dordonnancement


Les problmes dordonnancement consistent organiser plusieurs tches en respectant
certaines contraintes et en optimisant certains critres.

IV.3.2.1 Les tches


Ce sont les oprations effectuer. Les auteurs classent les tches en deux catgories : les
tches premptives o une action peut tre interrompue pour tre continue ultrieurement, et

125
les tches non premptives o lexcution de lopration ne peut pas tre interrompue avant
quelle ne soit acheve.
Chaque tche ou chaque job peut tre caractris par une date de dbut au plus tt (release
date) ; une dure pour la tche (processing time) ; une date de fin souhaite (due date) ; une
date de fin obligatoire (deadline) et un poids relatif (weight) ou importance.

IV.3.2.2 Les ressources


Lexcution de diffrentes oprations et tches ncessite la mise en uvre dun ensemble de
moyens et doprateurs. Cet ensemble reprsente donc les ressources indispensables au bon
fonctionnement du systme (fabrication, distribution,). Une ressource est gnralement
disponible en quantit limite.
Nous en distinguons deux types : les ressources renouvelables et les ressources non
renouvelables. Une ressource est renouvelable si aprs avoir t alloue une ou plusieurs
tches, elle reste disponible pour effectuer lexcution de certaines tches (le personnel, les
machines, les moyens de transports,). Dans le cas contraire, elle est non renouvelable ou
consommable (matires premires, budget) ; et sa disponibilit est limite par son utilisation
pour raliser certaines tches.
Qu'elle soit renouvelable ou consommable, la disponibilit d'une ressource peut varier au
cours du temps. Sa courbe de disponibilit est en gnral connue a priori, sauf dans les cas o
elle dpend du placement de certaines tches gnratrices.

IV.3.2.3 Les critres


Parmi un ensemble dordonnancements possibles, nous sommes amens choisir la solution
la plus satisfaisante. Cette notion de satisfaction dpend directement du critre pralablement
dfini. Ces critres servent donc lvaluation et la comparaison des diffrents
ordonnancements possibles.
Les critres doptimisation sexpriment gnralement en fonction des dates de fin des tches
(ou jobs) Cj (completion times).
Les critres sont gnralement exprims en fonction des mesures suivantes :
- le retard algbrique Lj = Cj dj (lateness) ;
- le retard absolu Tj = max(0,Cj dj) (tardiness) ;
- lavance Ej = max(0,Cj dj) (earliness);
- le pnalit unitaire de retard Uj = 0 si Cj ! dj , Uj = 1 sinon ;
- la dure de sjour dans latelier Fj = Cj rj ;
- une fonction gnrique fj(t) donnant le cot induit si on termine Jj t.

126
On cherche alors minimiser un ou plusieurs critres F(C1, . . . ,Cn)
- une fonction gnrique de cot maximum
- fmax = maxj{fj(Cj)}
- la dure totale de lordonnancement Cmax = maxj{Cj}
- le retard algbrique maximum Lmax = maxj Lj
- le retard maximum Tmax = maxj Tj

IV.3.2.4 Les contraintes


Il sagit de conditions respecter dans la construction de lordonnancement pour quil soit
ralisable. Les contraintes expriment une restriction sur les domaines de valeur de variables ;
Une classification des contraintes est possible selon la disponibilit des ressources et suivant
lvolution temporelle (Carlier et al, 1988) :
Les contraintes de ressources
Plusieurs types de contraintes selon la nature des ressources. Les contraintes relatives
aux ressources peuvent tre disjonctives ou cumulatives :
- Contraintes cumulatives : Lintervention des divers moyens (main duvre,
matriels ) impose lordonnancement des contraintes de type potentiel. Les
matriels ou les machines allous au projet ordonnancer ont des capacits fixes
par leurs performances. La main duvre disponible est en gnral limite, impliquant
la limitation du nombre de tches raliser en parallle.
- Contraintes disjonctives : Lhypothse disjonctive induit une contrainte de
ralisation de tches sur des intervalles temporels disjoints pour une mme ressource.
Elles expriment le fait que deux tches ne peuvent avoir lieu en mme temps sans que
lon puisse dire laquelle doit tre effectue avant lautre.
Considrons deux tches i et j, et supposons que leur excution ncessite
lemploi dun matriel unique (une grue, une machine).Les deux tches
ne pourront donc tre ralises en mme temps; en dautres termes, les intervalles de
temps : (ti, ti+ki) et (t j, tj+kj) ne peuvent pas avoir une partie commune. Les deux
tches i et j seront dites en disjonction .Une telle contrainte peut tre
formule laide de deux ingalits de potentiel: tj ti 3 ki
Les contraintes temporelles
Ces contraintes reprsentent des restrictions sur les valeurs que peuvent prendre
certaines variables temporelles :

127
- Contraintes de succession temporelle : Elles expriment la relation dantriorit entre
les tches, une telle tche ne peut commencer avant la fin dune autre.
Considrons deux taches i et j dont les dates de dbut sont respectivement ti et tj.
Dire quil existe une contrainte de succession entre les tches i et j consiste
limiter soit infrieurement soit suprieurement lintervalle de temps qui peut scouler
entre ti et tj, lintervalle de temps qui spare ti et tj va tre donc born infrieurement
par une quantit que nous noterons aij : tjti 3 aij
- Contraintes des dates dues : Elles expriment la localisation des tches dans le temps.
Une tche i ne peut tre dbute avant une date fixe ci ; par exemple ; une livraison
ou une dcision administrative.
ti 1 ci
ou une tache i doit tre termine avant une date fixe ci ; par exemple ; un engagement
commercial.
ti 1 ci
ou enfin, une tache i doit tre imprativement termine une date fixe ci; sans avance
ni retard. Cette contrainte est la combinaison des deux contraintes prcdentes.
ti 1 ci
ti 1 ci
ce qui implique: ti = ci

IV.3.3 Rsolution centralise/distribue des problmes


Dans un contexte rel d'application, il est souvent prfrable d'opter pour le choix d'une
solution optimise demeurant faisable face des perturbations, au lieu d'une solution optimale
qui devient rapidement obsolte lors de l'excution de l'ordonnancement.
Globalement, les systmes d'ordonnancement les plus rpandus se basent sur une politique
centralise de rsolution (quelle soit en-ligne ou hors-ligne) des problmes
d'ordonnancement. En effet, le processus de rsolution des problmes d'ordonnancement est
gnralement ramen un problme de dcision global car il sagit souvent de grer
l'organisation de la totalit des ressources. Cette organisation centralise des dcisions sous-
entend alors une connaissance globale des paramtres du systme et l'existence d'une entit
globale qui supervise les activits des ressources, et qui prend des dcisions globales (devant
tre respectes par l'ensemble des ressources qu'elle gre).
Le point fort de lapproche centralise rside dans la cohrence globale des dcisions prises.
Son inconvnient est qu'elle exige une transparence totale des diffrents acteurs, alors que

128
supposer qu'une entit dispose d'une vision globale de tout le systme est parfois non raliste.
Le deuxime inconvnient est quelle ne permet pas dajustement des dcisions prises
globalement.

Dans de nombreux champs d'application (chanes logistiques, projets industriels, etc.), les
ressources utilises sont souvent rparties au sein d'un ensemble d'acteurs se trouvant parfois
en situation de concurrence et disposant de fait, de leur propre autonomie de dcision et
d'objectifs propres dont il est fondamentale de tenir compte. Ce type d'organisation constitue
prcisment le contexte o les mthodes de rsolution distribue peuvent tre profitables dans
la mesure o chaque acteur doit faire face non seulement aux spcificits de sa propre
organisation et de son propre environnement local.
Il est alors intressant de considrer l'ordonnancement sous l'hypothse d'une fonction
distribue (dcisions d'ordonnancement distribues entre les diffrents acteurs) o la solution
globale rsulte d'une coopration entre les diffrents acteurs, chacun grant son propre
ordonnancement local robuste. Le rsultat de la coopration devant converger vers un
compromis satisfaisant les performances locales ainsi que la performance globale.
Dans le cadre des chanes logistiques, plusieurs travaux de recherches font l'hypothse que les
dcisions sont distribues au sein d'un rseau de centres de dcision interdpendants, et
proposent des mcanismes d'aide la dcision pour la coopration. Le secteur industriel
compte aussi de plus en plus de logiciels de gestion de chanes logistiques offrant des
solutions bases sur diffrents aspects d'organisation cooprative. Toutefois, peu de travaux
de recherche se sont intresss l'ordonnancement distribu et coopratif. La majorit des
travaux proposent des approches bases sur les Systmes Multi-Agents (SMA).

IV.3.4 Mthodes de rsolutions distribues


Diffrentes mthodes ont t dveloppes pour rsoudre la problmatique des plans dateliers
distribus. Dans (Lee et al., 2002), le modle de la chane logistique traite est reprsent par
des modles mathmatiques. Cependant, lenvironnement incertain, les perturbations et les
diffrents alas qui entourent la chane logistique rendent ces modlisations incompltes et les
solutions fournies pas souvent acceptables. Dans (Luder et al., 04 ; Gupta et al., 02 ; Kubota et
al., 99), des simulations ont permis lvaluation de la CL en la considrant comme une seule
entreprise centralise. Nanmoins des difficults lies au nombre important dentits
modliser et au niveau de dtail dsir lors dune modlisation en quipe de travail forment
les premires limites de cette approche. Dautres concernent la quantit dvnements
simuler, la puissance de calcul des ordinateurs, la rutilisation des modles de simulation et la

129
protection de la proprit intellectuelle. Finalement, la modlisation de tous les sites dune CL
demeure possible mais la simulation sur un seul processeur nest pas toujours ralisable. De
plus, il est difficile dobtenir une valuation fine de la faisabilit en se basant sur un modle
agrg. Lvaluation de la faisabilit de la CL ne se ramne pas non plus la somme des
valuations de la faisabilit des plans de chaque site. Compte tenu de ces limites, la validation
dordonnancement multi-site ncessite la dfinition dune architecture de simulation
distribue.

Diffrents travaux ont t mens sur la simulation distribue de grands systmes de


production. Un premier atout en faveur de la dcentralisation concerne la protection des
informations de chaque acteur de la CL. Ceux-ci peuvent choisir de masquer certaines
donnes lors de la simulation distribue. Les modles distribus sont construits et maintenus
localement et ne se rejoignent que lors de lvaluation (Mertins et al., 2005). De plus, la
performance globale du temps de simulation est amliore grce la distribution
(Turner et al., 2000). Pour synchroniser des simulateurs au sein dune grande simulation, le
protocole HLA (High Level Architecture) a t propos par le DMSO (Defense Modeling and
Simulation Office). Il facilite l'interoprabilit et la rutilisation des simulations. Il a pour
intrt de rduire les cots de la modlisation et de la simulation et de rpondre aux besoins
de grandes simulations faisant intervenir des composants gographiquement distribus. HLA
met en uvre des algorithmes pour la synchronisation et le respect de la chronologie pour les
vnements simuls et notamment celui dfini dans (Chandy et Misra, 1978). HLA permet de
synchroniser une fdration, i.e, un ensemble de fdrs partageant un modle objet commun,
le FOM (Federation Object Model), contenant toutes les informations relatives lexcution
de la simulation. Un fdr est un composant de la fdration comprenant un simulateur
auquel peuvent tre associs un oprateur, une machine ou un atelier complet. Le RTI (Run-
Time Infrastructure) constitue une implantation informatique des spcifications dinterface
HLA. Il s'agit d'un processus informatique assurant les communications entre les fdrs
d'une mme fdration en offrant les services de HLA pour la synchronisation et la
chronologie des vnements.

IV.3.5 Positionnement de notre tude


Aprs ltude bibliographique sur les travaux raliss dans le domaine de la CL, nous avons
constat que la majorit des recherches sont bases sur des modles centraliss ne tenant pas
compte de ce qui se passe dans chaque unit organisationnelle de la chane.

130
Lenjeu majeur pour notre chane logistique est la livraison. Il faut veiller limiter les retards
de livraison dans les zones sensibles en synchronisant correctement les diffrentes zones. En
cas derreurs ou de dlais trop importants, les dommages engendrs peuvent tre trs coteux
voir mme catastrophiques.

Notre problme dordonnancement est compos, dans sa reprsentation la plus complte, de


plusieurs entits, comme illustr dans la figure suivante :

Figure IV. 11 Modle type dun systme dordonnancement de livraison

Les tches de livraison : Reprsentent une quantit de ressources dlivrer au sein


dune autre zone, sous certaines contraintes. Cette distribution a un cot variable selon
la distance entre le fournisseur et lutilisateur. Les temps de chargement et de
dchargement sont inclus dans le dlai de livraison.

Les entrepts : Nous disposons dentrepts dans chaque zone afin de stocker la
marchandise (nourriture, eau, mdicaments, vtements etc.).

Les moyens de transport : sont les moyens de transport utiliser pour lacheminement
des ressources. Le transport des biens peut se faire par des camions, des bateaux ou
des avions (avec une prpondrance de lutilisation de la voie terrestre). Le cot et les
contraintes temporelles justifient une planification soigne.

Les routes : dfinissent le rseau routier. En mtropole, ce rseau est fixe, et donc les
routes emprunter ainsi que les cots engendrs de leur emprunt sont connus
lavance. Dans les zones risques, les routes empruntes sont dtermines en fonction
de lvolution de la crise.

Le personnel : Reprsente les ressources humaines. Il sagit de personnel qualifi et


obissant une hirarchie.1

131
IV.3.6 Modle propos : vers un ordonnancement distribu
Comme voqu en introduction et contrairement une approche centralise de rsolution o
les dcisions dordonnancement sont calcules de manire globale, nous proposons de
rsoudre ce problme par une approche cooprative en considrant que les entits
dcisionnelles sont dcentralises au sein dune organisation distribue. Le problme
dordonnancement est alors dcompos en plusieurs sous problmes d'ordonnancement
locaux. Chaque agent associ une zone contrle sa propre ressource et dispose de sa propre
autonomie dcisionnelle.
Nous allons dans ce qui suit expliquer le fonctionnement du systme au sein duquel des agent-
zones vont effectuer lordonnancement de leurs tches de livraison.

IV.3.6.1 Fonctionnement gnral

Figure IV. 12 Systme dordonnancement distribu base dagents

a) Lorsquune crise est dclare quelque part dans le monde, lagent mtropole est
notifi. Il cre alors les zones de la chane logistique de gestion de crise (1). La
dcision de crer et de positionner les zones est base sur le module de positionnement
optimis dtaill dans la premire section. Les informations lies aux zones gnres
sont ensuite transmises lagent Intgrateur Evaluateur (2).

132
b) Lagent Intgrateur Evaluateur transmet ensuite ces informations lagent Transport
(3). Les agent-zones sont ensuite crs afin de grer chaque zone logistique gnre
(4) et se voient attribus des informations sur les marchandises livrer et les quantits
en stocks. (5)

c) Chaque agent-zone reoit un ensemble de demandes de livraisons de la part de ses


agents subalternes, qui correspondent aux besoins calculs par lagent NEA. Lagent-
zone fournisseur ou ordonnanceur transforme ces demandes en tches de
livraison ordonnancer, en ajustant la valeur de la quantit livrer selon sa capacit.
Avant de procder au traitement des requtes de livraison reues, lagent zone
fournisseur sollicite des informations sur les routes et les moyens de transport
auprs de lagent transport, afin de dterminer les valeurs des diffrents champs qui
constituent ses tches de livraison (di et pi). (6), (7)

d) Lagent Transport utilise les informations prcdemment livres par lagent


Intgrateur et Evaluateur afin dallouer les routes et les moyens de transport lagent-
zone pour quil puisse commencer son ordonnancement. (8)

e) Chaque agent-zone lance lordonnancement local de ses tches en appliquant un des


algorithmes dvelopps dans la couche mathmatique de notre architecture. La priorit
de ces ordonnancements est le respect de la date limite de livraison. Ds quun agent
zone obtient une solution, il informe lagent Intgrateur et Evaluateur du plan de
livraison quil vient de gnrer. (9)

f) Lagent Intgrateur et Evaluateur, qui a pour rle de composer le plan de livraison


global partir des solutions locales reues, utilise des indicateurs de performance afin
dvaluer lordonnancement de la chane logistique dans sa globalit. Il dtermine
ainsi les ordonnancements locaux amliorer (10). Lorsquun plan local est valid,
lagent zone en question le transmet son suprieur hirarchique pour quil soit pris
en compte dans le prochain ordonnancement de ce dernier. Ceci offre lavantage de
garantir une synchronisation entre les agents.

g) Les agent-zones concerns par lajustement et le r-ordonnancement utilisent les


indicateurs fournis par lagent Intgrateur et Evaluateur afin de modifier des
paramtres de lordonnancement en local (routes, moyens de transport ) et
transmettent leurs modifications lagent transport. (11)

133
h) Lagent Transport utilise ces donnes afin dallouer les ressources ncessaires pour ces
nouveaux ordonnancements et envoie une notification afin dajuster les tches de
livraison avec les nouveaux dlais de livraison (12). On rpte ensuite les tapes 5
8, jusqu ce quil ny ait plus dajustements effectuer(12). A ce moment-l (13),
lordonnancement global obtenu est dtenu par lagent Intgrateur et Evaluateur.

i) Si les ajustements ont t une russite, lagent Intgrateur et Evaluateur affiche en


sortie les rsultats de lordonnancement. (14) Si lutilisateur met une requte pour
arrter le processus, le systme sarrte (15). A la fin du temps de simulation fix,
lagent Intgrateur et Evaluateur valide la dernire solution optimise gnre.

Les diffrentes tapes de fonctionnement dcrites ci-dessus sont ralises par les messages
ACL changs entre les agents.

IV.3.6.2 Formulation de notre problme

Nous dfinissons les variables de notre problme :


La chane logistique tudie a une structure hirarchique. Ainsi, nous pouvons considrer A

lensemble des agent-zones AgZxy o x est le niveau hirarchique de lagent au sein de la

chane logistique et y son rang au niveau x.

On a A= AT GDAI G{AgZ1}, avec AT lensemble des agents zones terminales, AI lensemble


des agents zones intermdiaires, et AgZ1 lagent mtropole charg de crer les autres agent-
zones.
Nous avons alors : A = {AgZ1, AgZ21, , AgZ2n2, AgZ31,, AgZ3n3, , AgZm1,, AgZmne},
avec m le nombre total de niveaux dans la chane logistique et ne le nombre total dagents au
niveau e.

Nous notons aussi :


Lensemble des ressources distribuer : R= {r1, r2, , ru}, avec u le nombre total des
ressources ;
Lensemble des entrepts : S= {s1, s2,, sh}, avec h le nombre total des zones de
regroupement de ressources ;
Lensemble des moyens de transport : M= {m1, m2, , mk}, avec k le nombre total des
moyens de transport ;
La capacit de transport du moyen de transport mj est dfinie comme tant Capmj ;

134
Lensemble des routes disponibles : Wroutes= {w1, w2,, wz}, avec z le nombre total des
routes ;
Lensemble des tches locales : T= {t1, t2, , tl}, avec l le nombre total des tches
ordonnancer localement ;

Des variables reprsentant les paramtres des tches sont galement dfinies:
ci = date de fin de la tche ti (completion time) (1D!DiD!Dl).
di = la date de livraison au plus tard pour la tche ti (date de fin souhaite).
pi = dure dexcution de la tche ti.
clientID : Le client ou lagent-zone qui reoit la marchandise ou qui attend que la
tche soit effectue (clientIDD4 A1;
23 : La ressource livrer (1D!DjD!Du) ;
Qte : La quantit de ressource livrer au client ;

Ainsi, une tche ti consiste en la livraison dune quantit (Qte) de resource (rj) une zone
spcifique (agent zone client: clientID) en respectant certaines contraintes (la date de
livraison souhaite: di et la dure dexcution: pi)
ti : < clientID; rj ; Qte; di; pi >
Lobjectif par la suite est de fournir un ordonnancement distribu pour les tches de livraison
excutes tout au long de la chane logistique de gestion de crise.

IV.3.6.3 Construction des tches de livraison


Pour commencer, chaque agent-zone envoie une demande auprs de son suprieur
hirarchique. Lagent responsable doit dterminer sil peut rpondre aux exigences (tape 5
dans la figure IV.12). Si oui, la requte se transforme en une tche accomplir, sinon lagent-
zone responsable calcule la quantit quil peut fournir en fonction de son stock et de ses
disponibilits, il cre ainsi une nouvelle tche. Ce calcul est bas sur le degr durgence de la
requte et sur la date de rception. La procdure createTask(vi) (Figure IV.13), avec vi 4 V
et V lensemble des requtes, dtermine la quantit de ressource fournir.
Une fois que toutes les requtes sont traites, la procdure routingTasksConstruction
(Figure IV.13) donne la liste des tches prtes tre excutes.

Soit V lensemble des requtes et T lensemble des tches ;

135
Procedure routingTasksConstruction
In: V
Out: T
1: begin
2: T=
3: Do
4: Select vi 7 V
5: ti := createTask(vi)
6: V := V- {vi}
7: T := T+ {ti}
8:While set V of available requests
9: end
Figure IV. 13 Algorithme de cration des tches

La procdure createTask transforme une demande de livraison en une tche ordonnancer en


dterminant la quantit de ressource que lagent ordonnanceur peut envoyer chaque agent
zone subalternes. Nous expliquons dans la suite le principe de cette procdure :
Lorsque lagent zone fournisseur ou ordonnanceur reoit toutes les propositions (les priorits
conformes toutes les ressources voulues) de ses agents subalternes, ou si le temps d'attente
5twait pour la rception de rponses est expir, il doit dcider comment quilibrer des
ressources. Autrement dit, le fournisseur doit examiner quelles sont les ressources envoyer,
quelles zones et en combien de quantit, selon leurs disponibilits et les priorits des zones.
Le fournisseur, va donc valuer un indexe durgence Eindex (ri, Clientj) de chaque ressource
ri (1 1 i 1 u) pour un agent zone client Clientj (Clientj 4 A):
Eindex (ri, Clientj) = Ed (ri, Clientj) Ed(Clientj, Ord) (1)
Avec
- Ed (ri, Clientj) : la priorit de la ressource ri pour le client Clientj,
- Ed (Clientj, Ord) : la priorit du client Clientj pour lagent ordonnanceur Ord (Ord 4 A).

Daprs (1), lindex durgence dune ressource ri pour un agent ordonnanceur Ord (Ord 4 A)
est valu par:
Eindex(ri,Ord)=Ed(ri,Ord)Ed(Ord,Ord) (2)
Avec :
- Ed (ri, Ord): la priorit de la ressource ri pour lagent ordonnanceur.
- Ed (Ord, Ord): une auto-valuation de la priorit de lagent ordonnanceur.

La dcision prise par l'agent Ordonnanceur pour partager le stock local restant, dpend des
index d'urgence, en sachant que le stock restant pour une ressource ri pour un agent
ordonnanceur est value par :
REstock (ri, Ord)=stock(ri, Ord)- demand (ri, Ord)GEindex (ri, all, Ord)
Avec:

136
- stock (ri, AgZxy) : correspond au niveau local de la quantit de ressource ri relative lagent
zone AgZxy, (pour ce cas particulier : AgZxy = Ord).
- demand (ri, AgZxy): correspond la demande de consommation locale de la ressource ri
relative lagent zone AgZxy, (pour ce cas particulier : AgZxy = Ord).
- Sachant que Ne correspond au nombre total dagents incluant ordonnanceurs et clients,
GEindex (ri, z, AgZxy) est une pondration de la consommation locale de lagent-zone identifi
par AgZxy et selon la ressource ri. Cette expression value le degr durgence de la
consommation de lagent zone local AgZxy, par rapport la consommation totale de tous les
agents clients (z = all):

GEindex (ri, z, AgZxy ) = Eindex (ri , AgZxy ) / 6 Ne (Eindex (ri , AgZxy ))

La prise de dcision par un agent ordonnanceur pour partager le stock de scurit local est
finalement value par :

amount(ri,Ord,Clientj)= reStock(ri,Ord) GEindex(ri,others, Clientj)


Une fois la quantit de ressources alloue aux tches est dfinie et les tches sont prtes (tape
7 dans la figure 16), il ne reste qu leur allouer un moyen de transport pour quelles
sexcutent.

Ltape suivante consiste rduire au maximum les retards en ordonnanant lensemble des
tches de livraison. Plusieurs algorithmes dordonnancement sont applicables, parmi lesquels
nous avons choisi lalgorithme de liste, particulirement adapt notre chane logistique grce
ses rgles de priorit dynamiques, et lalgorithme de Branch & Bound. Ces algorithmes sont
caractriss par leur souplesse et la facilit de leur implmentation en temps rel. Lide dans
la suite de mes travaux, est denrichir la couche mathmatique de la figure I.7 (Cf. Chapitre I)
avec dautres algorithmes dordonnancement, en crant ainsi une bibliothque de mthodes de
rsolution (Cf. Figure I.7- Chapitre I).

IV.3.6.4 Algorithmes pour lordonnancement local des tches de livraison


Notre approche permet de choisir une mthode doptimisation parmi celles qui existent dans
les bibliothques pour lordonnancement local des tches de livraisons. Nous prsentons cet
effet, lalgorithme de liste et lalgorithme de B&B, que lagent zone ordonnanceur peut
slectionner en fonction de son environnement, de ltat de son stock, et de la taille de son
problme.

a) Algorithme de Liste

137
Il sagit dune approche de rsolution possible. Le problme est rsolu par des rgles de
priorit statiques ou dynamiques. Lalgorithme de liste sert arbitrer lorsque plusieurs tches
sont disponibles en mme temps. Lalgorithme de liste repose sur les principes suivants :
Principe glouton: ne pas laisser la ressource inoccupe si des taches sont disponibles
Squencement glouton des tches: si la ressource est libre, squencer la premire tche
disponible de la liste
Arbitrage des tches: lalgorithme sert arbitrer avec des rgles de priorit lorsque
plusieurs taches sont disponibles
Le principe de cette approche consiste effectuer un ordonnancement des tches de livraison
selon une rgle de priorit dynamique base sur les algorithmes de listes. Plus prcisment,
un instant donn T0, parmi les tches de livraison disponibles au niveau dun agent zone, la
tche de plus grande priorit est ordonnance. Plus gnralement, les algorithmes de listes
procdent dabord llaboration dune liste de priorits qui est utilise ensuite pour la
construction dune solution. Dans notre problme la rgle de priorit est dynamique. Elle est
choisie par lagent zone responsable de lordonnancement. Selon les situations, il peut sagir
de la plus petite date de dbut au plus tard ou de la plus petite dure dexcution.
Le principe de notre algorithme est de maintenir une liste pour contenir lensemble de tches
prtes apparues suite une crise; ces tches sont une une excutes par lagent-zone qui est
responsable de lordonnancement. La priorit est donne la tche dont la date de livraison
demande est la plus petite en considrant quun retard de livraison peut engendrer des
consquences dramatiques lors dune crise.
Lobjectif tant de minimiser le retard global des livraisons de chaque agent zone, la fonction
objectif scrit : Min ( H8IJ= 7@(0,Cj dj))
Algorithme
- Prparer la liste les tches : Priorit sur les tches (due date la plus proche) ;
- Squencement glouton des tches : quand la ressource (le moyen de transport) est
libre, squencer la premire tche disponible de la liste ;
- Rpter pour toutes les tches de la liste.

138
Algorithme de Liste
In: T (Ensemble de tches ordonnancer)
Out: S
Dbut
S={} ;
Tant que T 8 (ensemble des tches
disponibles T est non vide) Faire
Dbut
Dterminer parmi lensemble T, la tche
ti de plus grande priorit ;
S := S K ti
Fin
Fin
Figure IV. 14 Algorithme de liste

Avec :
- S est une squence ou solution partielle (ou totale) de tches ordonnances.
- S = tiKS; signifie insrer la tche ti dans la squence S, lemplacement prvu par
lordonnancement.

b) Branch & Bound (B&B)


La mthode de Branch and Bound (procdure par valuation et sparation progressive)
consiste numrer les solutions dun problme doptimisation dune manire intelligente en
ce sens que, en utilisant certaines proprits du problme en question, cette technique arrive
liminer des solutions partielles qui ne mnent pas la solution que lon recherche.
Par convenance, on reprsente lexcution de la mthode de B&B travers une arborescence.
La racine de cette arborescence reprsente lensemble de toutes les solutions du problme
considr.
l
Min ( f k =
k lpha
1 max(c
i =1
i d i ,0) )

Avec: ci = date de fin dexcution de la tche ti (completion time) (1D!DiD!Dl).


di = la date de livraison au plus tard pour la tche ti.
l = nombre total de tches ordonnancer au niveau de chaque agent zone.
Alpha = lensemble des nuds 9k dans larbre de recherche de lagent zone.
Lalgorithme1 illustre le fonctionnement global de lalgorithme de B&B pour
lordonnancement local des tches.

139
Figure IV. 15 Algorithme de Branch & Bound

Avec :
- 70 est le nud racine de larbre de recherche G.
- S est une squence ou solution partielle (ou totale) de tches ordonnances.
- S = tiKS; signifie insrer la tche ti dans la squence S, lemplacement prvu par
lordonnancement.
- lb est une borne infrieure.
- (9k) est lensemble des nuds fils de 9k.
- La procedure Subdivide (7k, (7k)) divise le nud 9k et gnre lensemble des nuds fils
(9k).
- G: = G {7i} signifie insrer dans larbre de recherche G le prochain nud explorer.
Pour le problme spcifique que nous abordons ici, une borne infrieure est calcule pour
chaque nud nouvellement cr de la faon suivante:

lb = Min ( f k )
k lpha

L'arbre G est alors mis jour par avec la procdure updateTest qui permet tout moment de
supprimer tous les nuds 7k qui vrifient f(7k )> lb.

Il est intressant ici de mettre laccent sur le fait que les agents ordonnanceurs vont pouvoir
puiser dans une bibliothque dalgorithmes dordonnancement dveloppe au niveau de la

140
couche mathmatique de notre architecture, afin de choisir lalgorithme le mieux adapt la
situation sur le terrain, en terme de taille de problme et de donnes (Cf. chapitre I).

IV.3.6.5 Critres ou Indicateurs de performances pour lvaluation de la chane


Cette phase contrle la validit des solutions en cours, surtout dans le cas de perturbations. Le
r-ordonnancement merge dun processus coopratif des agents interagissant pour rsoudre
la situation trouble et prserver dans la mesure du possible une partie de lordonnancement
pr-calcul.
Nous avons choisi dassigner notre chane logistique un cot qui correspond lexcution
dun plan dordonnancement global retenu. Ce cot est limit par des indicateurs de
performance ou critres composs de variables binaires.
Nous dfinissons les variables suivantes :

Soient p et q deux zones de la chane logistique, avec p la zone suprieure hirarchique directe
de q ;
m
y pqj : Transport de flux de marchandises de p vers q utilisant le moyen de transport mj

m 41, Si le moyen de transport mj est utilis


y pqj = 3
20, Sinon

LD wpqi M Transport de flux de marchandises de p vers q utilisant la route wi

wi 41, Si la route wi est emprunte


x pq =3
20, Sinon

N qpj O Retour du moyen de transport mj de q vers p


m

m 41, Si le moyen de transport mj est utilis


y qpj = 3
20, Sinon

wi
x qp : Retour en passant par la route wi

wi 41, Si la route wi est emprunte


x qp = 3
20, Sinon

On dfinit ensuite les critres ou indicateurs de performance suivants :


Cot de transport li aux routes utilises :
Croutes = 1 1 1 (c wi (
+ c pq ) x wpqi + xqp
wi
)
wi Wroutes pA \ AT qAI AT

141
Cot des camions, avions, bateaux :

1 1 1c ( y pqj + y qpj )
mj m m
Ctransport = pq
p A \ AT q AI AT m j M

Pnalits en cas de retard :


Cdelay = 1C p
p A \ {AgZ1 }
Dp

Cot de stockage en cas davance de dlivrance :


Cearliness = 1{ } 1 c
p A \ AgZ 1 s i S
si
p Ep

Avec :
- cwi : le cot de lemprunt de la route wi ;

- cpq : le cot de chargement la zone p et de dchargement la zone q ;


m
- c pqj : le cot du moyen de transport utilis mj ;

- Cp : le cot de retard de livraison par jour ;


- Dp : le nombre de jours de retard ;
s
- cpi : le cot de stockage dans lentrept Si de la zone p ;
- Ep : le nombre de jours davance de livraison.

Nous mettons en place un ensemble de limites caractrisant les valeurs des critres afin de
mieux valuer la qualit des solutions et des mthodes de rsolution. Nous avons alors :

Croutes = 1 1 1 (c wi (
+ c pq ) x wpqi + xqp
wi
Ref )
! DCroutes (1)
wi Wroutes pA\ AT qAI AT

1 1 1c ( y pqj + y qpj ) A Ctransport


mj m m
Ctransport = pq Ref (2)
p A\ AT q AI AT m j M

Cdelay = 1{ C } D
p A \ AgZ1
p p A CRef
delay
(3)

Cearliness = 1{ } 1 c
p A \ AgZ 1 s i S
si
p E p A Cearliness
Ref (4)

Lanalyse des valeurs des critres permet de dceler les anomalies dans les ordonnancements
obtenus en local et dy remdier. Ces indicateurs nous donnent des informations sur le niveau
et lintensit de la crise au niveau de chaque zone de la chane. Seuls les agents zones dont
les solutions locales prsentent un dbordement par rapport aux critres, devront
rordonnancer pour amliorer leurs solutions. Un mcanisme de ngociation entre agents

142
zones a t mis en place lors des travaux de Zoghlami (Zoghlami, 2008) pour rsoudre les
situations bloquantes.

IV.4 Etude de convergence du systme propos


La convergence globale des systmes multi-agents a fait lobjet de beaucoup dintrt dans de
nombreux domaines de recherche (Reynolds, 1987 ; Jadbabaie et al., 2003). Dans le but
essentiel de contrecarrer les problmes de complexit exponentielle, nous nous proposons de
mettre en place un systme de rsolution qui se base sur la dcomposition du processus global
en un ensemble de tches moins complexes sexcutant en parallle. Nous tudions la
convergence des agents logistique de notre CLGC pour pouvoir conclure sur la convergence
du systme global propos.

IV.4.1 Convergence dun agent logistique


Afin de prouver la convergence de notre systme propos, nous tudions la convergence des
agents logistiques de notre CLGC.

IV.4.1.1 Etude de complexit du comportement de lagent Mtropole


Nous tudions dans cette section, la complexit de lalgorithme de positionnement des zones
de lagent Mtropole afin de juger de sa convergence.

La complexit de l'algorithme de positionnement ncessite le calcul de complexit des


diffrentes actions appeles par l'algorithme.
Pour chaque boucle sur lalgorithme principal, on diminue le nombre darbres dans la fort de
1. Et on commence N. Ainsi lors du ime passage dans la boucle nous avons :

1F8 ' = % 9 % PF8

Avec c1 et c2 respectivement les cots de la premire et de la seconde ligne.

D(i) est le cot du calcul des distances.

PF8 ' FQ 2 8 2 3R

O c3 est le cot le plus dfavorable du calcul dune distance (cas de larbre 2-S). En effet,
lors du ime passage, il ne reste que N-i arbres dans la fort. Lorsque lon calcule la distance on
vient den runifier un de plus. Donc il ne reste que N-i-1 arbres.

Or nous allons simplement calculer la distance entre ce nouvel arbre et les anciens arbres, soit
N-i-2 calculs.

143
Nous avons donc :

UA9 UA9

SFQ ' T 1F8 ' D T = % 9 % FQ 2 8 2 3R


;J< ;J<

FQ 2 3FQ 2 &
SFQ ' FQ 2 &F= % 9  % FQ 2 3FQ 2 &R 2 D R
3

FQ 2 3FQ 2 &
SFQ ' FQ 2 &F= % 9  % R
3

Q9
SFQVR
3

En dfinitive, nous avons prouv que notre algorithme de positionnement implment au cur
de lagent mtropole est polynomial en N2.

IV.4.1.2 Etude de complexit du comportement de lagent zone


Le moteur de calcul de lagent zone est un algorithme dordonnancement. Deux voies de
rsolution des problmes dordonnancement sont considres : donner une solution exacte
selon une stratgie connue, ou bien donner des heuristiques qui permettent dobtenir des
solutions approches ayant un cart raisonnable par rapport la solution optimale ou par
rapport une borne infrieur calcule. Selon lapproche choisie, il est facile de dmontrer que
pour des problmes de petite taille, lalgorithme converge vers une solution optimale. Les
agents zones ordonnanceurs disposent au niveau de la couche mathmatique de notre
architecture dune bibliothque dalgorithmes dordonnancements. Selon la situation sur le
terrain et la taille du problme, chaque agent ordonnanceur choisit dappliquer lalgorithme le
mieux adapt son environnement.
Chaque agent zone prendra une dcision locale en fonction des capacits de perceptions de
l'environnement immdiat. La solution deviendra donc hautement parallle puisque tous les
agents feront leurs calculs en mme temps. Le fait de limiter la prise de dcisions une
situation purement locale permet galement de rduire la complexit de la solution.

IV.4.2 Convergence du systme propos


La principale difficult induite par lutilisation de systmes multi-agents est quil est plus
difficile de matriser le comportement et lvolution du systme global, constitu dagents
autonomes : pour un problme donn, il nest pas assur que lensemble des agents converge
vers une solution commune et unique. Le systme doptimisation des flux propos sappuie
sur une architecture distribue compose de plusieurs agents ordonnanceurs qui cooprent et

144
interagissent, par change de messages, suivant une approche dcentralise pour construire un
ordonnancement local au niveau de chaque agent, et de manire converger au mieux vers
une solution globale qui satisfait des exigences adoptes collectivement. Nous prouverons
dans cette section la convergence de notre solution.
Commenons tout dabord par dfinir la notion de stratgie : Une stratgie est lensemble
dactions qui caractrisent le comportement dun agent dans une socit dagents.
Au dpart, et dans une socit dagents, chaque agent se comporte selon une stratgie initiale,
mais avec le temps qui passe, il merge toujours un phnomne global que la plupart des
agents tendent suivre, convergeant ainsi vers une stratgie comportementale, que l'on
appelle la synchronisation collective.
Nous nous intressons dans ce contexte la notion dmergence et ses implications dans un
SMA.

IV.4.2.1 Caractrisation dun phnomne mergent


En thologie et en entomologie, un comportement mergent est un effet global qui rsulte de
l'application de rgles locales, gnralement trs simples. Par exemple, il est possible de
simuler l'activit trs complexe d'une fourmilire l'aide de rgles trs simples concernant
chaque fourmi (Drogoul, 1993). En science des systmes, l'accent est mis sur le phnomne
d'mergence. Ce n'est plus une somme de comportements simples mais le rsultat d'une
interaction entre ces comportements et la complexit du systme. Nous proposerons donc une
approche distribue ce problme qui s'appuie sur la coopration dagents ractifs permettant
dobtenir la solution par mergence du comportement global de la CLGC.
Un rcent travail de bibliographie sur la notion d'mergence, en particulier dans les SMA, est
fourni par (Deguet, 2008). Ce travail est axe sur ce qui caractrise un phnomne mergent et
conclut sur l'importance primordiale des interactions par rapport aux comportements
individuels pour leur apparition. Il dfinit l'mergence comme un avis plus ou moins
consensuel, sans fondement formel, regroupant tout ou partie des critres :
Causalit descendante : l'mergent, ou piphnomne, est peru indpendamment des entits
qui composent le systme, mme s'il provient d'elles, et a une causalit de son niveau global
sur le niveau local de ces entits.
Observation et prdiction : l'mergence facilite la description de l'tat du systme ou de son
volution future. Mais il n'y a pas de rduction possible : on ne peut pas dduire le niveau
global du niveau local. L'observation du systme est ncessaire, et le meilleur moyen de
prvoir son volution est de le simuler.

145
Complexit partir de la simplicit : l'mergence est une description simple d'un
comportement complexe.
Interprtation : l'mergence est l'interprtation d'un phnomne rsultant d'une interaction
entre les agents et l'environnement. L'observation et l'interprtation peuvent tre faites par une
personne extrieure au systme (mergence faible) ou par les entits locales elles-mmes
(mergence forte).
Emergence et auto-organisation : bien qu'elles se rencontrent souvent ensemble, ces notions
ne font pas consensus. Pour (DeWolf, 2005), elles sont indpendantes mais toutes deux
positives, et c'est leur combinaison qui fait leur force. Pour (Shalizi, 2001), au contraire,
l'auto-organisation gnre la complexit du systme, ce qui incite rechercher des rgularits
mergentes pour la rduire.
Le tout est suprieur la somme des parties : cette phrase est classique de la caractrisation
de l'mergence, et traduit le gain apporte au systme par l'interaction de ses composants
locaux.
L'une des questions principales lies l'mergence et aux SMA est de dterminer comment
concevoir le niveau local du systme (agents, interactions et organisation) pour garantir
l'obtention d'un comportement mergent particulier au niveau global.
La construction d'un SMA vise la ralisation d'objectifs globaux en dfinissant son niveau
local. Son volution dpend ensuite de donnes fournies par l'environnement, d'une
initialisation particulire, ou de la modification d'agents due l'ouverture du systme. Nous
prouverons dans la suite que le phnomne global qui merge dans notre SMA converge vers
une stratgie dominante.

IV.4.2.2 Convergence prominente de notre systme


Nous nous inspirons dans la suite des travaux de (Jiang, 2008) pour prouver la convergence
de notre systme.
Dans les socits dagents, nous pouvons toujours apercevoir un phnomne intressant : sil
existe des agents dont les rangs sociaux sont plus levs que ceux dautres agents ordinaires,
ou dont les stratgies sont plus dominantes que celles des autres agents ordinaires (les agents
ayant des rangs dominants ou stratgies dominantes sont appels agents de premier plan),
alors la synchronisation collective finit par converger vers les stratgies de ces agents de
premier plan : cest ce quon appelle la convergence prominente.
Soit S lensemble de toutes les stratgies si de notre systme. Pour des raisons de simplicit,
nous affectons un rang (entier naturel) chaque stratgie si dans l'espace des stratgies S et

146
nous supposons que plus la valeur d'une stratgie est grande, plus la stratgie est dominante
dans la synchronisation collective.
Dans notre systme, chaque agent est dot dun rang social. Les agents des diffrentes classes
sociales vont alors avoir diffrents effets sur le systme : les agents suprieurs peuvent
facilement influencer les stratgies des agents subalternes.

Dfinition 1. Le rang social de l'agent ai peut tre exprim par la fonction: pi 8 R.


pi W pj signifie que ai est de rang suprieur aj.
L'ensemble des rangs sociaux de tous les agents dans le systme peut tre exprim par: P =
[pi], o 1! i! n, et n dsigne le nombre d'agents dans le systme.

Dfinition 2. (Capacit de synchronisation des agents individuels).


De toute vidence, plus le rang social de l'agent est lev alors plus celui-ci est capable de
participer la synchronisation collective; d'autre part, selon notre hypothse, plus la valeur de
la stratgie est grande, plus celle-ci est dominante dans la synchronisation collective.
Par consquent, la capacit de synchronisation d'un agent est dtermine par son rang social et
sa stratgie.
Soit si la stratgie de l'agent ai, pi dsigne le rang social de ai, A dsigne l'ensemble des agents
sur le terrain, la capacit de synchronisation ci de ai, peut tre dfinie comme:
A;
; ' X; Y
&
H A
F/F I4Z I
o | A | dsigne le nombre total de tous les agents dans le champ de synchronisation.
La synchronisation collective de notre systme multi-agents suit toujours plusieurs
hypothses:
- Le rsultat de la synchronisation est la convergence vers une stratgie commune mergente:
Les diffrentes stratgies individuelles des agents vont toujours converger vers une stratgie
commune du systme, qui est dans notre cas lobtention dun calendrier global acceptable de
la CLGC;
- Au dpart, les effets de tous les agents sur la synchronisation sont identiques et tous les
agents ont la mme capacit de synchronisation;
- Tous les agents zones ordonnanceurs peuvent faire appel aux algorithmes doptimisation
implments au niveau de la couche mathmatique. Pour chacun, les donnes dentre et
sortie dpendent de sa propre perception de son environnement et de la stratgie choisie.

Analysons maintenant la convergence de la stratgie de chacun des agents de notre systme.

147
- La stratgie de lagent Intgrateur Evaluateur est dvaluer la validit des solutions locales
en se basant sur des indicateurs de performances prdfinis, et denvoyer des notifications de
r-ordonnancement aux agents zones ordonnanceurs. Des conditions suffisantes sont fournies,
qui garantissent la convergence de cet agent ordinaire.

- La stratgie de lagent Transport est dallouer les moyens de transports et les routes
praticables pour chaque agent zone ordonnanceur, en vue de lacheminement des ressources.
Des conditions suffisantes sont fournies, qui garantissent la convergence de cet agent
ordinaire.

- La stratgie de lagent Mtropole consiste en la cration et le dploiement de la chaine


logistique de gestion de crise, en se basant sur larbre de Steiner pour minimiser le cot de la
chane cre. La convergence de cet agent de premier plan a t prouve dans la section
IV.3.2 (IV.3.2.1Convergence dun agent logistique).

- La stratgie de chacun des agents zone ordonnanceurs, qui sont considrs dans notre cas
comme des agents de premier plan, est de fournir un ordonnancement local optimis pour
lacheminement des ressources vers les zones subalternes, en utilisant des algorithmes
doptimisation connus lavance. Chaque agent zone ordonnanceur peut puiser dans la
couche mathmatique de notre architecture pour choisir lalgorithme le mieux adapt sa
situation. Grace laspect distribu de notre approche, les donnes d'entre et de sortie de
chaque sous problme dordonnancement sont en quantits limites et les diffrentes tches
planifier sont en nombre limit. Chaque agent zone est confront gnralement un problme
d'ordonnancement de petite taille. Cela devrait conomiser considrablement le temps de
calcul et garantir la convergence de chacun de nos agents-zones de premier plan, comme
prouv dans la section IV.3.2 (IV.3.2 Convergence dun agent logistique)

En se rfrant aux dfinitions prsentes dans les travaux de Jiang (Jiang, 2008), nous avons
identifi les agents de premier plan et les agents ordinaires de notre CLGC. En partant de
lhypothse que les agents de mme types ont tendance suivre la mme stratgie, et que les
agents ayant un rang social plus lev possdent un degr de convergence dominant par
rapport aux autres agents, et en se rfrant la section prcdente, nous prouvons que les
stratgies des agents ordinaires ont tendance converger vers les stratgies dominantes des
agents de premier plan. Nous obtenons donc lmergence du phnomne de convergence
globale prominente dans notre systme.

148
IV.5 Conclusion
Dans ce chapitre, nous avons prsent deux approches doptimisation pour la mise en uvre
dun systme daide la dcision au service de la logistique militaire. Les approches adoptes
sont intgres dans un systme dinformation multi-agent dont le comportement vise
satisfaire les consommateurs en zone de crise, en termes du temps dattente des livraisons, et
satisfaire les gestionnaires du systme, en termes du cout de gestion de la chane logistique.
Lapproche doptimisation ractive propose se base sur une interaction dynamique et flexible
entre les agents zones et des agents connexes pour se coordonner efficacement afin de couvrir
lintgralit des tches traiter lors dune crise. Nous avons donc prsent dans ce chapitre les
processus doptimisation des flux adopts.
Nous prsentons dans le chapitre suivant, la plateforme de dveloppement multi-agent
utilise, avant dillustrer la pertinence de nos approches par des scnarii de simulations et les
rsultats obtenus.

149
Chapitre V : Outil de simulation propos pour diffrentes situations
logistiques

V.1 Introduction
Nous avons dvelopp un systme multi agent aussi gnral que possible qui traite du
problme de la gestion des flux en cas de crise. Ce systme a pour but de vrifier lefficacit
de notre approche en termes de temps de stabilisation de la crise, de qualit des solutions et de
respect des contraintes. Dans ce dernier chapitre, nous dtaillons les diffrents rsultats issus
de loptimisation. En consquence, nous prsentons dans un premier temps la plate-forme de
simulation choisie ainsi que les outils utiliss. Par la suite, nous progressons dans les
simulations en faisant un suivi de ltat de crise suivant la modlisation adopte de la CLGC.

V.2 Les plateformes de dveloppement


Le besoin de mettre en uvre des systmes plusieurs composantes autonomes ncessite une
infrastructure de logiciels utilise comme environnement pour le dploiement et l'excution
d'un ensemble d'agents. Cette infrastructure est appele plate-forme de dveloppement des
systmes multi-agents. Une plate-forme de dveloppement des systmes multi-agents est une
infrastructure de logiciels utilise comme environnement pour le dploiement et l'excution
d'un ensemble d'agents.
Cependant, limplmentation de tels systmes savre souvent difficile au niveau de la
manipulation de structures de donnes complexes, de la distribution, de la communication
ainsi quau niveau des contraintes matrielles imposes. En plus, lintelligence artificielle est
un domaine de recherche extrmement riche et cette richesse induit une grande complexit et
une grande multiplicit des approches proposes, ce qui conduit de trs nombreux modles
dagents, denvironnement, dinteractions et d'organisations. Ces modles sont souvent
combins au sein d'un mme systme multi-agent. Ainsi, le mieux est de choisir une
plateforme multi-agent adapte aux contraintes du systme mettre en uvre. En recherchant
dans les outils disponibles, nous pouvons trouver une varit de plateformes qui permettent la
mise en place et le suivi du processus de dveloppement base dagents. Comme le choix
d'une plateforme d'agent a une grande influence sur la conception et la mise en uvrer des
agents, FIPA (Fdration International Agent) a produit les normes qui concernent comment
une plateforme d'agent devrait tre (ACL). Ces normes existent pour assurer une conception
uniforme des agents indpendamment de la plateforme. La plupart de ces outils sont

151
dvelopps avec Java. Nous donnons dans ce qui suit une brve prsentation des outils les
plus cits et utiliss.

V.2.1 CORMAS :
Abrviation de COmmon Resources Multi-Agent System, CORMAS est une plateforme libre
(open source) base sur SmallTalk comme langage de programmation pour le dveloppement
de systmes multi-agent. Spatialise, cette plateforme est plutt oriente vers des
problmatiques de recherche en sciences du dveloppement et de ngociation entre acteurs.

V.2.2 Zeus
Il sagit dune plateforme logicielle (Nwana et al., 1999) dveloppe par British Telecom
System Research Lab o des systmes collaboratifs peuvent tre labors en quatre phases :
analyse, conception, ralisation et support lexcution. Elle dfinit les rles au dbut de
llaboration, pour ensuite dcrire lorganisation et enfin la coordination. Elle prsente par
ailleurs linconvnient majeur dtre trs complexe et difficile de maitrise et ncessite donc de
longs apprentissages.

V.2.3 MadKit
Madkit4 (Multi-Agent Developpment Kit) cr en 1996 par Olivier GUTKNECHT et Michel
FERBER (Laboratoire dInformatique, de Robotique et de Micro-lectronique de
Montpellier). MadKit est une plateforme multi-agent entirement crite en Java. Elle se base
sur un modle organisationnel (Agent/Groupe/Rle).
La communication dans Madkit est base sur un mcanisme de peer to peer, et permet le
dveloppement rapide des applications distribues en utilisant les principes multi-agent. Parmi
les outils que Madkit propose, on trouve une interface graphique qui permet de supporter
diffrents modes dutilisation et dexploitation de la plateforme.

V.2.4 Jade
Acronyme de Java Agent DEvelopment, JADE est un framework bas sur le langage Java et a
t dvelopp l'Universit de Parme en Italie. Cest une plateforme JAVA initie pour le
dveloppement des SMA et rpond aux normes FIPA. A ce stade, il convient tout dabord de
dfinir la norme FIPA50 (Foundation for Intelligent Physical Agents) avant de procder la
description de JADE.
FIPA (Fondation for Intellegent Physical Agents)
Etant donne la diversit remarquable des travaux de recherche touchant au domaine du
multi-agent, une normalisation simposait et la FIPA a ainsi t initie, en 1996, comme projet

152
de normalisation du concept agent. Ce projet a t mis en place, et plein dautres encore, en
vue dinstaurer une interoprabilit tangible entre agents et concepteurs. A signaler dans ce
contexte, les projets AUML51 (Agent UML) et FIPA laquelle nous nous intressons
particulirement. Celle-ci promet en effet une meilleure interaction et communication inter
agents via des moyens standardiss, sans pour autant porter atteinte leur sens initial.
Les documents FIPA dcrivent le modle de rfrence dune plate-forme multi-agents ou ils
identifient les rles de quelques agents cls ncessaires pour la gestion de la plateforme, et
spcifient le contenu du langage de gestion des agents et lontologie du langage. Trois rles
(agents) principaux sont identifis dans une plate-forme dagent :
Le DF Director Facilitor est un module qui fournit un service de pages jaunes la
plateforme.
Le ACC Agent Communication Channel gre les diffrentes communications entre les
agents.
Le AMS Agent Management System supervise lenregistrement des agents, leur
authentification, leur accs et lutilisation du systme.

Jade utilise pour la communication entre agents le langage FIPA ACL. Il sagit dun langage
standard et impose le codage, la smantique et la pragmatique des messages.

V.3 Choix de la plateforme


La portabilit pourrait tre assure en choisissant une plateforme dveloppe en langage Java.
En effet, le langage Java est portable ce qui facilite la portabilit de la plateforme. Or la
plupart des plateformes multi-agent sont base de java, la portabilit est donc assure dans la
majorit des cas.
Pour la slection de la plateforme, nous avons nglig les critres insignifiants telles que la
difficult dapprentissage ou la non disponibilit des sources. Nanmoins, nous avons
soulign quelques critres importants :
- La possibilit dimplmenter des systmes relativement complexes ;
- La flexibilit : viter les plates-formes qui supportent une mthodologie
particulire ;
- Lacclration de dveloppement grce la prsence suffisamment importante de
briques logicielles pour pouvoir produire une application aboutie ;
- Le traitement distribu et notamment la prsence dun support pour le paradigme
AM ;
- Possibilit dintgration des services web.
153
- La portabilit.

Les deux plateformes qui ne spcifient aucune mthodologie et peuvent tre considres
comme des frameworks2 , sont JADE3 et Jack mais JADE lemporte avec plusieurs autres
caractristiques intressantes telles que la possibilit dintgration des Web services et
lexistence dun bon support de langages de contenu et dontologies.

Ainsi, pour le dveloppement de notre systme et la simulation des rsultats de nos approches
doptimisation distribue, nous avons choisi la plateforme JADE (Java Agent Development
framework). JADE est un logiciel-mdiateur 4middleware qui permet une implmentation
flexible des Systmes Multi-Agents communiquant grce un transfert efficace des messages
ACL (Agent Communication Language), conformes aux spcifications de la FIPA. JADE est
crit en Java, supporte la mobilit, volue rapidement et fait partie aujourdhui des rares
plateformes multi-agents qui offrent la possibilit dintgration des services Web (Green,
2005. Dun autre ct, JADE tente de faciliter le dveloppement des applications agent en
optimisant les performances dun systme dagents distribu.

V.4 Outils et paramtrages

V.4.1 Plateforme et conteneur


Chaque instance de JADE sexcutant simultanment sur un ou plusieurs postes est appele
conteneur (container). Un ensemble de conteneurs actifs est appel plateforme. Pour chaque
plateforme il existe toujours un et un seul conteneur principal appel main container. Ce
conteneur hberge lAMS Agent Management System) et DF (Directory Facilitator).Tous les
autres conteneurs doivent se dclarer dans le main container .

3
1Un ensemble de bibliothques permettant le dveloppement rapide d'applications. Il fournit suffisamment de
briques logicielles pour pouvoir produire une application1
4
1http://jade.tilab.com1
5
1Permet la communication entre des clients et des serveurs ayant des structures et une implmentation
diffrentes1

154
Figure V. 1 Plateformes et Conteneurs

V.4.2 Outils utiles au dbogage


La plateforme JADE offre des outils utiles au dbogage :
- Dummy Agent
Visualisation des messages
Envoie des messages aux agents prsents sur la plateforme et rceptionne leur
rponse,
- Sniffer Agent
Visualisation de lenchanement des messages, et des messages eux mme.
Vrification interactive de la correction des protocoles.
- Introspector Agent
Visualisation des messages envoys/reus,
Visualisation des Behaviours actifs et non actifs,
Contrle de ltat de lagent.

V.4.3 Langage ACL (Agent Communication Langage)

Les ACL prennent place dans une couche logiquement suprieure celle des protocoles de
transfert (TCP/IP, HTTP, IIOP) et adresse le niveau intentionnel et social des agents. Les
deux ACL les plus connus sont KQML (Knowledge Query and Manipulation Language) et
FIPA-ACL. Nous allons particulirement nous intresser l'ACL de la FIPA.

155
Les agents communiquent entre eux en changeant ce qui peut reprsenter des actes de
langage, et qui sont encoder dans un agent de langage de communication ACL.
Nous avons list quelques-unes des communications possibles les plus utilises et les avons
regroupes selon les actions suivantes :

Actions Syntaxe Dfinition - Sens


Communication de l'accord de l'expditeur d'effectuer une
Accept Proposal accept-proposal
action qui lui a t pralablement soumise.
Communication de l'accord de l'expditeur pour effectuer une
Agree agree
action, sans doute dans le futur.
Communication de l'annulation de l'accord donne
Cancel cancel
pralablement par l'expditeur pour effectuer une action.
Communication par l'expditeur d'une demande d'effectuer
Call for Proposal cfp
une certaine action.
Communication par l'expditeur de la confirmation de la
Confirm confirm validit (selon les rgles de l'agent) de la proposition
pralablement reue.
Communication par l'expditeur de la confirmation de la non
Disconfirm disconfirm validit (selon les rgles de l'agent) de la proposition
pralablement reue.
Communication par l'expditeur d'une proposition, pense vrai
Inform inform
par celui-ci.
Communication par l'expditeur d'une proposition d'action
Propose propose
conditionne certaines prconditions donnes.
Communication par l'expditeur d'une demande au destinataire
Request request
d'effectuer une action.
Tableau V. 1 Quelques actions de communications

Le message type du Fipa ACL contient tout d'abord le type du message envoy (= syntaxe de
ce message), mais aussi :
- l'expditeur du message
- le destinataire du message
- le contenu du message
- le langage utilis dans le contenu du message ("language ..."),
- le protocole utilis,
- l'ontologie auquel le message se rattache ("ontology ..."),
- la rfrence d'un message antrieur auquel le message actuel se rattache ("in-reply-to ..."),
ou la rfrence d'un message ultrieur attendu en retour ("reply-with ...").
- la rfrence de la conversation.

V.5 Simulations et Rsultats


Cette application a pour but de grer les flux de marchandises et lvolution des stocks dune
chane logistique militaire. Lors dune opration militaire, une chane logistique se met en
156
place avec une base logistique de ZRR. Dautres zones logistiques en dcoulent pour relier la
base logistique ZRR la zone dopration.
Nous commenons par prsenter notre dmonstrateur OBAC de manire gnrale, ensuite
nous dtaillons les rsultats obtenus du module de positionnement des zones logistiques,
travers plusieurs scnarii de simulations.
Par la suite nous prsentons les rsultats de simulations du module destimation des besoins,
en les comparants avec les rsultats obtenus avec la premire version du NEA.
Finalement, limpact des comportements des agents zones sur lvolution des stocks et
loptimisation des flux sera prsent lors de la dernire section.

V.5.1 Prsentation du Dmonstrateur OBAC


Au dmarrage de lapplication, une premire fentre de configuration apparat. Celle-ci
permet de choisir le nombre de base logistique Terminales (ZT) que lon souhaite associer la
ZRR, ainsi que le nombre de ressources que lon souhaite reprsenter pour la simulation.
On choisit aussi la dure souhaite pour la simulation [de 1 365 jours].

Figure V. 2 Interface initiale du dmonstrateur OBAC

Une fois cette premire fentre valide, une seconde fentre de configuration saffiche
lcran. Cette fentre permet lutilisateur de renommer les ressources, mais surtout de
dfinir la quantit moyenne (en unit de ressource) de ressource consomme par un soldat, en
temps de repos (non combat). Ces valeurs serviront de base pour lestimation des besoins des
zones. Toutefois, lexactitude de ces valeurs nest pas indispensable dans la mesure o
lestimateur de besoins convergera de toute faon vers les valeurs relles.

157
Figure V. 3 Paramtrage des ressources

Une fois cette deuxime fentre valide, la fentre principale du dmonstrateur OBAC
souvre (Figure V.4).

Figure V. 4 Interface graphique principale

Cette fentre permet de dfinir diffrents modes pour la simulation.

Avant de dmarrer la simulation, des modifications ventuelles sont raliser sur quatre des
onglets de lapplication.

1. Lutilisateur choisit les modes de simulation quil souhaite dans longlet Gnral .
Il a galement la possibilit dimposer des perturbations dans ce mme onglet ;
2. Une fois les modes de simulation choisis, longlet proprits des agents permet de
modifier les valeurs internes de chacune des zones logistiques ;

158
3. Si des mouvements de troupes sont prvus, longlet Gestion des troupes permet
denregistrer les mouvements prvus entre les diffrentes zones logistiques ;
4. Enfin, si des oprations particulires sont prvues sur nimporte laquelle des zones
logistiques, lutilisateur a la possibilit de renseigner lapplication sur les dtails de
lopration, afin que lestimateur de besoins puisse en tenir compte et anticiper les
changements de consommations dus des changements dactivits.
5. Une fois les quatre points prcdents renseigns, le bouton Dmarrer la simulation
de longlet Gnral permet de lancer la simulation.
Longlet Vue densemble (Figure V.5) permet davoir une vue sur la structure
hirarchique de la CLGC, avec les niveaux de stocks en chaque ressources et au niveau de
chacune des zones.
Longlet Suivi des paquets permet de visualiser les marchandises en cours de livraison dans,
o les colis en retard (ou perdus) saffichent en rouge. La coloration des lignes est fonction
des zones de dpart et darrive :
- Gris entre MainAgent et la ZRR
- Violet entre la ZRR et les ZI,
- Vert entre les ZI et les ZT,
- Rouge entre deux ZT.

Figure V. 5 Suivi des paquets

Longlet Suivi stocks et flux permet dafficher lvolution des stocks des diffrents agents
pour les diffrentes ressources. Notamment, les niveaux de stock des jours passs sont
affichs en bleu, et les niveaux venir sont en bleu ciel et beige.

159
Figure V. 6 Evolution des stocks

V.5.2 Positionnement des zones : Le mode automatique


Dans cette section nous prsentons les rsultats de nos tests sur lalgorithme de
positionnement des zones logistiques que nous avons implment. Nous avons pour cela
construit diffrents scnarii recouvrant la quasi-totalit des cas possibles. Lors de ces tests,
lutilisateur rentre les coordonnes de zones connues au dpart, savoir la zone mtropole et
les zones sinistres. Ces zones seront appeles zones utilisateurs pour les besoins de la
simulation et elles seront reprsentes en bleu sur la carte et libelles dun U.
Lalgorithme cre alors des zones dite intermdiaires qui seront reprsentes en rouge sur
la carte et libelles dun I.
Lorsque les zones utilisateurs sont rparties sur des continents diffrents, loutil demande
lutilisateur ( laide dune nouvelle fentre) de placer sur la carte de nouvelles zones. Ces
zones sont appeles zones portuaires . Elles sont reprsentes sur la carte de la mme
faon que les zones utilisateurs : couleur bleue et lettre U.

Les rsultats des tests sont prsents de la manire suivante :


- Un tableau rcapitulant les donnes entres par lutilisateur;
- Linterface de saisie de donnes concernant les coordonnes des zones utilisateurs ;
- Un imprim de lcran contenant les coordonnes des ventuelles zones portuaires ;
- Linterface graphique de la carte du monde o figurent toutes les zones ;
- Les rsultats retourns par lalgorithme dans la console savoir : le poids de larbre gnr
(quivalent de la distance cumule entre les zones) et les coordonnes gographiques des
zones intermdiaires cres.

160
V.5.2.1 Premier test : cas de 2 zones utilisateurs

Les tests du cas deux zones sont des plus triviaux. En effet, dans ce cas de figure, loutil ne
gnre pas de zones intermdiaires en considrant quil n y a pas doptimisation faire en
terme de distance pour relier les deux zones (le plus court chemin entre deux points est la
ligne droite). Cependant, la seconde sous partie montre un exemple avec la cration de zones
portuaires, dans le cadre de la prise en compte de la contrainte eau (nous avons fait en
sorte quaucune zone intermdiaire ne soit place en plein milieu dun ocan).

a) Sur un mme continent

Donnes de dpart :
Zones Zones Zones
Latitude Longitude Latitude Longitude Latitude Longitude
initiales terminales portuaires
Tokyo 35.69 139.69 Fukushima 37.76 140.47 - - -
Tableau V. 2 Donnes de dpart pour
le cas 2 zones

Figure V. 7 Paramtrage des zones, cas 2 zones

Rsultats obtenus :
- Deux curseurs pointant sur les deux villes dfinies par lutilisateur.
- Arbre dune seule branche et de poids non nul :
Poids de larbre de Steiner = 0.0471
- Pas de cration de zones intermdiaires.
- Les deux zones utilisateurs sont places sur la carte.

161
Figure V. 8 Les deux zones utilisateurs

b) Sur deux continents diffrents

Dans ce cas, on dfinit deux zones initiales qui sont sur deux continents diffrents : lEurope
et lAfrique. Linterface nous demande donc de dfinir des zones portuaires. On va donc se
ramener deux cas de deux zones chacun.

Donnes de dpart :
Zones Zones Zones
Latitude Longitude Latitude Longitude Latitude Longitude
initiales terminales portuaires
Paris 48.85 2.35 Kairouan 35.67 10.09 Tunis 36.82 10.17
Marseille 43.3 5.37
Tableau V. 3 Donnes de dpart pour le
cas 4 zones

Rsultats obtenus :
- Quatre curseurs indiquant la zone initiale, terminale et les zones portuaires.
- Deux arbres dune branche chacun, de poids total non nul.
Poids de larbre de Steiner = 0.340
- Pas de cration de zones intermdiaires.

162
Figure V. 9 Deux zones utilisateurs et deux zones portuaires

V.5.2.2 Deuxime test : cas de 3 zones utilisateurs

a) Sur un mme continent


Dans un cas trois points sur un mme continent, lalgorithme doit dfinir un point de
Steiner, donc une zone intermdiaire, permettant de lier nos zones initiales notre zone
terminale, minimisant ainsi la distance totale cumule de la chane logistique de gestion de
crises.

Donnes de dpart :
Zones Zones Zones
Latitude Longitude Latitude Longitude Latitude Longitude
initiales terminales portuaires
Los 34.05 -118.24 Chicago 41.87 -87.6 - - -
Angeles Nouvelle 29.95 -90
Orlans
Tableau V. 4 Donnes de dpart pour le
cas 3 zones

Figure V. 10 Paramtrage des zones, cas de 3 zones sur un mme continent

Rsultats obtenus :
- Cration dune zone intermdiaire quivalente au point de Steiner.
- Quatre curseurs sont placs sur la carte, trois zones U utilisateurs, et une zone I
intermdiaire correspondante au point de Steiner.

163
- Arbre trois branches de poids non nul :
Poids de larbre de Steiner = 0.737
Coordonnes du point de Steiner = (latitude : 34.28 ; longitude : 93.03)

Figure V. 11 Trois zones utilisateurs et une zone intermdiaire

Envisageons dsormais une solution la main . Nous choisissons par exemple de placer
intuitivement la zone intermdiaire sur Dallas (latitude : 32.80 ; longitude : -96.77), au Sud-
Ouest de la zone propose par lalgorithme. Nous montrons que le poids de larbre issu de ce
choix (distance totale interzone) est plus lev que celui de larbre issu de lalgorithme.

164
Nous effectuons le mme essai en plaant la zone intermdiaire Wichita (latitude : 37.69 ;
longitude : -97.34), dans le Kansas, ville qui semble plus centre que Dallas. Voici ce que lon
obtient :

Nous pourrions encore essayer beaucoup de villes des Etats-Unis, sans jamais trouver
meilleur positionnement que celui suggr par lalgorithme. Cet ultime test dmontre donc

165
bien lintrt de lalgorithme que nous avons dvelopp du point de vue de la minimisation
des distances.

b) Sur deux continents diffrents


Nous allons tester ici un cas 3 points comportant une zone initiale sur un premier continent
et deux zones terminales sur un deuxime. Nous aurons crer des zones portuaires.
Lapplication devra alors gnrer une zone intermdiaire sur le deuxime continent, o trois
zones utilisateurs sont finalement implantes, tandis que le cas du premier continent
correspondra un cas deux points.

Donnes de dpart :
Zones Zones Zones
Latitude Longitude Latitude Longitude Latitud Longitud
initiales terminales portuaire
e e
Montral 45.51 -73.55 Berlin 52.52 13.41 s
Sozopol 42.42 27.70 Halifax 44.65 -63.57
La 46.16 -1.15
Rochelle
Tableau V. 5 Donnes de dpart pour
le cas 2 continents
Rsultats obtenus :
- Cration dune zone intermdiaire au niveau du continent europen.
- Six curseurs placs sur la carte, trois zones U utilisateurs, deux zones U portuaires, et une
zone I intermdiaire correspondante au point de Steiner.
- Arbre total de poids non nul.
Poids de larbre de Steiner = 0.175
Coordonnes du point de Steiner = (latitude : 50.124 ; longitude : 12.931)

166
Figure V. 12 Trois zones utilisateurs (2 zones portuaires et une zone intermdiaire)

Bien que cette approche ait prouv sa pertinence, il est probable quen logistique militaire, le
choix ne se fasse pas toujours de faon automatise. En effet, lintervention humaine est un
facteur trs important qui se base sur lexpertise et lexprience des logisticiens aux
commandes. Nous proposons alors une aide au positionnement qui permet de prendre en
compte des paramtres, autres que la minimisation de la distance, et qui sont caractristiques
de la logistique militaire, comme linfrastructure en place ou les situations gopolitiques.

V.5.3 Aide au positionnement des zones : Le mode Manuel


Dans cette approche, nous nous mettons sous lhypothse quil existe des zones dappuis
stratgiques pr installs un peu partout dans le monde. Le logisticien alors, au lieu dinstaller
la zone logistique dans une rgion inconnue, va privilgier lutilisation des zones dappuis
implantes.

Loutil va aider le logisticien dans sa prise de dcision pour le choix en nombre et en


localisation des zones intermdiaires utiliser.

Notre choix sest port sur le cas du Japon pour illustrer les rsultats des simulations. En effet,
le sisme du 11 mars 2011, suivi d'un tsunami, a fait de trs nombreuses victimes et a
provoqu un grave accident nuclaire. Cette catastrophe a ncessit un appui logistique
durgence considrable. Nous avons donc essay, en nous basant le plus possible sur ces faits
rels, de mettre en place une base de donnes dans laquelle loutil daide la dcision puise
pour ensuite proposer les villes les plus sures et les mieux situes pour pouvoir y implanter
des bases logistiques. Lobjectif gnral est dtre le plus efficace possible au niveau des
interventions de secours et de soutien la zone de crise.

167
V.5.3.1 Donnes utilises
Avant de concevoir loutil daide la dcision, il fallait rcuprer un maximum de donnes
sur le Japon pour pouvoir proposer un scnario au plus proche de la ralit. Nous avons donc
choisi dutiliser toutes les cartes et les donnes listes ci-dessous :

Figure V. 13 Carte des villes et aroports

168
Figure V. 14 Mers et Ports

* Distance France Japon : 9 616 Km (de Paris au Japon)


* Villes choisies : Fukuoka, Kagoshima, Kobe, Nagoya, Sapporo, Sendai, Tokyo. Ces villes
ont t choisis car elles sont suffisamment espaces les unes par rapport aux autres pour
couvrir quasiment tout le Japon et car elles comptent parmi les villes les plus grandes du
Japon. Elles peuvent donc servir de zones dappuis stratgiques. Nous avons ensuite effectu
une liste des caractristiques de chaque ville pour pouvoir rentrer ces donnes dans loutil
daide la dcision.
Fukuoka Kagoshima Kobe Nagoya Sapporo Sendai Tokyo

Nombre de Grandes Routes 4 1 2 4 3 3 5

Nb Aroports 0 0 0 2 0 0 1

Nb Ports 4 0 1 1 0 1 1

Pondration Montagneuse 1 0 1 3 2 2 2

Pondration Humaine 2 1 2 2 2 1 3

Latitude 33.6 31.6 34.7 35.2 43.1 38.3 35.7

Longitude 130.4 130.6 135.2 136.9 141.4 140.9 139.8


Tableau V. 6 Donnes relatives aux villes dappuis stratgiques

Les pondrations montagneuses et humaines varient de 1 3 (3 tant lindice correspondant


une zone montagneuse ou humaine la plus importante).
Loutil propose lutilisateur dans un premier temps de saisir le pays qui fait office de zone
mtropole ainsi que le pays touch par la crise travers une premire interface.

169
Figure V. 15 Interface dinitialisation

Ensuite lorsque lutilisateur click sur OK loutil daide au positionnement calcule la


distance entre ces deux pays et fait une estimation du cot daffrtement arien induit si lon
fait un trajet uniquement en avion de la mtropole vers la zone de crise (les donnes
slectionnes sont celles dun A 380 pour un trajet contenant 550 passagers et des dizaines
voire centaines de tonnes de chargement). Dans un souci de simplification, nous avons dcid
de comparer les trajets avec un seul moyen de transport, il suffira par la suite de multiplier les
cots par le nombre exact de moyens de transport envoys. Ce calcul reprsente le cot que
lutilisateur devrait payer sil nimplantait pas de bases logistiques intermdiaires. Ce cot est
pris en considration dans les calculs de la suite.

V.5.3.2 Rsultats des exprimentations

* Premier test

Nous simulons, dans ce premier test, une situation de crise qui sest dclar dans la ville de
Sendai. Une fois la ville saisie par lutilisateur, loutil affiche les caractristiques de la ville
concerne (nombre de routes, de ports, pondration humaine cf. partie au-dessus). Un click
sur Annuler permet un retour la slection des pays mtropoles et de crise. Enfin lorsque
lutilisateur choisi de Lancer le calcul loutil daide au positionnement calcul le coefficient
de pertinence pour toutes les villes qui peuvent servir de zones dappuis stratgiques (sauf
celle en crise bien sr).

170
Figure V. 16 Rsultat du premier test

Ainsi on voit que si une ville est trop loigne, ou ne dispose pas dassez dinfrastructures
(ports, routes, humains.) ou si elle reste trop encombre par des zones montagneuses, le
logiciel jugera que si on y implante une base logistique, le cot et lefficacit de lintervention
ne sera pas optimal. Ainsi loutil conseille un nombre de bases logistiques utiliser ou placer
(ce nombre reste discutable selon lurgence et ltat de la zone de crise) et indique
lesquelles choisir en priorit pour optimiser au maximum lefficacit logistique.
Lors de cette premire simulation, loutil conseille de placer 2 bases logistiques Tokyo et
Nagoya pour pouvoir aider la ville de Sendai trs affecte par le sisme.
Nous avons galement rajout un agent perturbateur destructeur de routes et dinfrastructures
qui permet de simuler les ralits des crises, savoir, pour lexemple du Japon notamment, les
lourdes consquences dun tsunami ou dune menace nuclaire (pertes humaines et
structurelles) comme par exemple pour la ville de Tokyo o les consquences sont une
destruction de 3 routes suite au tsunami, de nombreuses pertes humaines et une rquisition de
laroport pour permettre aux personnes restantes de fuir le pays :

171
Figure V. 17 Cas dune perturbation

Loutil daide la dcision sadapte. Dans le cas dune crise survenant dans une crise
(exemple : lorsquune ville a t compltement dtruite par une catastrophe ou une attaque) il
ne conseille pas au logisticien dy implanter une base. Dans notre exemple en redmarrant une
simulation, le logiciel calcule le nouvel indice de pertinence de Tokyo qui a baiss jusqu 2
(au lieu de 8 prcdemment) et ne conseille plus quune seule BL place Nagoya.

* Second test
Dans ce deuxime jeu de simulation, cest la ville de Tokyo qui a t frappe par le sinistre.
Nous obtenons les rsultats suivants : Loutil daide au positionnement propose de placer 3
zones intermdiaires, savoir Nagoya en premier lieu, Sendai en deuxime lieu et finalement
Kobe en troisime position

Figure V. 18 Rsultat du second test

172
Un deuxime mode de fonctionnement possible et de laisser lutilisateur choisir la zone
dappui stratgique et lui fournir une valuation sur son choix.
Ainsi, avec Sendai comme ville de crise, si le commandement souhaite choisir Tokyo comme
Base Logistique, le logiciel lui confirme que cest un trs bon choix (le meilleur mme). Sil
choisit Kobe cest un choix correct. Par contre sil choisit (pour des raisons politiques par
exemple) Kagoshima qui est loppos de lle et qui ne dispose pas dinfrastructures trs
intressantes, le logiciel lavertit que de lourdes consquences financires sont prvoir.

Figure V. 19 Evaluation de la dcision du logisticien

Nous constatons que notre approche permet la fois de jouer le rle doutil daide la
dcision pour le commandement militaire mais aussi danticiper le positionnement stratgique
et gographique de bases logistiques dans une zone en crise. Ce dernier peut trs facilement
tre adapt la logistique civile, o il suffirait dadapter les critres de calcul de pertinence.

Dans la section suivante, nous prsentons les rsultats de simulations de lagent holonique
Need Estimating Agent, qui permet destimer les consommations futures de marchandises au
niveau des zones sinistres.

V.5.4 Les tests du Need Estimating Agent


Pour raliser ces simulations, deux sries de tests ont t effectues.

V.5.4.1 Premier test : variation linaire en fonction du nombre de personnes


Lors du premier test, nous avons considr les paramtres suivants :
- Une variation linaire du nombre de personnes.

173
- Conditions mto stables : 20, 90% dhumidit
- Optimisation faite partir de la temprature, du degr dhumidit et du nombre de personnes
prsentes sur le site.
- On suppose les variations linaires en fonction du nombre de personnes.
- On suppose que pour le matriel tudi, le dbit moyen est de 100 units par semaine pour
100 personnes. Ce dbit varie en fonction de la temprature sur le site et de lhumidit
(donnes reprsentatives des conditions mto). Cette variation est calcule partir dune loi
base sur la logique floue.
- Le site a une dure de vie de huit semaines. Les deux premires semaines reprsentent
ltablissement du site, et les deux dernires, son vacuation.
Nous obtenons les rsultats du tableau V.7. Les rsultats prsents ici sont compars avec les
rsultats obtenus avec la premire version du NEA, notamment en termes derreur obtenue.
Avec le nouvel estimateur base dARMAX, lerreur tend sannuler plus rapidement
quavec les estimateurs statistiques linaires anciennement dvelopps.
Nombre de Estimation Estimation Statistical ARMAX
semaine Valeur relle
personnes logique floue ARMAX estim. error error
1 500 486,26 450 475,67 7,45% 5,39%
2 1500 1458,79 1350 1397,37 7,45% 3,38%
3 2000 1945,06 1700 1757,54 4,92% 3,27%
4 3000 2917,59 2750 2795,171 3,59% 1,61%
5 2500 2431,32 2250 2276,511 2,96% 1,16%
6 2500 2431,32 2300 2322,701 1,57% 0,96%
7 1300 1264,29 1150 1154,842 0,97% 0,39%
8 700 745,4 800 798,67 0,38% 0,25%
Tableau V. 7 Tableau de valeurs du premier test

4766

4666
89ABCD1ED
3766 FDC9D

3666 A919D
9D
2766 DC1CDD
2666
A91
766

6
6 7 26

Figure V. 20 Courbe de valeurs du premier test

174
V.5.4.2 Second test : variation non linaire en fonction du nombre de personnes
Une seconde srie de test a t ralise, les conditions de ce second test sont identiques une
exception prs : Les variations de consommation ne sont plus linaires en fonction du nombre
de personnes prsentes sur le site.
La dure du site est de 11 semaines.
Nombre de Estimation Estimation Statistical ARMAX
semaine Valeur relle
personnes logique floue ARMAX estim. error error
1 5000 4862,64 4500 4752,39 7,45% 5,30%
2 15000 14587,93 15500 15190,04 8,05% 2,04%
3 20000 19450,57 18000 18475,4 3,92% 2,05%
4 30000 29175 20000 22327,23 19,15% 11,66%
5 25000 24313 19000 20220,511 9,96% 6,03%
6 25000 24313 19000 20220,701 9,57% 6,03%
7 13000 12643 14000 13594,69 7,97% 2,98%
8 7500 7294 7500 7458,16 4,38% 0,56%
9 5000 4862,64 4500 4524,48 2,15% 0,52%
10 15000 14187,93 15500 15279,3 2,36% 1,44%
11 20000 19450,57 18000 17896 1,09% 0,58%
Tableau V. 8 Tableau de valeurs du second test

47666

46666
9ABCD1ED
37666 FDC9D

36666 DA91FC
9D19D
27666 !DC1CDD
"99AAD
26666
DA91FC
7666 

6
6 7 26 27

Figure V. 21 Courbe de valeurs du second test

Dans le cas du deuxime test, le graphe (Figure V.21), et le tableau de valeurs, montrent bien
lvolution de lestimation au cours du temps. On voit trs nettement lestimateur ARMAX
samliorer chaque fois, tout en prenant le pas sur lestimation linaire (rgression linaire).
Lestimation saffine au cours du temps jusqu coller pratiquement la ralit et donner une
estimation prcise de la valeur recherche (moins de 2% derreur).

Nous prsentons dans la section suivante les rsultats des simulations de lapproche propose
pour lordonnancement distribu des tches de livraisons.

175
V.5.5 Comportement des agents ordonnanceurs : Scnario Japon
Notre application est le rsultat d'un travail important et continu entre notre quipe de
recherche OSL (Optimisation des Systmes Logistiques- LAGIS - ECLille) et le dpartement
logistique de EADS, dans le but de mettre en uvre un dmonstrateur logistique pour la
gestion des flux dune chane de gestion de crise.
La clause de confidentialit qui lie le LAGIS / EC-Lille et EADS, empche la diffusion des
rsultats de donnes relles. Ainsi, afin d'valuer la solution propose dans le prsent
mmoire et valider l'approche de rsolution du problme d'ordonnancement distribu, nous
avons appliqu la mthodologie propose sur un exemple acadmique d'une chane logistique
de gestion de crise. Pour expliquer concrtement le fonctionnement de la solution propose,
nous allons considrer lexemple de la crise engendre par le sisme qui a touch le Japon en
2011.

V.5.5.1 Donnes du scnario


Ce scnario dure 3 semaines :
2 Semaine 1: Situation durgence due aux inondations ;
2 Semaine 2: Retour un tat stationnaire ;
2 Semaine 3: Nouvelle situation durgence cause des risques nuclaires.

Nous considrons au total 9 zones sinistres, une zone mtropole et 3 zones intermdiaires,
pour avoir un problme dordonnancement un peu plus riche.
Nous avons considr que lapparition de la crise dtecte par lagent mtropole conduit la
cration de 3 zones intermdiaires : ZI1, ZI2 et ZI3 (Figure 14). Chaque agent zone
intermdiaire reoit 3 tches ordonnancer pour aider les zones sinistres.

176
ZT3

ZT3 ZI3
ZT11 ZT31

ZT23
ZT13
ZI2
ZT12
ZI1
ZT2
ZT22
Figure V. 22 Mise en place de la chane logistique

Les moyens de transport utiliss sont les suivants :


*Avions transporteurs (caractristiques bases sur lAirbus A400M, en dveloppement chez
EADS)
* Camions logistiques (caractristiques bases sur le WPK 440, 4x4 logistique de larme de
terre franaise)
Le tableau ci-dessous reprsente les caractristiques de ces moyens de transport.
Airbus A400M WPK 440
Capacit de chargement 340 m3 50 m3
Vitesse 850 Km /h 70 Km/h
Carburant Jet A1 : 1 /L Gasoil : 1,4 /L
Consommation horaire 17 000 L 10 L
Cout horaire 17 000 14
Tableau V. 9 Caractristiques des moyens de transport utiliss pour la CLGC

Pour les dlais de livraison, nous supposons que les dlais de transport entre zone
intermdiaire et zone terminale est de 3 jours par voie terrestre et 1 jour par voie arienne. Les
dlais de transport entre zone mtropole et zone intermdiaire est de 2 jours par voie terrestre
et 1 jour par voie arienne. Dans notre cas le transport entre la zone mtropole (France) et les
zones intermdiaires (situes au Japon) ne peut seffectuer que par voie arienne.

Le temps dexcution correspond au champ temps dexcution de la tche de livraison. Ce


champ va tre mis jour chaque fois que nous changeons le moyen de transport pour le r
ordonnancement.

177
Comme il est difficile de donner une valeur exacte pour les cots de rfrence, les valeurs
utilises lors de ces simulations sont des valeurs approximatives (cela dpend du lieu, de
lintensit de la crise, de la nature de la marchandise etc.)

V.5.5.2 Premire semaine de dploiement


Afin de mettre en vidence la variation des cots de livraison, nous considrons que les agents
zones ordonnanceurs reoivent des requtes trois fois au cours de cette semaine (au jour 1,
jour 4 et jour 7).
Nous considrons tout dabord les donnes suivantes pour les marchandises gres :
1 R1 : vtements
1 R2 : nourriture
1 R3 : mdicaments
Initialement nous avons les quantits initiales de ressources illustres la figure V.23
suivante.

Figure V. 23 Vue densemble de la chane logistique

A t= jour 1, les trois agents ZI1, ZI2 et ZI3 reoivent lensemble des requtes suivantes :
1 V1 :{ metteur : ZT11, receveur : ZI1, besoin : R2, quantit : 5)
1 V2 :{ metteur : ZT12, receveur : ZI1, besoin : R3, quantit : 20)
1 V3 :{ metteur : ZT12, receveur : ZI1, besoin : R1, quantit : 5)
1 V4 :{ metteur : ZT21, receveur : ZI2, besoin : R3, quantit : 5)

178
1 V5 :{ metteur : ZT22, receveur : ZI2, besoin : R3, quantit : 20)
1 V6 :{ metteur : ZT23, receveur : ZI2, besoin : R3, quantit : 5)
1 V7 :{ metteur : ZT33, receveur : ZI3, besoin : R1, quantit : 5)
1 V8 :{ metteur : ZT33, receveur : ZI3, besoin : R2, quantit : 20)
1 V9 :{ metteur : ZT33, receveur : ZI3, besoin : R3, quantit : 5)
Les quantits de ressources demandes sont bases sur les estimations fournis par lagent
Need Estimating Agent (Cf. chapitre III).
La Figure V.24 illustre lensemble des tches reues par les agents zones intermdiaires au
premier jour de la crise.

Figure V. 24 Tches reues par les agents ordonnanceurs au 1er jour (semaine 1)

Les donnes reportes dans la figure V.24 seront transmises aux agents zones ordonnanceurs
qui ont pour mission de gnrer les plans de livraison.
Chaque agent ordonnanceur concern rcupre les informations relatives la requte reue et
procde lordonnancement selon la date darrive des tches et en respectant la date de
livraison demande. Lagent Intgrateur Evaluateur value alors les cots engendrs par les
plannings gnrs. Les indicateurs de performance obtenus sont compars aux valeurs de
rfrence. Leurs valeurs sont les suivantes ;
Local Schedule Indicator1 Indicator2 Indicator3 Indicator4
routes transport earliness
C Croutes
Ref C transport
CRef C Cearliness
Ref
Cdelay delay
CRef

ZI1 1,1 2,5 11,3 30 2,7 2 55 15


ZI2 1,97 2,5 16,4 30 4,2 2 30 15
ZI3 2,7 2,5 9.4 30 1,6 2 25 15

Tableau V. 10 Cots obtenus en K

179
En pratique, nous permettons un pourcentage de dpassement des cots des ordonnancements
par rapports aux cots fixs. Donc un plan ne sera pas directement rejet si son cot est
suprieur au cot de rfrence mais si le pourcentage de dpassement est suprieur un seuil
fix. Lagent Intgrateur Evaluateur dtecte le dpassement au niveau de lagent ZI1. Un
ordre de r-ordonnancement est gnr. Lagent ordonnanceur ZI1 est notifi de la demande
de r ordonnancement, et envoie une demande lagent Transport pour changer le moyen de
transport.

Les indicateurs de performance obtenus aprs le r ordonnancement sont les suivants :

Local Schedule Indicator1 Indicator2 Indicator3 Indicator4


routes transport earliness
C Croutes
Ref C transport
CRef C Cearliness
Ref
Cdelay delay
CRef

ZI1 0 2,5 16,7 30 2,7 2 0 15


ZI2 1,97 2,5 8,4 30 4,2 2 30 15
ZI3 2,7 2,5 9.4 30 1,6 2 25 15

Tableau V. 11 Cots (K) obtenus aprs ajustement

Aprs avoir quitt ltat critique durgence, des requtes apparaissent de nouveau au troisime
jour de la crise. La figure ci-dessous montre les diffrentes tches reues par les agents
ordonnanceurs.

Figure V. 25 Liste des tches reues par les agents ordonnanceurs au 3me jour (semaine 1)

Nous remarquons que dans ce cas, la deuxime tche et la troisime tche sont arrives en
mme temps, mais la priorit est donne la deuxime tche car elle possde la date de
livraison la plus imminente. Aprs simulation nous obtenons :

180
Cot de retard de livraison = 43200 > Cot de retard de rfrence
Cout davance de livraison=0 < Cot davance de rfrence
Ayant effectu le changement du moyen de transport pour le r ordonnancement, les
nouvelles valeurs des indicateurs de performance sont 4800 pour le retard et 0 pour
lavance.

A t = jour 5, les trois agents ZI1, ZI2 et ZI3 reoivent lensemble des requtes
suivantes (Figure V.24).

Figure V. 26 Liste des tches reues par les agents ordonnanceurs au 5me jour (semaine1)

Les plannings de livraison gnrent dans ce cas (aprs le r ordonnancement) ;


Cot de retard de livraison = 4800 <Cot de retard de rfrence
Cout davance de livraison = 2020 < Cot davance de rfrence

V.5.5.3 Deuxime semaine de dploiement


Au cours de cette semaine, il y a un retour un tat stationnaire et nous quittons ltat
durgence.

V.5.5.4 Troisime semaine de dploiement


Nous revenons tat durgence. En effet, le sisme puis les inondations ont entrain un risque
nuclaire. Nous devons procder une vacuation gnrale des ressources humaines prsentes
au Japon : cest ce quon appelle la rtro-logistique.
*Nous considrons les donnes suivantes :

181
1 R1 : soldats,
1 R2 : mdecins,
1 R3 : mdicaments
R1 R2 R3
Zone mtropole 500 500 500
ZI1 195 180 150
ZI2 200 200 170
ZI3 195 180 150
ZT11 50 5 1
ZT12 5 50 20
ZT13 5 20 3
ZT21 30 2 5
ZT22 5 20 20
ZT23 87 50 5
ZT31 4 43 7
ZT32 3 2 10
ZT33 5 20 5
Tableau V. 12 Les quantits initiales de ressources au dbut de la troisime semaine
Au premier jour de cette semaine, les requtes traiter sont comme suit;
1 V1 :{ metteur : ZT11, receveur : ZI1, besoin : R2, quantit : 5)
1 V2 :{ metteur : ZT12, receveur : ZI1, besoin : R3, quantit : 20)
1 V3 :{ metteur : ZT12, receveur : ZI1, besoin : R1, quantit : 5)
1 V4 :{ metteur : ZT21, receveur : ZI2, besoin : R3, quantit : 5)
1 V5 :{ metteur : ZT22, receveur : ZI2, besoin : R3, quantit : 20)
1 V6 :{ metteur : ZT23, receveur : ZI2, besoin : R3, quantit : 5)
1 V7 :{ metteur : ZT33, receveur : ZI3, besoin : R1, quantit : 5)
1 V8 :{ metteur : ZT33, receveur : ZI3, besoin : R2, quantit : 20)
1 V9 :{ metteur : ZT33, receveur : ZI3, besoin : R3, quantit : 5)

182
Figure V. 27 Liste des tches reues par les agents ordonnanceurs au 1er jour (semaine 3)

Lalgorithme dordonnancement gnre les cots suivants ;


Cot de retard de livraison = 12250 >Cot de retard de rfrence
Cout davance de livraison=0 < Cot davance de rfrence

A cause de la gravit de la crise et afin de ne pas entamer les stocks de scurit, les zones
sinistres ont besoin de plus de ressources pour ne pas envisager une nouvelle situation
critique. La figure V.28 dfinit lensemble des tches cres.

Figure V. 28 Liste des tches reues par les agents ordonnanceurs au 2me jour (semaine 3)

Au 5me jour de cette semaine (Figure V.29) les tches reues sont les suivantes :

183
Figure V. 29 Liste des tches reues par les agents ordonnanceurs au 5me jour (semaine 3)

3Un ordonnancement sans entente (sans coopration entre agents) donne :


Cot de retard de livraison = 0 <Cot de retard de rfrence
Cout davance de livraison = 5260 < Cot davance de rfrence

Nous avons compar les cots obtenus avec des cots que peut donner un algorithme
dordonnancement sans entente et non adaptatif en cours de simulation.

Cot total obtenu avec Cot total selon un algorithme sans


entente (K) entente (K)
Jour1_Semaine1 19400 25 440
Jour3_Semaine1 9800 28 200
Jour5_Semaine1 7 920 22 200
Jour1_Semaine3 13 400 27 200
Jour2_Semaine3 9200 31 600
Jour5_Semaine3 7 400 24 600
Tableau V. 13 Comparaison entre le cot de livraison total obtenu, avec et sans entente entre les agents

Les valeurs du tableau prcdent permettent de tracer les courbes ci-dessous.

Figure V. 30 Courbes des cots de livraison

184
La Figure V.30 montre la grande diffrence entre le cot de livraison obtenu avec lapproche
de rsolution distribue propose et celui obtenu en appliquant un algorithme
dordonnancement en absence dentente entre les agents. Dans ce dernier cas, les agents
travaillant en boucle ouverte et sans un vrai retour sur la qualit de leurs solutions, engendrent
un cot de livraison beaucoup plus important. Do lefficacit de la solution propose ainsi
que celle de lapproche multi-agents dans la rsolution dun problme dordonnancement dans
une chane logistique assez complexe.

Lagent Sniffer de la plateforme Jade (figure V.31) permet de tracer lchange de messages
entre les diffrents agents du systme.

Figure V. 31 Sniffer Agent

Au bout de 14 jours de simulation, nous comparons lvolution des stocks en activant le mode
doptimisation de lordonnancement, avec les rsultats obtenus avec le dmonstrateur dans sa
version antrieure. Nous remarquons que pour le mme jeu de simulation, notre approche
permet de lisser lvolution des stocks, en vitant de tomber sous le seuil de scurit, comme
ctait le cas avec la premire version.

185
Figure V. 32 Courbe des stocks avec premire version

Figure V. 33 Courbe des stocks avec lordonnancement distribu

V.5 Conclusion
Dans ce chapitre, nous avons simul le fonctionnement des approches doptimisation adoptes
dans notre dmonstrateur OBAC. Nous avons commenc par prsenter le fonctionnement
gnral du dmonstrateur. Ensuite nous avons prsent plusieurs simulations pour valuer la
performance de notre systme pour la gestion de crise. Les rsultats et scnarii de simulation
montrent la flexibilit et ladaptabilit du systme face aux alas de la crise. LOBAC permet
certainement daider les dcideurs logisticiens dans leurs prises de dcision mais, face leurs

186
expertises il ne sera pas forcment suivi. Cest pour cette raison quil doit sadapter en temps
rel et se rajuster la ralit le plus finement possible afin de proposer des solutions
cohrentes.

187
Conclusion Gnrale
Dans beaucoup de secteurs industriels et notamment celui de la gestion de crise, les chanes
logistiques sont soumises des alas importants (demandes incertaines, dsastres naturels ou
causs par lhomme, etc.) qui menacent leurs volutions et dgradent souvent leurs
performances.

Dans ce contexte, le domaine de gestion des chanes logistiques a suscit, ces dernires
annes, un grand intrt. Les travaux de recherche prsents dans cette thse, dans le cadre
dune coopration avec le dpartement logistique dEADS, visent apporter une rponse
ces dfis, dans une dmarche qui allie les mthodes doptimisation au paradigme multi-
agent.

Dans ce mmoire, nous nous intressons aux solutions daide la dcision afin de faciliter le
travail des dcideurs logisticiens en cas de crise. Lapproche oriente agents nous tant
apparue pertinente, notamment pour la prise en compte de comportements individuels au
niveau des diffrents acteurs de la chane, nous avons apport, dans le cadre de cette thse,
des solutions bases sur une approche de modlisation, optimisation et simulation oriente
agents de flux logistiques, dans un contexte fortes perturbations, plus prcisment, dans le
cas dune chane logistique de gestion de crise.

Notre contribution a couvert trois volets dinvestigation : un module daide au positionnement


des zones logistiques qui permet de minimiser les distances entre les zones et doptimiser
leurs nombre et ce pour une meilleure circulation des flux, une approche oriente agents pour
lordonnancement distribu des tches de livraison qui permet dapporter une solution un
problme de gestion de flux fortement distribu, et finalement un agent holonique dont le rle
est de fournir une estimation de la consommation future dun site logistique en alliant
lexpertise humaine aux modles mathmatiques.

La mise en uvre et loprationnalisation des approches proposes, laide dun systme


multi-agent, montre que notre approche rpond notre problmatique et apporte des solutions
de bonnes qualits.

Les exprimentations ralises sur la base de notre application, ont donn lieu des
propositions et des rflexions. Il sagit aussi bien daspects thoriques ou techniques de
notre approche que de perspectives damlioration et dextension.

189
Plusieurs perspectives sont dores et dj positionnes dans notre planning de travail suivant
les travaux de cette thse. Parmi elles, lenchainement du dveloppement de loutil pour
amliorer la gestion des flux en concevant des interfaces conviviales et de meilleure qualit,
permettant une facilit dutilisation. Mais aussi lintgration de certaines fonctionnalits
complmentaires. Nous nous intressons, dans ce sens, mettre en uvre des mcanismes
danticipation, qui permettent de prvoir, dtecter et viter les situations non dsirables dans
la chane logistique (Kaddoussi, 2011-a).

Les approches utilises dans ces travaux de recherche, notamment la gestion des chanes
logistiques et les systmes multi-agents, sont souples et volutifs. Une autre perspective
consiste galement tendre nos rsultats dautres secteurs, et notamment en logistique
civile, grce la gnricit de notre modle.

190
Bibliographie
Artiba, A. (1990). Contribution la construction dun systme daide la planification et
lordonnancement des lignes parallles multi-produits. Thse de Doctorat. Universit de Valenciennes
et du Hainaut- Cambresis.

Barbat, B., Candea, C., Zamfirescu, C. (2001). Holons and agents in robotic teams: a synergistic
approach. In Proceedings of ENAI2001. pp. 654-660. ISBN 3-906454-25-8.

Barbier, F. et al., (2002). Composants dans lingnieurie des systmes dinformation : concepts cls et
techniques de rutilisation, actes des deuximes assises nationales du GdR I3 (Information -
Interaction - Intelligence).

Beamon, 1998 : Beamon, B.M., Supply chain design and analysis : Models and methods. International
Journal of Production Economics, 55 (1998) 281-294. 1998.

Boissier, O. (2000). Visio-confrence et partages d'applications, rapport contrat d'objectif financ par
la Rgion Rhne-Alpes. Technical report, ENSM.SE, March 2000.

Bond, A.H. & Gasser, L. (1988). Readings in Distributed Artificial Intelligence. San Mateo CA:
Morgan-Kaufmann Publishers.

Botta-Genoulaz, 2005 : Botta-Genoulaz, V., Principes et Mthodes pour lIntgration et


lOptimisation du pilotage des Systmes de Production et des Chanes Logistiques. Rapport de HDR,
tome 1, Institut National des Sciences Appliques de Lyon et Universit Claude Bernard de Lyon 1,
2005.

Bradshaw, J. (1997). An introduction to software agents. (A. P. Press, d.) Software agents, pp. 3-46.

Briot, J.-P. (2009). Composants logiciels et systmes multi-agents, Technologies des systmes multi-
agents et applications industrielles.: Herms Lavoisier, ch. 5, pp. 147-187.

Brckert, H., Fischer, K., and G.Vierke (1998). Transportation Scheduling with Holonic MAS - The
TeleTruck Approach. In Conf. on Practical Applications of Intelligent Agents and Multiagents, pp.
577-590.

Burke, E., Hart, E., Kendall, G., Newall, J., Hart, E., Ross, P., and Schulenburg, S. (2003). Handbook
of Meta-Heuristics, chapter Hyper-Heuristics : An Emerging Direction in Modern Search Technology,
pp. 457474. Kluwer Academic.

Cammarata, S., McArthur, D. and Steeb, R. (1988). Strategies of cooperation in distributed problem
solving. Proceedings of the 8th International Joint Conference on Artificial Intelligence, pages 767-
770, 1983. (Also published in Readings in Distributed Artificial Intelligence, Alan H. Bond and Les
Gasser, editors, pages 102-105, Morgan Kaufmann, 1988).

Carlier, J. & Chrtienne, P. (1988). Les problmes dordonnancement/ Modlisation/ Complexit/


Algorithmes. Edition Masson, Paris, France.

191
Chaib-draa, B. (1995). Industrial Applications of Distributed AI. Communication of ACM, 38(11). pp.
49-53.

Chaib-draa, B. (1994). Distributed Artificial Intelligence : An overview. In Encyclopedia Of Computer


Science And Technology, Marcel Dekker Ed., vol. 31, pp. 215-243.

Chandy, K.M. & Misra, J. (1978). A nontrivial example of concurrent processing distributed
simulation, Proceedings of IEEE COMPSAC78, p.822-826.

Charles, A. (2010). Improving the design and management of agile supply chains: feedback and
application in the context of humanitarian aid. Institut National Polytechnique, Universit de
Toulouse.

Christopher, M. (1992). Logistics and supply chain management. London: Pitman Publishing.

Colin, Math, & Tixi. (1981). La logistique au service de l'entreprise.

Cossentino, M. (2001). Different Perspectives in Designing Multi-Agent System, Designing Multi-


Agent System, AgeS02 (Agent Technology and Software Engineering) Workshop at NodE02.

Courty, P. (2003). Les enjeux industriels et les nouvelles problmatiques scientifiques - De la


logistique la logistique globale.

Croom, S., Romano, P., & Giannakis, M. (2000). Supply chain management: an Analytical framework
for critical literature review. European Journal of Purchasing & Supply Management , Vol.6, pp. 67-
83.

Daduna, J.R. and Paixo, J.M.P. "Vehicle scheduling for public mass transit an overview,"
Computer-Aided Transit Scheduling Notes de Lectures dans Economics and Mathematical System,
vol. 430, pp. 7690, 1995.

Deguet, J. (2008). Intgration de l'mergence au sein des systmes multi-agents. Une tude applique
la recherche heuristique. Thse de l'Universit Joseph Fourier, 2008.

DeLoach S. A. (2005). Engineering Organization-BasedMultiagent Systems. SELMAS, pp. 109-125.

Demazeau, Y. (1995). From interactions to collective behavior in agent-based systems. In Proceedings


of the 1st European conference on cognitive sciences, 1995.

De Wolf, T. & Holvoet, T. (2005). Emergence Versus Self-Organization: Different Concepts but
Promising When Combined. Engineering Self Organizing Systems: Methodologies and Applications,
Lecture Notes in Computer Science, Volume 3464, pp. 1 15.

Doniec, A. (2006). Prise en compte des comportements anticipatifs dans la coordination multi-agent :
application la simulation de trafic en carrefour. Thse de doctorat. France, Universit de
Valenciennes et du Hainaut Cambrsis.

Drogoul, A. (1993). De La Simulation Multi-Agent A La Rsolution Collective de Problmes: Une


tude De l'mergence De Structures D'Organisation Dans Les Systmes Multi-Agents. Thse de
Doctorat. Universit Paris VI.

192
Drogoul, A. (2000). Systmes multi-agents situs. Mmoire dhabilitation diriger des recherches,
Universit Paris 6.

Ejday, M. (2011). Optimisation Multi-Objectifs base de Mtamodle pour les procds de mise en
forme. Thse de doctorat, cole des MINES ParisTech, Paris.

Feki, M. F. (2010). Optimisation distribue pour la recherche des itinraires multi-oprateurs dans un
rseau de transport co-modal. Thse de doctorat, Ecole Centrale de Lille.

Ferber, J.(1995). Les Systmes Multi-Agents vers une intelligence collective. InterEditions.

Fraser, A.S. (1957). Simulation of genetic systems by automatic digital computers. Australian Journal
of Biological Sciences, 10:484_491.

Freling, R., Wagelmans, A.P.M. and Paixo, J.M.P. (1999) "An overview of models and techniques
for integrating vehicle and crew scheduling," Wilson, N.H.M. (Ed.) Computer-Aided Transit Schedul-
ing. Notes de Lecture dans Economics and Mathematical Systems, vol. 471, pp. 441 460.

Ganeshan, R., Jack, E., Magazine, M., & Stephens, P. (1998). A Taxonomic Review of Supply Chain
Management Research, in Quantitative Models for Supply Chain Management. (K. A. Publishers, d.)
Boston.

Georg, J.P., Gleizes, M.P., Glize, P. (2003). Conception de systmes adaptatifs fonctionnalit
mergente : la thorie AMAS, Revue des sciences et technologie de linformation, vol.17, n 4, p. 591-
626, Herms.

Ghanmi, A., Campbell, G.B., Gibbons, T.A. (2008). Modeling and simulation of multinational inter-
theatre logistics distribution. In Proceedings of the 40th Conference on Winter Simulation. Pub. Winter
Simulation Conference.

Glover, F. (1986). Future paths for Integer Programming and Links to Artificial Intelligence.
Computers and Operations Research, 5:533-549.

Gomez Sanz J., Fuentes R. (2002). Agent Oriented System Engineering with INGENIAS. Fourth
Iberoamerican Workshop on Multi-Agent Systems, Iberagents02.

Gupta, M., Ko, H.-J. et Min, H. (2002). TOC-based performance measures and five focusing steps
in jobshop manufacturing environment . International Journal of Production Research, 40(4), pp.
907-930.

Herrera, C. (2011). Cadre gnrique de planification logistique dans un contexte de dcisions


centralises et distribues. Thse de doctorat, Universit Henri Poincar Nancy 1.

Huang, G.Q., LAU, J.S.K. et Mak, K.L. (2003). The impacts of sharing production information on
supply chain dynamics : a review of the literature, International Journal of Production Research,
2003, Vol. 41, No. 7, pp. 1483-1517.

Jadbabaie, A. , Lin, J. & Morese, A.S. (2003). Coordination of groups of mo-bile autonomous agents
using nearest neighbor rules. IEEE Transactions on Automatic Control, 6(48): 988-1001.

193
Jamont, J-P. (2005). DIAMOND : Une Approche pour la conception de Systmes Multi-agents
Embarqus. Thse de Doctorat, INPG, Septembre 2005.

Jeannin, M. (2008). Ngociation combine et multicritres dagents coopratifs. Thse de doctorat de


l'universit de Pierre et Marie Curie, Juillet 2008.

Jennings, N.R., Sycara, K. et Wooldridge, M. (1998). A Roadmap of Agent Research and


Development. Autonomous Agents and Multi-Agent Systems, vol. 1, n 1, pp. 7-38.

Jiang, J. & Jiang, Y. (2008). Convergence at Prominent Agents: A Non-Flat Synchronization Model of
Situated Multi-Agents (Short Paper). Proc. of 7th Int. Conf. on Autonomous Agents and Multiagent
Systems (AAMAS 2008), Padgham, Parkes, Mueller and Parsons (eds.), Estoril, Portugal, pp.1493-
1496.

Kaddoussi, A., Zoghlami, N., Zgaya, H., Hammadi, S. (2012-a). An agent-based distributed
scheduling for a crisis management supply chain, The International Journal of Computational
Intelligence Systems (IJCIS Impact factor 1,471), Vol. 6, N 1, January 2013.

Kaddoussi, A., Zgaya, H., Hammadi, S., Duflos, E. & Vanheeghe, P. (2012-b). A need estimating
agent-based tool for resources forecasting. The 16th World Multi-Conference on. Systemics,
Cybernetics and Informatics: WMSCI 2012. July 17th - 20th, 2012, Orlando, Florida, USA.

Kaddoussi, A., Zoghlami, Z., Zgaya, H., Hammadi, S. & Bretaudeau, F. (2011-a). A Preventive
anticipation model for crisis management supply chain. The 2011 IEEE International Conference on
Systems, Man, and Cybernetics (SMC11), 9-12 Octobre 2011, Anchorage, Alaska.

Kaddoussi, A., Zoghlami, Z., Zgaya, H., Hammadi. (2011-b) An Agent-based distributed Scheduling
for Military Logistics, The 11th International Conference on Intelligent Systems Design and
Applications (ISDA11), 22-24 Novembre 2011, Cordoba, Spain.

Kaddoussi, A., Zgaya, H., Hammadi, S. & Bretaudeau, F. (2011-c). Disruption Management
Optimization for Military Logistics, The 12th EANN/ 7th AIAI Joint Conferences : Engineering
Applications of Neural Networks/ Artificial Intelligence Applications and Innovations, Corfu, Grce;
Artificial Intelligence Applications and Innovations IFIP Advances in Information and
Communication Technology. Volume 364, 2011, pp 61-66.

Kammoun, M. A. (2007). Conception d'un systme d'information pour l'aide au dplacement


multimodal : Une approche multi-agents pour la recherche et la composition des itinraires en ligne.
Lille: Ecole Centrale de Lille.

Koestler, A. (1968), The ghost in the machine, Macmillan.

Kouiss K., Pierreval, H. (1995). Systmes multi-agents : directions actuelles pour les systmes de
production. La productivit dans un monde sans frontires, Congrs International de Gnie Industriel
de Montreal, Quebec, pp. 2029-2038.

Kubota F., S. Sato et M. Nakano, 1999. Enterprise modelling and simulation platform integrating
manufacturing system design and supply chain . Proceedings IEEE International Conference on
Systems, Man, and Cybernetics, 4, p. 511-515.

194
Krushal, J. (1956). On the shortest spanning subtree of a graph and the traveling salesman problem,
Proc. Amer. Math. Soc., vol. 16. pp. 48-50.

Lee, Y.H., Kim, S.H. et Moon, C. (2002). Production distribution planning in supply chain using a
hybrid approach . Production Planning & Control, 13(1), p.35-46.

Luder A., J. Peschke, T. Sauter, S. Deter et D. Diep, 2004. Distributed Intelligence for Plant
Automation Based on Multi-Agent Systems: The PABADIS Approach . Production Planning and
Control, 15(2), p. 201-212.

Lummus, R., Vokurka, R., & Albert, K. (1998). Strategic supply chain planning. Production and
Inventory Management Journal , 39(3), 49-58.

Maria, A. (1997). Introduction to Modeling and Simulation, In Proceedings of the Winter Simulation
Conference.

Maurer, P. M. (2000). Components: What if they gave a revolution and nobody came, IEEE Software,
pp. 28-34.

Meignan, D. (2008). Une approche organisationnelle et multi-agents pour la modlisation et


l'implantation de mtaheuristiques, Thse de Doctorat en Informatique, UTBM, dcembre 2008.

Melzak, A. Z. (1961). On the problem of Steiner. s.l. : Math. Bull. pp. 143-150. Vol. 4

Mentzer, J., De Witt, W., Keebler, J., Min, S., Nix, N., Smith, C., et al. (2001). Defining supply chain
management. Journal of business logistics , Vol.22, No.2.

Mertins K., Rabe, M. et Jakel, F.-W. (2005). Distributed modeling and simulation of supply chains,
International Journal of Computer Integrated Manufacturing, 18(5), p. 342-349, 2005.

Metropolis N., Rosenbluth A., Rosenbluth M., Teller A. et Teller E. Equation of state calculations by
fast computing machines. Journal of Chemical Physics, Vol. 21, 1953.

Nwana, H., Ndumu, D., Lee, L., & Collis, J. (1999). ZEUS: A tool-kit for building distributed
multiagent systems. Applied Artifical Intelligence, 13 , 129186.

Oussalah, M. (2005). Ingnierie des composants - Concepts, techniques et outils, Vuibert. Vuibert.

Padgham L., Winikoff M. (2003). Prometheus: A Methodology for Developing Intelligent Agents,
Giunchiglia F., Odell J., Wei G. (dir.), Agent-Oriented Software Engineering III, Third International
Workshop, AOSE 2002, Bologne, Italie, 15 juillet 2002, Revised Papers and Invited Contributions, vol.
2585 de LNCS, Springer, p. 174-185, 2003

Parunak, H. V. D., Brueckner, S., Fleischer, M., and Odell, J. (2003). A design taxonomy of multi-
agent interactions. Lecture Notes in Computer Science, 2935(4) :123137.

Perrot, J.-F. (1998). Objets, classes et hritage : Dfinitions, chapitre de Langages et modles objets -
tat des recherches et perspectives. Collection Didactique, INRIA, Ed., pp. 331.

Pham, 02: M.C. Pham. La prise en charge du patient a l'hopital : mieux gerer la complexite de la
coordination des acteurs. Memoire de lEcole Nationale de la Sante Publique de Renne,

195
Poirier, C., & Reiter, S. (2001). La Supply Chain - Optimiser la chane logistique et le rseau
interentreprises. Dunod.

Rao, A. S. et Georgeff, M. (1995). BDI Agents : from theory to practice. In the Proceedings of the
First International Conference on Multi-Agent Systems (ICMAS-95). pp. 312-319, San Francisco, CA,
USA.

Reynolds, C. W. (1987). Flocks herds, and schools: a distributed behavioral model. Computer
Graphics, 4(21): 25-34.

Rohde, J., Meyr, H. & Wagner, M. (2000). Die supply chain planning matrix, in : PPS Management,
Vol. 5, No.1, Berlin, pp. 10-15.

Rota-Franz, K., Thierry, C., & Be, G. (2001). Gestion des Flux dans les Chanes Logistiques:
Performances industrielles et gestion des flux. Herms Trait IC2.

Rousseau, J-M. (1985). Computer Scheduling of Public Transport. North-Holland, vol. II.

Rouillard, J., Vantroys, T. and Chevrin, V. (2007). Architecture Oriente Services, Une approche
pragmatique des SOA, Editions Vuiberts, Ed.

Sghaier, M. (2011). Combinaison des techniques doptimisation et de lintelligence artificielle


distribue pour la mise en place dun systme de covoiturage dynamique. Ecole Centrale de Lille.

Shalizi, C. (2001). Causal Architecture, Complexity and Self-Organization in Time Series and Cellular
Automata. Thse de Doctorat. University of Wisconsin, Madison, USA.

Shlaer, S. & Mellor, S. (1988). Object oriented System Analysis : modeling the world in data. Prentice
Hall.

Shen, W., Hao, Q., Yoon, H. J. and Norrie, D. H. (2006). Applications of agent#based systems in
intelligent manufacturing: An updated review, Advanced Engineering Informatics, 20(4), 415#431,
2006.

Siarry, P. (2002). Application des mtaheuristiques d'optimisation en Electronique, Techniques de


lIngnieur. vol. 9.

Simchi-Levi, D., & Kaminsky, P. (2003). Designing and Managing the Supply Chain: Concepts,
Strategies and Case Studies. Boston, MA.: McGraw Hill Professional.

Strugeon, E. L. (1995). Une mthodologie d'auto-adaptation d'un systme multi-agents cognitifs.


Thse de doctorat, Universit de Valenciennes et du Hainaut-Cambrsis, Valenciennes, France.

Supply Chain Council. (s.d.). Rcupr sur Supply Chain Council: http://supply-chain.org/

Takahashi, H. & Matsuyama, A. (1980). An Approximate Solution for the Steiner P Problem in
Graphs, Math. Japonica 24(6), pp, 573-577.

Talbi, E.-G. & Bachelet, V. (2004). Cosearch : A parallel co-evolutionary metaheuristic. In Int.
workshop on hybrid metaheuritics, pp. 127140.

196
Thomas et Griffin, 1996 : D.J. Thomas, P.M. Griffin. Coordinated supply chain management.
European Journal of Operational Research. 94, 1996, pp 1-15.

Toussaint, H. (2010). Algorithmique rapide pour les problmes de tournes et d'ordonnancement.


Thse de Doctorat, Universit Blaise Pascal - Clermont-Ferrand II.

Turner S.J., W. Cai et B.P. Gan,Adapting a supply-chain simulation for HLA, 4th International
Workshop on Distributed Simulation and Real-Time Applications, p. 71-78, 2000.

Ulieru, M. and Geras, A. (2002). Emergent holarchies for e-health applications : a case in glaucoma
diagnosis. In IEEE IECON'02, volume 4, pages 2957-2961.

Vakharia, A. (2002). e-Business and supply chain management. A journal of the Decision Sciences
Institute , Vol. 33, Issue 4, pp. 495-504.

Vallin, M. et Coello, J.M.A. (2003). An agent for web information dissemination based on a genetic
algorithm. In IEEE International Conference on Systems, Man and Cybernetics - IEEE SMC03, pp.
38343839, Hyatt Regency, Washington, D.C., USA, 5 - 8 October 2003. IEEE Press.

Vincent et al., 2004 : L. Vincent, G. Neubert, D. Llerena et C. Pellegrin. Synthse des approches SCM
existantes (livrable 4.1) in Annexe 5 du rapport de 1re anne du projet COPILOTES, 47-73 (2004).

Vauvert, G. et El Fallah - Seghrouchni, A. (2000). Dmonstration : Formation de coalitions pour des


agents libres ; application la gestion de transport arien. In Proceedings de JFIAD-SMA'2000. 8mes
Journes Francophones de l'Intelligence Artificielle Distribue et des Systmes Multi-Agents. - Saint-
Jean-La-Vtre, France, 2-4 Octobre 2000.

Warnecke, H. (1993). The Fractal Company.

Weiss, G. (2000). Multiagent Systems, A Modern Approach to distributed Artificial Intelligence. The
MIT Press.

Wirfs-Brock, R., Wilkerson, B. & Wiener, L. (1990). Designing Object-Oriented Software.Prentice


Hall.

Wooldridge, M. et Jennings, N. (1995). Intelligent Agent: Theory and practice, Knowledge


Engineering Review, vol. 10, n 2, pp. 115-142.

Zelikovsky, A.Z. (1993). A 11/6-Approximation Algorithm for the Network Steiner Problem.
Algorithmica, vol. 9. pp. 463-470.

Zgaya, H. (2007). Conception et optimisation distribue d'un systme d'information d'aide la


mobilit urbaine : Une approche multi-agent pour la recherche et la composition des services lis au
transport. Thse de doctorat, Ecole Centrale de Lille, Lille.

Zoghlami, N. (2008). Optimisation base dagents communicants des flux logistiques pour la gestion
de crises. Thse de Doctorat. Ecole Centrale de Lille.

197
Optimisation des flux logistiques : vers une gestion avance de la situation de crise
Rsum
La logistique de gestion de crise fait de plus en plus parler delle. En effet, que ce soit au sujet
de conflits gopolitiques ou de catastrophes naturelles, ou encore lorsquil sagit durgences
de proximit, on ne peut plus passer ct de la gestion de crise pour faire face des faits
internationaux ou nationaux. La logistique de gestion de crise uvre pour que les secours
soient optimiss et que laide et le ravitaillement en nourriture, eau, mdicaments, soient
apports rapidement aux zones sinistres. Les travaux de recherche prsents dans cette thse,
dans le cadre dune coopration avec le dpartement logistique dEADS, visent apporter une
rponse ces dfis. Nous prsentons, dans ce contexte, des solutions bases sur une approche
de modlisation, optimisation et simulation oriente agents de flux logistiques. Les problmes
de gestion de flux abords nous ont permis dtudier et dvelopper trois volets
dinvestigation : un module daide au positionnement des zones logistiques qui permet de
minimiser les distances entre les zones et doptimiser leurs nombre et ce pour une meilleure
circulation des flux, une approche oriente agents pour lordonnancement distribu des tches
de livraison qui permet dapporter une solution un problme de gestion des flux fortement
distribu, et finalement un agent holonique qui permet de fournir une estimation de la
consommation venir dun site logistique, en alliant lexpertise des logisticiens aux modles
base de logique floue. Pour dmontrer lefficacit des approches utilises, un dmonstrateur
baptis OBAC (Optimisation Base dAgents Communicants) a t ralis, intgrant toutes
ces approches et applications ddies la gestion de crise.
Mots cls : Gestion de crise, Systme multi-agent, Logistique de gestion de crise,
Optimisation, Ordonnancement distribu.

Optimization of logistics flows: towards an advanced crisis management supply chain


Abstract
Nowadays, crisis management logistics is facing new challenges. Indeed, geopolitical
conflicts, natural disasters or emergencies can cause big damages and so require rapid and
effective response. Due to their sudden occurrence, we are countering a high disturbances
context: a Crisis Management Supply Chain (CMSC). Working in such an uncertain
environment incites to be equipped with optimization and cooperation mechanisms assuring
all the chain actors satisfaction, while acting in a collective way to reach a common objective:
the crisis management.
In this thesis, we focus on the definition of a modeling approach and an agent-based
simulation of the Crisis Management Supply Chain. We propose a decision support system
that deals with three problems: the optimal positioning of logistics zones to facilitate the flows
circulation, an innovative method for solving a highly-distributed delivery scheduling
problem, based on a multi-agent system, for the distribution of relief materials (food, water,
clothes, etc.) to the areas affected by the disaster, and finally a need estimating agent to give
an accurate forecast of resources consumption in the logistic zones. Blending the agent
paradigm with the optimization technics helped reach our goals of implementing a large-scale
decision support system. The simulation results highlight our contributions.
Keywords: Crisis management, Multi-agent systems, Logistics, Optimization, Distributed
scheduling.

199