Vous êtes sur la page 1sur 11

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/281886433

Approvisionnement d'une chaîne logistique agile: une approche


d'optimisation dynamique

Article · November 2014

CITATIONS READS

0 534

4 authors, including:

Akram Chibani Alexandre Dolgui


Université Clermont Auvergne IMT Atlantique
6 PUBLICATIONS   5 CITATIONS    763 PUBLICATIONS   7,446 CITATIONS   

SEE PROFILE SEE PROFILE

Xavier Delorme
Mines Saint-Etienne
110 PUBLICATIONS   742 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Supply chain management; game theory; DEA View project

Digital supply chain twins View project

All content following this page was uploaded by Alexandre Dolgui on 13 October 2015.

The user has requested enhancement of the downloaded file.


10ème Conférence Internationale de MOdélisation, Optimisation et SIMulation - MOSIM’14 - 5 au 7 Novembre 2014 -
Nancy -France « de l’Économie linéaire à l’économie circulaire »

Approvisionnement d’une chaı̂ne logistique agile: une approche


d’optimisation dynamique

Akram CHIBANI1,2,3 , Xavier DELORME1,3 , Alexandre DOLGUI1,3 , Henri PIERREVAL2,3

1
École Nationale Supérieure des Mines de Saint-Étienne, 42023 Saint-Étienne CEDEX 2, France
2
Institut Français de Mécanique Avancée, CS20265, F63175, Aubière, France
3
Laboratoire d’Informatique, Modélisation et Optimisation des Systèmes, LIMOS UMR CNRS 6158
{akram.chibani, delorme, dolgui}@emse.fr, henri.pierreval@ifma.fr

RÉSUMÉ : Dans un contexte de concurrence accrue entre les entreprises, les chaı̂nes logistiques trouvent
des difficultés à réagir face un environnement de plus en plus instable et complexe. Les fluctuations des divers
paramètres d’approvisionnement présentent l’une des principales causes d’instabilité pouvant toucher la chaı̂ne
logistique pour se répercuter par la suite sur sa structure. L’objectif de cet article est de traiter une problé-
matique d’approvisionnement au niveau d’une chaı̂ne logistique flexible à deux échelons (client-fournisseurs)
dans un environnement changeant caractérisé des variations asynchrones et répétitives des prix d’achat et de
commande ainsi que des capacités des fournisseurs. Les approches d’optimisation classiques peuvent s’avérer
inadaptées pour traiter ces problèmes. Récemment, l’optimisation dynamique a pu être utilisée avec succès
dans de nombreux domaines. Toutefois, nous n’avons pas connaissance de son application dans un contexte
de chaı̂ne logistique. Pour la résolution, nous proposons une approche d’optimisation dynamique basée sur un
algorithme génétique.

MOTS-CLÉS : Chaı̂nes logistiques, approvisionnement, agilité, flexibilité, optimisation dynamique,


algorithme génétique.

1 INTRODUCTION contextes bien précis, les variations peuvent ne pas


avoir un impact simultané sur tous les paramètres re-
Les chaı̂nes logistiques cherchent à assurer leur péren- latifs au problème considéré. Cette désynchronisation
nité en mettant en place les stratégies adéquates peut se justifier dans des cas de chaı̂nes logistiques
pour réagir face à des changements. Dans le con- où les opérations d’achat ou d’approvisionnement se
texte actuel, les chaı̂nes logistiques contemporaines se font instantanément (en temps réel). En d’autres
composent de nombreux échelons qui se spécialisent termes, les variations peuvent être enregistrées sur
dans diverses activités: fournisseurs, distributeurs, un intervalle de temps court. Les problématiques
détaillants, etc. L’objectif de tout cet ensemble est d’approvisionnement du type système d’enchères et
d’acheminer le produit vers le client final en ayant du type e-commerce sont les plus connues dans
une maı̂trise des coûts et des ressources. La config- la littérature opérant dans un environnement très
uration du réseau logistique semble une étape pri- volatile dans le temps. Bien que ces variations soient
mordiale dans la conception d’une structure logis- d’amplitude faible, vu qu’elles concernent à chaque
tique qui peut réagir rapidement face à l’instabilité fois un nombre réduit des acteurs de la chaı̂ne logis-
de l’environnement. Cette tâche devient de plus en tique, elles arrivent avec une fréquence élevée. Les
plus difficile à réaliser dans un environnement carac- décideurs de la chaı̂ne d’approvisionnements se trou-
térisé par des changements fréquents qui se répercu- vent donc dans l’obligation de réévaluer le problème
tent ainsi sur tout le réseau logistique. La volatil- dans sa globalité après ces changements.
ité des marchés induit une fluctuation constante de
divers paramètres. La variation des capacités chez Les entreprises se trouvent donc incitées à réduire
les fournisseurs ainsi que la variation des différents leurs coûts en cherchant en même temps à développer
coûts logistiques sont des causes majeures de cette de nouvelles solutions liées à leurs activités de fabrica-
instabilité, ceci étant lié à la concurrence de plus en tion, d’approvisionnement ou de distribution. Cette
plus forte entre les entreprises. recherche combinée a fait l’objet de plusieurs travaux
afin de concevoir des chaı̂nes logistiques capables de
Ces perturbations touchent tous les acteurs de la répondre aux changements en termes d’efficience et
chaı̂ne d’approvisionnement. Néanmoins dans des d’efficacité. Il devient donc impératif de se doter
MOSIM’14 - 5 au 7 novembre 2014 - Nancy - France

d’outils permettant de remédier à des problématiques qu’il soit en adéquation avec les exigences du consom-
qui varient dans le temps. Pour cela, les chaı̂nes logis- mateur final. Généralement, la classification de ces
tiques doivent être agiles. Les publications récentes problématiques est établie selon l’horizon temporel
ainsi que les problématiques traités avaient, pour la qu’elles abordent (Ganeshan et al,. 1999). Les prob-
plupart, comme objectif d’atteindre cette agilité en se lèmes qui touchent à la structure du réseau logistique
reposant sur la flexibilité des processus qui composent sont souvent liés au niveau décisionnel stratégique.
les différents maillons de la chaı̂ne logistique. Nous pouvons citer les problématiques de localisation
d’entrepôts ou d’usines ou encore la structuration des
Dans ce contexte, la recherche de solutions sta- réseaux de distribution. Au niveau tactique, nous
tionnaires pour l’optimisation des chaı̂nes logistiques pouvons citer les problématiques liés à la planifica-
n’est plus nécessairement le meilleur choix. Selon tion. Pour les problématiques d’ordre opérationnel, la
quelques articles récents, la priorité devra être don- priorité est généralement donnée à la gestion en inté-
née à des méthodes qui garantissent une réponse grant l’aspect exécution tel que l’approvisionnement
rapide face à un environnement changeant (Melnyk et en matières premières ou la saisie des commandes.
al,. 2014). Contrairement aux problèmes classiques Dans l’état de l’art de (Mentzer et al,. 2001), nous
des chaı̂nes d’approvisionnements où l’on dispose de pouvons trouver plus de détails sur cette classifica-
l’information afin de pouvoir optimiser sur des péri- tion.
odes bien définies, la problématique étudiée dans ce
papier s’inscrit dans un environnement variant dans le Les problématiques abordées sont donc différentes et
temps où l’information est considérée comme incom- touchent différents niveaux décisionnels. Récemment,
plète voire inconnue. Nous nous focaliserons ici sur une attention particulière a été accordée à la concep-
l’évolution des paramètres liés à l’approvisionnement tion de chaı̂nes logistiques capables de réagir face à
dans un contexte de demande constante. des imprévus.

Récemment, l’optimisation dynamique a montré des Le terme agilité est généralement défini dans la lit-
résultats encourageants dans la résolution de prob- térature comme une réponse rapide face aux change-
lèmes dont les données évoluent en fonction du temps, ments. Ce concept est souvent utilisé dans des prob-
le but étant de chercher une solution non station- lèmes d’ordre opérationnel. Néanmoins, vu la com-
naire qui évolue selon la variation des paramètres de plexité des chaı̂nes logistiques en raison de la mul-
la problématique abordée et qui permet de piloter de titude d’acteurs et la difficulté à gérer tout cet en-
manière efficace l’agilité des chaı̂nes logistique face à semble simultanément, l’objectif de réagir rapide-
des évolutions non prévues. ment face aux imprévus semble difficile à mettre
en œuvre. Les entreprises doivent donc se focaliser
L’objectif de cet article est de résoudre un prob- sur les flux physiques (organisations, matières pre-
lème d’approvisionnement au niveau d’une chaı̂ne mières, installations, etc.) et informationnels (Sys-
logistique à deux échelons dans un contexte flex- tèmes d’information) afin de chercher à rendre les
ible pour garantir une agilité face à un environ- chaı̂nes logistique plus maniables(Ching et al., 2006).
nement variant dans le temps. Dans cet esprit, au
niveau de la section 2, nous allons tout d’abord es- (Christopher et al., 2006) distinguent des clés pour
sayer de présenter quelques définitions liées aux no- assurer cette agilité. Ils citent la réactivité, la com-
tions d’agilité et de flexibilité pour donner ensuite pétence, ainsi que la rapidité comme des leviers pour
un aperçu sur des problématiques en relation avec l’ensemble de l’infrastructure logistique afin de déter-
les problèmes d’approvisionnement. Dans la section miner le niveau d’agilité. Cela dit, ils considèrent
3, nous décrirons le problème traité. L’approche que la flexibilité est la caractéristique principale d’une
d’optimisation utilisée sera expliquée au niveau de la entreprise agile. Certes, la flexibilité a fait l’objet
section 4. Par la suite, la section 5 illustrera cette de plusieurs recherches au niveau de la conception et
approche sur différents cas d’étude. Enfin, nous con- la fabrication des produis (Koste et Malhotra, 1999)
clurons cet article en discutant des perspectives de mais lors des dernières années, les chercheurs com-
recherche concernant le problème et la méthode de mencent à s’intéresser de plus en plus à ce concept au
résolution. niveau de la chaı̂ne logistique. De ce fait plusieurs déf-
initions ont été proposées dans la littérature. (Ivanov
2 Revue de littérature et al., 2010) définissent la flexibilité de la chaı̂ne lo-
gistique comme étant une propriété qui concerne la
La littérature sur les problématiques de chaı̂nes lo- capacité de changer rapidement, structurellement et
gistiques est très vaste. En effet, durant plusieurs d’une façon fonctionnelle en réponse à un changement
années, les chercheurs ont proposé des méthodes et au niveau du comportement et de la structure du
des outils pour garantir une réduction des coûts en réseau logistique. (David Simchi-Levi 2004) assimile
optant, par exemple, pour des stratégies qui permet- la définition de la flexibilité à l’objectif de réduction
tent de moduler l’ensemble du réseau logistique afin des coûts et des délais. En se basant sur ces deux
MOSIM’14 - 5 au 7 novembre 2014 - Nancy - France

définitions, les termes utilisés s’inscrivent dans une traiter dans ce papier. Ceci dit, la majorité de ces ar-
démarche qui cherche à acheminer le produit avec le ticles cherchent dans un premier temps à tirer profit
moindre coût et les meilleurs délais en structurant le des nouvelles technologies d’information pour justi-
réseau logistique en réponse à des changements. Par fier ensuite le gain potentiel que les chaı̂nes logis-
conséquent, instaurer des stratégies flexibles lors de tiques actuelles pourraient acquérir en adoptant ce
la conception des réseaux logistiques semble une pri- mode d’approvisionnement selon plusieurs manières.
orité. Dans (Gosling et al., 2010) afin de garantir la Dans leur article, (Devaraj et al., 2012) affirment
flexibilité de la chaı̂ne logistique, deux stratégies ont que les nouvelles applications technologiques jouent
été distinguées: un rôle important dans la capacité des entreprises
à bénéficier de ce mode d’approvisionnement en
s’appuyant sur l’achat en ligne ainsi que la flexi-
• La flexibilité du vendeur (fournisseur) bilité des processus. Ils se basent dans leur étude
• La flexibilité d’approvisionnement sur un sondage recueilli auprès de 130 gestionnaires
d’achat et d’approvisionnement. Dans le même con-
texte, (Quan et al., 2011) traitent un problème
Dans cet article, nous nous intéressons à l’étude d’approvisionnement affecté par des incertitudes au
de l’évolution d’un problème d’approvisionnement niveau de l’environnement interne et externe d’une
dans un contexte flexible pour un niveau de dé- entreprise. Ils proposent pour cela un système multi-
cision opérationnel opérant dans un environnement agents pour traiter ces incertitudes grâce à la col-
variant dans le temps. Pour des problématiques laboration et l’interaction entre les différents agents.
d’approvisionnement dans une chaı̂ne logistique clas- Selon eux, l’architecture proposée améliore la flex-
sique, plusieurs travaux ont été proposés afin de déter- ibilité pour réagir face aux imprévus et garantit
miner périodiquement les quantités optimales à al- un approvisionnement agile. (Chen, 2012) a étudié
louer ainsi qu’une nouvelle conception du réseau lo- les stratégies d’approvisionnement au niveau d’une
gistique en prenant en considération les nouveaux chaı̂ne logistique composée d’un producteur et d’un
paramètres qui changent. ensemble de fournisseurs. Il prend comme exemple les
Dans ce contexte, (Seungjin et al., 2013) proposent systèmes d’enchères inverses et propose un modèle de
des stratégies flexibles liées à l’approvisionnement et théorie des jeux qui se base sur deux politiques de prix
la production dans l’objectif de reconfigurer la chaı̂ne (Prix en gros et prix en catalogue) pour déterminer
d’approvisionnement suite à des situations de change- une situation “gagnant-gagnant” entre le fabricant et
ment. Un indicateur appelé ”Suitability of configura- le fournisseur retenu.
tion” est utilisé pour indiquer l’instant de reconfigu-
ration de la chaı̂ne logistique. Cet indicateur est cal- À notre connaissance, la majorité des problèmes ont
culé en utilisant la logique floue qui a pour paramètres été étudiés afin d’optimiser l’ensemble de la chaı̂ne
d’entrée; le nombre de fournisseurs qui livrent un pro- logistique en respectant une logique décisionnelle qui
duit et la quantité de marchandises disponibles chez répond aux différents horizons de “planification”. Les
chacun d’eux. modèles d’optimisation adoptés concernent des situa-
(Chan et Chan, 2010) présentent une étude qui mon- tions où différents scénarios sur les données sont con-
tre le rôle que joue la flexibilité pour améliorer les sidérés et où l’objectif est de déterminer une solution
performances de la chaı̂ne logistique au niveau de acceptable.
l’approvisionnement et la livraison des produits afin
Cependant, les exigences actuelles pour bâtir des
de s’adapter rapidement aux changements. Le réseau
chaı̂nes logistiques agiles dans un contexte flexible né-
étudié est une chaı̂ne logistique à deux maillons com-
cessitent des méthodes plus efficientes et plus adap-
posé d’un ensemble de fournisseurs et de clients pour
tées à des variations non prévisibles. Jusqu’à main-
le cas de produits multiples. Un système multi-agents
tenant, les travaux qui se sont intéressés aux in-
est utilisé dans cette étude pour modéliser les opéra-
certitudes ou à la variabilité des données dans la
tions de la chaı̂ne d’approvisionnement pour chaque
chaı̂ne logistique ont fait l’hypothèse d’une bonne
période T . Les variations étudiées sont relatives aux
connaissance sur la variation des données pour pou-
capacités des fournisseurs. Cette variation est consid-
voir utiliser des méthodes d’optimisation stochastique
érée comme une variable indépendante.
ou robuste. Cependant, dans un contexte caractérisé
Avec l’avancée des technologies de l’information, par des fluctuations de marché, les variations de don-
l’attention a été aussi accordée à l’approvisionnement nées peuvent survenir à n’importe quel moment et
en ligne “e-procurement”. sont difficilement prévisibles. Nous sommes donc
A ce propos, ces problématiques s’inscrivent parfaite- dans l’obligation de chercher de nouvelles méthodes
ment dans une démarche de recherche de solutions pour pouvoir optimiser dans cet environnement.
rapides et efficaces pour des problèmes qui varient
Dans un contexte flexible, les chaı̂nes logistiques
considérablement dans le temps et qui se rapprochent
ont besoin de méthodes plus réactives ainsi que de
significativement du problème que nous souhaitons
MOSIM’14 - 5 au 7 novembre 2014 - Nancy - France

solutions rapides pour réduire au mieux le temps


de réponse suite aux variations. En se reposant
sur les propriétés de la flexibilité, nous allons com-
mencer dans ce qui suit, par exposer la problé-
matique d’approvisionnement qui s’inscrit dans un
niveau décisionnel opérationnel en essayant par la
suite d’expliquer l’approche utilisée lors de la réso-
lution.

3 Un problème d’approvisionnement dans


une chaı̂ne logistique flexible

3.1 Description du problème


Figure 2: Exemples de variation des données de deux
Le problème d’approvisionnement représente une des fournisseurs pour un type de produit
fonctions de l’entreprise à savoir la fonction d’achat et
ce pour un niveau décisionnel opérationnel dans le but • Les variations au niveau de la fonction objectif
de s’approvisionner en matières ou produits auprès ainsi que les contraintes sont événementielles à
d’un ou plusieurs fournisseur(s) susceptible(s) d’être intervalle et impact réduit.
sélectionné(s) pour livrer les quantités commandées.
Plusieurs paramètres de ce problème peuvent changer • Nous disposons habituellement d’un temps court
au cours du temps. Le cours de quelques matières entre l’arrivée de deux perturbations successives
premières ainsi que les coûts relatifs à l’affectation pour pouvoir ré-optimiser.
des fournisseurs sont gouvernés par un marché à forte
• La chaı̂ne logistique traitée est flexible (possi-
volatilité. Cette variation peut en même temps avoir
bilité de s’approvisionner chez plusieurs four-
un impact sur les capacités des différents fournisseurs
nisseurs pour un même produit).
qui peuvent être confrontés à des problèmes tech-
niques. La capacité varie surtout à cause de sociétés
concurrentes s’approvisionnant chez les mêmes four- 3.2 formulation du problème
nisseurs.
Pour ce problème, la notation suivante est adoptée:
Dans un premier temps, et pour des raisons de clarté,
nous avons formulé un problème à deux échelons (fig- • S : Ensemble des fournisseurs s ∈ S : {1,2,....ns}
ure 1).
• P : Ensemble des produits p ∈ P : {1,2,....np}
• ks (t) : Capacité maximale chez un fournisseur s
à t
• Dp : Demande de produit p pour le client
• Cups (t): Coût unitaire d’achat d’un produit p
chez le fournisseur s à t
• Caps (t): Coût d’affectation d’un produit p pour
un fournisseur s à t
Figure 1: La chaı̂ne logistique traitée
Les variables de décision de notre problème sont les
Notre objectif est de trouver après chaque change- suivantes:
ment de données la nouvelle configuration ainsi que
la quantité optimale à commander auprès des four- • Qps : Quantité de produit p commandée chez le
nisseurs au cours du temps. fournisseur s.
Nous avons considéré des variations sur trois
1 : Si on choisi le f ournisseur s
paramètres: les capacités des fournisseurs, le prix uni- • Vs : {
0 : Sinon
taire d’achat et le coût d’affectation des fournisseurs.
L’objectif est de minimiser le coût total en satisfaisant
la demande du client et en respectant les capacités des Ce problème peut ainsi se formuler avec le modèle
fournisseurs. suivant:
XX XX
Ceci dit, la problématique considérée doit répondre à M in Z(t) = Cups (t).Qps + Caps (t).Vs (1)
un certain nombre d’hypothèses: p∈P s∈S p∈P s∈S
MOSIM’14 - 5 au 7 novembre 2014 - Nancy - France

s.c On trouve dans la littérature quelques papiers util-


isant l’optimisation dynamique dans divers domaines.
(Nguyen et al., 2012) classent les problèmes selon
X
Qps = Dp ∀p ∈ P (2)
s∈S
deux catégories.

• Des problèmes “tests”


X
Qps ≤ ks (t).Vs ∀s ∈ S (3) • Des problèmes “réels”
p∈P

Dans la première catégorie, on cherche souvent à met-


tre en place des fonctions objectifs complexes afin de
Vs ∈ {0, 1} ∀s ∈ S (4) tester la puissance des algorithmes et leurs capacités
à s’adapter aux variations. Cependant, dans la deux-
ième catégorie, les chercheurs ont essayé de résoudre
des problématiques du monde réel en utilisant les al-
Qps ∈ N ∀s ∈ S ∀p ∈ P (5) gorithmes développés et testés sur les problèmes tests
(Tezuka et al., 2006).

Cette formulation implique la minimisation du coût Peu de travaux traitent des problématiques réelles
total correspondant au client au cours du temps. en général et des chaı̂nes logistiques en particulier.
L’équation 2 assure la satisfaction de la demande de Néanmoins des chercheurs se sont intéressés à la prob-
la clientèle pour chaque produit. L’équation 3 met lématique de tournées de véhicule dynamique (Dy-
en évidence le respect de la quantité maximale que namic Vehicule Routing Problem (DVRP)). En effet
nous pouvons commander chez chaque fournisseur en une variante de ce problème est d’introduire des de-
nombre total des produits. mandes de clients au cours du temps (Pillac et al.,
2013). Le choix de l’optimisation dynamique est donc
La figure 2, illustre quelques exemples de variations justifié par le temps limité entre deux décisions pour
des trois paramètres au cours du temps. Notons à pouvoir ré-optimiser d’une façon statique. Plusieurs
ce propos qu’une variation peut éventuellement être approches ont été utilisées pour la résolution d’un
considérée comme isolée (touchant un seul paramètre) problème d’optimisation dynamique. Selon l’état de
ou groupée (affectant deux paramètres ou plus). En l’art de (Cruz et al., 2010), la majorité des problèmes
d’autres termes une variation au niveau du prix uni- utilisent des algorithmes évolutionnaires. Bien que
taire d’achat par exemple, n’implique pas automa- d’autres techniques ont été utilisées, environ 90% des
tiquement une variation au niveau de la capacité d’un articles utilisent ces algorithmes à base de popula-
fournisseur. Comme indiqué précédemment, nous tions.
traitons le cas de variations asynchrones d’amplitude
mineure et relativement fréquentes. Ceci dit, au delà Plusieurs techniques ont été proposées dans différents
du caractère dynamique, le problème abordé est un travaux pour distinguer les caractéristiques d’un algo-
problème NP-difficile (Chibani et al.,2014). rithme évolutionnaire adapté au cas dynamique. Les
principales techniques sont les suivantes:
Dans la partie qui va suivre, nous allons essayer de ré-
soudre ce problème dynamiquement. Vu le potentiel
• Introduire de la diversité après un changement
de l’optimisation dynamique à traiter des problèmes
évoluant dans un environnement instable, le choix de • Utiliser des méthodes auto-adaptatives
cette méthode paraı̂t intéressant pour cette problé-
matique. • Maintenir la diversité
• Utiliser une mémoire
4 Approche de résolution
• Utiliser plusieurs populations
4.1 L’optimisation dynamique
• Prédire les futurs changements
Un problème d’optimisation dynamique est défini
comme étant un problème dont la fonction objectif L’algorithme que nous allons proposer est basé sur
(et/ou) les contraintes varient dans le temps (Cruz et quelques techniques que nous avons citées précédem-
al., 2010). Généralement pour ce genre de probléma- ment. En effet, l’attention a été accordée à une ap-
tiques il n’y a pas assez de temps pour ré-optimiser proche de mémorisation et d’introduction de diversité
après chaque variation. L’objectif est de suivre le une fois que les variations surviennent. Les meilleures
comportement de l’optimum et non pas de chercher solutions trouvées sont exploitées pour accélérer la
une solution stationnaire (Lepagnot et al., 2009). convergence de l’algorithme.
MOSIM’14 - 5 au 7 novembre 2014 - Nancy - France

Dans ce qui suit, nous allons présenter quelques dé-


tails de l’algorithme génétique adapté à notre problé-
matique.

4.2 Un algorithme génétique dynamique


Les algorithmes génétiques sont des algorithmes in-
spirés de l’évolution des espèces. Ils appartiennent à
la famille des algorithmes évolutionnaires. Leur but
est d’obtenir une solution approchée à un problème
d’optimisation lorsqu’il n’existe pas de méthode ex-
acte pour le résoudre en un temps raisonnable. Par
analogie avec les termes que les biologistes utilisent,
une population sera un ensemble d’individus. Chaque
individu est une réponse codée sous forme de gênes à
un problème donné. L’ensemble des gênes composant
une réponse possible est appelé chromosome. Enfin, Figure 3: Exemple de croisement
une génération présente une itération de notre algo-
rithme (Goldberg, 1989).
Le codage. Cette étape associe à chaque solu- k. Les individus qui sont choisis s’échangent leurs
tion une représentation sous forme de chromosome. parties pour créer des nouvelles solutions.
Chaque solution est représenté par un chromosome Pi
qui sera constitué d’un ensemble de gênes correspon- Notons P1 et P2 les parents issues de la sélection et
dant au nombre de fournisseurs dans notre problème E1 et E2 les enfants crées après le croisement. Afin
noté Qj . Ces gênes contiennent les quantités que le de garantir le respect de la demande totale du client,
client commande auprès de chaque fournisseur. nous avons opté pour un calcul proportionnel des
quantités, les équations 6, 7 et 8 sont utilisés. La fig-
L’initialisation. Cette phase permet de générer une ure 3 illustre un exemple de croisement pour un cas
population d’individus qui servira de base pour les de 5 fournisseurs avec une demande de 50 unités pour
générations futures. De manière incrémentale, chaque le premier type de produit et un point de croisement
quantité est attribuée aléatoirement dans un inter- k = 3.
valle qui correspond aux capacités des fournisseurs
sans excéder la demande totale du client. Ainsi les ∀ j ∈ k + 1....ns
contraintes 2 et 3 sont respectées. Tous les gènes sont
( h Pns
limités à des nombres entiers non négatifs satisfaisant P11j
i Pns
Pk+1
ns × P12j : k+1 P12j 6= 0
donc la contrainte 5 du problème. L’ensemble de la E11j = Pnsk+1 P12j (6)
population doit être évaluée par le calcul du “fitness” P
k+1 12j /ns −k : Sinon
de chaque individu en se basant sur la fonction ob-
jectif définie dans l’équation 1 pour le cas d’un mono
produit.
( h Pns P12j
i Pns
La sélection de reproduction. La sélection per- Pk+1
ns × P11j : k+1 P11j 6= 0
met d’identifier les individus qui vont participer aux E12j = Pnsk+1 P11j (7)
prochaines étapes. Après la création et l’évaluation k+1 P11j /ns − k : Sinon
de la population initiale, certains individus sont sélec-
tionnés pour participer à la création de la nouvelle
génération. Nous optons pour la méthode de sélec-
tion par tournoi. Le principe est de faire un tirage
aléatoire de deux individus, celui qui a le fitness le P113 + P114 + P115
E113 = [ × P123 ] = 20 (8)
plus fort l’emporte. On répète cette étape n fois pour P123 + P124 + P125
obtenir les individus sélectionnés pour les étapes de
production.
La mutation. L’opérateur de mutation consiste
Le croisement. Le croisement a pour objectif à échanger, de façon aléatoire, un gène au niveau
d’enrichir la diversité de la population en manipu- d’un chromosome par un autre, il apporte donc à
lant la combinaison des chromosomes. les individus l’algorithme génétique une diversification nécessaire
sont sélectionnés et seront manipulés par un opéra- pour une exploration efficace de l’espace de recherche.
teur de croisement qui les choisit selon une probabilité Un transfert de quantité entre deux gênes tirés au
Pcross . Pour notre cas, nous utiliserons un opérateur hasard est appliqué avec une probabilité de mutation
de croisement simple (à un seul point de coupe) noté Pmut .
MOSIM’14 - 5 au 7 novembre 2014 - Nancy - France

Figure 4: Exemple de mutation pour deux produits

Algorithm 1 Algorithme de réparation


∀ s ∈ 1...ns ∀ p ∈ 1...np

ks − Qps : Qps > 0


Rps = {
P0 : otherwise
Pp = ps|Rps <0 (−Rps )
∀s|Rps < 0 Rps ← 0
P
while (Pp > s Rps ) do
ps* ← argmin {Cups }
ps|Qps =0
Qps∗ ← 1
Rps∗ ← kps∗ − Qps∗
Pp ← Pp − 1
end while Figure 5: L’algorithme génétique proposé

while (Pp > 0) do


ps* ← argmin {Caps }
s|Qps >0 générations. Nous optons pour une stratégie de sélec-
Lp ← min{Rps∗ , Pp } tion élitiste qui garde les meilleurs individus après la
Qps∗ ← Qps∗ + Lp fin de chaque itération.
Rps∗ ← kps∗ − Qps∗
Pp ← Pp − Lp La figure 5 résume les différentes étapes
end while de l’algorithme proposé. Après les phases
d’initialisation, de sélection et de production,
une fois le critère d’arrêt atteint, nous obtenons
Note: Les opérateurs de croisement et de mutation une population constituée des meilleurs individus.
permettent de garantir le respect de plusieurs con- Lorsque une variation des données survient, nous
traintes de notre problématique, cependant lors de considérons la population mémorisée comme la
ces opérations, la contrainte de capacité chez les four- nouvelle population à utiliser après le changement.
nisseurs peut être violée. Pour cette raison, nous Une procédure de réparation est appliquée pour
avons mis en place un algorithme de réparation qui a répondre aux nouvelles contraintes du problème.
pour principe la correction en cas d’excès de capac-
ité en se basant sur les prix fixes et variables chez 5 Expérimentations
les fournisseurs (Algorithme 1). L’algorithme corrige
les écarts éventuels au niveau des capacités des four- Nous allons présenter des expérimentations qui por-
nisseurs et ce en se basant sur les prix d’achat et tent à la fois sur le cas mono-produits et un cas multi-
d’affectation. Pour chaque type de produit, on cal- produit. L’objectif est d’analyser le comportement de
cule dans un premier temps l’éventuel excès chez les notre algorithme pour chacun des scénarios présentés.
fournisseurs noté (Rpj ). Après nous répartissons la
somme notée P sur les fournisseurs ayant le coût uni- Pour le cas mono-produit, deux expérimentations
taire d’achat le moyen élevé en incrémentant la quan- sont mises en relief. L’optimisation est faite sur 50
tité chez le fournisseur sélectionné d’une unité pour fournisseurs. La taille de la population est égale à
le produit considéré. 40 individus et les taux de croisement et de muta-
tion sont respectivement de l’ordre de 0.8 et 0.2. À
La sélection de remplacement. La sélection per- partir de deux instances aléatoires, le problème est
met d’identifier les meilleurs individus d’une popu- confronté dans un premier temps à 3 variations à in-
lation et d’éliminer les mauvais pour les prochaines tervalles réguliers puis à 6 variations non régulières.
MOSIM’14 - 5 au 7 novembre 2014 - Nancy - France

Ces changements revoient à la hausse ou à la baisse latif à ce problème dynamique montre une efficacité
les trois paramètres de notre problème. Suite aux en termes de maı̂trise des coûts ainsi qu’une réactiv-
variations que subit la fonction objectif et les con- ité justifiée par l’utilisation des informations stockées
traintes, l’idée est d’utiliser pour les mêmes instances en mémoire.
un algorithme génétique réactif qui génère à chaque
fois une population aléatoire après chaque variation Dans le même esprit, nous avons testé une instance
et un algorithme dynamique qui part des meilleures aléatoire pour le cas multi-produits. L’optimisation
solutions calculées avant les changements. est faite aussi sur 50 fournisseurs pour une demande
de trois produits avec des quantités différentes. La
Bien que les deux algorithmes convergent de la même taille de population quant à elle est égale à 20. Les
manière après la configuration initiale, l’algorithme taux de croisement et de mutation sont respective-
génétique dynamique s’adapte plus rapidement aux ment de l’ordre de 0.8 et 0.2. L’algorithme est con-
changements que l’algorithme réactif. Le fait de par- fronté à 5 variations. Ces changements revoient tou-
tir des meilleures solutions après chaque variation jours à la hausse ou à la baisse les trois paramètres
s’avère plus efficace que de régénérer une popula- de notre problème d’une manière non simultanée.
tion initiale aléatoire. Dans ce cas de figure, on part Comme pour le cas d’un seul produit, L’algorithme
du principe que les changements ne sont pas dras- génétique dynamique s’adapte plus rapidement aux
tiques. Cette hypothèse justifie encore une fois le variations. Une fois que le changement survient,
choix de l’optimisation dynamique. En effet, dans l’algorithme réactif, partant des solutions aléatoires,
le cas d’importants changements, redémarrer un al- ne trouve pas le temps de terminer sa convergence.
gorithme d’optimisation réactif serait plus opportun. Ce constat est illustré d’une façon significative au
Les deux figures 6 et 7 mettent en évidence le com- niveau du deuxième changement. Au moment où
portement des deux algorithmes tout en satisfaisant l’algorithme réactif part à nouveau d’une nouvelle
les contraintes du modèle mathématique adopté ainsi population, les solutions mémorisées à ce moment-
que l’hypothèse citée auparavant. là ont permis de continuer la convergence pour
l’algorithme dynamique. Ceci peut être expliqué par
la qualité des solutions trouvées ainsi que la procédure
de réparation qui a généré des solutions admissibles
de bonnes qualité. La figure 8 illustre le comporte-
ment des deux algorithmes pour le cas multi-produit.

Figure 6: Comportement de l’algorithme après vari-


ation des données: 1er cas mono-produit

Figure 8: Comportement de l’algorithme: Cas multi-


produits

6 Conclusion

Dans ce papier, nous avons proposé une première ap-


proche d’optimisation dynamique pour un problème
d’approvisionnement dans un environnement variant
Figure 7: Comportement de l’algorithme après vari- dans le temps. L’objectif principal est de faire face à
ation des données: 2ème cas mono-produit l’évolution asynchrone des coûts ainsi que de la capac-
ité des fournisseurs pour une demande constante dans
Les résultats obtenus dans les deux instances sem- le temps. L’approche à montré son intérêt dans un
blent en adéquation avec la finalité de rechercher une contexte où l’évolution des données demeure inconnue
agilité en réponse à des variations. L’algorithme re- ce qui empêche d’utiliser des méthodes d’optimisation
MOSIM’14 - 5 au 7 novembre 2014 - Nancy - France

classiques. De plus, le potentiel de l’approche reste chain strategies. International Journal of Pro-
intact si nous prenons d’autres considérations concer- duction Economics, 128(1), p. 11-21.
nant le modèle et les techniques liées à l’optimisation
dynamique. Ces premiers résultats s’inscrivent dans Cruz Carlos, Gonzalez Juan R. et Pelta David. A,
un processus qui a pour finalité la “reconfiguration 2010. Optimization in dynamic environments: a
dynamique” de la chaı̂ne logistique. Les prochaines survey on problems, methods and measures. Soft
directions de recherche vont donc concerner le modèle Computing, 15(7), p. 1427-1448.
et la méthode de résolution. Il s’agira dans un pre-
mier temps de mener d’autres expérimentations ainsi David Simchi-Levi, 2004. Operations rules, 22(2),
que des scénarios pour le cas multi-produits. Dans The MIT Press.
un deuxième temps, d’autres paramètres du problème
Devaraj S., Vaidyanathan G., and Mishra A.N.,
peuvent être assujettis à des évolutions au cours du
2012. Effect of purchase volume flexibility and
temps. En effet, la volatilité de la demande peut ren-
purchase mix flexibility on e-procurement perfor-
dre le problème plus complexe lors de la résolution.
mance: An analysis of two perspectives. Journal
Enfin, l’intégration d’une connaissance partielle des
of Operations Management, 30(7), p. 509-520.
données ainsi qu’une hybridation des méthodes clas-
siques de résolution avec l’optimisation dynamique Ganeshan Ram, Jack Eric, Magazine J. Michael et
peut élargir le rayon des problématiques industrielles Stephens Paul, 1999. A Taxonomic Review of
que nous pouvons traiter. Face à la “myopie” qui con- Supply Chain Management Research. Interna-
cerne l’arrivée des données, il est difficile d’anticiper tional Series in Operations Research and Man-
les futurs changements mais il serait malgré tout pos- agement Science,17, p. 839-879.
sible de tirer profit de connaissances partielles comme
par exemple la connaissance de la date de commande. Gilles Paché et Alain Spalanzani, 2007. La ges-
La résolution quant à elle pourra inclure d’autres tion des chaı̂nes logistiques multi-acteurs : per-
techniques de résolution avec des algorithmes évolu- spectives stratégiques, Presses universitaires de
tionnaires dans le cas dynamique. Grenoble.

REMERCIEMENTS Goldberg, D.E., 1989. Genetic Algorithms in


Search, Optimization, and Machine Learning.
Les auteurs adressent leurs remerciements au LABEX Reading, MA: Addison-Wesley.
IM OBS 3 . Son soutien à cette recherche est grande-
Gosling J., Purvis L. et Naim M., 2010. Supply
ment apprécié.
chain flexibility as a determinant of supplier se-
lection. The International Journal of Logistics
REFERENCES Management, 17(2), p. 277-287.
Chan H.K. et Chan F.T.S., 2010. Compara-
Ivanov Dmitry, Sokolov Boris et Kaeschel Joachim.
tive study of adaptability and flexibility in dis-
A multi-structural framework for adaptive sup-
tributed manufacturing supply chains. Decision
ply chain planning and operations control with
Support Systems, 48(2), p. 331-341.
structure dynamics considerations. European
Journal of Operational Research, 200(2), p. 409-
Chen Kebing, 2012. Procurement strategies and co-
420.
ordination mechanism of the supply chain with
one manufacturer and multiple suppliers. In- Koste L. et Malhotra M., 1999. A theoretical frame-
ternational Journal of Production Economics, work for analyzing the dimensions of manufac-
138(1), p. 125-135. turing flexibility. Journal operations Manage-
ment, 22(2), p. 171-196.
Chibani, A., Delorme, X., Dolgui, A., and Pierreval,
H., 2014. Dealing with Variations for a Supplier Lee Hau L., 2004. The triple-A supply chain. Har-
Selection Problem in a Flexible Supply Chain - A vard business revie, 82(10), p. 102-112.
Dynamic Optimization Approach. International
Conference on Operations Research and Enter- Lepagnot J., Nakib A., Oulhadj H. et Siarry P.,
prise Systems (ICORES 2014), p. 322-327. 2009. Performance Analysis of MADO Dynamic
Optimization Algorithm. Intelligent Systems
Ching T.L, Hero C. et Po Y.C, 2006. Agility in- Design and Applications, p. 37-42.
dex in the supply chain. International Journal
of Production Economics, 100(2), p. 285-299. McCullen P., Saw R., Christopher M., et Towill D.,
2006. The F1 Supply Chain: Adapting the Car
Christopher Martin, Peck Helen et Towill Denis, to the Circuit-the Supply Chain to the Market
2006. A taxonomy for selecting global supply Supply Chain Forum, 7(1), p.14-23.
MOSIM’14 - 5 au 7 novembre 2014 - Nancy - France

Melnyk, Steven, A., Ram Narasimhan et Hugo, A.


DeCampos, 2014. Supply chain design: issues,
challenges, frameworks and solutions. Interna-
tional Journal of Production Research, 52(7), p.
1887-1896.
Mentzer John T., DeWitt William, Keebler James
S., Min Soonhong, Nix Nancy W., Smith, Carlo
D. et Zacharia Zach G., 2001. W hat is Supply
Chain Management?Journal of business logistic,
22(2), p. 1-25.
Nguyen Trung Thanh, Yang Shengxiang, Branke
Juergen, 2012. Evolutionary dynamic optimiza-
tion: A survey of the state of the art. Swarm
and Evolutionary Computation, 6(1), p. 1-24.
Pillac Victor, Gendreau Michel, Gueret Christelle
et Medaglia Andrès, 2013. A review of dynamic
vehicle routing problems. European Journal of
Operational Research, 225(1), p. 1-11.

Quan Liu, Sherry X. Sun, Huaiqing Wang and


Jing Zhao, 2011. A multi-agent based sys-
tem for e-procurement exception management.
Knowledge-Based Systems, 24(1), p. 49-57.
Seungjin Oh, Kwangyeol Ryu et Mooyoung Jung,
2013. Reconfiguration framework of a supply
network based on flexibility strategies. Comput-
ers and Industrial Engineering, 65(1), p. 156-
165.
Tezuka M., Munetomo M., Akama K. et Hiji M.,
2006. Genetic Algorithm to Optimize Fitness
Function with Sampling Error and its Applica-
tion to Financial Optimization Problem. 2006
IEEE International Conference on Evolutionary
Computation, p. 81-87.

View publication stats