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

net/publication/228795681

Modèles mathématiques et métaheuristiques pour la planification tactique

d'une chaine logistique de type flowshop hybride

Article · May 2010

CITATION READS

1 278

3 authors, including:

Michel Gourgand David Lemoine

Université Clermont Auvergne IMT Atlantique
120 PUBLICATIONS   749 CITATIONS    36 PUBLICATIONS   70 CITATIONS   

SEE PROFILE SEE PROFILE

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

Risk, Credit and Supply Chain Management (RCSM) View project

All content following this page was uploaded by Michel Gourgand on 30 May 2014.

The user has requested enhancement of the downloaded file.

8e Conférence Internationale de MOdélisation et SIMulation - MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie
« Evaluation et optimisation des systèmes innovants de production de biens et de services »

MODELES MATHEMATIQUES ET METAHEURISTIQUES POUR LA

PLANIFICATION TACTIQUE D’UNE CHAINE LOGISTIQUE DE TYPE
FLOWSHOP HYBRIDE

Michel Gourgand, Sylvie Norre David Lemoine

LIMOS, UMR 6158 IRCCyN, UMR CNRS 6597

Université Blaise Pascal Ecole des mines de Nantes
63173 Aubière cedex - France 4 rue A. Kastler, 44307 Nantes - France
gourgand@isima.fr, norre@moniut.univ-bpclermont.fr david.lemoine@emn.fr

RESUME : La planification tactique consiste à élaborer des plans de production c'est-à-dire à déterminer les quanti-
tés de produits à fabriquer par période afin de répondre au mieux à la demande, à un moindre coût. Les probléma-
tiques traitées diffèrent principalement selon deux critères : planification mono-niveau (produits finis) ou multi-niveau
(produits finis et composants) et planification mono-site ou multi-site. En nous appuyant sur un cas d’étude que nous
généralisons, nous proposons un modèle mathématique de « lot sizing » multi-niveau pour la planification tactique
d’une chaîne logistique dont la topologie s’apparente à un FlowShop Hybride. Devant la complexité algorithmique
engendrée par l’optimisation d’un tel modèle, nous proposons une méthode d’optimisation approchée s’appuyant sur
une décomposition du problème en deux sous-problèmes : en agrégeant les usines de chaque étage nous nous ramenons
à un MLCLSP à nomenclature série, ensuite nous affectons la production déterminée sur l’ensemble des usines de
chaque étage. Ainsi, nous utilisons conjointement une métaheuristique de type recuit-simulé (pour le MLCLSP) et une
heuristique (pour l’affectation). Nous testons ce schéma sur des instances de taille industrielle. Enfin, devant la com-
plexité des algorithmes mis en œuvre, nous proposons une évolution de celui-ci, intégrant la résolution de modèles
mathématiques, afin d’en accroître la rapidité.

MOTS-CLES : planification, chaîne logistique, nomenclature série, modèle mathématique, métaheuristique.

années un enjeu majeur de l’optimisation des chaînes

1 INTRODUCTION
Dans cet article, nous nous intéressons aux problèmes de
planification tactique de la chaîne logistique. Les pro-
blématiques traitées diffèrent principalement selon deux
critères : planification mono-niveau (plan directeur de
production des produits finis) ou multi-niveau (planifica-
tion des composants) et planification mono-site ou mul-
ti-site. Communément, les problèmes de planification
sont formalisés par des modèles mathématiques dits de
« lot sizing ». Parmi ceux-ci, le « Capacitated Lot Sizing
Problem » (CLSP) est considéré comme un modèle de
référence permettant de traiter la problématique de géné-
ration de plan directeur de production dans un contexte
mono-site. Concernant la planification multi-niveau, le
« Multi Level Capacitated Lot Sizing Problem »
(MLCLSP) est reconnu comme modèle de référence et
traite des problématiques MRP et MRPII. Si les problé-
matiques mono-site ont été largement étudiées dans la
littérature, (Comelli et al.,2008) soulignent l’absence de
modèle de référence pour les problématiques multi-site.
Ceci s’explique notamment par la diversité des chaînes
logistiques et des problématiques traitées. Néanmoins, de
par la nature multi-niveau de la production multi-site, les
modèles de la littérature ((Rizk et Martel, 2001), (Thier-
ry et al., 1994) …) sont dérivés du modèle du MLCLSP.
Partie intégrante de la problématique de planification
multi-site, la synchronisation des plans de production des
divers sites de production représente depuis plusieurs
logistiques. Dans le cas d’une chaîne logistique externe,
comprenant donc plusieurs entités indépendantes, propo-
ser une synchronisation des sites suppose une collabora-
tion forte et un partage de l’information entre les diffé-
rents acteurs. Pour réaliser celle-ci, deux approches peu-
vent être adoptées : une approche centralisée ou décen-
tralisée (Thierry et al., 1994). L’adoption d’une approche
centralisée, supposant donc une très forte (mais hypothé-
tique) collaboration des différents acteurs de la chaîne
logistique, permet de concevoir des plans de production
apportant une solution globalement meilleure que celle
obtenue par une approche décentralisée. Mais il est évi-
dent qu’une telle approche ne devient totalement perti-
nente que dans le cas d’une chaîne logistique interne, où
le partage de l’information s’il n’est pas total est pour le
moins très fort. Dans cet article, nous nous focalisons
sur ce type d’approche pour la planification tactique
d’une chaîne logistique.
Une classification des problèmes de planification de
chaînes logistiques peut être également établie en fonc-
tion de la typologie de la nomenclature des produits
qu’elle fournit. En se limitant aux nomenclatures con-
vergentes, nous pouvons distinguer trois types : les no-
menclatures séries, d’assemblage et générales. Cet article
s’intéresse aux chaînes logistiques dites à nomenclature
série : la gamme des produits est réalisée successivement
sur plusieurs sites. Ces dernières sont typiques des indus-
 MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie
tries de métallurgie où les produits peuvent être trans-
formés, puis usinés sur plusieurs sites.
Cet article est articulé de la manière suivante : dans une
première partie, nous présentons le cas d’étude industriel
sur lequel s’appuie notre étude. Dans une seconde partie,
un état de l’art sur le modèle de référence de planifica-
tion multi-niveau, le MLCLSP, sera proposé. Dans ce
dernier, nous focaliserons sur les contributions portant
sur des nomenclatures série, permettant ainsi de situer
notre problématique. Dans une troisième partie, un mo-
dèle générique de planification tactique pour les chaînes
logistiques de type flow shop hybride sera donné. La
partie suivante sera consacrée à la présentation d’une
méthode de résolution, basée sur l’utilisation conjointe
d’une métaheuristique et d’une heuristique d’affectation
ainsi que des résultats obtenus. Enfin, devant la com-
plexité des algorithmes mis en œuvre dans la méthode
d’optimisation, une évolution de celle-ci, utilisant con-
jointement une métaheuristique et un solveur, sera pré-
sentée.
2 CAS D’ETUDE INDUSTRIEL
L’étude de cas concerne la planification centralisée
d’une chaîne logistique interne. Elle est constituée de
six usines : U1, U2, U3, U4, U5 et U6.
La nomenclature des produits est considérée comme
série, bien que des composants soient adjoints à ceux-ci
au fur et à mesure de leurs transformations : la probléma-
tique de planification se limite au produit principal. La
Figure 1 présente le synoptique des flux suivis par les
produits au travers de cette chaîne logistique. La chaîne
logistique étudiée est constituée de quatre étages. Au
second étage, chaque produit peut être transformé indé-
pendamment par les trois usines le composant. A la
sortie de chaque étage, des aires de stockages sont dis-
ponibles : les produits qui auront été transformés par une
des usines de l’étage y seront entreposés. Ainsi, à l’instar
des types d’ateliers étudiés par la communauté
d’ordonnancement, nous appelons cette structure : chaîne
logistique de type Flow Shop Hybride.
U2
U1 I1 U3 I2 U5 I3
U4
Etage 1 Etage 2 Etage 3
Flux
Usine Stock
physique
Figure 1 : Cas d’étude industriel
L’objectif de l’étude est de proposer une planification
tactique pour l’ensemble de la chaîne logistique, consis-
tant à générer pour chaque usine, un plan directeur de
production sur un horizon de 24 mois à la maille se-
maine, ces différents plans devant être synchronisés sur
l’ensemble de la chaîne et devant respecter les capacités
de production de chaque usine.
Au niveau de l’étage 2, la production peut s’effectuer
sur n’importe quelle usine ce qui constitue un problème
d’allocation de production.
Les contraintes de transport entre les différents sites de
production ne sont pas prises en compte. Cependant, une
obtenu en période ‫( ݐ‬donc stocké en ‫ )ݐ‬n’est disponible
contrainte dite de périodicité est considérée : un produit
début de la période ‫ ݐ‬+ 1.
pour un autre site de production ou pour un client qu’au
Le but de notre formalisation est de fournir un ensemble
de plans de production synchronisés minimisant les
coûts de mise en œuvre. Traditionnellement, dans les
modèles de « lot sizing » deux coûts sont pris en
compte : les coûts de stockage et de lancement de cam-
pagne. Dans cette étude, la contrainte de périodicité
impose à chaque article de rester au moins une période
en stock : le coût de stockage engendré est donc peu
pertinent en termes d’optimisation. Ainsi un coût de
« surplus » est défini et correspond aux articles restant en
stock plus d’une période. Par ailleurs, la demande peut
ne pas être satisfaite, engendrant ainsi un coût de « de-
mande perdue ». L’objectif est donc de proposer des
plans directeurs de production synchronisés minimisant
la somme de ces trois coûts : les coûts de lancements, de
surplus et de demande perdue.
Dans la section suivante, un état de l’art centré sur le
MLCLSP, modèle de référence pour les problèmes mul-
ti-niveau est présenté. Un accent particulier est mis sur
les contributions traitant de nomenclatures séries.
3 ETAT DE L’ART
La planification dans le cas d’une coordination centrali-
sée des activités d’une chaîne logistique fait l’objet
d’une littérature abondante. Au centre de cette préoccu-
pation, la planification tactique, dont l’un des buts ma-
jeurs est l’élaboration de plans de production pour
chaque site de fabrication, joue un rôle prépondérant.
U6 I4
Dans le contexte d’une chaîne logistique, l’élaboration
de tels plans suppose une synchronisation (dite horizon-
tale) de la part de tous les acteurs intervenant dans le
processus de fabrication. Dans un cas général, celle-ci
vise à assurer la fabrication et la mise à disposition en
Etage 4
temps utile des composants nécessaires à l’obtention des
produits finis afin de répondre au mieux à la demande
Etage
client, avec un coût minimum pour la chaîne logistique.
Des modèles mathématiques ont été développés pour
tenter d’optimiser ces deux critères souvent antagonistes.
Ceux-ci sont généralement dérivés des modèles de Lot
sizing multi-niveau.
 MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie

Les figures 2 et 3 montrent une classification des diffé- Référence Modèle Méthodes Instances
rentes méthodes de résolution proposées dans la littéra- Heuristiques
(Blackburn 1 produit fini,
ture pour le MLPP et le MLCLSP (Le MLLP, Multi- séquentielles à
et Millen, MLLP 5 niveaux,
Level Lot Sizing Problem étant vu comme un MLCLSP modification de
1985) 12 périodes
à capacité infinie). Cette classification est une version coûts
étendue de celle proposée dans (Comelli et al.,2008). 3 produits
Heuristique basé
(Maes et finis,
MLCLSP sur de la relaxa-
al., 1991) 3 niveaux,
tion linéaire
10 périodes
(Zangwill, Programmation
MLLP X
1966) Dynamique
Heuristique basé 1 produit fini,
(Vörös,
MLLP sur de la relaxa- 5 niveaux,
2002)
tion linéaire 5 périodes
Tableau 1 : travaux pour les nomenclatures séries.

Les modèles multi-niveau permettent de planifier la

Figure 2 : Classification des méthodes de résolution
pour le MLLP
production des composants nécessaires à la fabrication
des produits finis. Pour cela, ils utilisent une matrice
appelée « gozinto » qui permet de lier la demande des
produits entre eux. Dans le cas d’une nomenclature série,
cette matrice prend une forme particulièrement simple
puisqu’il s’agit d’un bloc de Jordan nilpotent. Parmi les
auteurs cités dans le Tableau 1, la majorité modélise les
problématiques séries grâce à une telle matrice. Néan-
moins, la structure particulière de la matrice « gozinto »
a permis à certains de proposer des modèles dédiés à ce
type de nomenclature : (Vörös, 2002) propose un modèle
de planification basée sur un MLLP et utilisant cette
structure.
4 UN MODELE GENERIQUE DE
PLANIFICATION

Outre l’adjonction de contraintes de capacité, le pro-

blème de planification étudié diffère du modèle de (Vö-
rös, 2002) par l’ajout des spécificités suivantes :

- la présence de plusieurs sites pouvant effectuer la

même opération de gamme pour un même niveau
de la chaîne (chaîne logistique de type Flow Shop
Hybride).
- la contrainte de périodicité. Le but de cette der-
Figure 3 : Classification des méthodes de résolution nière est d’assurer qu’une quantité produite à la

qu’en ‫ ݐ‬+ 1.
pour le MLCLSP période t n’est disponible pour un autre site

Cette classification montre que les extensions des mo-
dèles multi-niveau sont nombreuses et que chacune
d’elles a été finalement étudiée par peu d’auteurs, ren-
dant difficile la comparaison des méthodes de résolution
proposées pour l’ensemble des instances.
Le tableau 1 est extrait de la classification précédente et
fait apparaître les auteurs proposant des résultats pour
- La contrainte de perte de commandes dite de
"shortage". Dans ce problème, le coût d’une
commande perdue est estimé, il est néanmoins
possible de se ramener à un problème sans perte
de commande en augmentant celui-ci.
- La fonction objectif vise à minimiser la somme
des coûts de lancement de campagne, de surplus
et de demande perdue.

Pour obtenir un produit fini ݅, celui-ci doit passer succes-

des nomenclatures séries. Il présente les extensions,
méthodes et instances étudiées par ceux-ci.

être transformé. Ainsi, nous pouvons noter par ݅௞ la ݇ ௘௠௘

sivement sur chaque étage de la chaîne logistique pour y

transformation du produit ݅, ce qui correspond à «l’état»

Aucune des formalisations proposées dans ce tableau ne

du produit ݅ après être passé sur l’étage ݇. Par soucis

traite des spécificités de notre problème. De plus, nous

d’homogénéité, nous notons ݅ெ le produit fini ݅.

pouvons également remarquer la taille extrêmement
réduite des instances traitées.
 MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie

ே
Le fait qu’un produit ne soit transformé que sur une des La contrainte (2) est la contrainte de capacité :

෍ ‫ܽ݌ܽܥ‬௜ ܳ௜ ≤ ‫ܴܽ݌ܽܥ‬௨(ೖ)௧ (2)

usines de l’étage fait que cette chaîne logistique ne peut
(ೖ) (ೖ)
ೖ ௨ೕ ௧ ೖ ௨ೕ ௧ ೕ
être modélisé par le biais d’un MLCLSP. En effet, la
௜ୀଵ
∀(݇, ‫ ∈ )ݐ‬ሾ1, ‫ܯ‬ሿ × ሾ1, ܶሿ, ݆ ∈ ሾ1, ܰ(݇)ሿ
différenciation des ressources et l’exclusivité de leur
utilisation ne permet pas cette modélisation. Nous pro-
posons donc un modèle mathématique pour une chaîne
La contrainte (3) est la contrainte de lancement de cam-
logistique de type Flow Shop Hybride tenant compte de
‫ܽ݌ܽܥ‬௜ ܳ௜ ≤ ‫ܴܽ݌ܽܥ‬௨(ೖ)௧ ܺ௜ (3)
pagne:
ces spécificités.
(ೖ) (ೖ) (ೖ)
ೖ ௨ೕ ௧ ೖ ௨ೕ ௧ ೖ ௨ೕ ௧

∀(݅, ݇, ‫ ∈ )ݐ‬ሾ1, ܰሿ × ሾ1, ‫ܯ‬ሿ × ሾ1, ܶሿ, ݆ ∈ ሾ1, ܰ(݇)ሿ

ೕ

ܶ
Les paramètres de ce modèle sont les suivants:
: Longueur (en périodes) de l’horizon de

ܰ
planification, La contrainte (4) représente la contrainte d’équilibre
des stocks pour le dernier stock de la chaîne :
ே(ெ)
: Nombre de type de produits finis à pla-

‫ܯ‬ ‫ܫ‬௜ାಾ௧ = ‫ܫ‬௜ାಾ(௧ିଵ) + ෍ ܳ௜ − ‫ܵܦ‬௜ಾ௧ (4)

nifier,
(ಾ)
ಾ ௨ೕ ௧
: Nombre d’étages (et de stocks) de la
௝ୀଵ
ܰ(݇) : Nombre d’usines composant l’étage ݇ ∀(݅, ‫ ∈ )ݐ‬ሾ1, ܰሿ × ሾ1, ܶሿ
chaîne logistique,

‫ܦ‬௜ಾ௧ : Demande en produit fini ݅ à la fin de la

de la chaîne logistique,

période ‫ݐ‬,
La contrainte (5) représente la contrainte d’équilibre des
stocks pour les autres stocks de la chaîne :
ே(௞) ே(௞ାଵ)
‫ܫ‬௜ାೖ଴ : Quantité initiale en produit ݅ dans le
‫ܫ‬௜ାೖ௧ = ‫ܫ‬௜ାೖ(௧ିଵ) + ෍ ܳ௜ − ෍ ܳ௜ (5)
stock de l’étage ݇,
(ೖ) (ೖశభ)
ೖ ௨ೕ ௧ (ೖశభ) ௨ೕ ௧
‫ܴܽ݌ܽܥ‬௨(ೖ)௧ : Capacité
௝ୀଵ ௝ୀଵ
∀(݅, ݇, ‫ ∈ )ݐ‬ሾ1, ܰሿ × ሾ1, ‫ ܯ‬− 1ሿ × ሾ1, ܶሿ
l’usine ‫ݑ‬௝ de l’étage ݇ durant la pé-
(௞)
maximale disponible à
ೕ

riode ‫ݐ‬,
‫ܽ݌ܽܥ‬௜ ௨(ೖ)௧ : Capacité unitaire consommée pour la
La contrainte (6) détermine la quantité de demande per-

fabrication du produit i୩ sur l’usine ‫ݑ‬௝ ‫ܦ‬௜ಾ௧ = ‫ܲܦ‬௜ಾ௧ + ‫ܵܦ‬௜ಾ௧ ∀(݅, ‫ ∈ )ݐ‬ሾ1, ܰሿ × ሾ1, ܶሿ (6)
due :
(௞)
ೖ ೕ

de l’étage ݇ durant la période ‫ݐ‬,

‫ܫܥ‬௜ௌೖ௧ : Coût d’une unité de produit ݅ en surplus
Les contraintes (7) et (8) sont les contraintes de périodi-
dans le stock de l’étage ݇ à la période ‫ݐ‬,
cité :
ே(௞)
‫ܮܥ‬௜ ௨(ೖ)௧ Coût de configuration de l’usine ‫ݑ‬௝ de
(௞)
ೖ ೕ ෍ ܳ௜ ≤ ‫ܫ‬௜ௌ(ೖషభ)௧ (7)
:
l’étage ݇ pour fabriquer du produit ݅ à la
ೖ ௨ೕ (௧ାଵ)
(ೖ)

௝ୀଵ
période ‫ݐ‬, ∀(݅, ݇, ‫ ∈ )ݐ‬ሾ1, ܰሿ × ሾ2, ‫ܯ‬ሿ × ሾ1, ܶ − 1ሿ
‫ܲܦܥ‬௜ಾ௧ ‫ܵܦ‬௜ಾ(௧ାଵ) ≤ ‫ܫ‬௜ௌ(ಾషభ)௧ (8)
produit fini ݅ à la période ‫ݐ‬. ∀(݅, ‫ ∈ )ݐ‬ሾ1, ܰሿ × ሾ1, ܶ − 1ሿ
: Coût d’une unité de demande perdue en

Les variables de décision du modèle sont : Les égalités (9), (10) et (11) déterminent les quantités en

ܳ௜ Quantité de produit ݅ fabriqué par

surplus :
ே(௞ାଵ)
(ೖ)
ೖ ௨ೕ ௧
l’usine ‫ݑ‬௝ de l’étage ݇ durant la période ‫ݐ‬,
(௞) ‫ܫ‬௜ௌೖ௧ = ‫ܫ‬௜ାೖ௧ − ෍ ܳ௜ (9)
:
(ೖశభ)
ೖశభ ௨ೕ (௧ାଵ)

ܺ௜ ௨(ೖ)௧ : Variable binaire qui prend la valeur 1 s’il y

௝ୀଵ
ೖ ೕ ∀(݅, ݇, ‫ ∈ )ݐ‬ሾ1, ܰሿ × ሾ1, ‫ ܯ‬− 1ሿ × ሾ1, ܶ − 1ሿ
‫ܫ‬௜ௌಾ௧ = ‫ܫ‬௜ାಾ௧ − ‫ܵܦ‬௜ಾ(௧ାଵ) (10)
duit ݅ fabriqué par l’usine ‫ݑ‬௝ de l’étage ݇
(௞)
a un lancement de campagne pour le
∀(݅, ݇, ‫ ∈ )ݐ‬ሾ1, ܰሿ × ሾ1, ܶ − 1ሿ
durant la période ‫ݐ‬ ‫ܫ‬௜ௌೖ் = ‫ܫ‬௜ାೖ் ∀(݅, ݇) ∈ ሾ1, ܰሿ × ሾ1, ‫ܯ‬ሿ (11)
‫ܫ‬௜ାೖ௧ : Quantité de produit ݅ entreposée dans le
stock de l’étage ݇ à la fin de la période ‫ݐ‬,
‫ܫ‬௜ௌೖ௧ : Quantité de produit ݅ en surplus dans le
Les dernières contraintes (12) et (13) sont les contraintes

stock de l’étage ݇ à la fin de la période ‫ݐ‬, ܺ௜ ∈ ሼ0,1ሽ (12)

d’intégrité et de positivité :
(ೖ)
ೖ ௨ೕ ௧
‫ܲܦ‬௜ಾ௧ : Demande perdue en produit ݅ durant la ܳ௜ ௨(ೖ) ௧ , ‫ܫ‬௜ାೖ௧ , ‫ܫ‬௜ௌೖ௧ , ‫ܲܦ‬௜ಾ௧ , ‫ܵܦ‬௜ಾ௧ ∈ℕ (13)
période ‫ݐ‬, ೖ ೕ

‫ܵܦ‬௜ಾ௧ : Demande servie en produit ݅ durant la pé-

riode ‫ݐ‬.
Dans le cas où chaque étage n’est composé que d’une
seule usine, la différenciation des usines n’est plus né-
‫ܲܦܥ‬௜ಾ௧ ‫ܲܦ‬௜ಾ௧ +
L’objectif (1) de notre modèle est donc de minimiser :
‫ۍ‬ ‫ې‬
cessaire et nous retrouvons un MLCLSP à nomenclature
ே ்

෍෍‫ێ‬ ‫ێ‬ ெ ே(௞)

‫ۑ‬ (1)
série auquel sont adjointes les contraintes de périodicité
෍ ቌ‫ܫܥ‬ ௌ ௌ
‫ܫ‬ + ෍ ‫ܮܥ‬ ܺ ቍ‫ۑ‬
௜ୀଵ ௧ୀଵ ‫ێ‬ ௜ೖ ௨ೕ ௧ ௜ೖ ௨ೕ ௧ ‫ۑ‬
et de shortage.
௜ೖ ௧ ௜ೖ ௧ (ೖ) (ೖ)

‫ۏ‬௞ୀଵ ௝ୀଵ ‫ے‬

 MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie
5 METHODE D’OPTIMISATION
Le MLCLSP à nomenclature série est un problème
d’optimisation NP-Difficile (Blackburn et Millen, 1985).
Comme il est un cas particulier de notre problème, ce
dernier est donc NP-difficile.
Dans cette section, nous proposons une méthode
d’optimisation pour planifier une chaine logistique de
type Flow-Shop Hybride. L’idée de base de cette mé-
thode est de décomposer le problème en deux sous-
problèmes : un problème de planification et un problème
d’affectation.
Le problème de planification s’obtient en agrégeant sur
chaque étage l’ensemble des usines le composant pour
obtenir ce que nous appelons une «usine étage». La fi-
gure 4 illustre ce principe d’agrégation.
Figure 4 : Obtention du problème de planification
Nous voyons que, par ce biais, nous nous ramenons à un
MLCLSP à nomenclature série et, plus précisément,
nous retrouvons le modèle de (Vörös, 2002) auquel on
aurait adjoint des contraintes de capacité et de périodici-
té. Au regard de l’état de l’art présenté dans la section
III, il est possible de souligner la faible utilisation des
métaheuristiques pour la résolution de problèmes basés
sur le MLCLSP. De façon analogue, (Brahimi, 2004) a
dressé un tel constat pour les problèmes de lot sizing
(notamment pour le problème mono-niveau à un produit
avec capacité). D’après lui, ces méthodes pourraient
aboutir à des résultats très intéressants. En réponse à ce
constat, nous proposons de résoudre le problème de
planification grâce à une métaheuristique à base de recuit
simulé.
Une fois une planification déterminée pour chaque
«usine étage», nous nous ramenons au problème initial
en répartissant la production de chaque «usine étage» sur
chaque usine la composant : c’est le problème
d’affectation que nous avons évoqué précédemment.
A chaque itération, une solution admissible du problème
de planification est proposée. Ensuite l’heuristique
d’affectation répartit les quantités planifiées sur chaque
usine de chaque étage de la chaîne logistique et la solu-
tion obtenue est alors évaluée. La figure 5 illustre le
principe de fonctionnement de notre méthode
d’optimisation.
Figure 5 : notre schéma d’optimisation
5.1 Le problème de planification
Pour résoudre le problème de planification, nous utili-
sons une métaheuristique à base de recuit simulé. Ce
type de méthode s’appuie sur deux éléments (Michale-
wicz et Fogel, 2002) :
- un codage générique permettant de représenter les
solutions du problème,
- un système de voisinage (une application permet-
tant de passer d’une solution à une autre -son voi-
sin-),
mier (le plus courant) consiste à utiliser une matrice ܺ
Dans la littérature, deux codages sont proposés. Le pre-
binaire dont les éléments ܺ௜௧ représentent les lancements
de campagne pour chaque produit ݅ à chaque période ‫ݐ‬.
Un élément ܺ௜௧ de cette matrice prendra la valeur 1 si
l’article ݅ est produit durant la période ‫ݐ‬, 0 sinon. Mais il
n’est pas possible d’évaluer directement la solution en-
gendrée par la matrice. En effet, cette dernière peut cor-
respondre à plusieurs plans directeurs de production
réalisables. C’est pour cela qu’à l’instar de (Kuik et
Salomon, 1990), les différents auteurs utilisant ce codage
déterminent un plan directeur de production associé en
utilisant un algorithme glouton répartissant la production
sur les périodes retenues dans la matrice, permettant
ainsi une évaluation de la solution en terme de coût.
Mais, les algorithmes utilisés par les auteurs ne garantis-
sent pas l’optimalité du plan construit pour la matrice
considérée.
ܳ dont les éléments ܳ௜௧ sont les quantités de produit ݅ à
Le second type de codage consiste à utiliser une matrice
fabriquer durant la période ‫( ݐ‬en fait, ܳ est un plan de
production). La combinatoire de cette représentation est
évidemment beaucoup plus élevée, mais celle-ci permet
de s’affranchir des heuristiques de construction précé-
tion ܳ ∗ de notre problème en nous basant sur le second
dentes. Ainsi, nous proposons de représenter une solu-
type de codage que nous étendons à l’ensemble de la
chaîne logistique agrégée sous la forme suivante:
 MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie

ܳ∗ = ൭ܳ
ᇣᇧ ᇧᇧ
(ଵ)
⋯ᇧᇧᇤᇧ
ܳ (௞) ᇧ
⋯ᇧᇧ
ܳᇧᇥ
(ெ)
൱ - voisinage «regroupement à droite» est le pendant
ெ ௨௦௜௡௘௦ "௘௧௔௚௘௦" du voisinage précédent mais en regroupant la pro-
duction sur la « période de droite ».
Les problèmes de « lot sizing » ont la particularité d’être
plus ou moins complexes à résoudre en fonction de la Cependant, appliquer l’un de ces 4 voisinages à partir
nature et de la structure des instances (hiérarchie des d’une solution admissible, peut fréquemment générer
coûts pris en compte et emplacement du goulot au sein une solution non réalisable : agir sur une quantité pour

coûts majeurs : coût de demande perdue (‫ܲܦܥ‬௜ಾ௧ ), coût

de la chaîne logistique). En restreignant l’étude aux trois un produit, une période et une «usine étage» impacte

de surplus (‫ܫܥ‬௜ௌೖ ௧ ) et coût de lancement (‫ܮܥ‬௜ ௨(ೖ)௧ ), il est

nécessairement les plans de production des autres
ೖ ೕ
«usines étage» risquant de générer du surplus négatif ou
non consommé suivant le cas. En effet, ce qui est fabri-
possible de constater l’antagonisme de ces trois critères.
qué par l’une est consommé par la suivante (ou, pour la
Par suite, élaborer une «bonne» solution consiste à trou-
dernière, est servi au client). Dans les voisinages utilisés,
ver un compromis entre un niveau de demande perdue,
nous avons également vu que modifier la fabrication
un niveau de stockage et le nombre de lancement de
pour un produit i pouvait avoir un impact sur la produc-
campagne en déterminant des quantités produites à
tion d’autres produits (en cas de dépassement de capacité
chaque période sur chaque usine. Ce compromis peut
par exemple). Pour rétablir l’admissibilité de la solution
être obtenu de deux manières :
(tous les surplus doivent être positifs ou nuls sur tout
- soit en augmentant ou en diminuant les quantités
l’horizon et nuls à la dernière période selon les con-
produites sur une ou plusieurs périodes,
niveau du produit ݅ mais également au niveau des autres
traintes (11) et (13)), il faut donc réparer la solution au
- soit en regroupant les quantités de périodes
consécutives.
- un dédié au produit ݅,
produits, d’où deux types de réparation :
Aussi, les voisinages que nous proposons sont les sui-
- l’autre non dédié (donc pouvant également agir
étage» ݇, un produit ݅ et une période ‫ ݐ‬et à appliquer
vants : ils consistent à choisir aléatoirement une «usine
sur les autres produits).

Les procédures de réparation dédiées au produit ݅ vise à

respectivement l’une des quatre stratégies suivantes :
rétablir la synchronisation des stocks de produit ݅ entre
d’articles i pour la période t sur l’usine étage ݇ est
- voisinage «augmentation» : la production
chaque « usine étage ». Cette synchronisation se traduit
augmentée (resp. diminuée) d’une quantité choisie
d’une part grâce à l’absence de surplus négatif pour ce
aléatoirement. Ainsi, on modifie la demande satis-
produit et d’autre part par l’absence, pour chaque stock
faite ainsi que les quantités en stock. La figure 6
de ce produit, de surplus positif à la dernière période.
illustre le fonctionnement du voisinage « augmen-
Ainsi, la modification engagée par le système de voisi-
tation ».
nage doit être propagée à l’ensemble de la chaîne logis-
Augmentation tique (afin de s’assurer qu’il n’y ait pas de surplus néga-
0 10 0 20 0 0 20 0 20 0
tif) ainsi que sur la gestion de la demande (augmentation
൭15 0 30 10 5൱൭15 0 30 10 5൱
ou diminution de la demande perdue). Si la production
5 14 18 10 6 5 14 18 10 6
obtenue excède la demande (dans ce cas, la demande
Usine étage k Usine étage k
perdue sera nulle et il subsistera du surplus positif au

tion de la production du produit ݅ au dernier étage sera

Figure 6 : le voisinage « augmentation » moins sur le dernier maillon de la chaîne) une diminu-

- voisinage «diminution» : celui-ci est le dual du effectuée et sera propagée aux étages inférieurs. Ainsi, 4
procédures de réparation ont été conçues afin de ré-
produite en produit i à la période t sur l’«usine
précédent puisqu’il consiste à diminuer la quantité
pondre, en les combinant, aux divers cas de figure ren-
étage» k.
contrés.

Les procédures de réparation dédiées au produit ݅ ne se

groupons la production du produit ݅ des périodes ‫ݐ‬
- voisinage «regroupement à gauche» : nous re-

et ‫ ݐ‬+ 1 pour l’usine ݇, la quantité de la période

préoccupent pas de la production des autres produits de
‫ ݐ‬+ 1 étant ajoutée à la période ‫( ݐ‬resp. ‫ ݐ‬+ 1). La
la chaîne logistique. Ainsi, même après l’utilisation de
tels algorithmes, il est possible d’aboutir à une solution
figure 7 montre le principe de fonctionnement du
non réalisable car on aura pu ponctuellement excéder la
voisinage « regroupement à gauche ».
capacité du système de production. Le rôle des procé-
Usine étage k Usine étage k
0 10 0 20 0 0 10 0 20 0
dures de réparation non dédiées est de rétablir cette ad-

൭15 0 30 10 5൱൭15 0 30 10 5൱
missibilité en abaissant la fabrication d’autres produits
afin de respecter la capacité du système de production. A
5 14 18 10 6 5 32 0 10 6 l’instar des procédures de réparation dédiées, une propa-
gation des modifications faites sur les plans de produc-
tion devra être effectuée. Ainsi, les procédures de répara-
Regroupement à gauche
Figure 7 : le voisinage « Regroupement à gauche » tion non dédiées sont au nombre de 6.
 MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie

5.2 Le problème d’affectation
Supposons que nous ayons obtenu une solution admis-
sible au problème de planification des «usines étages», le
but est donc d’affecter la production aux usines de
chaque étage afin d’obtenir une solution à notre pro-
blème initial tout en minimisant les coûts de lancement
générés (en effet, l’affectation aux usines n’influera ni
sur les quantités stockées - qui sont rattachées aux étages
- ni sur la demande perdue). La technique que nous em-
ployons à cet effet s’appuie sur l’idée suivante : on doit
affecter en priorité les produits dont le coût de lancement
est le plus élevé aux usines possédant le plus de capacité
restante afin d’éviter de scinder la production de ceux-ci,
et donc de multiplier leurs coûts de lancement.
- la somme sur tout l’horizon des capacités de pro-
duction sur chaque étage est sensiblement égale à
la somme de la capacité nécessaire pour fabriquer
l’intégralité de la demande (la capacité globale de
la chaîne logistique permet de répondre globale-
ment à la demande exprimée). Cependant, une
certaine partie de la demande ne pourra pas être
couverte pour des raisons liées aux contraintes de
périodicité.
- les coûts de lancement sont volontairement faibles
au regard des autres coûts exprimés (surplus et
demande perdue),
- dans une première série d’instances, nous suppo-
sons les coûts de demande perdue supérieurs aux
coûts de surplus et dans la seconde, l’inverse.

Pour chacune des instances, nous devons planifier 10

produits finis. Pour dix d’entre-elles, l’horizon est de 30
périodes alors que les autres sont de 100 périodes. Pour
ces tests, nous imposons un temps limité d’une heure
pour le solveur et 1500000 itérations pour la méthode
d’optimisation (environ 40 à 60 mn de calcul). Le ta-
bleau 2 donne les résultats obtenus pour les instances

Résultat Métaheuristique-Résultat Solveur

testées. Le GAP est calculé de la manière suivante :
‫= ܲܣܩ‬ × 100
Résultat Solveur
[DS], [RS], [KG] et [IK] sont respectivement les méta-
heuristiques de la descente stochastique, du recuit simu-
lé, du kangourou (Fleury 93) et d’ISKA (Deroussi 2004).
Elles ont été implémentées en Visual Basic.net et ont été
testées sur un Pentium IV, 2.4 Ghz avec 3Go de Ram.
Les résultats obtenus montrent l’efficacité de notre mé-
taheuristique sur les instances de très grande taille. En
effet, sur celles-ci, notre méthode d’optimisation sup-
plante assez largement le solveur qui, pour chaque ins-
tance, ne fournit qu’une borne supérieure.

Metaheuristique
Taille Solveur
N° [DS] [RS] [KG] [IK]
(période)
Résultat Gap Gap Gap Gap
Coût de demande perdue supérieur au coût de surplus
1 30 2050400 -6,37 -6,289 -6,533 -6,538
2 30 1552852 0,172 0,412 0,104 0,049
3 30 2330303 0,139 0,266 0,081 0,06
4 30 3584830 0,22 0,013 0,1 0,108
5 30 4254382 0,191 0,005 0,083 0,088
6 100 2049601 -0,488 -0,528 -0,628 -0,613
7 100 1686652 -0,522 -0,562 -0,574 -0,574
8 100 2463838 -0,497 -0,501 -0,523 -0,516
9 100 4462684 0,919 0,492 0,655 0,663
10 100 2086272 -0,399 -0,415 -0,478 -0,572
Coût de demande perdue inférieur au coût de surplus
1 30 44175 5,582 8,688 4,079 2,904
2 30 44031 0,613 1,632 -2,855 -4,406
Figure 8 : l’heuristique d’affectation 3 30 49264 2,494 7,37 2,165 0,184
4 30 60208 13,592 1,639 6,381 7,502
5 30 66016 13,133 0,936 7,467 6,278
6 100 177499 -5,031 -5,412 -5,611 -5,585
5.3 Les résultats obtenus 7 100 175032 -4,253 -5,016 -7,081 -6,985
8 100 181329 -2,638 -4,656 -4,014 -6,173
9 100 223273 15,623 -3,399 12,423 12,698
La chaîne logistique que nous considérons est celle défi- 10 100 177840 -3,835 -4,924 -6,366 -4,911
nie dans notre cas d’étude (Figure 1) et les 20 instances Tableau 2 : Résultats obtenus sur les instances générées
que nous avons générées suivent les règles suivantes :
 MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie

produit ݅ et une période ‫ݐ‬, nous fixons ܺ௜,௧ିଵ à 1 si

Bien que notre schéma d’optimisation ait obtenu de bons (௞)

ܺ௜,௧ = 1, sinon ܺ௜,௧ିଵ n’est pas modifié. Ensuite

résultats, la mise en œuvre des divers algorithmes de (௞) (௞)

nous fixons ܺ௜,௧ à 0.

(௞)
réparation s’avère gourmande en temps de calcul : en
effet, en prenant comme exemple le voisinage augmenta-

ayant choisi un étage ݇, un produit ݅ et une pé-

tion, une combinaison de pas moins de 8 algorithmes de - Le voisinage «regroupement à droite» agira ainsi :

riode ‫ݐ‬, nous fixons ܺ௜,௧ାଵ à 1 si ܺ௜,௧ = 1, sinon

réparation est utilisée afin de rétablir l’admissibilité de la
solution obtenue. De plus, l’heuristique utilisée pour (௞) (௞)

ܺ௜,௧ାଵ n’est pas modifié. Ensuite nous fixons ܺ௜,௧

dispatcher la production de chaque « usine étage » sur
chaque usine de l’étage pourrait être sensiblement amé-
liorée, en déléguant, par exemple, cette tâche à
l’utilisation d’un solveur.
Ainsi, devant la complexité des algorithmes mis en
œuvre dans notre métaheuristique, une modification de
notre approche pourrait sans doute la rendre plus effi-
cace. C’est ce que nous allons faire dans le paragraphe
suivant.
(௞) (௞)
à0
Pour déduire le planning de production associé, nous
utilisons le solveur en affectant aux variables de setup du
modèle les valeurs données dans la solution fournie par
le système de voisinage. Bien évidemment, les setups
étant fixés, ils ne sont pas optimisables. C’est pour cela
que le solveur devra uniquement minimiser les coûts liés
au surplus et à la demande perdue, simplifiant d’autant la

solveur devra résoudre (la capacité de l’«usine étage» ݇

6 VERS UNE NOUVELLE APPROCHE résolution du problème. Ecrivons donc le modèle que le

à la période ‫ ݐ‬est la somme des capacités des usines

Dans cette section, nous présentons des travaux en cours
de réalisation : aucun résultat ne sera donc donné. Ce-
pendant, nous décrivons le principe de la méthode que
nous sommes en train d’implémenter. Comme la mé-
thode précédente, nous reprenons le principe de décom-
position en deux sous-problèmes.
6.1 Résolution du problème « planification »
composant l’étage ݇ à cette même période) et qui
s’obtient facilement à partir de celui de la chaîne logis-
tique de type «Flow Shop Hybride», dont nous reprenons
les principales notations. Cependant, comme le problème
« usines étages » a la particularité de n’avoir qu’une
seule usine par étage, nous utilisons, dans un souci de
simplification, les notations suivantes :

‫ܴܽ݌ܽܥ‬௞௧
étage ݇ durant la période ‫ݐ‬,
L’idée que nous allons mettre en œuvre est inspirée des : Capacité maximale disponible à l’usine

‫ܽ݌ܽܥ‬௜ೖ௧
travaux de (Kuik et Solomon 1990). Nous allons utiliser

du produit ݅௞ sur l’usine étage ݇ durant la

à nouveau une métaheuristique mais, pour coder une : Capacité consommée pour la fabrication

݇ sur une matrice ܺ (௞) binaire représentant les setups. période ‫ݐ‬,
solution, nous nous appuyons pour chaque «usine étage»

ܺ௜ೖ௧
production pour le produit ݅௞ est prévu sur
: Le paramètre indiquant si un lancement de
ܺଵଵ ܺଵଶ ⋯ ܺଵ்
(௞) (௞) (௞)
l’usine étage ݇ durant la période ‫ݐ‬,
‫( ܺۇ‬௞) ܺଶଶ
(௞)
⋯ ܺଶ் ‫ۊ‬
(௞)
ܺ (௞) = ‫ۈ‬ ܳ௜ೖ௧ Quantité de produit ݅ fabriqué par l’usine
ଶଵ
‫ۋ‬
⋮ ⋮ ⋱ ⋮ étage ݇ durant la période ‫ݐ‬.
:

‫ܺۉ‬ேଵ ܺேଶ ⋯ ܺே் ‫ی‬

(௞) (௞) (௞)
ே ் ெ

‫ ݎ݁ݏ݅݉݅݊݅ܯ‬෍ ෍ ൥‫ܲܦܥ‬௜ಾ௧ ‫ܲܦ‬௜ಾ௧ + ෍ ‫ܫܥ‬௜ௌೖ௧ ‫ܫ‬௜ௌೖ௧ ൩ (14)

௜ୀଵ ௧ୀଵ ௞ୀଵ
Nous coderons donc une solution de notre problème de
planification pour la chaîne logistique sous la forme d’un
ே

෍ ‫ܽ݌ܽܥ‬௜ೖ௧ ܳ௜ೖ௧ ≤ ‫ܴܽ݌ܽܥ‬௞௧ (15)

vecteur de matrices représentant chacune le planning des
setups d’une «usine étage» :
௜ୀଵ
ܺ ∗ = ൭ܺ
ᇣᇧ ᇧᇧ
(ଵ)
⋯ᇧᇧᇤᇧ
ܺ (௞) ᇧ
⋯ᇧᇧ
ܺᇧᇥ
(ெ)
൱ ∀(݇, ‫ ∈ )ݐ‬ሾ1, ‫ܯ‬ሿ × ሾ1, ܶሿ
ெ ௨௦௜௡௘௦ "௘௧௔௚௘௦"
‫ܽ݌ܽܥ‬௜ೖ௧ ܳ௜ೖ௧ ≤ ‫ܴܽ݌ܽܥ‬௞௧ ܺ௜ೖ௧ (16)
Regardons maintenant comment adapter les voisinages ∀(݅, ݇, ‫ ∈ )ݐ‬ሾ1, ܰሿ × ሾ1, ‫ܯ‬ሿ × ሾ1, ܶሿ

‫ܫ‬௜ାಾ௧ = ‫ܫ‬௜ାಾ(௧ିଵ) + ܳ௜ಾ௧ − ‫ܵܦ‬௜ಾ௧ (17)

proposés précédemment.

fabrication d’un produit ݅ à la période ‫ ݐ‬sur ∀(݅, ‫ ∈ )ݐ‬ሾ1, ܰሿ × ሾ1, ܶሿ

- Le voisinage «augmentation» vise à augmenter la

‫ܫ‬௜ାೖ௧ = ‫ܫ‬௜ାೖ(௧ିଵ) + ܳ௜ೖ௧ − ܳ௜(ೖశభ)௧ (18)

nous fixons ܺ௜,௧ à 1.
(௞)
l’«usine étage» k. L’adaptation est immédiate :

∀(݅, ݇, ‫ ∈ )ݐ‬ሾ1, ܰሿ × ሾ1, ‫ ܯ‬− 1ሿ × ሾ1, ܶሿ

brication d’un produit ݅ à la période ‫ ݐ‬sur l’«usine
- Le voisinage «diminution» vise à diminuer la fa-
‫ܦ‬௜ಾ௧ = ‫ܲܦ‬௜ಾ௧ + ‫ܵܦ‬௜ಾ௧ ∀(݅, ‫ ∈ )ݐ‬ሾ1, ܰሿ × ሾ1, ܶሿ (19)
étage» ݇, nous fixons ܺ௜,௧ à 0.
(௞)

ܳ௜ೖ(௧ାଵ) ≤ ‫ܫ‬௜ௌ(ೖషభ)௧ (20)

la façon suivante : ayant choisi un étage k, un ∀(݅, ݇, ‫ ∈ )ݐ‬ሾ1, ܰሿ × ሾ2, ‫ܯ‬ሿ × ሾ1, ܶ − 1ሿ
- Le voisinage «regroupement à gauche» opérera de
 MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie

‫ܵܦ‬௜ಾ(௧ାଵ) ≤ ‫ܫ‬௜ௌ(ಾషభ)௧ (21) ே

∀(݅, ‫ ∈ )ݐ‬ሾ1, ܰሿ × ሾ1, ܶ − 1ሿ ෍ ‫ܽ݌ܽܥ‬௜ (ೖ) ܳ௜ (ೖ) ≤ ‫ܴܽ݌ܽܥ‬௨(ೖ)௧ (28)

ೖ ௨ೕ ௧ ೖ ௨ೕ ௧ ೕ
௜ୀଵ
∀(݇, ‫ ∈ )ݐ‬ሾ1, ‫ܯ‬ሿ × ሾ1, ܶሿ, ݆ ∈ ሾ1, ܰ(݇)ሿ
‫ܫ‬௜ௌೖ௧ = ‫ܫ‬௜ାೖ௧ − ܳ௜ೖశభ(௧ାଵ) (22)
∀(݅, ݇, ‫ ∈ )ݐ‬ሾ1, ܰሿ × ሾ1, ‫ ܯ‬− 1ሿ × ሾ1, ܶ − 1ሿ
La contrainte (29) permet de déterminer les lancements
‫ܫ‬௜ௌಾ௧ = ‫ܫ‬௜ାಾ௧ − ‫ܵܦ‬௜ಾ(௧ାଵ) (23)
‫ܽ݌ܽܥ‬௜ ܳ௜ ≤ ‫ܴܽ݌ܽܥ‬௨(ೖ)௧ ܺ௜ (29)
de production pour chaque usine de l’étage :
∀(݅, ݇, ‫ ∈ )ݐ‬ሾ1, ܰሿ × ሾ1, ܶ − 1ሿ
(ೖ) (ೖ) (ೖ)
ೖ ௨ೕ ௧ ೖ ௨ೕ ௧ ೖ ௨ೕ ௧

∀(݅, ݇, ‫ ∈ )ݐ‬ሾ1, ܰሿ × ሾ1, ‫ܯ‬ሿ × ሾ1, ܶሿ, ݆ ∈ ሾ1, ܰ(݇)ሿ

ೕ

‫ܫ‬௜ௌೖ் = ‫ܫ‬௜ାೖ் ∀(݅, ݇) ∈ ሾ1, ܰሿ × ሾ1, ‫ܯ‬ሿ (24)

Les contraintes (30) sont les contraintes de positivité et
ܳ௜ೖ௧ , ‫ܫ‬௜ାೖ௧ , ‫ܫ‬௜ௌೖ௧ , ‫ܲܦ‬௜ಾ௧ , ‫ܵܦ‬௜ಾ௧ ∈ℕ (25)
ܳ௜ ∈ ℕ , ܺ௜ ∈ ሼ0,1ሽ (30)
d’intégrité :
(ೖ) (ೖ)
ೖ ௨ೕ ௧ ೖ ௨ೕ ௧

On voit que c’est sur la contrainte (16) que porte le pa-

ramétrage du modèle en fonction de la solution de la
métaheuristique.
La résolution du programme linéaire achevée, nous ob-
tenons donc les plannings de production de chaque
«usine étage» : nous pouvons donc en déduire une nou-
velle solution en annulant tout setup où il n’y pas de
production correspondante. En quelque sorte, nous pou-
vons interpréter la résolution du programme linéaire
comme une procédure de réparation.
Nous avons donc mis en place tous les ingrédients pour
la résolution du problème de planification «usines
étages». Regardons comment résoudre maintenant le
6.3 Une nouvelle méthode d’optimisation
La méthode que nous proposons désormais s’appuie sur
le même type de schéma que celle présentée dans la
partie 5. Cependant, en utilisant un codage de solution
basée sur une matrice de setup et un système de voisi-
nage influant directement sur la détermination des lan-
cements de production, nous déléguons le problème
d’élaboration des plannings de production pour chaque
« usine étage » et de répartition de la production sur
chaque usine de l’étage à la résolution de modèles ma-
thématiques. C’est ce qu’illustre la figure 9.
Solution
initiale

problème d’affectation. Métaheuristique « Flow Shop Hybride - setup »

Choix équiprobable

6.2 Résolution du problème d’affectation Système de voisinage

Voisinage Voisinage Voisinage Voisinage

augmentation diminution Regroupement à gauche Regroupement à droite
Nous allons remplacer l’heuristique d’affectation par la
résolution d’un programme linéaire. Le problème

étage ݇, nous devons répartir la production de l’«usine

d’affectation s’énonce de la façon suivante : pour chaque Résolution du

étage» ݇ (ܳ௜ೖ௧ ) sur l’ensemble des usines composant

programme linéaire
« usines étages »

l’étage ݇, le tout en minimisant les coûts de lancement.

Mise à jour des matrices de setup
pour le problème
« usines étages »

En utilisant les notations du modèle de planification de Résolution du

programme linéaire
type «Flow Shop Hybride» et du modèle précédent, nous « affectation »

voyons que ce problème s’écrit sous la forme du pro- Evaluation de la solution

pour le Flow Shop
gramme linéaire suivant : Hybride

non oui
Iter<NbItermax Inc(iter)

La fonction objectif (26) consiste à minimiser les coûts

Meilleure solution

் ே(௞)
de lancement pour chaque étage :
ெ ே
Figure 9 : Nouvelle approche d’optimisation
‫ ݎ݁ݏ݅݉݅݊݅ܯ‬෍ ෍ ෍ ෍ ‫ݐ)݇(ݑ݇݅ܺ ݐ)݇(ݑ݇݅ܮܥ‬ (26)
݆ ݆
௞ୀଵ ௜ୀଵ ௧ୀଵ ௝ୀଵ
Les premiers tests que nous avons entrepris sont très
encourageants et montrent clairement l’intérêt de
l’utilisation d’un solveur pour la résolution de ces sous-
production : toute la production de l’étage ݇ doit être
La contrainte (27) est la contrainte d’affectation de la problèmes. En effet, la diminution drastique de la com-
binatoire du système de voisinage liée aux performances
ே(௞)
répartie sur les usines le composant : du solveur utilisée (Ilog Cplex 12) permet d’obtenir de

෍ ܳ݅݇‫݅(∀ ݐ݇݅ܳ = ݐ )݇(ݑ‬, ݇, ‫ ∈ )ݐ‬ሾ1, ܰሿ × ሾ1, ‫ܯ‬ሿ × ሾ1, ܶሿ (27)

très bonnes solutions en un temps moindre. Cependant,
݆
pour confirmer cette tendance, de nombreux tests sont
௝ୀଵ encore nécessaires.

La contrainte (28) est une contrainte de capacité : à

chaque période, la capacité utilisée par l’usine pour fa-
briquer la production qui lui est dévolue ne doit pas
excéder sa capacité :
 MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie
7 CONCLUSION ET PERSPECTIVES
Les problèmes de planification tactique de la chaîne
logistique sont des problèmes complexes et d’actualité.
Ils constituent une problématique de recherche très im-
portante. Dans cet article, nous avons proposé un modèle
générique pour la planification tactique d’une chaîne
logistique de type Flow Shop Hybride à nomenclature
série, dans le cadre d’une approche centralisée et qui
intègre de nouvelles contraintes dues à la structure parti-
culière de la chaîne considérée. La difficulté algorith-
mique de cette formalisation nous a amenés à développer
une méthode d’optimisation basée sur une métaheuris-
tique à base de recuit simulé et une heuristique
d’affectation, exploitant ainsi la décomposition de notre
problème en deux sous problèmes : l’un de planification
pour un MLCLSP à nomenclature série, et l’autre
d’affectation. Cependant, nos tests ont montré que les
procédures utilisées (notamment, celles dédiées à la
réparation des solutions) pouvaient s’avérer gourmandes
en temps de calcul. Nous expérimentons donc actuelle-
ment le remplacement de ces algorithmes par un solveur
et un système de voisinage permettant d’exploiter au
mieux l’utilisation d’un tel outil.
Bien que les premiers résultats obtenus en utilisant le
solveur soient très prometteurs, l’efficacité de l’approche
pourrait être encore augmentée en utilisant les propriétés
mathématiques des modèles utilisés, en tentant de déga-
ger les propriétés structurelles des solutions obtenues par
le solveur, notamment en ce qui concerne le problème
d’affectation. L’utilisation de telles propriétés pourrait
permettre l’élaboration de stratégies (l’utilisation de
coupes par exemple) accélérant la résolution des modèles
par le solveur.
Comme nous l’avons précisé précédemment, le but de
notre formalisation est de minimiser les coûts afférents à
la production d’articles pour une demande connue. Or,
(Comelli et al., 2007) ont montré la pertinence d’une
optimisation des flux financiers dans le cadre de la
chaîne logistique. Une perspective intéressante serait
donc de les intégrer dans notre formalisation afin de
généraliser leur approche dans le cadre d’une chaîne
logistique à nomenclature série de type Flow Shop Hy-
bride.
REFERENCES
Blackburn, J. et R. Millen, 1985. An evaluation of heu-
ristic performance in multi stage lot sizing systems,
International Journal of Production Research, Vol.
23, N°5, pp. 857-866.
Brahimi, N., 2004. Planification de la production : mo-
dèles et algorithmes pour les problèmes de dimen-
sionnement de lots. Thèse de doctorat, Université de
Nantes, France.
View publication stats
Comelli, M., P. Fenies, M. Gourgand et D. Lemoine,
2006.Optimisation des flux physiques versus opti-
misation des flux financiers pour la planification
d'une Supply Chain. 7ème congrès de la Société
Française de Recherche Opérationnelle et d'Aide à
la Décision - ROADEF 2006, Lille, France.
Comelli, M., M. Gourgand et D. Lemoine, 2008. A
review of tactical planning models, Journal of
Systems Science and Systems Engineering, Vol.
17(2), pp 204-229.
Deroussi, L., 2002. Heuristiques, métaheuristiques et
systèmes de voisinage. Application à des problèmes
théoriques et industriels de type TSP et ordonnan-
cement. Thèse de doctorat de l’université Blaise
Pascal, Clermont Ferrand, France.
Fleury, G., 1993. Méthodes stochastiques et détermi-
nistes pour les problèmes NP-difficiles. Thèse de
doctorat de l’université Blaise Pascal, Clermont Fer-
rand, France.
Kuik, R. et M. Salomon, 1990. Multi-level lot-sizing
problem: Evaluation of a simulated annealing heu-
ristic, European Journal of Operational Research,
Vol.45, N° 1, pp 25-37.
Lemoine, D., 2008. Modèles Génériques et Méthodes de
Résolution pour la Planification Tactique Mono-site
et Multi-site. Thèse de doctorat de l’université
Blaise Pascal, Clermont Ferrand, France.
Maes, J., J.O. McClain et L.N. Van Wassenhove, 1991.
Multilevel capacitated lotsizing complexity and LP-
based heuristics, European Journal of Operations
Research, Vol.53, pp131–148.
Michalewicz, Z. et D. Fogel, 2002. How to solve it :
Modern heuristics , 3eme édition, Springer-Verlag,
Berlin.
Rizk, N. et A. Martel, 2001. Supply chain flow planning
methods: a review of the lot-sizing literature , Wor-
king paper DT-2001-AM-1, Université Laval, Cana-
da.
Thierry, C., N. Chapeaublanc, P. Lepage et G. Bel, 1994.
Multi site Planning: A centralized or a distributed
approach? , Conference INRIA, Sophia Antipolis,
France, 1994
Vörös, J., 2002. On the relaxation of multi-level dynamic
lot-sizing models, International Journal of Produc-
tion Economics, Vol.77, N°1, pp 53-61.
Zangwill, W., 1966. A deterministic multiproduct, multi-
facility production and inventory model, Operations
Research, pp. 486–507.