Vous êtes sur la page 1sur 161

N dordre :

THESE
prsente par

Faicel Hnaien

Pour obtenir le grade de Docteur


de lEcole Nationale Suprieure des Mines de Saint-tienne

Spcialit : Gnie industriel

Gestion des stocks dans des chanes logistiques face aux alas
des dlais dapprovisionnements

Soutenance prvue lEcole des Mines de Saint Etienne le 08/12/2008

Membres du jury

Rapporteurs :
Marie Claude Portmann Professeur, Ecole des Mines de Nancy
Jean-Pierre Campagne Professeur, INSA Lyon

Examinateurs :
Bernard Grabot Professeur, ENI de Tarbes
Jean-Claude Hennet Directeur de recherche au CNRS, Universit Paul Czanne
Pierre Ladet Professeur, ENS dIngnieurs Electriciens de Grenoble

Directeur de thse : Alexandre Dolgui Professeur, Ecole des Mines de Saint Etienne
Co-encadrant de thse : Hlne Marian Matre assistant, Ecole des Mines Saint Etienne
Co-encadrant de thse : Mohamed Aly Ould-Louly Associate professor, King Saud University, Arabie Saudi
Table des matires
Introduction gnrale ................................................................................................................................ 1
Chapitre 1 : Gnralits sur la gestion des stocks et la planification des chanes logistiques............. 4
1.1 Introduction........................................................................................................................................ 4
1.2 Chanes logistiques Supply chain ................................................................................................ 5
1.2.1 Dfinition .................................................................................................................................... 5
1.2.2 Structures possibles de la chane logistique................................................................................ 6
1.3 La gestion des stocks ......................................................................................................................... 7
1.3.1 Les paramtres de la gestion des stocks ............................................................................................ 8
1.3.2 Origine et nature des stocks dans une chane logistique ..................................................................... 9
1.3.3 Les politiques classiques de gestion des stocks ................................................................................. 9
1.4 La politique de planification de type MRP ...................................................................................... 14
1.4.1 Principe de la mthode MRP ......................................................................................................... 15
1.4.2 Les incertitudes sous MRP ............................................................................................................ 17
1.4.3 Stock et dlai de scurit ............................................................................................................... 19
1.4.4 Mthodes de lotissement (lot-sizing) .............................................................................................. 21
1.5 Problmatique de la thse ................................................................................................................ 23
1.6 Conclusion ....................................................................................................................................... 24
Chapitre 2 : Etat de lart ......................................................................................................................... 25
2.1 Introduction...................................................................................................................................... 25
2.2 Chane dapprovisionnement structure linaire............................................................................. 27
2.2.2 Structure plusieurs niveaux ......................................................................................................... 29
2.2.3 Perspectives de recherche ............................................................................................................. 31
2.3 Systmes dassemblage.................................................................................................................... 33
2.3.1 Structure un niveau .................................................................................................................... 33
2.3.2 Structure multi-niveau .................................................................................................................. 37
2.3.3 Perspectives de recherche ............................................................................................................. 39
2.4 Choix de fournisseurs....................................................................................................................... 41
2.5 Chevauchement des ordres ( crossover )...................................................................................... 42
2.6 Conclusions...................................................................................................................................... 44
Chapitre 3 : Chane dapprovisionnements linaire............................................................................. 47
3.1 Introduction...................................................................................................................................... 47
3.2 Le cas de fabrication au plus tt....................................................................................................... 48
3.2.1 Problme P1................................................................................................................................. 48
3.2.1.1 Description du problme.................................................................................................... 49
3.2.1.2 Minimisation des cots ...................................................................................................... 50
3.2.1.3 Optimisation....................................................................................................................... 52
3.2.1.4 Exemples numriques ........................................................................................................ 53
3.2.2 Problme P2................................................................................................................................. 55
3.2.2.1 Description du problme.................................................................................................... 55
3.2.2.2 Minimisation des cots ...................................................................................................... 56
3.2.2.3 Optimisation....................................................................................................................... 57
3.2.2.4 Exemples numriques ........................................................................................................ 57
3.3 Le cas avec dates de fabrication....................................................................................................... 58
3.3.1 Problme P3................................................................................................................................. 59
3.3.1.1 Description du problme P3............................................................................................... 59
3.3.1.2 Minimisation des cots ...................................................................................................... 60
3.3.1.3 Optimisation....................................................................................................................... 64
3.3.1.4 Exemples numriques ........................................................................................................ 72
3.3.2 Problme P4................................................................................................................................. 74
3.3.2.1 Description du problme.................................................................................................... 74
3.3.2.2 Minimisation du cot moyen ............................................................................................. 75
3.3.2.3 Optimisation....................................................................................................................... 76
3.3.2.4 Tests numriques................................................................................................................ 76
3.4 Conclusion ....................................................................................................................................... 76
Chapitre 4 : Optimisation des systmes dassemblage deux niveaux par une PSE ........................ 78
4.1 Introduction...................................................................................................................................... 78
4.2 Description du problme.................................................................................................................. 79
4.3 Problme PP1................................................................................................................................... 81
4.3.1 Description du problme ............................................................................................................... 81
4.3.2 Minimisation des cots ................................................................................................................. 82
4.3.3 Optimisation ................................................................................................................................ 85
4.3.3.1 Problmes rsoudre ......................................................................................................... 85
4.3.3.2 Pr-optimisation : procdure de rduction de lespace de recherche................................. 86
4.3.3.3 Accroissements partiels ..................................................................................................... 93
4.3.3.4 Proprits de dominance .................................................................................................... 96
4.3.3.5 Bornes infrieures .............................................................................................................. 98
4.3.3.6 Borne suprieure .............................................................................................................. 100
4.3.3.7 Algorithme PSE ............................................................................................................... 101
4.3.4 Exemples Numriques ................................................................................................................ 102
4.3.4.1 Impact de la pr-procdure de rduction de lespace de recherche des solutions............ 102
4.3.4.2 Comportement de PSE ..................................................................................................... 103
4.3.4.3 Tests des performances de lalgorithme........................................................................... 105
4.4 Problme PP2................................................................................................................................. 106
4.4.1 Description du problme......................................................................................................... 106
4.4.2 Minimisation des cots ........................................................................................................... 107
4.4.3 Optimisation .............................................................................................................................. 109
4.4.3.1 Problmes rsoudre ....................................................................................................... 109
4.4.3.2 Pr-procdure de rduction de lespace de recherche de solution ................................... 109
4.4.3.3 Proprits de dominance .................................................................................................. 111
4.4.3.4 Bornes infrieures ............................................................................................................ 113
4.4.3.5 Borne suprieure .............................................................................................................. 114
4.4.3.6 Algorithme PSE ............................................................................................................... 114
4.4.4 Exemples Numriques ................................................................................................................ 115
4.4.4.1 Impact de la pr-procdure de rduction de lespace de recherche des solutions............ 115
4.4.4.2 Etude numrique de lalgorithme..................................................................................... 116
4.4.4.3 Comportement de PSE ..................................................................................................... 116
4.4.4.4 Tests des performances des algorithmes.......................................................................... 117
4.5 Conclusions.................................................................................................................................... 118
Chapitre 5 : Optimisation dun systme dassemblage deux niveaux par un algorithme gntique
.................................................................................................................................................................. 119
5.1 Introduction.................................................................................................................................... 119
5.2 Algorithme gntique..................................................................................................................... 120
5.2.1 Codage des solutions et fonction Fitness ................................................................................ 124
5.2.1.1 Codage des solutions........................................................................................................ 124
Chaque chromosome de lalgorithme gntique est valu travers une fonction appele fonction Fitness.
Dans la section suivante nous dfinissons cette fonction plus en dtail. .................................................. 124
5.2.1.2 Fonction Fitness ............................................................................................................... 124
5.2.2 Gnration de la population initiale ........................................................................................ 125
5.2.3 Slection .................................................................................................................................... 126
5.2.4 Oprateur de croisement ............................................................................................................. 127
5.2.5 Oprateur de mutation ................................................................................................................ 128
5.2.6 Recherche locale ........................................................................................................................ 129
5.3 Rsultats exprimentaux ................................................................................................................ 130
5.3.1 Conditions exprimentales...................................................................................................... 131
5.3.2 Rsultats exprimentaux de lalgorithme gntique ............................................................... 132
5.4.2 Impact de la recherche locale.................................................................................................. 135
5.5 Conclusion ..................................................................................................................................... 137
Conclusions gnrales ............................................................................................................................ 139
Liste des figures

Figure 1.1 : Chane logistique .....................................................................................................................................5


Figure 1.2 : Structures possibles dune chane logistique............................................................................................6
Figure 1.3 : Exemples des chanes logistiques nomenclature multi-niveau .............................................................7
Figure 1.4 : Politique dapprovisionnement point de commande ...........................................................................10
Figure 1.5 : Politique dapprovisionnement quantit conomique .........................................................................11
Figure 1.6 : Illustration de la relation entre les dlais dapprovisionnement planifi et rel.....................................13
Figure 1.7 : Nomenclature de produit fini .................................................................................................................17
Figure 1.8 : Plan Directeur de Production (PDP) ......................................................................................................17
Figure 1.9 : Incertitudes des donnes pour la mthode MRP ....................................................................................18
Figure 1.10 : Paramtres de du MRP.........................................................................................................................19
Figure 3.1 : Chane dapprovisionnement linaire m niveaux ................................................................................47
Figure 3.2 : Cas de fabrication au plus tt.................................................................................................................48
Figure 3.3 : Description du problme P1...................................................................................................................49
Figure 3.4 : Chane dapprovisionnement linaire 10 niveaux ...............................................................................54
Figure 3.5 Description du problme P2....................................................................................................................56
Figure 3.6 : Cas avec dates de fabrication .................................................................................................................58
Figure 3.7 : Description du problme P3...................................................................................................................60
Figure 3.8 : Description du problme P4...................................................................................................................74
Figure 4.1 : Exemple dun systme dassemblage deux niveaux ...........................................................................78
Figure 4.2 : Description du problme PP1 ................................................................................................................81
Figure 4.3 : Dcomposition du problme PP1...........................................................................................................87
Figure 4.4 : Lvolution de la borne infrieure pour le problme PP1....................................................................104
Figure 4.5 : Lvolution de nombre des sous-ensembles darbre de recherche pour le problme PP1 ...................105
Figure 4.6 : Description du problme PP2 ..............................................................................................................107
Figure 4.7 : lvolution de nombre des noeuds de larbre de recherche pour le problme PP2 ..............................117
Figure 5.1 : Les principes fondamentaux dun algorithme gntique .....................................................................122
Figure 5.2 : Algorithme gntique pour le problme PP1 .......................................................................................123
Figure 5.3 : Reprsentation de chromosome ...........................................................................................................124
Figure 5.4 : Oprateur de croisement ......................................................................................................................128
Figure 5.5 : Procdure pour obtenir le meilleur voisinage de la solution................................................................130
Figure 5.6 : La procedure de Hill-Climbing ............................................................................................................131
Figure 5.7 : Lcart entre la meilleure et le pire run de chaque instance.................................................................133
Figure 5. 8 : La performance moyenne en fonction de la taille des problmes .......................................................134
Figure 5.9 : Le temps de calcul CPU en fonction de la taille de problme.........................................................135
Figure 5.10 : Le temps CPU moyen des algorithmes AG et AG+RL .....................................................................136
Figure 5.11 : Exemple de convergence de la population pour un run dune instance de taille 120 ........................137
Liste des tableaux

Tableau 2.1 : Classification des rsultats pour le cas de chanes structure linaire ................................................32
Tableau 2.2 : Classification des rsultats pour le cas des systmes dassemblage ....................................................40
Tableau 3.1 : La date optimale de lancement dordre de fabrication en fonction de cot de retard..........................54
Tableau 3.2 : La date de lancement dordre optimale en fonction de nombre de niveaux. .......................................55
Tableau 3.3 : Cot de stockage, de replanification et de rupture ..............................................................................72
Tableau 3.4 : Loi de probabilit des dlais dapprovisionnement .............................................................................72
Tableau 3.5 : Les limites infrieures et suprieures ..................................................................................................73
Tableau 3.6 : La solution optimale ............................................................................................................................73
Table 4.1 : La probabilit de distribution des dlais dapprovisionnement.............................................................102
Table 4.2 : Les cots de stockages unitaires............................................................................................................103
Tableau 4.3 : Les limites infrieures et suprieures ................................................................................................103
Table 4.4 : La probabilit de distribution des dlais dapprovisionnement.............................................................104
Table 4.5 : Le temps moyen de calcul (en seconds) ................................................................................................106
Table 4.6 : Les limites infrieures et suprieures des variables de dcision ...........................................................115
Table 4.7 : Le temps moyen de calcul (en seconds) ................................................................................................118
Table 5.1 : Performances moyennes des algorithmes gntiques (AG) et (AG + RL)............................................135
Table 5.2 : Le temps moyen de convergence des AG et AG+RL (en secondes).....................................................136
Introduction gnrale

La gestion de production a pour objet la recherche dune organisation efficace de la production de


biens et de service. En situant la production dans la perspective plus large de la chane logistique
(supply chan ), la dfinition de cette organisation doit aussi imprativement prendre en compte la
matrise des flux entrants et sortants, autrement dit de lapprovisionnement jusqu la distribution pour
assurer le niveau voulu de satisfaction de clients.

Face une intensification de la concurrence, la gestion des systmes de production a beaucoup chang
ces dernires annes. Les industriels sont toujours sollicits innover en optimisant lorganisation de
leurs entreprises, prendre les bonnes dcisions au bon moment afin de satisfaire leurs clients
moindre cot. Les chercheurs sont leur tour essayent de fournir aux industriels des solutions
nouvelles et efficaces.

Pour mieux situer les diffrents problmes rencontrs en gestion de la production, les dcisions de
gestion sont classes en trois catgories : dcisions stratgiques, tactiques et oprationnelles. Les
dcisions stratgiques se traduisent par la formulation dune politique long terme de lentreprise qui
concerne le choix des fournisseurs, des ressources, dun mode transport, etc. Les dcisions tactiques
correspondent un ensemble des dcisions moyen terme. Parmi les dcisions tactiques on trouve la
planification de la production. Les dcisions oprationnelles assurent la flexibilit quotidienne
ncessaire pour faire face aux fluctuations prvue de la demande et des dlais et permettent de ragir
face aux alas dans le respect des dcisions tactiques. Parmi les dcisions oprationnelles on trouve la
gestion des stocks et lordonnancement. Ce travail de thse sintgre dans la problmatique de gestion
des stocks dans une chane logistique face aux alas des dlais dapprovisionnements. Ce travail se
situe donc au niveau de dcisions oprationnelles.

Diffrentes sources dalas existent le long de la chane logistique telle que la demande en produit fini
et les dlais dapprovisionnement en composants. La gestion des stocks en prsence de ces alas est un
problme classique pour les entreprises industrielles. Le plus souvent, cette gestion des stocks est
labore en considrant des variations possibles sur la demande. En effet, beaucoup de travaux
existent sur la planification des rapprovisionnements pour ce type dala. Les modles qui
considrent des variations sur les autres donnes du problme sont plus rares, notamment les modles
qui prennent en compte la variabilit des dlais dapprovisionnement.
Pourtant, ces dlais sont rarement constants, diffrents vnements plus au moins prvisibles le long
de la chane logistique peuvent causer des perturbations (panne de machine, problme de transport,
qualit,).

En effet, une mauvaise politique de gestion des approvisionnements conduit soit des retards de
livraison, qui engendrent des frais, soit des stocks inutiles. Ces derniers peuvent tre crs
diffrents niveaux (des matires premires aux produits finis), cotent de largent et immobilisent des
fonds. Cest pourquoi, il faut tre vigilent et adopter des mthodes de gestion des stocks et de
planification des approvisionnements efficaces pour savoir quoi commander, combien et quand.

Une difficult complmentaire de la planification des rapprovisionnements des chanes logistiques est
lie la structure de la chane (en plus des problmes lis aux alas). En effet, dans le cas o il y a de
lassemblage, plusieurs composants sont ncessaires pour fabriquer un produit (fini o semi-fini) ce
qui cre une interdpendance entre les stocks de ces composants. Egalement pour les chanes
logistiques dont la nomenclature du produit fini est plusieurs niveaux, il y a une interdpendance
entre les stocks de diffrents niveaux, car une perturbation (retard ou avance) un niveau donn cre
une perturbation au niveau suivant.

Le sujet de la thse a t donc choisi comme ltude des problmes de gestion des stocks et de la
planification des rapprovisionnements pour diffrentes structures de chanes logistiques plusieurs
niveaux, soumises aux alas des dlais dapprovisionnements. La thse se trouve donc au cur des
sujets actuels de la gestion de la production.

Etant donn la complexit du problme, nous nous sommes limits la planification des
rapprovisionnements pour des chanes logistiques avec un seul type de produit fini et sur une seule
priode, cest--dire pour une date et volume connus. Pour ce cas, nous avons dmontr des proprits
thoriques intressantes et nous avons propos des mthodes efficaces de planification.

Nous avons choisi comme variables de dcision celles qui correspondent aux temps de cycle planifis
qui sont des paramtres de la mthode MRP, lobjectif pratique de notre tude tant galement de
fournir des rflexions et des mthodes de paramtrage des logiciels MRP en prsence des alas des
dlais dapprovisionnements.

Lexpos de nos travaux est organis en cinq chapitres.

Le premier chapitre prsente la problmatique de gestion des stocks et de planification de


rapprovisionnements. Nous prsentons une chane logistique dune faon gnrale. Un intrt
particulier est port aux diffrentes structures dune chane logistique et aux problmes de
rapprovisionnements correspondants. Ensuite, ces problmes sont dclins pour la planification de
type MRP. La dmarche globale de cette mthode est prsente ainsi que les incertitudes sous MRP.
Le chapitre 2 est un tat de lart sur les principaux travaux qui sintressent aux incertitudes des dlais
dapprovisionnements. Nous prsentons une classification des problmes en nous basant sur le
structure de la chane logistique : les systmes un seul fournisseur, les systmes structure linaire et
les systmes dassemblage un et plusieurs niveaux. Nous avons galement donn une classification
des mthodes proposes : les mthodes approches et les mthodes exactes ainsi que des modles
utiliss variables continues et variables discrtes. Enfin, nous avons prsent des diverses
problmatiques et perspectives.

Le chapitre 3 sintresse la planification des rapprovisionnements pour le cas des chanes structure
linaire multi-niveau. Nous avons tudi les deux cas suivants : le premier cas concerne la fabrication
juste temps o il ny a que le cot de stockage des composants de niveau 1 et le cot de rupture pour
le produit fini ; et le second cas o il y a un cot de stockage et un cot de replanification chaque
niveau et un cot de rupture en produit fini. Nous avons choisi deux critres doptimisation. Le
premier minimise le cot moyen total compos du cot moyen de stockage des composants et du cot
moyen de rupture en produit fini. Le deuxime est la minimisation de cot moyen de stockage sous la
contrainte de niveau de service. Nous offrons une prsentation analytique de la fonction cot
minimiser pour les deux cas et une mthode rcursive doptimisation base sur le modle connu de
marchand des journaux ( Newsboy model ).

Dans le chapitre 4, nous sintressons la planification des rapprovisionnements des systmes


dassemblage. Nous offrons une modlisation analytique du problme pour le cas des systmes
dassemblage deux niveaux. Lobjectif est de minimiser le cot total moyen compos : i) du cot
moyen de stockage des composants et du cot moyen de rupture en produit fini et ii) du cot moyen de
stockage des composants sous la contrainte de niveau de service du client final. Nous prsentons une
mthode exacte doptimisation base sur une procdure par sparation et valuation. Les rsultats
exprimentaux montrent que cette mthode est limite des problmes de taille moyenne.

Enfin, nous proposons au chapitre 5 un algorithme gntique qui permet de rsoudre le mme
problme que celui de chapitre 4 (systme dassemblage deux niveaux) mais pour les instances de
taille plus importante. Dautres heuristiques ont t ralises afin davoir une possibilit de faire des
comparaisons.

Nous terminons ce mmoire par une conclusion o nous indiquons les voies possibles pour les futures
recherches.
Chapitre 1 : Gestion des stocks et planification des
chanes logistiques

1.1 Introduction
Le but de la gestion de la chane logistique est dtre capable de mettre sur le march, avant les
concurrents, des produits de bonne qualit, de faible cot, et qui rpondent aux dsirs exprims par les
clients.

Dans ce chapitre nous nous intressons prsenter des gnralits sur la gestion des chanes
logistiques et prcisment sur la gestion des stocks et la planification des chanes logistiques sous
incertitudes. Ces incertitudes peuvent tre classes en deux types : sur la quantit et sur le temps.
Lincertitude sur la quantit concerne par exemple la demande de clients et lincertitude sur le temps
concerne par exemple les dlais dapprovisionnement en composants auprs des fournisseurs.

Sous ces incertitudes, la gestion des stocks permet donc de dterminer le niveau de stock de chaque
article afin de rduire le cot de possession (ou de stockage), le cot de passation des commandes tout
en respectant un niveau dsir de service des clients. Lobjectif de la gestion des stocks est donc de
trouver un compromis entre le niveau de stock (cot de stockage) et la satisfaction des clients (taux de
service, minimisation de cot de rupture). En effet, si lon sintresse minimiser le cot de stockage
sans se soucier de taux de service on risque ne pas satisfaire les clients et donc de perdre certaines
commandes et voir mme perdre des clients non satisfaits. A linverse, avoir un niveau de stocks trop
lev conduit un cot de stockage aussi trop lev.

La planification des approvisionnements dune chane logistique reprend lide que la satisfaction dun
client est le rsultat de la mise en uvre dune succession de processus sans trop se proccuper du
primtre juridique de lentreprise, en remontant, si ncessaire, jusqu lapprovisionnement en
matires premires (Giard, 2003). La planification des approvisionnements consiste donc coordonner
efficacement les diffrents maillons de la chane logistique afin doffrir les produits en bonne quantit,
au bon endroit et au bon moment, et de minimiser le cot global, tout en obtenant un niveau de service
suffisant pour tous les partenaires de la chane logistique. Les objectifs de la planification des
approvisionnements varient selon chaque entreprise, ils peuvent tre par exemple : amliorer le taux de
service des clients, rduire les dlais, rduire les retards, augmenter les profits, rduire les cots, etc.

La planification des approvisionnements joue donc un rle primordial afin de bien grer la chane
logistique en garantissant un bon compromis entre la minimisation de cot total (stockage, lancement,
en-cours,, etc) et maximisation de niveau de service (rduire le rupture) pour le client final.

Une description gnrale des chanes logistiques est faite dans la section suivante : nous prsentons la
dfinition des chanes logistiques et ses diffrentes structures possibles. Ensuite, dans la section 1.3,
les mthodes de gestion des stocks sont introduites travers une prsentation de quelques politiques
classiques. Dans la section 1.4, nous nous intressons la planification de type Material Requirement
Planning MRP. Dans la section 1.5, nous introduisons la problmatique de la prsente thse. Enfin, la
section 1.6 prsente des conclusions.

1.2 Chanes logistiques Supply chain

1.2.1 Dfinition

Une chane logistique est un rseau dorganisations qui contribuent aux diffrents processus et
activits, travers les interactions en amont et en aval, apportant une valeur ajoute sous la forme de
produits et de services pour les clients finaux. Dun point de vue conceptuel, une chane logistique
peut tre considre comme une succession de processus dapprovisionnements, de fabrication, de
distribution et de vente dun produit, depuis le premier des fournisseurs jusquau client final (Mollet et
al., 2006). Une chane logistique est donc constitue de fournisseurs, de centres de production,
dentrepts de stockage, de centres de distribution et de points de vente, le tout travers par un flux
physique qui transforme progressivement les matires premires et composantes en produits finis. Une
illustration de la chane logistique est donne dans la figure 1.1.

Demande

Fournisseurs Production Assemblage clients

Dlai Dlai de Dlai


dapprovisionnement fabrication dassemblage

Figure 1.1 : Chane logistique


1.2.2 Structures possibles de la chane logistique

La structure d'une chane logistique dpend videmment de sa nature et des objectifs souhaits lors de
sa conception. Plusieurs architectures existent. Elles peuvent tre classifies comme suit (voir la
figure 1.2) :

Divergente ou de distribution : une chane est dite divergente si un fournisseur alimente


plusieurs clients, plusieurs fournisseurs ou un rseau dentreprises.

Convergente ou dassemblage : une chane est dite convergente si un client o une


entreprise est alimente par plusieurs fournisseurs. Cette structure est galement prsente
dans les systmes d'assemblage.

Squentielle ou linaire : chaque entit de la chane alimente une seule autre entit en aval.

On peut aussi trouver plusieurs structures qui sont des combinaisons des celles-ci.

divergente ou de convergente ou squentielle ou


distribution dassemblage linaire

Figure 1.2 : Structures possibles dune chane logistique

Ces diffrentes structures des chanes logistiques peuvent tre un seul niveau ou plusieurs niveaux.
Dans la figure suivante (voir la figure 1.3) nous prsentons un exemple dune chane logistique avec
une structure linaire trois niveaux (voir 1.3 a) et un exemple de systme dassemblage deux
niveaux (voir 1.3 b).
Niveau 3 Niveau 2 Niveau 1

Figure 1.3 a : Chane logistique structure linaire trois niveaux

Niveau 2 Niveau 1
Figure 1.3 b : Systme dassemblage deux niveaux

Figure 1.3 : Exemples des chanes logistiques

Dans notre tude, dans le chapitre 3, nous intressons la planification et la gestion des stocks des
chanes logistiques structures linaires multi-niveaux. Ensuite, les cas de gestion des stocks et de
planification dapprovisionnements dans des systmes dassemblages deux niveaux feront lobjet des
chapitres 4 et 5.

1.3 La gestion des stocks


La chane logistique est compose dun ensemble de processus et maillons et de relations entre eux
visant optimiser le dplacement des produits, dans l'espace et dans le temps, en vue de rpondre plus
efficacement aux exigences des clients et ce, au cot le plus bas.

Cette dfinition met en relief trois composantes fondamentales de la chane logistique : les maillons de
la chane, les flux de matires et les flux dinformation. La chane logistique est donc un rseau de
partenaires (ou maillons) changeant des matires et de linformation, dans le cadre dactivits menant
ultimement la livraison des produits (ou des services) aux clients finaux.

Une gestion saine de la chane logistique consiste planifier stratgiquement ses oprations,
sapprovisionner en laborant de bonnes approches de collaboration entre les partenaires, produire
efficacement et distribuer en respectant les niveaux de services, grce des rseaux
dapprovisionnements optimiss.
La gestion des stocks de la chane logistique implique tous les maillons de la chane en incluant le
fournisseur du fournisseur en partant du client final. La gestion de ces relations daffaires est cruciale
au succs de la chane. Laccent devrait tre mis dvelopper des relations durables et profitables
entre tous ses maillons.

En plus, toutes les informations changes lintrieur de chaque maillon doivent tre partages avec
les autres maillons afin de maximiser lefficacit de lensemble. Cela permettra aux maillons de la
chane de pouvoir ragir temps aux problmes qui surviennent et de prendre les meilleures dcisions
possibles.

Une des caractristiques fondamentales de gestion des stocks dans la chane logistique est que chacun
des maillons de la chane logistique a, positivement ou ngativement, un impact sur le reste de la
chane. Ainsi, toute rupture de marchandises chez un des fournisseurs se rpercutera jusquau client
final et tout changement de la demande chez le client finale se rpercutera jusquau fournisseur de la
matire premire.

Enfin, notons que la dfinition ci-haut de la chane logistique comporte trois sphres dactivits :
lapprovisionnement, la production et la distribution des produits. Limportance dune bonne gestion
de la chane logistique nest plus dmontrer. En fait, la seule question qui demeure est comment
trouver les bons paramtres de la gestion des stocks (stocks de scurit, dlais de scurit, rgles de
lot-sizing) tous les niveaux afin de satisfaire le client final la date souhaite au moindre cot.

1.3.1 Les paramtres de la gestion des stocks

Nous tudions quelques paramtres qui influent sur le cot de stock :

-Le prix unitaire dachat : il est possible dobtenir des remises quantitatives et ainsi, le prix unitaire
dachat est rduit par le systme de tarif seuil.

-Le dlai dapprovisionnement : il reprsente le temps entre le moment o l'ordre doit tre livr (la due
date) et la date de lancement de lordre. Il a une influence sur la gestion des stocks que nous montrons
dans les chapitres suivants.

-Le cot de lancement et le cot de possession dune commande : lobjectif dune bonne gestion des
stocks est de trouver le nombre optimal de lancements en tenant compte des dlais entre deux
lancements, le cot de lancement dune commande et son cot de possession afin de rduire le cot
total de lancement sur un horizon dune anne, par exemple.

-Les politiques de gestion des stocks : une fois les paramtres qui interviennent dans le calcul du cot
de stockage sont connus, nous pouvons dterminer les politiques de gestion des stocks qui minimisent
le cot total en tenant compte de la satisfaction des clients.
1.3.2 Origine et nature des stocks dans une chane logistique

Ds quil y a un dcalage horaire ou en quantit entre la production et la demande, des stocks ou des
ruptures dapprovisionnement se produisent. Pour viter ces dernires, des stocks complmentaires
sont galement constitus. Les stocks se trouvent ainsi tous les niveaux de la chane logistique. Ces
stocks sont sous forme de produits finis ou de produits semi-finis en cours de fabrication que nous
appelons en-cours . Ces derniers peuvent reprsenter des stocks importants ; souvent plus de 95%
de temps total pass dans les ateliers les pices restent en stocks (Mollet et al., 2006). Les stocks
dpendent galement de la taille des lots lancs en fabrication, de la planification, de
lordonnancement et de lincertitude de la demande et des dlais. Dans lindustrie il y a des centaines
de milliers de rfrences des pices chez les fournisseurs, en usines et dans les rseaux daprs-vente
reparties chacune sur plusieurs point de stockage. Le recours des mthodes avances de gestion des
stocks est donc ncessaire pour traiter des stocks dont la valeur immobilise reprsente souvent
plusieurs mois de chiffre daffaire.

Les stocks tant indispensables au fonctionnement de lentreprise et son service client, il convient de
les dimensionner aux meilleurs niveaux. Nous allons maintenant examiner les politiques classiques de
gestion des stocks qui ont cet objectif.

1.3.3 Les politiques classiques de gestion des stocks

Une politique de gestion des stocks peut se rsumer un type de dcisions dapprovisionnement dun
stock pour satisfaire une demande. Pour une dcision dapprovisionnement, il faut dterminer
conjointement une date de commande et une quantit commander. Les politiques classiques de
gestion des stocks se devisent en deux catgories suivant que lon met en avant la priode ou la
quantit. Cela donne dune part, des politiques de gestion des stocks priode fixe et quantit
dapprovisionnement variable et des politiques quantit fixe et priode de rapprovisionnement
variable.

Pour chacune de ces politiques, il existe une varit extrmement importante des modles suivant les
hypothses retenues sur les lments de la politique de la gestion. Nous ne donnons ici quun exemple
de politique quantit fixe.

1.3.3.1 Un exemple de politique quantit fixe : le point de commande

Cest une mthode trs simple et trs rpandue pour les articles peu chers et de consommation
rgulire. Le principe consiste dfinir un seuil S. Ds que le niveau du stock atteindra le seuil S, on
dclenchera lapprovisionnement dune quantit Q. Cest ce seuil qui est appel le point de commande
car il dclenche le rapprovisionnement (ou la commande). Cette politique de la gestion des stocks
demande dfinir deux paramtres, dune part, le seuil (le point de commande) et dautre part, la
quantit de rapprovisionnement. Le point de commande a pour but dviter les ruptures, cest une
valeur de stock qui correspond la quantit qui sera demande ou consomme pendant le dlai de
rapprovisionnement. Dans le cas o la demande ou le dlai dapprovisionnement serait alatoire, lors
de la dtermination du point de commande cette quantit est gnralement majore en utilisant un
dlai de scurit. La quantit de rapprovisionnement est aussi appele taille de lot, voir la figure 1.4
(Mollet et al., 2006).

Niveau de
stock

Q
Q
S

Point de
commande

L L
Temps

L : dlai dapprovisionnement
Q : quantit fixe rapprovisionne

Figure 1.4 : Politique dapprovisionnement point de commande

1.3.3.2 Quantit conomique EOQ

La quantit de commande peut tre dtermine en utilisant la formule du lot conomique EOQ
(Economic Order Quantity). Cest le modle de dimensionnement de stocks le plus courant.

Pour le modle quantit conomique EOQ, la consommation est suppose rgulire et le dlai de
livraison est connu. Le stock moyen q vaut la moiti de la quantit commande Q/2. Optimiser le stock
revient alors optimiser la quantit commande. Cette quantit Q est appele quantit conomique. Ce
modle est reprsent dans la figure 1.5.
Niveau de
stock

Q/2

Temps
t=priode

T : horizon

Figure 1.5 : Politique dapprovisionnement quantit conomique

Harris (1913) a montr quil existe une quantit conomique Q*, qui permet de minimiser le cot total
compos du cot de lancement Cl et du cot de stockage h, elle est donne par la formule suivante :

Cl
Q* = 2 L (1.1)
h

Dans les paragraphes suivants, nous prsentons un autre modle celui de Newsboy avec deux
modifications : lorsque le dlai dapprovisionnement nul et la demande est alatoire et lorsque la
demande est connue et dterministe et le dlai dapprovisionnement est non nul et alatoire.

1.3.3.3 Modle de Newsboy avec demande alatoire et dlai dapprovisionnement nul

La gestion des stocks peut galement tre faite avec le modle de Newsboy qui tient en compte du
cot de possession h et du cot de rupture b. Dans ce modle, la demande est considre comme une
variable alatoire avec une distribution connue (Porteus, 1990 ; Dupont 1998).

Pour expliquer le modle de Newsboy avec une demande alatoire, nous reprsentons un exemple de
(Dupont, 1998). Un marchand de journaux achte chaque jour une quantit fixe dun certain quotidien.
Si la demande est suprieure son stock, il constate un manque gagner b. Tout exemplaire non
vendu engendre une perte h. Lobjectif est daugmenter le gain total et donc de trouver la quantit
optimale avoir en stock.
Soit p x la probabilit que la demande D soit gale x articles, et S le niveau de stock
(approvisionnement) :

1) si x < S , alors il reste S-x invendus, le cot de possession est h(S-x) ;

2) si x > S , alors il manque x-S articles, le cot est de b(x-S).

Le cot total est donc :

S 1
C ( S ) = h ( S x) p x + b ( x S ) p x
x =0 x>S

La solution optimale S * est telle que :

b
F ( S * 1) F (S * )
b+h

o F (.) est la fonction de rpartition de la variable alatoire x.

1.3.3.4 Modle de Newsboy avec demande connue et dlai dapprovisionnement alatoire

Nous pouvons galement utilis le modle de Newsboy pour des problmes dapprovisionnement.
Nous allons montrer ici comment.

L'un des aspects les plus dlicats dans la planification des approvisionnements est la dtermination des
dlais prvus dapprovisionnement. Le dlai dapprovisionnement prvu (planned lead time)
reprsente le temps entre le moment o l'ordre doit tre livr (la due date) et la date de lancement de
lordre (planned order release date). La dtermination de dlai dapprovisionnement est trs
importante, une erreur ici peut affecter srieusement le bon fonctionnement des systmes de
planification des approvisionnements.

Soit x le dlai dapprovisionnement prvu, nous avons alors :

x =T X (1.2)

o,

T : reprsente la date voulue de livraison,

X : reprsente la date de lancement dordre un fournisseur.

Ces paramtres sont utiliss, entre autre, par les systmes de type MRP o les dates de livraison de
produits finis sont donnes par le Plan Directeur de Production (PDP), c.--d. Master Production
Schedule (MPS) et lquation (1.2) est ensuite utilise dune manire itrative pour dterminer,
niveau par niveau, la date de lancement dordre pour tous les composants.
Lordre mis en place peut prendre plus au moins de temps que ce qui a t allou (le temps
dapprovisionnement prvu). Le dlai dapprovisionnement rel L est donc exprim comme suit :

L =C X (1.3)

o,

C : reprsente la date relle darriv des composants commands,

X : reprsente la date de lancement dordre un fournisseur.

Si le dlai dapprovisionnement rel L est suprieur au dlai dapprovisionnement planifi L x > 0


(voir la figure 1.6a) alors il y a un retard. Dans le cas o cette diffrence est ngative L x < 0 (voir la
figure 1.6b), le produit est en avance. Le retard R (rupture) et lavance S (stock) sont donc modliss
comme suit :

R = (L x )+ (1.4)

S = ( x L )+ (1.5)

o (.) est max(.,0)


+

La figure 1.6 prsente la relation entre dlai dapprovisionnement prvu ou planifi et le dlai
dapprovisionnement rel.

T: due date (date


L dachvement
voulue)
x R C: date
darrive de
lordre

X: date de
X T C lancement de
lordre

a : cas C > T L: dlai


dapprovisionne
ment rel
L S x : dlai
dapprovisionne
ment planifi
x
R: Retard

S : Avance

X C T
Temps
b : cas C< T

Figure 1.6 : Illustration de la relation entre les dlais dapprovisionnement planifi et rel
Weeks (1981) a montr que le modle de Newsboy peut galement tre utilis pour dterminer le dlai
dapprovisionnement planifi pour le cas de la demande connue et du dlai dapprovisionnement non
nul et alatoire.

Lobjectif est de rduire le cot total moyen compos de cot de stockage et de cot de rupture. Le
problme donc est de trouver le dlai dapprovisionnement planifi qui permet de rduire ce cot total.

Le cot total est donc :

x 1
C ( x ) = h ( x L ) p L + b ( L x ) p L
L =0 L>x

o p L est la probabilit que le dlai dapprovisionnement rel est gal L.

La solution optimale est telle que :

b
F ( x* 1 ) F ( x* )
b+h

o F (.) est la fonction de rpartition de la variable alatoire L.

1.4 La politique de planification de type MRP


La planification dapprovisionnements efficace est une fonction trs importante pour la gestion des
entreprises industrielles. En effet, une mauvaise politique de gestion des stocks conduit soit des
stocks inutiles ou des ruptures. Les stocks sont cres diffrents niveaux (des matires premires
aux produits finis), cotent de l'argent et immobilisent des fonds. Une rupture de stock conduit une
pnalit due aux commandes insatisfaites.

Les mthodes de planification de type MRP sont les mthodes les plus connues dans le contexte
industriel (Axster, 2006). Les systmes MRP sont accepts facilement par les industriels, la majorit
des dcideurs industriels sont familiers avec eux travers tous les systmes existants de gestion
informatique de la production. Les techniques MRP disposent d'un systme d'information bien
dvelopp et ont fait ses preuves au fil du temps.

Toutefois, MRP est base sur lhypothse que la demande et les dlais d'approvisionnement sont
connus. Cependant, dans le monde industriel, on constate trs souvent que les dlais
dapprovisionnement varient souvent dune manire alatoire. Les dlais dapprovisionnements des
composants finis sont rarement prvisibles dune manire fiable. En effet, il y a certains facteurs
alatoires tels que les pannes de machines, le retard de transport, etc. Par consquent, les hypothses
dterministes intgres dans les systmes MRP concernant le temps dapprovisionnements sont
souvent trop limites.
Comme a t indiqu dans plusieurs articles, diffrentes sources dincertitudes peuvent exister le long
de la chane logistique. Pour viter les consquences de ces incertitudes, les entreprises utilisent les
stocks de scurit ou des dlais de scurit, les deux provoques des stocks complmentaires qui sont
assez chers. Par consquent, il est souhaitable de dvelopper des mthodes de planification des
approvisionnements qui tiennent compte des proprits stochastiques des dlais dapprovisionnements
(Maloni et Benton, 1997).

Dans lapproche MRP, une distinction importante est faite entre la demande pour le produit final,
c'est--dire la demande indpendante, et la demande d'un de ses composants, c'est--dire la demande
dpendante. La demande indpendante est connue ou prvue par les mthodes qui sont labores dans
le cadre de "la prvision des ventes". Les demandes dpendantes peuvent tre calcules partir de la
demande indpendante l'aide de la nomenclature du produit finis correspondant et les dlais
dapprovisionnement planifis.

Sous la logique MRP, le temps est dirig en intervalles discrets appels time buckets . Le dlai
dapprovisionnement est gal au nombre dintervalles couls entre la date de lancement de lordre et
sa date de livraison. La taille du lot est la quantit des articles commands.

La mthode MRP est base sur le calcul dterministe : toutes les commandes des composants sont
lances au plus tard, donc le cot total sera automatiquement le plus petit possible. Mais, s'il existe des
facteurs alatoires, le sens de l'expression au plus tard est incertain. Dans ce cas, pour chaque
paramtre de la mthode MRP, nous pouvons avoir une probabilit de stockage des composants et une
probabilit de rupture en produit finis. Par consquent, il faut utiliser le paramtrage de la mthode
MRP, c.--d. le choix des valeurs optimales pour ses paramtres minimisant les stockages et/ou les
ruptures. Ce problme est appel le paramtrage des systmes MRP sous incertitudes.

1.4.1 Principe de la mthode MRP

Le principe de la mthode MRP est de dterminer sur un horizon donn, les sorties prvisionnelles ou
les ordres de fabrications lancer dans latelier. Les besoins en produits finis sont donns par le Plan
Directeur de Production (PDP), et ceux en composant en sont dduits par clatement de la
nomenclature (Dolgui et Prodhon., 2007). Un exemple de nomenclature est prsent dans la figure 1.7.

Un certain nombre de donnes sont donc ncessaires comme les nomenclatures des produits. Il est
galement ncessaire de connatre ltat des stocks, les rceptions prvues, les besoins bruts, les
fournisseurs, les tailles de lot, les dlais dapprovisionnements ou dobtention. Ces derniers sont utiles
pour savoir quand est-ce quil faut lancer une commande. Le dlai dapprovisionnement correspond au
temps quil faut entre le moment o lon dcide de commander et le moment de la rception de la
commande. On peut galement y ajouter une marge de scurit appele dlai de scurit jouant un rle
similaire au stock de scurit.
Une fois ces donnes sont obtenues, on calcule les diffrents besoins en composants. On les obtient
par clatement de la nomenclature dterminant la quantit de chaque composant ncessaire pour
assurer la fabrication voulue de produits finis. On ajoute ventuellement des besoins indpendants
correspondant par exemple aux pices de rechanges, si besoin.

Il reste donc dterminer quand est-ce quil faut commander. Il faut alors considrer le temps que cela
prend pour obtenir ces composants. Ensuite, on les commande au plus tard en tenant compte de l'tat
des stocks et des dlais dapprovisionnements.

Si on commande uniquement les quantits ncessaires pour chaque date, il sagit de la politique Lot-
pour-Lot (ou Lot-For-Lot, LFL). Cependant, il est parfois prfrable de grouper des lots en tenant
compte des frais de passation de commande et de possession des stocks. Il existe diffrentes
techniques de regroupement appeles aussi lotissements ou lot-sizing (Vollmann et al., 1997).

Prenons un exemple de lot pour lot politique (Dolgui et Prodhon., 2007) :

I (i ) Stock disponible la priode i ,

N ( i ) Besoin net de la priode i ,

G( i ) Besoin brut pour la priode i ,

Q( i ) La fabrication ou lachat la priode i ,

Dlai dapprovisionnement.

Le stock disponible en premire priode I (1) est donn, puis pour les priodes suivantes, il est dduit
du besoin net de la priode prcdente :

I (i ) = max{0, N (i 1)} , (1.6)

Le besoin net la priode i est gal au (besoin brut stock disponible), il est obtenu comme suit :

N (i ) = G (i ) I (i) , (1.7)

Lordre de fabrication ou dachat :

Q(i ) = max{0, N (i + )} , (1.8)


Produit fini
dlai = 2

1 2
Composant 2
Quantit par dlai = 2
produit fini
Composant 1 1
dlai = 3
Composant 3
dlai = 2

Figure 1.7 : Nomenclature de produit fini

priode 1 2 3 4 5 6 7 8 9 10
Produit Fini besoin brut (PDP) 0 0 0 50 10 40 20 30 50 60
Niveau 0 stock disponible 20 20 20 20 0 0 0 0 0 0
Dlai = 2 besoin net -20 -20 -20 30 10 40 20 30 50 60
fabrication/achat 0 30 10 40 20 30 50 60 0 0
Quantit = 1
priode 1 2 3 4 5 6 7 8
Composant1
besoin brut 0 30 10 40 20 30 50 60
Niveau 1
stock disponible 100 100 70 60 20 0 0 0
Dlai = 3
Quantit = 1 besoin net -100 -70 -60 -20 0 30 50 60
fabrication/achat 0 0 30 50 60 0 0 0
Dlai = 3
priode 1 2 3 4 5 6 7 8
Composant2
besoin brut 0 60 20 80 40 60 100 120
Niveau 1
stock disponible 140 140 80 60 0 0 0 0
Dlai = 2
Quantit = 2 besoin net -140 -80 -60 20 40 60 100 120
fabrication/achat 0 20 40 60 100 120 0 0

priode 1 2 3 4 5 6 7 8
Composant3
besoin brut 0 20 40 60 100 120
Niveau 2
stock disponible 50 50 30 0 0 0
Dlai = 2
Quantit = 1 besoin net -50 -30 10 60 100 120
fabrication/achat 10 60 100 120 0 0

Figure 1.8 : Plan Directeur de Production (PDP)

1.4.2 Les incertitudes sous MRP

La mthode MRP se situe volontairement en univers certain. Cette hypothse de travail nest pas
toujours raliste. La demande et les dlais dapprovisionnements sont souvent alatoires (panne
machine, casse dun outil, absentisme, retard dun fournisseur, problmes de qualit, commandes
urgentes, rendement alatoire ). Il faut alors trouver les paramtres qui conviennent pour aboutir
des rsultats qui rpondent le mieux aux besoins des clients tout en limitant les cots engendrs.

Deux sources dincertitude touchent principalement la mthode MRP (Nahmias, 1997; Vollmann et
al., 1997) : la demande et les approvisionnements (voir la figure 1.8). On peut encore diviser ces
incertitudes en deux catgories : quantit et temps. La premire signifie que les quantits fournies sont
diffrentes des quantits relles demandes. La deuxime concerne les dates de demandes ou de
rceptions qui ne sont pas respectes.

Enns (2002) a tudi leffet de lerreur de la prvision sur la performance de MRP et comment
lincertitude de la demande peut tre mieux traite. Lauteur sest intress limpact de
laugmentation de stocks et de dlais dapprovisionnements sur le niveau de service. A travers la
simulation, il a montr que le niveau de service augmente lorsque le ratio (prvision/demande)
augmente. Il a galement montr quen augmentant les stocks de scurit et les dlais
dapprovisionnents le niveau de service augmente aussi.

Inderfurth (2007) a tudi la performance des systmes MRP et ses paramtrer sous les incertitudes de
la demande et du rendement. La demande tait suppose stationnaire, le dlai dapprovisionnement
gal zro et le rendement tait proportionnel la quantit commander. Lauteur a prsent une
expression analytique de stock de scurit pour les lois connues (uniforme, normale) de la demande et
du rendement quand la politique dapprovisionnement est la politique Lot pour Lot.

Produit Priode 1 2 3 4 5
Fini Besoin brut Incertitude en quantit
0 0 20 15 0
Niveau 0 (PDP) pour la demande
Dlai = 2 stock disponible 20 20 20 0 0
+/- 1 besoin net -20 -20 0 15 0
Incertitude en quantit
fabrication/achat 15 pour les approvisionnements

Incertitude en temps
pour le dlai Incertitude en temps
dapprovisionnement pour la demande

Figure 1.9 : Incertitudes des donnes pour la mthode MRP

Lincertitude sur la demande signifie que la demande n'est pas exactement connue l'avance et donc
les quantits prvues peuvent tre diffrentes de la demande relle. Le dlai dapprovisionnement
incertain signifie que le dlai rel peut tre diffrent du dlai planifi, donc une commande planifie
pour une priode peut ne pas arriver la date approprie. Lincertitude de rendement signifie que la
quantit commande ou fabrique est diffrente de la quantit produite ou fournie.

Ces incertitudes peuvent provoquer une replanification. Par exemple, on peut avoir prvu une
demande de D units et finalement navoir que D units, il en reste alors units manquantes et
pour ne pas faire de surstock, il faut rduire la production pour la priode suivante. Mais on peut
galement avoir le phnomne inverse et devoir changer le plan directeur de production durgence
pour pouvoir satisfaire la demande plus grande que prvue.

Plus gnralement, tout changement dans les donnes ou des paramtres du systme MRP provoque
des instabilits qui ont des effets ngatifs sur lensemble du systme (cot de stockage et cot de
rupture, difficults de gestion, etc.). Il est donc ncessaire de trouver les paramtres optimaux qui
permettent de minimiser les effets ngatifs des incertitudes des donnes.

Les paramtres qui peuvent tre modifis dans le systme MRP en cas d'incertitudes sont de
diffrentes natures (voir la figure 1.10) :

- stocks de scurit
- dlais de scurit / temps de cycle planifis
- taille des lots
- gel dune partie de PDP
- choix du horizon de planification
-

Horizon de planification

Gel du plan

8
Priode 1 2 3 4 5 6 7 9 10
Besoins brutes 60
Produit fini 0 0 0
50 10 40 20 30 50
Dlai 30
dapprovisionnement Stock disponible 30 30 30 30 30 20 10 30 30 Stock de scurit
= 10 units
prvu = 1 Besoins nets -20 -20 -20 30 -10 30 0 30 30 40
Fabrication/
Ordre 0 50 0 50 0 50 50 50

Lot-sizing : Dlai (Dlai de scurit


lot de 50 units dapprovisionnement = 1 priode)
= 2 priodes

Figure 1.10 : Paramtres de MRP

1.4.3 Stocks et dlais de scurit

La prise en compte des variations possibles des besoins brutes peut seffectuer par le biais dun stock
de scurit (safety stock). La particularit de ce stock de scurit est dtre dusage exceptionnel. Il na
pas pour but dtre coul entirement entre deux livraisons, mais de pallier aux alas de quantit.
Limpact de ce stock est double : il rduit le risque de rupture et augmenter les cots de possession
(cot de stockage). Il faut donc lajuster en fonction de deux objectifs suivants :
Minimiser les cots de rupture et de stockage
Minimiser le cot de stockage tout en satisfaisant le niveau de service souhait par les
clients.
Notons quil est possible selon Plenert (1999) de rduire voir mme de supprimer la plupart des stocks
de scurit en instaurant des capacits de production de scurit.

Comme a t dcrit prcdemment, la mthode MRP se base sur une vision dterministe de la
demande et des dlais dans les systmes de production. Pour faire face aux diffrents alas, la notion
du stock de scurit a t introduite. Graves (1988) montre limportance dutilisation des stocks de
scurit et donne une analyse des mthodes le plus utilises pour les dimensionner. Simpson (1958),
Hansmann (1959) et Miller (1979) ont propos des heuristiques qui consistent fixer des seuils des
alas et de calculer les stocks de scurit qui permet la satisfaction de la demande si les alas ne
dpassent pas les seuils fixs.

Giard (2003) indique quune des principales difficults est la dtermination des niveaux des stocks de
scurit (et leurs variations).

En ce qui concerne le dlai de scurit (safety lead time), il fonctionne sur le mme principe, mais au
lieu dagir sur les quantits, on agit sur le temps. En utilisant les dlais de scurit, le dlai
dapprovisionnement planifi est dtermin en faisant la somme du dlai dapprovisionnement
prvisionnel et du dlai de scurit. Par exemple, on peut prendre un dlai de scurit gal k fois lc
art-type du dlai prvisionnel (Melnyk et Piper, 1981).

(Whybark et Williams, 1976) affirment que des stocks de scurits sont utiliser quand des
incertitudes portent sur les quantits, et des dlais de scurits quand il y a des alas dans les dlais,
afin de minimiser les cots de stockage et dassurer un bon niveau de service dans un systme MRP.

Nanmoins, ce nest pas la conclusion de Grasso et Taylor (1984), qui prfrent les stocks de scurit
dans tous les cas. Ils se sont intresss spcifiquement aux incertitudes sur les dlais et ont travaill sur
quatre facteurs (variabilit des dlais, stocks et dlais de scurit, technique de lot-sizing, valeur des
pnalits des retards et cots de possession) qui jouent un rle sur le cot total des systmes MRP.
Leurs exprimentations concernaient trois produits de nomenclature cinq niveaux chacun. Ils
concluent de leur tude que ces quatre facteurs dfinissent les cots de gestion MRP.

Quant De Bodt et Van Wassenhove (1983), ils nous disent que les solutions de type stocks de
scurit ne sont appropries que quand la variabilit de la demande est faible, et le temps entre les
commandes est petit.

On peut combiner des stocks de scurit et des dlais de scurit. Mais avant dopter pour de telles
techniques, il faut regarder sil nest pas possible de rduire les incertitudes par exemple en effectuant
une meilleure prvision de la demande et des dlais. On peut aussi, entre autre, appliquer quelques
techniques du Juste--Temps pour rduire les dlais de fabrication, amliorer la qualit, cest--dire
diminuer les incertitudes.

1.4.4 Mthodes de lotissement (lot-sizing)

La mthode de lotissement la plus simple est Lot-pour-Lot (ou Lot-For-Lot, LFL). Quand on applique
Lot-pour-Lot, il ny a pas de regroupement des besoins de diffrents priodes. On commande chaque
priode selon les besoins nets dune priode plus lointaine (en tenant compte de dlais
dapprovisionnement) mme lorsquil sagit dune demande de taille trs faible. Cest la mthode
quon utilise quand les cots de lancement sont ngligeables, son avantage est quelle minimise le
stockage.

Toutefois, il est parfois plus judicieux de regrouper les besoins de plusieurs priodes, au lieu de
travailler en Lot-pour-Lot. Si lon rassemble les besoins de plusieurs priodes en crant des lots de
taille plus importante les cots de passassion seront plus rduits (les cots de lancement des ordres,
ventuellement les cots de transport,), mais en cas de cot de possession lev par rapport au cot
de commande ou quand le stockage pose problme, le Lot-pour-Lot nest pas si mauvais. De ce fait,
souvent, lorsque lon est en prsence de produits multi-niveau, le regroupement est utilis pour les
matires premires et quelques articles intermdiaires, et la politique Lot-pour-Lot pour le reste.

Nous allons maintenant tudier diffrentes techniques de lotissement couramment utilises.

Comme nous lavons dj indiqu, une des techniques les plus connues est la quantit conomique de
commande (EOQ), introduite par Harris en 1913. Cette mthode calcule une quantit commander par
la formule de Wilson. Cette technique consiste donc chercher la quantit conomique de commande
passer priodiquement. Cependant la mthode EOQ se base sur des hypothses restrictives de
demande certaine et distribue uniformment tout au long de lanne et du dlai de
rapprovisionnement aussi certain.

Lalgorithme Wagner-Within (1958) est une procdure qui dtermine le cot minimal de commande
pour une demande dterministe dynamique sans contrainte de capacit. Sous les conditions de
demande dynamique, rupture non permise, stock initial nul, cots linaires de possession et cots fixes
de commande, il est optimal. Il analyse toutes les possibilits de commande pour rpondre la
demande en utilisant une programmation dynamique et ainsi choisit la moins coteuse. C'est--dire il
cherche dterminer la quantit cumule des besoins de chaque priode. Zangwill (1966) a gnralis
lalgorithme de Wagner-Within en permettant les ruptures de telle sorte que les demandes non
satisfaites soient diffres la priode suivante.

Lalgorithme de Wagner-Within ayant le temps de calcul important pour des problmes de taille relle
(Jeunet et Jonard, 2000), de nombreuses heuristiques ont t dveloppes comme les trois suivantes.
Lide de lheuristique de Silver et Meal (1973) est de couvrir p priodes avec un ordre
dapprovisionnement, cet algorithme cherche la valeur p qui minimise le cot moyen de stockage par
priode. Lheuristique de Silver et Meal est souvent plus performante que lalgorithme de Wagner-
Within en cas dincertitudes.

La mthode du moindre cot unitaire, ou Least Unit Cost (LUC), est une procdure qui value les
diffrentes quantits commander en accumulant les besoins des priodes conscutives jusqu ce que
le cot commence augmenter.

Toujours sur le mme principe, Matteis en 1968 introduit une technique conomique de lotissement le
Part Period Algorithm (PPA). Il divise les cots de lancement (ou dordre dapprovisionnement) par
les cots de stockage par unit de composant et par unit de temps. Cette valeur est utilise pour
dterminer la taille de lot. Lauteur a prsent une tude comparative, entre son algorithme,
lalgorithme de Wagner et Within et lalgorithme Least Unit Cost . Les rsultats montrent que
lalgorithme de Wagner et Within reprsente toujours la solution cot minimum et lalgorithme
Least Unit Cost cot maximum. Mais linconvnient de lalgorithme de Wagner et Within par
rapport aux deux autres algorithmes est quil est moins performant lorsque la demande peut varier.
PPA est remarquablement stable pour les diffrentes variations de la demande avec une solution cot
faible.

Tous ces modles sont capacit infinie, mais il en existe dautres avec capacit finie. Nous pouvons
citer celui qui gnralise lalgorithme de Wagner et Within, et dont le principe est de borner les
quantits produites pour chaque priode (voir tat de lart dans Lee et Nahmias, 1993). On peut
trouver aussi par exemple lEconomic Lot Scheduling Problem introduit par Rogers en 1958 pour
traiter des problmes avec demande stationnaire.

Les logiciels disponibles noffrent que quelques rgles de calcul de lotissement. Parmi ces rgles, on
retrouve bien sr celle du Lot-pour-Lot, de la quantit conomique de Wilson, mais aussi parfois des
algorithmes plus sophistiqus comme lalgorithme de Wagner et Within ou lheuristique de Silver et
Meal. Cependant, ces derniers requirent du temps de calcul plus important. Afin de faire face au
problme de temps de calcul, on peut regrouper les produits par famille en se basant sur les critres
composants et outillages, pour ne travailler quavec ces familles (Giard, 2003).

Sachant quune dcision de lotissement un niveau se rpercute tous les niveaux descendants. Il est
donc difficile de trouver un regroupement qui soit optimal sur lensemble des niveaux dune
nomenclature. Une taille de lot optimale pour un article peut engendrer des pertes pour les autres
composants dpendant de lui. Plenert (1999) nous conseil dappliquer le Lot-pour-Lot tous les
produits des classes A et la plupart des ceux de classe B selon la classification de Pareto. Ceci dit dans
certains cas spcifiques, comme le dmontre Ho et Lau (1994) avec des dlais incertains, les rgles de
Silver et Meal donnent de meilleurs rsultats.
1.5 Problmatique de la thse
La gestion des stocks et la planification des chanes logistiques en prsence des alas dans un
environement MRP est une pratique courante. En effet, les techniques de planification de type MRP
sont acceptes facilement par les dcideurs industriels qui sont familiariss avec elles travers les
logiciels de gestion de production assiste par ordinateur (GPAO).

La prsente thse de doctorat sintresse la problmatique de paramtrage de MRP en prsence


dalas de dlais dapprovisionement. Nous essayons de trouver des nouvelles mthodes de
planification en prsence dalas et nous montrons la possibilit de leur utilisation pour le paramtrage
de MRP.

Le plus souvent dans la littrature le problme de paramtrage de MRP est abord du point de vue
dincertitude de la demande. Cependant, dans le monde industriel, on constate trs souvent que les
problmes ne se limitent pas uniquement aux variations lies la demande, mais aussi aux fluctuations
sur les dlais. Cest pourquoi dans cette thse, nous essayons dapporter des rponses au paramtrage
de MRP quand les dlais dapprovisionnements sont alatoires.

La gestion des stocks et la planification des approvisionnements prennent une ampleur trs grande
avec lexpansion des structures des chanes logistiques. Cest pourquoi elles sont dun intrt vident.
Dans cette thse nous tudions la planification sous incertitudes des dlais dapprovisionnement de
diffrentes structures de chane logistiques. Nous intressons aux chanes dapprovisionnement
structure multi-niveau qui ne sont pas ou peu abordes dans la littrature.

Sous la logique MRP, le temps est divis en intervalles discrets appels time buckets . Afin de se
rapprocher de la mthode MRP, dans la prsente thse le dlai dapprovisionnement est considr
commettant une variable alatoire discrte. Dans la mme perspective de se rapprocher encore de
monde industriel nous supposons que cette variable alatoire suit une loi de distribution discrte
quelconque (connue avant loptimisation).

Dolgui et Ould Louly ont dj travaill sur la parametrage de MRP pour les systmes dassemblage
avec des dlais dapprovisionnements alatoires. Dans (Ould Louly et Dolgui 2002), ils considrent un
systme d'assemblage avec un produit fini et plusieurs composants. Le but est de rechercher des
valeurs optimales de dlais planifis pour un systme MRP soumis des dlais incertains, en
minimisant les cots de possession et de retard. Les auteurs partent sur des hypothses de capacits
infinies d'approvisionnements (et donc de dlais indpendants de la taille des lots). La demande est
suppose constante et celles non satisfaites sont diffres. La politique Lot pour Lot est utilise. Une
des difficults est alors la dpendance entre les stocks de diffrents composants. Pour le cas o les
dlais dapprovisionnement suivent la mme loi pour tous les types de composants et les cots
unitaires de stockage des composants sont les mmes, une gnralisation du modle de Newsboy est
propose. Ce modle est gnralis son tour pour le cas de la politique dapprovisionnement
couverture fixe dans (Ould Louly et Dolgui, 2004).

Dolgui et Ould Louly (2002) proposent galement un modle Markovien pour tudier le mme
problme de planification dynamique multi-priode, mais pour le cas plus gnral o les lois de
distribution des dlais dapprovisionnements et les cots unitaires de stockage peuvent tre diffrents.
Dans (Ould Louly et Dolgui, 2008) les auteurs dveloppent pour ce modle une procdure par
sparation et valuation (PSE) pour trouver la solution optimale. Plusieurs bornes infrieures et une
borne suprieure de la fonction cot ainsi que des proprits de dominance permettant rduire lespace
de recherche des solutions ont t dveloppes. Les auteurs prsentent des rsultas numriques, et
montrent lefficacit de la mthode PSE grce la qualit des bornes infrieures, de la borne
suprieure et de lutilisation des proprits de dominance.

Dans (Ould Louly et al., 2008 a), les auteurs considrent le mme problme que celle de (Ould Louly
et Dolgui, 2008) mais en modifiant le critre doptimisation en minimisant le cot de stockage des
composants sous la contrainte de niveau de service. Cette tude complte ltude (Ould Louly et
Dolgui, 2008) lorsque le cot de rupture est difficile mesurer. Une borne infrieure de la fonction
cot ainsi que des proprits de dominance permettant rduire lespace de recherche des solutions ont
t dveloppes. Une autre tude sur le niveau de service pour les systmes dassemblage est faite
dans Ould Louly et al. (2008 b).

Dans la prsente thse, nous gnralisons ltude de Dolgui et Ould Louly (2002), Ould Louly et
Dolgui (2002), Ould Louly et Dolgui, (2008), Ould Louly et al. (2008 a) et Ould Louly et al. (2008 b)
pour le cas de chane logistiques linaires et des systmes dassemblage multi-niveaux.

1.6 Conclusion
Dans ce chapitre nous avons prsent des modles de gestion des stocks et de planification des chanes
logistiques. Nous avons galement prsent en dtail le principe de la mthode MRP. En effet, cette
mthode est volontairement place dans un environnement certain. Cependant plusieurs incertitudes
existent dans la ralit tel que la demande en produits finis et les dlais dapprovisionnements auprs
des fournisseurs. Nous avons prsent dans ce chapitre les diffrents paramtres de dcision dans la
MRP en cas dincertitudes et ainsi que le problme de paramtrage de MRP sous incertitudes.

Nous allons dans le chapitre suivant nous attarder aux tudes consacres aux incertitudes sur les dlais
dapprovisionnement qui ne sont pas aussi nobreases que celles concernant les alas de la demande.
Les alas de dlais dapprovisionnement ont longtemps t ngligs par rapport aux incertitudes
concernant la demande.
Chapitre 2 : Etat de lart

2.1 Introduction
La planification des approvisionnements des chanes logistiques (systmes de production de biens et
de services) est sujette de nombreux travaux de recherche. Face aux exigences des clients en terme
de qualit de produit, de niveau de service offert et de prix, les industriels ont besoin damliorer la
performance de la gestion des leurs entreprises. Les chercheurs essayent de trouver en situation relle
des formulations intressantes pour proposer des solutions nouvelles et efficaces qui rpondent aux
besoins des industriels. Cette thse est une contribution dans ce domaine de recherche qui est
passionnant et extrmement utile long terme.

Diffrentes sources d'alas existent le long de la chane logistique. Ces alas sont dus des pannes de
machines, aux retards de transport, ou encore aux problmes de qualit. Pour pallier cela, les
entreprises utilisent les stocks de scurit (souvent d'une manire abusive). Selon Lee et Billington
(1993), un grand dfi actuel est de trouver le moyen, par la planification efficace
d'approvisionnements, de contrler les stocks et les cots le long de la chane logistique, tout en
maximisant le service offert aux clients, en tenant compte des alas.

Beaucoup de travaux existent sur la gestion des stocks et la planification d'approvisionnement dans
les conditions d'une demande alatoire. Ils ont fait avancer la rflexion gnrale sur la planification des
systmes soumis aux alas et les mthodes mathmatiques correspondantes. Mula et al. (2006)
prsentent un excellent tat de lart. Au contraire, les problmes de planification pour les systmes
soumis aux alas des dlais d'approvisionnement ne sont pas suffisamment tudis.

Pourtant cest important de tenir compte des alas des dlais approvisionnement comme il montre
Silver and Zufferey (2005). Ils ont tudi un problme industriel de la gestion des matires premires
de la scierie, o la demande est constante et connue, les rapprovisionnements sont effectus pour
chaque semaine, et les dlais dapprovisionnement sont alatoires.

Ltude des modles avec des dlais dapprovisionnement alatoires dpend de la structure de la
chane dapprovisionnement. Nous pouvons identifier trois types de structures de chane logistique qui
ont t dans la littrature pour ce type de problme: les systmes simples (un seul fournisseur dun seul
type de composant), les chanes dapprovisionnement structure linaire et les systmes
dassemblage. Pour ces trois types des chanes logistiques nous distinguons les structures un niveau
et plusieurs niveaux.

En effet, pour les cas des structures plusieurs niveaux il y a une dpendance entre les niveaux : un
retard ou une avance de livraison un niveau donne crera une perturbation au niveau suivant. Pour
le cas des systmes dassemblage il y a en plus la dpendance entre les stocks des composants
ncessaires pour assembler le mme produit, cela vient de fait que lassemblage ne peut pas tre
effectu que lorsque tous les composants sont prsents.

Lobjectif du chapitre est donc de passer en revue les travaux qui sintressent notre problmatique
afin didentifier les futures directions de recherche. Dans ce que suit, nous prsentons un tat de lart
sur les travaux concernant la gestion des stocks avec dlais dapprovisionnement alatoires en classant
ces tudes suivant la structure de la chane dapprovisionnements. Pour chaque type dtudes nous
prsentons : le type de mthode de rsolution utilise (approche approximative o exacte), le type de la
modlisation de dlais dapprovisionnement alatoires (continu ou discret), la structure de la chane
dapprovisionnement et les rsultats obtenus.

La figure 2.1 prsente une classification de ltat de lart des problmes tudis dans ce chapitre sous
forme dun diagramme.

Etat de lart

Structure linaire Systme dassemblage

Un niveau Plusieurs Un niveau Plusieurs


niveaux niveaux

Figure 2.1 : Classification de ltat de lart des problmes tudis


2.2 Chane dapprovisionnement structure linaire

2.2.1 Structure un niveau

2.2.1.1 Dlai alatoire et demande connue

Kaplan (1970) tait parmi les premiers chercheurs qui ont tudi ce type de problme. Il a trait le cas
simple un seul composant et il a modlis le dlai dapprovisionnement comme une variable
alatoire discrte. Il a propos un modle de programmation dynamique sur un horizon fini trouver la
politique de gestion des stocks optimale. Lauteur a montr sous les hypothses (i) il ny a pas
chevauchement des ordres et (ii) le dlai dapprovisionnement ne dpend pas de la taille de la
commande que les politiques de gestion des stocks lorsque le dlai dapprovisionnement est alatoire
sont assez similaires celles connues lorsque le dlai dapprovisionnement est dterministe.

Whybark et Williams (1976), en utilisant une simulation, ont montr que lutilisation du dlai de
scurit est plus efficace que lutilisation de stock de scurit quand il y a des incertitudes sur le temps
dapprovisionnement. Une conclusion contraire est donne par Grasso et Taylor (1984) dont la
simulation montre quil est plus prudent dutiliser les stocks de scurit pour les deux incertitudes
temps et quantit. On peut donc conclure que tout dpend des caractristiques du systme tudi (voir
plus loin nos commentaires sur la publication de Molinder, 1997).

Weeks (1981) a dvelopp un modle mathmatique pour le cas de systme un seul niveau et un seul
type de composant avec le dlai dapprovisionnement est alatoire et la demande est dterministe. Le
cot de stockage et le cot de rupture sont pris en compte. Lauteur a montr que le modle est
quivalent au modle de marchand de journaux Newsboy model .

Kalpakam et al. (1981) ont trait un problme de planification de la maintenance prventive dune
machine quand la date de panne est alatoire qui suit une loi de distribution continue et quelconque.
Les auteurs cherchent la date dintervention optimale afin de rduire le cot total. Ce rsultat peut tre
adapt aux problmes de planification dapprovisionnement.

Kim et al. (2004) ont propos un modle o la demande est constante et le dlai dapprovisionnement
suit la distribution d'Erlang pour un systme un seul composant. Une solution approche est
propose. Par ailleurs, les auteurs ont lanc une intressante conjecture que le comportement de
modle de gestion des stocks, pour le cas o la demande et les dlais dapprovisionnement sont
alatoires, peut tre calcul partir des trois modles suivants : (i) la demande et le dlai sont
dterministe, (ii) la demande est alatoire mais le dlai est dterministe, et (iii) le dlai est alatoire
mais la demande est dterministe.
He et al. (2005) ont tudi limpact de dlai dapprovisionnement lorsque la demande est constante.
Dans cette tude le dlai dapprovisionnement est alatoire et born, et la politique
dapprovisionnement est quantit conomique. Les auteurs ont montr que le cot varie linairement
en fonction de la dviation de dlai.

2.2.1.2 Dlai et demande alatoires

Dirickx et Koevoets (1977) ont trait la planification dun systme un niveau et un composant
lorsque la demande en produit fini et le dlai dapprovisionnement en composants sont alatoires. La
demande suit une loi de Poisson compose et le dlai dapprovisionnement suit une loi continue
quelconque et connue. Les auteurs ont considr la planification sur plusieurs priodes toute en
supposant quil ny a pas chevauchement des ordres, i.e., lentreprise relance lordre chez le
fournisseur que si la commande passe est dj arrive. Les auteurs ont prsent analytiquement le
cot moyen minimiser en utilisant le modle continu et la politique (s, S). Ce cot moyen est
compos du cot moyen de lancement des ordres, du cot moyen de stockage de composants et du
cot moyen de rupture en produit fini. On peut citer deux autres tudes qui sont trs proches de celle-
ci : Gross et al. (1971) et Gross et Harris (1973). La diffrence entre ces trois travaux cest la manire
de modlisation de dlai dapprovisionnement et la demande. Gross et al. (1971) et Gross et Harris
(1973) supposent que le dlai dapprovisionnement dpend de nombre dordres urgents tandis que
Dirickx et Koevoets (1977) supposent que le dlai dapprovisionnement suit une loi de distribution
indpendante de lordre et ils considrent que la demande suit une loi de Poisson compose et non pas
une loi de Poisson simple.

Liberatore (1979) a propos une extension du modle de gestion quantit conomique Economic
order quantity (EOQ) lorsque le dlai dapprovisionnement est alatoire. Lauteur a gnralis le
cot dun seul cycle sur un horizon de plusieurs cycles tout en supposant quil ny a pas
chevauchement des ordres (crossover). Il a montr lexistence et lunicit de la solution et que les
paramtres optimaux doivent satisfaire un systme de deux quations mais sans donner une expression
analytique de ces paramtres. Sphicas (1982) a montr que ce modle donne lieu deux cas distincts
et il a dvelopp des bornes pour les variables de dcision pour chaque cas. Georghios et al. (1982) ont
rsolu ce systme et ont donn le rsultat optimal, mais en supposant que le dlai dapprovisionnement
varie dans un intervalle fini et pas infini comme il a t suppos par Liberatore (1979).

Mohebbi (2003) a tudi ce problme sous la condition que demande suit une loi de Poisson et le dlai
dapprovisionnement suit une loi dErlang en modlisant cela par une chane de Markov temps
continu. Les fournisseurs sont soit disponibles, soit ne le sont pas, tout point de lchelle du temps. Il
y a donc des interruptions dans les approvisionnements, ce qui provoque des impacts ngatifs sur le
niveau de service. Les demandes non satisfaites sont perdues. Le systme de gestion des stocks
considr est un systme point de commande et quantit fixe de commande (s, Q). On ne peut
effectuer quune commande la fois et ainsi des expressions analytiques exactes pour la fonction cot
sont obtenues quand la demande est dcrite par une variable alatoire exponentielle.

Robinson et al. (2001) ont montr que lorsquil y a chevauchement des ordres (crossovers) cest mieux
dutiliser la loi de distribution de stock que la loi de distribution de la demande durant le dlai
dapprovisionnement (LTD). Bradley et Robinson (2005) ont confirm ce rsultat lorsque le dlai
dapprovisionnement est alatoire en utilisant une approximation des stocks par une loi Normal au lieu
de lapproximation du LTD par une loi Normal.

Axster (2006) a tudi la gestion des stocks quand le dlai dapprovisionnement auprs du
fournisseur est alatoire. Lauteur a montr quelles modifications doivent tre faites dans les modles
de gestion des stocks traditionnel qui supposent ce dlai constant. Due la difficult dvaluer la
variation alatoire du dlai dapprovisionnement par rapport la variation de la demande, lauteur a
intgr les variations des dlais dans les calculs de la demande et il a tudi la demande moyenne au
cours de dlai alatoire. Ainsi le problme est devenu quivalent aux problmes de gestion des stocks
quand la demande est alatoire. Cette ide reste facile implmenter pour le systme simple un seul
type de composants. Lorsquil sagit dun systme dassemblage o tous les dlais
dapprovisionnement sont alatoires, une dpendance est cre entre les stocks de composants. Etant
donne cette dpendance, le problme devient plus complexe.

Namit (2007) a tudi le mme problme que Weeks (1981) sur un horizon de planification dune
anne et lorsque la demande et le dlai sont alatoires. Lobjectif est de dterminer le point de
commande R et le stock de scurit S. Lauteur a formul le cot annuel minimiser compos de cot
de stockage et de cot de lancement dordre annuel. Loptimisation est faite sous la contrainte de
niveau de service. Lauteur a propos une approche analytique base sur la considration de la LTD.

2.2.2 Structure plusieurs niveaux

Lorsque la nomenclature de produit fini est plusieurs niveaux, il y a de dpendance entre les stocks
de tous les niveaux. Un retard ou une avance a un niveau donn perturbe les niveaux ascendants. Cette
dpendance rend la modlisation de ce type de structure de chanes logistiques plus complexe. Si on
applique les modles connus pour le cas des systmes un seul niveau pour ces systmes, plusieurs
niveaux, niveau par niveau, i.e., on ne tient pas compte de la dpendance entre les niveaux, on risque
crer un sur-stockage dans certains niveaux et une rupture dans dautres.

Yano (1987 a) a traite analytiquement le problme de planification lorsque les dlais


dapprovisionnement sont alatoires et lorsque la structure de la chane logistique est plus dun
niveau. Elle a propos une approche analytique pour dterminer les dlais dapprovisionnement
optimaux pour le cas de chane dapprovisionnement structure linaire deux niveaux lorsque les
dlais dapprovisionnement des composants sont alatoires et la demande en produit fini est connue.
Les dlais dapprovisionnement sont supposs suivre une loi de distribution continue quelconque mais
connue. Le cot considr est la somme des cots de stockage des composants et le cot de rupture de
produit fini. Les rsultats exprimentaux montrent que les dlais de scurit de niveau 1 et de niveau 2
peuvent tre ngatifs. Ce rsultat vient de la dfinition du dlai de scurit qui est la diffrence entre le
dlai planifi et le dlai moyen. Lauteur a considr le cot de stockage pour chaque composant
lorsque ce dernier est prsent avant la date prvue. Cependant, si ce composant est en retard lauteur a
ignor le cot de retard ou le cot de replanification engendr par ce retard.

Un problme similaire a t tudi par Yano (1987 b) mais avec un cot de retard chaque niveau. Ce
cot reprsente en fait le cot de replanification si le composant est livr aprs la date prvue de
livraison. La fonction objectif est donc la minimisation de la somme de cot moyen de stockage des
composants, de cots de retard chaque niveau et de cot de rupture en produit fini. Lauteur sest
limit ltude des chanes dapprovisionnement structure linaire deux et trois niveaux. Cela est
du la difficult de modliser analytiquement le problme si le nombre de niveau dpasse trois.

Pour surmonter la difficult de trouver une expression analytique de la fonction objectif du problme
prsent par Yano (1987 b), Elhafsi (2002) dveloppe une modlisation rcursive qui permet
lvaluation de la fonction objectif pour nimporte quelle nombre de niveaux dans la chane logistique.
Lauteur a montr que la fonction objectif est convexe et donc nimporte quel algorithme
doptimisation classique peut rsoudre le problme. Par contre, lorsque le nombre de niveau dans la
structure de la chane dapprovisionnement est grand les difficults apparaissent. Ceci est du la
complexit polynomiale de la reprsentation rcursive de la fonction objectif. Lauteur propose donc
une heuristique qui permet de trouver la solution pour le cas des chanes dapprovisionnement
plusieurs niveaux en divisant le systme en un nombre de niveaux. La solution approche peut donc
tre obtenue rapidement.

Nous citerons galement une tude intressante de Kim et al. (2006) sur leffet de coup de fouet
(bullwhip effect) pour le cas dune chane logistique structure linaire avec les dlais
dapprovisionnement et la demande alatoires. Les auteurs ont suppos que les dlais
dapprovisionnement sont i.i.d pour tous les niveaux et tous les priodes. Leffet de coup de fouet est
un phnomne damplification de la variabilit de la demande lorsque lon remonte vers lamont de la
chane logistique. Les auteurs ont utilis une mthode statistique pour montrer la contribution de
variabilit des dlais dapprovisionnement sur lamplification de la variation de la demande pour les
niveaux antrieurs et comment cette variabilit peut aggraver encore plus leffet de coup de fouet. Les
auteurs ont aussi tudi leffet du partage de linformation concernant. Avec le partage de
linformation, leffet de coup de fouet naugmente que dune manire linaire en fonction du nombre
des niveaux tandis que dans le cas contraire, dune manire exponentielle.
2.2.3 Perspectives de recherche

Le tableau 2.1 rcapitule les modles utiliss pour la planification de chanes logistiques structure
linaire en fonction de (i) problmes traits et (ii) approches utilises.

On peut conclure pour cette partie que les tudes analytiques, qui sont intresses au problme de
planification dapprovisionnement lorsque la chane logistique est structure linaire et lorsque le
dlai dapprovisionnement est alatoire, sont limites 2 ou 3 niveaux maximums. Les articles qui ont
trait le problme avec plus de niveaux utilisent des heuristiques ou la simulation. Certaines tudes ont
trait analytiquement le problme lorsque la demande et le dlai sont alatoires. Ces travaux ont
considr la demande durant le dlai dapprovisionnement (lead time demand - LTD ). Ces travaux
sont difficiles gnraliser au cas de systmes plusieurs niveaux ou des systmes dassemblage. Une
autre limitation de ces modles : lutilisation des lois particulires pour la demande et les dlais
dapprovisionnement.

Notons galement quils modlisent le dlai dapprovisionnement par une variable alatoire continue
afin de ladapter aux modles de gestion des stocks continus existants. Cette hypothse de loi continue
est souvent gnant (peut amener une erreur dapproximation importante) dans la planification
dapprovisionnement de type MRP, qui utilisent des paramtres entiers (nombre de priode).

Notons galement qu notre avis, il est plus facile de gnraliser les mthodes qui considrent
uniquement les dlais dapprovisionnement alatoires au cas quand la demande et les dlais sont
alatoires que faire linverse. En effet, la planification des chanes logistiques lorsque les dlais
dapprovisionnement sont alatoires dpend de la structure de la chane dapprovisionnement. Une fois
nous avons un modle pour une structure dapprovisionnement donne, il est alors possible de le
gnraliser la demande alatoire tandis que les modles avec dlai fixe et demande alatoire doivent
compltement refaites pour tenir compte de la structure.

Ainsi, dans cette thse nous focalisons sur la planification optimale pour le cas de chane
dapprovisionnement structure linaire quand le dlai dapprovisionnement suit une loi discrte
quelconque et dans le cas de demande fixe.
Tableau 2.1 : Classification des rsultats pour le cas de chanes structure linaire

Publications Approche utilise Rsultats

Un niveau,
Programmation
Kaplan (1970) cot de lancement, Stock de scurit
dynamique
stockage et rupture
Un niveau,
Dirickx et Koevoets (1977)
cot de lancement Modle de markov,
Gross et al. (1971) Politique optimale de
des ordres, de Formule complexe de
Gross et Harris (1973) type (s, S)
stockage et de la politique (s, S)
Schellhaas (1974)
rupture
Liberatore (1979) Un niveau,
extension du modle Extension du modle
Sphicas (1982) cot de stockage et
EOQ EOQ
Georghios et al. (1984) pnurie
Un niveau, Politique optimale de
Programmation non
Weeks (1981) Cot de stockage et type Marchand de
linaire
de rupture journaux
Whybark and Williams Multi niveaux, cot
Stock et dlai de
(1976) de stockage et Simulations
scurit
Grasso and Taylor (1984) niveau de service
Deux et trois
niveaux, cot de
Programmation non
Yano (1987 a b) stockage, de Dlai de scurit
linaire
replanification, de
rupture
Plusieurs niveaux,
cot de stockage, Programmation non
Elhafsi (2002) Dlai de scurit
de replanification, linaire et heuristique
de rupture
Un niveau, Etude statistique et
Robinson et al. (2001)
chevauchement des mesures de Le stock de scurit
Bradley et Robinson (2005)
ordres performance
Un niveau, Cot de Expression analytique
Mohebbi (2003) lancement, Chane de Markov, exacte de la fonction
stockage et rupture Etude statistique cot
Approche rgressive,
Un niveau,
Borne infrieure et
Cot de lancement, Dlai de scurit,
Kim et al. (2004) suprieure de politique
stockage et rupture solution approche
(s,Q)

Impact de dlai
Un niveau,
He et al. (2005) Etude statistique alatoire sur le cot
Politique EOQ
total
modle de gestion de Equivalence avec les
Axster (2006) Un niveau, LTD stock lorsque le dlai modles avec
est dterministe demande alatoire
Plusieurs niveaux tude statistique,
Kim et al.(2006) Politique (R, S) partage de Effet de coup de fouet
linformation
LTD, cout de
stockage, de Dtermination des
Namit (2007) lancement et tude statistique paramtres de la
contrainte de politique (R,Q)
niveau de service
2.3 Systmes dassemblage

2.3.1 Structure un niveau

Cest Harrison (1973) qui a t lorigine de cette tude, lauteur a introduit le modle de file dattente
d'un systme dassemblage avec plusieurs composants et un seul serveur (cest- -dire, un seul type de
produit fini). L'auteur a montr que si les arrivs sont indpendants et la capacit de serveur pour
lassemblage est limite alors le systme est instable. La stabilit du systme nest garantie que lorsque
la capacit dassemblage nest pas limite. Il y a galement dautres modles proches de Harrison
(1973) qui analysent les performances des systmes dassemblage sans chercher des algorithmes
doptimisations. Som et al. (1994) ont tudi un problme similaire mais seulement deux
composants. Larrive des composants (dlais dapprovisionnement) suit une loi de Poisson et la
capacit dassemblage est suppose infinie. Les auteurs ont montr que le flux de la sortie du serveur
suit un processus de renouvellement (Markov renewal process). Dans Wilhem et Som (1998), la
demande en produit fini, dune unit chaque fois, arrive suivant un processus de Poisson. Les auteurs
considrent le dlai dapprovisionnement en produit fini qui est gal aux dlais maximums de dlais
dapprovisionnement de composants et ils montrent que lvolution du stock du produit fini peut tre
dcrite par un processus de renouvellement. Ils montrent comment dans ce cas la distribution de
probabilit du niveau de stock de produit fini peut tre obtenue. Linconvnient de ce model est que
les auteurs ne considrent pas la dpendance entre les stocks des composants et ainsi loptimisation
dapprovisionnement des stocks dpendants des composants est remplace par loptimisation
dapprovisionnement de produit fini.

Yano (1987 c) considre le systme dassemblage deux niveaux avec un seul type de composants au
niveau 1 et deux types de composants au niveau 2 dans le cas o les dlais dapprovisionnement sont
alatoires et continus. Le problme est de trouver les dlais dapprovisionnement en minimisant le
cot de stockage et le cot de rupture. Un algorithme a t dvelopp en exploitant des proprits de
la fonction objectif. Les rsultats numriques montrent que les dlais de scurit peuvent tre ngatifs
quand le cot de stockage unitaire des composants est beaucoup plus lev que le cot de rupture
unitaire. Gurnani et al. (1996) tudient le mme problme que Yano (1987 c) et il considre la
planification sur deux priodes. Dans leur modle, les composants commands sont livrs durant la
mme priode avec une probabilit donne ou une priode plus tard. Les auteurs ont donn une rgle
optimale pour ce type de systme. Une gnralisation de ce modle, au cas plus de plus deux
composants, ou de plus de deux priodes nous parait difficile, car la fonction objectif de ce modle a
une expression qui crot exponentiellement avec le nombre de ralisation possibles pour le dlai
dapprovisionnement.

La simulation est la mthode la plus frquente pour la rsolution de problme dincertitudes des dlais.
Molinder (1997) propose une procdure de simulation pour trouver un stock de scurit et un dlai de
scurit efficaces dans un systme MRP quand la demande et les dlais sont alatoires. Le rsultat de
son tude montre quen cas de grande variabilit de la demande et faible variabilit des dlais, les
cots de stockage et de retard sont minimiss par lutilisation de stocks de scurit. Par contre quand
les deux variabilits sont grandes, alors il vaut mieux avoir recours des dlais de scurit. Il
semblerait galement que la structure des produits nait pas dinfluence importante sur ces rsultats.
Gupta et Brennan (1995) ont tudi les systmes MRP par simulation et ont montr que les alas des
dlais dapprovisionnement ont une grande influence sur les cots. Ho et Irlande (1998) montrent que
les incertitudes sur les dlais affectent la stabilit d'un systme MRP quelle que soit la mthode de
lotissement utilise. Les statistiques provenant des simulations faites par Bragg et al.(1999) montrent
que les dlais dapprovisionnement affectent considrablement les stocks.

Tang et Grubbstrm (2003) considrent le mme problme que Yano (1987 c). Ils ont utilis la
transformation de Laplace pour trouver les proprits des dlais dapprovisionnements qui permettent
de dterminer la solution optimale. Lavantage de cette tude par rapport celle de Yano (1987 c) est
quelle est plus facile ltendre pour le cas plus gnral dun systme dassemblage plusieurs
composants. Avec la mme approche, Tang et Grubbstrm (2005) ont trait le choix de fournisseurs.
Et dans (Tang et al., 2007), ils ont tudi le problme de recyclage et de reproduction dun et de deux
types de composants quand le dlai de dsassemblage et le dlai dapprovisionnement sont alatoires.
Lobjectif est de dterminer quelle date il faut commencer le dsassemblage afin de minimiser le
cot du stockage de composants et le cot du rupture. Le modle de Newsboy a t utilis pour
dterminer la date de dsassemblage. Il a not que le problme un seul type de composant est
quivalent, de point de vue modlisation de la fonction cot, au problme de planification
dapprovisionnement dune chane linaire deux niveaux et celle de deux types de composants au
problme dassemblage de deux type de composants dont chacun dentre eux ncessite un seul type de
composant pour sa fabrication.

Kumar (1989) prsente une tude gnrique pour le cas de systme dassemblage un niveau o
plusieurs composants sont ncessaires pour assembler un seul type de produit fini. Lauteur considre
la planification sur une seule priode quand les dlais dapprovisionnement sont alatoires et la date de
livraison ainsi que la quantit voulue sont connues. Le problme est de dterminer la date de
lancement des ordres en minimisant le cot total compos de cot du stockage et du cot de rupture.
Lauteur propose une solution optimale pour des cas particuliers de distributions des dlais
dapprovisionnement (exponentielle, uniforme, et normale).

Une autre tude intressant est publie dans Chu et al. (1993), elle concerne la planification des
rapprovisionnements sur une priode pour les systmes dassemblage un seul niveau quand les
dlais dapprovisionnement sont alatoires et suivent des lois continues quelconques mais connues. Le
critre considr est lesprance mathmatique de la somme du cot de rupture en produit fini et du
cot de stockage des composants. Les auteurs montrent la convexit du cot moyen et proposent ainsi
un algorithme itratif qui le minimise.

Dolgui et al. (1995) proposent un modle analytique pour la planification des systmes dassemblage
dans le cas o la demande est constante et les dlais dapprovisionnements des composants sont
alatoires et la politique dapprovisionnement considr est la politique lot pour lot. Il y a plusieurs
types de produits et pour assembler chaque produit plusieurs types de composants sont ncessaires.
Les auteurs ont pris en considration le cot de stockage et les cots de rupture. Une approche base
sur l'accouplement d'un modle de programmation linaire en nombres entiers avec une simulation et
des heuristiques a t dveloppe. Ce modle calcule le nombre des composants de chaque type
commander au dbut de chaque priode et le nombre de produits de chaque type assembler. Le
mme problme a t tudi par Proth et al. (1997), mais les composants commander et les produits
assembler sont choisis sur la base d'une heuristique.

Fujiwara et Sedarage (1997) ont tudi la politique quantit de commande point de commande (Q,r)
pour le cas de systme dassemblage dun seul type de produit et plusieurs composants o les dlais
dapprovisionnement sont alatoires. Les auteurs supposent que la demande est constante et connue et
la capacit dassemblage est infinie. Les auteurs considrent le cot de stockage de composants, le
cot de rupture en produit fini et le cot de setup. Ils ont dvelopp un modle continue pour cette
politique (Q, r) : quand le stock arrive au niveau ri, pour le composant i, un lot de taille Q de
composant de type i est lanc. La valeur de Q est la mme pour tous les composants. La dcision
prendre donc est de trouver le point de lancement des ordres ri pour chaque composant i et la taille de
lot Q. La fonction objectif obtenue est non linaire. Les auteurs ont dcompos le problme en sous
problmes et la solution a t obtenue numriquement. Ce modle est proche du problme de Ould
Louly et al. (2008 a), mais il y a plusieurs approximations additionnelles : le modle est continu au
lieu de discret (pourtant, le nombre de composants en stock et le nombre de lots fournis sont des
variables discrtes dans des systmes de fabrication manufacturire), la solution est numrique au lieu
d'une solution optimale analytique. Fujiwara et Sedarage ont donn les rsultats exprimentaux pour
seulement 2 composants (le temps de calcul n'tait pas fourni), et il est difficile dinterprter les
rsultats dans un contexte industriel, par exemple, pour un cot de rupture de 350, la solution optimale
est r1= -1.3, r2= 2.9 et Q= 90.4, pour un cot de rupture de 250, la solution optimale est r1= -6.3, r2= -
2.1 et Q= 92.9. Thoriquement ces rsultas sont correctes par contre dans la pratique cest difficile de
les appliquer : quest ce que signifie exactement une valeur ngative et non entire pour un
gestionnaire de stock ? Cela confirme la difficult pour adapter les modles standards (dvelopps
pour des problmes un seul composant) dans le contexte des systmes dassemblage,
particulirement en cas de dlais dapprovisionnement alatoires.

Song et al. (2000) ont considr la planification dun systme dassemblage sur une seule priode et
un seul niveau. Le produit fini ncessite plusieurs types de composants, approvisionns chez un ou
plusieurs fournisseurs. Les auteurs considrent que la demande en produit fini et les dlais
dapprovisionnement en composants sont alatoires. L'objectif est donc de minimiser le cot total
compos du cot de stockage des composants avant leur assemblage, du cot de rupture en produit
fini, du cot dobtention. Le cot est une fonction alatoire continue de quantits commander et de
dlais dapprovisionnement planifis. Les auteurs ont montr que cette fonction est convexe en fixant
le vecteur de dlais dapprovisionnement mais elle nest pas en gnral convexe par rapport aux deux
variables. Les auteurs ont propos des heuristiques simples : (1) utilisant le modle de marchand de
journaux, (2) utilisant les dlais moyens, (3) utilisant la demande moyenne, (4) utilisant lalgorithme
de descente base sur (1). Les rsultats numriques ont montr que lignorance de lincertitude de
dlais dapprovisionnement peut coter cher et des heuristiques simples qui tiennent compte de cette
incertitude amliorent assez bien la performance.

Bookbinder et akanyildirim (1999) ont tudi le problme de gestion des stocks avec une demande
constante et un dlai dapprovisionnement qui suit une variable alatoire continue. Ils analysent la
politique quantit de commande point de commande. Deux modles analytiques ont t proposs et
pour chaque modle, la convexit du cot moyen a t dmontre, le minimum est trouv et des
exemples numriques sont fournis. akanyildirim et al. (2000) ont tudi le mme problme que
Bookbinder et akanyildirim (1999) mais lorsque le dlai dapprovisionnement dpend de la taille de
lot. Les auteurs ont trait les deux cas : quand le dlai est une fonction linaire et quand il est une
fonction concave de la taille de lot. Ils ont montr la convexit du cot moyen (cot de stockage, de
lancement et de rupture) quand les variables de dcision sont Q et R. Sous certaines conditions sur une
corrlation entre le dlai et la taille de lot, les auteurs prsentent les solutions optimales
analytiquement.

Dolgui et Ould-Louly (2002) ont propos un modle Markovien pour un problme de planification
dynamique multi priodes. Le but est de rechercher des valeurs optimales de dlais planifis pour un
systme MRP soumis des dlais incertains, en minimisant les cots de possession et de retard. Ils
partent des hypothses de capacits infinies d'approvisionnement et de dlais indpendants de la taille
des commandes. La demande est suppose constante et celles non satisfaites sont diffres.

Dans (Ould-Louly et Dolgui, 2002), les auteurs considrent un systme d'assemblage d'un produit fini
avec plusieurs types de composants. L'objectif est de minimiser les cots moyens de possession des
composants et de retard de produits finis avec pour variables de dcision les dlais planifis des
composants. Il est suppos que la demande en produits finis est constante et que les dlais de livraison
des composantes sont alatoires qui suivent une loi de probabilit discrte quelconque et connue, mais
de distribution de probabilit identique pour chacun d'entre eux. De mme les diffrents cots de
stockage sont considrs tous gaux. Le principal paramtre de dcision est alors le dlai planifi de
chaque composant. Le modle prend en considration les dpendances entre priodes et entre
composants. Ils montrent alors que quand le nombre de constituants du produit fini augmente, le dlai
planifi augmente aussi. De plus, avec deux composants, la valeur optimale du dlai planifi augmente
avec le ratio (cot unitaire de retard sur cot unitaire de possession). Quand les critres considrs ci-
dessus (le nombre de composants et le ratio) croissent, cela entrane respectivement des pnuries et des
cots de pnalits de retard. Dans ces deux cas, les solutions optimales requirent des stocks
importants. La solution propose est une gnralisation du modle de marchand de journaux.

Ould-Louly et al. (2008 a) ont gnralise les tudes de Ould-Louly et Dolgui (2002) pour la
planification sur plusieurs priodes des rapprovisionnements des systmes dassemblage sans les
hypothses que les distributions de probabilit des dlais dapprovisionnement des composants sont
identiques et que les cots de stockage sont gaux. Les auteurs ont propos une procdure de
sparation est valuation PSE pour trouver la solution optimale. Cette procdure est base sur des
bornes infrieures et une borne suprieure de la fonction cot et des proprits de dominance des
variables de dcision qui permettent de rduire lespace de recherche des solutions chaque tape de
la procdure. Les auteurs prsentent des rsultas numriques intressantes et montre lefficacit de la
PSE grce la qualit des bornes infrieures, de borne suprieure et des proprits de dominance.

Ould-Louly et al. (2008 b) ont tudi le mme problme que Ould-Louly et al. (2008 a) mais en
remplaant le cot de rupture du produit fini par un niveau de service. Le cot de rupture est parfois
difficile mesurer et le niveau de service est une caractristique souvent utilise dans la gestion des
stocks. Les auteurs proposent aussi une PSE pour trouver la solution optimale.

2.3.2 Structure multi-niveau

Les tudes concernant les systmes multi-niveau sintressent souvent aux problmes de lotissement.
Ho et Lau (1994) ont tudi, par simulation, des diffrents algorithmes pour faire face aux incertitudes
sur les dlais dapprovisionnement en regardant limpact que cela provoquait dans les systmes MRP.
Lessentiel de leur travail a port sur linfluence des mthodes de lotissement, mais aussi de la
structure des produits et de la structure des cots. Les performances de MRP sont mesures
principalement selon 3 critres : le cot total moyen, un cot de replanification et le nombre total
moyen de messages de replanification gnrs. Parmi cinq mthodes de lotissement, les rgles du
Silver et Meal (SM), du Part Period Balancing (PPB) et du Wagner et Within (WW) obtiennent des
cots totaux moyens significativement plus faibles que les rgles du lot-pour-lot (LFL) et de la
quantit conomique de commande (EOQ). En ce qui concerne la stabilit, le PPB se rvle tre la
rgle la plus intressante et celle du LFL la moins performante. De plus, les carts entre les diffrentes
mthodes se creusent avec laugmentation de lincertitude. Il apparat que, dans le monde industriel o
les incertitudes sont invitables, une rgle aussi simple que celle du PPB peut se rvler tout aussi
performante quune plus complexe comme celle du WW. Cependant, quand la structure du produit ou
le dlai change, alors les rsultats peuvent changer les expriences qui ont t faites avec les rgles
SM, LFL et EOQ. Lobservation faite est que les performances des deux dernires sont alors
inverses, la rgle LFL devient plus performante que celle du EOQ. Hegedus et Hopp (2001) ont
dvelopp une mthode pratique pour calculer le dlai de scurit pour des composants dans un
systme dassemblage avec incertitudes dans le processus dapprovisionnement. Leur approche est
base sur lutilisation de la mthode MRP avec des capacits de production limites et une chelle de
temps discrte et finie. Ils tudient un systme deux niveaux de production et dont les fournisseurs
ont une capacit illimite. Leurs dlais sont des variables alatoires i.i.d et la demande et le taux de
production sont dterministes. Le but est de minimiser les cots de stockage sujets des contraintes de
niveau de service, dans un planning de lancement de production (ici, le niveau de service nest pas li
au client, mais reprsente le pourcentage de jobs commenant temps). Leurs rsultats numriques
montrent que quel que soit le niveau dincertitude sur les dlais de fournisseurs, un dlai de scurit
est utile ne serait-ce que pour garantir une certaine flexibilit. Ils ont aussi regard linfluence dun
regroupement des lots. Le regroupement a des effets similaires lintroduction dun dlai de scurit,
mais engendre des cots de stockage plus importants. Gomaa et al. (1999) ont aussi tudi le
lotissement pour un systme MRP multi-niveau sous dlais incertains en proposant un programme
mathmatique. Leur tude considre trois distributions de dlais. Ils ont compar neuf rgles de
lotissement et ils en rsultent que sous la majorit des conditions, lalgorithme de WW est la meilleure
mthode de lotissement. Enfin, Gupta et Brennan (1994) se sont intresss au sujet dans un
environnement MRP avec des structures de produits multi-niveau (21 composants et 6 niveaux) en
prsence dincertitudes sur les dlais. Dans leurs simulations, ils font varier les dlais, la structure des
produits (quatre structures) et les paramtres des cots en tudiant dix mthodes de lotissement. Les
rsultats montrent que la nomenclature des produits a une influence sur les cots aussi bien en cas
dterministe qualatoire et les incertitudes sur les dlais dapprovisionnement des composants se
situant au milieu des niveaux de nomenclature du produit affectent plus les performances que celles
des autres.

Le seul travail qui sintresse dterminer les dlais dapprovisionnements optimaux pour le cas de
systmes dassemblage multi-niveau est celui dAxster (2005). Lobjectif de ce travail est de
trouver les dates de lancement optimales dans le but de rduire le cot total moyen compos dun cot
de stockage des composants et dun cot moyen de rupture en produit fini. Lauteur ne prsente pas la
modlisation analytique du problme mais il propose une heuristique pour trouver une solution base
sur la dcomposition par niveau. Ce principe de dcomposition sappuie sur la solution optimale pour
le systme dassemblage un niveau. Axster a trait deux exemples : le premier exemple est celui
dun systme dassemblage deux niveaux avec deux types de composant au niveau 1 et trois types de
composants au niveau 2 ncessaires pour assembler le premier composant de niveau 1. Le deuxime
exemple est un systme dassemblage trois niveaux avec un seul type de composants au niveau 1,
deux types de composants au niveau 2 ncessaires pour lassemblage du composant de niveau 1 et
quatre types de composants au niveau 3 deux pour assembler chaque type de composant au niveau 2.
Les rsultas numriques montrent que pour le premier exemple lerreur maximale est de 1.4%, cest--
dire le cot total augmente de 1.4% par rapport la solution (obtenue par simulation). Pour le
deuxime exemple lerreur peut atteindre 16.6% qui nest pas ngligeable pour un exemple simple de
sept types de composants en total. Lauteur a utilis pour ces exemples des dlais dapprovisionnement
des composants qui suivent une loi de probabilit continue avec la mme distribution de probabilit
pour tous les types de composants. De mme, les diffrents cots de stockage sont considrs tous
gaux. Lauteur a mentionn que cette approximation a t utilise dans le but de simplifier lobtention
de la solution optimale pour des comparaisons. Notons que les mmes hypothses ont t faites dans
Ould Louly et al. (2002), pour un problme identique pour un systme dassemblage un niveau pour
obtenir une gnralisation de modle de Newsboy.

2.3.3 Perspectives de recherche

Table 2 rcapitule les modles proposs pour le cas de systmes dassemblage en fonction (i)
dapproche utilise et (ii) les rsultats.

A notre connaissance, les tudes qui sintressent aux systmes dassemblage lorsque les dlais
dapprovisionnement sont alatoires utilisent plus souvent une modlisation continue des dlais
dapprovisionnement. Les seuls travaux qui modlisent les dlais dapprovisionnement comme tant
des variables alatoires discrtes sont ceux de Dolgui, Ould -Louly, Portmann et Proth. Les tudes qui
se sont intresses la dtermination des dlais dapprovisionnement planifi sont limites un seul
niveau, le seul travail que traite le cas de plus dun niveau cest celui dAxster (2005) dont les
rsultats numriques ont montr que lerreur peut tre trs grande pour un exemple simple de sept
types de composants au total. Ainsi, il est ncessaire de remplir ce manque de recherche et de trouver
des solutions optimales o trs proche de loptimum pour les systmes dassemblage multi-niveau et
quand le dlai dapprovisionnement suit une loi discrte.
Tableau 2.2 : Classification des rsultats pour le cas des systmes dassemblage

Publications Approche utilise Rsultats


Analyse de performance des
Harrison (1973) File dattente
solutions
Modle markovien de Analyse de performance des
Som et al. (1994)
renouvellement solutions
Dlai dappovisionnement de
Wilhelm et Som (1998) Processus makovien
P.F et pas des composants
Yano (1987 c) Programmation non linaire Stock de scurit

Molinder (1997) Simulation Stock et dlai de scurit


Gupta et Bernan (1995) Impact des alas de dlais sur
Ho et Ireland (1998) Simulation le cot et sur la stabilit de
Bragg et al. (1999) MRP
Tang et Grubbstrm (2003)
Tang et Grubbstrm (2005) Choix des fournisseurs
Transform de Laplace
Tang et al. (2007) Stock de scurit

Les dates de lancement des


ordres des cas particuliers de
Kumar (1989) Programmation stochastique
distribution (exponentielle,
uniforme et normale)
Optimum global, algorithme Dlais dapprovisionnement
Chu et al. (1993)
itratif de type gradient planifis
Couplage dun modle de
programmation linaire en Dlais dapprovisionnement
Dolgui et al. (1995)
nombres entiers avec une planifis
simulation et des heuristiques
Dtermination des
Proth et al. (1997) Heuristiques et simulation composants commander et
des produits assembler
Politique (Q, r), programmation
Fujiwara et Sedarage (1997) Paramtres optimaux (Q, r)
non linaire
Dtermination des quantits
Modlisation analytique et
Song et al. (2000) commander et des dlais
heuristiques
dapprovisionnement
Bookbinder et akanyildirim
(1999) Politique (Q, r) Paramtres optimaux (Q, r)
akanyildirim et al. (2000)

Heuristiques, simulation et
Song et al. (2001) Paramtres optimaux (Q, r)
procdures rcursives
Ould-Louly et Dolgui (2002)
Ould-Louly et Dolgui (2004) Modle de Newsboy, modle de Stock intial optimal pour le
Ould-Louly et al. (2008 a b) Markov, PSE cas de modle multi-priode

Ho et Lau (1994) Comparaison des mthodes


Hegedus et Hopp (2001) de lotissement de point de
simulation
Gomaa et al. (1999) vue stabilit, minimisation de
Brennan (1994) cot, flexibilit
Technique de dcomposition, Date approche de lancement
Axster (2005)
simulation dordre
2.4 Choix de fournisseurs
Dautres problmes lis aux dlais dapprovisionnement alatoires concernent le choix des
fournisseurs.

Les travaux analysant les stratgies multi-fournisseur en prsence des dlais dapprovisionnement
alatoires se focalisent souvent sur le fractionnement de la quantit des composants commander
entre plusieurs fournisseurs. Supposant que la quantit de commande Q se fractionne entre n
fournisseurs ayant des dlais dapprovisionnement alatoires, chaque commande Q/n passe chacun
des n fournisseurs. Lavantage de placer des commandes auprs des plusieurs fournisseurs lorsque les
dlais sont alatoires, est souvent li avec la rduction de lcart type pour le temps dintre-arrives de
commandes. Sculli et Wu (1981) analysent le cas de deux fournisseurs o les dlais de livraison des
fournisseurs suivent la mme loi de distribution (loi normale). Les auteurs utilisent une intgration
numrique pour prsenter la valeur moyenne et la variance des dlais moyens effectifs des arrivs de
deux commandes. Lexpression analytique a t prsente par Fong (1992). Sculli et Shun (1990) ont
gnralis leur tude pour le cas de n fournisseurs. Les auteurs prsentent les expressions de la valeur
moyenne et la variance des dlais effectifs. Pan et al. (1991), traitent le cas gnral de n fournisseurs
lorsque les dlais dapprovisionnement sont identiquement distribus. Les auteurs ont obtenu une
expression analytique lorsque la loi de distribution est uniforme, exponentielle et normale.

Guo et Ganeshan (1995) tudient le problme n fournisseurs quand les dlais suivent la mme loi de
distribution (uniforme et exponentielle) avec des caractristiques identiques. Les auteurs donnent
travers les caractristiques des dlais effectifs le nombre des fournisseurs choisir. Fong et al. (2000)
pour un problme similaire mais lorsque la demande suit une loi normale offrent les expressions
analytiques de diverses mesures statistiques.

Ramasesh et al. (1991) ont tudi le choix entre deux fournisseurs dans le cas de la politique
dapprovisionnement (R, Q) quand la demande est constante et les dlais dapprovisionnement sont
alatoires. Les auteurs ont considr quun seul type de matire premire et uniquement le cas o les
dlais dapprovisionnement suivent une loi uniforme ou une loi exponentielle. Par approximation de la
fonction cot total (non linaire) compos de cot de stockage, cot de rupture, cot de setup et cot
dachat, les auteurs dterminent le point de commande R et la quantit de commande Q par des calculs
numriques. Ramasesh et al. (1993) ont gnralis cette tude pour le cas o les dlais
dapprovisionnements ne sont plus identiques. Chiang et Benton (1994) sintressaient au mme type
de problme lorsque la demande suit une loi normale et les dlais dapprovisionnement suivent des
lois exponentielles. Le cot de rupture a t suppos indpendant de la dure de rupture et donc il a t
remplac par une contrainte de niveau de service. Mohebbi et Posner (1998) analysent un problme
similaire Ramasesh et al. (1991) avec des dlais de livraison suivant des lois exponentielles non
identiques et des demandes arrivant selon un processus de Poisson. Les analyses numriques ont
montr que la stratgie de partage de la commande entre deux fournisseurs diminue le cot total par
rapport celle un seul fournisseur (sauf si lun de deux fournisseur est beaucoup moins performant).
Sedarage et al. (1999) ont tudi le cas de plusieurs fournisseurs quand la demande et les dlais
dapprovisionnement sont alatoires (non identiques). Les auteurs sintressaient la politique
dapprovisionnement (s, Q) et ont dtermin travers des calculs numriques le nombre optimale de
fournisseurs minimisant le cot total.

Arda et Hennet (2006) ont utilis la thorie de file dattente pour un modle thorique pour un
problme similaire avec un dtaillant et plusieurs fournisseurs. Il y a un seul type de produit fini. Les
dlais dapprovisionnement sont alatoires et suivent une loi exponentielle et la demande en produit
fini suit une loi de Poisson. Le client lance une commande et la demande est satisfaite directement du
stock de dtaillant sinon elle est retarde. La politique dapprovisionnement (S-1, S). Lobjectif de
dtaillant est de minimiser les cots moyens de stockage et de rupture. Les auteurs proposent de
construire une politique dapprovisionnement, dfinie par une position optimale de stock de rfrence
et une rgle pour choisir le fournisseur pour chaque ordre. Les rsultats numriques montrent que
l'avantage conomique pour le dtaillant est de lancer les ordres plusieurs fournisseurs plutt quun
seul.

Pour plus de discutions, Minner (2003) fournit une revue de littrature sur cette problmatique de
choix de fournisseur.

2.5 Chevauchement des ordres ( crossover )


Gnralement, une formulation analytique de modle de gestion des stocks sur plusieurs priodes sous
lincertitude de dlai dapprovisionnement est trs complexe. A part la difficult li la structure de
chane dapprovisionnement, il y a aussi le problme d au chevauchement des ordres connue dans la
littrature anglo-saxon sous le nom crossover : les commandes peuvent ne pas tre reus dans le
mme ordre dans lequel elles sont places. Le problme de chevauchement des ordres a t examin
dans (Hadley et Whitin, 1963).

La possibilit de chevauchement des ordres la suite de l'indpendance des dlais a reu peu
d'attention dans la littrature. Zalkind (1978) a donn un aperu sur les consquences de
chevauchement des ordres sur la politique de gestion des stocks.

Des consquences pratiques du chevauchement des ordres sont mises en vidence dans Riezebos
(2006). Lauteur donne une explication dtaille de ce phnomne. Il a montr qu'une condition
ncessaire pour le phnomne de chevauchement existe est la prsence des incertitudes des dlais
dapprovisionnement. Lauteur classifie lincertitude de dlais dapprovisionnement en deux
catgories : dynamiques et statiques. Lincertitude dynamique contient une composante systmatique,
par exemple, en raison des influences saisonnires des diffrents fournisseurs pour les commandes
successives. Les incertitudes statiques ne contiennent pas une telle composante systmatique. Une
bonne discussion sur les modles utiliss dans le cas de dlai dapprovisionnement alatoire est
prsente dans (Zipkin, 2000). Lauteur traite le cas o la demande et les dlais sont alatoires pour le
cas dun systme simple un seul fournisseur et un seul composant. Lauteur utilise des
approximations afin dadapter les modles de gestion des stocks quand la demande et les dlais sont
alatoires aux modles quand la demande est alatoire et le dlai est fixe et constant. Zipkin (2000)
donne une autre classification des dlais dapprovisionnement alatoires. Dans ses travaux, le
processus dapprovisionnement est suppos soit exogne et squentiel (exogenous sequential supply)
soit exogne et parallle (exogenous parallel supply). Le dlai dapprovisionnement est dit exogne
lorsquil ne dpend pas de lordre et il est endogne dans le cas o il dpend des ordres urgents. Le
processus est squentiel, lorsque les ordres sont excuts dans la squence mme o ils ont t
gnrs, ce qui cre une dpendance entre les dlais dapprovisionnement successifs. Dans le cas dun
processus parallle, lordre peut tre servi par un fournisseur parmi plusieurs fournisseurs (serveurs).
Le systme dapprovisionnement est souvent modlis comme un systme de file dattente avec un
nombre infini de serveurs. Dans ce cas, les dlais dapprovisionnement successifs sont indpendants.
Un systme dapprovisionnement endogne confront aux alas est souvent modlis comme un
systme de file dattente avec un nombre fini de serveurs.

Les articles qui sintressent lincertitude de dlai dapprovisionnement souvent ne prennent pas en
compte le phnomne de chevauchement des ordres. Deux types de travaux existent concernant le
chevauchement des ordres : le premier suppose que les chevauchements sont suffisamment petits et ils
sont ignors. Dans la deuxime, une structure particulire des modles est propose permettant
dignorer les chevauchements des ordres. Les articles qui mentionnent explicitement le premier cas
sont, par exemple, Bagchi et al. (1986), Eppen et Martin (1988), Tijms Groenevelt (1984) et Zheng
(1992). Exemples du deuxime cas sont les modles de Kaplan (1970), Nahmias (1979) et Ehrhardt
(1984) et Zipkin (1986).

Pour simplifier, certains articles supposent que ce phnomne de chevauchement ne peut pas avoir
lieu. Dans ce cas, une nouvelle difficult apparat: les dlais dapprovisionnement successifs
deviennent des variables alatoires dpendant (Lee et Nahmias, 1993).

Dautres travaux tablissent des hypothses qui interdisent l'impact ngatif de chevauchement des
ordres sur leurs modles de gestion des stocks. Par exemple, les modles de Liberatore (1979)
considrent la situation o les commandes ne sont pas interchangeables. Si une commande est en
retard et une autre commande, lanc aprs, arrive, Liberatore ne permet pas l'utilisation de cette
commande dj arrive pour satisfaire la demande en attente. Il estime que les ordres ne sont pas
anonymes, et il met cette hypothse afin de justifier linterdiction de chevauchement des ordres.

Ramasesh et al.(1991) tiennent compte dans leur modle de la possibilit de chevauchement des ordres
lorsque le dlai dapprovisionnement suit une loi de distribution exponentielle, la demande et
l'intervalle entre les ordres sont constants. Haya et al. (1995) tendent ces rsultats au cas de demande
alatoire.

Robinson et al. (2001) montrent que si la dcision sur la taille de lot est base sur la distribution de la
demande durant le dlai dapprovisionnement, une probabilit faible de chevauchement des ordres
peut crer un cot de stockage trs lev. Dans Bookbinder et Cakanyildirim (1999) et Duran et al.
(2004), la possibilit de chevauchement des ordres nest pas considre. Les auteurs supposent que la
diffrence entre les dlais dapprovisionnement des ordres ne dpasse jamais le dlai entre les ordres.
Cette hypothse a t utilise galement par Riezebos (2006) (corrolaire 2).

Dans Silver and Zufferey (2005), la demande est constante et connue, les rapprovisionnements sont
effectus pour chaque semaine, et les dlais dapprovisionnement sont alatoires. Les dlais de
diffrents ordres sont supposs indpendants. Par consquent, le chevauchement des ordres peut se
produire (pas plus de trois dans le modle propos). La distribution de probabilit du dlai
dapprovisionnement change de manire saisonnire. La rupture de matires premires engendre une
perte de ventes. Le cot total moyen est compos des cots moyens de lancement de lordre,
d'excution et de cot de rupture. L'objectif consiste dterminer la date de lancement de lordre et la
quantit de chaque commande. Les auteurs offrent une expression analytique des cots pour un cycle
en utilisant un modle discret et emploient une simulation pour estimer le cot total annuel. Pour
minimiser ce cot annuel, les auteurs ont dvelopp deux approches heuristiques: un algorithme de
descente et une recherche Tabou.

Enfin, Diks et Vanderheijden (1997) ont tudi les algorithmes de gnration des dlais
dapprovisionnement par simulation. Ils ont suppos que le chevauchement des ordres ne peut pas se
produire, et par consquent les dlais sont dpendants. Les auteurs ont propos un processus qui
gnre les dlais dapprovisionnement qui garantissent labsence des chevauchements des ordres.

2.6 Conclusions
Dans ce chapitre, nous avons essay de faire un tat de lart concernant la gestion des stocks des
systmes soumis des alas de dlais dapprovisionnements. Lutilisation des dlais de scurit est
trs rpandue dans ce cas pour pallier aux risques de rupture de stocks. Cependant, cest une mthode
qui peut parfois savrer coteuse. La recherche de solutions efficaces, permettant de limiter les cots
tout en satisfaisant les besoins clients, est donc essentielle.

Avec lexpansion du concept de la chane logistique, la fonction de planification des


approvisionnements prend une ampleur encore plus importante. Cest pourquoi les problmes
concernant cette gestion sont dun intrt vident. Les articles ont t classs suivant la structure de la
chane logistique tudie vu que la structure influence beaucoup la complexit du problme. Nous
constatons que la plupart des articles traitent le cas simple un niveau et un seul type de composant.
Les auteurs considrent souvent la demande alatoire et ils tudient la demande durant le dlai
dapprovisionnement afin dappliquer les mthodes de gestion des stocks connues quand la demande
est alatoire et le dlai est connu et fixe.

Pour les problmes plusieurs niveaux, lanalyse analytique est presque absente. Vu la complexit du
problme, souvent les auteurs font recours aux heuristiques ou des modles bass sur la simulation.
Dans les tudes qui ont trait le problme analytiquement, la rsolution exacte a t limite 2 et 3
niveaux avec un nombre de composant limit. Les mthodes de rsolution sont souvent numriques.

Pour le cas de systme dassemblage, cest encore plus complexe, les tudes les plus connus
sintressent aux systmes un seul niveau. Pour le cas des systmes dassemblage multi-niveau,
notre connaissance, il ny a quun seul article, celui dAxster (2005) qui propose des techniques
approches bases sur une dcomposition niveau par niveau. Cette mthode mme pour le cas simple
avec un nombre trs limit de composants et de niveaux ntait pas trs performante.

Nous constatons galement que les dlais dapprovisionnement sont le plus souvent modliss comme
des variables alatoires continues. Cette modlisation ncessite une discrtisation afin de se rapprocher
des mthodes industrielles de planification de type MRP qui considre un environnement temporel
discret (le temps est calcul en priodes). Ainsi, cest mieux de modliser les dlais
dapprovisionnement en composants comme des variables alatoires discrtes qui suivent une loi
quelconque.

Dans notre thse, nous allons gnraliser les tudes qui existent pour les cas des chanes logistiques
nomenclatures complexes tel que les chanes structures linaires multi-niveau qui fera lobjet du
chapitre 3 et les systmes dassemblage deux niveaux qui fera lobjet des chapitres 4 et 5.

Dans notre tude, les dlais dapprovisionnement sont discrets et non pas continus, nous modlisons le
dlai dapprovisionnement par une variable alatoire discrte qui suive une loi de distribution
quelconque (connue davance).

Pour les chanes logistiques complexes tel que les chanes nomenclature linaire multi-niveau, la
difficult de calculs des dlais de scurit rside dans linterdpendance entre les niveaux. En effet, un
retard ou avance dune commande dun niveau donn perturbe les niveaux ascendants. Pour le cas de
systmes dassemblage, plusieurs types de composants sont ncessaires pour produire un produit fini
ou semi-fini; et donc, les stocks de diffrents composants sont dpendants. Quand il y a un retard et
rupture dun composant, automatiquement, il ny a pas de possibilit dassembler le produit fini.
Quand le processus dassemblage est arrt, il y aura stock des autres composants livrs et pas utiliss.
Pour les chanes logistiques tel que les systmes dassemblage multi-niveaux, la complexit est lie
la fois la dpendance entre les stocks des composants et la dpendance entre les niveaux.
Deux critres sont utilises dans notre tude, le premier critre est la minimisation du cot total moyen
compos du cot de stockage en composants et du cot de rupture en produit fini. En pratique, il est
souvent difficile de dterminer le cot unitaire de rupture en produit fini. Ce cot de rupture inclut la
pnalit de rupture, mais aussi ce cot imprcis peut endommager limage commerciale de lusine ou
lentreprise, perdre des clients, etc. Pour les cas quand les calculs du cot de rupture est impossible,
dans nos modles ce cot est remplac par une contrainte sur le niveau de service : le deuxime critre
est donc la minimisation du cot de stockage sous la contrainte dun niveau de service.
Chapitre 3 : Chane dapprovisionnements linaire

3.1 Introduction
Nous tudions dans ce chapitre la planification des rapprovisionnements dans une chane logistique
linaire m niveaux dans le cas o les dlais dapprovisionnement tous les niveaux sont alatoires et
la demande en produit fini et sa date de livraison sont connus (voir la figure 3.1). Les dlais
dapprovisionnement sont supposs indpendants, suivant des lois discrtes quelconques mais
valeurs bornes.
Lobjectif de cette tude est donc de minimiser le cot total moyen d lincertitude des dlais
dapprovisionnement. Cette incertitude peut engendrer des cots de stockage des produits ainsi quun
cot de rupture en produit fini. Lobjectif revient donc trouver les dlais dapprovisionnement
optimaux permettant de rduire ces cots.

m m-1 j 1

Dlai Dlai Dlai Client


dappro. dappro. dappro.
niveau m niveau j Niveau 1

Figure 3.1 : Chane dapprovisionnement linaire m niveaux

Nous distinguons deux cas dtude : (i) le cas de fabrication au plus tt : chaque niveau un produit
est trait ds quil arrive, (ii) le cas avec dates de fabrication : chaque produit est stock en attendant la
date de dbut de fabrication prvue davance pour le niveau correspondant, un cot de retard sera
compt si le produit est livr par le niveau prcdent aprs cette date.
Dans le cas (i) de fabrication au plus tt, nous ne nous tenons compte du cot de stockage quau
niveau 1 (la dernire phase de fabrication) et nous tudions deux modles :
Le premier a comme objectif de minimiser la somme du cot moyen de stockage au niveau 1 et du
cot moyen de rupture en produit fini. Le deuxime minimise le cot moyen de stockage au niveau 1
tout seul sans tenir compte du cot de rupture. Dans ce deuxime cas pour limiter les ruptures, nous
ajoutons une contrainte sur le niveau de service. Cest dire que le cot de rupture est remplac par
une contrainte sur le niveau de service qui est plus facile calculer dans les cas pratiques.

Dans le cas (ii) avec dates de fabrication, nous avons galement deux modles :
Le premier vise la minimisation de la somme des cots moyens de stockage et des cots moyens de
retard de produits de tous les niveaux et le cot de rupture en produit fini. Le deuxime critre
minimise la somme des cots moyens de stockage de tous les niveaux, tout en respectant les
contraintes sur le niveau de service chaque niveau et pour le produit fini.

3.2 Le cas de fabrication au plus tt


Nous supposons ici que pour assurer la demande en produit fini, lentreprise finale lance la commande
chez le fournisseur des matires premires (niveau m), le produit command traverse toutes les
maillons de la chane dapprovisionnement pour subir diffrentes oprations (de niveau m jusquau
niveau 1). Lorsque le produit est livr de maillon j au maillon j-1 (j=m, m-1,, 2) il subit toutes les
oprations du niveau j-1 ds quil arrive, et ainsi de suite (voir la figure 3.2).

Dbut des oprations


Dbutncessaires
des oprations
ncessaires

j j-1

Dlai Dlai
dappro. dappro.
niveau j niveau j-1

Figure 3.2 : Cas de fabrication au plus tt

Nous cherchons soit minimiser le cot moyen de stockage de produit au niveau 1 plus le cot moyen
de rupture en produit fini (problme P1), soit minimiser le cot moyen de stockage de produit de
niveau 1 tout en satisfaisant un niveau de service de client final (problme P2).
Nous prsentons la modlisation analytique de chaque problme, les mthodes doptimisation et des
exemples numriques.

3.2.1 Problme P1

Le problme est donc de trouver la planification optimale minimisant le cot engendr par le stockage
au niveau 1 et par la rupture en produit fini. Dans ce que suit, nous prsentons analytiquement le cot
total moyen minimiser.
3.2.1.1 Description du problme

Nous introduisons les notations suivantes :

cj produits au niveau j, o j = 1,2,...,m


b cot de rupture unitaire du produit fini par priode
h cot de stockage unitaire au niveau 1 par priode
D demande en produit fini par priode (fixe et connue)
T date de livraison souhaite par le client final (connue)
Lj dlai dapprovisionnement du produit j (variable alatoire discrte)
uj limite suprieure de Lj
m
U= u j
j =1

xj dlai dapprovisionnement planifi au niveau j


F j (k ) =Pr(Lj k)

(x)+: Max(0, x)
Comme ici, nous considrons le cas de fabrication au plus tt : un produit est trait ds quil arrive
un nouveau niveau de la chane, le problme est de trouver la date de lancement optimale au niveau m
afin de satisfaire la demande D la date souhaite T, en minimisant le cot total moyen. Si lordre de
fabrication est lanc trop tt, le produit final arrive avant la date prvue de livraison au client, et donc
le stock au niveau 1 augmente, ce qui induit un cot de stockage complmentaire. Mais, si lordre est
lanc trop tard, il y aura retard en produit fini, et donc il y aura un cot de rupture en produit fini,
proportionnel la dure de la rupture (voir la figure 3.3).

Date de lancement
de lordre pour le Date de
niveau m livraison : T
T Xm

Priodes
Lm Lm 1 L2 L1
a)
Rupture :
Dlai dappro. Dlai dappro. (cot de
au nivau m au nivau m-1
rupture)

b)
Lm L m 1 L2 L1 Stock :
(cot de
stockage)

Figure 3.3 : Description du problme P1


3.2.1.2 Minimisation des cots

Nous prsentons une modlisation analytique de ce problme Le critre considr est la somme du
cot moyen de stockage et du cot moyen de rupture en produit fini. Nous montrons que le modle est
quivalent au modle du marchand de journaux.

Proposition 3.1 Le cot total du problme P1 est exprim comme suit :


+ +
m m
C ( X m , L ) = Dh X m ( L j ) + Db
( L j ) X m (3.1)
j =1 j =1
o,
(
L = L1 ,..., L j ,..., Lm )

Dmonstration
Le cot total est gal la somme du cot de rupture et du cot de stockage du produit fini. Nous allons
dabord exprimer le cot de rupture en produit fini et ensuite le cot de stockage de produit fini.

Pour assurer la livraison du produit fini la date T souhaite, lentreprise lance un ordre de
fabrication pour le niveau m la date T X m . Le produit arrivera alors au niveau m-1 la date

T X m + Lm , subira les oprations ncessaires et sera transmis au niveau m-2,, et ainsi de suite,
m
jusqu ce que le produit final soit prt tre livr au client la date : T X m + L j . Il y a donc
j =1

m
stockage du produit fini sil est prsent avant la date T, i.e. T X m + ( L j ) T .

j =1

m
C'est--dire si X m ( L j ) 0 .

j =1
Le cot de stockage associ vaut donc:
+
m
Dh X m ( L j )
(3.2)

j =1

m
De mme, il y a rupture en produit fini si : X m ( L j ) 0 .


j =1
Le cot de rupture en produit fini est donc gal :
+
m
Db ( L j ) X m
(3.3)
j =1
Le cot total est donc gal :

+ +
m m
C ( X m , L ) = Dh X m ( L j ) + Db ( L j ) X m

j =1 j =1
C.Q.F.D.

Ce cot total est une variable alatoire qui est fonction des variables alatoires L j pour j=1,, m.

Nous allons nous intresser au cot moyen C ( X m ) = E (C ( X m , L )) .

Afin de simplifier lcriture des quations sans perdre la gnralit de lapproche, nous posons D=1.

m
Soit SL = (L j ) .
j =1

Proposition 3.2 Le cot total moyen du problme P1 est exprim comme suit :
C(X m ) = h FSL ( X m k 1) +b 1 FSL ( X m + k ) (3.4)
k 0 k 0

o,
m t m
FSL (t ) = Pr( SL = (L j ) t ) = Pr( L j = k j )
j =1 k =m j =1
k1 +...+ km =k

Dmonstration
Sachant que :


+ m
+
m
C ( X m ) = h1E X m L j ) + bE ( L j ) X m


j =1 j =1


+
m

Nous calculons tout dabord : E X m L j )



j =1

i 1
E ( X m SL )+ = k Pr ( X m SL = k ) = Pr( X m SL = i) = Pr( X m SL = i)
k 0 i 0 k =0 k 0i > k
= Pr( X m SL > k ) = Pr(SL X m k 1) = FSL ( X m k 1)
k 0 k 0 k 0

Ensuite, pour calculer E ( X m SL )+ en utilisant la dfinition suivante :

m t m
FSL (t ) = Pr( SL = (L j ) t) = Pr( L j = k j )
j =1 k =m j =1
k1 +...+km =k

Nous obtenons :

E (SL X m )+ = Pr(SL X m > k ) = 1 Pr(SL X m + k ) = 1 FSL ( X m + k )


k 0 k 0 k 0

C.Q.F.D.

3.2.1.3 Optimisation

Proposition 3.3 La solution optimale de P1 est donne par les ingalits suivantes:

* b *
FSL ( X m 1) FSL ( X m ) (3.5)
b+h

Dmonstration
Soit la fonction G ( X m ) dfinit comme suit :

G ( X m ) = C ( X m + 1) C ( X m )

Nous obtenons donc les deux relations suivantes :

G ( X m ) = hFSL ( X m ) + b(FSL ( X m ) 1)

G ( X m 1) = hFSL ( X m 1) + b(FSL ( X m 1) 1)

*
La valeur de la solution optimale X m doit satisfaire les deux conditions suivantes :

G( X m ) = hFSL ( X m ) + b(FSL ( X m ) 1) 0

G ( X m 1) = hFSL ( X m 1) + b(FSL ( X m 1) 1) 0
Donc, la solution optimale doit satisfaire les ingalits suivantes :
* b *
FSL ( X m 1) FSL ( X m )
b + h1

C.Q.F.D.
Notons, que nous sommes arrivs au modle discret du marchand de journaux (Porteus, 1990; Ould
Louly et Dolgui, 2002).

Corollaire 3.1
La variable Xm qui donne le cot moyen minimal doit vrifier lingalit suivante :
m Xm U (3.6)

Dmonstration
Pour dmontrer ce rsultat simple il suffit de remarquer que :
si X m > U , alors :

FSL ( X m U + 1) = 1
Donc :
FSL ( X m 1) = 1 (3.7)
La relation (3.7) nest vrifie que lorsque h=0. Si le cot de stockage est nul alors toute solution
X m U est optimale et donne le mme cot.

Si X m < m , alors :

FSL ( X m m 1) = 0 (3.8)
La relation (3.8) nest vrifie que lorsque b=0. Si le cot de rupture est nul alors toute solution
X m m 1 est optimale et donne le mme cot.
C.Q.F.D.

3.2.1.4 Exemples numriques

Pour en faire une illustration, nous considrons lexemple suivant : il sagit dune chane logistique
linaire 10 niveaux (m=10), les dlais dapprovisionnements sont des variables alatoires discrtes
qui suivent une loi quelconque valeurs bornes tel que la valeur minimale de chaque dlai
dapprovisionnement est gale 1 et la valeur maximale des tous les dlais dapprovisionnement est
u=5. Le cot unitaire de stockage h de produits finis est gal 10 (voir la figure 3.4). La date de
livraison voulue T=0. Lobjectif est de dterminer la date de lancement optimale (-X10 ) qui permet de
minimiser le cot total moyen.
Date de lancement
dordre T-X10 ?

9 j 1 Stock de
10
produits finis
Dlai Dlai Dlai Clients
dappro. dappro. dappro.
niveau 10 niveau j niveau1

Figure 3.4 : Chane dapprovisionnement linaire 10 niveaux

En premier lieu, nous proposons de tester leffet du cot de rupture sur la solution optimale. Pour cela,
nous avons considr que tous les dlais dapprovisionnement suivent la mme loi de distribution et
que cette loi est quiprobable=0,2. Le cot de rupture varie entre h et 10 h. Le tableau suivant montre
laugmentation de la solution optimale en fonction de la valeur du cot de rupture.

Ce rsultat vient du fait que plus le cot de rupture augmente, plus il faudra viter la rupture au profit
du stockage, et donc lancer le produit plus tt.

Tableau 3.1 : La date optimale de lancement dordre de fabrication en fonction de cot de retard
b= h 2h 3h 4h 5h 6h 7h 8h 9h 10h

* 30 32 33 34 34 35 35 36 36 36
Xm

Daprs le tableau 3.1, nous remarquons que parfois b augmente mais la date de lancement optimale
b
reste la mme. Cela vient du fait que mme si change la condition doptimalit :
b+h
* b * *
FSL ( X 10 1) FSL ( X 10 ) reste vrifie pour la mme valeur de X10 .
b+h

Nous allons galement illustrer le comportement de la solution optimale pour diffrents nombres de
niveau de chane dapprovisionnement, pour cela nous avons calcul la solution optimale dont la
chane dapprovisionnement est constitue de 1 niveau, 2 niveaux,, jusqu 10 niveaux. Le cot de
stockage unitaire h=10, le cot de rupture unitaire b=100 et lorsque tous les dlais
dapprovisionnement suivent la mme loi de distribution et que cette loi est quiprobable = 0,2. le
tableau 3.2 reprsente la date de lancement optimale en fonction de nombre de niveaux.
Tableau 3.2 : La date de lancement dordre optimale en fonction de nombre de niveaux.

m 1 2 3 4 5 6 7 8 9 10

* 5 9 12 16 19 23 26 29 33 36
Xm

Nous remarquons que malgr les mmes caractristiques des dlais dapprovisionnement de tous les
niveaux, la date de lancement optimale pour une chane dapprovisionnement avec j niveaux ne peut
pas tre obtenue avec la formule suivante :

X j j X1 , pour j=2,, m. (3.9)

Si ctait le cas, la date de lancement optimale dune chane 10 niveaux serait gale 50 = 10 5 ce
qui nest pas le cas. La solution optimale permet de rduire le cot total moyen de 58% par rapport
celle solution.

Enfin, nous avons effectu une tude comparative entre la solution optimale obtenue par les ingalits
(3.5) et lheuristique suivante o la solution considre est gale la valeur moyenne (T E ( SL)) .
Etant donn que la variable de dcision est un entier et que E (SL) peut tre non entier, nous

considrons la valeur la plus proche de (T E ( SL)) : T X m , tel que X m = E (SL ) ou E (SL)


selon la condition suivante:

E ( SL) si E ( SL) E ( SL ) 0.5


Xm =
E ( SL) sinon

Nous avons calcul ceci sur 10000 situations gnrs dune manire alatoire (une situation
correspond une loi de distribution de L j , j=1,,10) et les rsultats montrent que la solution

optimale permet de rduire le cot totale moyen de 21% par rapport lutilisation des valeurs
moyennes.

3.2.2 Problme P2

Nous tudions maintenant le problme lorsque le cot de rupture est remplac par une contrainte de
niveau de service. Le problme est donc la minimisation du cot moyen de stockage de produits finis
sous la contrainte dun niveau de service donn.

Dans ce que suit, nous prsentons analytiquement le cot total moyen minimiser.

3.2.2.1 Description du problme

En plus des notations prcdentes, nous introduisons les notations suivantes :


[0, 1] la probabilit de rupture tolre,

1- le niveau de service exig.

Pareil que pour le problme P1, nous considrons le cas de fabrication au plus tt : un produit est trait
ds quil arrive un nouveau niveau de la chane, le problme est de trouver la date de lancement
optimale au niveau m afin de satisfaire la demande D la date souhaite T, en minimisant le cot total
moyen. Si lordre est lanc trop tt, les produits finis arrivent avant la date prvue et donc le stock au
niveau 1 augmente, ce qui induit un cot supplmentaire de stockage. Mais, si lordre est lanc trop
tard, le niveau de service ne sera pas respect (voir la figure 3.5).

Date de lancement
de lordre pour le Date de livraison
niveau m prvue : T
T Xm

Priodes
Lm Lm 1 L2 L1
a)

Dlai dappro. Dlai dappro.


au nivau m-1 Le client est
au nivau m
insatisfait
(le niveau de service
b) baisse)
Lm L m 1 L2 Stock :
L1 (cot de
stockage)

Figure 3.5 Description du problme P2

3.2.2.2 Minimisation des cots

Nous prsentons une modlisation analytique de ce problme Le critre considr est la somme du
cot moyen de stockage des produits finis. La contrainte est la ncessit de respecter un niveau de
service.

Proposition 3.3

Min h FSL ( X m k 1) (3.10)


k 0

Sous la contrainte

1 FSL ( X m ) (3.11)
Dmonstration
La fonction objectif (3.10) reprsente le cot de stockage des produits finis, cette expression est la
premire partie de la fonction objectif (3.4). Il reste dvelopper la contrainte de niveau de service
(3.11) :

La probabilit quune commande pour les produits finis soit en retard est modlise comme suit :

Pr(( L X m ) + > 0) , et donc afin de respecter le niveau de service exig (1- ), il faut que :

Pr(( L X m ) + > 0) .

Alors : 1 Pr (( L X m ) + = 0)

Nous obtenons donc,

1 Pr ( L X m ) .

Finalement

1 FSL ( X m )

C.Q.F.D.

3.2.2.3 Optimisation

Le cot de stockage (3.10) est une fonction croissante et la probabilit de rupture est une fonction
* est donc le plus petit entier qui vrifie la contrainte de niveau
dcroissante. La valeur optimale de X m
de service (3.11).

3.2.2.4 Exemples numriques

Nous considrons lexemple suivant : il sagit dune chane logistique linaire 10 niveaux (m=10), la
valeur maximale des dlais dapprovisionnement est u=5. Le cot unitaire de stockage des produits
finis est gal 10 et le niveau de service dsir est de 95% ( = 0.05 ). Les dlais dapprovisionnement
suivent une loi discrte quelconque valeur borne entre 1 et u.

Comme dans lexemple 1, nous avons effectu une tude comparative entre la solution optimale
obtenue par (3.10) (3.11) et les solutions suivantes :

La valeur moyenne : la solution entire la plus proche de E (SL) .


m
La solution, note modale, tel que X m = x j , o x j correspond la premire valeur telle
j =1

( )
que la fonction de rpartition soit suprieure 0.95 : F j x j 0.95 .
Nous avons fait une tude avec 10000 scnarios gnrs dune manire alatoire (un scnario
correspond une loi de distribution de L j , j=1,,10) et les rsultats montrent que le niveau de

service de la solution utilisant la moyenne est seulement gal 58 %. Celui de la solution modale est
gal 99%. Mais la solution optimale qui assure un niveau de service de 96% permet de rduire le
cot de 70% par rapport la solution modale.

3.3 Le cas avec dates de fabrication


Nous supposons ici que pour assurer la demande en produit fini une entreprise lance la commande
chez un fournisseur des matires premires (niveau m), le produit command traverse toutes les
maillons de la chane dapprovisionnement pour subir diffrentes oprations du niveau m jusquau
niveau 1. Lorsque le produit est livr de maillon j au maillon j-1 (j=m, m-1,, 2) il ne subit les
oprations ncessaires qu la date prvu de fabrication. Sil est prsent avant cette date il sera stock
le temps restant. Dans le cas contraire, sil est prsent aprs cette date de fabrication, il subit les
oprations ncessaires ds quil arrive et ce retard sera pnalis par un cot de replanification
(problme P3) ou bien une contrainte de niveau de service sera impose chaque niveau (problme
P4) (voir la figure 3.6).

Date prvue de
fabrication au
niveau j-1.

a) j j-1

Dlai Stock : Dlai


dappro. (cot de stockage) dappro.
niveau j niveau j-1

b) j j-1

Dlai Dlai
dappro. dappro.
niveau j niveau j-1
retard

Figure 3.6 : Cas avec dates de fabrication

Nous cherchons soit minimiser le cot moyen de stockage et de replanification tous les niveaux et
le cot moyen de rupture en produit fini (problme P3), soit minimiser le cot moyen de stockage
tous les niveaux tout en satisfaisant un niveau de service dsir chaque niveau (problme P4).
Nous prsentons la modlisation analytique de chaque problme, les mthodes doptimisation
proposes et des exemples numriques.
3.3.1 Problme P3

Du fait de lexistence de dates de fabrication tous les niveaux, nous introduisons maintenant en plus
du cot de rupture et du cot de stockage du produit fini, un cot de stockage des produits semi-finis
tous les niveaux, et des cots de replanification des niveaux m, m-1, ,2 d au retard de livraison aux
niveaux correspondants. Le problme est donc de trouver la planification optimale qui permet de
rduire le cot total moyen. Dans ce que suit, nous prsentons analytiquement le cot total moyen
minimiser.

En plus des notations prcdentes, nous introduisons les notations suivantes :

hj cot de stockage unitaire du produit de niveau j ( j=1,,m) par priode,


b1 cot de rupture unitaire du produit fini par priode,
bj cot de replanification unitaire du produit de niveau j ( j=2,,m) par priode.

3.3.1.1 Description du problme P3

Le problme est donc de trouver les dates de lancement optimales T-Xj chaque niveau j ( j = 1,..., m )
afin de satisfaire la demande D (suppose=1) la date de livraison T tout en minimisant le cot total
(voir la figure 3.7).

Nous supposons que le cot de stockage hj de produit de niveau j ( j=1,,m), le cot de rupture b1 en
produit fini et les cots de retard ou de replanification bj de niveau m, m-1,,2 sont connues. Pour les
variables alatoires, nous admettons les mmes hypothses que pour les problmes P1 et P2.

Nous dfinissons le dlai dapprovisionnement cumulatif Lj ( x j +1 , x j +2 ,..., xm ) de niveau j

( j=1,,m) comme suit :


L j ( x j +1 , x j + 2 ,..., xm ) = L j + ( L j +1 ( x j + 2 , x j + 3 ,..., xm ) x j +1 ) + , pour j = 1,2,..., m - 1
(3.12)
Lm
= Lm

o x j (j=1,,m) est le dlai dapprovisionnement planifi. Le dlai dapprovisionnement

Lj ( x j +1 , x j +2 ,..., xm ) , (j=1,, m) est gal donc au dlai dapprovisionnement L j (j=1,, m) plus la

somme de retards du niveau m, m-1,, jusquau niveau j+1.


Date de
T Xm T X m 1 TXj livraison : T

xm

Lm
a)

b)

niveau m niveau j niveau 1

stock

retard

dlai
dapprovisionnement

Figure 3.7 : Description du problme P3

Notre objectif est de trouver les dates de lancement des ordres ( T X j ) chaque niveau j pour

j = 1,..., m .

o
j
Xj = xs (3.13)
s =1

3.3.1.2 Minimisation des cots

Nous prsentons le modle de ce problme en exprimant analytiquement le critre optimiser. Le


critre considr est la somme des cots moyens de stockage de tous les niveaux, le cot de rupture en
produit fini et le cot de replanification chaque niveau (du niveau 2 au niveau m). Nous proposons
une procdure rcursive pour trouver la solution optimale. Lobjectif est de trouver les dates de
lancement optimales chaque niveau qui minimisent le cot total moyen. Daprs (3.13), il suffit donc
de trouver les dlais dapprovisionnement planifis optimaux ( x j ) pour j = 1,..., m .
Proposition 3.4 Pour le problme P3, le cot total est exprim comme suit:

[h j ( x j Lj ( x j +1, x j + 2 ,..., xm )) + (b j + h j )( Lj ( x j +1, x j + 2 ,..., xm ) x j ) + ]


m
C ( X , L) = (3.14)
j =1

o,
X = ( x1,..., x j ,...xm )

L = ( L1 ,..., Lj ,...Lm
)

Dmonstration

Le cot total est gal la somme du cot de stockage des composants tous les niveaux, du cot de
replanification chaque niveau (du niveau 2 au niveau m) et du cot de rupture en produit fini.

Nous allons tout dabord calculer le cot de stockage :

Si le dlai dapprovisionnement rel L j ( x j +1 , x j + 2 ,..., x m ) dpasse le dlai dapprovisionnement

planifi x j : ( x j L j ( x j +1 , x j + 2 ,..., xm )) 0 , il y a stockage du produit au niveau j. Le cot de

stockage est gal : h j ( x j L j ( x j +1 , x j + 2 ,..., x m )) + et donc le cot de stockage total est gal :

m
h j ( x j L j ( x j +1 , x j +2 ,..., x m )) +
j =1

A linverse, il y a un retard au niveau j (j=1,, m), si ( L j ( x j + 1 , x j + 2 ,..., x m ) x j ) 0 , ce qui

induit un cot de replanification ou de rupture en produit fini.

La somme du cot de replanification chaque niveau et du cot de rupture en produit fini est gale :

m
b j ( Lj ( x j +1, x j + 2 ,..., xm ) x j ) +
j =1

Donc, le cot total est gal :

m m
C( X , L ) = b j (Lj ( x j +1, x j + 2 ,..., xm ) x j )+ + h j (x j Lj )+
j =1 j =1

Etant donn que ( f ) + = max( f ,0) = f = f + f :

Si nous considrons f = ( x j Lj ( x j +1, x j + 2 ,..., xm )) , le cot total C ( X , L) peut tre rcrit comme

suit :
m m
C ( X , L) = (b j + h j )(Lj ( x j +1, x j +2 ,..., xm ) x j )+ + h j ( x j Lj ( x j +1, x j +2 ,..., xm ))
j =1 j =1

C.Q.F.D.

Comme le montre la proposition 3.4, le cot total est une variable alatoire qui est fonction des
variables alatoires Lj ( x j +1, x j + 2 ,..., xm ) , j=1,, m.

Nous dcidons de nous intresser au cot moyen C ( X ) = E (C ( X , L )) .

Proposition 3.5 Pour le problme P3, le cot total moyen est exprim comme suit :

m
C( X ) = ( )
h j ( x j E L j ( x j +1 , x j + 2 ,..., xm ) + (b j + h j ) (1 j (x j + k , x j +1 ,..., xm )) (3.15)
j =1 k 0

o,
k



j (k , x j +1,..., xm ) = Pr(L j = s) j ( x j +1 + k s, x j +1,..., xm ), pour j = 1,..., m 1
(3.16)
s =1

m (k ) = Fm (k )
X = ( x1 ,..., x j ,...xm )

Dmonstration

Daprs la relation (3.14), le cot total moyen est le suivant :


m
C ( X ) = E (C ( X , L)) = [h j (x j E (Lj ( x j +1, x j + 2 ,..., xm ) ))+ (b j + h j ) E (Z )]
j =1

o :

Z = ( Lj ( x j +1, x j + 2 ,..., xm ) x j ) + .

La variable Z est une variable alatoire discrte positive avec un nombre fini des valeurs possibles,
son esprance mathmatique est :

i 1
E (Z ) = i Pr(Z = i) = Pr(Z = i) = Pr(Z = i) = Pr( Z > k )
i 0 i 0 k =0 k 0 i >k k 0

Nous obtenons donc :


( )
Pr ( L j ( x j +1, x j + 2 ,..., xm ) x j ) + > k = 1 Pr (( Lj ( x j +1 , x j + 2 ,..., xm ) x j ) + k )
(
= 1 Pr (( L j ( x j +1 , x j + 2 ,..., xm ) x j ) k ) Pr (k 0 ) )
E (Z ) = (1 (Pr( Lj ( x j +1, x j + 2 ,..., xm ) x j k ) Pr (k 0)))
k 0

Sachant que dans lexpression prcdente la somme est calcule pour k 0, donc :
E (Z ) = (1 Pr( Lj ( x j +1, x j +2 ,..., xm ) x j + k )) = (1 j ( x j + k , x j +1,..., xm ))
k 0 k 0
avec,

j (k , x j +1 ,..., xm ) = Pr( L j ( x j +1 , x j + 2 ,..., xm ) k ) = Pr( L j + ( Lj +1 ( x j + 2 ,..., xm ) x j +1 ) + k )

Maintenant, calculons Pr( L j + ( L j +1 ( x j + 2 ,..., x m ) x j +1 ) + k ) :

Pr( L j + ( L j +1 ( x j + 2 ,..., x m ) x j +1 ) + k )

Pr(L j = s ) Pr (( L j +1 ( x j + 2 ,..., xm ) x j +1 ) + k s )
k
=
s =1

k
= Pr(L j = s ) Pr (Lj +1( x j + 2 ,..., xm ) x j +1 k s ) Pr(k s 0)
s =1

Sachant que k s est toujours positif, donc pour j=1,,m-1 :


k
Pr( L j ( x j +1 , x j + 2 ,..., x m ) k ) = Pr(L j = s) Pr (Lj +1 ( x j + 2 ,..., xm ) x j + 2 + k s )
s =1

Donc :

k
j (k , x j +1 ,..., xm ) = Pr(L j = s) j ( x j +1 + k s, x j +1,..., xm )
s =1

Finalement,

m
C( X ) = ( )
h j ( x j E L j ( x j +1 , x j + 2 ,..., xm ) + (b j + h j ) (1 j (x j + k , x j +1 ,..., xm ))
j =1 k 0

C.Q.F.D.

La fonction objectif (3.15) est non linaire variables de dcision entires. La rsolution de ce

problme ncessite une tude des accroissement partiels G +j ( X ) et G j ( X ) de la fonction objectif

C(X ) .
3.3.1.3 Optimisation

3.3.1.3.1 Espace de recherche des variables de dcision

Proposition 3.6 Les valeurs optimales des variables de dcision sont dans lespace de recherche de
solution suivant :
m
1 x j u j + ( u s 1 ) , pour j=1,,m-1 (3.17)
s = j +1
1 xm u m (3.18)

Dmonstration

Nous commenons par dmontrer lingalit (3.18) :


tant donn que le dlai dapprovisionnement de niveau m varie entre 1 et um alors :
Pour tous xm > um , Fm ( x m ) =1.

Donc pour : s>0, y = x m + s et x m = u m :

C ( x1 ,..., xm 1 , y ) C ( x1 ,..., xm ) = s hm 0 .

Ce qui prouve que pour tous xm > um , nous obtenons un cot de stockage supplmentaire.
La proprit (3.18) et donc dmontre.
Pour dmontrer (3.17), le principe est le mme :
m
Montrer que : j ( x j , x j +1 ..., x m ) =1 lorsque x j > u j + ( us 1)
s = j +1

m
Alors, nous obtenons un cot de stockage supplmentaire pour tous x j > u j + ( us 1)
s = j +1

C.Q.F.D.

3.3.1.3.2 Proprits des variables de dcision

Dans cette section, nous allons prsenter des proprits des variables de dcision qui nous permettront
ensuite de raliser une procdure de rsolution optimale du problme P3.

Par analogie avec la thse de Ould-Louly (2001), nous introduisons les accroissements partiels droite
et gauche par rapport la variable x j qui sont les fonctions suivantes :

G +j ( X ) = C( x1,..., x j +1,..., xm ) C ( x1,..., x j ,..., xm ) (3.19)

G j ( X ) = C ( x1,..., x j 1,..., xm ) C ( x1,..., x j ,..., xm ) (3.20)


Daprs la dfinition de G +j ( X ) et G j (X ) , nous pouvons dire que les expressions suivantes sont des

conditions ncessaires pour que le vecteur X donne le minimum de la fonction C ( X ) :

G +j ( X ) 0 , pour j = 1, K , m (3.21)

G j ( X ) 0 , pour j = 1, K , m (3.22)

Proposition 3.7 La fonction G +j ( X ) vrifie les proprits suivantes :

j 1
[ ]
G +j ( X ) b j + (b j + h j ) j ( x j , x j +1..., xm )) + hs (3.23)
s =1
j 1
[ ]
G +j ( X ) b j + (b j + h j ) j ( x j , x j +1..., xm )) (bs + hs ) (3.24)
s =1

Dmonstration

m
G +j ( X ) = hs ( xs E (Ls ( xs +1,..., x j + 1,..., xm ) ) + (bs + hs ) (1 s (x s + k ,..., x j + 1,..., xm ))
s =1 k 0

m
( )
- hs ( xs E Ls ( xs +1,..., x j ,..., xm ) + (bs + hs ) (1 s (x s + k ,..., x j ,..., xm ))
s =1 k 0

La diffrence entre ces deux cots peut tre calcule terme par terme selon la valeur de s. Les termes

peuvent tre spars pour faciliter lexplication. Soit G +j ( X ) = A + B + C.

Le premier terme est pour les valeurs de s suprieur j. Il est gal zro :
m
A= hs ( x s E (Ls ( xs +1 ,..., xm ) ) + (bs + hs ) (1 s (x s + k ,..., xm ))
s = j +1 k 0

m
- hs ( x s E (Ls ( x s +1,..., xm ) ) + (bs + hs ) (1 s (x s + k , ,..., xm )) = 0
s = j +1 k 0

Le deuxime terme est pour s = j . Il se calcule de la manire suivante :


( ( ))
B = h j x j + 1 E L j ( x j +1 , x j + 2 ,..., xm ) + (b j + h j ) (1 j (x j + 1 + k , x j +1 ,..., x m ))
k 0


( )
h j ( x j E L j ( x j +1 , x j + 2 ,..., xm ) ) + (b j + h j ) (1 j (x j + k , x j +1 ,..., xm ))
k 0
= [h j (b j + h j )(1 j ( x j , x j +1..., xm ))]
= [b j + (b j + h j ) j ( x j , x j +1..., xm ))]

Le troisime terme est pour s < j :


j 1
C= hs ( xs E (Ls ( xs +1,..., x j + 1,..., xm ) )+ (bs + hs ) (1 s (xs + k ,..., x j + 1,..., xm ))
s =1 k 0

j 1
- hs ( xs E (Ls ( xs +1,..., x j ,..., xm ) ) + (bs + hs ) (1 s (xs + k ,..., x j ,..., xm ))
s =1 k 0

j 1
= hs [E (Ls ( xs +1,..., x j ,..., xm )) E (Ls ( xs +1,..., x j + 1,..., xm ) )]
s =1

j 1
+ (bs + hs ) (1 s (xs + k ,..., x j + 1,..., xm )) (1 s (xs + k ,..., x j ,..., xm ))
s =1 k 0 k 0

( ) (
Dautre part, 0 E Ls ( xs +1,..., x j ,..., xm ) E Ls ( x s +1,..., x j + 1,..., xm ) 1 )
et 0 (1 s (xs + k ,..., x j ,..., xm )) (1 s (xs + k ,..., x j + 1,..., xm )) 1
k 0 k 0

j 1 j 1
Alors, le terme C vrifie lingalit suivante: (bs + hs ) C hs
s =1 s =1

Finalement, nous obtenons :


j 1
[ ]
G +j ( X ) b j + (b j + h j ) j ( x j , x j +1 ,..., xm )) + hs
s =1

j 1
[ ]
G ( X ) b j + (b j + h j ) j ( x j , x j +1 ,..., xm )) (bs + hs )
+
j
s =1

C.Q.F.D.

Proposition 3.8 Les expressions (3.23) et (3.24) nous permettent dobtenir les proprits des
variables de dcision suivantes :
j ( x j , x j +1 ,.., xm ) j pour j=1,.,m (3.25)

j ( x j 1, x j +1 ,..., xm ) j pour j=1,.,m (3.26)

Fm ( xm ) m (3.27)

Fm ( xm 1) m (3.28)

Fj ( x j ) j pour j=1,.,m (3.29)


j 1 j 1
bj hs bj + (bs + hs )
O j = s =1 et j = s =1 , pour j=1,.,m
bj +hj bj +hj

Dmonstration
j 1
+
[
Selon la proprit (3.23) : G (X ) b j + (b j + h j ) j ( x j , x j +1 ,..., xm )) +
j ] hs
s =1
Donc :
j 1
bj hs
s =1 j ( x j , x j +1 ,..., xm ) , pour j=1,.,m.
bj + hj

Donc, la proprit (3.25) est dmontre.

Comme G j ( X ) = G +j ( x1 ,..., x j 1,..., xm ) , nous obtenons lingalit suivante de (3.22):

j 1
[
0 b j (b j + h j ) j ( x j 1, x j +1 ,..., xm )) + ] (bs + hs )
s =1
Donc,

j 1
bj + (bs + hs )
j ( x j 1, x j +1 ,..., xm ) s =1 .
bj + hj

Donc, la proprit (3.26) est dmontre.

En utilisant la dfinition (3.16), la proprit (3.27) est immdiatement drive de (3.25) et la proprit
(3.28) est immdiatement drive de (3.26).

En utilisant la dfinition (3.16) :

j ( x j , x j +1 ,..., xm ) F j ( x j ) , pour j=1,.,m.

Finalement,

j 1
bj hs
s =1 F j ( x j ) , pour j=1,.,m
bj +hj

Nous obtenons la proprit (3.29).

C.Q.F.D.
Les quations (3.25)-(3.29), nous permettent dobtenir des limites infrieures des variables de dcision
et donc de rduire lespace de recherche des solutions.

Nous notons par LL = (ll1,..., ll j ,..., ll m ) le vecteur de limites infrieures des variables de dcision

( x1,..., x j ,..., xm ) . Le vecteur des limites suprieures des variables de dcision est note par

UL = (ul1,..., ul j ,..., ul m ) .

3.3.1.3.3 Procdure rcursive de rduction despace de recherche

En se basant sur ces proprits des variables de dcision, nous dveloppons une procdure rcursive.
Cette procdure permet de trouver la solution pour un nombre quelconque de niveaux dans la chane
logistique en temps de calcul raisonnable.

Nous commenons la procdure par la recherche de valeurs possibles de dlai dapprovisionnement


optimale pour le niveau m not par xm en utilisant (3.27) et (3.28).

Donc :

F 1 ( m ) xm F 1 ( m ) + 1 (3.30)

Ensuite, en utilisant (3.25), (3.26) et (3.29), nous pouvons dvelopper une procdure rcursive qui
permet dobtenir les valeurs possibles des dlais dapprovisionnement ( x1 ,..., x m 1 ).

Donc, la procdure qui nous permet dobtenir lespace des solutions possibles est la suivante :

Procdure rcursive pour rduire lespace de recherche


Dbut
// Limites infrieure et suprieure pour le variable du niveau m :
ll m le plus petit entier i qui vrifie : m Fm (i )

ul m le plus grand entier i qui vrifie: Fm (i 1) m


//Initialisation des limites infrieures et suprieures de tous les autres variables :
ll j 1 pour j = 1 to m 1

m
ul j uj + (u s 1) pour j = 1 to m 1
s = j +1

// Limites infrieures et suprieures des variables des niveaux de m-1 1 :


Pour j = m 1 1 faire
// Limites suprieures des variables :
Y ll j
Tant que j (Y 1, ll j +1 ,..., ll m ) j faire

ul j Y

Y Y +1
Fin Tant que
// Limites infrieures des variables :
Y ulj
Tant que j F j (Y ) ou j j (Y , ul j +1 ,..., ulm ) faire

ll j Y

Y Y-1
Fin Tant que
Fin pour
Fin

3.3.1.3.4 Borne infrieure de la fonction objectif

Nous allons maintenant prsenter une borne infrieure de la fonction objectif que nous utilisons dans
notre algorithme doptimisation.

Proposition 3.9 La valeur BI suivante est une borne infrieure de la fonction objectif du problme
P3 dans lespace [LL, UL] :
m
BI = ( )
h j (ll j E L j (ll j +1 , ll j + 2 ,..., llm ) + (b j + h j ) (1 j (ul j + k , ul j +1 ,..., ul m )) (3.31)
j =1 k 0

Dmonstration

(
E Lj ( x j +1 , x j + 2 ,..., xm ) ) est une fonction dcroissante par rapport xs pour s=j+1,,m, et

j ( x j + k , x j +1 ,..., xm ) est une fonction croissante par rapport xs pour s=j+1,,m.

Alors, pour tout lment xj , j=1,,m, de [LL, UL] :

m
C( X ) = h j ( x j E (Lj ( x j +1, x j + 2 ,..., xm ) )+ (b j + h j ) (1 j (x j + k , x j +1,..., xm ))
j =1 k 0

m
h j (ll j E (Lj (ll j +1, ll j + 2 ,..., llm ) )+ (b j + h j ) (1 j (ul j + k , ul j +1,..., ulm ))
j =1 k 0

C.Q.F.D.
La procdure rcursive de rduction despace de recherche et la borne infrieure de la fonction objectif
donnent la possibilit de dvelopper une procdure doptimisation exacte. Nous proposons une
Procdure par Sparation et Evaluation (PSE). Cet algorithme sest inspir de lalgorithme analogue
dans la thse de Ould Louly (2001).

Lespace de recherche initial des solutions est not par [LL, UL], o LL reprsente les limites
infrieures des variables de dcision et UL reprsente les limites suprieures des variables de dcision :

ll j x j ul j , j=1,, m.

Aprs la division d'un nud, dans une PSE, deux nuds (descendants) sont crs. Les descendants du
nud [A, B] reprsentant lespace de recherche avec A=(a1,a2,,aj,,am) et B=(b1,b2,,bj,,bm) o
initialement aj=llj et bj=ulj, sont obtenus en partageant cet ensemble en deux sous-ensembles [A, B1] et
a j + bj a j +bj
[A1, B] respectivement a j x j et + 1 x j b j suivant la sous ensemble [aj, bj] de
2 2
cardinalit maximale.

3.3.1.3.5 Borne suprieure

Nous avons choisi comme borne suprieure (BS) initiale dans la PSE le rsultat de la procdure
suivante :

Procdure Borne suprieure

Cette procdure commence par linitialisation de lespace de recherche

A LL

B UL

Ensuite, la procdure suivante est applique :

BS min (C ( A), C ( B) )

Tant que (le cardinal de [ A, B ] est suprieur 1) faire :

- Sparer [ A, B ] en deux sous ensembles [A, B1] et [A1, B] (comme nous lavons mentionn i-dessus
cette division du pav [A, B] en deux pavs [A, B1] et [A1, B] est faite en coupant le cot le plus long du
pav [A, B]).

- BS la solution avec le cot le plus faible, choisie parmi les quatre possibilits : A, B1, A1 ou B.

- Si A ou B1 alors

[ A, B] [ A, B1 ]
sinon

[ A, B] [ A1 , B ]

Fin Si

Fin Tant que

Algorithme PSE
Lalgorithme PSE que nous proposons utilise pour le branchement le schma suivant. Le sous-
ensemble de pav [ A, B] dont le cardinal est le plus grand est divis en deux sous-ensembles fils

[ A, B1 ] et [ A1 , B ] . Chaque fils est explor, la recherche est donc en largeur dabord.

Dbut

// Rduction despace de recherche des solutions :

Procdure rcursive de rduction de lespace initial :

A LL

B UL

BS max(C(A), C(B))

Le_min_actuel BS

La_solution_actuelle la solution donne par BS

// Initialisation de lensemble E des sous-ensembles :

E {[A, B]}

Si A B alors

Tant que (E nest pas vide) faire

[A, B] Prendre llment de E de cardinalit maximale

E E - {[A, B]}

Diviser [A, B] en deux sous-ensembles : [A, B1] et [A1, B]

Si (BI ([A, B1] )< Le_min_actuel) alors

On lajoute E : E E {[A, B1]}

Fin si

Si (BI ( [A, B1] )< Le_min_actuel) alors


On lajoute E : E E {[A1, B]}

Fin si

// Ractualisation de tous les sousensembles si ncessaire :

BS min(C(A1), C(B1))

Si (Le_min_actuel > BS ) alors

Le_min_actuel BS

La_slolution_actuelle argmin(C(A1), C(B1))

Eliminer les lments de E dont la borne infrieure (BI) est plus grande que
le Le_min_actuel

Fin si

Fin Tant que

Fin si

Fin

3.3.1.4 Exemples numriques

Pour illustrer la procdure rcursive pour la rduction de lespace de recherche pour le problme P3,
nous considrons lexemple suivant : il sagit dune chane logistique linaire 5 niveaux (m=5), la
valeur maximale des dlais dapprovisionnement est u=5. Le cot de stockage, le cot de
replanification et le cot de rupture sont prsents dans le tableau 3.3. La loi de probabilit des dlais
dapprovisionnement est prsente dans le tableau 3.4 (a t gnre alatoirement).

Tableau 3.3 : Cot de stockage, de replanification et de rupture

j 1 2 3 4 5
hj 54 18 6 2 1
bj 434 142 48 18 9

Tableau 3.4 : Loi de probabilit des dlais dapprovisionnement

w 1 2 3 4 5
Pr (L1=w) 0.067982 0.335383 0.277422 0.200515 0.118698
Pr (L2=w) 0.019112 0.116578 0.464832 0.187887 0.211592
Pr (L3=w) 0.630887 0.284445 0.076000 0.002980 0.005687
Pr (L 4=w) 0.140494 0.197669 0.212363 0.223733 0.225741
Pr (L 5=w) 0.098408 0.392513 0.266861 0.208452 0.033766
En utilisant la procdure rcursive de solutions possibles nous rduisons lespace de recherche des
solutions comme suit :

Tableau 3.5 : Les limites infrieures et suprieures

j 1 2 3 4 5
llj 4 3 1 1 1
ulj 21 17 13 9 5

La table 3.6 montre que la cardinalit despace de recherche des solutions est rduite de
m 1
(u m j j ) = 208845 157950 lments. Cest 24% de moins par rapport lespace initiale. Ce
j =0

pourcentage de rduction dpend des valeurs des cots unitaires de stockage et des cots unitaires de
retard de produit et des valeurs de la loi de distribution des dlais dapprovisionnement.

La solution optimale de cet exemple est prsente dans le tableau suivant :

Tableau 3.6 : La solution optimale

j 1 2 3 4 5

x*j 5 5 5 5 5

Nous avons test la procdure de rduction de lespace sur 10000 scnarios gnrs dune manire
alatoire (un scnario correspond une loi de distribution de L j , j=1,,5, cot de retard et de

stockage chaque niveau). Les rsultats montrent que la procdure rcursive permet de rduire
lespace de recherche, en moyenne, de 19,6% par rapport lespace initiale.

Nous avons galement effectu une tude comparative entre les solutions suivantes : i) optimale et ii)
moyenne (la solution la plus proche du dlai dapprovisionnement moyen chaque niveau) et iii)
obtenue en appliquant le modle du marchand de journaux chaque niveau. Nous avons considr le
cas dune chane dapprovisionnement 5 niveaux. Les rsultats, pour 100 instances gnres
alatoirement, montrent que la PSE permet de rduire le cot, en moyenne, de 85% par rapport la
solution moyenne et de 52% par rapport la solution en appliquant le modle du marchand de
journaux niveau par niveau.
3.3.2 Problme P4

3.3.2.1 Description du problme

Nous intressons maintenant au problme P4 : la minimisation du cot de stockage sous les


contraintes de niveau de service au client final et de taux de retards chaque niveau.
En plus des notations prcdentes, nous introduisons les notations suivantes :

j [0,1] la probabilit de rupture tolre au niveau j ( j=1,,m)

1- j le niveau de service exig au niveau j ( j=1,,m)

Du fait de lexistence de dates de fabrication tous les niveaux, nous introduisons maintenant en plus
du cot de stockage du produit chaque niveau, un taux de retard chaque niveau. Si lordre est lanc
aprs la date de fabrication cela est considr comme un retard (voir la figure 3.8). Le problme est
donc de trouver la planification optimale qui permet de rduire le cot total moyen tout en respectant
le niveau de service (taux de retards) tous les niveaux. Dans ce que suit, nous prsentons
analytiquement le cot total moyen minimiser et les contraintes de niveau de service respecter.

Date de
T Xm T X m 1 TXj livraison : T

xm

Lm
a)

b)

niveau m niveau j niveau 1

stock

retard

dlai
dapprovisionnement

Figure 3.8 : Description du problme P4


3.3.2.2 Minimisation du cot moyen

Proposition 3.10 Le problme P4 est modlis comme suit


Minimiser le cot :
m
C( X ) = h j ( j (x j k 1, x j +1,..., xm )) (3.31)
j =1 k 0

Sous les contraintes suivantes :


j ( x j +1 , x j + 2 ,..., x m ) 1 j , j = 1,..., m. (3.32)

o,
k



j (k , x j +1,..., xm ) = Pr(L j = s) j ( x j +1 + k s, x j +1,..., xm ), pour j = 1,..., m 1
(3.33)
s =1


m ( k ) = F m ( k )

j [0,1] est la probabilit de rupture tolre au niveau j. Le taux de service exig est

alors gal 1- j .

Dmonstration
La fonction objectif (3.31) reprsente le cot de stockage, elle a t prouve dans (3.15).
La probabilit que le produit du niveau j soit en retard est modlise comme suit :

Pr(( L j ( x j +1 , x j + 2 ,..., x m ) x j ) + > 0) , j = 1,..., m .

Donc afin de respecter le niveau de service exig (1- j ), il faut que la probabilit de rupture obtenue

soit infrieure la probabilit de rupture tolre :

Pr((L j ( x j +1, x j + 2 ,..., xm ) x j ) + > 0) j , j = 1,..., m (3.34)

Nous avons donc,

1- Pr(( Lj ( x j +1, x j + 2 ,..., xm ) x j ) + = 0) j , j = 1,..., m

Donc :

1- Pr( Lj ( x j +1 , x j + 2 ,..., xm ) x j ) j

Finalement :

j ( x j , x j +1 , x j + 2 ,..., x m ) 1 j , j = 1,..., m

C.Q.F.D.
3.3.2.3 Optimisation

Sachant que le cot de stockage (3.29) est une fonction croissante de xj, la valeur optimale x*j

( j = 1,..., m ) est donc le plus petit entier qui vrifie la contrainte (3.30). La premire tape consiste

trouver x m* , le plus petit entier qui vrifie Fm ( x m ) 1 m , et rcursivement x*m 1 la plus petite

valeur qui satisfait m 1 ( x j ) 1 m 1 ,, et ainsi de suit jusqu x1* .

3.3.2.4 Tests numriques

Nous avons considr lexemple suivant : il sagit dune chane logistique linaire 5 niveaux (m=5),
la valeur maximale des dlais dapprovisionnement est u=5. Le taux de service dsir chaque niveau
est de 95% ( = 0.05 ). Les dlais dapprovisionnement suivent une loi discrte quelconque valeur
borne entre 1 et u.

Nous avons effectu une tude comparative entre la solution optimale et la solution, note modale,
telle que x j correspond la premire valeur quand la fonction de rpartition dvient suprieure

( )
0.95 : F j x j 0.95 .

Nous avons test cette tude sur 100 scnarios gnrs dune manire alatoire (un scnario
correspond une loi de distribution de L j , j=1,,5, et un cot de stockage chaque niveau) et les

rsultats montrent que la solution modale permet dobtenir la solution optimale pour cet exemple et ce
niveau de service de 0.95%.

Nous avons test leffet du niveau de service exig sur lcart entre le cot de la solution modale et le
cot de la solution optimale. Les rsultas montrent que lcart varie entre 100% et 0% pour un niveau
de service qui varie respectivement entre 10% 95%.

3.4 Conclusion
Nous nous sommes intresss dans ce chapitre aux chanes logistiques linaires. Ceci revient tudier
le parcours dun produit du fournisseur de matires premire au client final . Nous avons alors
diffrenci deux cas : soit le produit est trait ds quil arrive (le rgle juste temps), soit une date de
livraison planifie existe pour chaque tape. Enfin, nous avons tout dabord modlis ces problmes
avec un cot de rupture. Or, dans la ralit, ce cot de rupture est souvent difficile estimer, et il est
alors remplac par un niveau de service. Nous avons donc galement tudi une modlisation de ces
problmes avec une contrainte de niveau de service.

Pour tous ces cas, une modlisation a t faite, des proprits des modles ont t dmontres et une
procdure dobtention de la solution optimale est propose, sachant que notre critre doptimisation est
le cot total moyen.
Tout notre travail est illustr par des exemples numriques comments.

Dans les deux chapitres suivants, nous nous intresserons au mme problme, mais pour une chane
dapprovisionnement de structure diffrente ; il sagit tudier des chanes dassemblage. Ce
problme est plus complexe car en plus de la dpendance entre les niveaux, il y a galement la
dpendance entre les dlais dapprovisionnement des composants ncessaires pour assembler un
produit, puisque lassemblage ne peut se faire tant que tous les composants ncessaires ne soient pas
prsents.

Dans le chapitre suivant, nous prsentons une modlisation dtaille et une procdure optimale base
sur la sparation et valuation. Le chapitre 5 prsente une approche heuristique base sur un
algorithme gntique afin de rsoudre des problmes de grande taille.
Chapitre 4: Optimisation des systmes
dassemblage deux niveaux par une PSE

4.1 Introduction
Aprs avoir prsent dans le chapitre prcdent une technique qui permet doptimiser la planification
dapprovisionnement au sein dune chane linaire dapprovisionnement, nous tudions dans ce
chapitre le problme de la planification des rapprovisionnements des systmes dassemblage. Un
systme dassemblage a une spcificit lie avec les flux convergents : Le produit fini est obtenu par
lassemblage de plusieurs composants, ceux-ci tant eux-mmes obtenus par lassemblage dautres
composants.

Clients

Produits finis

Niveau 1

Niveau 2

Figure 4.1 : Exemple dun systme dassemblage deux niveaux

Nous nous intressons la planification des rapprovisionnements dun systme dassemblage deux
niveaux quand les dlais dapprovisionnement en composants tous les niveaux sont des variables
alatoires discrtes qui suivent des lois quelconques et connues et quand la demande en produit fini et
sa date de livraison sont supposs connus.
Lobjectif est de trouver les valeurs optimales des dates de lancement des ordres de niveau 2 en
tudiant deux critres : la minimisation de la somme du cot moyen de stockage des composants et du
cot moyen de rupture en produit fini (problme PP1) ou la minimisation du cot moyen de stockage
des composants sous la contrainte de niveau de service (problme PP2).

La description gnrale du systme tudi est dcrite dans la section suivante. Dans la section 4.3 le
problme PP1 est tudi et dans la section 4.4 le problme PP2 est tudi. Nous dveloppons dans
chacune de ces deux sections la fonction objectif minimiser par sparation et valuation PSE qui
permet de trouver pour ces problmes les valeurs optimales des dates de lancement des ordres de
fabrication ou dapprovisionnement.

Le travail de ce chapitre se base sur les rsultats de la thse (Ould Louly, 2001) et de larticle (Ould
Louly et Dolgui, 2008). Nous montrons comment la PSE propose dans ces travaux peut tre adapte
et utilise dans notre cas. Cette PSE sappuie sur les calculs des bornes infrieures et suprieures de la
fonction objectif et des proprits de dominance des variables de dcision qui nous avons dmontr.
Nous prsentons ensuite quelques rsultats exprimentaux afin dillustrer les performances de la
mthode face diffrents problmes.

Nous proposons galement une procdure de rduction de lespace de recherche qui, applique avant
loptimisation, permet de rduire le temps de calcul.

4.2 Description du problme


Le systme tudi dans ce chapitre est un systme dassemblage deux niveaux avec un nombre
quelconque de composants. Le produit fini est obtenu par lassemblage des composants de niveau 1,
ceux-ci tant eux-mmes assembls partir des composants de niveau 2 (voir la figure 4.1).

Nous limitons notre tude un seul type de produit fini. La demande est suppose connue ainsi que la
date de livraison souhaite par le client pour cette demande. Nous considrons le cas dun mono-
priode. Le cot unitaire de stockage pour chaque type de composant et le cot unitaire de rupture en
produit fini sont connus. Les dlais dapprovisionnement pour les diffrents types de composants sont
des variables alatoires discrtes indpendantes. Les lois de distribution sont quelconques, connues et
leurs ralisations maximales sont supposes finies.

Nous cherchons donc obtenir les dates de lancement des ordres au niveau 2 qui minimisent la somme
du cot moyen de stockage des composants et du cot moyen de rupture en produit fini, pour le
problme PP1, ou la minimisation du cot moyen de stockage des composants sous la contrainte de
niveau de service, pour le problme PP2.
Nous utilisons les notations suivantes :

T Date de livraison du produit fini ; sans perte de gnralit on pose T = 0


D Demande (connue) en produit fini pour la date T ; sans perte de gnralit on pose D = 1
Nj Nombre de types de composants au niveau j (j=1 ou 2)

ci , j Nom du ime composant du niveau j (j=1 ou 2)

S i ,1 Ensemble des composants de niveau 2 ncessaires lassemblage dun composant ci,1

ni ,1 Nombre de composants faisant partie de lensemble S i ,1

Li, j Dlai dapprovisionnement des composants de type ci, j , (variable alatoire discrte)

Fi , j (.) Fonction de rpartition de la variable alatoire Li , j

ui, j Valeur maximale de Li , j , .-.-d. chaque Li, j varie dans un intervalle [1, u i , j ]

hi , j Cot unitaire de stockage des composants ci , j sur un intervalle de temps unitaire (c.--d.

pour un composant pour une unit de temps de stockage)


b Cot unitaire de rupture en produit fini sur un intervalle de temps unitaire (c.--d. pour un
produit fini et pour une unit de temps de retard de livraison)
xi, j Dlai dapprovisionnement planifi pour les composants de type ci , j (temps de cycle

planifi)
X i ,2 Variable de dcision : Date de lancement du composant de type ci, j au niveau 2

(x)+ Max (0, x ) .

On suppose que lentreprise lance directement ses commandes aux fournisseurs de niveau 2. Chaque
fournisseur de niveau 2 livre les composants ncessaires aux fournisseurs de niveau 1 avec un dlai de
livraison alatoire. Les composants de niveau 2 sont alors assembls pour fabriquer les composants de
niveau 1. Les dlais dapprovisionnement en composants de niveau 1, qui incluent la fabrication et la
livraison, sont galement alatoires. Nous supposons que chaque composant de niveau 2 intervient
dans le montage dun unique composant de niveau 1 (lhypothse de la nomenclature arborescente
sans composants communs est donc retenue).

Nous supposons aussi que la capacit dassemblage est infinie. Les dlais dapprovisionnement pour
un type de composant suivent toujours la mme loi quelle que soit la quantit commande,
lassemblage et la livraison se font en juste temps.

Nous prsentons dans ce qui suit un modle pour chacun de deux problmes PP1 et PP2 en exprimant
analytiquement les critres optimiser, et les contraintes respecter.
4.3 Problme PP1
Le problme est donc de trouver la planification optimale pour ce type de systmes dassemblage en
minimisant le cot engendr par le stockage des produits de niveau 1 et de niveau 2 et par la rupture en
produit fini. Dans ce qui suit, nous prsentons analytiquement ce cot total moyen minimiser.

4.3.1 Description du problme

Comme ici, nous considrons le cas dassemblage au plus tt : un produit est assembl ds que tous les
composants ncessaires pour son assemblage sont prsents, le problme est donc de trouver la date de
lancement optimale au niveau 2 afin de satisfaire la demande D la date souhaite T, en minimisant le
cot total moyen (voir la figure 4.2).

Date de livraison du produit


fini : T

c1,2

c 2,2 c1,1 Dlai


.
.
dapprovisionnement
.

ci,1

Stockage de
composants
c N1,1
. Rupture en
.
. produit fini

c N 2 ,2
Date de
lancement des
ordres

Figure 4.2 : Description du problme PP1


4.3.2 Minimisation des cots

Proposition 4.1 Pour ce systme dassemblage deux niveaux, le cot total de PP1 sexprime
comme suit :
N1 N1
(
C( X , L) = H max M i,1 + Li,1 + ) hi,1 (M i,1 + Li,1 ) + hk,2 (M i,1 (Lk,2 X k ,2 )) (4.1)
i =1,...,N1
i =1 ck , 2Si,1
i =1
o,
L = ( L1,1 ,..., L N1 ,1 ; L1, 2 ,..., L N 2 ,2 )

X = ( X 1, 2 ,..., X k ,2 ,..., X N 2 , 2 )

M i ,1 = max (Lk , 2 X k , 2 )
ck , 2Si ,1

N1
H =b+ hi,1
i =1

Dmonstration

Il y a stockage de certaines composants de niveau 2, c k ,2 S i ,1 , si tous ces composants narrivent pas

la mme date, car cest le dernier composant arriv qui dclenche lassemblage. Le cot de stockage
des composants c k ,2 S i ,1 est donc gal :

N1

( (
hk ,2 M i ,1 Lk ,2 X k ,2 )) (4.2)

i =1 ck , 2Si ,1

o,

M i ,1 = max Lk , 2 X k ,2 ( )
ck , 2Si ,1

Il ny a pas dautres cots considrer que les cots de stockage puisque aucune date de livraison
nest expressment requise ce niveau (voir la figure 4.2).

Concernant lassemblage du produit fini partir des composants de niveau 1, il peut y avoir la fois
des cots de stockage de composants et un cot de rupture en produit fini. En effet, les composants de
niveau 1 sont stocks au fur et mesure de leur arrive jusqu ce que tous les composants soient
prsents (comme au niveau prcdent), mais en plus il peut y avoir un cot de rupture si le dernier
composant arrive aprs T=0, date de livraison demande du produit fini, c.--d. si : M i ,1 + Li ,1 > 0 . Le

temps de rupture en produit fini se calcule en recherchant le composant pour lequel la valeur
(M i,1 + Li,1 )+ est la plus grande, c.--d. : ( )
max M i ,1 + Li ,1 + . Le cot de rupture en produit fini
i =1,..., N1

vaut donc :

(
b max M i ,1 + Li ,1 + ) (4.3)
i =1,..., N1

Par ailleurs, il y a stockage des composants de type ci ,1 , i = 1,..., N1 , pendant le temps scoulant entre

la date de leur arrive ( M i ,1 + Li ,1 ) et le maximum entre T=0 et la date laquelle tous les composants

de niveau 1 sont prsents : ( )


max M i ,1 + Li,1 + . Le cot de stockage des composants de niveau 1 est
i =1,..., N1

donc le suivant :

N1

hi,1 i =max (M i + Li,1 )+ (M i + Li,1 ) (4.4)
i =1
1,..., N 1
C.Q.F.D.
Les dlais dapprovisionnement Li,j sont des variables alatoires et donc le cots ci-dessus (4.1) est une
variable alatoire. Notre objectif est de minimiser lesprance mathmatique de (4.1), cest--dire le
cot total moyen C ( X ) = EC ( X , L ) .

Proposition 4.2 Le cot total moyen du PP1 sexprime comme suit :

N1

EC ( X ) = H 1 (
Pr Li ,1 = o1 )
Fk , 2 X k , 2 + o 2 ( )

s 0 i =1 o1 +o2 =s ck , 2Si ,1

N1

+ Hi
1 F k ,2X k ,2 + s (
)
s 0 ck , 2Si ,1
i =1

N1

Hi


1 (
1 Fk , 2 X k ,2 s 1( ))

i =1
s 0 ck , 2Si ,1

N1 N1

(
hk , 2 E ( L k , 2 ) X k , 2 )
hi ,1 E ( Li ,1 ) (4.5)
i =1 ck , 2Si ,1 i =1

o
N1
H =b + hi,1 , Hi = (hk ,2 ) hi,1 pour i = 1,..., N1
i =1 ck , 2Si ,1

X = ( X 1,2 ,..., X i ,2 ,..., X N 2 )


Dmonstration
Pour dmontrer la fonction objectif (4.5) nous avons besoin de calculer :

E ( Z ) = E max (M i ,1 + Li ,1 )+ et E (W ) = E ( M i,1 )
i =1,..., N1
Z est une variable alatoire discrte positive nombre fini des valeurs possibles, son esprance
mathmatique est donc gale :
E (Z ) = Pr(Z > s) = (1 Pr(Z s))
s0 s0

Donc,

E (Z ) = 1 Pr(i =max (Z i ) s) Pr( s 0) = 1 Pr( max (Z i ) s)
s 0
1,..., N 1 i =1,..., N
s 0 1

Sachant que :
(
Pr( max Z i s) = Pr Z1 s,..., Z i s,..., Z N1 s
i =1,..., N1
)
(
De plus, pour i=1,, N1, les variables alatoires Zi = M i + Li ,1 sont galement indpendantes, alors : )
N1 N1
1 Pr( Z i s) = 1 Pr( M i,1 + Li,1 s )
E (Z ) =
s 0 i =1 s0 i =1

N1
1 )
= ( )
Pr Li,1 = o1 Pr M i,1 o 2 (

s 0 i =1 o1 +o2 =s
Rappelons que : M i ,1 = max Z k ,2 .
ck , 2Si ,1

Les variables alatoires Z k ,2 = Lk,2 -X k,2 sont indpendantes, alors :

N1

E(Z ) = 1 Pr L (
i ,1 = o1 Pr) (
L k ,2 X k ,2 + o 2 )
s0 i =1 o1 +o2 =s ck , 2Si ,1

N1


= 1 Pr Li,1 = o1 ( )
Fk ,2 X k ,2 + o2 ( )
s0 i =1 o1 +o2 =s ck , 2Si ,1

Dautre part,

E (W ) = E (W + W ) ,

W + et W sont des variables alatoires discrtes positives, donc nous montrons de la manire que
E (Z ) :


E (W + ) = 1 Pr(c max (Lk ,2 X k ,2 ) s) Pr( s 0)
S
s0 k ,2 i ,1

= 1 Pr(c max (Lk ,2 X k ,2 ) s)
S
s0 k ,2 i ,1
Sachant que :
(
Pr( max (wk ) s) = Pr w1 s,..., wk s,..., w N 2 s
ck , 2Si ,1
)
( )
De plus, pour c k ,2 S i ,1 , les variables alatoires wk = Lk , 2 X k ,2 sont indpendantes, alors :



+
E (W ) = 1
Fk ,2 X k , 2 + s ( )
s 0 ck , 2Si ,1


E (W ) = 1 Pr(c max (X k ,2 Lk ,2 ) s) Pr( s 0)
S
s0 k ,2 i ,1


= 1 Pr(c max (X k ,2 Lk ,2 ) s)
S
s0 k ,2 i ,1
Sachant que :
(
Pr( max (wk ) s) = Pr w1 s,..., wk s,..., w N 2 s
ck , 2Si ,1
)
( )
De plus, pour c k ,2 S i ,1 , les variables alatoires wk = Lk , 2 X k ,2 sont indpendantes, alors :



E (W ) = 1 ( Pr( X k ,2 L k ,2 )s )
s 0 ck , 2Si ,1



E (W ) = 1 ( (
1 - Pr Lk ,2 X k ,2 s 1 ))

s 0 ck , 2Si ,1




E (W ) = 1 ( (
1 Fk ,2 X k , 2 s 1 ))

s 0 ck , 2Si ,1

C.Q.F.D.

4.3.3 Optimisation

4.3.3.1 Problmes rsoudre

Notre problme peut donc se modliser par le problme doptimisation suivant :

Problme PP1 :
Min EC ( X )
Sous les contraintes :
X k ,2 = x k ,2 + xi ,1 (4.6)

U k , 2 = u k , 2 + u i ,1 (4.7)

2 X i , 2 U i ,2 (4.8)

1 xi , j u i , j (4.9)

Avec : j=1,2, i=1,2,, Nj, et c k , 2 S i ,1

Nous nous trouvons face une fonction non linaire variables entires. Ds que l'numration
explicite de tout l'espace de recherche devient impossible (c.--d. quand la taille du problme est
importante), il est ncessaire d'utiliser des outils de la recherche oprationnelle performants afin de
pouvoir trouver soit la solution optimale, soit au moins une bonne solution obtenue l'aide d'une
mthode approche.

Nous prsentons par la suite une procdure doptimisation exacte et efficace de type par Sparation et
valuation (PSE) que nous avons dvelopp pour rsoudre ce problme.

Nous commenons dans la section suivante par prsenter une procdure de dcomposition du
problme qui permet de rduire lespace de recherche de solution avant de commencer loptimisation.

4.3.3.2 Pr-traitement : procdure de rduction de lespace de recherche

Nous proposons une procdure de rduction de lespace de recherche qui sera utilise avant de
commencer loptimisation. Cette procdure permet de rduire les intervalles des valeurs possibles pour
Xi,2 qui sont initialement dfinit comme suit : 2 Xi,2 Ui,2, i= 1,2,, N2 .

Afin dobtenir des limites infrieures et suprieures des variables de dcision Xi,2, nous proposons de
dcomposer le problme niveau par niveau en sous-problmes dassemblage un seul niveau nots Ei,
(i=0,, N1) comme illustr dans la figure 4.3.
Produit
fini

c1,1 ci ,1 c N1 ,1

E0

c1,1 ci ,1 c N1 ,1

c1,2 ck ,2 c N 2 ,2

E1 Ei E N1

Figure 4.3 : Dcomposition du problme PP1

Le problme dassemblage un seul niveau avec cot de rupture a t tudi dans Ould Louly et
Dolgui (2008). Une PSE a t propose, nous la prsentons plus loin dans ce texte. Ici, mentionnons
simplement que dans la premire tape, nous pouvons rsoudre le problme E0 en utilisant cette PSE.

( )
Soit : X * = x1*,1 ,..., xi*,1 ,..., x *N1 ,1 la solution optimale de E0.

Cette premire tape permet de rduire lespace de recherche des solutions : initialement les variables
de dcision sont dans les intervalles : 2 X i, 2 U i ,2 , i= 1,2,, N2 , elles sont maintenant dans les

intervalles xi*,1 X k ,2 U k ,2 , i= 1,2,, N1 et c k , 2 S i ,1 .

En seconde tape, nous rsolvons chaque problme Ei en utilisant la mme PSE. Comme dlai de

livraison pour Ei nous utilisons la valeur xi*,1 obtenue par E0, et ce pour tout i=1,, N1. Pour E0 le

cot de retard est b, mais pour Ei, il faut calculer le cot de retard bi,1 .
Proposition 4.3 Lorsque le retard au niveau 2 est gal y (y=1,,u) units de temps,
correspondant au dlai de livraison du composant ci ,1 , alors le cot de retard du problme Ei est :


y 1 N1
bi ,1 ( y ) = yhi ,1 + H
( *
Pr Li ,1 = xi,1 + k s ) (
F j ,1 x *j ,1 + k )


(4.10)
k 0 s =0 j =1
j i
o,

N1
H =b+ hi,1
i =1

u = max (u k ,2 1)
ck , 2Si ,1

(x1*,1 ,..., xi*,1 ,..., x*N ,1 ) est la solution optimale de E0 .


1

Dmonstration

( )
Soit EC0 x1*,1 ,..., xi*,1 ,..., x *N1 ,1 le cot de la solution optimal de E0 .

Donc :

( ) (
bi,1 ( y ) = EC 0 x1*,1 ,..., xi*,1 y,..., x *N1 ,1 EC 0 x1*,1 ,..., xi*,1 ,..., x *N1 ,1 ) (4.11)

Daprs Ould Louly et Dolgui (2008):

) hi,1 (xi*,1 E(Li,1 )) + H 1 Fi,1 (xi*,1 + k )


N1 N1
(
EC 0 x1*,1 ,..., xi*,1 ,..., x *N1 ,1 = (4.12)
i =1 k 0
i =1

N1
o : H =b+ hi ,1 .
i =1

Finalement, en utilisant (4.12) dans (4.11), nous obtenons (4.10).

C.Q.F.D.

Proposition 4.4 Les proprits des cots de retard bi,1 (y), y = 1,..., u sont :

0 bi ,1 ( y ) y hi ,1 + y H (4.13)

bi,1 (1) ... bi,1 ( y ) ... bi ,1 (u ) (4.14)


Dmonstration

En utilisant (4.10), nous obtenons :

bi,1 ( y ) y hi ,1 + y H

Considrant (4.11), c.-.-d. que la condition ncessaire doptimalit de ( x1*,1 ,..., xi*,1 ,..., x *N1 ,1 ) est :

0 bi,1(y). Donc, nous dmontrons la proprit (4.13).

Pour dmontrer (4.14), i.e. la fonction bi,1(y) est une fonction croissante par rapport y, nous

utiliserons la fonction Gi ( X ) qui a t introduite dans Ould Louly et Dolgui (2008) comme suit :

( ) (
Gi ( X ) = EC 0 x1*,1 ,..., xi*,1 1,..., x *N1,1 EC 0 x1*,1 ,..., xi*,1 ,..., x *N1 ,1 )
En utilisant cette fonction, bi,1(y) peut tre rcrite comme suit :

y 1
bi,1 ( y ) = Gi (x1*,1 ,..., xi*,1 s,..., x*N ,1 )1
s =0

o,

N1
Gi ( X ) = hi ,1 + H Pr( Li ,1 = xi ,1 + k ) F j,1 ( x j,1 + k ) 0
k 0 j =1
j i

Pour montrer (4.14), nous avons besoin de montrer que :

bi ,1 ( y ) bi ,1 ( y 1) 0

(
Comme : bi ,1 ( y ) bi ,1 ( y 1) = Gi x1*,1 ,..., xi*,1 ( y 1),..., x *N1 ,1 )
Daprs Ould Louly et Dolgui (2008), Gi ( X ) est une fonction dcroissante de xi,1.

( ) (
Gi x1*,1 ,..., xi*,1 ( y 1),..., x *N1 ,1 Gi x1*,1 ,..., xi*,1 ,..., x *N1 ,1 )
Finalement, en tenant compte de la dfinition de Gi ( X ) et de la condition ncessaire doptimalit de

(x1*,1 ,..., xi*,1,..., x*N ,1 ), nous obtenons :


1

( )
Gi x1*,1 ,..., xi*,1 ,..., x *N1 ,1 0 .

Donc : bi ,1 ( y ) bi ,1 ( y 1) 0

C.Q.F.D.
Proposition 4.5 Le cot total moyen pour chaque Ei ( i = 1,..., N1 ) considr sparment est le
suivant :



ECi ( X i ) = hk , 2 1 ( ) (
Fk ,2 x k ,2 + s E ( Lk ,2 ) x k ,2 )

ck , 2Si ,1 s 0 ck , 2Si ,1

u

+ bi ,1 ( y ) ( )
Fk ,2 x k ,2 + y ( )
Fk ,2 x k ,2 + y 1 (4.15)
c S ck , 2Si ,1
y =1 k , 2 i ,1

o,

Xi est le vecteur des valeurs xk,2 pour tout ck ,2 S i ,1 et ( i = 1,..., N1 ).

Dmonstration

Le cot pour chaque problme Ei considr sparment est gal la somme des cots de stockage des
composants :

hk ,2 (mi+,1 (Lk ,2 xk ,2 ))
ck , 2Si ,1

o :

mi ,1 = max Lk , 2 x k ,2( )
ck , 2Si ,1

plus le cot de retard, si lopration dassemblage a t effectue aprs la date prvue ( xi*,1 ) . Ce cot

de retard est gal :

u
bi,1 ( y) Pr(mi+,1 = y )
y =1

Le cot total pour Ei, i=1,, N1 est donc :

u
Ci ( X i ,L i ) = ( ( )) bi,1 ( y) Pr (mi+,1 = y )
hk ,2 mi+,1 Lk ,2 x k ,2 +
ck , 2Si ,1 y =1

o :

Xi est le vecteur des valeurs xk,2 pour tout ck ,2 S i ,1

Li est le vecteur des valeurs Lk,2 pour tout ck ,2 S i ,1


Les cots Ci ( X i , Li ) sont des variables alatoires. Nous utilisons leurs esprances mathmatiques

EC i ( X i , Li ) qui sont calcules dune manire similaire la dmonstration de la proposition 4.2.

C.Q.F.D.
Soit [ A, B ] lespace des solutions ralisables des problmes PP1 et PP2, o A est le vecteur (a1, a2, ,
aN2) des valeurs minimales possibles et B est le vecteur (b1, b2, , bN2) des valeurs maximales
possibles des variables de dcision, i.e. ai Xi,2 bi, i= 1,2, , N2.

Par dfinition :

2 Xi,2 Ui,2, i= 1,2, , N2.

Notre objectif est de rduire cette espace [ A, B ] le plus possible avant de commencer loptimisation.

Considrant que chaque type de composants de niveau 2 est utilis pour assembler un seul type de
composants de niveau 1, lespace des solutions ralisables de niveau 2 peut tre obtenu en rsolvant
les sous-ensembles Ei, i=1,2,, N2, sparment. Cet espace peut tre reprsent comme suit :
[ LL2 , UL2 ] , avec:

(
LL2 = ll1,2 ,..., lli ,2 ,..., ll N 2 ,2 )
(
UL2 = ul1,2 ,..., uli ,2 ,..., ul N 2 ,2 )
lli ,2 et uli ,2 sont les limites infrieurs et suprieurs des variables xi,2 , pour i=1,, N2.

Proposition 4.6 Si c k , 2 S i ,1 , les limites infrieurs et suprieurs des xk,2 peut tre obtenue comme

suit :

- la solution optimale de Ei avec le cot de retard b = 0 donne la limite infrieure ll k , 2 de xk,2,

pour k=1,,N2.

- la solution optimale de Ei avec le cot de retard b = H hi ,1 donne la limite suprieure ul k , 2

de xk,2 , pour k=1,,N2.

Dmonstration

La dmonstration de la proposition 4.6 est base sur la dclaration suivante :


Considrons un systme dassemblage E un seul niveau avec n types de composants, les cots de
stockage unitaire hk, k=1,2,n, et le cot de rupture unitaire b. Si le cot de stockage b pour ce
systme augmente, alors les valeurs optimales des variables de dcision xk augmentent aussi. Nous
pouvons dmontrer cette dclaration comme suit.

Soit b et b les cots de rupture unitaires, tel que : b b ;

xk et xk les solutions optimales de E avec le cot de rupture b et b , respectivement.

Nous utiliserons la dmonstration par labsurde en supposant que :

x k x k , k=1,2,n (4.16)

Les expressions suivantes (4.17) et (4.18) sont des conditions ncessaires doptimalit :

EC ({ x1 ,..., x k ,..., x n }, b ) EC ({ x1 ,..., xk ,..., x n }, b ) 0 (4.17)

EC ({ x1 ,..., x k ,..., x n }, b ) EC ({ x1 ,..., x k ,..., x n }, b ) 0 (4.18)

Utilisant (4.12), lingalit (4.17) peut tre rcrite comme suit :

n n n
hi ( xi xi ) + H F ( x + k ) F (x + k ) 0
i i ii
(4.19)
i =1 k 0 i =1 i =1

n
o : H = b + hi
i =1

De la mme manire, lingalit (4.18) peut tre rcrite comme suit :

n n n
F ( x + k ) F (x + k ) 0
hi ( xi xi ) H i i ii
(4.20)
i =1 k 0 i=1 i=1

n
o : H = b + hi
i =1

Utilisant (4.17) dans (4.16), nous obtenons :

H n
1 hi ( xi xi ) 0

H i =1

n
Etant donn que H H (car b b ), nous obtenons : hi (xi xi ) 0
i =1

Ce qui est en contradiction avec (4.16).

Daprs la proprit (4.17) de la proposition 4.6 : y = 1,..., u et i=1,2,, n,

0 bi ,1( y ) y H y hi ,1 (4.21)
Les limites infrieures et suprieures des variables xk,2 peuvent donc tre obtenues en rsolvant les
problmes Ei avec b=0 et b= H hi ,1 .

C.Q.F.D.

La proposition 4.6 permet de calculer les limites infrieures et suprieures des dates de lancement des
ordres au niveau 2. Lorsque les limites infrieures et suprieures des variables xk ,2 , k=1,N2, sont

connues, nous pouvons calculer les limites infrieures et suprieures des variables de dcision Xk,2
comme suit :

a k = xi*,1 + ll k , 2 (4.22)

bk = xi*,1 + ul k ,2 (4.23)

pour k= 1,2,, N2 ; i= 1,2,, N1, et c k , 2 S i,1

Nous avons prsent une procdure de rduction de lespace de recherche initial. Nous cherchons
maintenant des proprits de dominance, dans le but de rduire lespace de recherche de solutions
chaque tape de la procdure de la PSE, et nous calculons deux bornes infrieures, et une borne
suprieure.

Avant de dtailler les relations montrant les proprits de dominance, nous introduisons la dfinition
des accroissements partiels :

4.3.3.3 Accroissements partiels

Nous utilisons ici la mme approche que dans Ould Louly et Dolgui (2008), mais nous gnralisons
pour les systmes deux niveaux. Les accroissements partiels droite et gauche par rapport la
variable X k ,2 sont dfinis comme suit :

Gk+ ( X ) = EC ( X 1,2 ,..., X k ,2 + 1,..., X N 2 ,2 ) EC ( X 1, 2 ,..., X k , 2 ,..., X N 2 ,2 ) , (4.24)

Gk ( X ) = EC ( X 1,2 ,..., X k ,2 1,..., X N 2 ,2 ) EC ( X 1, 2 ,..., X k , 2 ,..., X N 2 ,2 ) . (4.25)

Notons que la fonction G k ( X ) n'est dfinie que pour les vecteurs X pour lesquels la ke composante

X k ,2 est strictement suprieure 1. De la mme manire, G k+ ( X ) n'est dfinie que pour les vecteurs

X pour lesquels la ke composante X k ,2 est strictement infrieure Uk,2.


Proposition 4.7 Les accroissements partiels G k+ ( X ) et G k ( X ) sont des fonctions qui vrifient les

proprits suivantes :

(i) G k+ ( X ) est une fonction croissante par rapport X k ,2 et dcroissante par rapport X j ,2

pour j k

(ii) Gk ( X ) est une fonction dcroissante par rapport X k ,2 et croissante par rapport X j ,2

pour j k

Dmonstration
Pour c k , 2 S i ,1 ,

N
1
G k+ ( X ) = hk ,2 H
(
Pr L z ,1 = o1 ) (
Fr ,2 X r ,2 + o 2 )
s 0 z =1 o1 +o2 =s cr , 2Pz ,1
z i


( Pr Li ,1 = o1 ) ( )
F j ,2 X j , 2 + o 2 Pr( Lk ,2 = X k ,2 + o 2 + 1)
o1 +o2 =s c j , 2Pi ,1
j k





H i ,1 Pr( Lk ,2 = X k ,2 + s + 1) F j , 2 ( X j ,2 + s )
s0 c j , 2Pi ,1
j k





H i ,1 Pr( Lk , 2 = X k ,2 s ) ( (
1 F j ,2 X j ,2 s 1 ))

(4.26)
s 0 c j , 2Pi ,1
jk

Lexpression (4.26) montre que la fonction Gk+ ( X ) est dcroissante par rapport X j , 2 pour j

diffrent de k.

Pour dmontrer que Gk+ ( X ) est croissante par rapport X k ,2 , il suffit de montrer que la fonction

( )
R k+,2 X 1,2 ,..., X k ,2 ,...., X N 2 ,2 dfinie ci-aprs est toujours positive.

( ) ( ) ( )
Rk+, 2 X 1,2 ,..., X k ,2 ,...., X N 2 ,2 = Gk+ X 1,2 ,..., X k , 2 + 1,...., X N 2 ,2 Gk+ X 1,2 ,..., X k ,2 ,...., X N 2 ,2 (4.27)

( )
En dveloppant Rk+, 2 X 1,2 ,..., X k ,2 ,...., X N 2 ,2 , nous obtenons la relation suivante :
3
Rk+, 2 = Rl
l =1

Nous dtaillerons ci-aprs tous les termes de la somme de cette expression.

N1
( )
R1 = H ( Pr L z ,1 = o1 ) (
Fr , 2 X r , 2 + o 2 ) (
Pr Li,1 = o1 )
F j ,2 X j ,2 + o 2
z =1 o1 +o2 =0 cr , 2Pz ,1 o1 +o2 =0 c j , 2Pi ,1
z i
j k


Pr(Li,1 = o1 ) F j,2 (X j,2 + o2 ) Pr( Lk ,2 = X k ,2 + o2 + 1)

o1 +o2 =0 c j , 2Pi ,1
j k

N
1
+H (
Pr L z ,1 = o1 ) (
Fr , 2 X r , 2 + 1 + o 2 )
s 0 z =1 o1 +o2 =s cr , 2Pz ,1
z i


Pr(Li,1 = o1 ) F j,2 (X j,2 + o2 + 1) Pr( Lk ,2 = X k ,2 + o2 + 2)

o1 +o2 =s c j , 2Pi ,1
j k

N
1
-H ( Pr L z ,1 = o1 ) (
Fr ,2 X r ,2 + o 2 )
s 0 z =1 o1 +o2 =s cr , 2Pz ,1
z i



( Pr Li ,1 = o1 ) ( )
F j ,2 X j , 2 + o 2 Pr( Lk , 2 = X k ,2 + o 2 + 2)
o1 +o2 =s c j , 2Pi ,1
j k

R2 = H i ,1 Pr( Lk ,2 = X k ,2 + 1) F j ,2 ( X j , 2 )
c j , 2Pi ,1
j k





+ H i,1 Pr(Lk ,2 = X k ,2 + s + 2)
F j ,2 ( X j,2 + s +1) F j ,2 ( X j ,2 + s)

s0 c j ,2Pi ,1 c j , 2Pi,1

j k jk



F j , 2 ( X j ,2 1)
R3 = H i ,1 Pr( Lk ,2 = X k ,2 ) 1

c j , 2Pi ,1
j k




+ H i,1 Pr(Lk ,2 = X k ,2 +1 s) (
1 F j,2 ( X j ,2 s 2) ) ( )
1 F j ,2 ( X j ,2 s 1)
s0 c j ,2Pi ,1 c j , 2Pi ,1

j k jk
Etant donn que pour tout v :

Fk ,2 (X k ,2 + v + 1) Fk ,2 (X k ,2 + v ) 0 ,
k k

R1 , R2 et R3 sont positives et par consquence Rk+,2 ( X ) est positive et Gk+ ( X ) est une fonction

croissante de X k , 2 .

Les relations (4.24) et (4.25) nous permettent dtablir la relation suivante :

Gk ( X ) = G k+ ( X 1,2 ,..., X k ,2 1,..., X N 2 ,2 ) (4.28)

La proprit (ii) peut tre alors dduite de la proprit (i).

C.Q.F.D.

4.3.3.4 Proprits de dominance

Daprs la dfinition de G k+ ( X ) et G k ( X ) , nous pouvons dire que les expressions suivantes sont des

conditions ncessaires pour que le vecteur X donne le minimum de la fonction cot EC ( X ) :

Gk+ ( X ) 0 , k=1,,N2 (4.29)

Gk ( X ) 0 , k=1,,N2 (4.30)

Ces conditions ne sont pas suffisantes, plusieurs minima locaux peuvent les vrifier.

La proposition suivante dfinit les proprits de dominance que nous utilisons pour le problme PP1.

Proposition 4.8 Les proprits de dominance sont les suivantes :

(i) si k tel que G k+ ( A) < 0 , alors chaque solution X de [ A, B ] avec X k ,2 = a k est domine.

(ii) si k tel que G k (B ) < 0 , alors chaque solution X de [ A, B ] avec X k ,2 = bk est domine.
Dmonstration

En effet, si k tel que G k+ ( A) < 0 , alors le vecteur A est domin par le vecteur a1 ,..., a k + 1..., a N 2 ( )
car la dfinition de la fonction G k+ ( X ) donnera l'ingalit stricte suivante :

EC (a1 ,..., a k + 1,..., a N 2 ) < EC (a1 ,..., a k ,..., a N 2 ) . En plus, pour tout vecteur X de [ A, B] tel que

X k ,2 = a k , nous aurons l'ingalit suivante :

Gk+ ( X 1,2 ,..., X k 1,2 , a k , X k +1,2 ,..., X N 2 ,2 ) Gk+ (a1 ,..., a k ,..., a N 2 ) < 0 ,

car la fonction G k+ ( X ) est dcroissante par rapport X j ,2 pour j diffrent de k. Le vecteur X de

[ A, B ] tel que X k ,2 = a k est donc, son tour, domin par le vecteur

( X 1,2 ,..., X k 1, 2 , a k + 1, X k +1,2 ,..., X N 2 ,2 ) . La proprit (i) est donc vrifie, la proprit (ii) se

dmontre de la mme faon.


C.Q.F.D.

Il rsulte de ces proprits que si k tel que Gk+ ( A) < 0 et a k < bk , alors lensemble des solutions

[A, B] peut tre remplac par son sous ensemble o a k est remplac par a k + 1 et si k tel que

Gk+ ( B) < 0 , et a k < bk , alors lensemble des solutions [A, B] peut tre remplac par son sous

ensemble o bk est remplac par bk 1 .

Ces proprits de dominance peuvent tre utilises pour dvelopper des procdures efficaces de coupe
pour la PSE. En effet, aprs la division d'un noeud, dans une PSE, deux noeuds (descendants) sont
crs. Pour chaque noeud, les proprits de dominance sont utilises pour rduire les espaces de
recherche correspondant avant de passer au prochain branchement.

Les descendants du noeud [A, B] sont obtenues en partageant lensemble des solutions correspondants
a + bk
en deux sous-ensembles [A,B1] et [A1,B] respectivement a k X k ,2 k et
2
a k + bk
+ 1 X k , 2 bk .
2

Procdure de coupe infrieure


Dbut
rduit faux
domin faux
Tant que (non rduit et non domin)
rduit vrai
Pour k= 1 N2 faire

Tant que ( Gk+ ( A) < 0 et domin = faux) faire

rduit faux
si (ak = bk) domin vrai
sinon ak ak + 1
Fin Tant que
Fin Pour
Fin Tant que
Fin

Procdure de coupe suprieure

Dbut
rduit faux
domin faux
Tant que (non rduit et non domin)
rduit vrai
Pour k = 1 N2 faire

Tant que ( Gk ( B) < 0 et domin = faux) faire


rduit faux
si (ak = bk) domin vrai
sinon bk bk - 1
Fin Tant que
Fin Pour
Fin Tant que
Fin

4.3.3.5 Bornes infrieures

Nous allons maintenant prsenter deux bornes infrieures de la fonction objectif que nous utiliserons
dans nos algorithmes doptimisation. Ces bornes sappuient sur ltude des accroissements partiels des
fonctions objectifs. Cette fois ci cest encore nous procdons par analogie avec (Ould Louly, 2001)
voire galement (Ould Louly et Dolgui, 2008).
Proposition 4.9 Les valeurs BI1 et BI 2 sont deux bornes infrieures pour la fonction cot sur
lensemble [ A, B] :
N2
BI1 = EC( A) + ((bk ak ) min(Gk+ (b1,..., bk 1, ak ,..., a N ),0))2
(4.31)
k =1

N2
BI 2 = C ( B) + ((bk ak ) min(Gk (a1,..., ak 1, bk ,..., bN ),0)) 2
(4.32)
k =1

Dmonstration
Nous allons dmontrer que les valeurs BI1 et BI 2 minorent la fonction objectif sur lensemble
[ A, B ] .

Pour chaque vecteur X [ A, B] , nous obtenons:

X k , 2 ak 1
N2
EC ( X ) EC ( A) =

(
Gk+ X 1,2 ,..., X k 1, 2 , a k + s,..., a N 2 )
k =1 s =0

En utilisant le fait que Gk+ est croissante par rapport X k ,2 et dcroissante par rapport X j ,2 pour

j k , on a :

( ) (
Gk+ X 1,2 ,..., X k 1,2 , a k + s ,..., a N 2 Gk+ b1 ,..., bk 1 , a k ,..., a N 2 )
Donc, nous obtenons :

N2
EC ( X ) EC ( A) ((X k ,2 a k )Gk+ (b1 ,..., bk 1 , a k ,..., a N ))
2
k =1

N2
((bk a k ) min(Gk+ (b1 ,..., bk 1 , ak ,..., a N ),0))
2
k =1

N2
Donc : BI1 = EC( A) + ((bk ak ) min(Gk+ (b1,..., bk 1, ak ,..., a N ),0))
2
k =1

De la mme manire pour chaque vecteur X [ A, B] , nous obtenons :

N 2 bk X k , 2
(
Gk X 1,2 ,..., X k 1, 2 , X k ,2 + s, bk +1 ,..., b N 2

)
k =1 s =1

En utilisant le fait que Gk est dcroissante par rapport X k , 2 et croissante par rapport X j ,2

pour j k , on a :
N2
EC ( X ) EC ( B) ((bk X k ,2 )Gk (a1 ,..., ak 1 , bk ,..., bN ))
2
k =1

N2
((bk a k ) min(Gk (a1 ,..., a k 1 , bk ,..., bN ),0))
2
k =1

N2
Donc : BI 2 = EC( B) + ((bk ak ) min(Gk (a1,..., ak 1, bk ,..., bN ),0)
2
k =1

C.Q.F.D.

La borne infrieure ( BI ) utilise dans la PSE est le maximum des deux bornes BI1 et BI 2 .

En obtenant ces bornes et proprits de dominance, nous pouvons utilis le mme algorithme PSE que
celui propos dans Ould Louly et Dolgui (2008). Nous rappelons son droulement dans les deux
sections suivantes.

4.3.3.6 Borne suprieure

Comme borne suprieure nous utilisons la premire solution trouve par une recherche en profondeur
dabord. Cette solution est calcule en temps polynomial.

Cette procdure commence par la division de lespace de recherche en deux fils [A, B1] et [A1, B].
Cette division du pav [A, B] en deux pavs [A, B1] et [A1, B] est faite en coupant le cot le plus long
du pav [A, B].

Procdure Borne suprieure

Dbut
//Initialisation de lespace [A, B]//
Appliquer limite infrieure sur lensemble [A, B]
Appliquer limite suprieure sur lensemble [A, B]
//Initialisation de lespace [A, B]//
(
A a1 ,..., a k ,..., a N 2)
B (b1 ,..., bk ,..., b N ) 2

//Initialisation de la borne suprieure//


BS min (EC ( A), EC ( B ) )

Tant que (cardinal de [ A, B ] est suprieure 1 ) faire


Sparer [ A, B] en deux sous ensembles [A, B1] et [A1, B]
Appliquer limite suprieure sur lensemble [A, B1]
Appliquer limite infrieure sur lensemble [A1, B]

BS la solution avec le cot le plus faible, choisie parmi les quatre possibilits : A,
B1 , A1 ou B.

Si (A, B1) alors [ A, B ] [ A, B1 ]

Sinon [ A, B ] [ A1 , B ]
Fin Tant que
Fin

4.3.3.7 Algorithme PSE

Lalgorithme PSE que nous proposons utilise pour branchement le schma suivant. Le sous-ensemble

de pav [ A, B ] dont le cardinal est le plus grand est divis en deux sous-ensembles fils [ A, B1 ] et

[ A1 , B ] . Avant d'tre intgr dans l'arbre, chaque sous-ensemble fils est rduit en utilisant les
proprits de dominances. L'ide de base est donc la recherche en largeur d'abord mais avec des
modifications en tenant compte des rsultats de la rduction.

Procdure PSE

Dbut
BS la borne suprieure de ([A, B])
le_min_actuel BS
La_solution_actuelle celle donne par BS
// Initialiser lensemble E des sous ensembles
E { [A, B] }
Si A B alors
Tant que (E nest pas vide) faire
[A, B] llment de E de cardinal maximal
E E - { [A, B] }
Diviser [A, B] en deux sous-ensembles : [A, B1] and [A1, B]
Si (lensemble [A,B1] nest pas domin, AB1, sa borne infrieure BI <
le_min_actuel ) alors
On lajoute E : E E {[A, B1]}
Fin Si
Si ( A1B et sa borne infrieure BI < le_min_actuel) alors
On lajoute E : E E { [A1, B] }
Fin Si
Si (A1 est une solution ralisable et C(A1) < le_min_actuel ) alors
le_min_actuel C(A1)
La_solution_actuelle A1
Fin si
Si (B1 est une solution realisable et C(B1) < le_min_actuel ) alors
le_min_actuel C(B1)
La_solution_actuelle B1
Fin si
Eliminer les lments de E dont la borne infrieure (BI) est plus grande que
le_min_actuel.
Fin Tant que
Fin si
Fin
Nous prsentons dans ce que suit un exemple numrique qui montrent lutilit de cette pr- traitement
de rduction de lespace de recherche de solutions.

4.3.4 Exemples Numriques

4.3.4.1 Impact de la pr- traitement pour la rduction de lespace de recherche

Afin dillustrer la procdure de rduction de lespace de recherche des solutions, nous prsentons un
exemple de systme dassemblage deux niveaux avec deux types de composants au niveau 1 et 10
types des composants au niveau 2 (5 dentre eux sont destins lassemblage du premier composant
de niveau 1 et les 5 autres du deuxime, i.e. |S1,1|=5 et |S2,1|=5). La probabilit de distribution des dlais
dapprovisionnement est donne dans le tableau 4.1

Table 4.1 : La probabilit de distribution des dlais dapprovisionnement

w 1 2 3 4 5
Pr (L1,1=w) 0,50 0,30 0,10 0,05 0,05
Pr (L2,1=w) 0,20 0,20 0,20 0,20 0,20
Pr (L1,2=w) 0,15 0,30 0,20 0,15 0,20
Pr (L2,2=w) 0,10 0,20 0,30 0,15 0,25
Pr (L3,2=w) 0,40 0,10 0,20 0,15 0,15
Pr (L4,2=w) 0,40 0,30 0,10 0,10 0,10
Pr (L5,2=w) 0,20 0,20 0,20 0,20 0,20
Pr (L6,2=w) 0,20 0,20 0,25 0,15 0,20
Pr (L7,2=w) 0,15 0,20 0,50 0,05 0,10
Pr (L8,2=w) 0,10 0,10 0,20 0,30 0,30
Pr (L9,2=w) 0,20 0,25 0,10 0,05 0,05
Pr (L10,2=w) 0,10 0,35 0,15 0,35 0,05
Le cot de rupture unitaire de produit fini est gal : b =100. Les cots de stockages unitaires au
niveau 1 et au niveau 2 sont prsents dans le tableau 4.2.

Table 4.2 : Les cots de stockages unitaires

w 1 2 3 4 5 6 7 8 9 10
Niveau 1 : hw,1 60 50
Niveau 2 : hw,2 40 30 20 10 15 25 18 30 25 10

En premire tape, nous rsolvons le problme E0 en utilisant la PSE la solution obtenue est :

( x1*,1 , x 2*,1 ) = (2,4 ) .

Le cot de rupture maximal pour les problmes Ei, i=1, 2 est : f (y) =160.

Donc, nous rsolvons ces 2 problmes Ei en appliquant deux valeurs de cot de rupture : i) b=0, et ii)
b=160.

Les limites infrieures et suprieures des variables de dcision Xk,2, .-.-d. les vecteurs A et B calculs
en utilisant lapproche propose, pour la rduction de lespace de recherche, sont prsents dans le
tableau 4.3.

Tableau 4.3 : Les limites infrieures et suprieures

k 1 2 3 4 5 6 7 8 9 10
ak 4 5 5 5 5 6 5 6 6 6
bk 7 7 7 7 7 9 9 9 9 9

Ces limites infrieures et suprieures rduisent normment lespace de recherche des solutions qui
tait initialement : ak =2 et bk =10 et qui est devenue maintenant A=(4,5,5,5,5,6,5,6,6,6) et
B=(7,7,7,7,7,9,9,9,9,9).

4.3.4.2 Comportement de PSE

Nous avons utilis un exemple avec N1=2, N2=10 types de composants (au deuxime niveau 5
composants sont ncessaires pour lassemblage de chaque composant de niveau 1). Les dlais de
livraison dont la ralisation maximale u i, j est gale 5. Le cardinal de lespace de recherche initiale

est donc gal 910 ( U N 2 ) solutions. Les cots de stockage unitaire et le cot de rupture unitaire ont
t gnrs dune manire alatoire. Les dlais dapprovisionnement sont aussi gnrs dune manire
alatoire. Cette probabilit de distribution est donne dans le tableau 4.4.
Table 4.4 : La probabilit de distribution des dlais dapprovisionnement

w 1 2 3 4 5
Pr (L1,1=w) 0,310453 0,076504 0,559351 0,046432 0,007260
Pr (L2,1=w) 0,103505 0,102381 0,220563 0,259308 0,314243
Pr (L1,2=w) 0,000582 0,261902 0,089830 0,375828 0,271858
Pr (L2,2=w) 0,117162 0,299672 0,275215 0,249717 0,058234
Pr (L3,2=w) 0,434712 0,314200 0,185996 0,009168 0,055924
Pr (L4,2=w) 0,078924 0,088882 0,529611 0,238783 0,063800
Pr (L5,2=w) 0,004261 0,180683 0,254214 0,273111 0,287731
Pr (L6,2=w) 0,098408 0,392513 0,266861 0,208452 0,033766
Pr (L7,2=w) 0,238545 0,244419 0,158321 0,091953 0,266762
Pr (L8,2=w) 0,315959 0,305983 0,178276 0,047048 0,152734
Pr (L9,2=w) 0,233546 0,056773 0,211178 0,228512 0,269991
Pr (L10,2=w) 0,253990 0,163001 0,110573 0,123477 0,348959

Nous avons obtenu la valeur optimale de la fonction objectif est gal 145,8170. Nous lavons obtenu
aprs 12 itrations sans pr-traitement de rduction de lespace de recherche de solution et aprs
uniquement 2 itrations avec le pr-traitement de rduction. Lvolution de la borne infrieure obtenue
au cours des itrations avec et sans pr-traitement est prsente dans la figure 4.4.

valeurs de la borne
infrieure
160

140

120

100 avec pr-procdure


sans pr-procdure
80

60

40

20

0
1 2 3 4 5 6 7 8 9 10 11 12
itrations

Figure 4.4 : Lvolution de la borne infrieure pour le problme PP1

Lvolution du nombre de sous-ensembles est prsente dans la figure 4.5. Au dbut lorsque la borne
infrieure nest pas encore trop prcise, le nombre de sous-ensembles augmente jusqu 5 pour le cas
sans pr-traitement de rduction de lespace de recherche des solutions. Elle commence 1 pour le cas
avec ce pr-traitement. Dans la deuxime phase, il dcrot pour enfin sannuler aprs 12 itrations (2
itrations sont ncessaires pour lannuler dans le cas avec le pr-traitement).

Nombre de sous
ensembles

4
avec pr-procdure
sans pr-procdure
3

0
1 2 3 4 5 6 7 8 9 10 11 12 itrations

Figure 4.5 : Lvolution de nombre des sous-ensembles darbre de recherche pour le problme PP1

4.3.4.3 Tests des performances de lalgorithme

Les testes consistaient excuter lalgorithme sur 100 instances gnres dune manire alatoire.
Pour ces instances, le nombre des composants au niveau 2 tait choisi parmi les valeurs suivantes [10,
20, 30, 40, 50, 60, 70, 80, 90, 100]. Pour chaque nombre des composants, 10 instances diffrentes sont
gnres. Les donnes de chaque instance sont : la fonction de distribution des dlais
dapprovisionnements des composants (le nombre de ralisation maximale=5), les cots unitaires de
stockage des composants, le cot unitaire de rupture en produit fini et le nombre des composants au
niveau 1 ncessaires pour lassemblage de produit fini et le nombre des composants de niveau 2
ncessaires pour lassemblage de chaque type des composants de niveau 1.

Nous prsentons les rsultats numriques pour 100 tests gnrs dune manire alatoire.

En utilisant la PSE propos prcdemment sans le pr-traitement pour la rduction de lespace de


recherche des solutions, les instances de taille suprieure 30 nont pas t rsolues dans un temps qui
a t allou dune heure. Lorsque, nous avons ajout le pr-traitement pour la rduction de recherche
des solutions, nous nous sommes arrivs rsoudre les instances jusqu taille 80. Cependant les
instances avec 90 et 100 composants nont pas t rsolues dans le temps allou vu le cardinal trs
important de lespace de recherche dans ce cas - l (voir le tableau 4.5).
Table 4.5 : Le temps moyen de calcul (en seconds)

N2 10 20 30 40 50 60 70 80 90 100
PSE
0,063 1,234 11,261 Pas rsolus
Sans pr-traitement
PSE Pas
0 0,160 0,719 5,700 9,500 1,859 11,100 14,950
Avec pr-traitement rsolus

Les rsultats montrent lefficacit des algorithmes proposs pour les problmes de petite taille et de
taille moyenne. La rsolution optimale du problme dpend donc fortement de la qualit du pr-
traitement pour la rduction de lespace de recherche initiale et de la qualit de la PSE en terme de
proprits de dominance, borne infrieure et borne suprieure.

4.4 Problme PP2


Nous allons maintenant traiter un problme similaire mais avec un niveau de service objectif. Le
problme est donc de trouver la planification optimale de ce type de systme dassemblage en
minimisant le cot engendr par le stockage des produits de niveau 1 et de niveau 2 tout en respectant
le niveau de service dsir par le client final. Dans ce que suit, nous prsentons analytiquement le cot
total moyen minimiser.

4.4.1 Description du problme

Comme ici, nous considrons le cas dassemblage au plus tt : un produit est assembl ds que tous les
composants ncessaires pour son assemblage sont prsents, le problme est donc de trouver les dates
de lancement optimales au niveau 2 afin de satisfaire la demande D la date souhaite T, en
minimisant le cot total moyen (voir la figure 4.6).
Date de livraison du produit
fini : T

c1,2

c 2,2 c1,1 Dlai


.
.
dapprovisionnement
.

ci,1

Stockage de
composants
c N1,1
. Retard diminuant le
.
. niveau de service

c N 2 ,2
Date de
lancement des
ordres

Figure 4.6 : Description du problme PP2

4.4.2 Minimisation des cots

Proposition 4.10 Pour ce systme dassemblage deux niveaux, le cot total du PP2 sexprime
comme suit :
N1 N1

C( X , L) = H max (M i,1 + Li,1 )+ hi,1 (M i,1 + Li,1 ) + h k ,2 (M i,1 (Lk ,2 X ))
k ,2 (4.33)
i =1,...,N1
i =1 ck , 2Si,1
i =1
sous la contrainte :

( )
Pr max M i ,1 + Li ,1 + > 0 (4.34)
i =1,..., N1
o,
L = ( L1,1 ,..., L N1 ,1 ; L1, 2 ,..., L N 2 ,2 )

X = ( X 1,2 ,..., X k , 2 ,..., X N 2 ,2 )

(
M i ,1 = max Lk , 2 X k , 2 )
ck , 2Si ,1

N1
H= hi,1
i =1
Dmonstration

Lobjectif est de rduire le cot de stockage total (4.33). Cette fonction sobtient partir de (4.1) en
mettant b=0.

( )
Le cot de rupture b max M i ,1 + Li ,1 + est remplac par la contrainte sur le niveau de service, la
i =1,..., N1

probabilit de rupture ne doit donc pas dpasse la probabilit de rupture tolre :


( )
Pr max M i ,1 + Li ,1 + > 0 .
i =1,..., N1

C.Q.F.D.

Les dlais dapprovisionnement Li,j sont des variables alatoires et donc le cot ci-dessus (4.33) est
une variables alatoire. Notre objectif est de minimiser lesprance mathmatique (4.33), cest--dire
le cot total moyen EC ( X ) .

Proposition 4.11 Le cot total moyen du PP2 sexprime comme suit :


N1


EC ( X ) = H 1

(
Pr Li,1 = o1 )
Fk ,2 X k ,2 + o 2 ( )
s0 i =1 o1 +o2 =s ck , 2Si ,1

N1

+ Hi
1 (
Fk ,2 X k ,2 + s )
s 0 ck , 2Si ,1
i =1

N1

Hi 1 1 F
k ,2 X k ,2 s (1 )
s0 ck , 2Si ,1
i =1

N1 N1

(
hk , 2 E ( L k , 2 ) X k , 2 ) hi,1 E (Li,1 ) (4.35)
i =1 ck , 2Si ,1
i =1

N1

sous la contrainte : Pr( Li ,1 = s ) ( (
Fk ,2 X k ,2 s )) 1 (4.36)

i =1 s 0 ck , 2Si ,1

o,
N1
H= hi,1 , H i = (hk ,2 ) hi,1 , pour i = 1,..., N1
i =1 ck , 2Si ,1

X = ( X 1, 2 ,..., X i ,2 ,..., X N 2 )
Dmonstration

Le cot de stockage total moyen (4.35) a t dmontr dans (4.5), il suffit de remplacer b par 0. Le

( )
cot de rupture b max M i ,1 + Li ,1 + est donc remplac par la contrainte sur le niveau de service :
i =1,..., N1

N
1
Pr max (M i ,1 + Li ,1 )+ > 0 = 1 Pr max (M i ,1 + Li ,1 )+ 0 = 1 (M i,1 + Li,1 0)

i =1,..., N1 i =1,..., N1 i =1

N1
=1 c max (Lk ,2 X k ,2 ) + Li,1 0
S
i =1 k ,2 i ,1

N1

=1 Pr( Li ,1 = s) ( (
Fk , 2 X k ,2 s ))

i =1 s 0 ck , 2Si ,1

C.Q.F.D.

4.4.3 Optimisation

4.4.3.1 Problmes rsoudre

Notre problme peut donc se modliser comme suit :


Problme PP2 :
Min EC ( X )
Sous les contraintes :
(4.6), (4.7), (4.8), (4.9) et
N1

Pr( Li ,1 = s ) (Fk ,2 (X k ,2 s )) 1 (4.37)
i =1 s 0 ck , 2Si ,1

4.4.3.2 Pr-traitement pour la rduction de lespace de recherche

Daprs Ould Louly et al. (2008 b) pour le cas du problme de minimisation de cot moyen sous
contrainte de niveau de service, le problme peut tre optimis par une PSE similaire celle du
problme o le critre de niveau de service est remplac par un cot de rupture.

( )
Soit EC0 x1*,1 ,..., xi*,1 ,..., x *N1 ,1 le cot moyen de la solution optimal de E0 .

Avec :
) hi,1 (xi*,1 E(Li,1 )) + H 1 Fi,1 (xi*,1 + k )
N1 N1
(
EC 0 x1*,1 ,..., xi*,1 ,..., x *N1 ,1 = (4.38)
i =1 k 0 i =1

Sous la contrainte de niveau de service :

N1
Fi,1 (xi*,1 + k ) 1 (4.39)
i =1

o,

N1
H= hi,1
i =1

[0,1] est la probabilit de rupture tolre( le niveau de service exig est alors gal 1- ).

Comme les limites infrieurs et les limites suprieures des variables x k ,2 , k=1,N2, sont

respectivement 1 et u k ,2 , nous pouvons calculer les limites infrieures et suprieures des variables de

dcision X k ,2 comme suit :

a k = xi*,1 + 1 (4.40)

bk = xi*,1 + u k ,2 (4.41)

pour k= 1,2,, N2; i= 1,2,, N1, et c k , 2 S i ,1 .

En plus, chaque solution X k ,2 doit vrifier la contrainte suivante :

LLk ,2 X k ,2 U k , 2 , k=1,, N2. (4.42)

o LLk , 2 est le plus petit entier qui vrifie :

Fk ,2 ( X k,2 ) 1 - (4.43)

En effet, un vecteur X qui a une composante X k,2 , plus petit que LLk ,2 , nest pas une solution

ralisable, car la contrainte sur le niveau de service du problme PP2 (la relation (4.9) nest pas
respecte :

N1 N1

Pr( Li ,1 = s) ( (
Fk , 2 X k ,2 s )) (Fk ,2 (X k ,2 )) Fk ,2 (X k ,2 ) 1

i =1 s 0 ck , 2Si ,1 i =1 ck , 2Si ,1

Donc les limites infrieures et suprieures des variables de dcision X k ,2 peuvent tre rcrites

comme suit :
(
a k = max xi*,1 + 1, LLk ,2 ) (4.44)

bk = xi*,1 + u k ,2 (4.45)

pour k= 1,2,, N2; i= 1,2,, N1, et c k , 2 S i ,1 .

Une particularit du problme PP2 est que lensemble initial [A, B] avec A = a1 ,..., a k ,..., a N 2 ( ) et
( ) peut contenir des solutions qui ne sont pas ralisables. En effet, le vecteur de
B = b1 ,..., bk ,..., b N 2

cet ensemble qui donne le niveau de service le plus faible est le vecteur A = (a1 ,..., a k ,..., a N ). Daprs 2

la dfinition de LLk ,2 , ce vecteur vrifie lexpression suivante :

N1
ni ,1
N1

Pr( Li ,1 = s) ( (
Fk , 2 X k ,2 s ))

i =1 s 0
Pr( Li ,1 = s ) (1 )

i =1 s 0 ck , 2Si ,1

N1
ni ,1
(1 ) (1 ) N 2 (4.46)
i =1

mais il ne garantit pas dans le cas gnral le respect de la contrainte initiale sur le niveau de service :

N1
( ))

Pr( Li ,1 = s) (
FLk , 2 X k ,2 s (1 ) (4.47)
i =1 s 0 ck , 2Si ,1

Remarquons que le niveau de service est une fonction croissante par rapport chaque variable X k ,2 .

Un ensemble [A, B] tel que le vecteur B ne respecte pas la contrainte sur le niveau de service ne
contiendra aucune solution ralisable, et peut donc tre limin de lespace de recherche.

4.4.3.3 Proprits de dominance

Proposition 4.11 Le problme PP2 a les deux proprits suivantes :

(i) si k tel que G k+ ( A) < 0 , alors chaque solution X de [ A, B] avec X k ,2 = a k est domine.

( )
(ii) si k tel que G k (B ) < 0 et tel que le vecteur a1 ,..., a k 1 , bk 1,..., a N 2 vrifie la contrainte de

niveau de service, alors chaque solution X de [ A, B] avec X k ,2 = bk est domine.


Dmonstration
La dmonstration de (i) est exactement la mme que celle de la proposition 4.10. Comme le niveau de
service est une fonction croissante par rapport chaque variable X k , 2 , alors le vecteur

( X 1,2 ,..., X k 1, 2 , a k + 1, X k +1,2 ,..., X N 2 ,2 ) qui donne un cot plus faible que le cot de

( X 1,2 ,..., X k 1,2 , a k , X k +1,2 ,..., X N 2 , 2 ) , donne un plus grand niveau de service.

La proprit (ii) se dmontre de la mme manire que pour la proposition 4.8. En effet, le vecteur
( X 1,2 ,..., X k 1, 2 , bk , X k +1, 2 ,..., X N 2 ,2 ) sera domin par le vecteur

( X 1, 2 ,..., X k 1, 2 , bk 1, X k +1,2 ,..., X N 2 ,2 ) . Ce dernier est une solution ralisable, car le vecteur

(a1 ,..., a k 1 , bk 1,..., a N ), dont le niveau de service est plus faible, dj une solution ralisable.
2

C.Q.F.D.

Il rsulte de ces proprits, de la mme manire que pour le problme PP1, que si k tel que

Gk+ ( A) < 0 et a k < bk , alors lensemble des solutions [A,B] peut tre remplac par son sous ensemble

o ak est remplac par a k + 1 . Et si k tel que G k+ ( B ) < 0 et que le vecteur

(a1 ,..., a k 1 , bk 1,..., a N )


2
vrifie la contrainte de niveau de service et que a k < bk , alors lensemble

des solutions [A, B] peut tre remplac par son sous ensemble o bk est remplac par bk 1 .

Les proprits de dominance peuvent tre utilises pour dvelopper des procdures efficaces de coupe
pour la PSE. En effet, aprs la division d'un noeud, dans une PSE, deux noeuds (descendants) sont
crs. Pour chaque noeud, les proprits de dominance sont utilises pour rduire les espaces de
recherche correspondants avant de passer au prochain branchement.

Les descendants de lespace [A, B] sont obtenues en partageant cet ensemble en deux sous-ensembles
a + bk a + bk
[A, B1] et [A1, B] pour respectivement a k X k ,2 k et k + 1 X k , 2 bk .
2 2

La procdure de coupe infrieure du problme PP1 reste valable pour le problme PP2. Ce nest pas le
cas pour la procdure de coupe suprieure du problme PP1, sa place nous proposons dutiliser la
procdure de limite suprieure suivante (voir Ould Louly et al., 2008 b)

Procdure de coupe suprieure PP2

Dbut
rduit faux
domin faux
Tant que (non rduit et non domin)
rduit vrai
Pour k = 1 N2 faire
Tant que

N1


( Gk ( B) < 0 , Pr( Li ,1 = s) Fk ,2 (bk 1 s ) ( (
F j ,2 a j , 2 s 1
))

i =1 s0 c j , 2Si ,1
j k
et domin = faux) faire
rduit faux
si (ak = bk) domin vrai
sinon bk bk - 1
Fin Tant que
Fin Pour
Fin Tant que
Fin

4.4.3.4 Bornes infrieures

Nous allons maintenant prsenter deux bornes infrieures des fonctions objectifs que nous utiliserons
dans nos algorithmes doptimisation. Ces bornes sappuient sur ltude des accroissements partiels des
fonctions objectifs (Ould Louly et al., 2008 b).

Proposition 4.12 Les valeurs BI1 et BI 2 sont deux bornes infrieures pour la fonction cot sur
lensemble [ A, B] :
N2
BI1 = EC( A) + ((bk ak ) min(Gk+ (b1,..., bk 1, ak ,..., a N ),0))2
(4.41)
k =1

N2
BI 2 = EC( B) + ((bk ak ) min(Gk (a1 ,..., ak 1, bk ,..., bN ),0) 2
(4.42)
k =1

Dmonstration
En relaxant la contrainte de niveau de service pour le problme PP1, la dmonstration devient
identique pour les deux problmes PP1 et PP2.
C.Q.F.D.

La borne infrieure ( BI ) utilise dans la PSE est le maximum des deux bornes BI1 et BI 2 .
4.4.3.5 Borne suprieure

Comme borne suprieure nous utilisons le mme principe du problme PP1.

Procdure Borne suprieure PP2

Dbut
//Initialisation de lespace [A, B]//
Appliquer limite infrieure sur lensemble [A, B]
Appliquer limite suprieure sur lensemble [A, B]
//Initialisation de lespace [A, B]//
(
A a1 ,..., a k ,..., a N 2)
B (b1 ,..., bk ,..., b N )
2

//Initialisation de la borne suprieure//


BS min(EC ( A), EC ( B ) )

Tant que (cardinal de [ A, B ] est suprieure 1 ) faire


Sparer [ A, B] en deux sous ensembles [A, B1] et [A1, B]
Appliquer limite suprieure sur lensemble [A, B1]
Appliquer limite infrieure sur lensemble [A1, B]
BS la solution ralisable avec le cot le plus faible, choisie parmi les quatre
possibilits : A, B1, A1 ou B.

Si (A, B1) alors [ A, B ] [ A, B1 ]

Sinon [ A, B ] [ A1 , B ]
Fin Tant que
Fin

4.4.3.6 Algorithme PSE

Lalgorithme PSE que nous proposons utilise le mme principe que PP1.

Procdure PSE

Dbut
BS la borne suprieure de ( [A, B] )
le_min_actuel BS
La_solution_actuelle celle donne par BS
// Initialiser lensemble E des sous ensembles
E { [A, B] }
Si A B alors
Tant que (E nest pas vide) faire
[A, B] llment de E de cardinal maximal
E E - { [A, B] }
Diviser [A, B] en deux sous-ensembles: [A, B1] and [A1, B]
Si (lensemble [A, B1] nest pas domin, AB1, sa borne infrieure BI <
le_min_actuel ) alors
On lajoute E : E E {[A, B1]}
Fin Si
Si ( A1B et sa borne infrieure BI < le_min_actuel) alors
On lajoute E : E E { [A1, B] }
Fin Si
Si (C(A1) < le_min_actuel ) alors le_min_actuel EC(A1)
La_solution_actuelle A1
Fin si
Si (C(B1) < le_min_actuel ) alors le_min_actuel EC(B1)
La_solution_actuelle B1
Fin si
Eliminer les lments de E dont la borne infrieure (BI) est plus grande que
le_min_actuel.
Fin Tant que
Fin si
Fin

4.4.4 Exemples Numriques

4.4.4.1 Impact de la procdure de pr-traitement pour la rduction de lespace de recherche

En premire tape, nous rsolvons le problme E0 en utilisant la PSE propose. La solution obtenue
est :

( x1*,1 , x 2*,1 ) = (4,5) .

En utilisant (4.44) et (4.45), nous obtenons les limites infrieures et suprieures des variables de
dcision.

Table 4.6 : Les limites infrieures et suprieures des variables de dcision

k 1 2 3 4 5 6 7 8 9 10
ak 5 5 5 5 5 6 6 6 6 6
bk 9 9 9 9 9 10 10 10 10 10
Ces limites infrieures et suprieures, comme le problme PP1, rduisent normment lespace de
recherche des solutions qui tait initialement : ak =2 et bk =10.

Afin dvaluer leffet de ce pr-traitement, nous avons gnr 100 scnarios dune manire alatoire
(un scnario correspond une loi de distribution de L j , j=1,, 10, et des cots de stockage hi,j ) sur

la mme structure de chane logistique avec 2 types de composants au niveau 1 et avec 10 types
composants au niveau 2. Les rsultats ont montr que lespace de recherche des solutions a t rduit
de 910 (UN2)=3486784401 976299632 en moyenne. Lespace de recherche des solutions est donc
rduit de ~3,5 fois.

4.4.4.2 Etude numrique de lalgorithme

Nous allons maintenant prsenter les rsultats de testes de la PSE. Un ensemble de tests a t propos.
Nous prsentons pour chaque exemple lvolution de la borne infrieure BI de lespace de recherche.
Cette borne est calcule pour chaque sous-ensemble. Nous prsentons galement lvolution du
nombre des ensembles et du cardinal de lespace de recherche durant le droulement de lalgorithme
doptimisation. Ces exemples sont suivis de tableaux statistiques donnant des rsultats rcapitulatifs
sur un grand nombre de tests.

4.4.4.3 Comportement de PSE

Nous avons utilis le mme exemple du problme PP1 dcrit dans la section 4.3.4.2 avec un niveau de
service dsir gal 0.95.

Nous avons obtenu les valeurs optimales aprs 603 itrations sans pr-traitement de rduction (199
itrations ont t ncessairement avec le pr-traitement de rduction). Le minimum est gal 189,62 et
le niveau de service associ est gal 0,956600.
Dans la figure 4.7, nous prsentons lvolution du nombre de noeuds, elle a deux phases bien
distinctes, le nombre de noeuds augmentent jusqu 99 sans pr-traitement de rduction (46 avec le
pr-traitement) pendant les 329 premires itrations (avec le pr-traitement 117 itrations) et dcrot
ensuite.
Le nombre de sous
ensembles
120

100

80 avec pr-procdure
sans pr-procdure
60

40

20

0
121

151
181
211
241

271
301
331
361
391
421
451
481
511
31
61
91
1

Itrations

Figure 4.7 : Lvolution de nombre des noeuds de larbre de recherche pour le problme PP2

4.4.4.4 Tests des performances des algorithmes

Les testes consistaient excuter lalgorithme sur 100 instances gnres dune manire alatoire.
Pour ces instances, le nombre des composants au niveau 2 tait choisi parmi les valeurs suivantes [10,
20, 30, 40, 50, 60, 70, 80, 90, 100]. Pour chaque nombre des composants, 10 instances diffrentes sont
gnres. Les donnes de chaque instance sont : la fonction de distribution des dlais
dapprovisionnements des composants (le nombre de ralisation maximale=5), les cots unitaires de
stockage des composants, le cot unitaire de rupture en produit fini et le nombre des composants au
niveau 1 ncessaires pour lassemblage de produit fini et le nombre des composants de niveau 2
ncessaires pour lassemblage de chaque type des composants de niveau 1.

Nous prsentons les rsultats numriques pour ces 100 tests dans le tableau 4.7.

En utilisant la PSE sans pr-traitement de rduction de lespace de recherche, les instances de taille
suprieure 60 nont pas t rsolues dans un temps qui a t allou (une heure). Lorsque, nous avons
ajout le pr-traitement de rduction de recherche des solutions, nous ne sommes pas arriv non plus
rsoudre les instances de taille suprieure 60 dans le temps allou vu le cardinal trs important
despace de recherche des solutions.
Table 4.7 : Le temps moyen de calcul (en seconds)

N2 10 20 30 40 50 60 70 80 90 100
PSE
0.313 1.0470 13.79 108.279 199.059 105.935
Sans pr-traitement Pas rsolus
PSE
0.141 0.969 4.094 116.656 104.591 116.233
Avec pr-traitement

4.5 Conclusions
Dans ce chapitre, nous avons tudi lapprovisionnement en composants pour les systmes
dassemblage deux niveaux avec un seul type de produit fini. Pour ce problme, notre objectif tait
de trouver la planification optimale. Nous avons cherch les valeurs des dates de lancement des ordres
au niveau 2. Nous avons trait deux modles. Le premier utilise comme critre la somme du cot
moyen de stockage des composants et du cot moyen de rupture en produit fini. Le deuxime
minimise le cot moyen de stockage des composants sous la contrainte dun niveau de service.

Nous avons modlis les critres avec des expressions explicites en fonctions des dates de lancement
des ordres. Nous avons ainsi obtenu deux fonctions objectifs non linaires variables entiers. Nous
avons dvelopp un pr-traitement pour la rduction de lespace de recherche qui peut tre applique
avant de commencer loptimisation. Pour chacun de deux problmes tudis nous avons montr
comment une PSE peut tre utilise. Pour chacune de ces procdures nous avons dmontr des
proprits de dominances, des bornes infrieures et une borne suprieure.

Nous avons aussi tudi la performance des algorithmes proposs, les tests ont montr limportance de
cette optimisation et la capacit de ces algorithmes traiter des problmes de petite taille et de taille
moyenne dans un temps raisonnable.

Dans le chapitre suivant, nous prsentons une mta-heuristique base sur un algorithme gntique qui
permet de rsoudre les problmes de taille plus importante dans un temps trs rduits toute en
maintenant la qualit de la solution un niveau acceptable.
Chapitre 5: Optimisation dun systme
dassemblage deux niveaux par un AG

5.1 Introduction
Dans le chapitre prcdent, nous avons prsent une mthode d'optimisation exacte fonde sur une
procdure par Sparation et valuation (PSE) dont l'objectif est de minimiser lesprance
mathmatique de cot total pour les problmes considrs. Mais les rsultats exprimentaux ont
montr que elle ne pouvait sappliquer qu des problmes de petite taille (au maximum 60 variables
de dcision). En effet, les techniques d'exploration et de coupe de l'espace de recherche ont
malheureusement leurs limites face cette classe de problmes, ce qui peut engendrer des temps
d'excution assez importants.

Dans ce chapitre, nous proposons donc une tude complmentaire en dveloppant une mthode
d'optimisation approche dont l'objectif est de pouvoir traiter des problmes de taille importante.
L'approche propose est une mta-heuristique base d'algorithme gntique (AG) qui permet d'assurer
un bon compromis entre la qualit de la solution et le temps de rsolution.

Parmi le grand nombre de mta-heuristiques prsentes dans la littrature, les algorithmes gntiques
semblent bien adapts notre problme, car la reprsentation des solutions et les oprateurs de
reproduction (croisement et mutation) peuvent facilement tre dfinis ici. En outre, dans la mesure o
il n'existe pas de contraintes particulires, une mta-heuristique base sur une recherche locale, telle
que la recherche Tabou par exemple, demande l'exploration d'un grand nombre de voisins. Cela pourra
consommer trop de temps, notamment parce que le calcul de chaque fonction objectif a besoin d'un
temps significatif.

Les algorithmes gntiques sont des algorithmes de recherche de solutions bass sur le mcanisme de
la slection naturelle. Ils ont t initialement proposs par Holland (1975) et Golberg (1989). Comme
lont mentionn Michalewicz et Fogel (2002), les algorithmes gntiques sont largement utiliss sur
une trs large gamme de problmes. En particulier, ils ont t appliqus avec succs sur plusieurs
problmes tels que le problme de planification dun systme dassemblage dont lobjectif est de
minimiser le temps de cycle, le temps de changement doutils, le nombre de machine et la complexit
de squence dassemblage (Chen et al., 2002), le dimensionnement des stocks tampon dans une ligne
de production (Dolgui et al., 2002, 2007), la gestion des approvisionnements (Borisovsky et al., 2008)
la gestion des stocks tel que Sudhir Ryan Daniel et Rajendran, (2005) et Pasandideh et Niaki (2008),
l'optimisation de rseaux de chanes logistiques (Ding et al., 2006) et le problme dordonnancement
dun flow shop ou un open shop (Chen et al., 1995, Prins et al., 2000, Wang et al., 2006). Houpt et
Houpt (1998) fournissent un excellent aperu sur les algorithmes gntiques (discrets et continus) et
leurs applications. Habituellement, la raison du choix des algorithmes gntiques est leur excellente
performance pour des problmes similaires, et la possibilit d'obtenir plusieurs solutions en mme
temps.

Nous commenons ce chapitre en prsentant le principe gnral et les diffrentes tapes des
algorithmes gntiques. Nous prsentons ensuite la mise en uvre de lalgorithme gntique sur notre
problme. Ensuite, nous prsentons les rsultats numriques et les comparaisons avec dautres
heuristiques. Afin daboutir un meilleur rsultat tant pour la qualit des solutions que pour le temps
dexcution, nous avons mis en place une procdure de recherche locale qui permet dacclrer la
convergence de lalgorithme. Une comparaison avec dautres heuristiques est galement prsente.

5.2 Algorithme gntique


Nous tudions au cours de chapitre le mme systme dassemblage deux niveaux que celui dcrit
dans le chapitre prcdent. Nous nous intressons au problme PP1 du chapitre prcdent o le critre
est la minimisation de lesprance mathmatique du cot total compos du cot de rupture en produit
fini et du cot de stockage des composants. Les dfinitions et les notations dj utilises restent
valables ici. Les nouvelles notations concernant les paramtres de l'algorithme gntique seront
introduites au fur et mesure tout au long de la description de l'algorithme.

Ici, lalgorithme gntique est mis en uvre dans le but de chercher les meilleures dates de lancement
des ordres X k ,2 , k=1, 2,, N2, afin de minimiser lesprance mathmatique de cot total EC ( X )

prsent dans le chapitre prcdent :

N1

Min EC ( X ) = H
1
(
Pr Li,1 = o1 ) (
Fi,2 X i, 2 + o2 )

s i =1 o1 ,o2Z o1 +o2 = s ck , 2Pi ,1

N1

+
H i ,1 1 ( )
Fk ,2 X k , 2 + s
i =1 s ck , 2Si ,1

N1


H i ,1 1 (
1 Fk ,2 X k , 2 s 1
s ck , 2Si ,1
( ))


i =1

N1 N1


{
hk , 2 E ( L k , 2 ) X k , 2 } ( )
hi ,1 E Li ,1 (5.1)
i =1 ck , 2Pi ,1 i =1

o,

2 X k ,2 U k ,2 , pour k=1, 2,, N2 (5.2)

X = ( X 1, 2 ,..., X k ,2 ,..., X N 2 , 2 )

H i ,1 = hi ,1 + hk , 2
ck , 2Pi ,1

Le problme considr correspond la minimisation dune fonction objectif non linaire variables de
dcision entires, voir (5.1)-(5.2). La fonction objectif EC(X) est calcule en un temps polynomial en
O(N2 * U) (avec U: max (Uk,2), k=1,2,,N2). Mais la question de savoir si le problme est lui-mme
solvable en un temps polynomial ou sil est NP-difficile est ouverte.

Etant donne lexplosion combinatoire, lnumration de toutes les solutions devient vite prohibitive
quand la taille du problme augmente. Comme nous lavons vu dans le chapitre prcdent, la PSE
utilise permet de rsoudre des problmes de petite et moyenne tailles (la taille maximum du
problme est de 60 variables avec U=10) avec un temps CPU raisonnable. Donc, dans le but de
rsoudre les problmes de grande taille dans un temps raisonnable, un algorithme gntique est
dvelopp dans ce chapitre.

Les principes fondamentaux des algorithmes gntiques sont dcrits dans la figure 5.1. Lalgorithme
gntique commence par la cration dun ensemble des solutions de dpart appel souvent population
initiale. Ensuite, il utilise des oprateurs de reproduction (croisement et mutation) ainsi que des
oprateurs de slection pour amliorer la qualit de la solution. Ces oprateurs sont rpts chaque
gnration jusqu' une condition darrt (temps dexcution, nombre des gnrations, etc.).
Dbut
Fin

Oui
Population initiale
Non
Critre
darrt
Slection des parents

Croisement & Slection de la


mutation nouvelle population

Figure 5.1 : Les principes fondamentaux dun algorithme gntique

Ces principes sont dcrits plus en dtail dans lalgorithme propos dans notre tude.

Lalgorithme considr dans notre tude prend les principes de base dun algorithme gntique.
Toutefois, en raison de son comportement stochastique, un algorithme gntique peut souffrir dune
convergence lente, et de l'instabilit des rsultats. Donc, nous avons pris en considration cet aspect en
proposant des procdures de recherche locale pour acclrer la convergence de l'algorithme. Ainsi,
l'algorithme gntique propos est class dans la classe des algorithmes Memetic selon Moscato et
al. (2000).

Lalgorithme propos ici est prsent dans la figure 5.2. Les diffrentes tapes qui le composent sont
prsentes en dtail par la suite.
Algorithme gntique
Fonction Sous-ensemble_Meilleur (A, n)
retourne S A, S = n et s S ,
/ s A \ S , Fitness(s ) < Fitness(s)

Fin Fonction
Ensemble_ Population Population _Initiale (N)
Ensemble_ Optimum_Local O/
Pour i dans 1,, Max_gnration
// Slection de reproduction //
Ensemble_Parents Sous-ensemble_Meilleur (Ensemble_Population, N/2)
//Oprateurs de reproduction //
Ensemble_Fils Croisement (Ensemble_Parents)
Ensemble_Fils Mutation (Ensemble_Fils)
// Recherche Locale //
Meilleure_Solution Sous-ensemble_Meilleur (Ensemble_Parents
Ensemble_Fils \ Ensemble_ Optimum_Local,1)
Meilleure_Dans_Voisinage (Meilleure_Solution, Solution_RL)
Si Solution_RL = Meilleure_Solution
Ensemble_ Optimum_Local Ensemble_ Optimum_Local {
Solution_RL }
Fin Si
// Slection de Remplacement //
Ensemble_Population Sous-ensemble_Meilleur (Ensemble_Parents
Ensemble_Fils { Solution_RL \{
Meilleure_Solution }, N)
Fin Pour
Fin Algorithme

Figure 5.2 : Algorithme gntique pour le problme PP1

Nous commenons par prsenter le codage choisi pour les solutions ainsi que la fonction Fitness
utilise dans notre algorithme. Ensuite, nous expliquerons notre choix de la population initiale. Par la
suite, la procdure de slection des individus solutions qui vont subir les oprations de reproduction
et la procdure de slection des individus pour la gnration suivante de lalgorithme sont dcrites en
dtail. Dans ltape suivante, nous prsentons les oprateurs de reproduction (croisement et mutation).
Enfin, nous prsentons la procdure de recherche locale.
5.2.1 Codage des solutions et fonction Fitness

5.2.1.1 Codage des solutions

La premire tape d'un algorithme gntique est de reprsenter convenablement les variables de
dcision du problme traiter. Un des facteurs les plus importants, si ce n'est le plus important, est la
faon dont sont codes les solutions (les chromosomes), c'est--dire les structures de donnes qui
coderont les gnes. Le choix du codage dpend de la spcificit du problme et conditionne fortement
l'efficacit de l'algorithme. Une reprsentation de la solution devrait tre complte, ce qui signifie que
toutes les solutions possibles au problme peuvent tre codes laide de cette reprsentation.

Dans notre cas dtude, les variables de dcision du problme considres sont les dates de lancement
des ordres (variables de dcision entires), donc chaque chromosome peut tre cod avec un tableau de
nombres entiers. Chaque gne d'un chromosome reprsente une date de lancement dordre. La
longueur du chromosome est gale N2 (nombre de composants de niveau 2). Par consquent, ce
codage garantit que toutes les solutions du problme puissent tre reprsentes.

La figure 5.3 prsente un exemple des solutions pour le problme avec N2 = 7.

Longueur du
2 3 7 9 4 5 8 chromosome: N2

Dates de lancement des ordres

Figure 5.3 : Reprsentation de chromosome

Chaque chromosome de lalgorithme gntique est valu travers une fonction appele fonction
Fitness. Dans la section suivante nous dfinissons cette fonction plus en dtail.

5.2.1.2 Fonction Fitness

Il faudra dfinir pour l'ensemble des chromosomes une fonction d'valuation appele gnralement
une fonction Fitness. Cette fonction doit tre capable d'interprter les donnes contenues dans un
chromosome (les gnes) et de lui attribuer une valeur numrique. A partir de ces valeurs numriques,
une slection des chromosomes est faite pour la reproduction par les oprateurs de croisement et de
mutation. La solution dont les gnes ne forment pas une bonne solution se verra attribuer une
mauvaise valeur de la fonction Fitness et aura une probabilit forte d'tre limin par le processus de
slection. Cependant, il peut tre intressant de conserver certaines solutions de mauvaise valeur de
fonction Fitness car elles peuvent permettre de gnrer dautres solutions, par les oprateurs de
reproduction (croisement et mutation), admissibles et de bonne qualit.

Dans notre cas, lesprance mathmatique de cot total EC(X), voir quation (5.1), est utilise pour
valuer la fonction Fitness de chaque individu de la population. Ainsi, chaque chromosome a une
valuation unique qui sera dcisive pour la phase de slection.

5.2.2 Gnration de la population initiale

La population initiale est gnre le plus souvent alatoirement en faisant des tirages uniformes dans
chacun des domaines associs aux variables de dcision, tout en veillant ce que les individus produits
respectent les contraintes du problme. Le choix de la population initiale d'individus conditionne
fortement la rapidit de l'algorithme gntique. Une connaissance de solutions de bonne qualit
permettrait l'algorithme de converger plus rapidement vers des solutions de bonne qualit. Ainsi,
une voie prometteuse pour amliorer la population initiale est d'intgrer certains chromosomes gnrs
par des heuristiques. La taille de la population initiale (N) qui est un paramtre de lalgorithme
gntique doit tre choisi convenablement. Si cette taille est trop grande, lalgorithme risque de
consommer beaucoup de temps gnrer cette population. Dans le cas contraire, si elle trop petite
lalgorithme risque de ne pas avoir assez de varit dans la population. Les chromosomes gnrs
doivent tre sans doublons afin de donner une bonne diversit la population de dpart.

Dans l'algorithme propos, la population initiale se compose des N solutions en veillant ce que
toutes les solutions soient diffrentes. En effet, un test est fait la fin de la procdure de cration de la
population initiale qui permet dliminer les doublons et les remplacer par dautres solutions gnres
dune manire alatoires. Les solutions qui constituent la population initiale sont les suivantes :

La solution utilisant la somme des esprances mathmatiques des dlais dapprovisionnement


( )
: E ( Lk , 2 ) + E ( Li ,1 ) pour chaque X k , 2 , i= 1, 2, , N1 et ck , 2 Pi,1 . La solution choisie, note

par X k ,2 , est la suivante :

( ) ( ) si (E ( Lk ,2 ) + E ( Li,1 ) ) E (Lk ,2 ) + E (Li,1 ) < 0.5


E Lk ,2 + E Li ,1
X = (5.3)
k ,2
( ) ( ) sinon
E Lk ,2 + E Li ,1

La solution o chaque variable X i, 2 , i=1, 2, , N2 correspond la somme des dlais

dapprovisionnement les plus probables chaque niveau :

X i ,2 = xi ,1 + x k ,2 (5.4)

o,

c k , 2 Pi ,1
Pr( Li ,1 = xi ,1 ) = max (Pr (Li,1 = r )) (5.5)
r [1,...,ui ,1 ]

Pr( Lk , 2 = x k , 2 ) = max (Pr (Lk ,2 = r )) (5.6)


r [1,...,uk , 2 ]

Les solutions qui assurent un certain niveau de service : les solutions o chaque variable
X i ,2 , i=1,2, , N2, correspond un niveau de la fonction cumule de rpartition du dlai

dapprovisionnement. Les niveaux suivants sont utiliss : 0,75; 0,80; 0,85; 0,90 et 0,95 :

X i ,2 = Min {S i | Pr (Li ,1 + Lk ,2 S i ) SL } (5.7)

Avec :

SL {0,75; 0,80; 0,85; 0,90; 0,95} (5.8)

c k , 2 Pi ,1

Les solutions avec les mmes valeurs pour toutes les variables, pour couvrir lespace de
recherche entier k [2,..., U ] :

( )
X i ,2 = Min k , U i ,2 , i [1,..., N 2 ] (5.9)

Il y a donc (6 +U) solutions gnrs par les quations (5.3)-(5.9). Dans le cas o ce nombre dpasserait
la taille de la population initiale N fixe, on limine les solutions avec la valeur de la fonction fitness la
moins bonne afin de garder la taille de la population N. Dans le cas o il manque encore des
solutions, le reste de la population est gnr dune manire alatoire selon une distribution uniforme
comme suit :

X i ,2 = rand(2, U i ,2 ) pour i [1, 2, , N 2 ] (5.10)

rand(2, U i ,2 ) est une valeur alatoire discrte uniformment distribue entre 2 et U i , 2 .

5.2.3 Slection

Une fois la population initiale est cre et value, certains individus sont slectionns pour participer
la cration de la nouvelle gnration. Les individus peuvent tre slectionns au moyen de plusieurs
techniques que la littrature peut fournir dont nous citons : la slection alatoire, la slection par
tournois, la slection N/2-litisme, la slection par roulette et la slection par rang. Pour plus
dinformations sur les mthodes de slection, nous envoyons Bck (1994), Goldberg et Deb (1991).

Notre algorithme gntique considre deux phases de slection :


1. La slection de reproduction, cest la slection des parents dfinit dans la figure 5.1, qui
dtermine les individus qui vont subir les oprations de reproduction (croisement et mutation).
La slection est N/2 litisme, elle consiste slectionner les N/2 meilleures solutions dans la
population courante, en utilisant la fonction Sous-ensemble_Meilleur (dfinit dans
lalgorithme gntique, voir la figure 5.2).

2. La slection de remplacement, la slection de la nouvelle population dfinit dans la figure 5.1,


concerne lvolution de la population dune gnration une autre. La taille de la population
est fixe N. Donc seulement N meilleures solutions sont gardes pour la population suivante.
Elles sont choisies parmi les N+N/2 solutions (N parents de la population courante
(Ensemble_Parents) et N/2 enfants obtenus par la reproduction (Ensemble_fils)). Cette
slection est donc litiste. Il est noter que les individus doublons sont supprims cette tape
afin de maintenir une diversit suffisante de la population.

5.2.4 Oprateur de croisement

Le croisement a pour but dintensifier la recherche de meilleures solutions. Classiquement, les


croisements sont envisags avec deux parents et gnrent deux enfants. Cela consiste changer les
gnes des parents afin de donner des enfants qui portent des proprits combines. La cration dun
couple denfants partir dun couple des parents est effectue avec une probabilit de croisement. Il
existe diffrent processus de croisement pour crer deux enfants partir dun couple de parents. Parmi
ces processus, nous pouvons citer le croisement en n ( n [1,..., N 2 1] ) points. Ces n points
reprsentent les n points de coupure de chaque parent. Chaque parent est compos donc de chanes de
gnes. Pour gnrer un couple denfant, il suffit de choisir une chane de gnes dun parent et une
chane de gnes dun autre parent.

Dans notre algorithme gntique, vu la structure des solutions du problme, loprateur de croisement
classique un seul point est mis en place pour combiner les solutions de lensemble des
parents. Lensemble des N/2 parents slectionns est partitionn de manire alatoire en N/4 couples.
Le point de croisement est aussi choisi de manire alatoire chaque gnration de lalgorithme dans
lintervalle [1,, N2-1]. Chaque couple subit une opration de croisement avec une probabilit de
croisement. Les couples qui ne subissent pas une opration de croisement sont maintenus.

Chaque couple de parents X p1 = ( X 1p, 21 ,..., X ip,21 ,..., X Np1 , 2 ) et X p 2 = ( X 1p,22 ,..., X ip,22 ,..., X Np 2,2 ) subit
2 2

lopration de croisement un point. Les deux enfants X o1 = ( X 1o,12 ,..., X io,12 ,..., X o1 )
N2 ,2

X o 2 = ( X 1o,22 ,..., X io,22 ,..., X No 2 ,2 ) sont obtenus comme suit :


2
X ok = X pk i [1, 2, , j ] et k { 1, 2}
i ,2 i ,2
o1 p2
X i ,2 = X i , 2 i [ j + 1, , N 2 ] (5.11)

X io,22 = X ip, 21 i [ j + 1, , N 2 ]

Avec :

j est le point de croisement.

Dans la figure 5.4, un exemple doprateur de croisement, o la taille du chromosome (N2) est gale
7 et le croisement est au point 2, est montr.

Point de croisement

2 3 7 9 4 5 8 2 3 9 2 3 9 5

5 7 9 2 3 9 5 5 7 7 9 4 5 8

Parents Enfants

Figure 5.4 : Oprateur de croisement

5.2.5 Oprateur de mutation

L'objectif majeur d'un oprateur de mutation est d'apporter l'algorithme gntique une diversification
ncessaire pour une exploration efficace de l'espace de recherche. Sa mise en uvre doit permettre
l'algorithme d'atteindre la plupart des sous-espaces de solution ralisables. En effet, la mutation joue le
rle d'un bruit et empche l'volution de se figer. Les proprits de convergence d'un algorithme
gntique sont fortement dpendantes de l'oprateur de mutation. L'oprateur de mutation est utilis
avec une probabilit, appele probabilit de mutation, gnralement choisie faible.

Dans notre tude, chaque solution X = ( X 1,2 ,..., X i, 2 ,..., X N 2 ,2 ) peut subir une modification alatoire,

voir lexpression 5.12. La mutation concerne uniquement un gne X i, 2 du chromosome. Ce gne est

slectionn alatoirement chaque gnration par une simple distribution uniforme.

X new = X old + rand(2, 2)


i ,2 i ,2
new (5.12)
X j , 2 = X j ,2 j {1,..., N 2 }, j i
old

O rand(2, 2) est une variable alatoire discrte uniformment distribue comprise entre -2 et 2.
Comme chaque variable de dcision de problme doptimisation est borne par les limites suprieures
et infrieures, alors :

new new
Si X inew new
, 2 > U i , 2 alors X i , 2 = U i , 2 et si X i ,2 < 2 alors X i ,2 = 2 .

5.2.6 Recherche locale

En plus des oprateurs de reproduction classiques dun algorithme gntique qui sont dcrits
prcdemment, il est souvent utile d'intgrer une recherche locale afin d'acclrer la convergence de
lalgorithme ( Cheng et al., 1997 ; Frana et al., 2001 ; Dolgui et al., 2007 ; Caumond et al., 2007).

Pour notre problme, la recherche de voisinage suivante a t considre : la procdure commence par
une solution, toutes les solutions avec une variation dune unit dun gne sont explores. Ainsi,
lensemble de voisinage peut contenir jusqu' 2 N 2 solutions. La meilleure solution parmi cet
ensemble de voisinage est alors choisie (voir la figure 5.5). Il est noter que la solution obtenue nest
pas ncessairement un optimum local (car nous appliquons une recherche de voisinage une seule fois
chaque gnration). Une nouvelle recherche locale est applique cette solution la gnration
suivante si elle est toujours la meilleure solution dans la population.

Quand la meilleure solution trouve par la procdure de recherche de voisinage est la solution initiale,
cela signifie que cette solution est un optimum local et, par consquent, elle est archive dans un
ensemble des optimum locaux appel Ensemble_Optimum_Local (dfinit dans lalgorithme
gntique, voir la figure 5.2).

Compte tenu du temps de calcul non ngligeable utilis pour valuer la fonction Fitness d'une solution,
lapplication d'une telle recherche locale sur chaque individu de la population consommerait beaucoup
de temps. Par consquent, dans la prsente tude, la recherche locale nest applique, chaque
itration, que sur la meilleure solution qui n'est pas un minimum local (i.e., qui nest pas dans
Ensemble_Optimum_Local).
Fonction Meilleure_Dans_Voisinage (Solution_Initiale , Solution_Finale )
Meilleure_Fitness Fitness (Solution_Initiale)
Pour i dans 1,..., N2
Solution Solution_Initiale
Si (Solution [i]<Ui,2)
Solution [i] Solution [i]+1
Si (Fitness (Solution)< Meilleure_Fitness)
Solution_Finale Solution
Meilleure_Fitness Fitness (Solution)
Fin Si
Fin Si
Solution Solution_Initiale
Si (Solution [i]>2)
Solution [i] Solution [i]-1
Si (Fitness (Solution)< Meilleure_Fitness)
Solution_Finale Solution
Meilleure_Fitness Fitness(Solution)
Fin Si
Fin Si
Fin Pour
Fin Fonction

Figure 5.5 : Procdure pour obtenir le meilleur voisinage de la solution

Dans la section suivante, l'algorithme propos est valu. Une srie de tests est faite, avec diffrents
paramtres, afin d'examiner la robustesse de l'algorithme sur diffrents scnarios de la chane
d'approvisionnements. L'effet bnfique de la recherche locale sur la performance de l'algorithme
gntique, en terme de qualit de la solution, sur la convergence et le temps de calcul, est galement
prsent dans la section suivante.

5.3 Rsultats exprimentaux


Les tests consistent excuter lalgorithme sur 120 instances gnres dune manire alatoire. Pour
ces instances, le nombre de composants au niveau 2 (N2) varie dans lintervalle [10, 20, 30, 40, 50, 60,
70, 80, 90, 100, 110, 120]. Pour chaque nombre de composants (N2), 10 instances diffrentes sont
gnres (i.e., nous gnrons 10 instances diffrentes pour chaque taille de problme). Les donnes de
chaque instance sont : la fonction de distribution des dlais dapprovisionnements des composants, les
cots unitaires de stockage des composants, le cot unitaire de rupture en produit fini et le nombre des
composants au niveau 1 ncessaires pour lassemblage de produit fini et le nombre des composants de
niveau 2 ncessaires pour lassemblage de chaque type des composants du niveau 1.

A notre connaissance, aucune autre heuristique na t propose pour ce problme, donc, la


performance de l'algorithme gntique a t compare avec les trois heuristiques simples suivantes :

Lheuristique qui utilise les valeurs moyennes des dlais dapprovisionnement (esprance
smathmatiques) note par Heuristique.

Un algorithme de recherche locale de type Hill-Climbing (voir la figure 5.6) qui dbute de
la solution moyenne et utilise ensuite une recherche locale itrative prsente dans la section
5.2.6. Il est not par " HC".

La borne suprieure de la PSE du chapitre prcdent note par BS.

Fonction Hill_Climbing (entre , sortie )


temp entre
Tant que (temp sortie) faire
temp sortie
Meilleure_Dans_Voisinage (temp, sortie)
Fin Tant que
Fin Hill_Climbing

Figure 5.6 : La procedure de Hill-Climbing

5.3.1 Conditions exprimentales

Lalgorithme gntique dcrit dans la section 5.2 a t implment en C++. Les tests ont t excuts
sur SUN UltraSPARC IIIi avec une frquence de 1593 Mhz CPU et 16 GB de mmoire.

Aprs plusieurs tests prliminaires, les valeurs suivantes ont t choisies empiriquement comme
paramtres de notre algorithme gntique : La taille de la population N est gale 60 chromosomes.
La probabilit de croisement est gale 0,80 et la probabilit de mutation est gale 0,15. Le nombre
de gnrations Max_gnration (i.e., le test arrt est donn par Max_gnration) est gal 1000.
Considrant le caractre stochastique de l'algorithme gntique, 100 lancements (un lancement ou
run=une excution de l'algorithme) indpendants ont t effectus pour chaque instance. En plus, les
rsultats concernent 10 instances chaque fois (pour chaque type, .-.-d. 10 instances diffrentes avec
le mme nombre de composants), et sont exprims en pourcentage de la meilleure solution connue. La
meilleure solution connue pour chaque test correspond la solution optimale donne par la PSE
prsente dans le chapitre prcdent si la PSE peut rsoudre ce problme. Dans le cas o la PSE
narriverait pas rsoudre le problme, ce qui est gnralement le cas pour les problmes de grande
taille, la meilleure solution connue correspond la solution obtenue parmi les 100 runs, parmi les tests
prliminaires effectuer pour paramtrer lalgorithme gntique et aussi parmi les solutions obtenues
avec dautres heuristiques (section 5.3.2).

Il est noter que pour les instances o le nombre des composants au niveau 2 varie dans lintervalle
[10,,60], la solution optimale est donne par la PSE.

5.3.2 Rsultats exprimentaux de lalgorithme gntique

Tout d'abord, nous examinons les rsultats des tests de l'algorithme gntique qui ont t faits sans
utiliser la procdure de recherche locale.

Une observation intressante est que les rsultats obtenus sont stables. En fait, pour 65% des instances,
la valeur obtenue pour le meilleur run est gale celle obtenue pour le pire run. Si les runs extrmes ne
sont pas considrs, c'est--dire 10% des runs ne sont pas considrs (les meilleurs 5% et les pires
5%), alors ce pourcentage augmente 88,3%. Si l'on examine l'cart entre les meilleurs et les pires
runs pour chaque instance (voir la figure 5.7), cet cart semble galement trs faible : 0,05% en
moyenne et 1,11% dans le pire des cas (c'est--dire linstance avec lcart maximum entre les 120
instances considres).
Ecart (% de la
meilleure solution
connue)
1,20%

1,00%

0,80%

0,60%

0,40%

0,20%

0,00%
10 20 30 40 50 60 70 80 90 100 110 120
Instances

Figure 5.7 : Lcart entre la meilleure et le pire run de chaque instance

La figure 5.8 prsente une tude comparative entre l'algorithme gntique (AG) propos et les trois
heuristiques prsentes prcdemment (Heuristique, HC et BS) en termes de qualit des rsultats
obtenus. Sur cette figure nous prsentons, pour chacune des heuristiques et pour chaque taille de
problme lcart entre la meilleure solution connue (en moyenne sur les instances de mme taille et
tous les runs correspondants) et la solution obtenue par lheuristique. La mthode "Heuristique"
semble incapable d'obtenir de bonnes solutions. Il est noter quici nous avons un cart norme (de
60% 120%) par rapport la meilleure solution connue. Pourtant cette heuristique est souvent utilise
dans la pratique. Ceci justifie l'utilisation de mthodes d'optimisation que nous dveloppons, parce que
le bnfice obtenu peut tre significatif.

L'ajout de la procdure Hill-Climbing les performances sont meilleures pour les instances de petite
taille, mais elles baissent rapidement quand la taille de problmes augmente.

Pour lensemble des instances, l'algorithme gntique fournit des solutions en moyenne 0,13% de la
meilleure solution connue, alors que la Borne suprieure se situe 1,9%. Selon la taille de problme,
cet cart varie de 0% 1,53% pour l'algorithme gntique, et de 0,16% 8,82% pour lheuristique
calculant la borne suprieure. En outre, quelle que soit la taille de problme, l'cart de l'algorithme
gntique est toujours infrieur celui de lalgorithme calculant la borne suprieure.
Valeur de la solution
(% de la meilleure
connue)
220,00%
AG
BS
200,00% Heuristique
HC

180,00%

160,00%

140,00%

120,00%

100,00%
10 20 30 40 50 60 70 80 90 100 110 120 N2

Figure 5.8 : La performance moyenne en fonction de la taille des problmes

Dans la figure 5.9, les temps de calcul CPU moyen de lalgorithme gntique, de lheuristique
calculant la borne suprieure et de lheuristique Hill-Climbing sont prsents. Le temps CPU de
l'Heuristique est videmment trs faible et n'est pas reprsent dans cette figure. Pour les instances
considres, le temps CPU est acceptable pour l'utilisation pratique sur de vrais problmes de taille
importante. Le temps CPU de l'algorithme gntique augmente linairement. Toutefois, pour les deux
autres heuristiques le temps CPU commence avec des valeurs faibles et ensuite augmente rapidement
pour les instances de taille importante. Pour les problmes avec plus de 120 composants au niveau 2,
lalgorithme gntique devrait devenir nettement plus rapide que les autres heuristiques. Ainsi, compte
tenu de la qualit de la solution et du temps CPU, l'algorithme gntique dpasse clairement les deux
autres heuristiques.
Temps CPU (s)
14

12

10

AG
8
Borne sup
HC
6

0
N2
10 20 30 40 50 60 70 80 90 100 110 120

Figure 5.9 : Le temps de calcul CPU en fonction de la taille de problme

5.4.2 Impact de la recherche locale

Maintenant, une tude comparative de l'algorithme gntique avec recherche locale (AG + RL) et sans
recherche locale (AG) sera prsente afin de dterminer l'impact de la recherche locale.

Dans le tableau 5.1, les performances moyennes de l'algorithme gntique (AG + RL) et (AG) sont
prsentes. Nous remarquons que les performances des deux algorithmes sont trs similaires et trs
bonnes. Globalement, l'algorithme gntique avec une recherche locale fournit des solutions avec un
cart en moyenne de 0,02% par rapport la meilleure solution connue et de 0,13% pour lalgorithme
gntique sans recherche locale. Dautre part, lajout de la phase recherche locale a augment le temps
CPU consomm par lalgorithme gntique (voir la figure 5.10)

Table 5.1 : Performances moyennes des algorithmes gntiques (AG) et (AG + RL)

N2 10 20 30 40 50 60 70 80 90 100 110 120

AG 100% 101,53% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100%
AG+
100% 100% 100% 100% 100,05% 100% 100% 100% 100% 100% 100% 100,17%
RL
Temps CPU (s)
10

6 AG
AG+RL
5

0
10 20 30 40 50 60 70 80 90 100 110 120 N2

Figure 5.10 : Le temps CPU moyen des algorithmes AG et AG+RL

Cependant limpact principal de la recherche locale concerne la convergence de lalgorithme


gntique. Nous prsentons ainsi dans le tableau 5.2 le temps moyen ncessaire pour que les deux
algorithmes gntiques AG et AG+RL trouvent leur solution finale. Nous pouvons visualiser que
l'ajout de la recherche locale a vraiment acclr la convergence de l'algorithme. En plus, le ratio de
temps ne diminue pas pour les instances de grande taille. Cette performance est illustre dans la figure
5.11, en regardant l'volution de la rpartition de la population des deux algorithmes sur une instance
spcifique. Il est noter que l'limination des doublons au sein de la population peut forcer l'apparition
de mauvaises solutions l'AG + RL, mais de telles solutions disparaissent rapidement.

Table 5.2 : Le temps moyen de convergence des AG et AG+RL (en secondes)

N2 10 20 30 40 50 60 70 80 90 100 110 120

AG 0,012 0,062 0,151 0,289 0,485 0,589 0,922 1,144 1,265 1,617 2,243 2,163

AG +RL 0,002 0,010 0,083 0,057 0,109 0,100 0,259 0,158 0,372 0,248 0,423 0,615

Ratio :
AG 5,196 5,967 1,833 5,072 4,455 5,901 3,561 7,256 3,404 6,529 5,303 3,516
AG + RL
Valeur de la solution
(% meilleure connue) AG
160,0%

150,0%

Meilleure
140,0%
Moins bonne
Mdiane
130,0%

120,0%

110,0%

100,0%
Temps (s)
0,0
0,2
0,3
0,5
0,6
0,8
0,9
1,1
1,2
1,4
1,5
1,7
1,8
1,9
2,1
2,2
2,4
Valeur de la solution
(% meilleure connue) AG +
RL
160,0%

150,0%

Meilleure
140,0%
Moins bonne
Mdiane
130,0%

120,0%

110,0%

100,0%
0 2 3 7 Temps (s)
0, 0, 0, 0,5 0, 0,8 0,9 1,1 1,2 1, 1,5 1, 1,8 2, 2, 2,3 2,
6 4 0 1 4

Figure 5.11 : Exemple de convergence de la population pour un run dune instance de taille 120

5.5 Conclusion
Dans ce chapitre, nous avons tudi loptimisation de la gestion des stocks et de la planification
dapprovisionnements pour le cas des systmes dassemblage deux niveaux lorsque les dlais
dapprovisionnements en composantes sont alatoires. Le critre tudi est la somme de lesprance
mathmatique des cots de stockage des composants et lesprance mathmatique du cot de rupture
en produit fini.

Un algorithme gntique a t propos pour rduire le cot total moyen. Cet algorithme a t test sur
un grand nombre dinstances et une comparaison avec plusieurs heuristiques a t ralise. L'effet
dune recherche locale sur les performances de l'algorithme gntique en termes de qualit de solution,
de la convergence et de temps de calcul a aussi t tudi et prsent dans ce chapitre. Les rsultats
numriques montrent l'efficacit de notre algorithme ainsi que la capacit de la recherche locale
dacclrer la convergence de lalgorithme gntique.
Conclusions gnrales

Face une intensification de la concurrence, la gestion des systmes de production a beaucoup chang
ces dernires annes. Les industriels sont toujours sollicits bien grer leurs entreprises et prendre
les bonnes dcisions au bon moment afin de satisfaire leurs clients moindre cot. Le prix de stockage
des composants et le cot de rupture des produits finis prennent une part importante dans le prix de
revient de produit et la satisfaction des clients.

Le chapitre 1 de la prsente thse sest intress prsenter des gnralits sur la gestion des stocks et
la planification des approvisionnements des chanes logistiques dans le cas dterministe. Nous avons
galement prsent les diffrentes incertitudes qui peuvent affecter ces mthodes de gestion et les
tudes qui ont t intresses tendre ces mthodes pour le cas non dterministe.

Ltat de lart effectu au chapitre 2 a montr un manque de recherche concernant la gestion des stocks
dans les chanes logistiques lorsque les dlais dapprovisionnements sont alatoires. Ce chapitre a
montr que les tudes qui sintressent ce type dala sont limites des structures simples de chane
logistique un seul niveau et une absence quasiment totale de la recherche concernant la gestion des
stocks et planification dapprovisionnements lorsque la structure de la chane dapprovisionnements
est plus quun niveau, surtout pour les systmes dassemblage.

Les chapitres 3 et 4 avaient comme objectif de pallier ce manque de recherche lorsque les dlais
dapprovisionnements suivent une loi discrte quelconque et connue. Les lois disretes ont t choisies
afin de se rapprocher de mthodes industrielles de planification du type MRP qui se situe dans un
environnement temporel discret.

Ainsi, dans le chapitre 3, nous avons formul les problmes doptimisation de la planification
dapprovisionnements pour les systmes structure linaire multi-niveau. Nous avons tudi deux
critres doptimisation : (i) la minimisation du cot total moyen compos du cot de stockage des
composants et du cot de rupture en produit fini et (ii) la minimisation du cot moyen de stockage
sous la contrainte de niveau de service. Nous avons tudi deux types de situations : le cas de
fabrication au plus tt, et le cas de fabrication une date prvue. Pour le premer cas, nous avons
distingu deux problmes P1 et P2 en tudiant les deux critres ci-dessus. Pour le deuxime cas, nous
avons galement considr les deux critres et donc les deux problmes : P3 et P4. Pour ces quatre
problmes, nous avons prsent les modles mathmatiques et une solution optimale pour chacun
deux ainsi que des exemples numriques afin de mieux illustrer les mthodes doptimisation
dveloppes. Nous avons aussi prsent des testes comparatifs avec des solutions gnralement
utilises par les industriels.

Dans le chapitre 4, nous nous sommes intresss aux problmes de planification de systmes
dassemblage deux niveaux. Nous avons tudi deux critres pareils ceux du chapitre 3, nous
distinguons deux problmes en tudiant ces deux critres : PP1 et PP2. Nous avons modlis les
critres avec des expressions explicites en fonctions des dates de lancement des ordres. Nous avons
ainsi obtenu deux fonctions objectifs non linaires variables entires. Nous avons dvelopp un pr-
traitement pour la rduction de lespace de recherche. Pour chacun de deux problmes, nous avons
dmontr des proprits de dominances, des bornes infrieures et une borne suprieure. Ceci a permis
dutiliser des procdures par sparation et valuation (PSE). Nous avons aussi tudi la performance
des algorithmes PSE, les tests ont montr la capacit de ces algorithmes traiter les problmes de
petite taille.

Dans le chapitre 5, nous avons prsent une mta-heuristique base sur un algorithme gntique qui
permet de rsoudre les problmes de planification de systmes dassemblage deux niveaux de taille
importante (le problme PP1 du chapitre 4) dans un temps trs rduits toute en garantissant la qualit
de la solution. Nous avons intgr une mthode de recherche locale dans lalgorithme gntique
propos. Les rsultats numriques ont montr l'efficacit de notre algorithme gntique ainsi que la
capacit de la recherche locale dacclrer sa convergence.

Les rsultats obtenus tout au long de ces 5 chapitres nous permettent de dgager plusieurs
perspectives. Dabord, nous pouvons tendre les modles proposs au cas de demande alatoire.
Ensuite, dans le chapitre 5, nous avons propos un algorithme gntique. Les algorithmes gntiques
sont trs bien adapts au traitement dun problme doptimisation multiobjective. Le choix un
algorithme gntique multiobjectif pour rsoudre le problme PP2 bi-objectif (minimisation de cot de
stockage et maximisation de niveau de service) peut tre une autre perspective intressante. Cette ide,
qui nous parait intressante, a un avantage quelle permetterait aux industriels davoir un ensemble de
compromis entre le cot de stockage et le niveau de service et donc une flexibilit de dcision.

A court terme notre dfi sera dexploiter ces perspectives et de dvelopper les algorithmes
doptimisation pour chacun des problmes prsents au cas de demande alatoire. A moyen terme,
nous intresserons intgrer de la simulation dans les mthodes doptimisation proposes afin de
pouvoir tendre notre tude aux cas des systmes dassemblages multi-niveaux (avec plus de deux
niveaux).
Bibliographie

[1] Arda Y., Hennet J.C., (2006). Inventory control in a multi-supplier system. International
Journal of Production Economics, 104 (2), pp. 249-259.

[2] Axster S., (2005). Planning order releases for an assembly system with random operation
times. Opetations Research Spectrum, 27, pp. 459-470.

[3] Axster S., (2006). Inventory control, 2nd ed., Springer.

[4] Bagchi U., Hayya J.C., Chu C.H., (1986). The effect of lead time variability. The case of
independent demand. Journal of Operations Management, 6 (2), pp. 159-177.

[5] Bck T., (1994). Selective pressure in evolutionary algorithms: A characterization of


selection mechanisms. In Proc. 1st IEEE Conf. on Evolutionary Computation. Piscataway,
NJ: IEEE Press, pp. 5762.

[6] Bookbinder J.H., akanyildirim M., (1999). Random lead-times and expedited orders in
(Q,r) inventory systems. European Journal of Operational Research, 115, pp. 300-313.

[7] Borisovsky P., Dolgui A., Eremeev A., (2007). Genetic algorithms for a supply management
problem: MIP-recombination vs greedy decoder. European Journal of Operational
Research, In Press, Corrected Proof, Available online 19 November 2007.

[8] Bradley J. R., Robinson L. W., (2005). Improved base-stock approximations for independent
stochastic lead times with order crossover. Manufacturing & Service Operations
Management, 7(4), pp. 319-329.

[9] akanyildirim M., Bookbinder J., Gerchak Y., (2000). Continuous review inventory models
where random lead time depends on lot size and reserved capacity. International Journal of
Production Economics, 68 (3), pp. 217-228.

[10] Chen C., Vempati V.S., Aljaber N., (1995). An application of genetic algorithms for flow
shop problems. European Journal of Operational Research, 80, pp. 389-396.

[11] Chen R.-S., Lu K.-Y., Yu S.-C., (2002). A hybrid genetic algorithm approach on multi-
objective of assembly planning problem. Engineering Applications of Artificial
Intelligence, 15 (5), pp. 447-457.

[12] Chiang C., Benton W.C., (1994). Sole sourcing versus dual sourcing under stochastic
demands and lead times. Naval Research Logistics, 41, pp. 609-624.
[13] Chu C., Proth J.M., Xie X., (1993). Supply management in assembly systems. Naval
Research Logistics, 40, pp. 933-949.

[14] De Bodt M.A., Van Wassenhove L.N., (1983). Cost Increases Due to Demand Uncertainty
in MRP Lot Sizing. Decision Science, 14, pp. 345-362.

[15] DeMatteis J.J., (1968). An Economic Lot-Sizing Technique I: The Part-Period Algorithm.
IBM Systems Journal, 7 (1), pp. 30-38.

[16] Ding H., Benyoucef L., Xie X., (2006). A simulation-based multi-objective genetic
algorithm approach for networked enterprises optimization. Engineering Applications of
Artificial Intelligence, 19, pp. 609-623.

[17] Dirickx M.I, Koevoets D., (1977). A continuous reviews inventory model with compound
poisson demand process and stochastic lead time. Naval Research Logistics Quarterly.
24(4), pp. 577-585.

[18] Dolgui A., Portmann M.C., Proth J.M., (1995). Planification de systmes dassemblage
avec approvisionnement alatoire en composants. Journal of Decision Systems, 4 (4), pp.
255-279.

[19] Dolgui A., and Ould Louly M.A., (2002). A Model for Supply Planning under Lead Time
Uncertainty. International Journal of Production Economics, 78, pp. 145-152.

[20] Dolgui A., Ereemev A., Kolokolov A., Sigaev V., (2002). Buffer allocation in production
line with unreliable machines. Journal of Mathematical Modeling and Algorithms, 2, pp.
89-104.

[21] Dolgui A., Proth J.M. (2006). Les systmes de production modernes. Tome 1 : Conception,
gestion et optimisation. Herms, 2006, (ISBN: 2-7462-1249-8), 415 pages.

[22] Dolgui A., Proth J.M. (2006). Les systmes de production modernes. Tome 2 : Outils et
corrigs des exercices. Herms, 2006, (ISBN: 2-7462-1250-1), 385 pages.

[23] Dolgui A., Prodhon C., (2007). Supply planning under uncertainties in MRP environments:
a state of the art. Annual Reviews in Control, 31, pp. 269-279.

[24] Dolgui A., Eremeev A.V., Sigaev V.S., (2007). HBBA: Hybrid Algorithm for Buffer
Allocation in Tandem Production Lines. Journal of Intelligent Manufacturing, 18 (3), pp.
411-420.

[25] Dupont L., (1998). La gestion industrielle. Ed. Herms, Paris, 1998.

[26] Ehrhardt R. (1984). (s, S) policies for a dynamic inventory model with stochastic lead
times. Operations Research, 32, pp. 121-132.
[27] Elhafsi M., (2002). Optimal leadtimes planning in serial production systems with earliness
and tardiness costs. IIE Transactions, 34, pp. 233-243.

[28] Enns S.T., (2002). MRP performance effects due to forecast bias and demand
uncertainty. European Journal of Operational Research, 138(1), pp. 87-102.

[29] Eppen G.D., Martin R.K., (1988). Determining safety stock in the presence of stochastic
lead time and demand. Management Science, 34, pp. 1380-1390.

[30] Fong D.K.H., (1992). A note on exact moment computation for normal lead times in the
two-supplier case. Journal of Operational Research Society, 43 (1), pp. 6369.

[31] Fong D.K.H., Gempesaw, V.M., Ord J.K., (2000). Analysis of a dual sourcing inventory
model with normal unit demand and Erlang mixture lead times. European Journal of
Operational Research, 120, pp. 97-107.

[32] Fujiwara O., Sedarage D., (1997). An optimal (Q,r) policy for a multipart assembly system
under stochastic part procurement lead times. European Journal of Operational Research,
100, pp. 550-556.

[33] Georghios P., Sphicas G.P.,(1982). On the Solution of an Inventory Model with Variable
Lead Times. Operations Research, 30(2), pp. 404-410.

[34] Giard V., (2003). Gestion de la production et des flux, 3me Edition. Economica, Paris,
2003.

[35] Golberg D.E., (1989). Genetic Algorithms in Search, Optimisation and Machine
Learning. Addison Wesley, Reading, MA.

[36] Goldberg D.E., Deb K., (1991). A comparative analysis of selection schemes used in
genetic algorithms. In : Foundations of Genetic Algorithms. San Mateo, CA: Morgan
Kaufmann, pp. 6993.

[37] Grasso, E.T., Taylor B.W., (1984). A Simulation-Based Experimental Investigation of


Supply/Timing Uncertainty in MRP Systems. International Journal of Production
Research, 22 (3), pp. 485-497.

[38] Graves S.C, (1988). Safety stocks in manufacturing systems. Journal of Manufacturing
and Operations Management, 1, pp. 67-101.

[39] Gomaa A.H., Hussien S.M., Zahran M.Z., A simulation study for MRP system under
uncertainty operating environment. Journal of Engineering and Applied Science, 1999,
46(2), pp. 237-256.

[40] Gross D., Harris C.M., Lechner, J.A., (1971). Stochastic Inventory Models with Bulk
Demand and State-Depend Leadtimes. Journal of Applied Probability, 8, pp. 521-534.
[41] Gross D., Harris C.M., (1973). Continuous-Reviews (s, S) Inventory Models with State-
Depend Leadtimes. Management Science, 19, pp. 567-574.

[42] Guo Y., Ganeshan R., (1995). Are more suppliers better?. Journal of Operational
Research Society, 46 (5), pp. 892896.

[43] Gupta S.M., Brennan L., (1995). MRP systems under supply and process uncertainty in an
integrated shop floor control. International Journal of Production Research, 33, pp. 205-
220.

[44] Gurnani H., Akella R., Lehoczky J., (1996). Optimal order policies in assembly systems
with random demand and random supplier delivery. IIE Transactions, 28, pp. 865-878.

[45] Hadley G., Whitin T.M., (1963). Analysis of Inventory Systems, Prentice-Hall, Englewood
Cliffs, NJ.

[46] Hansmann F., (1959). Optimal inventory location and control in production and
distribution networks. Operations Research, 7, pp. 483-498.

[47] Harris, F. W., (1913). How many parts to make at once. The Magazine of Management,
10, pp. 135-136.

[48] Harrison J.M., (1973). Assembly-Like Queues. Journal Applied Probability, 10, pp. 354-
367.

[49] Hayya J.C., Xu S.H., Ramasesh R.V., He X.X., (1995). Order crossover in inventory
systems. Stochastic Models, 11 (2), pp. 279309.

[50] He X.J., Kim J.G., Hayya J. C. (2005). The cost of lead-time variability: The case of the
exponential distribution. International Journal of Production Economics, 97(2), pp. 130-
142.

[51] Hegedus M.G., Hopp W.J., (2001). Setting procurement safety lead-times for assembly
systems. International Journal of Production Research, 39(15), pp. 3459-3478.

[52] Ho C.J., Lau H.S., (1994). Evaluating the Impact of Lead Time Uncertainty in Material
Requirements Planning Systems. European Journal of Operational Research, 75, pp. 89-
99.

[53] Ho C.J., Ireland T.C., (1998). MRP system nervousness and forecast errors. International
Journal of Production Research, 36, pp. 2285-2299.

[54] Holland J.H., (1975). Adaptation in Natural and Artificial Systems. University of
Michigan Press: Ann Arbor, MI.

[55] Houpt R.L. , Houpt S.E., (1998). Practical genetic algorithms, Wiley, New York, NY.
[56] Inderfurth, K., (2007). How to protect against demand and yield risks in MRP systems.
International Journal of Production Economics, doi :10.1016/j.ijpe.2007.02.005.

[57] Jeunet J., Jonard N., (2000). Measuring the Performance of Lot-Sizing Techniques in
Uncertain Environments. International Journal of Production Economics, 64, pp. 197-208.

[58] Kalpakam S., Shahul Hameed M.A., (1981). Optimum ordering policies with random lead
times. Micrelectron Reliab, 21(5), pp. 737-741.

[59] Kaplan R.S., (1970). A Dynamic Inventory Model with Stochastic Lead Times.
Management Science, 16, pp. 491-507.

[60] Kim J.G., Sun D., He X.J., Hayya J.C., (2004). The (s,Q) inventory model with Erlang lead
time and deterministic demand. Naval Research Logistics, 51, pp. 906-923.

[61] Kim J.G, Chatfield D., Harrison T., Hayya J., (2006). Quantifying the bullwhip effect in a
supply chain with stochastic lead time. European Journal of Operational Research, 173,
pp. 617-636.

[62] Kumar A., (1989). Component Inventory Cost in an Assembly Problem with Uncertain
Supplier Lead-Times. IIE Transactions, 21 (2), pp. 112-121.

[63] Lee H.L., Billington C., (1993). Material management in decentralized supply chains.
Journal of Operations Research, 41 (5), pp. 835847.

[64] Lee H.L., Nahmias S., (1993). Single-Product, Single-Location Models. In: Logistics of
Production and Inventory (S.G. Graves, A.H.G. Rinnooy Kan, P.H. Zipkin, Eds.),
Handbooks in Operations Research and Management Science, vol. 4, pp. 3-55. Elsevier
Science, Amsterdam.

[65] Liberatore M.J., (1979). The EOQ Model under Stochastic Lead Times. Operations
Research, 27, pp. 391-396.

[66] Maloni M.J., Benton W.C., (1997). Supply chain partnerships: opportunities for operations
research. European Journal of Operational Research, 101, pp. 419-429.

[67] Melnyk S.A., Piper C.J., (1981). Implementation of material requirements planning.
International Journal of Production and Operations Management, 2, pp. 52-60.

[68] Michalewicz Z., Fogel D.B., (2002). How to Solve It: Modern Heuristics, third ed. Springer,
Berlin.

[69] Miller J.G., (1979). Hedging the master shedule. In: Ritzman L.P., Krajewski L.J., Berry
W.L., Goodman S.H., Hardy S.T., Vitt L.D.(eds.), Disaggregation problems in
manufacturing and service organizations. Martinus Nijhoff, Boston, MA, pp. 237-256.
[70] Minner S., (2003). Multiple-supplier inventory models in supply chain management: a
review. International Journal of Production Economics, 81-82, pp. 265-279.

[71] Mohebbi E., Posner M.J.M., (1998). Sole versus dual sourcing in a continuous-review
inventory system with lost sales. Computers in Industrial Engineering, 34, pp. 321-336.

[72] Mohebbi E., (2003). Supply interruptions in a lost-sales inventory system with random lead
time. Computers & Operations Research, 30, pp. 411-426.

[73] Mollet H., Ballot E., Dutreuil J., Fontaine F., (2006). Systme de production et de
logistique. Ed. Herms, Paris, 2006.

[74] Molinder A., (1997). Joint optimisation of lot-sizes, safety stocks and safety lead times in
an MRP system. International Journal of Production Research, 35, pp. 983-994.

[75] Moscato P., (2000). Memetic algorithms. In P. Pardalos and M. Resende, Handbook of
Applied Optimization, Oxford University Press, Oxford.

[76] Mula J., Poler R., Garcia-Sabater J.P., Lario F.C., (2006). Models for production planning
under uncertainty: A review. International Journal Production Economics, 103, pp. 271-
285.

[77] Nahmias S., (1979). Simple approximations for a variety of dynamic leadtime lost-sales
inventory models. Operation Research, 46, pp. 5112-5119.

[78] Nahmias, S., (1997). Production and Operations Analysis. Irwin.

[79] Namit K., (2007).Determining reorder point in the presence of stochastic lead time and
Box-Jenkins time series demand. Journal of the Academy of Business and Economic, 7(2),
pp. 208-215.

[80] Ould Louly M.-A., (2001). Optimisation des stocks des composants et planification de
leurs rapprovisionnements pour les systmes d'assemblage soumis des alas. Thse de
doctorat de lUTT (Universit de Technologie Troyes), directeurs de thse : Alexandre
Dolgui.

[81] Ould Louly M.-A., Dolgui A., (2002). Generalized newsboy model to compute the optimal
planned lead times in assembly systems. International Journal of Production Research, 40
(17), pp. 4401-4414.

[82] Ould-Louly M.-A., Dolgui A., (2004). The MPS parameterization under lead time
uncertainty. International Journal of Production Economics, 90(3), 18, pp. 369-376.

[83] Ould Louly M.-A., Dolgui A., (2008). Calculating Safety Stocks for Assembly Systems
with Random Component Procurement Lead Times: Branch and Bound Algorithm.
European Journal of Operational Research, Available online (Science Direct).
[84] Ould Louly M.-A., Dolgui A., Hnaien F., (2008 a). Optimal Supply Planning in MRP
Environments for Assembly Systems with Random Component Procurement Times.
International Journal of Production Research, 46(19), pp. 5441-5467.

[85] Ould Louly M.-A., Dolgui A., Hnaien F., (2008 b). Supply planning for single-level
assembly system with stochastic component delivery times and service level constraint.
International Journal of Production Economics. Available online 5 juillet 2008 (Science
Direct).

[86] Pan A.C., Ramasesh R.V., Hayya J.C., Ord J.K., (1991). Multiple sourcing: the
determination of lead times. Operations Research Letters, 10, pp. 1-7.

[87] Pasandideh S.H.R., Niaki S.T.A., (2008). A genetic algorithm approach to optimize a
multi-products EPQ model with discrete delivery orders and constrained space. Applied
Mathematics and Computation, 195, pp. 506-514.

[88] Plenert G., (1999). Focusing Material Requirements Planning (MRP) Towards
Performance. European Journal of Operational Research, 119, pp. 91-99.

[89] Porteus E.L., (1990). Stochastic inventory theory. In: Hand-book in OR and MS, Vol 2,
Heyman D.P. and Sobel M.J. (eds.). Elsevier Science Publishers, pp. 605-652.

[90] Prins C., (2000). Competitive genetic algorithms for the open-shop scheduling problem.
Mathematical Methods of Operations Research, 52, pp. 389-411.

[91] Proth J.M., Mauroy G., Wardi Y., Chu C., Xie X., (1997). Supply management for cost
minimization in assembly systems with random components yield times. Journal of
Intelligent Manufacturing, 8, pp. 385-403.

[92] Ramasesh R.V., Ord J.K., Hayya J.C., Pan A., (1991). Sole versus dual sourcing in
stochastic lead-time (s, Q) inventory models. Management Science, 37 (4), pp. 428-443.

[93] Ramasesh R.V., Ord J.K., Hayya J.C., (1993). Note: dual sourcing with non-identical
suppliers. Naval Research Logistics, 40, pp. 279-288.

[94] Riezebos J., (2006). Inventory order crossovers. International Journal of Production
Economics, 104, pp. 666-675.

[95] Robinson L.W., Bradley J.R., Thomas L.J., (2001). Consequences of order crossover under
order-up-to inventory policies. Manufacturing & Service Operations Management, 3 (3),
pp. 175-188.

[96] Sculli D., Wu S.Y (1981). "Stock control with two suppliers and normal lead times",
Journal of the Operational Research Society, 32, pp. 1003-1011.
[97] Sculli D., Shum Y.W., (1990). Analysis of a continuous review stock-control model with
multiple suppliers. Journal of the Operational Research Society, 41(9), pp. 873-877.

[98] Sedarage D., Fujiwara, O., H.T. Luong, (1999). Determining optimal order splitting and
reorder level for N-supplier inventory systems. European Journal of Operational Research,
116, pp. 389-404.

[99] Silver E.A., Meal H.C., (1973). A heuristic for selecting lot-sizing quantities for the case of
deterministic time-varying demand rates and discrete opportunities for replenishment.
Production and Inventory Management, 14, pp. 64-74.

[100] Silver E.A., Zufferey N., (2005). Inventory control of raw materials under stochastic and
seasonal lead times. International Journal of Production Research, 43, pp. 5161-5179.

[101] Simpson K.F, (1958). In process inventories. Operations Research, 6, pp. 863-873.

[102] Som P., Wilhelm W.E., Disney R.L., (1994). Kitting process in a stochastic assembly
system. Queueing Systems, 17, pp. 471-490.

[103] Song J.S., Yano C.A., Lerssrisuriya P., (2000). Contract assembly: Dealing with combined
supply lead time and demand quantity uncertainty. Manufacturing and Service Operations
Management, 2(3), pp. 287-296.

[104] Sphicas G.P., 1982. On the solution of an inventory model with variable lead times,
Operations Research, 30(2), pp. 404-410.

[105] Sudhir Ryan Daniel J., Rajendran C., (2005). A simulation based genetic algorithm for
inventory optimization in a serial supply chain. International Transactions in Operational
Research, 12, pp. 101-127.

[106] Tang O., Grubbstrm, R.W., (2003). The detailed coordination problem in a two-level
assembly system with stochastic lead times. International Journal Production Economics,
81-82, pp. 415-429.

[107] Tang O., Grubbstrm R.W., (2005). Considering stochastic lead times in a
manufacturing/remanufacturing system with deterministic demands and returns.
International Journal of Production Economics, 93-94, pp. 285-300.

[108] Tang O., Grubbstrm R.W., Zanoni, S., (2007). Planned lead time determination in a
make-to-order remanufacturing system. International Journal of Production Economics,
108 (1-2), pp. 426-435.

[109] Tijms H.C., Groenevelt H., (1984). Simple approximations for the reorder point in periodic
and continuous review (s,S) inventory systems with service level constraints. European
Journal of Operational Research, 17, pp. 175190.
[110] Vollmann T.E., Berry W.L., Whybark D.C., (1997). Manufacturing Planning and Control
Systems. Irwin/Mcgraw-Hill.

[111] Wagner H.M., Whitin T.M., (1958). Dynamic version of the economic lot size model.
Management Science, 5, pp. 89-96.

[112] Wang L., Zhang L., Zheng D.-Z., (2006). An effective hybrid genetic algorithm for flow
shop scheduling with limited buffers. Computers & Operations Research, 33, pp. 2960-
2971.

[113] Weeks J.K. (1981). Optimizing Planned Lead Times and Delivery Dates. 21st annual
Conference Procceding, Americain Production and Inventory Control Society, pp. 177-188.

[114] Whybark D. C., Williams J.G., (1976). Material Requirements Planning Under
Uncertainty. Decision Science, 7, pp. 595-606.

[115] Wilhelm W.E., Som P., (1998). Analysis of a single-stage, single-product, stochastic,
MRP-controlled assembly system. European Journal of Operational Research, 108, pp.
74-93.

[116] Yano C.A., (1987 a). Setting planned leadtimes in serial production systems with tardiness
costs. Management Science, 33(1), pp. 95-106.

[117] Yano C.A., (1987 b). Planned leadtimes for serial production systems. IIE Transactions,
19(3), pp. 300-307.

[118] Yano C.A., (1987c). Stochastic leadtimes in two-level assembly systems. IIE
Transactions, 19(4), pp. 95-106.

[119] Zalkind, D. (1978). Order level inventory systems with independent stochastic leadtimes.
Management Science, 24(13), pp. 1384-1392.

[120] Zangwill W.I. (1966). A deterministic multi-period production scheduling model with
backlogging. Management Science, 13, pp. 105-119.

[121] Zheng Y.S., (1992). On properties of stochastic inventory systems. Management Science,
28 (1), pp. 87-103.

[122] Zipkin P., (1986). Stochastic leadtimes in continuous-time inventory models. Naval
Research Logistics Quarterly, 33, pp. 763-774.

[123] Zipkin P., (2000). Foundation of Inventory Management, McGraw-Hill, USA.


Rsum
La gestion des stocks est un lment trs important pour les entreprises. Il faut pouvoir satisfaire les
clients moindre cot. Pour cela, il est ncessaire dtre en possession de tous les composants, pour
fabriquer les produits demands et les livrer la date voulue. En effet, une mauvaise politique
dapprovisionnement en composants conduit soit des retards de livraison, qui engendrent des frais,
soit des stocks inutiles. Dans cette thse, nous tudions la planification des rapprovisionnements en
composants pour les systmes de production de diffrentes structures. Nous travaillons avec les
nomenclatures plusieurs niveaux et nous tenons compte des alas des dlais dapprovisionnement.
Nous avons choisi comme variables de dcision celles qui correspondaient aux paramtres de la
mthode MRP, comme le temps de cycle planifi. Lobjectif pratique de notre tude tant galement
de fournir des techniques pour le paramtrage des logiciels MRP en prsence de ce type dalas. Nous
avons propos des modles et avons dmontr leurs proprits thoriques intressantes ainsi que des
approches doptimisation nouvelles pour ce type de problme.

Mots cls : gestion des stocks, planification des approvisionnements, dlais dapprovisionnement
alatoires, PSE, algorithme gntique.

Abstract:
The inventory control is crucial for companies who wish to satisfy their customer demands on time as
well as controlling costs. For this it is necessary to be in possession of the necessary and sufficient
components to produce the requested products n time. Indeed, a poor inventory control policy leads to
overstocking or stockout situations. In the former, the generated inventories are expensive and in the
later there are shortages and penalties due to unsatisfied customer demands. In this thesis, we study the
supply planning for the multilevel supply chains. The decision variables are the parameters of MRP
(planned lead times). The aim is to provide ideas and methods on the MRP parameterization under
lead time uncertainties. We proved interesting theoretical properties and we proposed the models
methods for the optimization problems.

Keywords: inventory control, supply planning, random lead times, B&B, genetic algorithm.