Académique Documents
Professionnel Documents
Culture Documents
THESE
Prsente en vue
dobtenir le grade de
DOCTEUR
En
Par
Aida KADDOUSSI
Thse prpare dans le Laboratoire LAGIS UMR CNRS 8219 lEcole Centrale de Lille
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,
3
Remerciements
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
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.
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.
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 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
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.
24
lentreprise, en particulier la planification des activits en tenant compte des ressources
disponibles sur un horizon fix.
Figure I. 1 Niveaux stratgique, tactique et oprationnel dans une SC (Rhode et al., 00)
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.
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.
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.
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
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.
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.
- 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 ;
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.4.1 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.
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.
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
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).
Type de crise
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.
- 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.
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.
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.
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
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.
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.
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.
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.
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.
42
I.7.3 Les systmes distribus intelligents
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.
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.
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.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).
M. Ejday (Ejday, 2011) dfinit le concept doptimisation comme comprenant deux phases
principales : la modlisation et la rsolution du problme.
- 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.
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
- 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 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 performance dun algorithme appliqu un jeu de donn est mesure selon diffrents
critres :
- 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 :
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.
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.
- 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 ;
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).
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.
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.
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.
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)
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.
- 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.
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.
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.
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.
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.
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.
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.
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.
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,
66
pratique, les systmes dinformation sen trouvent ainsi personnifis sadaptant aux besoins
des logisticiens.
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 :
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.
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.
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.
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.
- 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.
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.5.1.1 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.
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.
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.
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).
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.
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.
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
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 :
- 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.
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.
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.
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.3.1.1 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.3.1.3 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
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 :
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.
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.
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
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.
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.
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
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?).
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.
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* ;
102
Figure III. 11 Interface de lagent Test
Estimateur
ARMAX
Transaction DB
,,,,
,,,,
Estimateur i
103
Figure III. 13 Diagramme dactivits de lagent NEA
104
Figure III. 14 Diagramme dactivits de lagent Mto
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 :
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).
108
son stock, et renvoie linformation lagent GUI, afin quil puisse crire dans la fentre
graphique une ligne spcifiant la rception du colis.
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.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).
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.
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.
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.
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
1 1
Figure IV. 3 Arbre de Steiner euclidien minimal Figure IV. 4 Graphe de Steiner minimal
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
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
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.
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.
121
Figure IV. 7 Algorithme pour Actualiser les distances
122
Figure IV. 9 Algorithme de construction de larbre 1-S
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.
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.
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.
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
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
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).
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.
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.
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.
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.
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)
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.
Les diffrentes tapes de fonctionnement dcrites ci-dessus sont ralises par les messages
ACL changs entre les agents.
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.
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
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):
La prise de dcision par un agent ordonnanceur pour partager le stock de scurit local est
finalement value par :
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).
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.
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).
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
wi
x qp : Retour en passant par la route wi
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
Avec :
- cwi : le cot de lemprunt de la route wi ;
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
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.
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
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.
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.
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.
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.
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 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.
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.
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.
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
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 :
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.
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).
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.
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
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).
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
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
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
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
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)
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.
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.
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 :
168
Figure V. 14 Mers et Ports
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
169
Figure V. 15 Interface dinitialisation
* 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
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.
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.
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
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
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.
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
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.
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.)
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
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.
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)
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)
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)
Nous avons compar les cots obtenus avec des cots que peut donner un algorithme
dordonnancement sans entente et non adaptatif en cours de simulation.
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.
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
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.
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.
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).
191
Chaib-draa, B. (1995). Industrial Applications of Distributed AI. Communication of ACM, 38(11). pp.
49-53.
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.
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.
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.
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.
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.
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.
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.
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.
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.
Simchi-Levi, D., & Kaminsky, P. (2003). Designing and Managing the Supply Chain: Concepts,
Strategies and Case Studies. Boston, MA.: McGraw Hill Professional.
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.
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).
Weiss, G. (2000). Multiagent Systems, A Modern Approach to distributed Artificial Intelligence. The
MIT Press.
Zelikovsky, A.Z. (1993). A 11/6-Approximation Algorithm for the Network Steiner Problem.
Algorithmica, vol. 9. pp. 463-470.
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.
199