Académique Documents
Professionnel Documents
Culture Documents
net/publication/228795681
CITATION READS
1 278
3 authors, including:
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Michel Gourgand on 30 May 2014.
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.
tries de métallurgie où les produits peuvent être trans- tant à générer pour chaque usine, un plan directeur de
formés, puis usinés sur plusieurs sites. production sur un horizon de 24 mois à la maille se-
maine, ces différents plans devant être synchronisés sur
Cet article est articulé de la manière suivante : dans une l’ensemble de la chaîne et devant respecter les capacités
première partie, nous présentons le cas d’étude industriel de production de chaque usine.
sur lequel s’appuie notre étude. Dans une seconde partie,
un état de l’art sur le modèle de référence de planifica- Au niveau de l’étage 2, la production peut s’effectuer
tion multi-niveau, le MLCLSP, sera proposé. Dans ce sur n’importe quelle usine ce qui constitue un problème
dernier, nous focaliserons sur les contributions portant d’allocation de production.
sur des nomenclatures série, permettant ainsi de situer
notre problématique. Dans une troisième partie, un mo- Les contraintes de transport entre les différents sites de
dèle générique de planification tactique pour les chaînes production ne sont pas prises en compte. Cependant, une
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.
qu’en ݐ+ 1.
pour le MLCLSP période t n’est disponible pour un autre site
Cette classification montre que les extensions des mo- - La contrainte de perte de commandes dite de
dèles multi-niveau sont nombreuses et que chacune "shortage". Dans ce problème, le coût d’une
d’elles a été finalement étudiée par peu d’auteurs, ren- commande perdue est estimé, il est néanmoins
dant difficile la comparaison des méthodes de résolution possible de se ramener à un problème sans perte
proposées pour l’ensemble des instances. de commande en augmentant celui-ci.
- La fonction objectif vise à minimiser la somme
Le tableau 1 est extrait de la classification précédente et des coûts de lancement de campagne, de surplus
fait apparaître les auteurs proposant des résultats pour et de demande perdue.
ே
Le fait qu’un produit ne soit transformé que sur une des La contrainte (2) est la contrainte de capacité :
ܶ
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-
période ݐ,
La contrainte (5) représente la contrainte d’équilibre des
stocks pour les autres stocks de la chaîne :
ே() ே(ାଵ)
ܫାೖ : Quantité initiale en produit ݅ dans le
ܫାೖ௧ = ܫାೖ(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 ܦಾ௧ = ܲܦಾ௧ + ܵܦಾ௧ ∀(݅, ∈ )ݐሾ1, ܰሿ × ሾ1, ܶሿ (6)
due :
()
ೖ ೕ
ୀଵ
période ݐ, ∀(݅, ݇, ∈ )ݐሾ1, ܰሿ × ሾ2, ܯሿ × ሾ1, ܶ − 1ሿ
ܲܦܥಾ௧ ܵܦಾ(௧ାଵ) ≤ ܫௌ(ಾ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
ܳ∗ = ൭ܳ
ᇣᇧ ᇧᇧ
(ଵ)
⋯ᇧᇧᇤᇧ
ܳ () ᇧ
⋯ᇧᇧ
ܳᇧᇥ
(ெ)
൱ - voisinage «regroupement à droite» est le pendant
ெ ௨௦௦ "௧௦" 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
- 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.
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 - la somme sur tout l’horizon des capacités de pro-
duction sur chaque étage est sensiblement égale à
Supposons que nous ayons obtenu une solution admis- la somme de la capacité nécessaire pour fabriquer
sible au problème de planification des «usines étages», le l’intégralité de la demande (la capacité globale de
but est donc d’affecter la production aux usines de la chaîne logistique permet de répondre globale-
chaque étage afin d’obtenir une solution à notre pro- ment à la demande exprimée). Cependant, une
blème initial tout en minimisant les coûts de lancement certaine partie de la demande ne pourra pas être
générés (en effet, l’affectation aux usines n’influera ni couverte pour des raisons liées aux contraintes de
sur les quantités stockées - qui sont rattachées aux étages périodicité.
- ni sur la demande perdue). La technique que nous em- - les coûts de lancement sont volontairement faibles
ployons à cet effet s’appuie sur l’idée suivante : on doit au regard des autres coûts exprimés (surplus et
affecter en priorité les produits dont le coût de lancement demande perdue),
est le plus élevé aux usines possédant le plus de capacité - dans une première série d’instances, nous suppo-
restante afin d’éviter de scinder la production de ceux-ci, sons les coûts de demande perdue supérieurs aux
et donc de multiplier leurs coûts de lancement. coûts de surplus et dans la seconde, l’inverse.
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
ܴܽܽܥ௧
étage ݇ durant la période ݐ,
L’idée que nous allons mettre en œuvre est inspirée des : Capacité maximale disponible à l’usine
ܽܽܥೖ௧
travaux de (Kuik et Solomon 1990). Nous allons utiliser
݇ 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.
:
Choix équiprobable
non oui
Iter<NbItermax Inc(iter)
் ே()
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