Optimisation multicritères

Introduction
 l’optimisation multi-objectif optimise simultanément
plusieurs fonctions objectifs qui sont souvent
contradictoires,
 Le résultat d’un problème d'optimisation multicritère
est généralement un assortiment de solutions, qui se
distinguent par différents compromis réalisés entre les
objectifs.
Méthodes non Pareto
 Les méthodes ne traitent pas le problème comme un
véritable problème multiobjectif. Elles cherchent à
ramener le problème initial à un ou plusieurs
problèmes mono objectif
 Méthodes d’agrégation par pondération
 Méthode ε‐contraintes
 Méthode de but à atteindre
 Méthode de min-max
 Méthode de Goal programming
Méthodes d’agrégation par pondération
 le but consiste à ramener le problème multicritère à
un problème monocritère plus simple à traiter.
 Cette méthode est la plus simple des méthodes
d’optimisation multi-objectif
Exemple : PIC

septembre

novembre

décembre
octobre
janvier

février

juillet
mars

août
avril

juin
mai
16 000

14 000

12 000

10 000

15 000

22 000

25 000

25 000

30 000

30 000

25 000

22 000
Demande

• Stock initial = 2 000 u.é

• Stock final demandé = 4 400 u.é
• Le taux de production est de C= 100 ué /personne/ mois
• Effectif ouvrier au début de l’année : 180 personnes

S.Hammami 2015-2016 5
 Exemple : données sur les coûts
 Coût de la main d’oeuvre en temps régulier Ctr
= 2000 TND/personne/mois
 Coût d’embauche CE = 2400 TND/personne
 Coût de mise à pied CR = 3200 TND/personne
 Coût de stockage CS = 4 TND/ué/mois
 Coût de pénurie CP = 12 TND/ué/mois

S.Hammami 2015-2016 6
Exemple : contraintes
 La capacité maximale de stockage est de 30 000
unités.
 Les variations de l’effectif sont permises, mais elles ne
doivent pas porter sur plus de 30% de l’effectif à la
fois ni se produire plus de 4 fois par année.
 Les pénuries ne sont acceptées que si elles ne
dépassent pas 2000 unités et qu’elles ne se
produisent pas au cours de deux mois consécutifs.

S.Hammami 2015-2016 7
PDP
 Fonction objectif : critères considérés
 (1) coût Main d’œuvre
 (2) coût stockage
 (3) coût pénurie ;
 (4) coût d’embauche
 (5) coût mise à pied
 Poids (w1(MO),w2(stock),w3(pénurie),w4(Emb),w5(Licenc))
 Même poids W (0,2 0,2 0,2 0,2 0,2 )
 Poids différents W’ (0,1 0,2 0,5 0,05 0,15)
 Agrégation par pondération
Même poids W Poids différents W’
période EFFECTIF PROD STOCK
période effectif Productin stock
1 140 14000 0
1 140 14000 0
2 140 14000 0
2 140 14000 0
3 140 12000 0
3 140 14000 2000
4 140 14000 4000
4 140 14000 6000
5 140 14000 3000
5 140 14000 5000
6 200 20000 3000 6 190 19000 0
7 264 26400 4400 7 269 26900 1900
8 264 26400 5800 8 277 27700 4600
9 264 26400 2200 9 277 27700 2300
10 264 26400 -1400 10 277 27700 0
11 264 26400 0 11 277 25000 0
12 264 26400 4400 12 277 26400 4400

Coût total 5 541 600 TND Coût total 5 625 600 TND
Lot sizing
 Etant donné le plan de production ci-dessous, on se propose
d’évaluer les coûts relatifs aux différentes méthodes de
détermination de la taille de lot afin de choisir la meilleure
Périodes 1 2 3 4 5 6 7 8 9 10 11 12
Besoins 120 65 220 10 0 150 60 100 0 200 50 20
nets

 Les coûts de stock et les coûts de setup sont donnés

par :
 A = 100 TND/setup
 h = 0.21 TND/unité/période
Lot sizing
Même poids Poids (0,7;0,3)

t y Q t y Q
1 1 415 1 1 415
2 0 0 2 0 0
3 0 0 3 0 0
4 0 0 4 0 0
5 0 0 5 0 0
6 1 310 6 1 580
7 0 0 7 0 0
8 0 0 8 0 0
9 0 0 9 0 0
10 1 270 10 0 0
11 0 0 11 0 0
12 0 0 12 0 0

Objectif = 612,65
Objectif = 485,85
Méthode ε -contrainte
 Elle est aussi dite méthode du compromis. Elle
transforme un problème d'optimisation multiobjectif
en un problème d’optimisation mono-objectif de la
façon suivante :
 Choisir un objectif à optimiser prioritairement.
 Choisir un vecteur de contraintes initiales ε
 transformer le problème en gardant l’objectif prioritaire et
en transformant les autres objectifs en contraintes
d’inégalités
Méthode ε -contrainte

 Cette approche présente plusieurs inconvénients à

savoir :
 la formulation des préférences utilisateur est délicate et
nécessite une connaissance approfondie du problème de
départ.
 Les contraintes rajoutées compliquent la résolution du
problème
 Exemple
 Soient 6 sites de production produisant deux grandes familles de
produits. Chaque site est spécialisé dans la fabrication d’une seule
famille de produit. 3 sites sont affectés pour chaque famille.
 Les activités de vente sont organisées régionalement. Autrement
dit, un ou plusieurs pays peuvent être regroupés pour présenter
une région de planification. A titre d’exemple, Allemagne, la Suisse
et l'Autriche sont dans la même région de la planification alors que
le Portugal et l'Espagne présentent une autre région. Nous avons
classifié les clients en 3 régions. Pour chaque région, un entrepôt a
été implémenté pour assurer son approvisionnement.
 Exemple
 En raison de la situation du marché, les avantages économiques
par rapport aux concurrents ne peuvent être obtenues qu’en
diminuant le coût tout en maximisant l’utilisation des sites de
production.
 On s’intéresse à une seule famille de produit : La demande de
chaque région a été établie par le module « Demand Planning ».
 L’objectif est de déterminer le planning de production, de stockage
et de production des sites de production et des entrepôts des 6
mois prochains via le module SNP
 Exemple
 Données du problème :
 demande de chaque région chaque mois ;

 la capacité mensuelle et le coût de production unitaire de chaque site de

production ;
 le coût d’approvisionnement unitaire de chaque site à chaque entrepôt et le

coût de stockage unitaire de chaque entrepôt.

 Les entrepôts sont supposés à capacité illimitée. Il est possible qu’on produit
pendant un mois plus que la demande et ce pour faire face à l’augmentation
de la demande d’une région du mois suivant. La quantité supplémentaire
sera stockée au sein de l’entrepôt approprié.
 Données
Demande Mois 1 Mois 2 Mois 3 Mois 4 Mois 5 Mois 6
Coût de stockage
Région 1 12 000 13 000 10 000 12 000 10 000 13 000 unitaire (euros)
Région 2 9 000 13 000 12 000 8 000 10 000 10 000 Entrepôt 1 200
Entrepôt 2 400
Région 3 11 000 12 000 13 000 10 000 14 000 13 000
Entrepôt 3 300

Coût d’approvisionnement
unitaire (euros)
Coût de
Capacité mensuelle
production Entrepôt 1 Entrepôt 2 Entrepôt 3
(unité)
unitaire (euros)
Site 1 9 000 1 1 12 10
Site 2 12 000 2 7 2 6
Site 3 14 000 3 10 8 3
Modèle : min coût /maximisation TU
 Dans l'application de cette méthode, nous considérons
seulement le coût F comme objectif, et nous
choisissons une borne inférieure (ε) (pour l'objectif
"taux d'utilisation de la chaîne TU" que nous
exprimons comme contrainte
Min F
Sous contraintes TU >= ε
Modèle : min coût /maximisation TU
 Nous appliquons cette méthode en faisant varier la borne
inférieure (ε) du critère "taux d'utilisation des installations de
la chaîne",
 Nous cherchons à déterminer le taux minimum d'utilisation
des installations de la chaîne au-delà duquel les coûts
augmentent considérablement. C'est l'indice ε à partir duquel
on ne gagne plus en taux d'utilisation car les coûts
augmentent amplement, étant donné que ces deux critères
sont antagonistes.
Exemple

(Bouchriha, 2002)
Goal programming
 goal programming OU programmation par objectif OU encore
programmation par but
 Cette méthode consiste à transformer le problème multiobjectif en un
problème à un seul objectif où l'on cherche à minimiser l'écart relatif par
rapport à un point de référence appelé but fixé par la méthode ou le
décideur.
 Il existe plusieurs manières de caractériser la distance entre un point de
référence (le but) et un autre, notamment à l'aide de normes.
Goal programming
 Procédure de la méthode du goal programming :
1. Résoudre le problème avec une minimisation du coût F pour un seul objectif. Nous
déterminons ainsi le goal qui correspond au coût (F*). Ce Goal doit constituer une
borne inférieure car une augmentation du taux d'utilisation des installations de la
chaîne entraîne une augmentation des coûts.
2. Résoudre le modèle avec une maximisation du taux d'utilisation TU des sites pour
seul objectif. Nous déterminons ainsi le goal qui correspond au taux d'utilisation
des installations (TU*). Ce goal doit constituer une borne supérieure car la prise
en compte des coûts entraîne une diminution de ce taux.
Goal programming
 Comme les deux critères (F et TU) ont des ordres de grandeur
différents, on procéde à une normalisation des deux objectifs :
 Nous considérons une première variable auxiliaire ( +δ1 ) qui représente le
pourcentage de l’écart positif par rapport à F* (+δ1 = (F-F*)/F* )
 une seconde variable auxiliaire () qui représente le pourcentage de l’écart négatif
par rapport à TU*. (−δ2 =(TU-TU*)/TU*)
 Deux contraintes additionnelles sont rajoutées. Elles tiennent compte du
pourcentage de l'écart des deux objectifs de leur goal respectif. Notre problème
se ramène à minimiser la somme (pondérée) des pourcentages des écarts.
 Soient w1 et w2 les coefficients de pondération relatifs respectivement au coût et
au taux d'utilisation. Ces coefficients traduisent les préférences du décideur vis-à-
vis de ces deux critères (w1+ w2 = 1).
Goal programming
 L’objectif est : Min w1 δ1+w2 δ2
 Sous contraintes
 δ1 F*= F-F*

 δ2 TU*=TU*-TU