Introduction aux problèmes

d’ordonnancement

1
Définitions
 L’ordonnancement consiste à prendre
des décisions concernant le processus
de production de biens ou de services
 Il s’agit d’un problème d’allocation des
ressources aux activités sur une période
donnée afin d’optimiser un ou plusieurs
objectifs
Définitions
 Exemples de ressources : machine dans un atelier,
vols dans un aéroport, équipes dans un projet de
construction, …
 exemples de tâches : opérations de transformation
dans un atelier, atterrissage dans un aéroport, étapes
dans un projet de construction,…. Chaque tâche peut
être caractérisée par : un degré de priorité, une date
de début au plutôt et une date de fin souhaitée
 Exemple d’objectifs : minimisation de l’exécution de
la dernière tâche, minimisation du nombre des tâches
en retard (leurs dates de fin d’exécution dépassent
leurs dates de fin souhaitée)

3
Définitions
 Le problème d’ordonnancement
consiste à préciser pour chaque tâche :
 Sur quelle ressource doit-elle passer ?
 Quand va-t-on commencer cette tâche ?

 Quand va-t-on la finir ?

Ces décisions sont prises tout en optimisant

un objectif prédéfini

4
Exemple
 Entreprise produit des sacs à papier pour : ciment,
charbon, la nourriture des chiens, ..
 La Matière Première Basique : papier
 Le processus de production comprend trois étapes :
impression du Logo, collage d’un côté du sac, la
couture du sac
 Chaque étape est constituée de plusieurs machines
non identiques : vitesse, nombre de couleurs qu’elles
peuvent imprimer, la taille des sacs pouvant produire
 Chaque ordre de fabrication est caractérisé par :
 La quantité d’un sac bien déterminé à produire et à délivrer
 La durée d’exécution des différentes opérations est proportionnelle à la
taille de l’ordre de fabrication (autrement le nombre de sacs à produire)
5
 Exemple
Ordre 1: 1/10/12 Impression Collage Couture
Quantité
100 sacs de ciment
Date fin souhaitée
6/10/12

Ordre 2: 1/10/12
M1 M2 M3
Quantité
200 sacs charbon
Date fin souhaitée
4/10/12
M1 M2 M3
M1 M3
Ordre 3: 1/10/12
Quantité
300 sacs nourriture
Date fin souhaitée
5/10/12

M3
6
Exemple
 Une livraison en retard engendre une pénalité qui dépend de
l’importance de l’ordre (client) et de la durée du retard

L’objectif du système d’ordonnancement : décider pour

chaque machine, la séquence de passage des tâches de
manière à minimiser la somme des pénalités

7
Définitions
 Les problèmes d’ordonnancement en ateliers
spécialisés relèvent de la problématique de la
régulation à court terme de l’entreprise, et plus
particulièrement de celle du contrôle et de l’utilisation
de la main d’œuvre et des équipements productifs
 La théorie de l’ordonnancement est une branche de
la recherche opérationnelle. Elle consiste en la
recherche des modèles mathématiques et la mise au
point de méthodes de résolution efficaces des
problèmes proposés

8
La place de l’ordonnancement dans le
processus de planification
Plan Industriel
Commercial
(PIC)

Plan Directeur
de Production (PDP)

Plan des Besoins

Matières (PBM)

Ordonnancement

9
 Séquence menant d’un plan à l’autre
(adapté de Nollet, Kélada et Diorio, édition 1986)

I. Le plan de production (ou plan intégré de production)

Mois
… Avril Mai Juin Juillet …
Quantité

Unités équivalentes (U.E.) 1 022 834 660 728

II. Le plan d irecteur de production

Semaine du …
15 avril 22 avril 29 avril 6 mai 13 mai 20 mai 27 mai 3 juin 10 juin …
produit
Fauteuil no. 124 ( 1 U.E.) 48 - - 48 - - 48 - -
Divan no. 112 (2 U.E.) - - 84 - - 69 - 50 -
Divan no. 223 (2 U. E) - 100 20 - 50 70 - - 50
Sofa modulaire no.441 120 - - - 120 - - - -
(3 U.E.)

(36) (1)
III. Le plan des besoins -matières
Semaine du …
15 avril 22 avril 29 avril 6 mai 13 mai 20 mai 27 mai 3 juin 10 juin …
composants
Panneau no. 2441 (90X90) - - - 120 - - - - -
Ressort no. 1322 - - 4 320 - - - - - -

IV. Le calendrier de fabrication / d’atelier

jour 6 mai 7 mai 8 mai …

opération matin après - midi matin après - midi matin après - midi
Coupe 400 120 200 350
no. 1 120 no. 2441 no. 1493 no.1122 Entretien

Ponçage 600 400 120 200 10

 C’est quoi l’ordonnancement ?
Planification dans le temps de l’exécution
d’un ensemble de tâches sur un
ensemble de ressources (en respectant
un ensemble de contraintes) afin
d’optimiser un ou plusieurs critères

M1

M2

M3

M4
11
 Domaines d’application
 Gestion de la production : ordonnancement
d’atelier (ordre d’exécution des tâches dans
l’atelier)
 Gestion de projet : ordonnancement des
activités, des tâches
 Gestion des emplois du temps : enseignement,
aéronautique

12
 Vocabulaire

 Travail ou job : le système de production doit

assurer une liste de travaux. Un travail pourra être
par exemple « usiner une pièce », « découper 10
bobineaux de 100 m et 20 cm de large »
 Opération ou tâche : un travail sera réalisé par
une suite d’opérations élémentaires (tâches)
s’enchaînant selon un ordre logique que l’on
appelle gamme (de fabrication ou d’usinage selon
le type de travail concerné)

13
 Vocabulaire
 Exemple : le travail « découper 10
bobineaux » pourra donner les opérations :
 Sortir une bobine mère de 20 cm de large

 Placer la bobine sur une bobineuse

 Régler les couteaux

 Effectuer la découpe

14
 Vocabulaire
 Gamme opératoire : un ensemble ordonné ou semi-
ordonné d’opérations. La gamme opératoire spécifie les
ressources affectées à l’opération parmi celles
susceptibles de l’effectuer

 Ressource : tout moyen technique ou humain nécessaire

pour la réalisation d’une opération (machines, outils,
opérateurs, …). Lorsqu’une ressource est disponible en
quantité limitée et est utilisée pour réaliser plusieurs
opérations, celle-ci peut représenter un « goulot
d’étranglement »
 Ressources consommables (exemple : énergie)
 Ressources renouvelables (exemples : machines, main d’œuvre)

15
 Vocabulaire
 Séquencement : séquencer un ensemble
d’opérations c’est déterminer l’ordre dans lequel
elles passeront sur les machines
 Affectation : affecter une opération à une
ressource c’est préciser pour une tâche la
machine sur laquelle elle sera exécutée
(environnement multi-machines avec machines
assurant les mêmes fonctions)
 Ordonnancement : séquencement ou
affectation ou affectation et séquencement
16
 Données
 n : nombre de tâches indicées par i
 m : nombre de machines indicées par j
 pi : durée d’exécution de la tâche i
 pij : durée d’exécution de la tâche i sur la machine j
 ri : date de disponibilité de la tâche i (date de début au plus tôt,
release date)
 di : date de fin souhaitée de la tâche i (au délai de cette date
promise au client, on encourt des pénalités – due date-). Si on
parle de date d’achèvement c’est que cette date doit être
strictement respectée (– deadline-)
 wi : poids attribué à la tâche i ; il exprime le facteur
d’importance et de priorité (importance des clients, coût de
stockage)
17
 Variables
 ti : date de début de la tâche i
 tij : date de début de la tâche i sur la machine j
 Ci = ti + pi : date de fin d’exécution de la tâche i (sur une seule
machine)
 Cij = tij + pij : date de fin d’exécution de la tâche i sur la machine
j ; dans ce cas Ci = Max (tij + pij) : date de fin d’exécution de la
tâche i sur les machines j « Completion time »
pi

ti Ci
18
 Variables

 Fi = Ci - ri : durée de séjour dans le système (mesure les

encours) « Flow time »
 Li = Ci - di : écart de la tâche i « Lateness »
 Ti = max (Li, 0): retard de la tâche i
 Ui : indicateur de retard de la tâche i, Ui =1 si Ti>0, Ui=0
sinon;

19
Variables

ri di Ti=Li
pi Ui=1

ti Ci
Li

Fi

20
 Diagramme de Gantt
 Le "Diagramme de Gantt", du nom de Henry L. Gantt (1917), permet
de représenter les besoins en ressources en fonction du temps, par
l’intermédiaire d’une liste de tâches représentées par des barres
horizontales. Ce diagramme est très classique dans la gestion de
projets

 Dans un diagramme de Gantt, les lignes correspondent aux

machines et les colonnes correspondent aux unités de temps
(minutes, heures, semaines, etc.). L’exécution d’une tâche sur une
machine donnée est représentée par une barre horizontale, tracée
sur la ligne correspondante à la machine en question, de longueur
proportionnelle à sa durée d’exécution sur la même machine

21
 Diagramme de Gantt : exemple
A B C D E F
 6 pièces à usiner :
pi 10 4 1 1 2 6,5

 L’atelier dispose de 3 machines identiques

 Exemple de diagramme de Gantt :

M1 B A

M2 E D

M3 C F

0 14 temps

22
 Codification des problèmes
d’ordonnancement

 Il existe une très grande variété de problèmes d’ordonnancement. Pour

leur identification et leur classification nous adoptons la notation
proposée par Graham et al. 1979 : codification par trois champs : ||

  
description des ressources : critère d’optimisation
nombre de ressource, type
de ressource, etc.

caractéristique des tâches :

précédence, dates d’arrivée,
etc.
23
 Les types d’atelier : 

Une classification des problèmes d’ordonnancement peut

se faire : selon le nombre de machines et l’ordre
d’utilisation des machines pour fabriquer un produit

24
 Les types d’atelier : 
Une machine (1)
chaque travail est constitué d’une seule opération

25
 Les types d’atelier : 
Machine parallèles
• machines identiques (Pm) : la vitesse d’exécution est la même pour les m
machines et pour tous les travaux ;
• machines uniformes (Qm) : chaque machine a une vitesse d’exécution propre
et constante. La vitesse d’exécution est la même pour tous les travaux d’une
même machine ;
• machines indépendantes (Rm) : la vitesse d’exécution est différente pour
chaque machine et pour chaque travail.

26
 Les types d’atelier : 
Flow shop (Fm) : le cheminement des travaux est unique : les n
travaux utilisent les m machines dans l’ordre 1, 2, ..., m (ligne de
production)

27
 Les types d’atelier : 
Job shop (Jm) : les séquences opératoires relatives aux différents
travaux peuvent être distinctes et sont propres à chaque travail

28
 Les types d’atelier : 
 Open shop (Om) :
 Il existe m machines.
 Chaque travail doit être traité de nouveau sur
chaque machine. Cependant, certains de ces
temps de traitement peuvent être zéro.
 Il n'y a aucune restriction en ce qui concerne
le cheminement de chaque travail par
l'environnement de machine (pas de gamme
précise pour chaque travail)

29
 Les types d’atelier : 
 Flexible Flow Shop (FFc) :
 Généralisation du problème flow shop et
machines parallèles
 Au lieu de m machines en série, on dispose
de c étages en série. A chaque étage, on a
des machines identiques en parallèle
 Chaque travail doit passer à l’étage 1, puis
étage 2 et ainsi de suite

30
Les types d’atelier : FF3
Étage 1 Étage 2 Étage 3

M1 M2 M3
M1 M2 M3
M1 M3
M3
31
Principales contraintes :
 Date d’arrivée : rj
 Si rj apprait dans le champ , la tâche j ne
peut pas commencer avant rj, sinon elle
peut commencer à tout instant
 La date de fin souhaitée dj, n’apparaît pas
dans le champ , la fonction objectif
indique si existe ou non des dates de fin
souhaitée

32
Principales contraintes :
 Préemption : prmp
 On peut interrompre l’exécution d’une
tâche et commencer une autre tâche,
quand on reprend la tâche interrompue, on
termine son exécution (le travail restant)
 Précédence : prec
 Les contraintes de précédence appraîssent
surtout dans les problèmes à une machine
ou machines parallèles

33
Principales contraintes :
 Temps de setup dépendant de la séquence : sjk
 Représente le temps de setup entre le travail j et le travail k
 s0k : représente le temps de setup du travail k, si k est le
premier travail dans la séquence
 sj0 : représente le temps de nettoyage après l’exécution du
travail j, si j est le dernier travail dans la séquence
 Si le temps de setup entre j et k dépend de la machine,
ainsi, on ajoute l’indice i : sijk
 Si sjk n’apparaît pas dans le champ , alors le temps de setup
=0 ou bien ne dépend pas de la séquence dans tel cas, on
l’ajoute à la durée opératoire

34
Principales contraintes :
 Indisponibilité (Breakdown): brkdwn
 La machine peut être indisponible pendant
certaines périodes (maintenance
préventive)
 La période d’indisponibilité est supposée
fixe

35
Principales contraintes :
 Restriction d’éligibilité des machines : Mj
 Mj peut apparaître dans le champ  dans le cas où
on a m machines parallèles par exemple
 Dans ce cas, toutes les machines ne sont pas
capable d’exécuter un travail j,
 Mj désigne dans ce cas l’ensemble des machines
capables d’exécuter le travail j

36
Principales contraintes :
 Blocage : block
 le phénomène de blocage apparaît dans le cas
d’un problème de flow shop où la capacité de
stockage des tampons entre les machines est
limitée
 supposons que le tampon est à sa capacité
maximale, dans ce cas, la machine en amont est
bloquée, le dernier travail qu’elle a exécuté doit
être bloqué dans cette machine et cette dernière
est incapable d’exécuter un autre travail

37
Principales contraintes :
 Sans attente (no-wait) : nwt
 le phénomène de sans attente peut apparaître
dans un problème de flow shop ou flow shop
flexible
 Le travail ne peut pas attendre entre deux
machines successives
 Exemple : bloc opératoire, un patient doit passer
directement de la salle d’opération à la salle de
réveil sans attente.

38
Principales contraintes :
 Recirculation : rcrc
 le phénomène recirculation peut apparaître dans
le problème de job shop
 Un travail peut visiter une machine plus qu’une
fois.

39
 Critères d’optimisation : 

Pour comparer 2 ordonnancements, il faut définir des

indicateurs de performance et des critères de mesure
 Les objectifs que l’on cherche à atteindre sont :

• Des critères liés au temps : minimisation de la durée

totale d’achèvement, les encours, les retards,….
• Des critères liés aux ressources : équilibrage des
charges,…
• Des critères liés aux coûts : coûts de lancement, coûts
de stockage,…

40
 Critères d’optimisation : 

 Les variables intervenant le plus souvent dans l’expression de la

fonction économique sont : Ci, Li, Ti et Ui

 Minimiser la durée totale (ou maximiser la productivité) : la durée

totale de l’ordonnancement notée Cmax (schedule lenght ou
makespan) est égale à la date d’achèvement du travail le plus tardif :
Cmax = max(Ci). Minimiser la durée totale, revient à minimiser Cmax
c’est-à-dire min(max(Ci)).

Critère retenu : Cmax

41
 Exemple 1
 Problèmes à une seule machine
 Makespan Cmax
 Objectif : minimiser la durée totale de l’ordonnancement
 Cmax = Max(Ci)
 Exemple : 4 tâches à ordonnancer
 Séquence  = ABCD :

A B C D
valeur Cmax = 12 pi 5 2 2 3

A B C D

12 temps

42
 Exemple 2
 Problème 1 ri Cmax

A B C D
• Exemple : 4 tâches à ordonnancer
pi 5 2 2 3
ri 0 9 2 8

43
 Exemple 2
 Problème 1 ri Cmax A B C D
• Exemple : 4 tâches à ordonnancer pi 5 2 2 3
ri 0 9 2 8
• Séquence ABCD : valeur Cmax = 16

A B C D

0 5 9 11 13 16 temps

• Séquence ACDB valeur Cmax = 13

A C D B

0 5 7 8 11 13 temps

44
 Critères d’optimisation : 

 Minimiser les encours : les encours sont déterminés par le temps de

présence des travaux dans l’atelier : Fi = Ci  ri. Le premier critère est
de minimiser la somme de ces temps (total flow time) Fi, ou de
manière équivalente le temps moyen de présence dans l’atelier (mean
flow time) 1/n  Fi. Lorsqu’on tient compte des coûts d’immobilisation,
on attache un poids wi au temps de présence, le critère devient
1/n  wiFi.

Critères retenus : Ci ou wiCi

45
 Critères d’optimisation : 

 Minimiser les retards : dans beaucoup de problèmes, il faut respecter

au mieux les délais, c’est-à-dire les dates au plus tard di. Les critères
retenus sont le retard vrai (maximum tardiness) : Tmax = max (Ti) et le
retard moyen (mean tardiness) 1/n  Ti ou le retard algébrique
(maximum lateness) : Lmax = max (Li).
 Parfois, les pénalités des retards sont indépendantes des retards, on
retiendra alors le nombre de travaux en retard Ui (comme pour le cas
de la minimisation des encours, parfois on associe un poids wi pour
chaque travail).

Critères retenus : Lmax ou Ti ou Ui ou wiUi

46
 Codification des problèmes
d’ordonnancement
minimisation du retard maximal sur
1 prec Lmax une seule machine avec des
contraintes de précédence

minimisation de la somme des

Pm C i
encours sur m machines parallèles
identiques

minimisation du makespan, dans

F r , prmp C
3 i max un atelier de type flow shop à 3
machines avec dates d’arrivée des
travaux où la préemption est
permise

47
Codification exemple
 FFc| ri| wiTi : Flexible Flow Shop, les
tâches sont caractérisées par des dates
d’arrivée et des dates de fin souhaitées,
l’objectif est de minimiser la somme des
retards pondérés.

48
 Notion de complexité

 Soient deux algorithmes à comparer en termes d’efficacité. La mesure

des temps d’exécution demande trop de travail (programmation,
préparation d’un jeu de données). De plus, ces temps dépendent de
l’ordinateur et du langage (C, Java, Pascal, etc.) et on ne sait pas
comment ils varient avec la taille des données.

 Pour rendre les comparaisons indépendantes du matériel, et pour

déterminer l’efficacité d’un algorithme, nous évaluerons, en fonction de
la taille d’un énoncé, le nombre d’opérations élémentaires nécessité
par cet algorithme dans le cas le plus défavorable

complexité
49
 Notion de complexité
 Algorithme polynomial : un algorithme dont le nombre d’opérations est
un polynôme de n. Exemples : n2, nlogn

 Algorithme non polynomial : un algorithme dont le nombre d’opérations

n’est pas borné par un polynôme de n. Exemples : 2n, n!

S’il existe un algorithme polynomial pour la résolution d’un problème,

alors le problème est dit "polynomial" (P) sinon le problème est dit
"NP-complet" (NPC)

«NP-complet" pour un problème de décision et "NP-difficile" (ou "NP-dur")

pour un problème d’optimisation
50
 Notion de complexité

 Le problème du voyageur de commerce, qui consiste à trouver un

plus court circuit passant une seule fois par chacun des sommets d'un
graphe connexe fini, est NP-complet

 le problème du voyageur de commerce peut s'énoncer en un

problème de décision comme suit : Existe-t-il un cycle passant une
fois par chaque sommet tel que tout autre cycle passant par tous les
sommets ait un coût supérieur?

51
 Complexité des problèmes
d’ordonnancement
 Les problèmes d’ordonnancement de la production sont des problèmes
combinatoires extrêmement difficiles et il n’existe pas de méthodes
universelles permettant de résoudre efficacement tous les cas

 Exemples de problèmes NP-difficiles :

F2 C i 1 ri C i P2 Cmax 1 di T
i

 Exemples de problèmes polynomiaux :

F2 Cmax J2 Cmax

52
 Hiérarchie de complexité
 Souvent un algorithme résolvant un problème
d’ordonnancement, peut résoudre un autre
problème d’ordonnancement
 Exemple : 1| |Cj est un cas spécifique de 1| |wjCj ,
ainsi la procédure de résolution de 1| |wjCj peut être
utilisée pour la résolution de 1| |Cj
 On dit que 1| |Cj réduit 1| |wjCj noté :

1| |Cj  1| |wjCj
 En se basant sur ce concept :

1| |Cj  1| |wjCj  Pm| |wjCj jk  Qm|prec |wjCj

53
 Hiérarchie de complexité

 Il est intéressant de savoir lorsqu’on modifie un

élément (,,) dans un problème
d’ordonnancement, comment ça influe sur sa
complexité

54
Hiérarchie de complexité selon 

[Pinedo, 2008]

55
Hiérarchie de complexité selon 

[Pinedo, 2008]

56
Hiérarchie de complexité selon 

[Pinedo, 2008]
57
Hiérarchie de complexité
 la hiérarchie de complexité des
problèmes :

58
Hiérarchie de complexité

[Pinedo, 2008]
59