Vous êtes sur la page 1sur 180

—————————————— Th`se de doctorat de l’UNIVERSITE PARIS VI e

Sp´cialit´ : e e INFORMATIQUE

Pr´sent´e par : e e Nabil ABSI

pour obtenir le grade de DOCTEUR de l’UNIVERSITE PARIS VI

Sujet de th`se : e

Mod´lisation et r´solution de probl`mes de e e e lot-sizing ` capacit´ finie a e
Date de soutenance : 01 d´cembre 2005 e devant le jury compos´ de : e Monsieur Madame Monsieur Monsieur Monsieur Madame Monsieur ´ Philippe Chretienne Safia Kedad-Sidhoum ` ´ ` St´phane Dauzere-Peres e G´rard Plateau e Jean-Yves Jaffray ´ Colette Merce C´dric Hutt e Directeur de th`se e Co-Directrice de th`se e Rapporteur Rapporteur Examinateur Examinatrice Membre invit´ e

iii

Remerciements
Je tiens tout d’abord ` remercier sinc`rement Philippe Chr´tienne, Professeur ` l’Univera e e a sit´ Pierre et Marie Curie, et Safia Kedad-Sidhoum, Maˆ de conf´rences au sein de cette e ıtre e mˆme universit´, pour m’avoir encadr´ et apport´ leur soutien tout au long de cette th`se. e e e e e Merci Safia pour tes conseils qui m’ont guid´ durant ces trois ann´es, pour le temps que tu e e m’as consacr´, ainsi que pour ta patience. e ´ Je remercie St´phane Dauz`re-P´r`s, Professeur ` l’Ecole des Mines de Saint-Etienne, et e e ee a G´rard Plateau, Professeur ` l’Universit´ Paris 13, qui m’ont fait l’honneur d’ˆtre rapporteurs e a e e de cette th`se. e Je tiens ` remercier Jean-Yves Jaffray, Professeur ` l’Universit´ Pierre et Marie Curie, a a e Colette Merc´, Professeur ` l’INSA de Toulouse, C´dric Hutt, Docteur et Chef produit ` e a e a DynaSys, pour avoir accept´ de faire partie de mon jury de th`se. e e Mes remerciements vont ´galement ` DynaSys qui m’a offert la chance d’effectuer cette e a th`se en convention CIFRE au sein de la Direction R&D. Je remercie tout particuli`rement, e e Augustin Holveck, Directeur G´n´ral, et Ariel Weil, Directeur R&D, de m’avoir accueilli au e e sein de DynaSys. Je remercie aussi Jean-Luc Rominger, Responsable R&D, pour sa bienveillance. Je tiens ` remercier Henri Laulhere pour son soutien durant ces trois ann´es de th`se. a e e J’adresse ´galement mes remerciements ` tout le personnel de DynaSys, et je pense tout pare a ticuli`rement ` l’´quipe R&D : Julien, Pti Fred, Camille, Greg, Mathieu, Thierry, Antoine, e a e Adrien, R´gis, Alex, Ga´tan, Herv´ et Laurent, pour l’ambiance chaleureuse. Je n’oublie pas e e e de remercier Sylvie, Fran¸oise, Raph, Grand Fred, Richard, Val´rie, Caroline, Christiane et c e j’en oublie. Je remercie tous les membres de l’´quipe SYSDEF du Laboratoire d’Informatique Paris 6 e qui m’ont offert un environnement de travail agr´able et m’ont apport´ joie et bonne humeur. e e Merci ` Yasmin, Yann, Anna, Francis, B´n´dicte, Nicolas, Lucie, Paul, Nathalie, Louis-Xavier, a e e Sergio, Pierre, Emmanuel, Claire, Olivier et Nina. Tous mes remerciements vont ` ma Maman et mon Papa sans qui tout cela ne serait a jamais arriv´. e

.

. . . . . . . . . . . . . . . . . . . . . . . . . . . . .3 M´thodes exactes . . . . . . . . . . . . . . . . .2 Probl`mes ` plusieurs r´f´rences e a ee 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e 2. . . . . . . . . . . . . . . . e 2. . . . . .1 Mod´lisation du probl`me e e 2. . . . .4 Mod`le de lot-sizing multi-ressources (MCLSR) . . . . . . . . e 3. . . . . . . . . . . . . . . . .2. . e 2.1 Mod´lisation du probl`me e e 2. . . . . . .2. . . . . . . ULS . . . . . . . . . . . . . . . . . . . iii v viii ix xi 1 9 10 10 12 12 19 19 19 21 21 23 26 29 29 31 31 36 39 40 41 44 46 . . . . . . .2. .Table des mati`res e Table des mati`res e Liste des tableaux Liste des figures Liste des algorithmes Liste des abr´viations e 1 Introduction g´n´rale e e 2 Etat de l’art 2. . . . . . . . . . . . . .2. . . . . . . . . . .5 Mod`le de lot-sizing multi-gammes (MCLSV) . . .1 Probl`mes ` une seule r´f´rence . . . . . . . . . . e 3. e a ee 2. .3 M´thodes exactes . . . . . . . . . . . . . . . . . . . .6 Mod`les de lot-sizing avec contraintes de production minimale et de e lancement minimum . . . . . . . . .3 Conclusion . .2. . . . . . . . . . 3. . . . . . . . . . .7 Prise en compte explicite de la taille des lots . . e 2. . . . i . . . . .1. . . . . e e 2. . . . . e 3. . . 3 Mod´lisation des probl`mes de lot-sizing MCLS e e 3. . . . . . . . . . . . . . . . . . . . .1. . . . . . . . . . .2 Complexit´ . . . . .2. . . . . . . . . . . . . . . . . .1. . . . . . .2. . .2 Mod`le de lot-sizing avec prise en compte d’un stock de s´curit´ (MCLS4) e e e 3. . . . . . e e 2. . . . . MCLS . . . . . . .2 Formulations math´matiques . . . . . .2 Complexit´ . . . . . . . . . . . . . . . . e 3.2.4 M´thodes approch´es . . . . . . . . . . . 3. . . .4 M´thodes approch´es . . . . . .1.1 Probl`me de lot-sizing avec des ruptures sur la demande (MCLS2) . .3 Mod`le de lot-sizing multi-groupes (MCLSG) . . . . . . . . . . . . . . . . . . e 3. . . . .1 Horizon de planification . . . . .2. . .2. . . . . .2. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . .2. . . . . . . . . . . . .1 Instances de test . . . . . .7. . . . . . . . . . . . . . . .6. . .5 In´galit´s couvrantes et couvrantes inverses pour SPMCLS2 . . . . . . . . . e e e 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 Relaxation du probl`me MCLS2 sur une seule p´riode . . . . e 5. . . . . . e e 4. . . . . . . . . . . . . . . . . . . . . . .7 Lifting des in´galit´s couvrantes et couvrantes inverses . . . . . . . . . . . . . . . .8 Heuristique de s´paration pour les in´galit´s couvrantes . . . . . . . . e e e 5. . .12 Conclusion . . . .8 ` TABLE DES MATIERES Mod`le de lot-sizing avec prise en compte de la tailles de lot et du e lancement minimum pour les groupes de r´f´rences . . . . . .2 Propri´t´s des in´galit´s couvrantes . .3 G´n´ralisation des r´sultats au probl`me MCLS2 multi-gammes . . . e 6. . . . . . . . . . . . . . 6. . . . . . . . e 6. . . . . . . . . . e e 5. . . . . . . . . . . . . . . . . . . . .3 Approches de r´solution . . . . . e e 4. . .4 R´sultats exp´rimentaux . . . . 5. . . .1 G´n´ralisation des r´sultats au probl`me MCLS2 multi-ressources . . e e e 4.2 Interpr´tation des r´sultats . .7. . . . . . . . . . . .3 El´ments de comparaison . . . . . . . . . . . . . . . . . . . . . . .2 D´composition de l’horizon de planification . . . . . . . . . . . . . . 5 Relaxation lagrangienne pour le probl`me MCLS4 e 5. . . . . . .2 G´n´ralisation des r´sultats au probl`me MCLS2 multi-groupes . . e 6. . . . . . .10. . . . . . . . . . .2. . . . . . . . . . . . . . . . . . . . . . . . e a 4. . . . . . . . . . . . . e e 5. . . . 6. .3 Lifting des in´galit´s valides couvrantes inverses du probl`me SPMCLS2 e e e 4. . . . . . .11. . . . . .ii 3. .4 Heuristique de s´paration des in´galit´s (l. . .3 R´sultats exp´rimentaux . . . . . . . . . . .9 Heuristique de s´paration pour les in´galit´s couvrantes inverses . . . . . . . . . . e e 5. . . . . .2. . . . . . . . . . . 4. e e 6.2. . . e e e 4.1 Points et rayons extrˆmes .2 Lifting des in´galit´s valides couvrantes du probl`me SPMCLS2 . . 6 Heuristiques de d´composition ` base de MIP e a 6. . . . . . . . .3. . . . . . . . . . . . . . . . . . . . e e e e 4. . . . . . . . . . . . . . . . . . . . . . . . . S) pour le probl`me SPMCLS2 . . . e e e e 4.1 Instances de test . . e 4. . . . . . . . .3. . . . . . .6. . . . . . . e 4. . . . . . . . . . . . . e e e 4. . . 3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 Relaxation lagrangienne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1 Mod`le math´matique . . . . e e . . S) . . e e e e 4. . . . . . . . . . . .10.7. . . . . . . . . . . .6 Etude poly´drale . . . . . . . . . . . . . . 5. . . . . . . .1 Probl`me de sac-`-dos avec une variable continue . . . . . . . . . . . . . . . . . . .11 G´n´ralisations des in´galit´s valides . . . . . . . . . . . . . . .1 Relaxation lagrangienne des contraintes de capacit´ e 5. . . . . . . . . . . e e e e 4. . . . e e e 4. . . . . . ee Conclusion . . . . . . . . .4 Conclusion . . . . e e 4. . . . . . .11. . . . e e 4. . . . . . . . . .1 Mod´lisation math´matique du probl`me MCLS2 . . . . . .3 Sch´ma de relaxation lagrangienne . . . . . . . e e e 4. . . . . . . .1 Fix-and-Relax . . . . . . ee e e 4. . . . . . . . . .2 Double-Fix-and-Relax . .2 R´solution des sous-probl`mes ULS4 . . . . . . . . . . . . . .1 Mod´lisation math´matique du probl`me MCLS4 . . . . .11. . . . . . . . . . . . . . . . .3 In´galit´s (l. .3. . .3. . . . . . . .10 Impl´mentation et analyse des r´sultats . . . .3. . . . . .2 Interpr´tation des r´sultats . . . . . . . . . . . . . . . . . . . . . . . . . . .3 46 47 49 49 53 55 57 58 63 64 65 68 68 69 71 72 73 74 75 76 83 84 84 86 90 91 92 95 95 96 105 107 108 109 114 117 118 120 122 122 125 128 129 4 Approche de branch-and-cut 4. . . e e 4. . . . .

4. . . . . .4. . . . iii 129 129 130 132 136 137 141 141 141 141 142 142 143 145 163 6. . . . . . . . . . . . . . . . . . . . . . . . . . 6. . . . . . . . . . . . . . . . .4 Analyse de sensibilit´ . . . . . .3 R´sultats . . Le backlogging . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Les changeovers . . . . . . . . . Les overtimes . . . . . . . . . . . . . . . . . . . . . . . Annexe 2 : D´veloppements logiciel . . . . . Le multi-niveau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4. . . . e Bibliographie . . . . . . . .1 Algorithmes et impl´mentation e 6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e 6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4. . . . .5 7 Conclusions et perspectives de recherches Annexes Annexe 1 : Quelques extensions du probl`me MCLS e Les startups . . . . . . . . . . . .2 Instances de test .` TABLE DES MATIERES 6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e Conclusion . . . . . . . . . . . . . . . . . . .

.

. . . . .1 5. . . . a e Solution optimale du tableau 5. .5 3. . . . . . . . . . . . . . . . . . . . . . .4 4. . . . . . . . .Liste des tableaux 2. . . . . . . . . . . . . . e a ee e Probl`mes de lot-sizing ` plusieurs r´f´rences : M´thodes approch´es . . . .1 . . . . . . . . . . .3 . . . . . . . . . . . . . . . . . . . . . . . e e R´sultats exp´rimentaux : crit`re d’arrˆt GAP. . . . R´sultats exp´rimentaux : Relaxation Lagrangienne e e R´sultats exp´rimentaux : crit`re d’arrˆt (900 sec) . .1 . e a ee e e Exemple lot-sizing avec ruptures . . . . . e Coˆts du probl`me (P) . . . . . . . e e e e R´sultats exp´rimentaux : pourcentage de coupes g´n´r´es. . . .4 5. . . . . . . . . . . . . . . . . . I2. . . . . . 12 12 16 22 23 35 35 35 36 76 78 79 80 81 82 83 100 100 103 108 111 113 124 125 125 125 126 130 131 133 Instances de Trigeiro et al.3 2.6 4. .3 4. . . . . . . . . . . u e Donn´es du probl`me (P) . . . . . . . . . . . . .7 5. e e e ee R´sultats exp´rimentaux par famille de coupes. . . . . e a ee e Probl`mes de lot-sizing ` plusieurs r´f´rences : M´thodes exactes .3 3. . . . . . Exemple lot-sizing avec contraintes Solution optimale du tableau 3.4 6. . . . . . . . . . e e e e R´sultats exp´rimentaux utilisant la formulation bas´e sur le probl`me de e e e e calisation d’entrepˆts. . . . . . . . . . . . . . .2 2. . . . . . . . . .2 4. . . . . . . . . . . . Solution optimale du tableau 3. . . . . . . . . . . . . . . . . . . . ruptures . . . . . . . . . . . . . . . . . . . . . . .4 4. . . .1 3. Dimensions du probl`me (P) . . . . . . . .1 2. . . . . . . . .3 5. . . . . . . . . . . e Probl`mes de lot-sizing ` une seule r´f´rence : Programmation dynamique e a ee Probl`mes de lot-sizing ` une seule r´f´rence : M´thodes de coupes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . R´sultats exp´rimentaux : Instances I1. . . . . . . . . . . . . . . . . . CCLS .1 6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 6. . . . . . . . . I3 et I4 . . . . . . . . . . . . e e R´sultats exp´rimentaux : Instances de classe A et B .5 6. . . . . . de capacit´ et e . . [172]. . . .1 4. . . . . . . .3 6. . R´sultats exp´rimentaux : crit`re d’arrˆt temps CPU . .2 3. . . . . . . . . . . . . . . . . . . . . . . . . . . . .7 6. . . . . . .5 4. . . . . . . . Complexit´ des algorithmes de flots ` coˆt minimum e a u Instances de Trigeiro et al. . .5 5. . . . . . . . [172]. . . . . . . . . . . . . . . . . . .8 Complexit´s ULS. . . . . . . lo. . . . e e v . . . .6 6. . . . . . . o R´sultats exp´rimentaux : R´solution ` l’optimum . . e e R´sultats de l’heuristique Fix-and-Relax avec δk = 0 pour tout k e R´sultats de l’heuristique Fix-and-Relax avec δk = 1 pour tout k e Instances de test . . . . . . . . . . . . . . . . . .2 5. . . . . . . . . . . e e e e . . . . . .4 2. .6 6. e e e a Exemple ULS4 ` 5 p´riodes . . . . . .

.

7 6. . . . . . . . . . . . . . . e Solution optimale du tableau 5. . .4 3. . . . . . . . . La solution n. e Relaxation lagrangienne : Classe d’instances A . . . . . . . . . . . . . . . . . . . . . . . Repr´sentation de la solution optimale du probl`me ULS4 dans un r´seau e e e Structure en arbre de la solution optimale du probl`me ULS2B . . . . . . . . . . . .2 3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .SKEP de DynaSys . . . .3 Chaine logistique d’approvisionnement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e e e n.1 6. . . . . . . . . . . . e M´thode Fix-and-Relax . . . . . . . . . . . . . . . .5 5. .8 6. . e Deux lignes de production avec des ressources s´par´es e e Deux lignes de production avec une ressource partag´e e Rotation d’horizon de planification . . . . . . .1 1. . . .4 6. . . . . . . . . . . . . . . . .9 6. . . D´composition de l’horizon de planification e Principe de l’heuristique de d´composition . . .3 3. . . . . . . . . Fonction ψD . . . a n. . . . . . . . . . . . . . . . . .1 . . . . . . . . . . . . . . . . . .3 5. . . . . . .6 6.10 7. . . . . Variation du Temps CPU en fonction de opt . . . . . . . . . . . . . . . . . . . . . . . . . . . Exemple de nomenclature ` deux niveaux . . . . . . . . . . . . Repr´sentation du probl`me ULS4 en r´seau . . . . . . . . . . . . . . . . . . . . Coˆts de stockage . . . . . . . .1 3. . . . . . . . . .2 5. . . Variation du Temps CPU en fonction de σ . . . . . . e e Deux ressources en parall`le . . . . . . . . . . . . . . . . . . . . .SKEP : Entit´ de production . . . . . . . . . . . . . . . . . . .1 5. . . . . .3 6.6 5. . . .2 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Variation du GAP en fonction de δ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e M´thode Double-Fix-and-Relax .4 5. . . . . . . . Horizon de planification mixte .2 3. . . . . .Table des figures 1. Variation du Temps CPU en fonction de δ . . . . . . . . .7 6. . Variation du GAP en fonction de opt . . . . . e e e Structure de la solution optimale du probl`me ULS4 . . . . . . . . . . . . . .6 3. . . . . . 2 3 30 37 37 41 42 42 44 61 69 70 97 100 101 102 105 110 112 121 122 124 127 134 134 135 135 135 135 143 145 146 Fonction ϕS . . . . . . . . . . . . . . . . . . . .5 3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Relaxation lagrangienne : Classe d’instances B . . . . . . . . . . . . . . .2 6. . . . . e Variation du GAP en fonction de σ .7 4.3 5. . . . . . . . . . . . .SKEP : G´n´rateur Hi´rarchique .2 7. . . . . . . .1 7. . . . .5 6. . . . . . . Fonction φC . . . . . . . . . . u Reformulation du stock de s´curit´ . e vii . . . . . . . . . . .1 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

.4 7. . . . . . . . . . . . . . . . . . . . . . . . . .8 n. . . . . . . . .SKEP n. . . . . . . .5 7. .SKEP n.viii 7. . . . . e Vue graphique . . . e rapide) . . . .SKEP : : : : : Fenˆtre de param´trage (Option e e Fenˆtre de progression . . . 146 147 148 148 149 . . Diff´rentes vues . . . . . . . . . . . . . . . . . . . . . . .SKEP n.SKEP n. . . . . . . . . . . . . . e Grille num´rique . . . . . . . . . . . . . .7 7.6 7. . . . TABLE DES FIGURES . . . . . . . . . . . . . . . . .

. . . . . . . . .Liste des algorithmes 1 2 3 4 5 6 7 Heuristique de s´paration pour les in´galit´s (l. . . . . . . . . e e e Heuristique de s´paration des in´galit´s couvrantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . Algorithme Fix-and-Relax . Algorithme Double-Fix-and-Relax . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e e Algorithme du sous-gradient . . . . . . . . . 57 74 75 104 108 124 128 ix . S) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e e e Heuristique de s´paration des in´galit´s couvrantes inverses e e e Algorithme de r´solution du probl`me ULS4 . . . . . . . . . .

.

Liste des abr´viations e
AGG APS BOM CCLS CLS FL GAP LB MCLS Formulation agr´g´e. e e Advanced Planning and Scheduling. Bill Of Materials. Probl`me de lot-sizing ` capacit´ constante (Constant Capacity Lot-Sizing proe a e blem). Probl`me de lot-sizing ` capacit´ finie (Capacitated Lot-Sizing problem). e a e Formulation bas´e sur le probl`me de localisation (Facility Location Formule e mation). Pourcentage d’optimalit´, GAP = (U B − LB)/U B. e Borne inf´rieure (Lower Bound). e Probl`me de lot-sizing ` plusieurs r´f´rences, sous des contraintes de capacit´ e a ee e et des temps de setup (Multi-item Capacitated Lot-sizing problem with Setup times). Probl`me de lot-sizing ` plusieurs r´f´rences, avec des contraintes de capacit´, e a ee e des temps de setup, ainsi que des coˆts de rupture sur la demande (Multi-item u Capacitated Lot-sizing problem with Setup times and Shortage costs). Probl`me de lot-sizing ` plusieurs r´f´rences, avec des contraintes de capacit´, e a ee e des temps de setup, des coˆts de rupture sur la demande ainsi que des coˆts u u de d´ficit sur le stock de s´curit´ (Multi-item Capacitated Lot-sizing problem e e e with Setup times, Shortage costs and Safety Stock deficit costs). Probl`me MCLS4 multi-groupes. e Probl`me MCLS4 multi-ressources. e Probl`me MCLS4 multi-gammes. e Programme lin´aire mixte ou programmation lin´aire mixte (Mixed Integer e e Program ou Mixed Integer Programming). Material Requirements Planning. Programme Directeur de Production. Plan Industriel et Commercial. Probl`me MCLS2 relax´ sur une seule p´riode (Single Period relaxation of e e e MCLS2). Borne sup´rieure (Upper Bound). e Probl`me de lot-sizing sans contrainte de capacit´ (Uncapacitated Lot-Sizing e e problem). Probl`me ULS avec des coˆts de rupture sur la demande (Uncapacitated Lote u Sizing problem with Shortage costs). Probl`me ULS2 avec des coˆts de Backlog. e u Probl`me de lot-sizing avec des coˆts de rupture sur la demande ainsi que des e u coˆts de d´ficit sur le stock de s´curit´ (Uncapacitated Lot-Sizing problem with u e e e Shortage costs and Safety Stock deficit costs). Wagner et Whitin

MCLS2

MCLS4

MCLSG MCLSR MCLSV MIP MRP PDP PIC SPMCLS2 UB ULS ULS2 ULS2B ULS4

WW

xi

Chapitre 1

Introduction g´n´rale e e
Pendant des d´cennies, le souci principal des producteurs ´tait de produire des quantit´s e e e toujours plus grandes pour diminuer le coˆt de production unitaire par ´conomie d’´chelle. u e e Cependant, la production de masse pr´sente un inconv´nient majeur qui se traduit par la rigie e dification du syst`me de production. En pr´sence de forte demande de produits standardis´s, e e e ce probl`me a peu d’importance. En revanche, il devient crucial dans un environnement o` e u l’offre d´passe largement la demande. Ainsi, la nature de la demande ´volue rapidement et e e les entreprises doivent s’adapter ` ces changements. a La r´flexion s’est donc peu ` peu orient´e vers les moyens de diminuer les coˆts fixes. e a e u Ceux-ci prennent une importance capitale, lorsqu’il est n´cessaire de fabriquer des petites e s´ries de produits diff´rents. Les temps de changement de mat´riel sont alors pr´pond´rants e e e e e et la notion classique d’´conomie d’´chelle n’est plus pertinente. Cette constatation conduit e e a ` aborder les probl`mes de production sous un angle diff´rent. e e C’est donc au niveau des moyens de rationalisation de la production que l’on a constat´ e les ´volutions les plus significatives ; les objectifs actuels sont de tenter de b´n´ficier de la e e e flexibilit´ des petites unit´s, tout en gardant les avantages (en terme de coˆt) de la production e e u de masse, afin de satisfaire la demande par une action au niveau de la r´duction des coˆts e u fixes. Dans un environnement de fabrication, les probl`mes de planification de la production e traitent des d´cisions de dimensionnement de lots des diff´rents produits ` fabriquer ou traiter, e e a des p´riodes auxquelles ces lots doivent ˆtre produits, et ´ventuellement de la ou des machines e e e sur lesquelles les productions doivent avoir lieu. Les d´cisions de production sont prises au e regard du meilleur rapport entre les objectifs financiers et les objectifs de satisfaction des demandes. Le probl`me de la planification de la production dans une entreprise de manufacture e peut ˆtre d´fini comme ´tant un ensemble de d´cisions, qui doivent ˆtre prises ` court et ` e e e e e a a moyen terme afin de convertir des mati`res premi`res en produits finis dans une entreprise e e de production. La planification de la production d´termine qui doit effectuer telle ou telle e op´ration, o` et quand. e u Les mati`res premi`res sont achet´es ` des fournisseurs, et les produits finis sont vendus ` e e e a a des clients externes. La transformation des mati`res premi`res en produits finis peut consister e e en plusieurs ´tapes de production durant lesquelles des produits interm´diaires sont fabriqu´s. e e e La planification de la production fait donc partie d’une chaˆ de d´cisions dans laquelle, les ıne e

1

INTRODUCTION GENERALE flux d’information circulent des clients aux fournisseurs et les flux physiques des fournisseurs jusqu’aux clients finaux (cf. La production doit s’adapter de plus en plus e ea rapidement aux fluctuations. en r´duisant le coˆt des flux physiques. le contrˆle a o qualit´. en passant par les ordres de fabrication.2 ´ ´ CHAPITRE 1.A. La production doit s’adapter ` cette instabilit´ chronique et l’entreprise doit avoir connaissance de la demande a e avant de fabriquer le produit. il e faut d´sormais produire ce qui est d´j` vendu. e u e Les travaux de ma th`se s’inscrivent dans le cadre du d´veloppement du logiciel n. DynaSys est un ´diteur de logiciels qui propose une solution globale n. Les pr´visions de ventes sont e e 1 n. Ce terme regroupe toutes les op´rations qui permettent la cr´ation d’un produit et de sa valeur ajout´e. n. et dispose de plusieurs modules qui permettent d’optimiser les flux physiques circulant des fournisseurs vers les clients (cf. . les coˆts de production. figure 1. figure 1.SKEP peuvent ˆtre d´crits de la fa¸on suivante : e e e c n. Les d´cideurs cherchent alors ` minimiser le coˆt de fonctionnement de le chaˆ d’approe a u ıne visionnement. la concurrence est intense et internationale. Les modules de la solution n. il fallait produire ce qui allait se vendre.SKEP Demand Planning : Solution collaborative de pilotage de la demande pr´visionnelle. des e e e fournisseurs jusqu’` la livraison finale.2). et ` une nouvelle approche dans la d´finition du produit-service propos´ au a e e client. L’offre des entreprises est en perp´tuel e mouvement sous l’impulsion d’une demande qui fait jouer la concurrence. Si dans le pass´. e point d’entr´e des modules de distribution et de la production. Ce qui conduit ` une nouvelle diminution de la taille des lots a de production.SKEP e pour l’optimisation de la chaˆ logistique.1).1 – Chaine logistique d’approvisionnement La notion de chaˆ logistique d’approvisionnement (Supply Chain Management) est apıne parue dans les ann´es 80 dans le but de r´pondre ` cette nouvelle probl´matique. DynaSys S. De nos e e a e jours. etc.SKEP g`re les flux d’informations qui circulent ıne e entre les clients et les fournisseurs.SKEP : Supply Chain Management Software. ee En effet. 1. les coˆts de e u u u stocks interm´diaires ainsi que les coˆts engendr´s par l’insatisfaction des clients. Flux Financiers Flux d’informations Fournisseur Production Distribution Flux Physiques Clients Consommateurs Fig.SKEP1 e e de la soci´t´ DynaSys qui a pour but l’optimisation de la Supply Chain Management.

e n. e a e n.SKEP de DynaSys ´labor´es ` partir des historiques.SKEP Distribution Planning : Solution de planification centrale multi-sites qui coordonne les flux de produits ` travers l’ensemble du r´seau logistique (sites de distribution.SKEP Production Planning : Solution de planification de l’usine.SKEP avec e e le Syst`me d’Information de l’entreprise. Ces outils sont essentiellement bas´s sur le solveur e e . u n.3 Fig. a e de stockage et de production). et de garantir leur disponibilit´ pour la r´alisation des e e e e plans de production.SKEP Procurement Planning : Solution permettant de planifier les approvisionnements en composants et mati`res premi`res. Le Programme e e e Directeur de Production (PDP) est optimis´ en fonction de la demande et des stocks.2 – La solution n. en prenant en compte l’ensemble des ´v`nements (Markee e a e e ting. 1. n. n.SKEP Collaborative e-business : Solution permettant ` tous les collaborateurs distants a d’acc´der ` l’ensemble des fonctionnalit´s des solutions n. n.SKEP Performance Scoring : Solution de mesure des performances de la Supply Chain. e e e e e n. ils consistent ` am´liorer et ` d´velopper des outils d’optimisation de la planification de la proa e a e duction dans une entit´ de manufacture.SKEP Scheduling : Solution de programmation des lignes/machines de production permettant d’optimiser les d´lais et la capacit´ utilis´e aux niveaux les plus d´taill´s.SKEP via internet. Mes travaux de recherche portent essentiellement sur le module Production Planning. compte e tenu des contraintes de production. de programmation des capacit´s de production n´cessaires et de projection des stocks pr´visionnels.SKEP Integration : Solution permettant l’int´gration ais´e et standard de n. L’´quilibrage des flux est r´alis´ par simulation et/ou par e e e optimisation des coˆts. Cannibalisation). Promotions.

Le stock de s´curit´ est une partie du stock qui n’est normalement e e e e e pas utilis´e. Des descriptions plus d´taill´es sont faites dans le chapitre 3. Un coˆt de rupture unitaire est associ´ ` chaque r´f´rence et ` chaque p´riode. Il est connu sous le nom de probl`me de lot-sizing dans la litt´rature. e e e il arrive que le client ne tol`re aucun retard dans les livraisons. il r´pond e e e aux questions suivantes en ayant un profit maximum : – Quelles sont les r´f´rences (produits) ` produire ` chaque p´riode ? ee a a e – Quelle est la quantit´ ` produire pour chaque r´f´rence ? ea ee – Sur quelle machine produire chaque r´f´rence ? ee – Quelle est la gamme utilis´e pour produire chaque r´f´rence ? e ee Le probl`me de lot-sizing abord´ dans le cadre de mes travaux de recherche consiste ` e e a d´terminer un plan de production d’un ensemble de N r´f´rences pour un horizon de plae ee nification constitu´ de T p´riodes.). e ee Le plan de production ´tablit les besoins en ressources pour effectuer des transformations. l’un des objectif du d´cideur est d’avoir un profil de stocks sup´rieur ` un seuil e e a appel´ stock de s´curit´. Le lancement de production d’une r´f´rence ` une p´riode donn´e e ee a e e entraˆ outre la consommation variable en ressources. le risque majeur est la perte du client.0 de la soci´t´ Ilog [110]. Une telle situation n’est pas e e sans cons´quence pour le fabricant. Ces probl`mes poussent le d´cideur ` fixer comme objectif principal la e e a minimisation des ruptures sur la demande. e e En d’autres termes. Ce plan est ` capacit´ finie et doit tenir compte d’un e e a e ensemble de contraintes additionnelles. on parle de ruptures sur les demandes.. INTRODUCTION GENERALE de programmation lin´aire en nombres entiers CPLEX 9. une consommation dite fixe (ou setup). augmene a e e e tation de la consommation. on peut ˆtre contraint ` anticiper la production de u e e e a plusieurs p´riodes. e dans le but de satisfaire les clients de la mani`re la plus efficace et la plus ´conomique possible. les clients cherchent ` quantifier e e a les pertes dues aux capacit´s limitantes. Ces quantit´s doivent ˆtre exprim´es par r´f´rence e e e e ee et par p´riode. Il permet de faire face ` des ´v´nements impr´vus (retard de livraison. Dans ces cas. Les ruptures sont exprim´es par r´f´rence et par e ee p´riode. cette anticipation peut ne pas ˆtre rentable en raison de coˆts de stockage e e u ´lev´s.. on dispose de R ressources dont les capacit´s e disponibles sont limit´es. e u ea ee a e Souvent. Il arrive ´galement que les capacit´s ne soient pas e e e suffisantes pour satisfaire toutes les demandes aux dates pr´vues. les d´cisions de produire sont prises au meilleur rapport entre l’objectif e financier et celui de satisfaction des clients. ıne Les probl`mes de lot-sizing trait´s dans ma th`se ont des sp´cificit´s industrielles issues de e e e e e besoins r´els exprim´s par les clients de DynaSys. En effet. En effet. Dans ce cas les commandes e sont annul´es et les demandes perdues. dans une o a situation o` les capacit´s sont limit´es. En effet. Il se peut aussi qu’il soit e plus profitable de perdre la demande plutˆt que de la satisfaire ` tout prix. Les limitations des ressources peuvent pousser le d´cideur ` e a satisfaire la demande pour ´viter d’avoir des ruptures plutˆt que de respecter le stock de e o . Le probl`me de dimensionnement de lots tient une place centrale dans la planification de e la production. e e Dans ces probl`mes de lot-sizing. Les principales caract´ristiques de ces probl`mes sont d´crites dans les parae e e e graphes qui suivent. En effet.4 ´ ´ CHAPITRE 1. les demandes ne peuvent ˆtre livr´es en retard. En effet. Une autre e cons´quence peut ˆtre une mauvaise r´putation qui peut faire fuir des clients et par cons´quent e e e e diminuer les ventes.

Cet objectif est secondaire e e e e e par rapport aux ruptures sur la demande. Cette classification est faite ee le plus souvent selon les consommations fixes en ressources des r´f´rences. Les utilisateurs du logiciel d’APS d´cident.5 s´curit´.SKEP nous ont conduit ` nous poser e e a plusieurs questions : 2 Advanced Planning and Scheduling. L’objectif des probl`mes de lot-sizing ´tudi´s est donc de minimiser les coˆts de rupture e e e u sur la demande. les particularit´s additionnelles de ces probl`mes. Celle-ci doit s’effectuer en respectant des contraintes de taille de lots. G´n´ralement le coˆt de production est mod´lis´ u u e e u e e par une fonction d´compos´e en deux coˆts. un coˆt fixe ind´pendant du lot produit. e e Nous distinguons J groupes de r´f´rences. puisque les ape e e proches d´velopp´es pour les r´soudre sont int´gr´es ` un logiciel d’APS2 . en fonction de la nature du probl`me e e e trait´. les coˆts de d´ficit sur le stock. Le plan de production u doit ´galement respecter une production minimale et un lancement minimum s’il y a produce tion. et un e e u u e coˆt unitaire encouru pour chaque unit´ produite d’une r´f´rence. Un coˆt de d´ficit unitaire e e o u e est associ´ ` chaque r´f´rence et ` chaque p´riode. A notre connaissance. coˆts fixes u u u ou coˆts de setup) et les coˆts de stockage. Ce caract`re g´n´rique des probl`mes ´tudi´s ainsi que e a e e e e e e e l’obligation d’int´grer les r´sultats dans le logiciel n. . r´side dans le fait que le d´cideur puisse e e e e e ˆtre confront´ ` choisir entre des modes alternatifs de production d`s lors qu’interviennent e ea e plusieurs lignes de production. on parle de plusieurs processus (ou gammes) de production. Une autre particularit´ des probl`mes trait´s. ea ee a e Un objectif secondaire est de minimiser les coˆts de production (coˆts unitaires. Nous pr´sentons e e e e e a e dans ce qui suit. des contraintes ` consid´rer. Les coˆts de rupture sur la demande et de d´ficit sur le stock de s´curit´ u u e e e sont consid´r´s comme p´nalit´s en comparaison avec les autres coˆts. e e e ee e e Les probl`mes de lot-sizing que nous traitons sont de nature g´n´rique. En effet. ee e e u L’une des originalit´s des probl`mes de lot-sizing abord´s dans mes travaux de recherche e e e est la prise en compte des coˆts de ruptures sur la demande et des coˆts de d´ficits sur le u u e stock de s´curit´. V est le nombre de gammes. Tout lane cement de production d’une r´f´rence induit une consommation fixe en ressources ainsi qu’un ee coˆt fixe (setup) pour le (ou les) groupe(s) auxquels elle appartient. le d´cideur pr´f`re avoir des d´ficits sur le e ee e stock de s´curit´ plutˆt que d’avoir des ruptures sur la demande. Chacune de ces alternatives a des coˆts de production et des consommations en ressource diff´rents. ainsi que les coˆts u e u u de stockage en tenant compte des contraintes additionnelles d´crites ci-dessus. Des r´f´rences font ee ee partie du mˆme groupe si elles ont une consommation fixe en ressource commune. Dans ce cas on parle de d´ficit sur le stock de s´curit´. e Les contraintes d´crites pr´c´demment ne sont pas forc´ment toutes prises en compte sie e e e multan´ment. Dans ce u e cas. Une r´f´rence peut appartenir ` un ou plusieurs ee ee a groupes et un groupe peut contenir une ou plusieurs r´f´rences. Les coˆts de stockage sont u e ee u des coˆts unitaires. ce probl`me n’a jamais ´t´ trait´ dans la litt´rature. les coˆts de production. plusieurs vendeurs ou plusieurs sous-traitants.

e e e e En effet. INTRODUCTION GENERALE – Quelles sont les particularit´s du probl`me de lot-sizing que nous traitons par rapport e e a ` la litt´rature ? e – Comment formuler ces diff´rentes particularit´s ? e e – Comment aborder les probl`mes de nature g´n´rique ? e e e – Comment r´soudre ces probl`mes ? e e Afin d’apporter des r´ponses ` ces questions. nous avons d´velopp´ un algorithme de branch-and-cut afin de r´soudre le probl`me e e e e de lot-sizing ` plusieurs r´f´rences avec des contraintes de capacit´. plusieurs groupes de r´f´rences. Nous avons ´galement propos´ un algorithme e e e polynomial pour r´soudre le probl`me sans contraintes de capacit´ ainsi qu’une approche par e e e relaxation lagrangienne des contraintes de capacit´ afin de d´terminer une borne inf´rieure e e e du probl`me. e Dans le chapitre 6 nous proposons une approche de r´solution pour les probl`mes lot-sizing e e a ` capacit´ finie impliquant plusieurs r´f´rences. Les trois autres chapitres sont consacr´s ` e e a la r´solution de ces probl`mes. plusieurs resu e e e ee . Ces in´galit´s sont une e e e e e e g´n´ralisation d’autres in´galit´s rencontr´es dans la litt´rature (Barany et al. Cet algorithme est bas´ sur les in´galit´s (l. Lorsqu’il faut e e e a e les prendre en consid´ration. des coˆts de rupture. celles-ci d´crivent des e facettes de l’enveloppe convexe du probl`me trait´. une approche bas´e sur la relaxation lagrangienne est propos´e afin fournir e e une borne inf´rieure de bonne qualit´ aux probl`mes de lot-sizing ` plusieurs r´f´rences avec e e e a ee des contraintes de capacit´. nous l’avons organis´e en e e e e cinq chapitres. le chapitre 4 est une approche poly´drique.SKEP utilisent le solveur CPLEX 9. Le chapitre suivant est consacr´ ee e e a ` la description et ` la mod´lisation des diff´rentes particularit´s des probl`mes de lot-sizing a e e e e trait´s dans le cadre de mes travaux de recherche.0 qui offre un algorithme de branch-and-bound en proposant la possibilit´ d’utiliser des coupes classiques. Plus pr´cisement. des coˆts de setup. le cas de plusieurs ee ressources en parall`le et celui de plusieurs gammes de production. Miller e e e e e e et al.6 ´ ´ CHAPITRE 1. u e e e les in´galit´s couvrantes ainsi que les in´galit´s couvrantes inverses. Marchand et Wolsey [123]). les groupes de r´f´rences. 15]. Ces in´galit´s sont ´galement g´n´ralis´es afin de tenir e e e e e e e e e e compte des contraintes industrielles telles que. nous avons tout d’abord identifi´ le probl`me e a e e de lot-sizing avec des coˆts de rupture sur la demande et des coˆts de d´ficit sur le stock de u u e s´curit´ comme ´tant le probl`me noyau. nous avons insist´ sur les particularit´s de ce nouveau e e e e e e mod`le par rapport aux formulations classiques. e e e e e e Les caract´ristiques du probl`me identifi´ le rendent difficile ` d´composer. nous avons d´velopp´ a e e des in´galit´s valides bas´es sur la structure des probl`mes de lot-sizing ´tudi´s. Sous certaines conditions. e La seconde approche consiste ` am´liorer ces modules en renfor¸ant les relaxations lin´aires a e c e continues ` chaque nœud de l’arbre de branch-and-bound. Le chapitre 2 est un ´tat de l’art sur les probl`mes de lot-sizing ` une seule et e e a a ` plusieurs r´f´rences avec ou sans contraintes de capacit´. S). ainsi a ee e u que des coˆts de rupture sur la demande. des temps de setup. e ee u des coˆts de d´ficit sur le stock de s´curit´. [14. [132]. Pour ce faire. e e Cette th`se tente de r´pondre aux questions pos´es ci-dessus. des approches de r´solution heuristiques sont appropri´es. Nous e e e nous sommes donc orient´s vers des approches heuristiques ` base de programmation lin´aire e a e mixte et d’une d´composition bas´e sur la structure de l’horizon de planification. e Les modules d’optimisation de n. e Au chapitre 5. Des heuristiques de s´paration de ces e e e in´galit´s sont ´galement propos´es. ainsi que des coˆts de rupture sur la demande e u u et de d´ficit sur le stock de s´curit´. des coˆts de setup. e e e e e e e nous d´veloppons un algorithme polynomial pour r´soudre les sous-probl`mes induits par la e e e relaxation lagrangienne des contraintes de capacit´. Apr`s un rappel de la mod´lisation du probl`me trait´.

7 sources. nous avons d´velopp´ des heuristiques ` base de programmation lin´aire e e a e mixte MIP (Mixed Integer Programming). des r´sultats exp´rimentaux ainsi que e e e des analyses de sensibilit´ sont pr´sent´s. L’horizon e e de planification est partitionn´ en plusieurs sous-horizons pour lesquels une strat´gie de ree e laxation ou de gel est appliqu´e. Celles-ci sont une hybridation d’une approche de d´composition de l’horizon de planification et d’une m´thode branch-and-bound. Dans chaque chapitre. e e e Enfin. . Pour ce faire. Le but de cette approche est de fournir une bonne borne sup´rieure dans des temps de calcul raisone nables. plusieurs gammes de production et des contraintes de production minimum. nous terminons cette th`se par une conclusion g´n´rale et des perspectives de e e e recherche pour des travaux futurs.

.

e Introduction Depuis les travaux de Manne [121] et Wagner et Whitin [189] ` la fin des ann´es 50. Ils ont pr´sent´ diff´rentes e e a ee e e e mod´lisations math´matiques et m´thodes de r´solution. Brahimi et al.1. en proposant des mod´lisations. plusieurs chercheurs se sont int´ress´s au probl`me de lot-sizing sous ces diff´rentes formes. Le probl`me du lot-sizing ee e e e a ` une seule r´f´rence a re¸u une attention particuli`re en raison de sa simplicit´ et de son ee c e e importance comme ´tant un sous-probl`me de probl`mes de lot-sizing plus complexes. e e e Wolsey [192] a pr´sent´ un ´tat de l’art sur les avanc´es concernant le probl`me de lot-sizing e e e e e a ` une seule r´f´rence et sans contrainte de capacit´.Chapitre 2 Etat de l’art Depuis les travaux fondateurs de Wagner et Whitin [189]. e e e e e e e Brahimi et al. un ´tat de l’art des principales contributions apport´es dans e e e ce domaine. Nous e e a allons pr´senter dans ce chapitre. Jans et Degraeve [89] ont propos´ un ´tat de l’art sur l’application des m´ta-heuristiques e e e aux probl`mes de lot-sizing. Les m´thodes e e e a ee e de r´solution sont g´n´ralement classifi´es par m´thodes exactes et m´thodes approch´es (ex. section 3. Staggemeier et Clark [165] et Wolsey [195]. D’autres classifications sont propos´es par Drexl et e Kimms [52]. 1 Les notions de small et big buckets sont d´velopp´es au chapitre 3. e e e a e e [91]. e e e a a e Ils les ont ´galement classifi´ par probl`mes ` une seule et plusieurs r´f´rences. [27] ont propos´ un ´tat de e a ee e e l’art r´cent sur le probl`me de lot-sizing ` une seule r´f´rence. Belvaux et e e e e e Wolsey [18. En effet. m´thodes ee ee e e e e approch´es). a e plusieurs travaux ont ´t´ r´alis´s dans le domaine du lot-sizing. e La diversit´ des mod´lisations et des approches de r´solution a pouss´ les chercheurs ` e e e e a classer ces probl`mes par mod`le math´matique et par m´thode de r´solution. [91]). Karimi et al. ainsi que son utilisation pour la r´solution ee e e des probl`mes de lot-sizing ` plusieurs r´f´rences. e e e e e des reformulations ainsi que des m´thodes de r´solution. plusieurs r´f´rences). Nous proposons une classification des approches par type de probl`mes (une seule e r´f´rence. [27]. Faire un ´tat de l’art exhaustif sur e e e tous les travaux de recherche effectu´s depuis la fin des ann´es 50 est une tˆche ardue. Un ´tat de l’art plus g´n´ral et e e e e e e e moins d´taill´ sur les probl`mes de lot-sizing ` capacit´ finie est propos´ par Karimi et al. e e 9 . les auteurs ont e e class´ les mod`les en probl`mes ` courtes (small bucket) et ` longues p´riodes (big bucket)1 . puis par m´thode de r´solution (m´thodes exactes. Salomon [157]. 19] ont propos´ une classification par type de probl`mes.

10

CHAPITRE 2. ETAT DE L’ART

Voß et Woodruff [187] ont publi´ r´cemment un livre d’introduction ` la mod´lisation e e a e des probl`mes de planification de la production. Les auteurs ont pr´sent´ plusieurs mod`les e e e e math´matiques allant du probl`me MRP2 ` des probl`mes de lot-sizing plus complexes. e e a e Dans ce chapitre, les probl`mes de lot-sizing sont class´s en deux cat´gories. Les probl`mes e e e e de lot-sizing ` une seule r´f´rence, et les probl`mes de lot-sizing ` plusieurs r´f´rences. Pour a ee e a ee chaque classe, la distinction est faite entre les m´thodes exactes et les m´thodes approch´es. e e e Toutefois, nous accordons plus d’attention aux probl`mes de lot-sizing ` un seul niveau de e a production, ainsi qu’aux probl`mes ` p´riodes longues. e a e Cette classification d´pend essentiellement des probl`mes que nous ´tudions. En effet, e e e nous pr´sentons au chapitre 4 une m´thodes exacte bas´e sur la m´thode de coupes pour la e e e e r´solution d’un probl`me de lot-sizing ` plusieurs r´f´rences sous des contraintes de capacit´. e e a ee e Au chapitre 5, nous pr´sentons une m´thode exacte pour r´soudre un probl`me de lot-sizing e e e e a ` une seule r´f´rence et sans contrainte de capacit´, puis une m´thode approch´e pour le ee e e e mˆme probl`me ` plusieurs r´f´rences sous des contraintes de capacit´. Au chapitre 6, nous e e a ee e pr´sentons une m´thode approch´e pour un probl`me de lot-sizing ` plusieurs r´f´rences sous e e e e a ee des contraintes de capacit´. Plusieurs des approches et des propri´t´s pr´sent´es dans ce e ee e e chapitre seront reprises dans les chapitres suivants.

2.1

Probl`mes ` une seule r´f´rence e a ee

Les m´thodes les plus utilis´es pour r´soudre les probl`mes de lot-sizing ` une seule e e e e a r´f´rence sont la programmation dynamique, les m´thodes des coupes, ainsi que les m´thodes ee e e bas´es sur les mod`les renforc´s (Strong formulations). Ce sont g´n´ralement des m´thodes e e e e e e exactes. Dans ce qui suit, nous commen¸ons par pr´sentation du mod`le math´matique de c e e e base trait´ par Wagner et Whitin [189], not´ ULS3 , puis les approches de r´solution exactes e e e et approch´es appliqu´es au mod`le ULS ainsi qu’` des mod`les ULS ´tendus. e e e a e e

2.1.1

Mod´lisation du probl`me ULS e e

Le premier probl`me que nous pr´sentons est le probl`me de lot-sizing ` une seule r´f´rence, e e e a ee un seul niveau de production et sans contrainte de capacit´ (ULS), connu ´galement sous le e e nom de probl`me de Wagner et Whitin. L’indice t = 1, . . . , T repr´sente les p´riodes discr`tes e e e e de l’horizon de planification, T repr´sente le nombre de p´riodes. Le but est de planifier la e e production sur cet horizon de planification (i.e. dimensionner la taille de lot pour chaque p´riode) afin de satisfaire la demande et de minimiser la somme des coˆts de production et e u des coˆts de stockage. Le coˆt de production d’un lot est d´compos´ en deux coˆts, un coˆt u u e e u u fixe ind´pendant du lot produit, et un coˆt unitaire encouru pour chaque unit´ produite. Les e u e coˆts de stockage sont mod´lis´s par des coˆts unitaires pour chaque unit´ stock´e ` la fin u e e u e e a de chaque p´riode. La demande de chaque p´riode est satisfaite grace ` la production ou par e e a le stock. Les retards sur la demande4 ne sont pas autoris´s. La capacit´ de production est e e infinie dans ce mod`le. Pour toute p´riode t = 1, . . . , T , les variables de d´cision sont xt , yt e e e et st . Elles repr´sentent respectivement, la quantit´ produite ` la p´riode t si une production e e a e a ´t´ lanc´e ` cette mˆme p´riode (yt = 1 si xt > 0), et le stock ` la fin de la p´riode t. ee e a e e a e
2 3

MRP : Material Requirements Planning. ULS est une abr´viation en anglais de : Uncapacitated Lot-Sizing problem. e 4 Le retard sur la demande est usuellement d´nomm´ : backlog. e e

` ` ´ ´ 2.1. PROBLEMES A UNE SEULE REFERENCE

11

Pour toute p´riode t, les donn´es du probl`me sont : le coˆt de production unitaire (αt ), e e e u le coˆt fixe de production ou setup (βt ), le coˆt unitaire de stockage (γt ), et la demande ` u u a satisfaire (dt ). La demande est exprim´e ` partir des commandes fermes compl´t´es par les e a ee commandes pr´visionnelles. Les demandes sont fermes ` court terme, puis pr´visionnelles ` e a e a plus long terme. Ce mod`le est le sous-probl`me noyau dans la planification de la production, puisqu’il e e est r´solu d’une mani`re r´p´titive pour chaque r´f´rence (des produits finis vers les mati`res e e e e ee e premi`res) dans le MRP. e En utilisant ces variables et param`tres, nous formulons le probl`me ULS comme suit : e e

min
t

αt xt +
t

βt yt +
t

γt st

(2.1)

s.c : xt − st + st−1 = dt , xi ≤ M yt , xt , st ≥ 0, yt ∈ {0, 1}, ∀t ∀t ∀t ∀t (2.2) (2.3) (2.4) (2.5)

La fonction objectif (2.1) est la minimisation de la somme des coˆts de production et u des coˆts de stockage. La contrainte (2.2) repr´sente la satisfaction de la demande ` chaque u e a p´riode t. Elle est appel´e, la contrainte de conservation des flux ` travers l’horizon. La e e a contrainte (2.3) permet de mod´liser la condition suivante : s’il y a lancement de production, e alors la quantit´ produite ne devra pas d´passer le majorant de la production M (M est un e e majorant, il repr´sente g´n´ralement la somme des demandes de la p´riode t ` la p´riode T ). e e e e a e La contrainte (2.4) signifie que les variables xt et st sont continues non n´gatives pour chaque e p´riode t. La derni`re contrainte (2.5) exprime le fait que yt est une variable binaire pour e e chaque p´riode t. e Ce mod`le est appel´ ´galement formulation agr´g´e, car la production de la r´f´rence n’est e ee e e ee d´finie que par sa p´riode de production, contrairement ` la formulation bas´e sur le probl`me e e a e e de localisation d’entrepˆts (Facility Location-based formulation, Krarup et Bilde [101]) o` la o u production est d´finie par sa p´riode de production et par sa p´riode de consommation. e e e En rajoutant une contrainte de capacit´ sur la production ` chaque p´riode, on cr´e un e a e e probl`me de lot-sizing ` une seule r´f´rence et ` capacit´ finie, not´ CLS5 . Pour mod´liser la e a ee a e e e limitation des ressources, la contrainte (2.3) est remplac´e par la contrainte suivante : e

xi ≤ Ct yt ,

∀t

(2.6)

Dans le cas o` les capacit´s de production sont constantes (Ct = C), on parle de probl`me u e e de lot-sizing ` capacit´ constante, not´ CCLS6 . a e e
5 6

CLS est une abr´viation en anglais de : Capacitated Lot-Sizing problem. e CCLS est une abr´viation en anglais de : Constant Capacity Lot-Sizing problem. e

12

CHAPITRE 2. ETAT DE L’ART

2.1.2

Complexit´ e

Bitran et Yanasse [23] et Florian et al. [65] ont prouv´ que le probl`me de lot-sizing ` e e a capacit´ finie CLS est NP-difficile pour le cas g´n´ral et d’autres cas particuliers. Chen et al. e e e [29] ont prouv´ que le probl`me n’est pas NP-difficile au sens fort en proposant un algorithme e e pseudo-polynomial pour le r´soudre. Le tableau 2.1 pr´sente les principales complexit´s des e e e probl`mes ULS et CCLS. Les complexit´s du probl`me ULS ainsi que celles des probl`mes e e e e ULS ´tendus sont pr´sent´es dans la section suivante. e e e
Probl`me e ULS CCLS Complexit´ e O(T 2 ) O(T log T ) O(T 4 ) O(T 3 ) R´f´rences ee [189] [5], [59], [188] [64] [178]

Tab. 2.1 – Complexit´s ULS, CCLS e

2.1.3

M´thodes exactes e

Les m´thodes exactes sont g´n´ralement appliqu´es aux probl`mes faciles ` r´soudre. e e e e e a e C’est-`-dire, en un temps polynomial. Ces probl`mes apparaissent souvent comme sousa e probl`mes de probl`mes plus difficiles. e e 2.1.3.1 Programmation dynamique

Les m´thodes de programmation dynamique ont des applications importantes aussi bien e dans l’industrie que dans la gestion. La programmation dynamique est une m´thode d’optimie sation op´rant par phase. L’efficacit´ de cette m´thode repose sur le principe d’optimalit´ de e e e e Bellman [17] : toute politique optimale est compos´e de sous-politiques optimales. Pour une e description d´taill´e du principe de la programmation dynamique, le lecteur peut se r´f´rer ` e e ee a [194]. Les recherches sur le probl`me de lot-sizing dynamique ULS ont commenc´ en 1958 avec e e les papiers fondateurs de Manne [121] et Wagner et Whitin [189]. Le tableau 2.2 r´sume les e principales r´f´rences bibliographiques utilisant des m´thodes de programmation dynamique ee e pour la r´solution de probl`mes de lot-sizing ` une seule r´f´rence. e e a ee
Probl`me trait´ e e Probl`mes de lot-sizing ` une seule r´f´rence, e a ee sans contrainte de capacit´ e R´f´rences ee [5], [8], [26], [36], [59], [60], [68], [87], [112], [115], [116], [120], [124], [137], [167], [176], [182], [184], [185], [188], [198], [200], [23], [33], [64], [80], [86], [105], [106], [175], [178], [183], [180] [29], [32], [65], [96], [159], [161] [109], [160], [189], [159],

Probl`mes de lot-sizing ` une seule r´f´rence e a ee sous contraintes de capacit´ constante e Probl`mes de lot-sizing ` une seule r´f´rence e a ee sous contraintes de capacit´ e

Tab. 2.2 – Probl`mes de lot-sizing ` une seule r´f´rence : Programmation dynamique e a ee Wagner et Whitin [189] sont parmi les premiers ` proposer un algorithme de programa mation dynamique pour r´soudre le probl`me de lot-sizing ` une seule r´f´rence et sans e e a ee

que ce soit dans le futur ou dans le pass´. Pour plus de d´tails sur la mod´lisation du startup. e a e 7 ne peut avoir qu’un seul arc avec un flot Dans un r´seau ` une seule source. ces algorithmes permettent d’am´liorer la complexit´ de l’algorithme de Wagner e e e et Whitin en faisant passer son temps de calcul ` O(T log T ). les demandes peuvent ˆtre satisfaites ` des p´riodes futures. e e Veinott [185] a montr´ que mˆme si les coˆts de production et de stockage sont des fonce e u tions concaves quelconques. Federgruen et Tzur [59] et e e e e a e Wagelmans et al.1. Zangwill e a e a d´crit la structure de la solution optimale pour ce probl`me. e 7 La notion de flots extrˆmes sera abord´e au chapitre 5 page 98. Wagner et Whitin ont formul´ un algorithme de programmation dynamique en e O(T 2 ) pour r´soudre le probl`me ULS. e e . Les auteurs ont montr´ qu’il e e existe une solution optimale qui satisfait la propri´t´ suivante : ee st−1 xt = 0 ∀t Ce qui signifie que pour une solution optimale. la demande d’une e e e p´riode donn´e doit toujours ˆtre satisfaite par une production. on ne produit jamais ` une p´riode en ayant a e un stock non nul provenant de la p´riode pr´c´dente. pour plus de d´tails sur le backlogging le lecteur peut se reporter e a ` la page 142. e ee e e Ceci permet de d´river un algorithme de programmation dynamique en O(T 2 ). les coˆts u e a e u de startup sont comptabilis´s une seule fois si la production est lanc´e sur plusieurs p´riodes e e e cons´cutives. le stock ou le backlogging. e e e mais jamais par une combinaison de ces trois possibilit´s. L’auteur a propos´ un e e e algorithme de programmation dynamique en O(T 3 ). La propri´t´ principale est e e ee que la production ` une p´riode donn´e doit satisfaire la demande d’un nombre entier de a e e p´riodes cons´cutives. le probl`me de Wagner et Whitin reste solvable par un algorithme e de programmation dynamique en O(T 2 ). e e e u Magnanti et Vachani [120] ont trait´ le probl`me ULS avec des coˆts de startup. Federgruen et Tzur [60] ainsi que a Wagelmans et al. Elle signifie ´galement qu’on ne produit que pour satisfaire e la demande d’un nombre entier de p´riodes cons´cutives. Pour la r´solution du probl`me ULS. Contrairement aux coˆts de setup qui sont comptabilis´s ` chaque p´riode de production. Zangwill [200] a mod´lis´ le probl`me ULS en un probl`me de r´seau ` coˆts fixes. Zangwill a d´crit un algorithme e e de programmation dynamique bas´ sur ces propri´t´s pour calculer la solution optimale en e ee O(T 2 ). [188] ont propos´ des algorithmes diff´rents mais qui aboutissent ` la mˆme complexit´. le lecteur peut se reporter ` e e e a la page 141. PROBLEMES A UNE SEULE REFERENCE 13 contrainte de capacit´ (ULS). cette caract´ristique est ´quivalente ` la propri´t´ de Wagner et Whitin. un flot extrˆme e a e positif ` chaque nœud. Cette propri´t´ est appel´e la propri´t´ e e e ee e ee de Wagner et Whitin (WW). Les auteurs ont montr´ que les propri´t´s de Wagner et Whitin restent v´rifi´es. Love [115] a ´tendu l’approche de Wagner et Whitin en ´tudiant le probl`me avec des e e e bornes inf´rieures et sup´rieures sur la production et sur le stock. [188] ont propos´ des algorithmes en O(T log T ) pour le cas du backlogging. Aggarwal et e Park [5] et Van Hoesel [176] ont propos´ un algorithme plus efficace en O(T log T ). L’auteur e e e e e a u fournit une preuve ´quivalente ` celle de Wagner et Whitin. Plusieurs auteurs ont g´n´ralis´ cette approche pour r´soudre e e e e e des probl`mes de lot-sizing avec des contraintes additionnelles. a e e a ee Zangwill [198] a ´tendu le mod`le de Wagner et Whitin en permettant le retard sur les e e demandes (le backlogging).` ` ´ ´ 2. Ainsi. En se basant sur ces propri´t´s e e ee optimales. Donc. en utilisant la th´orie des graphes. Aggarwal et Park [5].

. yt prend des valeurs dans {1. xt = yt .14 CHAPITRE 2. Lambrecht et VanderVeken [106] ont ´tendu cette analyse pour le probl`me avec des e e structures de capacit´ arbitraire. Ils ont propos´ un algorithme en O(T e e e lot-sizing avec des capacit´s constantes ` travers l’horizon de planification. e e . Ghare et Schrader [68]. e Van Vyve [180] a propos´ un algorithme en O(T 3 ) pour r´soudre le probl`me CCLS avec e e e backlogging et un nombre g´n´ral de batch installables. et des ruptures e a sur la demande. la demande ne peut ˆtre retard´e mais e e peut ˆtre perdue. A partir e e e e e a de cette propri´t´. la variable de e e a e production xt est born´e par une variable enti`re yt . ils ont propos´ un algorithme de programmation dynamique qui fournit la ee e solution optimale en O(T 4 ). Ils ont d´fini les points de r´g´n´ration comme ´tant les p´riodes avec un e e e e e e stock sortant nul. Nahmias et Wang [137]. Bitran et Yanasse [23] ont d´velopp´ un algorithme en O(T log T ) pour le probl`me de O(T e e e avec des coˆts de stockage nuls. ils ont trait´ ´galement le cas u ee avec backlogging. i. ETAT DE L’ART Aksen et al. Les mˆmes auteurs ont propos´ u u e e un algorithme en O(T 4 ) pour r´soudre le probl`me avec des capacit´s non d´croissantes dans le e e e e temps. produits p´rissables. Shah [160]. i. mt } et e e un coˆt unitaire lui est associ´ dans la fonction objectif. Hill [80] a adapt´ l’algorithme de Wagner et e e Whitin pour le probl`me CCLS quand les coˆts de production et de stockage sont constants e u a ` travers l’horizon de planification. ni concave. [8] ont g´n´ralis´ l’algorithme de Wagner et Whitin pour le probl`me ULS e e e e avec des ruptures sur la demande. Ils ont ´galement propos´ un algorithme simple e e e e e et trivial en O(T ) pour r´soudre le probl`me de lot-sizing avec des coˆts de setup et de e e u production non d´croissants. un coˆt de stockage nul et des capacit´s non croissantes dans le e u e temps. Les auteurs ont propos´ une m´thode plus efficace en faisant passer sa complexit´ ` O(T ea e e pour r´soudre les sous-probl`mes. Dans le cas discret. Sandbothe et Thompson [159] ont ´tudi´ le mˆme probl`me avec e e e e 3 ) pour le probl`me de des contraintes de capacit´. Florian et Klein [64] ont trait´ le probl`me de lot-sizing ` une seule r´f´rence avec des e e a ee contraintes de capacit´ constante ` travers l’horizon (CCLS). ainsi que des p´riodes de production fractionnaire comme ´tant les p´riodes e e e avec une production strictement positive. Ils ont propos´ un algorithme de programmation dynamique qui donne la e e solution optimale en O(T 2 ). et une u u e structure g´n´rale de la fonction capacit´. Diff´rentes extensions u ee u e du probl`me ULS sont propos´es dans la litt´rature. avec la propri´t´ qu’il existe au e ee moins une p´riode de r´g´n´ration entre deux p´riodes ` production fractionnaire. . les sous-probl`mes engendr´s par la d´composition e e e e e 2 ). Van Hoesel et Wagelmans [178] ont am´lior´ l’algorithme de Florian et Klein e e e 3 ). Tadikamalla [167]. Dans leur cas. le u e probl`me avec et sans backlogging est r´solu en O(T 2 ) et O(T log T ) respectivement. Van Zyl [182] et Veinott [184]. Jain et Silver e ee [87].g. . En effet. des coˆts de pr´paration et de production constants. e e u R´cemment. Jagannathan et Rao [86] ont ´tendu ces r´sultats de Florian et Klein pour une structure e e g´n´rale de la fonction de coˆt de production qui n’est ni convexe.e. Van Hoesel et Wagelmans ont propos´ un propos´e par Florian et Klein sont r´solu en O(T e e e algorithme glouton pour les r´soudre en O(T ). Les principales r´f´rences sont Cohen [36]. e a e Les auteurs ont montr´ qu’il existe une solution optimale. Bitran et Yanasse [23] ont propos´ un algorithme en O(T 3 ) pour le probl`me CCLS avec e e des coˆts de setup et des coˆts de production non croissants. L’approche que nous proposons au chapitre 5 est proche de celleci. Cet algorithme a ´t´ am´lior´ par Chung et Lin [33] pour pour atteindre une complexit´ ee e e e 2 ). Les auteurs ont caract´ris´ e a e e la structure de la solution optimale avec des coˆts concaves. d´t´rior´s ou e e e e ee e obsol`tes. ` chaque p´riode t. Martel et Gascon [124] ont propos´ un algorithme en O(T 2 ) pour r´soudre le probl`me de e e e lot-sizing quand le coˆt de stockage est corr´l´ du coˆt de production.e. et strictement inf´rieure ` la capacit´ disponible. . e.

Les auteurs e e 4 ) pour r´soudre le probl`me. leurs objectif est de maximiser les ventes. c et d e e ¯ e e mande moyenne. les chercheurs se sont int´ress´s ` la descripe e e e a tion de l’enveloppe convexe de l’ensemble des solutions r´alisables en proposant des in´galit´s e e e valides. [45] ont ´tudi´ le probl`me de lot-sizing avec des e ee e e e fenˆtres de temps. ont propos´ un algorithme polynomial en O(T e e e On analyse dans ce qui suit. Kirca [96] a propos´ une am´lioration de cet algorithme. Le tableau 2. en rajoutant toutes ces in´galit´s valides. Un probl`me u u e de lot-sizing satisfait les conditions de Wagner et Whitin.3. e e Quand les conditions de Wagner et Whitin sont satisfaites. a e e u a e e Un raisonnement similaire peut ˆtre effectu´ dans le cas du backlogging. le coˆt de production unitaire et le coˆt unitaire de stockage e u u a ` la p´riode t.` ` ´ ´ 2. [112] ont consid´r´ le stock de s´curit´ en imposant une borne inf´rieure ee e e e sur le stock. [65] ont prouv´ que le probl`me de lot-sizing avec des contraintes de cae e pacit´ CLS est NP-Difficile. D’autres contributions pour des probl`mes de lot-sizing restreint sont e d´crites dans Bitran et Matsuo [22]. la solution optimale obtenue en ree e laxant les contraintes d’int´grit´ est enti`re. R´cemment.1.2 M´thodes des coupes e Pour la r´solution des probl`mes de lot-sizing. Ainsi. [29] e e ont propos´ une approche de programmation dynamique pseudo-polynomial pour r´soudre e e le mˆme probl`me. et Chung et al. et ULS avec des startups peuvent s’ex´cuter en O(T ). Shaw et Wagelmans [161] ont ´tudi´ le probl`me CLS avec e e e e e e une fonction lin´aire par morceaux pour les coˆts de production et du backlogging. ils ont propos´ une proc´dure pseudo-polynomiale en O(T 2 cd) e e e ¯¯ ¯ repr´sentent respectivement la capacit´ moyenne et la depour r´soudre le probl`me. e u Florian et al. e e u Loparic et al. Les auteurs ont propos´ une e approche de programmation dynamique et de flots pour r´soudre le probl`me ULS incluant e e ces deux contraintes. e Le probl`me de lot-sizing ` plusieurs niveaux de production et sans contrainte de capae a cit´ peut ˆtre r´solu de mani`re polynomiale par la programmation dynamique (Love [116]. ils ont ´galement consid´r´ des variables qui repr´sentent les ventes au lieu e ee e de demandes fixes. si la demande dt est satisfaite ` partir de la p´riode t ou toute e u a e p´riode ult´rieure. Cette propri´t´ signifie que les coˆts de production et de stockage sont non e ee u sp´culatifs dans le sens o`. des intervalles durant lesquels la demande doit ˆtre produite. le cas sp´cial des probl`mes de lot-sizing trait´s pr´c´demment e e e e e o` les coˆts doivent satisfaire aux conditions suivante dites de Wagner et Whitin. Ils ont e u 2 q d) o` d est la demande moyenne et q le nombre moyen de ¯ u ¯ propos´ un algorithme en O(T ¯ e ¯ morceaux lin´aires repr´sentant la fonction de coˆt de production. Aggarwal et Park [5]. e e 2. [32]. [188] ont montr´ que les algorithmes de programmation e dynamique pour les probl`mes ULS. si αt + γt ≥ αt+1 avec αt et γt repr´sentent respectivement. Pour une description compl`te des m´thodes de e e e e e coupes le lecteur peut se r´f´rer ` [194]. PROBLEMES A UNE SEULE REFERENCE 15 Vanderbeck [183] a propos´ un algorithme en O(T 6 ) pour le probl`me de lot-sizing ` e e a capacit´ constante et avec des coˆts de startup. Chen et al. Federgruen et Tsur [59] et Wagelmans et al.1. Brahimi [26] et Dauz`re-P´r`s et al. e e e e e ee e e Zangwill [200]) en utilisant les mˆmes propri´t´s de d´composition que le probl`me ULS. ee . alors cette production est produite le plus tard possible avant t en rese e pectant les d´cisions de lancement de production prises auparavant.3 r´sume les principales r´f´rences biee a e ee bliographiques utilisant des m´thodes de coupes pour la r´solution de probl`mes de lot-sizing e e e a ` une seule r´f´rence. Parce que produire et e stocker ` des p´riodes ant´rieures coˆte plus cher que de produire ` des p´riodes ult´rieures.

S). 15]. . La cardinalit´ de ce sous-ensemble est exponene e e tielle par rapport ` la taille du probl`me. . e e e e Pour les probl`mes ULS avec des coˆts de startup. . [191].7) ¯ o` l ∈ {1. S) est qu’en supposant qu’aucun lancement de production ne soit fait durant e e les p´riodes de S. [40]. S) est exponentielle. avec des in´galit´s e e e e e valides standards issues de la relaxation lin´aire continue de programmes en variables mixtes. S) en une classe d’in´galit´s (l. 2. [177]. Les mˆmes auteurs [152] ont montr´ que lorsque les coˆts satisfont les conditions e e e u de Wagner et Whitin. alors la demande totale δ1. S ⊆ {1. . [150]. R. [147]. [10]. alors la demande d1. T }. [152]. l}. ce qui a e explique les coefficients des variables yt . et avec des capacit´s constantes. Les e e auteurs ont ´galement propos´ un algorithme efficace pour r´soudre en un temps polynomial e e e le probl`me de s´paration. [152]. [14. des in´galit´s valides ainsi que e e e des reformulations sont pr´sent´es dans Wolsey [191] pour le cas sans contrainte de capacit´. des in´galit´s valides pour de tels probl`mes sont pr´sent´es dans Pereira et e e e e e Wolsey [146] pour le probl`me ULS. .l ). e e .k−1 doit ˆtre produite ` des p´riodes dans S. e e e Wolsey [193] a ´tudi´ le probl`me avec des changeovers en proposant diff´rentes formulations e e e e et in´galit´s valides. [149] Tab. [152]. e e e Pour plus de d´tails sur la mod´lisation des startup le lecteur peut se reporter ` la page 141. avec startup. [193] [151]. .e. e d´crivent l’enveloppe convexe des solutions r´alisables du probl`me ULS. qui avec les facettes stane e e e dard de la relaxation lin´aire continue d´crivent l’enveloppe convexe des solutions r´alisables.l doit ˆtre produite ` des p´riodes appartenant e e a e e a a ¯ ` S (i. e e Pochet et Wolsey [150] ont ´tendu la classe des in´galit´s (l. . S) e e e e e ont la forme suivante : xt + ¯ t∈S t∈S δt. En supposant qu’un lancement de production soit effectu´ ` t∈S ¯ une p´riode k ∈ S. et dans Pochet et Wolsey [152] pour les probl`mes ULS e e avec et sans le backlogging. e e a Pour le probl`me ULS avec des contraintes de startup. mais le probl`me de s´paration pour cet ensemble a e e e est solvable en temps polynomial. Dans le cas de la pr´sence de la propri´t´ de coˆts de e ee u Wagner-Whitin.3 – Probl`mes de lot-sizing ` une seule r´f´rence : M´thodes de coupes e a ee e Plusieurs auteurs se sont int´ress´s ` la description partielle ou totale de l’enveloppe e e a convexe de diff´rents probl`mes de lot-sizing. Van Hoesel et al. Les auteurs ont montr´ que la famille des in´galit´s (l. Les premiers travaux sont ceux de Barany et e e al. ¯ δt. e a ee sans contrainte de capacit´ e Probl`mes de lot-sizing ` une seule r´f´rence e a ee a ` capacit´ constante e Probl`mes de lot-sizing ` une seule r´f´rence e a ee sous contraintes de capacit´ e CHAPITRE 2. .j = j dt .l yt ≥ δ1. Les in´galit´s (l. La classe des in´galit´s (l. .16 Probl`me trait´ e e Probl`mes de lot-sizing ` une seule r´f´rence. L’id´e derri`re les u e e t=i in´galit´s (l. Il e e a e est cependant possible que la demande δk. [122]. S = {1. [146]. [177] ont g´n´ralis´ la e u classe des in´galit´s valides (l. ETAT DE L’ART R´f´rences ee [9]. S). S) pour le probl`me ULS e e e e avec backlogging. [181]. . il est possible de r´soudre le probl`me par la programmation lin´aire en e e e rajoutant un sous-ensemble de ces in´galit´s. . l} \ S et δi. Ces in´galit´s d´crivent l’enveloppe convexe des solutions r´alisables du e e e e probl`me. [15].l (2. [111] [119]. [112].l soit produite ` une seule p´riode dans S.l yt ≥ δ1. [14]. .

` ` ´ ´ 2.1. PROBLEMES A UNE SEULE REFERENCE

17

Pochet et Wolsey [151] ont introduit les in´galit´s (k, l, S, I), et ils ont montr´ qu’elles e e e d´finissent toutes les facettes non triviales de l’enveloppe convexe du probl`me CCLS. Elles e e ont la forme suivante :

sk−1 +
j∈U

xj +
i∈V

Bj yj ≥ B0

(2.8)

o` 1 ≤ k ≤ l ≤ T , (U, V ) est une partition de [k, . . . , l], et Bj ∈ R+ , j ∈ V . Quand les u coˆts satisfont aux conditions de Wagner et Whitin, les auteurs [152] ont montr´ qu’il ´tait u e e possible de r´soudre le probl`me en rajoutant ces in´galit´s valides avec des in´galit´s valides e e e e e e standard de programmes lin´aires mixtes. Constantino [40] a ´tendu ces in´galit´s pour le e e e e mˆme probl`me avec des coˆts de startup. Ces in´galit´s ont ´galement ´t´ g´n´ralis´es pour e e u e e e ee e e e le probl`me de localisation d’entrepˆts Aardal et al. [1]. e o e e e Leung et al. [119], Marchand [122] et Pochet [147] ont propos´ plusieurs classes d’in´galit´s valides pour le probl`me de lot-sizing ` capacit´ finie. D’apr`s les r´sultats exp´rimentaux, e a e e e e Leung et al. ont montr´ l’efficacit´ de leurs in´galit´s valides. La classe d’in´galit´s valides e e e e e e propos´e par Pochet [147] est bas´e les in´galit´s de flots couvtants, tandis que la classe des e e e e in´galit´s valides propos´e par Marchand [122] est bas´e sur des in´galit´s valides du probl`me e e e e e e e de sac-`-dos. a Atamt¨rk et Mu˜oz [10] ont ´tudi´ le polytope du probl`me CLS. Les auteurs ont identifi´ u n e e e e les in´galit´s valides d´finissant des facettes qui coupent tous les points extrˆmes fractionnaires e e e e de la relaxation lin´aire du probl`me. Ils ont ´galement propos´ un algorithme de s´paration e e e e e polynomial dans le cas o` les capacit´s sont constantes. u e Loparic et al. [111] ont propos´ des in´galit´s valides en se basant sur la structure de sac e e e e e e a ` dos du probl`me CLS. Les mˆmes auteurs [112] ont propos´ des in´galit´s valides pour le e e probl`me de lot-sizing dans lequel ils consid`rent des variables de ventes au lieu de demandes e e fixes et des bornes inf´rieures sur les stocks. Des ´tudes poly´driques sur les probl`mes de e e e e lot-sizing avec des contraintes de setup sur les stocks ont ´t´ propos´es par Atamt¨rk et ee e u Kucukyavuz [9] et Van Vyve et Ortega [181]. Plusieurs ´tudes ont port´ sur la recherche de structures poly´driques et d’in´galit´s valides e e e e e pour diff´rents mod`les de lot-sizing. Une synth`se de l’ensemble des r´sultats de plusieurs e e e e in´galit´s valides pour une vari´t´ de probl`me de lot-sizing, avec contraintes de capacit´s, e e ee e e startups ou probl`mes multi-niveaux est donn´ par Pochet et Wolsey [149]. e e 2.1.3.3 Les formulations renforc´es (Strong formulations) e

Le principe de ces approches est de reformuler les mod`les math´matiques en variables e e mixtes et de r´soudre leur relaxation lin´aire continue. Le but est d’avoir une solution du e e probl`me relax´ o` toutes les contraintes d’int´grit´ sont respect´es. De telles reformulations e e u e e e ont ´t´ d´velopp´es pour le probl`me ULS. ee e e e Formulation bas´e sur le probl`me de localisation d’entrepˆts L’une des premi`res e e o e reformulations du probl`me de lot-sizing a ´t´ propos´e par Krarup et Bilde [101]. Les auteurs e ee e ont propos´ la formulation du probl`me ULS en un probl`me de localisation d’entrepˆts e e e o (Facility Location Problem). Les variables de production sont mod´lis´es plus finement en e e introduisant la p´riode ` laquelle ces productions sont consomm´es. Cette mod´lisation nous e a e e

18

CHAPITRE 2. ETAT DE L’ART

permet d’´liminer les variables de stock et les variables de production du mod`le en les e e exprimant en fonction de ces nouvelles variables. Le coˆt associ´ ` cette nouvelle variable u e a est donc la somme du coˆt de production ` la p´riode de production concern´ et du coˆt u a e e u de stockage entre la p´riode de production et la p´riode de consommation. Les auteurs ont e e montr´ que la relaxation lin´aire continue du probl`me ULS ainsi formul´ poss`de une solution e e e e e optimale o` toutes les contraintes d’int´grit´ sont respect´es. u e e e Formulation bas´e sur le probl`me du plus court chemin Eppen et Martin [57] ont e e d´crit une autre reformulation du probl`me ULS. Cette reformulation est une repr´sentation e e e en r´seau de transport de la formule de r´cursivit´ du programme dynamique propos´ par e e e e Wagner et Whitin [189]. Les auteurs ont consid´r´ un graphe orient´ de T +1 nœuds 0, 1, . . . , T . ee e Un arc (t, t ) existe pour tout t < t . Le coˆt associ´ ` chaque arc (t, t ) repr´sente le coˆt u e a e u de lancement de la production ` la p´riode t + 1 et de la satisfaction de la demande du a e tron¸on d’horizon [t + 1, . . . , t ]. Le plus court chemin du nœud 0 au nœud T dans ce r´seau c e est ´quivalent ` la solution optimale du probl`me ULS. Les auteurs ont montr´ que la relaxae a e e tion lin´aire continue du probl`me ULS formul´ en utilisant ce principe poss`de une solution e e e e optimale o` toutes les contraintes d’int´grit´ sont respect´es. u e e e Pochet et Wolsey [150] ont utilis´ les reformulations en localisation d’entrepˆts, en plus e o court chemin pour obtenir des programmes lin´aires ` O(T 2 ) variables et contraintes pour e a le probl`me ULS avec backlogging. La technique de reformulation en un probl`me de plus e e court chemin propos´e par Martin [125] et Eppen et Martin [57] peut ´galement ˆtre utilis´e e e e e pour r´soudre le probl`me CCLS avec O(T 4 ) variables et contraintes. Pochet et Wolsey [151] e e ont propos´ une formulation en programme lin´aire avec O(T 3 ) variables et contraintes pour e e r´soudre le probl`me CCLS, leur probl`me correspond ` une s´quence de plus courts chemins e e e a e sur des intervalles de r´g´n´ration d´finie par Florian et Klein [64]. e e e e Formulation bas´e sur la notion d’echelon stock La formulation du probl`me de lote e sizing ` plusieurs niveaux de production ne contient pas explicitement des sous-probl`mes a e ULS (except´ pour les produits finis). Ceci est dˆ ` la pr´sence de deux types de demandes, e ua e d´pendantes et ind´pendantes. En utilisant la notion d’echelon stock, introduite par Clark e e et Scart [34], il est possible d’obtenir une formulation qui contient explicitement des sousprobl`mes ULS. En effet, cette derni`re est effectu´e en rempla¸ant les variables de stock par e e e c des variables d’echelon stock. Ces nouvelles variables repr´sentent le stock total du compoe sant dans le syst`me de production. Cette formulation permet d’utiliser des algorithmes de e d´composition bas´s sur les r´sultats connus du probl`me ULS. Pour plus de d´tails sur les e e e e e probl`mes de lot-sizing ` plusieurs niveaux de production, le lecteur peut se reporter ` la page e a a 143. 2.1.3.4 Approches branch-and-bound

La m´thode de branch-and-bound consiste ` d´terminer une solution optimale ` travers un e a e a arbre d’´num´ration par s´paration et ´valuation progressive. Pour une description d´taill´e e e e e e e de la m´thode de branch-and-bound, le lecteur peut se r´f´rer ` [194]. e ee a e e e e Jacobs et Khumawala [85] ont d´velopp´ un algorithme polynomial bas´ sur la m´thode de branch-and-bound comme alternative ` la programmation dynamique pour r´soudre le a e probl`me ULS. Baker et al. [13] ont propos´ un algorithme de branch-and-bound pour r´soudre e e e

` ` ´ ´ 2.2. PROBLEMES A PLUSIEURS REFERENCES

19

le probl`me CLS avec des coˆts de production et de stockage constants. Pour la r´solution e u e du probl`me CLS avec des coˆts de production et de stock concaves, Lotfi et Yoon [113] e u ont d´velopp´ un algorithme de branch-and-bound bas´ sur les propri´t´s de d´composition e e e ee e ´nonc´es par Florian et Klein [64]. Dans le cas o` les capacit´s sont constantes Chung et al. [32] e e u e ont propos´ une m´thode de branch-and-bound coupl´e ` un algorithme de programmation e e e a dynamique. Afin de r´soudre les probl`mes de lot-sizing ` plusieurs niveaux de production et sans e e a contrainte de capacit´, plusieurs auteurs ont propos´ des approches bas´es sur la m´thode de e e e e branch-and-bound, on peut citer les travaux de Afentakis et Gavish [3], Erenguc [58], Kirca [97], Robinson et Gao [155].

2.1.4

M´thodes approch´es e e

Plusieurs auteurs ont propos´ des heuristiques afin de fournir de bonnes solutions r´alisables e e au probl`me ULS. Ces m´thodes fonctionnent p´riode par p´riode et se basent sur des r´gles e e e e e de priorit´ de coˆts. On peut citer la m´thode du moindre coˆt par p´riode (least cost per e u e u e period ) propos´e par Silver et Meal [162], The EOQ Based Period Order Quantity heurise tic Berry [20], la m´thode du moindre coˆt unitaire propos´e par Gorham [72] (Least Unit e u e Cost), la m´thode part period balance criterion De Matteis et Mendoze [126], la m´thode de la e e diff´rence des coˆts marginaux Groff [73] et la technique de placement et de dimensionnement e u de lots de Coleman et McKnew [38]. Une comparaison de ces m´thodes peut ˆtre trouv´e dans e e e Coleman [37] et Simpson [163]. Axs¨ter [11], Bitran et al. [21] et Vachani [174] ont montr´ a e des r´sultats sur des bornes pire cas de quelques unes de ces heuristiques. e Maes et al. [117] ont propos´ une heuristique bas´e sur la programmation lin´aire pour e e e r´soudre le probl`me de lot-sizing ` capacit´ finie et ` plusieurs niveaux de production. Les e e a e a auteurs ont utilis´ la formulation bas´e sur le probl`me de localisation [101]. e e e Hardin et al. [77] ont analys´ plusieurs algorithmes afin de fournir des bornes sup´rieures et e e inf´rieures pour une variante du probl`me CLS. Les auteurs ont propos´ plusieurs algorithmes e e e bas´s sur la relaxation lin´aire continue du probl`me, ils ont ´galement fait une analyse pire e e e e cas.

2.2

Probl`mes ` plusieurs r´f´rences e a ee

Les m´thodes les plus fr´quemment utilis´es pour r´soudre les probl`mes de lot-sizing ` e e e e e a plusieurs r´f´rences sont les m´thodes bas´es sur la relaxation lagrangienne, les m´thodes de ee e e e branch-and-cut, les m´thodes bas´es sur les mod`les renforc´s et diff´rentes heuristiques de e e e e e construction de solutions r´alisables. Ce sont g´n´ralement des m´thodes approch´es. Dans ce e e e e e qui suit, nous commen¸ons par pr´senter le mod`le math´matique de base d´crit dans Miller c e e e e et al. [131] et Trigeiro et al. [172]. Ce probl`me est not´ MCLS8 . Nous pr´sentons alors les e e e approches de r´solution exactes et approch´es appliqu´es ` des mod`les MCLS ´tendus. e e e a e e

2.2.1

Mod´lisation du probl`me MCLS e e

Manne [121] est parmi les premiers ` mod´liser le probl`me de lot-sizing ` plusieurs a e e a r´f´rences soumis ` des contraintes de capacit´. L’auteur a propos´ un mod`le bas´ sur les ee a e e e e
8

MCLS est une abr´viation en anglais de : Multi-item Capacitated Lot-sizing problem with Setup times. e

e a Une particularit´ importante des probl`mes de planification de production est la variation e e de la demande dans le temps. De plus. mais ´galement e e e e des r´f´rences fabriqu´es. Nous a e e e e pr´sentons dans ce qui suit la mod´lisation math´matique du probl`me MCLS.20 CHAPITRE 2. u e a e mˆme si les productions sont lanc´es ` des p´riodes cons´cutives. e ee En utilisant ces variables et param`tres..) . la cadence peut ˆtre d´finie par la mesure heure/unit´ produite. e a e αit : Coˆt de production unitaire variable de la r´f´rence i ` la p´riode t. ee e e e e c’est ce que l’on appelle un besoin variable unitaire. les cadences de production d´pendent de la machine. – Les coˆts ainsi que les besoins fixes sont comptabilis´s ` chaque p´riode de production. Les capacit´s de production doivent e e e ˆtre respect´es. a e e satisfaction de la demande. ` la p´riode et pour chaque r´f´rence. ∀t). ee a e ct : Capacit´ disponible ` la p´riode t. On introduit donc un coˆt de stockage unitaire pour u chaque r´f´rence et ` chaque p´riode. ETAT DE L’ART conditions d’optimalit´ de Wagner et Whitin (st−1 xt = 0. u a ee a e γit : Coˆt unitaire de stockage pour la r´f´rence i ` la p´riode t. si xit > 0). e e a e e Afin de d´crire le mod`le math´matique du probl`me MCLS. e ee a e fit : Besoin fixe en ressources de la r´f´rence i ` la p´riode t. ee a e La mod´lisation du probl`me MCLS se base sur les hypoth`ses suivantes : e e e – Tous les calculs se font ` la fin de chaque p´riode. on utilise les notations suivantes : e e e e Les param`tres : e dit : Demande (commandes et pr´visions) pour la r´f´rence i ` la p´riode t. e ee a e 1 s’il y a production de la r´f´rence i ` la p´riode t (i. Le lancement de la production d’une e e r´f´rence ` une p´riode donn´e induit un coˆt fixe ainsi qu’un coˆt variable unitaire. Ces deux d´cisions ainsi que les capacit´s limitantes entraˆ e e ınent l’obligation de constituer des stocks. ce temps est appel´ besoin fixe ou setup. e a e ee pour un horizon de planification constitu´ de T p´riodes. ee a e vit : Besoin variable en ressources de la r´f´rence i ` la p´riode t. nous formulons le probl`me MCLS comme suit : e e . Afin d’amortir les coˆts fixes. ee a e yit = 0 sinon sit : Valeur du stock en fin de p´riode t pour la r´f´rence i. e a e ee a puis pr´visionnelles ` plus long terme. c’est-`-dire qu’on ne produit e a jamais ` une p´riode en ayant un stock non nul provenant de la p´riode pr´c´dente. ee a e e u u La demande est exprim´e ` partir des commandes fermes compl´t´es par les commandes e a ee pr´visionnelles. Ces variations poussent le d´cideur ` anticiper la fabrication afin e a de les satisfaire. tel que l’incr´mentation des stocks. e e e e e Ces ressources peuvent ˆtre mat´rielles ou humaines. u ee a e βit : Coˆt fixe relatif ` un lancement de la r´f´rence i ` la p´riode t. Les demandes sont fermes ` court terme. ainsi que des temps de non productivit´ e induits par les changements de r´f´rences. u ee a e Les variables : xit : Quantit´ produite pour la r´f´rence i ` la p´riode t. le d´cideur est ´galement contraint de lancer u e e des campagnes de production. Rappelons e e e e que le probl`me consiste ` d´terminer un plan de production d’un ensemble de N r´f´rences..e. La capaee e cit´ des ressources est g´n´ralement exprim´e en nombre d’heures disponibles dans la p´riode.

11) exprime le fait a que le plan que nous souhaitons calculer doit ˆtre ` capacit´ finie. ∀t (2.2 Complexit´ e Chen et Thizy [31] ont montr´ que le probl`me MCLS est NP-difficile au sens fort.14) + N i=1 fit yit ≤ ct . En effet. La contrainte (2. principalement bas´es sur les m´thodes de branch-and-cut.10) exprime la conservation des flux ` travers l’horizon. nous disposons d’une quantit´ de ressources qui sera consomm´e par la production e e d’une ou plusieurs r´f´rences. D’autre approches tel e e que la decomposition de Dantzig-Wolf ainsi que la g´n´ration de colonnes sont abord´es.9) minimise le coˆt total induit par le plan de production ` savoir u a les coˆts de production et de stockage. ee e Ce mod`le est appel´ ´galement formulation agr´g´e. car la production d’une r´f´rence e e e e e ee n’est d´finie que par sa p´riode de production.2. T ].13) (2. Les e e e principales r´f´rences bibliographiques proposant des m´thodes exactes pour des probl`mes ee e e de lot-sizing ` plusieurs r´f´rences sont r´sum´es dans le tableau 2. La derni`re contrainte (2.13) signifie c que les variables xit et sit sont continues non n´gatives pour toute r´f´rence i. alors la quantit´ produite ne devra pas d´passer un majorant de la production e e M .t γit sit (2. Nous d´crivons ici les travaux portant sur les m´thodes e e e e e e exactes. a ee e e . pour chaque p´riode t.` ` ´ ´ 2.. yit ∈ {0.2. contrairement ` la formulation bas´e sur le e e a e probl`me de localisation d’entrepˆts [101]) o` la production est d´finie par sa p´riode de e o u e e production et par sa p´riode de consommation. [117]. sit ≥ 0.9) s.c : xit − sit + si(t−1) = dit . e 2. La contrainte (2. ∀t ∀i. e e e e ee e 2. La contrainte (2.3 M´thodes exactes e Le probl`me MCLS ´tant NP-Difficile au sens fort [31]. La contrainte u u (2.10) (2.t αit xit + i.12) permet de mod´liser la condition suivante : s’il y a lancement e de production. Le e e probl`me de d´cision du mˆme probl`me a ´t´ prouv´ NP-complet par Maes et al. 1}. . les auteurs se sont principalement e e int´ress´s aux m´thodes approch´es.14) exprime le fait que yit est une variable binaire pour e e toute r´f´rence i. xit ≤ M yit .12) (2.4.11) (2. pour chaque e ee p´riode t.t βit yit + i. ainsi que les coˆts fixes de lancement.. xit .2. N i=1 vit xit ∀i. ∀t ∀t ∀i. PROBLEMES A PLUSIEURS REFERENCES 21 min i. La consommation totale doit rester inf´rieure ` la capacit´ ee e a e disponible. ∀t ∀i. Celui-ci repr´sente le minimum entre la quantit´ maximale de la r´f´rence pouvant ˆtre e e ee e produite et la demande totale sur le tron¸on de l’horizon [t. pour la r´alisation e a e e d’un plan. La fonction objectif (2.

4 – Probl`mes de lot-sizing ` plusieurs r´f´rences : M´thodes exactes e a ee e 2. permet e e de r´duire la taille de ce dernier lors de la recherche d’une solution optimale ou r´alisable. Des r´sultats exp´rimentaux int´ressants ont ´t´ donn´s. e e e la m´thode est appel´e cut-and-branch. ETAT DE L’ART R´f´rences ee [14]. les relaxations lin´aires continues sont renforc´es par e e des in´galit´s valides afin d’am´liorer la qualit´ de la borne inf´rieure. En effet. les auteurs ont d´fini des in´galit´s valides en relaxant le probl`me sur une e e e e seule p´riode en consid´rant un stock pr´c´dent. [108]. [28].3. utilis´e pour r´soudre les probl`mes lin´aires en nombre entiers. e g´n´ration de colonnes. [18]. le stock pr´c´dent est un terme de l’´quation e e e e e e e de flux assimil´ ` la variable de stock entrant. e Vanderbeck [183] a d´velopp´ une m´thode de branch-and-price qui combine une m´thode e e e e de g´n´ration de colonnes et une m´thode de coupes pour la r´solution du probl`me MCLS e e e e e avec startup. permettaient d’am´liorer la borne inf´rieure et de r´duire consid´rablement le e e e e e e pourcentage d’optimalit´ des probl`mes MCLS.2. [183] [12]. le e e e e e lecteur peut se r´f´rer ` [194]. On peut citer ´galement les travaux de Gr¨tschel e e a e o et al. 135].3. [134] ont pr´sent´ un algorithme de branche e and-cut efficace pour le probl`me MCLS en utilisant des in´galit´s valides de la relaxation sur e e e une seule p´riode avec un stock pr´c´dent. Les auteurs ont montr´ que la plupart des variables e e . e e e 2. e e e e e a ` chaque nœud de l’arbre de recherche. Les auteurs ont ´galement a e e e montr´ que ces in´galit´s repr´sentaient des facettes du poly`dre des solutions r´alisables sous e e e e e e certaines conditions. S). L’auteur a propos´ des in´galit´s valides pour ce probl`me en se basant sur des e e e e relaxations sur une seule p´riode.22 Approches Branch-and-cut Autres m´thodes (Decomposition de Dantzig-Wolf. e e e e ee e D’autres in´galit´s valides pour le probl`me MCLS ont ´t´ propos´es par Miller et al. Plusieurs auteurs ont montr´ que l’utilisation des in´galit´s (l. [14. Constantino [41] a ´tudi´ le probl`me MCLS avec des bornes inf´rieures sur les variables e e e e de production. ee a Crowder et al. branch-and-bound) e e CHAPITRE 2. Ils ont reformul´ les contraintes de ressources en ea e contraintes de sac ` dos afin d’utiliser les r´sultats de Marchand et Wolsey [123] sur le probl`me a e e de sac ` dos continu ainsi que des proc´dures de liftings s´quentiels. introduites par Barany e e e et al. [119]. [90]. [74] et Padberg et Rinaldi [145]. [54]. [135]. [131]. [99].2 Autres approches e e e Dzielinski et Gomory [54] et Manne [121] ont ´tudi´ la d´composition de Dantzig-Wolfe pour le probl`me MCLS sans besoin fixe. [41]. Si e e les in´galit´s valides ne sont rajout´es qu’au premier nœud (ou racine) de l’arbre de recherche. 133. Belvaux et wolsey [18] ont propos´ un syst`me e e de branch-and-cut incluant des pr´traitements et des in´galit´s valides pour une vari´t´ de e e e ee mod`les de lot-sizing. [132]. [133].1 Approches branch-and-cut La m´thode de branch-and-cut est une m´thode de branch-and-bound coupl´e ` une e e e a m´thode de coupes. [30]. [42] sont parmi les premiers ` utiliser l’approche de branch-and-cut pour a r´soudre des probl`mes ` variables binaires.2. [76]. [121] Tab. e e e ee e [132. [134]. Le fait d’avoir une e e e e e meilleure borne inf´rieure du probl`me au cours du parcours de l’arbre de recherche. 2. [88]. Miller [131] et Miller et al. 15]. [19]. Pour une pr´sentation compl`te de cette m´thode.

Bahl [12] et Cattrysse et al. [127]. [102].. [90] ont ´tendu le probl`me e e MCLS en rajoutant la notion setups d´pendants de la s´quence de passage sur des machines e e parall`les. en relaxant les contraintes de ressource du probl`me MCLS. m´ta-heuristiques. [172]. ils ont montr´ que leur approche e e fournissait la mˆme borne inf´rieure que celle trouv´e par la d´composition de Dantzig-Wolf e e e e propos´e par Manne [121] et Dzielinski et Gomory [54]. [107]. [141]. [84]. [47]. [169]. [166] [2]. [134]. [118]. [71]. Des heuristiques lagrangiennes e a e sont utilis´es pour trouver une borne sup´rieure au probl`me. [103].5 – Probl`mes de lot-sizing ` plusieurs r´f´rences : M´thodes approch´es e a ee e e . [171]. [143]. e e e a ee Approches Relaxation lagrangienne Heuristique ` base de MIP a Heurisques : p´riode par p´riode. [48]. [196] Tab. [144].5 rassemble les principales r´f´rences utilisant des e ee m´thodes approch´es pour les probl`mes de lot-sizing ` plusieurs r´f´rences. [128]. [51]. e Lasdon et Terjung [108] ont propos´ une reformulation du programme lin´aire pour fournir e e une approche bas´e sur une technique de g´n´ration de colonnes plus efficace. niveau par niveau ee Agr´gation/D´sagr´gation e e e M´ta-heuristiques e R´f´rences ee [3]. [95]. Haase et Kimms [76] ont propos´ un algorithme de branch-and-bound pour la r´solution de e e probl`me MCLS avec des contraintes qui tiennent compte de l’ordre de passage des r´f´rences e ee sur la ressource. [4]. Ils ont r´solu e e e e les sous-probl`mes issus en utilisant les propri´t´s lin´aires du probl`me de sac-`-dos ` choix e ee e e a a multiples pour trouver une borne inf´rieure. [89]. [129].). Les auteurs ont propos´ une m´thode bas´e sur la g´n´ration de colonnes pour e e e e e e r´soudre le probl`me.4 M´thodes approch´es e e Puisque le probl`me MCLS est NP-Difficile au sens fort [31]. e e ee e Kleindorfer et Newson [99] ont propos´ une d´composition lagrangienne pour le probl`me e e e MCLS bas´e sur la relaxation des contraintes de ressources. [31]. e e 2. En effet. les chercheurs se sont e int´ress´s aux m´thodes approch´es. 2. [173] [35]. [100].2. [81]. [66]. Le tableau 2. [46]. [158]. [186] [16]. Chen et Thizy e e e [30] ont propos´ une m´thode de g´n´ration de colonnes pour le probl`me MCLS sans temps e e e e e de setup. les deux m´thodes sont e e duales. Kang et al. [79]. [168]. PROBLEMES A PLUSIEURS REFERENCES 23 ´taient enti`res si le nombre de r´f´rences est plus important que le nombre de p´riodes. [197] [24]. [164]. [62].` ` ´ ´ 2. En effet. [92]. [130]. [104].. Degraeve et Jans [88] ont propos´ une m´thode de d´composition de Dantzig et Wolfe e e e bas´e sur la relaxation des contraintes de flux pour r´soudre le probl`me MCLS. [82]. [67]. Ils ont montr´ que leurs bornes sont meilleures e e que celles propos´es par Belvaux et Wolsey [18] et Miller et al. [25]. Les variables de lancement ainsi que les s´quences de passages sont fix´es e e durant le parcours de l’arbre de recherche. [53]. Les autres approches sont e e e des hybridations d’algorithmes exacts et d’heuristiques (ex. r´f´rence par e e ee r´f´rence. [142]. [83]. heuristiques gloue tonnes. [63]. [98]. L’une des m´thodes les plus efficaces est la relaxation lae e e e e grangienne. d´composition.2. on retombe e sur plusieurs sous-probl`mes de type ULS faciles ` r´soudre. [28] ont ´galement utilis´ la m´thode de g´n´ration e e e e e e e de colonnes pour la r´solution du probl`me MCLS. [39]. [93]. [56]. [140].

Dans la pratique. Le probl`me dual du probl`me relax´ consiste ` d´terminer la valeur des e e e e a e multiplicateurs qui maximiseront la fonction objectif du probl`me relax´. Si le probl`me initial est un programme e e e lin´aire en variables mixtes. la solution optimale du probl`me relax´ est une borne inf´rieure de la solution optimale du e e e probl`me initial (cas d’un probl`me de minimisation). le lecteur peut se r´f´rer ` e e e ee a [136].4. Ils ont ´galement effectu´ des comparaisons entre la programmation lin´aire. ee Thizy et Van Wassenhove [171] ont utilis´ la relaxation lagrangienne afin de trouver une e borne inf´rieure au probl`me MCLS. et par cons´quent e e e la valeur de la borne inf´rieure. Pour une e e e e description d´taill´e de la m´thode de relaxation lagrangienne. Cette solution est obtenue en ex´cutant des heuristiques lae e e grangiennes qui se basent sur la solution fournie par la relaxation lagrangienne et les coˆts u duaux. Le probl`me dual est r´solu en utilisant la m´thode e e e e e du sous-gradient. ou si les e e contraintes de capacit´ restent viol´es apr`s deux essais de d´placement. Un avantage de cette transformation est que pour tout vecteur de multiplicateurs. De fa¸on similaire. e e e e Chen et Thizy [31] ont trait´ le probl`me de lot-sizing ` plusieurs r´f´rences avec des e e a ee contraintes de capacit´. des m´thodes it´ratives sont utilis´es pour e e e e r´soudre le probl`me dual. et en r´solvant a e e des probl`mes de flot ` coˆt minimum afin de trouver les quantit´s ` produire. ETAT DE L’ART La relaxation lagrangienne est une m´thode qui permet de trouver de bonnes bornes e inf´rieures pour les probl`mes de minimisation ou bornes sup´rieures pour des probl`mes de e e e e maximisation. ces r´sultats ont ´t´ obtenus en reformulant a e c e ee les probl`mes en se basant sur la notion de d’echelon stock. Le processus s’interrompt si toutes les contraintes de capacit´ sont satisfaites. [4] ont r´solu le probl`me multi-´tapes sans contrainte de capacit´ en le e e e e reformulant avec la notion de d’echelon stock d´finie page 18. Les auteurs ont utilis´ la relaxation lagrangienne des contraintes e de capacit´ pour obtenir une bonne borne inf´rieure.24 2. e e e La g´n´ration de colonnes a donn´ les meilleurs r´sultats. Afentakis et Gavish [3] ont e montr´ des r´sultats exp´rimentaux sur des probl`mes de lot-sizing ` plusieurs ´tapes de e e e e a e production et ` capacit´ finie. La m´thode la plus utilis´e est celle du sous-gradient. e a u e a Afentakis et al. Une borne sup´rieure est obtenue en e e e utilisant une heuristique lagrangienne. [172] sont les premiers ` pr´senter un algorithme efficace qui prend en charge a e les besoins fixes (setups). Celle-ci tente de d´placer les quantit´s produites vers e e les p´riodes futures puis vers les p´riodes pass´es afin d’´liminer les d´passements des capae e e e e cit´s. Les auteurs ont construit une borne sup´rieure en fixant les variables de e lancement ` partir de la solution des sous-probl`mes de Wagner et Whitin. e e e la g´n´ration de colonnes et la relaxation lagrangienne utilisant la m´thode du sous-gradient.2. Cette approche s’est av´r´e d’une grande efficacit´ pour les probl`mes de lot-sizing ` ee e e a plusieurs r´f´rences. Elle permet ´galement de trouver des solutions r´alisables en appliquant des e e heuristiques lagrangiennes. L’approche de la relaxation lagrangienne consiste ` relaxer un sous-ensemble de contraintes a tout en p´nalisant leur violation dans la fonction objectif en leur associant un multiplicateur e lagrangien.1 Relaxation lagrangienne CHAPITRE 2. Les auteurs ont propos´ plusieurs ape e proches de relaxation lagrangienne ainsi qu’une formulation bas´e sur le probl`me du plus e e court chemin. La solution du probl`me relax´ est souvent exploit´e afin de construire une solution e e e r´alisable au probl`me initial. e e Trigeiro et al. et en les r´solvant en utilisant la e e relaxation lagrangienne et des m´thodes de programmation lin´aire mixte. alors sa relaxation lagrangienne est au moins aussi bonne que sa e relaxation lin´aire. mais sans temps de setup. e e e e .

Les heuristiques propos´es dans la litt´rature peuvent ˆtre class´es en trois cat´gories : e e e e e les heuristiques p´riode par p´riode.4. o` les p´riodes sont trait´es une par une. Ces heuristiques op`rent en e a e traitant le probl`me p´riode par p´riode. PROBLEMES A PLUSIEURS REFERENCES 25 Diaby et al. vers le futur puis vers le pass´. [92] et Karmarkar et Schrage [93]. e e le parcours vers le pass´ permet de cr´er un plan pour chaque p´riode et d’anticiper ce qui e e e ne peut ˆtre produit. e u Toledo et Armentano [173] ont trait´ le probl`me de lot-sizing ` plusieurs r´f´rences avec e e a ee machines parall`les ` capacit´ constante. Du Merle et al. Parmi ces travaux on peut citer Clark [35]. Karmarkar et al. Les premi`res m´thodes e e e e propos´es sont des heuristiques juste ` temps (JIT : Just-in-time). [53] ont propos´ une m´thode de relaxation lagrangienne comparable ` e e a celle de Trigeiro et al. L’efficacit´ de e e ces m´thodes r´side dans le bon renseignement de ces priorit´s. e e e e e e vers le futur. Ils ont r´solu le probl`me dual en utilisant la m´thode du sous-gradient. il permet ´galement de lisser la production en ´liminant le e e e surplus de production. Pour chaque relaxation. En effet. Plusieurs recherches ont ´t´ e e ee entreprises pour trouver une solution r´alisable au probl`me MCLS. rendent e e e les algorithmes exacts inutilisables pour des probl`mes r´els. les r´f´rences sont trait´es par rapport ` leurs priorit´s. Kelly [95]. ils ont d´velopp´ un e e e e e e algorithme de branch-and-bound o` les bornes inf´rieures sont d´termin´es par relaxation u e e e lagrangienne.2 Autres heuristiques Le temps d’ex´cution long ainsi que la m´moire requise pour une r´solution exacte. e e Les bornes lagrangiennes sont souvent utilis´es dans des m´thodes de branch-and-bound. Ces m´thodes sont appel´es heuristiques ` base de MIP. Tempelmeier et Derstroff [169] ont propos´ une m´thode e e de relaxation lagrangienne pour le probl`me de lot-sizing ` plusieurs ´tapes de production. e e On peut notamment citer les travaux de Afentakis et al. Le parcours vers le futur permet de satisfaire les demandes en retard e lorsque le backlog est autoris´. La seconde e e e d´composition est effectu´e en dualisant les contraintes de flux. Les r´f´rences les u ee e a e ee plus prioritaires sont trait´es en premier et les moins prioritaires en dernier. e e e Plusieurs auteurs ont propos´ des heuristiques hybrides mixant des approches de branche and-bound ` des heuristiques JIT. e e e La premi`re d´composition est obtenue en relaxant les contraintes de capacit´. Les overtimes sont des capacit´s suppl´mentaires avec un coˆt associ´ dans e e u e la fonction objectif. ils ont utilis´ une approche de relaxation lagrane a e e gienne afin de r´soudre le probl`me. les heuristiques r´f´rence par r´f´rence. e a e cette m´thode est bas´e sur la relaxation des contraintes de ressources et des contraintes de e e flux. Stadtler e e [164] et Suerie et Stadtler [166]. ou bien vers le pass´ puis vers le futur. [48] ont appliqu´ plusieurs sch´mas de relaxation lagrangienne pour le MCLS e e avec des overtimes.2. Le parcours des p´riodes peut ˆtre fait vers le pass´. 2. les sous-probl`mes sont des e e e probl`mes de sac-`-dos continus.2. . [4]. En effet. Les auteurs ont propos´ un algorithme de branch-and-bound e a e sp´cialis´ pour r´soudre les sous-probl`mes. a e e a Contrairement ` la m´thode JIT. La m´thode est bas´e sur un mod`le de priorit´s et non sur un mod`le e e e e e de coˆts.` ` ´ ´ 2. les heuristiques a e u e e a ` base de MIP fonctionnent en traitant s´quentiellement groupes de p´riodes par groupe de e e p´riodes. Merc´ et Fontan [129]. Fleischmann [62]. et les heuristique e e ee ee niveau par niveau. [172] en utilisant une m´thode du point int´rieur et des plans s´cants au e e e lieu d’utiliser la m´thode classique du sous-gradient pour trouver de nouveaux coˆts duaux.

une importance particuli`re a ´t´ accord´e aux approches poly´driques. ETAT DE L’ART Les heuristiques p´riode par p´riode fonctionnent de mani`re r´cursive. Les d´cisions en haut de la hi´rarchie sont bas´es sur des mod`les agr´g´s.3 Conclusion Nous avons pr´sent´ dans ce chapitre un ´tat de l’art non exhaustif des probl`mes de lote e e e sizing. En retour. En e e e e e effet. L’heuristique doit s’assurer de la faisabilit´ de la solution des sous-probl`mes par rapport aux e e contraintes de capacit´. [143] et Ozdamar et ¨ Birbil [142]. Ozdamar et Bozyel [144]. e e e e e e e e e Le succ`s de cette approche r´side essentiellement sur l’uniformit´ entre l’agr´gation et la e e e e d´sagr´gation ainsi que l’interaction entre les mod`les aux diff´rents niveaux de la hi´rarchie. Gabbay [66] a appliqu´ e e a e la m´thode en pr´sence de plusieurs contraintes de ressource. Hetreux et a al. Coleman et McKnew [39] et McLaren ee e [127] pour r´soudre des probl`mes de lot-sizing ` plusieurs niveaux de production et sans e e a contrainte de capacit´. Kirca et K¨kten [98] ont utilis´ une telle m´thode pour r´soudre ee o e e e le probl`me MCLS. Pour le probl`me MCLS ` plusieurs niveaux. ¨ ¨ ¨ [100]. Pour le probl`me MCLS on peut citer. [82]. Ozdamar et Barbarosoglu [140]. Hung et al. Nous avons propos´ une e . De telles heuristiques ont ´t´ utilis´es par Afentakis [2] pour le probl`me de lot-sizing e ee e e a ` plusieurs ´tape de production. e a e e a e a e Cette proc´dure est r´p´t´e jusqu’` ce que l’on obtienne une solution pour le probl`me ` T e e ee a e a p´riodes. Meyr [130]. le lecteur peut se r´f´rer ` Jans et Degraeve [89].26 CHAPITRE 2. [47]. [84]. A chaque ee ee ee ´tape un groupe de r´f´rences est planifi´ jusqu’` ce qu’un plan de production soit obtenu e ee e a pour toutes les r´f´rences. Nous avons ax´ cette ´tude sur les approches de r´solution abord´es dans ma th`se. Mehra et et al. [197] ont ´galement e e e appliqu´ cette m´thode pour le probl`me ` une seule contrainte de capacit´ dans un syst`me e e e a e e de production en s´rie. Nous pouvons citer les travaux de Bitran and Hax [24]. Lambrecht et Vanderveken [107] et Maes et Van Wassenhove [118]. Hung et Chien [83]. Les e e e e e a d´cisions agr´g´es sont prises en premiers. e Les heuristiques r´f´rence par r´f´rence fonctionnent par groupe de r´f´rences. e e Gopalakrishnan et al. aux approches e ee e e de programmation dynamique ainsi qu’aux approches heuristiques. Zahorik et al. [71]. e ee a 2. Laguna [104]. [186]. Gfrerer et Z¨pfel [67]. Ozdamar et Barbarosoglu [141]. Barbarosoglu et Ozdamar [16]. Cette e e a approche a ´t´ utilis´e par Blackburn et Millen [25]. Ozdamar et al. En effet. ¨ ¨ [103]. Tang [168] et Xie et Dong [196]. Dellaert et al. Eisenhut [56]. Dans ces approches. Fleischmann et Meyr [63]. Kuik et al. e Les m´thodes niveau par niveau sont bas´es sur la d´composition d’un probl`me ` plusieurs e e e e a ´tapes de production en plusieurs sous-probl`mes ` un seul niveau de production. e Plusieurs auteurs se sont int´ress´s ` l’application des approches hi´rarchiques (dites e e a e m´thodes d’agr´gation et de d´sagr´gation) aux probl`mes de la planification de la produce e e e e tion. e e e e e Plusieurs auteurs se sont int´ress´s ` l’application des m´ta-heuristiques ` diff´rents e e a e a e probl`mes de lot-sizing. Pour un ´tat de l’art sur l’application des m´ta-heuristiques e e aux probl`mes de lot-sizing. Dellaert et Jeunet [46]. Hindi [81]. et sont ensuite impos´es comme contraintes aux e e e e mod`les plus d´taill´s. [128] et Vicens et al. [158]. Elles ont ´galment ´t´ appliqu´es au probl`me MCLS Dixon e e ee e e et Silver [51]. Kohlmorgen et al. la formulation monolithique est remplac´e par une s´quence de mod`les et une hi´rarchie de d´cisions ` prendre. la solution e e e e d’un probl`me ` t p´riodes est utilis´e pour trouver une solution ` un probl`me ` t+1 p´riodes. Hung et al. [79]. Kuik et Salomon [102]. Pour le MCLS en multi-niveau on peut citer. Salomon et al. les d´cisions d´taill´es permettent d’´valuer la qualit´ des e e e e e e e e d´cisions agr´g´es.

CONCLUSION 27 classification des approches par type de probl`mes (une seule r´f´rence. nous d´crivons a e e e dans le chapitre suivant la structure de l’horizon de planification que nous utilisons. En se basant sur le mod`le MCLS d´crit page 19. m´thodes approch´es). plusieurs r´f´rences).2. e e e . nous e e e e e avons accord´ plus d’attention aux probl`mes de lot-sizing ` un seul niveau de production. nous pr´sentons ´galement les principales caract´ristiques des probl`mes de lot-sizing auxquels e e e e nous nous sommes int´ress´s dans le cadre de cette th`se.3. Toutefois. e e a ainsi qu’aux probl`mes ` p´riodes longues. Cet ´tat de l’art permet de situer nos approches e a e e par rapport ` l’existant. e ee ee puis par m´thode de r´solution (m´thodes exactes.

.

1. ceci peut induire une plus grande e impr´cision dans les donn´es. nous allons d´crire les principales caract´ristiques des probl`mes de lote e e sizing auxquels nous nous sommes int´ress´s dans le cadre de cette th`se. Les e d´cisions prises ` long terme (2 ` 10 ans suivant le secteur d’activit´) sont des d´cisions e a a e e strat´giques. En fonction du carnet de e e commandes ainsi ´tabli et ´ventuellement compl´t´ par des pr´visions de ventes. les d´ficits sur le stock de s´curit´.1). les clients passent leurs commandes pour une p´riode donn´e. nous commen¸ons par pr´senter la structure de l’horizon de planifie e c e cation.Chapitre 3 Mod´lisation des probl`mes de e e lot-sizing MCLS Introduction Dans ce chapitre. figure 3. le lancement minimum de production. c’est-`-dire que le d´coupage de e a e l’horizon se fait en semaines.1 Horizon de planification La planification de la production s’effectue sur un horizon de planification discret. not´ MCLS tel d´crit au chapitre 2. Nos mod`les sont des extensions e e e du mod`le classique de lot-sizing ` plusieurs r´f´rences avec des contraintes de capacit´ et e a ee e des temps de setup. nous chere e ee e chons alors ` d´terminer les quantit´s ` produire sur un horizon donn´ d´coup´ en p´riodes. des familles de r´f´rences et e ee 29 . la producee tion minimale. ee e e e 3. dont le raisonnement porte sur des grandes masses. Rappelons que les mod`les que nous proposons permettent de repr´senter des situae e tions rencontr´es dans des milieux industriels. Chacune d’elle sera d´velopp´e plus en d´tail dans ce qui suit. mod´lis´e e e e e e et accompagn´e d’un exemple issu d’une situation r´elle. Avant de d´crire les e e e e mod`les math´matiques. plusieurs gammes de production. Chaque particularit´ sera expliqu´e. ce dernier peut ˆtre mixte. En effet. e e Dans une entreprise de manufacture. en mois voir en trimestres (cf. plusieurs ressources. a e e a e e e e La saisonnalit´ de la demande et la limitation des capacit´s imposent une anticipation et un e e stockage ´ventuel des produits. il existe principalement trois types de d´cisions. Les principales cae e ract´ristiques abord´es sont : les ruptures sur la demande.2. On peut remarquer que plus l’horizon est long plus les p´riodes sont longues. e e la planification de production se fait le plus souvent sur un horizon de planification moyen terme (entre un an et deux ans). la tailles de lot pour les r´f´rences et ee les groupes de r´f´rences. Du point de vue de la granularit´ de la maille temporelle. section 2. e e e e e les groupes de r´f´rences.

sont des mod`les ` horizon discret avec des p´riodes de temps e e a e plus courtes. Dans notre ´tude.) se produisant due e e e rant une p´riode donn´e sont agr´g´s dans le temps comme si ils se produisaient tous en mˆme e e e e e temps. parce que les informations e e e e d´taill´es ne sont g´n´ralement pas disponibles. ainsi le setup est encouru seulement quand un autre e produit est lanc´ sur la machine. e En fonction du d´coupage de l’horizon de planification. telles que les pr´visions de ventes d´taill´es. Le but d’une telle mod´lisation est de prendre des d´cisions globales sur la e e mani`re d’utiliser les ressources et comment affecter les produits aux usines. G´n´ralement une seule r´f´rence est produite par p´riode. La taille de la p´riode varie entre une heure et une journ´e sur e a e e un horizon de planification allant d’une journ´e ` quelques semaines. Celles prises ` court terme (maille journali`re) repr´sentent les d´cisions au niveau des ateliers et a e e e visent ` ´tablir un ordonnancement. De tels mod`les sont utilis´s pour tenter de r´soudre des probl`mes e e e e e e e op´rationnels ` court terme. les d´cisions sont prises sur la base d’un horizon de planification e e mixte ` moyen terme. et mod`les ` p´riodes courtes (small e a e e a e bucket). La e e e e a taille de la p´riode varie entre une semaine et un mois sur un horizon de planification allant e de quelques semaines ` une ann´e. sont des mod`les ` horizon discret avec de longues p´riodes e e a e de temps. MODELISATION DES PROBLEMES DE LOT-SIZING MCLS 0 Tron¸on d’horizon en semaines c Tron¸on d’horizon en mois c T Fig. Tous les ´v´nements (demandes. e e e ee e 1 2 PIC : Plan Industriel et Commercial. e e une repr´sentation du temps plus d´taill´e n’est pas n´cessaire. Le but de tels mod`les est de prendre des d´cisions d´taill´es au sujet de pase e e e sage des produits sur les machines et les flux de mati`res premi`res dans les ateliers. Les mod`les small buckets requi`rent la repr´sentation e e e e des s´quences d’´v´nements d’une p´riode ` une autre. Cette probl´matique e a e est g´n´ralement une ´tape interm´diaire entre les probl`mes de lot-sizing ` p´riode longue e e e e e a e et les probl`mes d’ordonnancement. une repr´sentation de temps plus e e e e d´taill´e est n´cessaire. Tr`s souvent. 3... Les quantit´s mentionn´es sont exprim´es par r´f´rence.30 ´ ` CHAPITRE 3. l’horizon de planification est d´compos´ en plusieurs e e e p´riodes discr`tes. L’utilisation d’un horizon a a de planification mixte est justifi´e par le besoin d’avoir des d´cisions pr´cises au d´but de e e e e l’horizon. pertes. . il existe deux classes de probl`mes e e de lot-sizing : mod`les ` p´riode longues (big bucket). Ces mod`les sont employ´s quand le e e e e a e e changement de setup sur les machines ` un impact significatif sur les capacit´s utilis´es ou sur a e e les coˆts de production.1 – Horizon de planification mixte non des r´f´rences et qui visent l’´tablissement d’un PIC1 . a e Les mod`les small buckets. ae Dans les probl`mes de lot-sizing. e e e e e e e De tels mod`les sont employ´s pour r´soudre des probl`mes tactiques ` moyen terme. le lancement de production d’un mˆme produit est u e e maintenu pour un nombre de p´riodes. Les mod`les big buckets. productions. Pour ces mod`les. Les d´cisions prises ` moyen terme ee e e a (niveau mois) traduisent le PIC en exprimant les pr´visions de production sur l’horizon retenu e e e e ee et produisent donc un PDP2 . PDP : Plan Directeur de Production. qui servirons de base ` un ordonnancement. Pour e e v´rifier les contraintes de pr´c´dence entre les productions. et des d´cisions moins pr´cises sur le a e e reste de l’horizon afin d’avoir une estimation des d´cisions futures. ce qui va nous amener ` produire un PDP.

Les r´f´rences peuvent avoir une dur´e ee a e ee e de vie limit´e. page 141 e e MCLS2 est une abr´viation en anglais de : Multi-item Capacitated Lot-sizing problem with Setup times e and Shortage costs. Ces ressources e e e e peuvent ˆtre mat´rielles ou humaines.2. e Les notions de startup et de changeover sont d´velopp´es en Annexe 1. Ces variations poussent le d´cideur ` anticiper ses demandes e a et ` les fabriquer quelques p´riodes plus tˆt. 4 3 . Nous finirons par la pr´sentation des notions de lancement minimum de production et des tailles e de lot pour les r´f´rences et les groupes de r´f´rences. Cette contrainte limitera les antie e e cipations de la production et par cons´quent la production maximale. nous parlons ee de mod`le ` temps ou ` coˆts de startup. celle-ci est exprim´e en nombre de p´riodes. on parle de mod`le ` temps ou ` coˆts de changeover3 . e e a a u Les probl`mes sur lesquels nous travaillons sont ` horizon de planification discret avec de e a longues p´riodes de temps (Big Buckets).2. avec temps de setup et coˆts de rupture e a e u 4 . e a e ee a puis pr´visionnelles ` plus long terme.´ 3. Ces deux d´cisions ainsi que les e e capacit´s limitantes entraˆ e ınent des strat´gies de stockage. les d´ficits sur le stock de s´curit´. Les demandes sont fermes ` court terme. La capacit´ des ressources e est g´n´ralement exprim´e en nombre d’heures disponibles dans la p´riode. Nous poursuivrons par les particularit´s de nos probl`mes ` sur la demande. pour un horizon de planification constitu´ de T p´riodes ee e e longues (big buckets). ee ee 3. not´ MCLS2 e e e a savoir. e a Une particularit´ importante des probl`mes de planification de production est la variation e e de la demande dans le temps. e 3. la notion de groupes de r´f´rences. mais seulement du changement de setup sur la machine. Nous pr´sentons tout e e e e e d’abord le probl`me de lot-sizing ` capacit´ finie. les diff´rents mod`les math´matiques illustrant les pare e e e ticularit´s industrielles des probl`mes rencontr´s chez DynaSys.2 Formulations math´matiques e Nous d´crivons dans ce qui suit. le d´cideur est a e o u e ´galement contraint de lancer des campagnes de production. e e Le lancement de la production d’une r´f´rence ` une p´riode donn´e induit un coˆt fixe ee a e e u ainsi qu’un coˆt variable unitaire. En effet. une consommation dite fixe (temps de setup). Les capacit´s de production sont limit´es et doivent ˆtre respect´es. Quand le coˆt ou le temps de setup d´pend de la e a a u u e s´quence des produits. Afin d’amortir les coˆts fixes. Ces mod`les permettent de e e e e repr´senter des situations issues de milieux industriels. le cas de plue e e ee sieurs ressources et plusieurs gammes de production ainsi que la production minimale.1 Probl`me de lot-sizing avec des ruptures sur la demande (MCLS2) e Le probl`me de lot-sizing que nous traitons consiste ` d´terminer un plan de production e a e d’un ensemble de N r´f´rences. ` la p´riode et pour chaque r´f´rence. e e e mod´lis´e et accompagn´e d’un exemple issu d’une situation r´elle. e e e e Ce plan doit ´galement tenir compte d’un ensemble de contraintes additionnelles. FORMULATIONS MATHEMATIQUES 31 Quand la capacit´ ou le coˆt encouru durant le changement de setup ne d´pend pas de e u e l’ordre des r´f´rences. le e lancement de production d’une r´f´rence ` une p´riode donn´e entraˆ outre la consommation ee a e e ıne variable en ressources. u La demande est exprim´e ` partir des commandes fermes compl´t´es par les commandes e a ee pr´visionnelles. Chaque particularit´ sera expliqu´e. Ceci induit un coˆt de stockage e u unitaire pour chaque r´f´rence et ` chaque p´riode.

Un premier mod`le avec des variables de production continues. est que la production soit un e e multiple d’une taille de lot fix´e (cf. En effet.2.3.) . Dans les mod`les classiques de lot-sizing. u e Nous allons montrer ` travers un second exemple (exemple 3. Or. Une telle situation n’est pas sans cons´quence pour le fabricant. En effet. Dans une situation o` la concure u u rence est rude et le risque de perte du client est ´lev´. Dans ce cas. La mod´lisation du probl`me MCLS2 se base sur les hypoth`ses suivantes : e e e – Tous les calculs se font ` la fin de chaque p´riode (Incr´mentation des stocks. et ne prend pas en e e compte le fait que la production ne puisse ˆtre r´alis´e qu’en multiple d’une quantit´ donn´e. (page 34)) qu’il peut ˆtre a e rentable d’avoir des ruptures dans une situation surcapacitaire. on observe des ruptures e sur la demande.2. a e e pertes. En effet. c’est ce e qu’on appelle la rupture sur la demande. u e a e mˆme si la production est lanc´es ` des p´riodes cons´cutives. Cette situation se pr´sente quand la somme u e e du coˆt de production et des coˆts de stockage est sup´rieure au coˆt de rupture.2. e e Exemple 3. et les ressources disponibles en e (Heures). cette probl´matique est trait´e en r´solvant successivement deux mod`les e e e e math´matiques. Une autre cons´quence peut ˆtre une mauvaise r´putation.. et un second e e mod`le avec des variables de production discr`tes. e e la variable qui repr´sente les quantit´s produites est souvent continue. La seconde cause est ´conomique. les coˆts de u u rupture peuvent repr´senter les coˆts de vente du produit.. e e e e e Dans notre cas.2.32 ´ ` CHAPITRE 3. – Les coˆts ainsi que les besoins fixes sont comptabilis´s ` chaque p´riode de production.7. les coˆts de rupture sur la demande e e u sont des p´nalit´s tr`s ´lev´es dans la fonction objectif en comparaison avec les autres coˆts. les productions en (Kg).1. la premi`re est la limitation des capacit´s disponibles. mˆme dans une o e situation o` les capacit´s ne sont pas limitantes. qui peut e e e avoir comme r´percussion la perte de futurs clients et par cons´quent une diminution des e e ventes. Nous consid´rons dans tous nos travaux que les variables de e e e production sont continues. Donc. Dans ce cas. Il existe essentiellement deux causes de ruptures. e e Dans la pratique. les e commandes sont annul´es et on parle de perte partielle ou totale de la demande. Les bornes inf´rieures et sup´rieures des e e e e variables de production du second mod`le sont recalcul´es en se basant sur les r´sultats de la e e e r´solution du premier mod`le. les cadences de production sont souvent donn´es en (Heures/Kg).2. Nous a pr´senterons une mod´lisation des tailles de lot dans la section 3.2. 1000 est la taille de lot. Dans une situation de monopole o` le risque de perte du client est minime. livraisons. c’est-`-dire qu’elles ne tiennent pas compte des tailles de lot. il arrive souvent que l’on n’admette pas de retards sur les commandes. les quantit´s sont regroup´es par poids (en tonnes par exemple). Dans le domaine de l’agroalimentaire. e e a e e . dans le cas o` les capacit´s ne e e u e sont pas suffisantes pour satisfaire les demandes aux dates pr´vues. le risque majeur e est la perte du client. En effet. Ces probl`mes poussent le d´cideur ` fixer comme objectif principal la minimisation e e a des ruptures sur la demande. il existe des clients qui ne tol`rent aucun retard sur les livraisons. il arrive qu’il soit plus profitable e d’avoir des ruptures sur les demandes plutˆt que de les satisfaire en entier.1). exemple 3. e e e e e u Les ruptures sur les demandes sont mod´lis´es par des variables continues avec des p´nalit´s e e e e unitaires dans la fonction objectif et une contrainte de borne. MODELISATION DES PROBLEMES DE LOT-SIZING MCLS Une probl´matique souvent rencontr´e dans l’industrie. page 35)) qu’il est a possible d’avoir des ruptures sur les demandes dans le cas o` les capacit´s sont limitantes. e e les quantit´s produites doivent ˆtre en multiple de 1000. u u e u Nous allons montrer ` travers un premier exemple (exemple 3.

La contrainte (3. rit ≤ dit . rit ≥ 0. alors la quantit´ produite ne devra pas d´passer e e . La fonction objectif (3.t βit yit + i.e.6) (3. u a ee a e γit : Coˆt unitaire de stockage pour la r´f´rence i ` la p´riode t.t αit xit + i. FORMULATIONS MATHEMATIQUES 33 Afin de d´crire le mod`le math´matique du probl`me MCLS2. nous disposons d’une quantit´ de ressources qui e e sera consomm´e par la production d’une ou plusieurs r´f´rences. 1}. sit . pour la r´alisation d’un plan. si xit > 0). ∀t ∀i.4) permet de mod´liser la condition e a e e suivante : s’il y a lancement de production. e ee rit : Rupture sur la demande pour la r´f´rence i ` la p´riode t (inf´rieure ` la demande). u ee a e Les variables : xit : Quantit´ produite pour la r´f´rence i ` la p´riode t. ee a e ct : Capacit´ disponible ` la p´riode t. ∀t ∀i.1) minimise le coˆt total induit par le plan de production (les coˆts u u de production et de stockage. e ee a e 1 s’il y a production de la r´f´rence i ` la p´riode t (i. xit .5) (3. ee a e e a En utilisant ces variables et param`tres.t γit sit + i. e ee a e fit : Besoin fixe en ressources de la r´f´rence i ` la p´riode t.2) (3.c : xit + rit − sit + si(t−1) = dit .2. e ϕit : Coˆt unitaire de rupture sur la demande pour la r´f´rence i ` la p´riode t.3) exprime le fait que le plan que nous souhaitons calculer doit ˆtre ` capacit´ e a e finie. u ee a e βit : Coˆt fixe relatif ` un lancement de la r´f´rence i ` la p´riode t. e e min i. e a e αit : Coˆt de production unitaire variable de la r´f´rence i ` la p´riode t. En effet.t ϕit rit (3.2) exprime la conservation des flux ` travers l’horizon. ainsi que les coˆts fixes de lancement et les coˆts de rupture u u sur la demande). La contrainte (3. ee a e vit : Besoin variable en ressources de la r´f´rence i ` la p´riode t. La consommation totale doit e ee rester inf´rieure ` la capacit´ disponible. xit ≤ M yit .1) s.4) (3.´ 3. yit ∈ {0. u ee a e σit : P´riode maximale pour laquelle on peut anticiper la production de la r´f´rence i ` la e ee a p´riode t. ∀t (3. N i=1 vit xit ∀i. ∀t ∀i. ∀t ∀t ∀i. La a contrainte (3.7) + N i=1 fit yit ≤ ct . nous formulons le probl`me MCLS2 comme suit. on utilise les notations suie e e e vantes : Les param`tres : e dit : Demande (commandes et pr´visions) pour la r´f´rence i ` la p´riode t. ee a e yit = 0 sinon sit : Valeur du stock en fin de p´riode t pour la r´f´rence i.3) (3.

car la production d’une r´f´rence e e e e e ee n’est d´finie que par sa p´riode de production. [8] ont propos´ un algorithme de programmation dynamique probl`me en O(T e e pour r´soudre le mˆme probl`me mais sans contrainte de capacit´ en O(T 2 ).7) et le solveur de programmation lin´aire e e e en nombres entiers CPLEX 9. e e e A partir des r´sultats pr´sent´s dans le tableau 3. maximiser les ventes revient ` minimiser les ruptures. N´anmoins. e e e e [112] ont trait´ le probl`me de lot-sizing ` une seule r´f´rence. il est int´ressant de noter que les e e e e demandes aux p´riodes 1 et 3 sont perdues bien qu’il soit possible de les produire ` des p´riodes e a e . la demande doit ˆtre satisfaite. Nous citons principalement les travaux suivants pour des u probl`mes polynomiaux. mais la r´f´rence peut ˆtre produite plus tard e ee e avec des coˆts suppl´mentaires. ee e Ce mod`le est appel´ ´galement formulation agr´g´e. Loparic et al. contrairement ` la formulation bas´e sur le e e a e probl`me de localisation d’entrepˆts (Facility Location-based formulation. Une autre classe de mod`le admet les retards sur la demande.2.1 est obtenue e e e en utilisant la mod´lisation math´matique (3.2. R´cemment Sandbothe and Thompson [159] ont trait´ le probl`me e e e e de lot-sizing ` une seule r´f´rence. La contrainte (3.1)-(3. pour chaque p´riode t. La derni`re contrainte (3. ee e e ¨ [49] et Ozdamar et Bozyel [144]. nous allons montrer qu’il peut ˆtre plus profitable de e perdre des demandes plutˆt que de les satisfaire.34 ´ ` CHAPITRE 3. avec des capacit´s constantes et des coˆts de rupture sur a ee e u la demande. MODELISATION DES PROBLEMES DE LOT-SIZING MCLS le majorant de la production M . Annexe 1. Krarup et Bilde e o [101]) o` la production est d´finie par sa p´riode de production et par sa p´riode de consomu e e e mation.. . La contrainte (3. Dans ces deux mod´lisation. 142). sit et rit sont continues non n´gatives e e pour toute r´f´rence i. Dixon et al. de tels mod`les sont trait´s par Pochet et Wolsey [150] et u e e e Zangwill [198]. A travers cet exemple.0. la capacit´ disponible est ´tendue en rajoutant une e e e capacit´ suppl´mentaire ` un certain coˆt (cf.6) signifie que les variables xit .2. La demande ainsi que les coˆts unitaires de rupture sont variables e u dans le temps. M = min dit .2. e e a ee e avec des variable repr´sentant les ventes au lieu de demandes fixes et des bornes inf´rieures e e sur les variables de stock. Aksen et al. ee e c σit Ainsi. [50] ont rem´di´ au manque e a e e e de capacit´ en rajoutant des overtimes. la demande doit ˆtre satisfaite et la quantit´ de e e e ventes perdues pour chaque r´f´rence ` chaque p´riode n’est pas fournie. Le probl`me de lot-sizing ` e e a u e a plusieurs r´f´rences avec des contraintes de capacit´ et des overtimes est trait´ par Diaby et al.1 repr´sente un probl`me de lot-sizing ` 5 p´riodes.. 1 r´f´rence et sans contrainte de capacit´. e Dans ce cas. o e e a e ee L’exemple du tableau 3. sans contrainte de capacit´. Celui-ci repr´sente le minimum entre la quantit´ maximale e e de la r´f´rence pouvant ˆtre produite et la demande sur le tron¸on de l’horizon [t. ((ct − fit )/vit ) . Les r´sultats sont pr´sent´s dans le tableau 3. Ils ont propos´ un algorithme de programmation dynamique pour r´soudre le e e 3 ).5) exprime le fait que la rupture t =t pour la r´f´rence i ` la p´riode t soit inf´rieure ` la demande de la mˆme r´f´rence ` la mˆme ee a e e a e ee a e p´riode. σit ]. pour chaque p´riode t. e Exemple 3. Il existe peu de r´f´rences bibliographiques qui traitent le probl`me de lot-sizing avec des ee e coˆts de rupture sur la demande. La seule information ee a e dont on dispose est la quantit´ de ressources manquantes ` chaque p´riode pour satisfaire e a e toute la demande ou les demandes retard´es. La solution optimale du probl`me de lot-sizing pr´sent´e dans le tableau 3. a e d’autres travaux ont ´t´ effectu´s pour pallier aux probl`mes dont la capacit´ est limit´e et ee e e e e la demande ne peut ˆtre satisfaite ` chaque p´riode.7) exprime le fait que ee e e yit est une variable binaire pour toute r´f´rence i.

FORMULATIONS MATHEMATIQUES P´riodes (t) e Coˆt unitaire de Production (αt ) u Coˆt de Setup (βt ) u Coˆt unitaire de Stockage (γt ) u Coˆt unitaire de rupture (ϕt ) u Demandes (dt ) 1 3 12000 1 5 1000 2 3 12000 1 7. Les demandes aux p´riodes 1 et 3 sont e e perdues parce que le prix de vente et la demande sont faibles ` ces p´riodes. e e e e e e A travers cet exemple.3 – Exemple lot-sizing avec contraintes de capacit´ et ruptures e La solution optimale du probl`me de lot-sizing pr´sent´e dans le tableau 3. 3.2. La demande ainsi que les e a coˆts unitaires de production sont variables dans le temps. 3. ce stock est destin´ ` e a e e a satisfaire la demande ` des p´riodes ult´rieures. En effet. mais e u e u des p´nalit´s tr`s ´lev´es. On peut u ´galement noter que le stock n’est pas nul ` ces p´riodes. Les r´sultats sont pr´sent´s dans le tableau 3.´ 3. on cr´e des ruptures. 3. Nous allons reprendre l’exemple pr´c´dent en effectuant quelques modificae e tions sur les donn´es. nous allons montrer qu’en rajoutant des contraintes de capacit´ et e des anticipations maximales.3. 1 r´f´rence.3 repr´sente un probl`me de lot-sizing ` 5 p´riodes. u P´riodes (t) e Coˆt unitaire de Production (αt ) u Coˆt de Setup (βt ) u Coˆt unitaire de Stockage (γt ) u Coˆt unitaire de rupture (ϕt ) u Capacit´s (ct ) e Anticipation maximale (σt ) Demandes (dt ) 1 3 12000 1 50000 300 1 1000 2 5 12000 1 50000 300 1 4000 3 3 12000 1 50000 300 1 800 4 3 12000 1 50000 300 1 2800 5 2 12000 1 50000 300 1 6100 Tab.3 est obtenue e e e en utilisant la mod´lisation math´matique pr´sent´e pr´c´demment et un solveur de programe e e e e e mation lin´aire en nombres entiers. les coˆts de rupture ne repr´sentent plus les coˆts de vente. Ainsi.5 4100 35 Tab. e e e e . et l’anticipation a e de ces demandes n’est pas rentable pour amortir les coˆts de production et de setup. e L’exemple du tableau 3.5 4000 3 3 12000 1 3. a e e Exemple 3.5 800 4 3 12000 1 6 2200 5 3 12000 1 6.2 – Solution optimale du tableau 3. Les capacit´s et les anticipations maximales sont limitantes.1 – Exemple lot-sizing avec ruptures P´riodes (t) e Demande (dt ) Production (xt ) Stock (st ) Rupture (rt ) 1 1000 0 0 1000 2 4000 6200 2200 0 3 800 0 2200 800 4 2200 0 0 0 5 4100 4100 0 0 Tab. e e a e ee une ressource limitante et des anticipations maximales fix´es ` 1.1 ant´rieures (il n’y a aucune limitation en ressources).2.4.

La p´nalit´ unitaire des variables de e e e e e e e d´ficit sur le stock de s´curit´ est inf´rieure ` celle des variables de rupture sur la demande. on remarque que le plan de production illustre e une strat´gie de stockage. il est int´ressant de noter que la somme de la demande e e sur tout l’horizon de planification est inf´rieure ` la somme des capacit´s des ressources e a e disponibles. Ainsi. Une variable repr´sentera e e e le surstock par rapport au stock de s´curit´. a e e dans ce cas on parle d’une situation de d´ficit sur le stock de s´curit´. Le stock de s´curit´ peut ˆtre aliment´ par des calculs e e e e de pr´visions en se basant sur un historique de ventes. l’objectif principal du d´cideur est de satisfaire la demande. La figure 3. nous allons proposer une autre repr´sentation du stock de e e s´curit´ afin de l’incorporer dans la contrainte de conservation des flux ` travers l’horizon. le e u e e coˆt est nul.36 ´ ` CHAPITRE 3.. e e Dans notre mod´lisation. Il peut arriver que l’on ne puisse pas atteindre ce stock de s´curit´. afin d’´viter d’avoir des ruptures. Quand le stock est au niveau du stock de s´curit´.2 u e e e e u repr´sente la fonction de coˆt du stock. Le stock de s´curit´ est une partie du stock e a e e e e e qui n’est pas utilis´e. e e e Le stock de s´curit´ est un objectif ou une cible ` atteindre plutˆt qu’une contrainte e e a o industrielle ` respecter. la satisfaction du stock e de s´curit´ vient en seconde position. La pente de la fonction en dessous du stock de s´curit´ est plus ´lev´e que celle u e e e e de la fonction au dessus du stock de s´curit´. e e e .4 – Solution optimale du tableau 3. une e e e e contrainte de bornes et une contrainte assurant que la somme du stock et du d´ficit sur le e stock de s´curit´ soit sup´rieure au stock de s´curit´.3. au lieu d’avoir une variable de stock. 3. On remarque ´galement e a a e des ruptures ` la derni`re p´riode. Ceci cr´e une rupture de 100 ` la derni`re p´riode.). un param`tre fixera le stock de s´curit´ et une e e e e e autre variable le d´ficit sur le stock de s´curit´. Il permet de faire face ` des ´v´nements impr´vus (retard de livraison. Une telle sp´cificit´ peut ˆtre mod´lis´e e e e e e e en ajoutant une contrainte assurant le fait que le stock soit sup´rieur au stock de s´curit´.2 Mod`le de lot-sizing avec prise en compte d’un stock de s´curit´ e e e (MCLS4) Il arrive couramment que l’un des objectifs du d´cideur soit d’avoir un profil de stocks e sup´rieur ` un seuil appel´ stock de s´curit´. les demandes sont e e produites une p´riode ` l’avance jusqu’` saturation des ressources. Ces d´ficits sont e e e e mod´lis´s par des variables continues avec une p´nalit´ unitaire dans la fonction objectif. e e a e e 3. les ressources sur e e les deux derni`res p´riodes ne permettent de cr´er que 6000 unit´s. e e Le coˆt de d´ficit sur le stock de s´curit´ est sup´rieur au coˆt de stockage. MODELISATION DES PROBLEMES DE LOT-SIZING MCLS P´riodes (t) e Demande (dt ) Production (xt ) Stock (st ) Rupture (rt ) 1 1000 3000 2000 0 2 4000 2800 800 0 3 800 2800 2800 0 4 2800 3000 3000 0 5 6100 3000 0 100 Tab.4. Ces ruptures sont dues ` la limitation des capacit´s ainsi a e e a e qu’` l’anticipation maximale qui est fix´e ` 1. En effet.2. e a e e e augmentation de la consommation. a e a Une partie de la demande de la derni`re p´riode est perdue. En effet. e e a Ceci est r´alis´ en reformulant les variables de stock en trois parties. En analysant les r´sultats du tableau 3. tandis que la demande ` e e e e a la derni`re est de 6100.3 A partir des donn´es du tableau 3. e e e e a En effet..

3 – Reformulation du stock de s´curit´ e e .3). sous la forme d’un probl`me de flots ` coˆt minimum avec des coˆts fixes sur les e e a u u arcs. FORMULATIONS MATHEMATIQUES 37 Coˆt u Stock D´ficit e SurStock Stock de s´curit´ e e Fig.´ 3. et Lit repr´sentant le e e e ee e e stock de s´curit´ de la r´f´rence i ` la p´riode t. Iit et Iit les variables repr´sentant respectivement le surstock ee e e et le d´ficit sur le stock de s´curit´ de la r´f´rence i en fin de p´riode t. figure 3. ea rit xit + − Ii(t−1) + Li(t−1) − Ii(t−1) + − Iit + Lit − Iit dit Fig. Soit sit la variable repr´sentant la valeur du stock de la e + − r´f´rence i en fin de p´riode t. La variable sit peut donc ˆtre remplac´e par e e ee a e e e + − Iit + Lit − Iit dans la contrainte de flux (cf. 3. Une telle formulation permet de caract´riser les propri´t´s des solutions optimales et e ee de d´velopper un algorithme de programmation dynamique pour r´soudre le probl`me sans e e e contrainte de capacit´ ` l’optimum. 3.2. L’int´rˆt d’une telle mod´lisation est de pouvoir formuler le probl`me lot-sizing avec des ee e e ruptures et du d´ficit sur le stock de s´curit´ ` une seule r´f´rence et sans contrainte de e e e a ee capacit´.2 – Coˆts de stockage u nous aurons deux variables et un seuil.

10) (3. e e ee a e + γit : Coˆt unitaire de stockage de la r´f´rence i ` une p´riode t. La diff´rence entre les stocks de s´curit´ de la p´riode t et de la p´riode t−1 est consid´r´e e e e e e ee comme un besoin.10). pour chaque p´riode t.9). (3. On note δit cette variation.9) (3. + + γit Iit + i. ≥ 0.15) + N i=1 fit yit ≤ ct . ∀t ∀t ∀i. Iit et Iit sont continues non n´gatives pour toute r´f´rence i.2) peut ˆtre modifi´e en consid´rant la nouvelle formulation de la variable sit . u e e e ee a e Les variables : + Iit : Valeur du surstock de la r´f´rence i ` la fin de la p´riode t (exc´dent de stock).8) est une version modifi´e de la fonction objectif du probl`me e e MCLS2. ee a e e − Iit : Valeur du d´ficit sur le stock de s´curit´ de la r´f´rence i ` la fin de la p´riode t (inf´rieur e e e ee a e e au stock de s´curit´). (3.11) (3. nous formulons le nouveau probl`me comme suit. La contrainte u e e e (2.14) signifie que les variables xit . La fonction objectif (3. + − xit . Iit . e e e e e La contrainte (3.12) (3.8) s. rit ≤ dit .t i.14) (3.t αit xit + i.t βit yit + i. 1}. ∀t yit ∈ {0. rit . e e e e En utilisant les variables et param`tres du probl`me MCLS2 ainsi que ceux pr´sent´s e e e e pr´c´demment.10) du probl`me MCLS2 est reformul´e en rempla¸ant la variable de stock sit par : e e c + − Iit + Lit − Iit . ∀t (3. on note ce nouveau probl`me e e e e MCLS45 . ∀t ∀i. − Iit ≤ Lit .13) exprime le fait que le d´ficit sur le stock de s´curit´ de la r´f´rence i ` la p´riode t e e e ee a e soit inf´rieure au stock de s´curit´ de la mˆme r´f´rence ` la mˆme p´riode. En effet.12) et (3. on tient compte des coˆts de d´ficit sur le stock de s´curit´.c.t ϕit rit + (3. celui-ci peut ˆtre positif ou n´gatif puisqu’il repr´sente la variation du stock e e e de s´curit´ entre la p´riode t − 1 et la p´riode t. Les contraintes (3. Iit ∀i.38 ´ ` CHAPITRE 3. u ee a e − γit : Coˆt unitaire de d´ficit sur le stock de s´curit´ de la r´f´rence i ` la p´riode t. ∀t ∀i. 5 . MODELISATION DES PROBLEMES DE LOT-SIZING MCLS Outre les param`tres et les variables MCLS2 on consid`re : e e Les param`tres : e Lit : Stock de s´curit´ de la r´f´rence i ` la p´riode t. La contrainte e e e e ee a e e + − e ee (3.13) (3. et Lit − Li(t−1) par δit ce qui nous donne la contrainte (3.t − − γit Iit min i.15) sont exactement les e MCLS4 est une abr´viation en anglais de : Multi-item Capacitated Lot-sizing problem with Setup times. N i=1 vit xit ∀i. ∀t ∀i.11). + − + − Ii(t−1) − Ii(t−1) + rit + xit = dit + δit + Iit − Iit . La contrainte (3. e Shortage costs and Safety Stock deficit costs. δit = Lit − Li(t−1) . xit ≤ M yit .

et un autre besoin fixe commun e ee a ` plusieurs r´f´rences.3). ee a un premier besoin fixe qui ne d´pend que de la r´f´rence. u Cette situation peut ˆtre mod´lis´e en rajoutant une dimension j pour les groupes et une e e e variable binaire zjt pour la d´tection de lancements de groupes. Dans ce cas. Love [116] a ´tendu le probl`me de Wagner et Whitin en e e e rajoutant des bornes inf´rieures et sup´rieures sur la production et sur le stock. e e On d´finit dans ce qui suit toutes les modifications apport´es au probl`me MCLS4 afin e e e de prendre en compte les groupes de r´f´rences. le stock de s´curit´ est souvent trait´ comme une e e e e contrainte et non un objectif ` atteindre. Le r´glage des deux machines e ee e e e (motif. FORMULATIONS MATHEMATIQUES mˆmes contraintes que (3.4). e e e ee La production de parquets n´cessite deux r´glages.4). une r´f´rence est identifi´e par un motif. Nous allons montrer ` travers cet exemple comment des situations r´elles a e peuvent ˆtre mod´lis´es en utilisant des groupes de r´f´rences. ee ee ee Ceci se traduit par la prise en compte d’un besoin ou d’une consommation fixe des capacit´s en ressources disponibles d`s qu’il y a lancement d’un groupe. Le lancement de la production d’une r´f´rence entraˆ e ee ee ıne le lancement des groupes de r´f´rences auxquels elle appartient. il s’agira de modifier la fonction objectif. u a e 1 si la r´f´rence i appartient au groupe j. (3. (3. ee aij = 0 sinon . Ceci entraˆ ´galement e e ıne e un coˆt de lancement pour le groupe (cf. les r´f´rences ayant des besoins fixes en commun sont ee ee class´es par groupes de r´f´rences. e 39 Rappelons que dans la litt´rature. Une r´f´rence peut appartenir ` un ou plusieurs groupes e ee ee a de r´f´rences et un groupe de r´f´rences peut donc contenir une ou plusieurs r´f´rences. une ´paisseur et une mati`re ee e e e premi`re. L’auteur a e e propos´ un algorithme de programmation dynamique en O(T 3 ) pour r´soudre le probl`me e e e de lot-sizing avec des bornes inf´rieures et sup´rieures sur les stocks. ee e e e 3. a e ωjt : Coˆt fixe relatif au lancement du groupe j ` la p´riode t. Les r´f´rences sont class´es selon ces trois crit`res. du groupe j ` la p´riode t.´ 3. Exemple 3.4.2.5) et (3.2.2. la contrainte de e capacit´ et de rajouter une contrainte pour d´tecter les lancements de groupes. e e e e Dans ce cas. Loparic et al. Chaque mati`re premi`re n´cessite un temps de pr´paration distinct. Une fois ces deux r´glages effectu´s. Le second r´glage sert ` fixer son e e a ´paisseur. le premier r´glage sert ` pr´parer la e e e a e machine pour effectuer un motif donn´ sur les parquets. une mati`re premi`re est choisie pour fabriquer e e e e e un type de parquet. e e e A partir du mod`le MCLS4. exemple 3.3 Mod`le de lot-sizing multi-groupes (MCLSG) e Il arrive souvent que l’on ait des r´f´rences ` deux ou plusieurs besoins fixes en ressources. le stock de s´curit´ est fix´ comme borne a e e e inf´rieure des variables de stock. ´paisseur) permet de fabriquer tous les produits ayant la mˆme ´paisseur et le mˆme e e e e motif en n’effectuant que des pr´parations concernant la mati`re premi`re.7) respectivement. on note ce nouveau probl`me MCLSG ee e Les param`tres : e gjt : Besoin fixe en ressources. [112] ont e e consid´r´ le stock de s´curit´ en imposant une borne inf´rieure sur les variables de stock. J repr´sente le nombre de e e groupes. En effet. Les r´f´rences sont donc ee ee class´es par groupes de r´f´rences.2.

La contrainte (3.t βit yit + i. ∀t (3. ea e zjt = 0 sinon La fonction objectif : + + γit Iit + i.15) du mod`le MCLS4 restent inchang´es. Ceci peut ˆtre dˆ ` la longueur des mailles temporelles ou au fonctionnement de e e ua plusieurs ressources en parall`le.4 Mod`le de lot-sizing multi-ressources (MCLSR) e La production d’une r´f´rence peut n´cessiter l’utilisation d’une ou plusieurs ressources ee e par p´riode. ∀i.t ϕit rit + ωjt zjt (3.t i.16) est celle du probl`me MCLS4 dans laquelle sont pris en compte e e e les coˆts de lancements de groupes. Ainsi. nous ajoutons la dimension ressource not´e : r. En reprenant e a .2. (3.4).10) du probl`me MCLS4. avec e e R le nombre de ressources disponibles. (3.t αit xit + i. ∀t ∀j. ce qui nous donne la contrainte (3.18) (3. e e e 3. Pour mod´liser cette situation. e N N J vit xit + i=1 i=1 fit yit + j=1 gjt zjt ≤ ct .19) La fonction objectif (3.12).19) exprime le a fait que zjt soit une variable binaire pour tout j. 1} . zjt ∈ {0. une ressource mat´rielle et une ressource humaine (cf.14) et (3. Clark [35] e a utilis´ une mod´lisation proche de celle du probl`me MCLSG.t. Pour les clients DynaSys.t min i. les capacit´s disponibles et les param`tres de e e consommation (besoin variable. ∀t (3.16) Les contraintes : La contrainte suivante remplace la contrainte (3.9).10) du probl`me MCLS4 est modifi´e en u rajoutant les consommations fixes des groupes en ressources. La fabrie cation de cette r´f´rence entraˆ une consommation fixe et une consommation variable sur ee ıne chaque ressource. La contrainte (3. figure 3.17). (3. MODELISATION DES PROBLEMES DE LOT-SIZING MCLS Les variables : 1 si le groupe j est lanc´ ` la p´riode t. une r´f´rence requiert fr´quement e ee e deux ressources.t − − γit Iit + j.40 ´ ` CHAPITRE 3. besoin fixe) seront li´s ` la dimension ressource. (3.18) exprime le fait que s’il y a lancement d’au moins une des r´f´rences ee i ∈ j (c’est-`-dire aij = 1) alors il y a lancement du groupe j. Les contraintes (3. ∀j.13). e e Pour la mod´lisation d’une ligne d’embouteillage d’un fabriquant de boissons.17) Les deux contraintes suivantes mod´lisent le lancement de groupes : e zjt ≥ aij yit . La contrainte (3.11).

ee a e virt : Besoin variable en ressources. e a e Les contraintes : La contrainte (3. Nous pouvons citer les travaux de Katok et al. les param`tres de coˆts e e e u n’int`grent pas la dimension r. ee a e crt : Capacit´ disponible de la ressource r ` la p´riode t.4 – Deux ressources en parall`le e le probl`me MCLS4. 3. on est souvent amen´ ` choisir entre des modes alternatifs de ea production d`s lors qu’interviennent plusieurs lignes de production (ou gammes).´ 3.5 Mod`le de lot-sizing multi-gammes (MCLSV) e Dans la pratique. on note ce nouveau probl`me MCLSR. le besoin variable ainsi que les e capacit´s disponibles en int´grant la dimension r. plusieurs machines et des temps de setup. Ces offres peuvent diff´rer dans leurs coˆts de production et e u consommations en ressources et peuvent donc ˆtre mod´lis´es par des gammes. [117] ee et Tempelmeier et Helber [170] ont consid´r´ plusieurs ressources mais pas de temps de setup. e e e Les produits peuvent ˆtre fabriqu´s localement ou par un sous-traitant ext´rieur. la planification de la production ne vise pas uniquement la d´termination e des quantit´s ` produire ou des quantit´s perdues. e Par ailleurs. plusieurs e vendeurs ou plusieurs sous-traitants. de la r´f´rence i sur la ressource r ` une p´riode t. ∀r. les coˆts sont diff´rents pour les sous-traitants. Chacune de ces alternatives a un coˆt de production et u des consommations en ressources diff´rents. Maes et al. En e e e g´n´ral. un fournisseur peut avoir plusieurs offres qui peuvent ˆtre utilis´es pour e e la fabrication du produit fini. il s’agira de modifier le besoin fixe. mais ´galement le choix entre plusieurs e a e e modes de fabrication. On peut remarquer que le choix entre e e u e . En effet. e e 3.20) La fonction objectif du probl`me MCLS2 reste inchang´e.2. ∀t (3. [94] pour le probl`me de lot-sizing ` e a plusieurs niveaux de production. Belvaux et Wolsey [18] ont d´velopp´ un module d’optimisation bc-prod pour la r´solution de e e e probl`mes de lot-sizing dans lesquels ils consid`rent plusieurs ressources. FORMULATIONS MATHEMATIQUES Ressource humaine Ligne de production Ressource mat´rielle e Produit fini 41 Fig. de la r´f´rence i sur la ressource r ` une p´riode t. e Le probl`me de lot-sizing impliquant plusieurs ressources ` ´t´ ´tudi´ par plusieurs aue a eee e teurs.2. e e e Les param`tres : e firt : Besoin fixe en ressources. En effet.10) est reformul´e comme suit : e N N virt xit + i=1 i=1 firt yit ≤ crt .

Cette ressource est souvent e limitante. Les produits sont consid´r´s comme distincts ee e ee durant la phase de production. e Une mani`re de mod´liser cette situation est de consid´rer un produit pour chaque gamme e e e de production. elle constitue un goulot d’´tranglement. les produits ´quivalents auront la mˆme dimension e e r´f´rence.5 qui repr´sente un exemple de deux lignes e e e de production avec des ressources s´par´es. ainsi que les modie e e fications apport´es aux variables et param`tres des mod`les pr´c´dents sont pr´sent´es dans e e e e e e e ce qui suit. celles avec des ressources s´par´es. les quantit´s de tous les produits a e e ´quivalents sont additionn´es afin de satisfaire la demande. e Cette situation est sch´matis´e dans la figure 3. 3.6 – Deux lignes de production avec une ressource partag´e e Les modifications apport´es aux param`tres et aux variables du probl`me MCLSR portent e e e essentiellement sur les param`tres et les variables de production. e u de rupture. mais ` leur entr´e en stock. Cette situation est sch´matis´e dans la e e e figure 3. Pour ce faire. e e Ligne de production 1 Ressource 1 Ressource Partag´e e Ligne de production 2 Ressource 2 Ressource 4 Ressource 3 mˆme e produit fini Fig.6 repr´sentant deux lignes de production qui partagent une mˆme ressource. appel´es ´galement ressources partag´es. la production d’un produit impacte e directement la production des produits ´quivalents. Ainsi. les produits ´quivalents ont des lignes de production totalement e dissoci´es.5 – Deux lignes de production avec des ressources s´par´es e e Le deuxi`me cas est plus complexe. Ainsi. e e Il existe deux types de lignes de production. les r´f´rences ´quivalentes passent par une e ee e ou plusieurs ressources communes. e e Ligne de production 1 Ressource 1 Ressource 2 mˆme e produit fini Ligne de production 2 Ressource 3 Ressource 4 Fig. Cette situation e e e est souvent rencontr´e dans une mˆme usine qui comporte plusieurs lignes de production. et en minimisant la somme des coˆts de production. 3. En effet. e Les donn´es additionnelles requises pour la mod´lisation du probl`me. Le nombre de gammes est V . e Nous allons pr´senter un mod`le qui permet de choisir une de ces alternatives tout en e e respectant les contraintes de capacit´. on va consid´rer la nouvelle dimension gamme que l’on va noter e v. mais une dimension gamme diff´rente. de d´ficit et de stockage. est le mˆme que de choisir entre e a e plusieurs lignes de production ou de s´lectionner un produit parmi une liste de substituts. . La production d’un produit n’affecte pas directement la production des substituts.42 ´ ` CHAPITRE 3. e e dont la ressource partag´e est souvent la ressource humaine. MODELISATION DES PROBLEMES DE LOT-SIZING MCLS les fournisseurs ou la d´cision de faire appel ou non ` ceux-ci. et celles e e avec une ou plusieurs ressources communes. Dans le premier cas.

Iit .26) (3. ` la p´riode t. e ee a e   ee a e  1 s’il y a production de la r´f´rence i ` la p´riode t yvit = en utilisant la gamme v (i. et pour toute e ee e .i. ∀t ∀v. ∀i. La contrainte ee ee e (3.c : − + Ii(t−1) − Ii(t−1) + rit + V v=1 N i=1 vvirt xvit V v=1 xvit + − = dit + δit + Iit − Iit . ∀t ∀v. Iit ≥ 0.´ 3. ∀t xvit ≥ 0. ` la p´riode t.9) o` la variable xit a ´t´ remplac´e par l’exprese u ee e sion V xvit .27) (3. pour la gamme v.11) avec une dimension gamme suppl´mentaire. ∀t (3. e αvit : Coˆt de production unitaire variable de la r´f´rence i. La contrainte (3. pour la gamme v.20) except´ le fait que e e v=1 chaque couple r´f´rence-gamme est consid´r´ comme un produit ind´pendant.. pour chaque p´riode t. e e on note ce nouveau probl`me MCLSV.R ((crt − fvirt )/vvirt ) . nous formulons le nouveau probl`me comme suit.24) est identique ` la contrainte (3. La contrainte (3.22) est aussi e une version modifi´e de la contrainte (3.23) est la mˆme que la contrainte (3. sur la ressource r.e.t i. yvit ∈ {0. ` la ee a p´riode t. + − rit . e + + γit Iit + i.t − − γit Iit min v. pour la gamme v.22) (3. ` ee a la p´riode t. ∀t ∀r.28) (3.   0 sinon L’´quation de conservation des flux ` travers l’horizon sera formul´e en rempla¸ant la e a e c production du produit fini par la somme des productions relatives ` chaque gamme. pour la gamme v. 1}. ∀i.t βvit yvit + i. rit ≤ dit .23) (3. u a ee a e Les variables : xvit : Quantit´ produite pour la r´f´rence i ` la p´riode t en utilisant la gamme v.21) est une version de la fonction objectif (3.2.21) s. u ee a e βvit : Coˆt fixe relatif ` un lancement de la r´f´rence i.. N i=1 fvirt yvit ∀i. La fonction objectif (3. ∀i. ∀t ∀i. minr=1.9) du probl`me MCLS4 est remplac´e par la l’exe e V pression v=1 xvit . sur la ressource r. FORMULATIONS MATHEMATIQUES 43 Les param`tres : e fvirt : Besoin fixe en ressources de la r´f´rence i. si xvit > 0). − Iit ≤ Lit . ∀i.8) ` laquelle est raa jout´e la dimension gamme v aux variables de production. ∀t ∀i. e vvirt : Besoin variable en ressources de la r´f´rence i.27) signifie que la variable t =t xvit est continue non n´gative pour toute r´f´rence i.i. M = a e σit min dit . a la variable xit dans la contrainte de flux (3.29) + V v=1 ≤ crt . ∀t ∀v. La contrainte (3.t ϕit rit + (3..25) (3. Ainsi. En utilisant ces variables et param`tres.t αvit xvit + v.24) (3.. xvit ≤ M yvit .

28) signifie que les variables rit . pour chaque p´riode t et pour ee e chaque gamme v. on d´finit un nouvel horizon e de travail. Ce e ee e e type de probl`me peut ˆtre pr´trait´ en soustrayant les ressources consomm´es par la proe e e e e duction minimale aux capacit´s disponibles. Degraeve et Jans [88] ont propos´ une m´thode de d´composition de e Dantzig et Wolfe bas´e sur la relaxation des contraintes de flux pour r´soudre le probl`me e e e MCLS ` ressources s´par´es. e e La notion de gamme peut ´galement apparaˆ dans un mod`le avec groupes de r´f´rence. 3.7 – Rotation d’horizon de planification . e ıtre e ee Ainsi. En effet.2. pour chaque p´riode t. Dans ce cas. on aura un besoin fixe groupe pour chaque gamme v. figure 3. La derni`re contrainte (3. lorsque l’horizon de planification change. Miller [131] a propos´ des in´galit´s e e e e e e valides pour le probl`me MCLS avec des ressources s´par´es. La plupart des r´f´rences bibliographiques qui traitent des probl`mes de lot-sizing multiee e gammes ne consid`rent que des ressources s´par´es. Nous n’avons pas trouv´ de r´f´rences bibliographiques traitant a e e e ee du probl`me MCLS multi-gammes avec des ressources partag´es.29) exprime e ee e e le fait que yvit est une variable binaire pour toute r´f´rence i. La production minimale d’une r´f´rence i pour e ee une gamme v ` une p´riode t est not´e pmin .44 ´ ` CHAPITRE 3.7). a e e vit Ordres de fabrication lanc´s e 11111111 00000000 11111111 00000000 11111111 00000000 11111111 00000000 Rotation de l’horizon de planification Pass´ e Futur 1111 0000 1111 0000 1111 0000 1111 0000 Ordres de fabrication gel´s e Fig. Iit et Iit sont continues non n´gatives pour toute r´f´rence i. 3. Toledo et Armentano [173] ont e e e utilis´ une approche de relaxation lagrangienne pour r´soudre le mˆme probl`me sous des e e e e e e e capacit´s constantes.6 Mod`les de lot-sizing avec contraintes de production minimale et de e lancement minimum La production minimale (ou plan minimum impos´) est un plan de production qu’il est e imp´ratif de produire mˆme si la production de ce plan entraˆ le non-respect des contraintes e e ıne de production. La contrainte (3. tout ce qui a ´t´ ordonn´ est fig´ (cf. Cette situation est rencontr´e quand on fait une rotation d’horizon de plae nification. Celui-ci peut co¨ ıncider avec des p´riodes o` les ordres de fabrication ont d´j` ´t´ e u eaee lanc´s dans les ateliers. MODELISATION DES PROBLEMES DE LOT-SIZING MCLS + − gamme v.

FORMULATIONS MATHEMATIQUES 45 Par ailleurs. par exemple. la vae a a riable de lancement de production yvit est libre et jouera le rˆle d’une variable de d´tection de o e lancement minimum de production. e Il existe plusieurs r´f´rences bibliographiques qui traitent des probl`mes MCLS avec des ee e contraintes de lancement minimum de production. V min v=1 pvit Le param`tre fvirt repr´sente le nouveau besoin fixe de la r´f´rence i pour la gamme v sur e e ee la ressource r ` la p´riode t. et la variable e e vit de lancement de production yvit sera fix´e ` 1.30) min Dans notre cas. En revanche. Cette mod´lisation est souvent renee e e contr´e en pr´sence de grands coˆts de lancement ou de grandes consommations fixes.30). Constantino [41]. e . dans le cas o` le lancement e a u minimum de production est sup´rieure ` la production minimale (c’est-`-dire lvit > 0). Les modifications apport´es aux param`tres du probl`me e e e MCLSV sont d´finies comme suit : e fvirt = fvirt 0 N i=1 si pmin = 0. e min xvit ≥ lvit yvit (3. Nous pouvons citer les travaux de Belvaux et Wolsey [18]. vit si pmin > 0. dit repr´sente la nouvelle demande de la r´f´rence i ` la p´riode t. lorsqu’un coloris est lanc´ sur une machine. lorsqu’il y a lancement de production d’une r´f´rence i pour une gamme v ` une ee a p´riode t. et afin de ne pas faire de petites campagnes e de production. quand yvit = 1. vit V v=1 (fvirt crt = crt − dit = dit − − fvirt ) − N i=1 V min v=1 (pvit vvirt ). on essaye de fae briquer des r´f´rences de ce coloris en quantit´ importante. Le fait de fixer ce seuil minimum de a e production aide ` amortir ces temps de non productivit´. la consommation fixe est retranch´e aux capacit´s disponibles. la variable yvit ne va plus jouer le rˆle d’une variable de lanceu vit o ment. c’est ` dire. la prise en compte des deux param`tres lvit et pmin est faite en reformulant e vit la variable de production xvit par l’ expression suivante : min xvit + max 0. a e Donc. lvit − pmin yvit . ∀v. Merc´ et Fontan [129] et Miller [131]. les temps d’attente pour ee e le passage d’un coloris ` un autre sont tr`s importants. Cette situation peut ˆtre mod´lis´e en rajoutant une contrainte de seuil minimal pour la e e e variable de production xvit quand il y a lancement de production. Dans e e u l’industrie textile.2. a e e ee a e Le param`tre crt repr´sente la capacit´ disponible de la ressource r ` la p´riode t en prenant e e e a e en consid´ration la production minimale. lvit − pmin . En effet. o e e quand pmin > 0.´ 3. pour des raisons ´conomiques. i. En effet. ∀v. le d´cideur peut ˆtre amen´ ` fixer un seuil de production qu’il faut d´passer e e ea e quand la fabrication de certaines r´f´rences est lanc´e. il faut que la production soit au moins sup´rieure ` une quantit´ minimale not´e e e a e e min lvit . mais le rˆle d’une variable de d´tection de la production de la quantit´ lvit . a Cette formulation est donn´e par la contrainte (3. t vit On note : min lvit = max 0. i. t vit Dans le cas o` pmin > 0.

31) 3. e e e e e e Nous allons dans ce qui suit. ∀v.2. nous devons introduire un nouveau param`tre. ∀i. nous avons pr´sent´ les diff´rentes sp´cificit´s du probl`me e e e e e e e e de lot-sizing ` savoir les groupes de r´f´rences. e Les param`tres : e Qvit : taille de lot de la r´f´rence i. a e En reprenant le probl`me MCLSV. on va rajouter le param`tre suivant : a e G ljt : lancement minimum de production pour le groupe j ` la p´riode t.2. et e e e e ne prend pas en compte le fait que la demande soit un multiple d’une quantit´ fix´e.2. ` la p´riode t. xQ ∈ N.8 Mod`le de lot-sizing avec prise en compte de la tailles de lot et du e lancement minimum pour les groupes de r´f´rences ee Dans les paragraphes pr´c´dents. nous pr´sentons toutes les modifications apport´es au probl`me MCLSV e e e . et la contrainte xvit ≥ 0 est remplac´e e e vit par la contrainte (3.46 ´ ` CHAPITRE 3. il s’agira de rajouter la contrainte de lancement minimum e groupe (3. page 32 la notion de tailles de lot.1) et une mani`re de r´soudre ce probl`me. pr´senter la mod´lisation math´matique de la notion de tailles e e e de lot. ee a e Les variables : xQ : Nombre de lots produits pour la r´f´rence i. Nous avons e e a ´galement pr´sent´ un exemple (exemple 3. ee Le lancement minimum pour les groupes est mod´lis´ en consid´rant la production de toute e e e les r´f´rences appartenant ` ce groupe. et en for¸ant cette production totale ` ˆtre sup´rieure ee a c ae e au lancement minimum groupe.32) Afin de mod´liser la contrainte de taille de lots groupes. ∀j. on rajoute un param`tre ainsi e e qu’une nouvelle variable enti`re repr´sentant la production du groupe par multiple de taille de e e lot. e e e La variable de production est remplac´e par une nouvelle variable enti`re qui repr´sente le e e e nombre de lots produits.7 Prise en compte explicite de la taille des lots Nous avons ´voqu´ ` la section 3. Pour ce faire. pour la gamme v. e e Afin de mod´liser cette probl´matique.2. ∀t vit (3.32) V v=1 N i=1 aij xvit G ≥ ljt zjt . ∀t (3. les contraintes de lancement minimum et de a ee taille de lot. Dans ce qui suit. La variable de production pr´sent´e dans les paragraphes pr´c´dents est continue. MODELISATION DES PROBLEMES DE LOT-SIZING MCLS 3.31). nous allons mod´liser la notion de taille de lot et de lancement e minimum pour les groupes de r´f´rences. ` la p´riode t. sur la gamme v. ee a e vit La variable xvit est remplac´e par l’expression Qvit xQ . Nous pr´sentons dans ce qui suit les modifications apport´es au e e mod`le MCLSV afin de prendre en charge la contrainte de taille de lot. Dans ce qui suit.1. si la production est lanc´e sur au moins une r´f´rence appare ee tenant ` ce groupe.

CONCLUSION afin de prendre en compte la taille de lots groupes. nous avons mod´lis´ les contraintes de taille de lots. e e e Dans le chapitre suivant.3 Conclusion Nous avons d´crit dans ce chapitre de nouvelles mod´lisations de probl`mes de lot-sizing e e e rencontr´es dans l’industrie.33) e e e et (3.33) (3.34). ˆit jt ∀j. e e . Nous avons propos´ une mod´lisation du probl`me de lot-sizing e e e e classique MCLS en rajoutant les particularit´s de nos probl`mes une par une. e e e ces derni`re peuvent coupler plusieurs ressources et produire ainsi des goulots d’´tranglement. D’autres ee ee extensions possibles du probl`me MCLS4 sont pr´sent´es en annexe. Nous impl´mentons ces in´galit´s e e e dans une approche de branch-and-cut afin de r´soudre le probl`me MCLS2. V v=1 N G G i=1 aij xvit = Qjt xjt . e e Enfin. ∀t (3. de lancement minimum de proe e duction et de production minimale pour les r´f´rences et les groupes de r´f´rences.3. ee a e jt 47 La contrainte de taille de lots groupes peut ˆtre mod´lis´e en rajoutant les contraintes (3. multi-groupes. Param`tres : e QG : Taille de lot du groupe de r´f´rences j ` la p´riode t. multi-ressources et multi-gammes. Ces in´galit´s sont g´n´ralis´es pour e e e e e e les cas. nous proposons des in´galit´s valides pour le probl`me MCLS2 e e e ainsi que des heuristiques de s´paration polynomiales.34) 3. ∀t ∀j. xG ≥ 0. Nous avons ine e troduit la notion de rupture sur la demande. Le probl`me a ´t´ mod´lis´ pour le fonctionnement de plusieurs de ee e ee e e ressources en parall`le. puis la notion de d´ficit sur le stock de s´curit´. xg ∈ N. Nous avons introduit et mod´lis´ la notion de gammes de production. e e e Nous avons ´galement mod´lis´ nos probl`mes en introduisant des contraintes de setup sur e e e e des groupes de r´f´rences. ee a e jt Variables : xG : Nombre de lots produits pour le groupe de r´f´rences j ` la p´riode t.3.

.

1 Mod´lisation math´matique du probl`me MCLS2 e e e Nous rappelons dans ce qui suit la mod´lisation math´matique du probl`me de lot-sizing e e e a ` plusieurs r´f´rences. 2. e e MCLS2 est une abr´viation en anglais de : Multi-item Capacitated Lot-sizing problem with Setup times e and Shortage costs. Une g´n´ralisation des e e e e in´galit´s couvrantes et des in´galit´s couvrantes inverses ainsi que des lifting s´quentiels e e e e e de celles-ci sont pr´sent´s dans les sections 4. Le but de ce chapitre est de proposer une m´thode bas´e sur e e la demande. u Il s’agit de d´terminer un plan de production d’un ensemble de N r´f´rences not´ I = e ee e {1.1 nous rappelons les diff´rentes mod´lisations math´matiques du probl`me e e e e trait´.5.4 nous pr´sentons une g´n´ralisation des in´galit´s (l. Deux heuristiques de s´paration de e e e ces in´galit´s sont pr´sent´es aux sections 4. le lancement de production d’une r´f´rence ` une p´riode donn´e entraˆ une consommation variable en ee a e e ıne ressources et une consommation fixe usuellement d´nomm´e temps de setup. la section 4.11 est consacr´e ` la g´n´ralisation de ces in´galit´s e a e e e e valides pour diff´rentes extensions du probl`me ` savoir plusieurs groupes de r´f´rences. La motivation d’utiliser e e un algorithme de branch-and-cut pour r´soudre le probl`me MCLS2 est de g´n´raliser des e e e e r´sultats qui se sont av´r´s efficaces sur des probl`mes de lot-sizing ` plusieurs r´f´rences sous e ee e a ee contraintes de capacit´ et des temps de setup. Des r´sultats exp´rimentaux sont d´crits e e e e e e e dans la section 4. Enfin. · · · .6 et 4. nous traitons le probl`me de lot-sizing ` plusieurs r´f´rences. En effet. des coˆts et des temps de setup.7. Nos r´sultats sont int´gr´s ` un logiciel APS2 . not´ MCLS2 e le principe de branch-and-cut afin de r´soudre le probl`me MCLS2. ainsi que des coˆts de rupture sur e u u 1 . des coˆts et des temps de setup. avec des contraintes de capacit´. Dans la section 4.9.2 nous pr´sentons la relaxation du probl`me MCLS2 sur une seule e e e p´riode. avec des e a ee contraintes de capacit´.8 et 4. 2 Advanced Planning and Scheduling.10. Ce plan est ` capacit´ e e a e finie et doit tenir compte d’un ensemble de contraintes additionnelles. plue e a ee sieurs ressources et plusieurs gammes de production. N }. e e e e a Dans la section 4.Chapitre 4 Approche de branch-and-cut Introduction Dans ce chapitre. ainsi ee e u que des coˆts de rupture sur la demande (MCLS2).3 et 4. 4. Dans les sections 4. 4. pour un horizon de planification constitu´ de T p´riodes. 1 49 . S) e e e e e e pour le probl`me MCLS2 ainsi qu’une heuristique de s´paration.

e ee a e fit : Besoin fixe en ressources de la r´f´rence i ` la p´riode t. on essaye de partager la capacit´ disponible entre les r´f´rences e ee tout en minimisant le coˆt total de rupture sur la demande. e a e σit : P´riode maximale pour laquelle on peut anticiper la production de la r´f´rence i ` la e ee a p´riode t.t γit sit + i. Afin de satisfaire la demande d’une r´f´rence i ` une p´riode t. e ee a e 1 s’il y a production de la r´f´rence i ` la p´riode t (i. de stockage ainsi que les coˆts de rupture.50 CHAPITRE 4. ee a e vit : Besoin variable en ressources de la r´f´rence i ` la p´riode t. ee a e e a En utilisant ces variables et param`tres. u a ee a e γit : Coˆt unitaire de stockage de la r´f´rence i ` la p´riode t. ee a e rit : Rupture sur la demande pour la r´f´rence i ` la p´riode t (inf´rieure ` la demande). u ee a e ϕit : Coˆt unitaire de rupture sur la demande pour la r´f´rence i ` la p´riode t. e αit : Coˆt de production unitaire variable de la r´f´rence i ` la p´riode t. Par cons´quent. (4. les param`tres et les variables du e e probl`me MCLS2 : e Les param`tres : e dit : Demande (commandes et pr´visions) pour la r´f´rence i ` la p´riode t. Ainsi. tout en respectant les contraintes u de stockage et de capacit´. En effet. Nous rappelons dans ce qui suit.e. si xit > 0). dans une situation o` e e u les capacit´s disponibles ne sont pas suffisantes pour satisfaire toute la demande et que les e retards ne sont pas permis.1) . il est possible d’anticiper ee a e la production d’un certain nombre de p´riodes. u ee a e βit : Coˆt fixe relatif ` un lancement de la r´f´rence i ` la p´riode t. u ee a e Les variables : xit : Quantit´ produite pour la r´f´rence i ` la p´riode t. nous invitons le lecteur ` se reporter au e e e a chapitre 3 page 31.t αit xit + i. on d´finit le param`tre σit e e e e qui repr´sente la derni`re p´riode ` laquelle la production d’une r´f´rence i ` la p´riode t peut e e e a ee a e ˆtre consomm´e.t ϕit rit . e e Le probl`me MCLS2 est de trouver un plan de production qui minimise la somme des coˆts e u de production.t βit yit + i. nous introduisons dans u le mod`le un coˆt de rupture unitaire pour chaque r´f´rence et ` chaque p´riode. ee a e ct : Capacit´ disponible ` la p´riode t. Ces coˆts e u ee a e u doivent ˆtre consid´r´s comme des p´nalit´s en comparaison avec les autres coˆts. APPROCHE DE BRANCH-AND-CUT Le probl`me MCLS2 a la particularit´ d’autoriser des ruptures sur la demande puisque e e nous traitons des probl`mes avec des capacit´s limitantes. nous formulons le probl`me MCLS2 comme suit : e e min i. ee a e yit = 0 sinon sit : Valeur du stock de la r´f´rence i ` la fin de la p´riode t. Pour plus e ee e e u de d´tails sur la mod´lisation du probl`me MCLS2.

4) signifie e e que s’il y a lancement de production. La derni`re contrainte e ee e e (4. Celui-ci repr´sente le minimum entre la quantit´ maximale e e de la r´f´rence pouvant ˆtre produite et la demande sur le tron¸on de l’horizon [t. . . e Dans ce qui suit. . ee e c M = min c−fit .6) (4. MODELISATION MATHEMATIQUE DU PROBLEME MCLS2 s.2) (4. σit ].4) (4.7) exprime le fait que yit est une variable binaire pour toute r´f´rence i. ∀t ∀t ∀i. .7) + N i=1 fit yit ≤ ct . On a alors. La u contrainte (4. ∀t ∀i. .c : si(t−1) + xit + rit = dit + sit . xit ≤ M yit .. On pose witt la variable qui d´finit la quantit´ de la e e e e r´f´rence i produite ` la p´riode t (t = 0) et consomm´e ` la p´riode t . pour chaque ee p´riode t. ee a e e a e La variable wi0t repr´sente le stock initial de la r´f´rence i au d´but de l’horizon qui sera e ee e consomm´ ` la p´riode t. contrairement ` la formulation bas´e ee e e a e sur le probl`me de localisation d’entrepˆts [101] o` la production est d´finie par sa p´riode e o u e e de production et par sa p´riode de consommation.6) signifie que les variables xit . γi(t −1) avec t ≤ t . ` sau a voir les coˆts de production et de stockage. la e o e variable xit peut ˆtre red´finie plus finement.3) (4. La contrainte (4. xit . N i=1 vit xit 51 ∀i. 1}. ∀i. ∀t (4. La fonction objectif (4. ∀t ∀i.2) exprime la conservation des flux ` travers l’horizon. car la production d’une e e e e e r´f´rence n’est d´finie que par sa p´riode de production. e Le mod`le MCLS2 est appel´ ´galement formulation agr´g´e. avec t ≤ t ≤ T . yit ∈ {0. ∀t (4. rit .8) La variable sit est reformul´e en utilisant la formule suivante : e t T sit = t =0 t =t+1 wit t . ∀t ∀i. ∀t (4. rit et sit sont t =t vit continues non n´gatives pour toute r´f´rence i.9) On pose αitt = αit + γit + γi(t+1) .3) repr´sente la contrainte de respect de la capacit´. .1. ainsi que les coˆts fixes de lancement et les u u a coˆts de rupture.5) (4. sit ≥ 0. nous proposons une formulation du probl`me MCLS2 bas´e sur le e e probl`me de localisation d’entrepˆts. rit ≤ dit . pour chaque p´riode t.. ea e T xit = t =t witt . En effet. σit dit .´ ´ ` 4. alors la quantit´ produite ne devra pas d´passer le e e majorant de la production M . en consid´rant la p´riode ` laquelle cette proe e e e a duction est r´ellement consomm´e.1) minimise le coˆt total induit par le plan de production. La contrainte (4. Cette formulation est not´e : MCLS2F L . ∀i. La contrainte (4.

parce que le mod`le agr´g´ est largement utilis´ par les industriels ainsi e e e e que par DynaSys.17) exprime le fait que witt est une variable continue non n´gative pour toute r´f´rence i e ee et pour chaque p´riodes t.17) (4.52 CHAPITRE 4. e Les probl`mes de planification de la production impliquant plusieurs r´f´rences.16) (4. La contrainte (4. pour chaque p´riode t. plusieurs r´f´rences et des temps de setup (MCLS) afin d’obtenir des ee solutions proches de l’optimum. ∀t ∀i.c : t t =1 witt + rit = dit . rit ≤ dit . witt ≥ 0. ∀t ∀i. e Toutes les in´galit´s valides d´velopp´es dans ce chapitre sont bas´es sur le mod`le agr´g´ e e e e e e e e MCLS2. Les contraintes (4. La majorit´ des tests sont effectu´es sur e e e e e e e le mod`le agr´g´.t ϕit rit (4.14) (4. La contrainte (4. ∀t ∀i. d’une part.16) signifie que la variable e a ee a e rit est continue non n´gative pour toute r´f´rence i. ∀t ∀i. La contrainte e ee e (4.12) (4. parce que nos r´sultats sont une g´n´ralisation d’autres e e e r´sultats bas´s sur des mod`les de lot-sizing agr´g´s. L’inconv´nient du mod`le d´sagr´g´ par rapport au mod`le agr´g´ est le e e e e e e e e e e e nombre de variables ainsi que la m´moire et le temps CPU requis pour r´soudre les relaxations e e lin´aires continues. ∀t ≤ ct . (4.11) (4.7). ∀i.12) et (4. ils n’ont pas trouv´ de solution r´alisable.13) (4. de la contrainte de respect de capacit´ et de la contrainte de production maximum en e fonction des nouvelles variables witt . N T i=1 fit yit t =t witt + σit t =t witt ≤ M yit . e e e e .10) s. (4.t t =t αitt witt + i.13) sont respectivement la reformulation de l’´quation e de flux. ∀t ∀i.15) et (4.11). [172] sont parmi les premiers ` essayer de r´soudre de tels probl`mes. rit ≥ 0. des cae ee pacit´s limitantes et des temps de setup importants sont souvent rencontr´s dans l’industrie. ∀t ∀i. Les contraintes (4. et d’autre part. Cependant. t avec t ≥ t.t βit yit + i.14) exprime le fait que la production de la r´f´rence i ` la p´riode t pour satisfaire la demande ` la p´riode t doit ˆtre inf´rieure ou ee a e a e e e ´gale ` la demande de la r´f´rence i ` la p´riode t. Les aua e e teurs ont propos´ une heuristique lagrangienne pour r´soudre le probl`me de lot-sizing avec e e e une seule ressource. nous pouvons noter que pour les exemples avec des capacit´s serr´es.18) N i=1 vit witt ≤ dit yit . ∀t.18) sont exactement les e mˆmes que les contraintes (4. yit ∈ {0. e e Trigeiro et al. ∀t (4.5). 1}.15) (4. APPROCHE DE BRANCH-AND-CUT Le probl`me MCLS2F L est formul´ comme suit : e e T min i.

RELAXATION DU PROBLEME MCLS2 SUR UNE SEULE PERIODE 53 Belvaux et Wolsey [18].19) sont valides pour le MCLS2. Nous pouvons ´galement citer e e e les travaux de Marchand et Wolsey [123] pour le probl`me de sac ` dos continu qui peut e a apparaˆ comme une relaxation de plusieurs probl`mes lin´aires mixtes tel que le probl`me ıtre e e e MCLS. Leung et al. mais de d´finir des in´galit´s valides e e e e e pour le probl`me relax´ sur une seule p´riode qui restent valides pour le probl`me initial en e e e e consid´rant une demande agr´g´e. Ceci nous permet de cr´er un mod`le math´matique sur une seule e e e p´riode qui capture l’interaction entre d’une part les restrictions de capacit´s en t et d’autre e e part la demande. .2. nous e e d´finissons un sous-mod`le simplifi´ obtenu en consid´rant la relaxation sur une seule p´riode e e e e e de MCLS2. e e i On note : δa. Notre approche est similaire ` celle utilis´e par Constantino [41] et e e a e Miller [131] pour d´finir un ensemble d’in´galit´s valides pour le probl`me MCLS bas´ sur e e e e e cette relaxation. . le but est de d´finir des in´galit´s valides pour le probl`me MCLS2 en e e e e consid´rant des mod`les simplifi´s obtenus ` partir de la relaxation sur une seule p´riode avec e e e a e un stock pr´c´dent. Dans le reste du chapitre.1. Ceci est fait en renfor¸ant les bornes e e e c inf´rieures par des in´galit´s valides et en utilisant des solveurs de programmation lin´aire en e e e e nombres entiers.σit yit i ≥ δt.t−1 + t =t+1 i δt . Par cons´quent. 4. [134] ont ´tudi´ a ee e e e la structure poly´drique de quelques probl`mes de type MCLS. e e e Proposition 1. la production d’une r´f´rence ` une p´riode donn´e peut satisfaire ee a e e la demande d’un ensemble de p´riodes cons´cutives.2)-(4. Miller et al.σit . Le but de cette relaxation n’est pas de r´soudre chaque p´riode s´par´ment en ne e e e e consid´rant que la demande de la p´riode courante. ∀i. ∀t (4. Ceci est fait en autorisant des anticipations sur la demande. N on utilise le param`tre σit d´fini pr´c´demment. ee e e e e tel que : σit = 1. Les in´galit´s e e σit σit xit + t =t rit + si. . .7) e e seront dites valides pour MCLS2. . . t=a Une famille d’in´galit´s valides simples est donn´e par la proposition suivante.. Ceci est particuli`rement utile pour d´finir des in´galit´s valides pour le probl`me e e e e e MCLS2. e e e Ce mod`le est appel´ la relaxation sur une seule p´riode du probl`me MCLS2 avec un e e e e stock pr´c´dent [131].. T . [14] ont d´fini des in´galit´s valides pour le probl`me de lote e e e sizing ` une seule r´f´rence et sans contrainte de capacit´ (ULS). Barany et al.b = b dit . . pour e toute r´f´rence i = 1. [119] et Pochet et Wolsey [149] ont propos´ des e m´thodes exactes pour r´soudre des probl`mes MCLS. la production et les lancements de production entre la p´riode t et σit . . Dans cette relaxation.` ´ 4. . pour chaque p´riode e e e e t ≤ T et pour chaque r´f´rence i = 1. .2 Relaxation du probl`me MCLS2 sur une seule p´riode e e En se basant sur la formulation du probl`me MCLS2 d´crite dans la section 4. ee Dans ce cas. les in´galit´s valides pour l’ensemble des contraintes (4. . N .

23) De plus : σit T σit σit σit T wit t = t =t+1 t =t t =t+1 t =t wit t + t =t+1 t =σit +1 wit t (4.26) D’apr`s la d´finition de la variable wit t .20).21) et (4. on aura pour tout i = 1. T : c σit σit t T σit σit si. N et t = 1. APPROCHE DE BRANCH-AND-CUT Preuve. On pose witt la variable qui d´finit la quantit´ de la r´f´rence i produite ` la e e ee a p´riode t (t = 0) et consomm´e ` la p´riode t . ∀t (4. .2) sur le tron¸on d’horizon [t.22) En rempla¸ant (4. T xit = t =t witt .22) dans (4. . σit ]. . . T : c σit T σit σit T σit si. ∀t (4.t−1 = t =t t =t dit . .t−1 + xit + t =t+1 t =t wit t − t =0 t =σit +1 wit t + t =t rit = t =t dit (4. en consid´rant la p´riode ` laquelle cette e e e e a production est r´ellement consomm´e.t−1 + xit + t =t+1 t =t wit t + t =t rit − t =0 t =σit +1 wit t = t =t dit (4.20) La variable xit peut ˆtre red´finie plus finement. . .23). . ∀i. ∀i. Cette reformulation est ´quivalente ` celle du mod`le e e e a e MCLS2F L . La variable wi0t repr´sente le e e a e e stock initial de la r´f´rence i au d´but de l’horizon qui sera consomm´ ` la p´riode t. wit t ≤ dit yit . . . Si on somme les ´quations (4.54 CHAPITRE 4. . On a ee e ea e alors. . . . on sait que : e e 1. . on obtient : e c σit σit (xit + rit ) − si.25) En rempla¸ant (4.21) On peut ´galement ´crire : e e t T sit = t =0 t =t+1 wit t .24) et (4.24) et : σit T t T σit T wit t = t =0 t =σit +1 t =0 t =σit +1 wit t + t =t+1 t =σit +1 wit t (4.σit + si. . ∀t (4. ∀i. . .25) dans (4. avec t ≤ t ≤ T . N et t = 1. . on a pour tout i = 1. .

. d´finissons tout d’abord e e e e le probl`me suivant not´ MCLSP qui n’est qu’une version simplifi´e du probl`me MSCL2 avec e e e e des vit ´gales ` 1 et aucune rupture sur les demandes n’est autoris´e.σit par dit . σit σit xit + t =t rit + si. . nous avons supprim´ l’indice temporel dans l’exe e e e e pression pr´c´dente afin de faciliter la lecture des formulations math´matiques qui suivent. de (4.t−1 + σit ee a e e t =t+1 δt .19). t t =0 T t =σit +1 wit t 55 =0 Par cons´quent.´ ´ ` 4.19) seront dites e e e e valides pour SPMCLS2. . T : e σit σit σit σit si.19) sont e e xit + rit + sit ≥ dit ∀i.σit yit peut ˆtre consid´r´e comme ´tant le stock sortant de i la r´f´rence i ` la p´riode t−1 et not´ si. . i e ee e L’expression si. D’une mani`re similaire. ∀t (4.t−1 + t =t+1 i i δt . Ainsi.3.3 In´galit´s (l. on obtient pour tout i = 1.σit yit .27) s’´crivent : e e e xi + ri + si ≥ di ∀i (4. . les variables de ruptures e a e 3 SPMCLS2 est une abr´viation en anglais de : Single Period relaxation of MLCS2. on note e ´quivalentes ` : e a σit t =t rit i par rit et δt. Comme il a ´t´ mentionn´ e u pr´c´demment. e e e Les in´galit´s (4.3)-(4. . nous avons si.t−1 .σit Dans le reste du chapitre.28) 4. S) pour le probl`me SPMCLS2 e e e Afin d’introduire les in´galit´s (l. on note SPMCLS23 la relaxation du probl`me MCLS2 sur e e ee e une seule p´riode o` la contrainte (4. INEGALITES (L. . wi0t ≤ dit 3.t−1 + σit t =t+1 δt .26). .2) est remplac´e par (4. N et t = 1.27) Puisque nous travaillons sur chaque p´riode s´par´ment pour le SPMCLS2 et ´tant donn´ e e e e e que chaque p´riode est trait´e s´par´ment.t−1 = si. S) pour le probl`me SPMCLS2. les in´galit´s valides pour l’ensemble de contraintes (4. σit i dit = δt .σit yit ≥ δt. Les in´galit´s (4. e . S) POUR LE PROBLEME SPMCLS2 2.σit t =t Finalement.t−1 + xit + t =t+1 t =t dit yit + t =t rit ≥ t =t dit De plus.

S. e e e N T min i=1 t=1 αit xit + βit yit + γit sit (4. ∀i.32) (4.31) (4. ∀t ∀t ∀t ∀i. In´galit´s (l. yit ∈ {0. On rappelle que l’indice temporel est supprim´ .34) xt + t∈V Bt yt ≥ B0 . S ⊂ {0.30) est remplac´e par xi + si ≥ di . S) pour le probl`me SPMCLSP. ∀i. .t−1 = dit . . chaque article est consid´r´ s´par´ment et l’indice des r´f´rences est ine ee e e ee utile. . 1. 15] ont prouv´ qu’une description poly´drique compl`te de l’enveloppe e e e convexe du probl`me ULS est donn´e par des in´galit´s issues de la relaxation lin´aire et e e e e e d’une autre famille d’in´galit´s dite (l.30) (4. S = {0. . 1} . . . la contrainte de capacit´ qui relie toutes les r´f´rences est e e e ee relax´e. S) dans une m´thode branch-and-cut. Ainsi. . APPROCHE DE BRANCH-AND-CUT rit sont alors fix´es ` z´ro. Les in´galit´s (k. sit ≥ 0. 1. I) pour le probl`me de lot-sizing e e e a ` une seule r´f´rence et des capacit´s constantes sur tout l’horizon CCLS.29) xit − sit + si. Les auteurs u k=t ont pr´sent´ des r´sultats exp´rimentaux int´ressants pour le probl`me MCLSP en utilisant e e e e e e les in´galit´s (l.56 CHAPITRE 4. elles sont donn´es par : e e e xt + t∈S ¯ t∈S dtl yt ≥ d1l ¯ o` l ∈ {0. xit .33) On note : – SPMCLSP la relaxation sur une seule p´riode du probl`me MCLSP o` la contrainte e e u (4. . e e – ULS la relaxation sur une seule r´f´rence du probl`me MCLSP sans contrainte de caee e pacit´. ∀t (4. l} \ S et dtt = t dk . N N i=1 xit + i=1 fit yit ≤ ct . . . S). l. T }. [14. Ceci va nous permettre de rappeler la structure de quelques e a e in´galit´s valides pour des relaxations du probl`me MCLSP. S. l. Les auteurs ont ee e montr´ que ces in´galit´s d´finissent des facettes non triviales de l’ensemble convexe des e e e e solutions r´alisables. I) peuvent ˆtre exprim´es sous la forme g´n´rale e e e e e e e suivante : sk−1 + t∈U ∀i (4. . e Pochet et Wolsey [151] ont introduit les in´galit´s (k. e e e Proposition 2. . Barany et al. [132] e e e Si c ≥ fi + di alors les in´galit´s e e si + di yi ≥ di d´finissent des facettes pour SPMCLSP. 1. Dans ce probl`me. l}.

L’id´e de cette heuristique de s´paration est de cr´er un ensemble U ⊂ [t. les in´galit´s (4. σit ] pour e e e toute r´f´rence i et pour toute p´riode t dans le but de g´n´rer une in´galit´ valide (l. . Preuve.35) au nœud courant. S) e e e 1: t ← 1. e ee a Sans perte de g´n´ralit´.t−1 + U i δt . (U. . a Les in´galit´s (4. . nous pr´sentons une heuristique de s´paration afin de cr´er des in´galit´s e e e e e (l. l]. e e e e e e 4. En se basant sur la proposition 3.´ ´ ´ 4.35) sont valides pour MCLS2. en rempla¸ant δt .σit yit par xit pour un sous-ensemble e e c quelconque de [t + 1. . σit ]. . S) pour le probl`me MCLS2. Bt est d´fini en respectant les demandes et les contraintes de capacit´.σit yit < x∗ alors it 7: U ← U ∪ {t } 8: sinon 9: V ← V ∪ {t } 10: finsi 11: t ←t +1 12: fin tant que 13: si (L’in´galit´ (4.σit yit + V xit i ≥ δt. . Proposition 3.σit yit < xit ou ` l’ensemble V sinon. les in´galit´s e e e σit xit + t =t rit + si. B0 ∈ R+ et Bt ∈ R+ (t ∈ V ). Etant donn´e une partition (U. S) pour ee e e e e e i le probl`me MCLS2. . e e 15: finsi 16: t←t+1 17: fin tant que 18: i←i+1 19: fin tant que .35) bas´e sur S. S) e e e Dans cette section. σit ]. On rajoute t ` l’ensemble U si δt .19) afin d’avoir une structure e e e e e i similaire aux in´galit´s (k. . . . .σit . I). e a a Le principe de l’heuristique est illustr´ par l’algorithme 1 d´fini comme suit : e e Algorithme 1 Heuristique de s´paration pour les in´galit´s (l. le lecteur peut se r´f´rer ` [151].4 Heuristique de s´paration des in´galit´s (l. l. . i ← 1 2: tant que (i ≤ N ) faire 3: tant que (t ≤ T ) faire 4: t ←t+1 5: tant que (t ≤ σit ) faire i ∗ 6: si δt .35) sont appel´es les in´galit´s (l. e e Pour plus de d´tails. V ) est une partition de [k. S. S) 57 pour tout k et l tel que 1 ≤ k ≤ l ≤ T . on peut modifier les in´galit´s (4.4. . . HEURISTIQUE DE SEPARATION DES INEGALITES (L.35) sont e e e valides pour MCLS2. La preuve est similaire ` celle de la proposition 1. U et T est viol´e) alors e e e e 14: Ajouter l’in´galit´ (4. V ) de l’ensemble [t + 1. . ∀t (4. . S) pour le probl`me MCLS2. ∀i.

Si λS > 0 alors la demande sur l’ensemble des r´f´rences de S est strictement ee ee sup´rieure ` la capacit´ de production disponible.58 CHAPITRE 4.28) peuvent s’´crire comme suit : e e e si + ri ≥ di − xi . e e e e 4. Plus pr´cis´ment : e e Les in´galit´s (4. APPROCHE DE BRANCH-AND-CUT La complexit´ de l’heuristique de s´paration des in´galit´s (l. (In´galit´s couvrantes) e e L’in´galit´ e e vi (si + ri ) ≥ λS + i∈S i∈S max −fi .36) λS exprime le d´ficit en terme de ressources lorsqu’est produite toute la demande des e r´f´rences de S. S) est O(N T 2 ).3) on a : vi xi ≤ c − i∈S i∈S fi D’o` : u .37) est valide pour SPMCLS2. Preuve. [132] concernant les e e e in´galit´s couvrantes et les in´galit´s couvrantes inverses (cover and reverse cover inequalie e e e ties). D´fnition 1. e a e Proposition 4. [132] en rajoutant les vaa e e riables de ruptures ri sur la demande ainsi que des besoins variables vi .5 In´galit´s couvrantes et couvrantes inverses pour SPMe e CLS2 Dans cette section. nous g´n´ralisons les r´sultats de Miller et al. La preuve est similaire ` celle pr´sent´e dans Miller et al. vi di − λS (1 − yi ) (4. (Couverture) e Un sous-ensemble de r´f´rences S de I est dit ”couverture” du probl`me SPMCLS2 si : ee e λS = i∈S fi + vi di − c ≥ 0 (4. ∀i alors : vi si + i∈S i∈S vi ri ≥ i∈S vi di − i∈S vi xi Si toutes les r´f´rences de l’ensemble S sont produites. : yi = 1 ∀i ∈ S alors : d’apr`s ee e (4.e. i.

41) peut facilement ˆtre e u e g´n´ralis´ pour le cas S 0 > 1 en traitant les r´f´rences qui appartiennent ` S 0 une par e e e ee a une.39) et (4.42) L’in´galit´ (4. d’o` l’in´galit´ : e ee u e e vi (si + ri ) ≥ λS + i∈S i∈S max −fi . vi di − λS (1 − yi ) Les in´galit´s pr´c´dentes peuvent ˆtre renforc´es par une proc´dure de lifting d´crite e e e e e e e e dans ce qui suit. INEGALITES COUVRANTES ET COUVRANTES INVERSES POUR SPMCLS2 59 vi si + i∈S i∈S i∈S vi ri ≥ i∈S vi di − c− i∈S fi = i∈S vi di + fi − c En rempla¸ant c vi di + fi − c par λS on aura : vi (si + ri ) ≥ λS i∈S (4. vi di − λS i∈S (4.´ ´ 4.40) on peut conclure que : e vi (si + ri ) ≥ λS + max −fi . Le r´sultat (4. ee a . nous obtenons : e vi (si + ri ) ≥ λS + i∈S i∈S 0 max −fi .5.38) on peut ´crire : e vi (si + ri ) ≥ λS − fi i∈S (4. Par cons´quent.42) peut ˆtre g´n´ralis´e pour l’ensemble S en introduisant le terme (1 − yi ) e e e e e e afin de prendre en consid´ration la production d’une r´f´rence. on a exactement une r´f´rence i ∈ S tel que yi = 0.38) On d´finit un ensemble S 0 = {i ∈ S/yi = 0} qui repr´sente les r´f´rence de S qui ne sont e e ee pas produites. vi di − λS (4. Si S 0 = 1. Cette proc´dure consiste ` renforcer les in´galit´s valides en rajoutant des e a e e r´f´rences n’appartenant pas ` la couverture S.41) e Consid´rons maintenant le cas o` S 0 > 1.40) D’apr`s (4. ee e D’apr`s (4.39) On sait que : vi (si + ri ) ≥ vi (si + ri ) ≥ vi di i∈S (4.

> < |S| ϕS (u) = ArS +1 + (rS − j) λS . . rS |S| |S| |S| (4. S 1 = {i ∈ S : yi = 1} et T = {i ∈ T : yi = 1}. vi di − λS n o + (4. vi d n On consid`re le probl`me de minimisation suivant : e e xi =x∗ . et un ordre des r´f´rences i ∈ S tel que f[1] + e ee v[1] d[1] ≥ · · · ≥ f[|S|] + v[|S|] d[|S|] . j = 1. . r∗ ) satisfait ¯ Si T l’in´galit´ (4. s∗ .45) Nous montrons que la solution optimale de ce probl`me a une valeur sup´rieure ou ´gale e e e au membre droit de l’in´galit´ (4. . y ∗ . s∗ . On consid`re trois cas : e ¯ e e Si T = 0.yi =1 i min X i∈S vi (si + ri ) + e e X i∈S o ) ei − λS yi max −fi .yi =1 i min ( X i∈S vi (si + ri ) + e e X i∈S o ) X ei − λS yi = e max −fi . Soit (x∗ .44). vi di − λS yi ≥ n ( xi =x∗ . vi di − λS yi (4. . vi di − λS (1 − yi ) + n o e f[2] + v[2] d[2] λS X i∈T (vi xi − (µ1 − fi ) yi ) (4. . . . j = 2.43).60 CHAPITRE 4. APPROCHE DE BRANCH-AND-CUT Proposition 5. ¯ = 1. il suffit de montrer que : e e X i∈S vi (s∗ + ri ) + ei e∗ X i∈S ∗ e max −fi . l’in´galit´ e e X i∈S vi (si + ri ) ≥ λS + e e X i∈S e max −fi . y ∗ . alors on suppose que T = {i } . vi di − λS yi n o ≥ λS + X i∈S e max −fi . puisqu’on est dans le cas de la proposition 4. rS . On pose µ1 = f[1] + v[1] d[1] − λS et f[2] + v[2] d[2] ≥ λS . Preuve. alors l’in´galit´ (4. e e Soit rS = i ∈ S : fi + vi di > λS et Ab = b f[i] + v[i] d[i] .45) est donn´e par : e e xi =x∗ .  > |S| > : ArS +1 + (rS − j) λS + u − Aj − λS  |S|  if 0 ≤ u ≤ ArS +1 |S| |S| if Aj+1 ≤ u ≤ Aj − λS .47) .44) e f[2] + v[2] d[2] On sait que : λS (vi x∗ − (µ1 − fi )) i X i∈S vi (s∗ i e +e + ∗ ri ) X i∈S o ∗ e max −fi . Soit ∗ ∗ ∗ ¯ S 0 = {i ∈ S : yi = 0}. T ) une partition quelconque de T . (Une seconde forme d’in´galit´s couvrantes) e e ´ Etant donn´s S une couverture de SPMCLS2. . r∗ ) un point de l’enveloppe convexe de SPMCLS2. pour montrer que le point (x∗ .46) La solution optimale du probl`me de minimisation (4. if Aj − λS ≤ u ≤ Aj .yi =1 i min vi (si + ri ) + i∈S i∈S max −fi . Soit T = I \ S et (T . a a Si on d´finit : e 8 >u. vi d vi di + ϕS (c − (fi + vi x∗ )) i n i∈S (4.43) est valide pour SPMCLS2.43) est valide.

Maintenant.49).´ ´ 4.49) De plus. vi di − λS + vi di − ϕS c − fi + vi x∗ ≥ λS + i i∈S λS e f[2] + v[2] d[2]   ¡ vi x∗ − (µ1 − fi ) i (4. vi di − λS + λS f[2] + v[2] d[2] c−f 0≤xi ≤ v i i max ϕS (c − (fi + vi xi )) + (vi xi − (µ1 − fi )) . λS En utilisant l’expression (4. e e ϕS (u) ArS + (rS − k + 1)λS ArS + (rS − k)λS |S| |S| A r S + λS Ar S |S| |S| Ar +1 ArS S |S| A r S − λS |S| |S| Ar −1 − λS S |S| Ak+1 |S| Ak |S| Ak − λS |S| |S| u Ak−1 − λS Fig. on a : vi di = v[1] d[1] + i∈S i∈S\[1] vi di max −fi . INEGALITES COUVRANTES ET COUVRANTES INVERSES POUR SPMCLS2 61 La d´monstration n’est qu’une g´n´ralisation d’un r´sultat pr´sent´ par Miller et al. vi di − λS + i∈S\[1] i∈S\[1] vi di = v[1] d[1] + i∈S min fi + vi di . nous utilisons la propori´t´ suivante. 4. il reste ` d´montrer que : a e ˆ i∈S n o ˆ     ¡¡ e e max −fi .5.48) Pour ce faire. [132]. λS n o (4. on a : vi di = v[1] d[1] + i∈S i∈S\[1] max −fi .1 – Fonction ϕS . ee ( max 0≤xi ≤ v i i c−f ϕS (c − (fi + vi xi )) + e f[2] + v[2] d[2] λS ) (vi xi − (µ1 − fi )) = X i∈S\[1] e min fi + vi di . e e e e e e Une repr´sentation de ϕS est donn´e par la figure 4.1.

48).44) peut ˆtre facilement g´n´ralis´e en traitant les r´f´rences ¯ une par une.62 CHAPITRE 4. (Couverture Inverse) e Un sous-ensemble de r´f´rences S de I est dit couverture inverse de SPMCLS2 si : ee µS = c − i∈S fi + vi di ≥ 0 (4. D´fnition 2. En r´´crivant l’expression (4.50).43). µS exprime la capacit´ en ressources disponible lorsque e toute la demande pour chaque r´f´rence appartenant ` l’ensemble S est produite.50) ϕS (c − (fi + vi x∗ )) + i Puisque v[1] d[1] − λS ≥ −f[1] (on sait que : f[1] + v[1] d[1] ≥ λS ). L’in´galit´ e e vi (si + ri ) ≥ i∈S i∈S fi + vi di i∈T yi − i∈S fi (1 − yi ) − i∈T ((c − fi ) yi − vi xi ) (4. alors l’expression (4. on obtient (4. v[1] d[1] − λS peut ˆtre e remplac´ par max −f[1] . v[1] d[1] − λS . soit T = I \ S et (T . qui appartiennent ` T a u e e Dans ce qui suit. u e e ¯ e e e e ee Si T > 1. Preuve. T ) une partition quelconque de T . [132] avec e e e a e prise en compte additionnelle des variables de ruptures sur la demande ri ainsi que des besoins variables vi . vi di − λS + λS f[2] + v[2] d[2] (vi x∗ − (µ1 − fi )) i ϕS (c − (fi + vi x∗ )) + i vi di ≥ v[1] d[1] − λS + λS + i∈S i∈S\[1] max −fi .51) Pour une couverture inverse S.52) est valide pour SPMCLS2. La d´monstration pr´sent´e est similaire ` celle d´crite dans Miller et al. nous d´crivons une autre classe d’in´galit´s valides bas´es sur des ene e e e sembles de couvertures inverses. vi di − λS + λS f[2] + v[2] d[2] (vi x∗ − (µ1 − fi )) i (4. (In´galit´s couvrantes inverses) e e Soit S une couverture inverse de SPMCLS2.44). APPROCHE DE BRANCH-AND-CUT vi di ≥ v[1] d[1] + i∈S i∈S\[1] max −fi . D’o` l’in´galit´ (4. e ee D’o` l’in´galit´ (4. . ee a Proposition 6.

il e e e suffit de montrer que l’intersection de l’hyperplan d´fini par l’in´galit´ (4. alors l’in´galit´ est valide. ¯ e e e e e e ee Si T > 1. s∗ . y ∗ . puisque i∈S vi (s∗ + ri ) ≥ − i∈S fi (1 − yi ).37) induit une facette du probl`me SPMCLS2. Nous montrons que les in´galit´s couvrantes e e e e (4. Nous e e e e d´crivons les points et les rayons extrˆmes de l’enveloppe convexe des solutions r´alisables e e e du probl`me SPMCLS2 not´e conv(SPMCLS2). l’in´galit´ (4. nous pr´sentons une ´tude poly´drale du probl`me SPMCLS2. r∗ ) un point quelconque de l’enveloppe convexe des solutions r´alisables de e SPMCLS2. e e i ¯ Soit T = j ∈ T : y ∗ = 1 j ¯ ¯ Si T = 1.3) on a : e c − fi ≥ i∈S ∗ (vi x∗ + fi yi ) + vi x∗ i i D’apr`s (4.52). appartiennent ` T a u e e 4.37) et conv(SPMCLS2) e e e est de dimension dim(SPMCLS2)−1. (de fa¸on simie c laire les in´galit´s couvrantes inverses (4. Il suffira donc d’exhiber dim(SPMCLS2) points et rayons .28) on a aussi : e ∗ x∗ ≥ di − s∗ − ri i i D’o` : u c − fi ≥ i∈S ∗ ∗ vi di − s∗ − ri + fi yi + vi x∗ i i Ce qui donne : ∗ vi (s∗ + ri ) ≥ i i∈S i∈S vi di + i∈S ∗ fi yi − ((c − fi ) − vi x∗ ) i L’in´galit´ e e ∗ vi (s∗ + ri ) ≥ i i∈S i∈S fi + vi di − i∈S ∗ fi (1 − yi ) − ((c − fi ) − vi x∗ ) i (4.53) est donc valide pour SPMCLS2.6.6 Etude poly´drale e Dans cette section. d’o` l’in´galit´ (4. supposons que T = {i } D’apr`s (4. Afin de montrer que l’in´galit´ valide (4.´ 4.53) peut facilement ˆtre g´n´ralis´e en traitant les r´f´rences qui ¯ une par une.52) d´finissent des facettes de conv(SPMCLS2) sous e e e certaines conditions). On doit consid´rer trois cas : e ∗ ∗ ∗ Si yi = 0 pour tout i ∈ T . ETUDE POLYEDRALE 63 Soit (x∗ .37) d´finissent des facettes de conv(SPMCLS2) sous certaines conditions.

si ≥ 0. yi . x ¯ ¯ ¯ – (¯i . yi . ¯ ¯ ¯ = 0. xi est fix´e ` la valeur maximale autoris´e par la contrainte e a e ¯ e a e (4. si = 0. ¯ ¯ ¯ = 0. x ¯ ¯ ¯ – xi = c − i∈Qu fi + vi di − i∈Ql fi − fi . ∀i c. Nous rappelons tout d’abord le mod`le e e e math´matique du probl`me SPMCLS2. yi . ri ) est de type 2 ou de type 3.58) (4.37). x ¯ ¯ ¯ – (¯i . yi = 1. yi = 0. yi = 1. si = di . si . yi = 1. On d´finit ¯ ¯ ¯ ¯ e pour (¯i . ¯ ¯ ¯ Proposition 7. ri ) est de type 1. yi = 1. (4. si = 0. ri . si = (di − xi )+ . vi ri ≤ d i . ri = (di − xi )+ . Aucun de ces points ne peut ˆtre e e e exprim´ comme combinaison convexe d’autres points de conv(SPMCLS2). yi . ri = di . On pose. xi . La raison est la suivante : e e Pour i ∈ I \ Q. ri = 0 ou ¯ ¯ ¯ ¯ ¯ xi = c − ¯ i∈Qu fi + vi di − i∈Ql fi − fi .55) (4. yi . ri ) les types suivants : x ¯ ¯ ¯ Type Type Type Type Type 1 2 3 4 5 : : : : : xi ¯ xi ¯ xi ¯ xi ¯ xi ¯ = di . xi = di . chacune des variables xi . y . ¯ ¯ e e La mˆme remarque peut ˆtre faite pour i ∈ Qu et i ∈ Ql . si .56).60) 4.56) (4.55) et leur borne inf´rieure. y . ri ) est de type 4 ou de type 5. e x ¯ ¯ ¯ e ¯ Qu = i ∈ Q : xi = di . e e min i αi xi + i βi yi + i γi si + i ϕ i ri . yi = 1. i ∈ I \ Q . Qm = i ∈ Q : xi > 0. si .59) (4. e . si = 0. ` sa ¯ ¯ ¯ ¯ e a e a borne inf´rieure ou ` la valeur maximum autoris´e par la contrainte (4. ri = 0.1 Points et rayons extrˆmes e Etant donn´ (¯. Tous les points list´s sont extrˆmes. ri = 0. Ql = {i ∈ Q : xi = 0}.6. yi = 0. Q = {i ∈ I : yi = 1}.c : si + xi + ri ≥ di . yi e a e ¯ est fix´e ` sa borne sup´rieure. s. Nous allons d´crire dans ce qui suit. et qui e e e soient lin´airement ind´pendants.54) s. ri = di .64 CHAPITRE 4. les points extrˆmes e e e e et les rayons extrˆmes du probl`me SPMCLS2. si et ri ont la valeur minimale autoris´e par la contrainte (4. ∀i ∀i ∀i ∀i (4. di yi . Preuve. i ∈ Qu . ¯ ¯ ¯ ¯ avec : Qm = ∅ ou |Qm | = 1. APPROCHE DE BRANCH-AND-CUT extrˆmes de conv(SPMCLS2). i ∈ Qm . ¯ ¯ ¯ = 0. r) de conv(SPMCLS2) est de la forme : e x ¯ ¯ ¯ – (¯i . i ∈ Ql . 1}. ri = 0. Tout point extrˆme (¯.55). si = 0. Pour i ∈ Qm . si et ri est fix´e ` sa borne sup´rieure. ¯ ¯ ¯ = 0.57) (4. r) un point extrˆme de conv(SPMCLS2). N N i=1 vi xi + i=1 fi yi ≤ xi ≤ min c−fi . yi ∈ {0. si . qui soient ´galement dans l’hyperplan d´fini par (4. s. si = di .

∀i xi .62). soit Qm = {i }. s. Tous les rayons extrˆmes (ˆ. . 0). y . e x ¯ ¯ ¯ Si Qm = ∅. r) = 2 (ˆ . e e xi + si + ri ≥ 0. ˆ Les rayons extrˆmes de conv(SPMCLS2) sont de la forme : (0. y . r ) + 2 (ˆ . e x ¯ ¯ ¯ e e Si Qm = ∅ alors il est ´vident que le point (¯. si = 1 e ˆ ˆ ˆ pour un seul i ∈ I et xj = yj = sj = rj = 0.66) vi xi + i=1 i=1 fi yi ≤ 0 xi ≤ min c − fi . ri ≥ 0. r1 ) = η(ˆ2 .64) on a : ri = 0. r) de conv(SPMCLS2) sont de la forme e x ˆ ˆ ˆ xi = yi = 0. ri = 0 pour un seul i ∈ I et xj = yj = sj = rj = 0. alors x ¯ ¯ ¯ il est facile de construire deux points tel que (¯. Un rayon (ˆ. r) ∈ SP M CLS20 \ {0}. s2 . . si . y . s.65) et (4. x ˆ ˆ ˆ x ˆ ˆ ˆ x ˆ ˆ ˆ Proposition 8. ˆ ˆ ˆ ˆ 4. y .64) (4. s1 . di yit . nous d´finissons tout d’abord e e e e le probl`me SPMCLS20 d´fini par les contraintes (4. y . r) est une combinaison convexe des deux. 1} .61) (4. s. s. s. si = 1. y . r2 ) ∈ SP M CLS20 \ {0}. ∀i N N (4. e . 0. j = i. s. r1 ). y 1 . s.66). s . s. Supposons maintenant que |Qm | > 1 pour un point (¯. (4. ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ Preuve. e Etant donn´ (¯. (ˆ1 . Alors on doit avoir (¯i = (di − xi )+ et ri = 0) s ¯ ¯ ou (¯i = 0 et ri = (di − xi )+ ) sinon (¯. r ).37) d´finissent des facettes du e e e probl`me SPMCLS2 sous certaines conditions. i ∈ Q ou i ∈ I \ Q pour i = 1. Par d´finition. r) dans conv(SPMCLS2). r2 ) x ˆ ˆ ˆ x ˆ ˆ ˆ x ˆ ˆ ˆ x ˆ ˆ ˆ 1 1 1 1 1 1 2 2 2 2 avec η ∈ R+ . ∀i yi ∈ {0. r) est un rayon de conv(SPMCLS2) si (ˆ. y 2 . r) est de la forme de la proposition 7. ETUDE POLYEDRALE 65 Il faut maintenant monter que ces points sont les seuls points extrˆmes de conv(SPMCLS2). y 1 . y . e a Afin de d´crire les rayons extrˆmes du probl`me SPMCLS2. y 2 . r) peut ˆtre exprim´ comme combinaison convexe s ¯ ¯ x ¯ ¯ ¯ e e de deux autres points.61)-(4.65) et (4. s. s . . r) de conv(SPMCLS2) est dit rayon extrˆme s’il n’existe pas e x ˆ ˆ ˆ e des rayons (ˆ1 . A partir de (4.2 Propri´t´s des in´galit´s couvrantes e e e e Nous allons montrer dans ce qui suit que les in´galit´s (4. ∀i Nous rappelons les d´finitions suivantes : e D´fnition 3.6. (ˆ. . y . ∀i vi ri ≤ 0. s1 . Supposons que |Qm | = 1.66) on a : xi = yi = 0 pour tout i ∈ I. s. s.6. e x ˆ ˆ ˆ x ˆ ˆ ˆ D´fnition 4. s2 . y . x ¯ ¯ ¯ On peut donc conclure que tous les points extrˆmes de conv(SPMCLS2) ont la forme des e points d´crits ` la proposition 7. y . A partir de ˆ ˆ (4.65) (4. r) un point extrˆme. j = i.´ 4. y . N . y . e ˆ Tous les rayons extrˆmes de conv(SPMCLS2) sont donc de la forme xi = yi = 0.62) (4. (ˆ2 .63) (4. tel que : (ˆ.

si = 0. Il suffit alors de montrer que l’intersection de l’hyperplan d´fini par conv(SPMCLS2) e et (4. ri = 0. si = 0. i ∈ S \ {i ∪ [1]} xi = yi = 0. si = 0. On d´finit µ1 = f[1] +v[1] d[1] −λS . ∀i ∈ I alors l’in´galit´ (4. Etant donn´s une couverture S de SPMCLS2 et un ordre des r´f´rences i ∈ S e ee tel que f[1] +v[1] d[1] ≥ · · · ≥ f[|S|] +v[|S|] d[|S|] . s[1] v[1] e λ −v d d[2] − ( S v [1] [1] )+ . En effet. f[2] + v[2] d[2] ≥ λS .1 points) xi = yi = 0. y[2] = [2] = d[1] − x[1] . i ∈ S / – Pour [1].37) e e induit une facette de conv(SPMCLS2). (1 point) x[1] = ( x[2] = e v[1] d[1] −λS + ) . si = 0. ri = 0. yi = 1. yi = 1. i ∈ T . si = di . Noter que les |T | rayons avec si = 1. ri = 0 x[1] = d[1] − ( e λS −fi −vi di v[1] )+ . e Proposition 9. si = di − xi . r[2] = 0 xi = di . s[1] = d[1] . i ∈ S / – Pour tout i ∈ S \ [1]. ri = 0. Il suffit donc de trouver 4N −|T | points r´alisables lin´airement ind´pendants dans cet hyperplan. ri = 0 x[1] = y[1] = 0. yi = 1. e ˆ e e Il n’est pas tr`s difficile d’exhiber 3N +1 points de conv(SPMCLS2) lin´airement ind´pendants e e e entre eux et des N rayons extrˆmes. ri = 0. si = di .37) est de dimension 4N −1 soit dim(SPMCLS2)−1. i ∈ S \ {[1]} xi = yi = 0. (1 point) x[1] = d[1] + ( e v[2] d[2] +f[2] −λS + ) . s[1] = d[1] . si = di . sont des rayons extrˆmes de conv(SPMCLS2) et sont ´galement dans l’hyperplan d´fini e e e e e e par (4. Soit T = I \S. r[1] = 0 xi = di . yi vi e λ −v d d[1] − ( S v i i [1] = 1. c’est ` dire que e a dim(SPMCLS2)= 4N . ri = 0. r[1] = 0 xi = di . ri = 0. fi < µ1 . i ∈ S \ {i ∪ [1]} xi = yi = 0. s[2] = d[2] − x[2] . r[1] = 0 xi = di . ri = 0 )+ .37). i ∈ S / – Pour [1]. (|S| . ri = 0.1 points) xi = ( x[1] = e vi di −λS + ) . y[1] v[1] = 1. λS > 0. i ∈ S \ {i ∪ [1]} xi = yi = 0. ri = 0. r[1] = 0 xi = di . APPROCHE DE BRANCH-AND-CUT Le probl`me SPMCLS2 est de pleine-dimension si fi < c. i ∈ S \ {[2] ∪ [1]} xi = yi = 0. y[1] = 1. (|S| . s[1] = d[1] − x[1] . ri = 0. i ∈ S / – Pour [1]. r[1] = 0 .1 points) xi = di + ( e v[1] d[1] +f[1] −λS + ) . r[1] = 0 1. Supposons tout d’abord que vi di + v[1] d[1] ≥ λS pour i ∈ S \ [1]. – Pour tout i ∈ S \ [1]. si = di . si = di . Les N rayons extrˆmes si = 1 sont lin´airement ind´pendant. y[1] = 1. ri = 0. yi = 1. Preuve. e Si |S| ≥ 2. yi = 1. yi vi = 1. (1 point) x[1] = y[1] = 0. Consid´rons les e 4N − |T | points suivants. s[1] = d[1] − x[1] . i ∈ S / – Pour tout i ∈ S \ [1]. s[1] = 0. ∀i ∈ I. y[1] = 1. si = 0. si = 0.66 CHAPITRE 4. si = di . i ∈ T et fi < c. (|S| . et qui soient ´galement lin´airement ind´pendants des |T | rayons extrˆmes e e e e si = 1.

ri = 0 x[1] = y[1] = 0. si = di . (1 point) x[1] = d[1] + ( e v[2] d[2] +f[2] −λS + ) . ri = 0.1 points) xi = 0. ri = 0. i ∈ S \ {[2] ∪ [1]} xi = yi = 0. i ∈ S \ {[1]} xi = yi = 0. ri = 0 x[1] = y[1] = 0. y[1] v[1] = 1. i ∈ S ∪ {i } / – Pour tout i ∈ T . si = 0. r[1] = d[1] xi = di . (|S| . i ∈ S \ {[1]} xi = yi = 0. si = 0. ri = 0 x[1] = y[1] = 0. On peut facilee e e ment v´rifier que ces 4N −|T | points et les |T | rayons extrˆmes si = 1. i ∈ S / – Pour tout i ∈ S \ [1].´ 4. ri = 0. yi = 1. si = di . e e e On peut donc conclure que l’in´galit´ (4. yi = 1. (|S| . ETUDE POLYEDRALE x[2] = y[2] = 0. yi = 1. si = di . e . i ∈ S / – Pour tout [1]. s[1] = 0. i ∈ S \ {[2] ∪ [1]} xi = yi = 0. r[2] = 0 xi = di . s[2] = 0. ri = 0. ri = 0. s[1] = d[1] . ri = 0 x[1] = y[1] = 0. e e De la mˆme mani`re. si = 0. ri = 0.1 points) xi = ( e v[1] d[1] +f[1] −λS −fi vi )+ . si = 0. s[1] = d[1] . ri = 0. si = di . r[1] = 0 xi = di . ri = 0. une e e e approche similaire peut ˆtre faite afin d’exhiber 4N − |T | points lin´airement ind´pendants. yi vi 67 = 1. si = di − xi .1 points) xi = ( e v[1] d[1] +f[1] −λS −fi vi )+ . i ∈ S / – Pour tout i ∈ T . ri = 0. si = di . s[1] = 0. si = 0. yi = 1. yi = 1. si = di . yi = 1. si = 0. s[1] = 0.37) induit une facette de conv(SPMCLS2). r[2] = d[2] xi = di . i ∈ S ∪ {i } / – Pour tout i ∈ T . si = di . i ∈ S ∪ {i } / Nous avons exhib´ 4 |S|+3 |T | = 4N −|T | points lin´airement ind´pendants. yi = 1. si = 0. s[2] = d[2] .1 points) xi = di + ( e v[1] d[1] +f[1] −λS + ) . r[1] = 0 xi = di .52) d´finissent des facettes e e e e e sous les mˆmes conditions.6. i ∈ S \ {[1]} xi = yi = 0. r[1] = d[1] xi = di . si = di − xi . sont lin´airement e e e ind´pendants. ri = 0. (|S| . yi = 1. i ∈ S \ {i ∪ [1]} xi = yi = 0. (|S| . ri = 0. nous pouvons montrer que les in´galit´s (4. ri = 0. Quand la condition vi di + v[1] d[1] ≥ λS pour i ∈ S \ [1] n’est pas v´rifi´e. i ∈ T . yi = 1. r[1] = 0 x[2] = y[2] = 0.

– λC = j∈C aj − b > 0 . . Nous allons rappeler maintenant les principaux r´sultats sur les in´galit´s couvrantes et e e e les in´galit´s couvrantes inverses d´finies pour ce probl`me.7. nous allons renforcer les in´galit´s valides couvrantes et couvrantes e e inverses en utilisant des fonctions superadditives pour une am´lioration s´quentielle. . a Nous allons nous baser sur les r´sultats de Marchand et Wolsey [123] pour le probl`me de e e e sac ` dos continu. C. Le lifting e e s´quentiel permet d’utiliser les variables n’appartenant pas ` S et des fonctions de lifting e a superadditives afin de renforcer les in´galit´s valides d´finies pr´c´demment. On consid`re un ordre des ´l´ments de C e ee tel que a[1] ≥ · · · ≥ a[rC ] o` rC est le nombre d’´l´ments de C avec aj > λC . . – aj > λC . On consid`re : e p=1  (j − 1)λC . Les fonctions e e e e e de lifting superadditives permettent de renforcer les in´galit´s valides en traitant tout un e e ensemble de variables en une seule ´tape.68) si ArC − λC ≤ u min (λC . Posons A0 = 0 u ee et Aj = j a[p] . aj ∈ Z+ . ainsi que les adaptations effectu´es par Miller et al.67) j∈J avec J = {1. s) ∈ {0. (In´galit´s couvrantes continues.69) . j = 1. j ∈ J et b ∈ Z+ . Soit ({j } . . . . aj ) yj + j∈C D\j φC (aj ) yj ≤ j∈C\j min (λC . .  φC (u) = (j − 1)λC + [u − (Aj − λC )] . . aj ) + s (4. . . APPROCHE DE BRANCH-AND-CUT 4. Nous pouvons noter que µD = aj − λC = j∈D aj − j∈J aj − b > 0. rC (4. [132] pour le probl`me a e SPMCLSP. rC si Aj−1 − λC ≤ u ≤ Aj . n} . 1}n × R+ :    aj yj ≤ b + s.68 CHAPITRE 4. . .7 Lifting des in´galit´s couvrantes et des in´galit´s couvrantes e e e e inverses Dans cette section.1 Probl`me de sac-`-dos avec une variable continue e a D´finissons tout d’abord le probl`me suivant : e e   1 Y = (y. j = 1. e 4. D) une paire couvrante pour Y .   (rC − 1)λC + [u − (ArC − λC )] . C. C est donc une couverture et D une couverture inverse. . rC . D) une paire couvrante de Y tel que : – C ∩ D = {j } . . . C ∪ D = J . Pour plus de d´tails sur les fonctions superadditives e e le lecteur peut se reporter ` [75] et [190]. e e e e Proposition 10. L’in´galit´ e e si Aj−1 ≤ u ≤ Aj − λC .  (4. j = 1. afin d’am´liorer les in´galit´s couvrantes et les in´galit´s couvrantes inverses pour e e e e e le probl`me SPMCLS2. Marchand et Wolsey [123]) e e Soit ({j } . .

u ee u j Soit A0 = 0 et Aj = p=1 a[p] . . rD − 1 si Aj − µD ≤ u ≤ Aj . j = 1. L’in´galit´ e e si Aj ≤ u ≤ Aj+1 − µD . . .  ψD (u) = Aj − jµD . rD . On pose :  u − jµD .70) (aj − µD ) yj + j∈D j∈C\j ψD (aj ) yj ≤ j∈C\j ψD (aj ) + s (4. . .   ArD − rD µD . 4.37). j = 0.71) est valide pour Y et d´finit une facette pour conv(Y ). o` µD = aj − λC . On consid`re un ordre des ´l´ments de D tel e ee que a[1] ≥ · · · ≥ a[rD ] o` rD est le nombre d’´l´ments dans D avec aj > µD . . .7.2 – Fonction φC .3.7. LIFTING DES INEGALITES COUVRANTES ET COUVRANTES INVERSES est valide pour Y et d´finit une facette de conv(Y ). D) une paire couvrante de Y . e – T =I \S. . j = 1. . .´ ´ 4. rD − 1 si ArD − µD ≤ u (4.2. e e 4. e Une repr´sentation simple de ψC est donn´e par la figure 4. Rappelons que : e e – S est une couverture pour le probl`me SPMCLS2 . (In´galit´s couvrantes inverses continues. . C. Proposition 11. Marchand et Wolsey [123]) e e Soit ({j } . T est une partition de T . e Une repr´sentation simple de φC est donn´e par la figure 4. e e φC (u) 69 (k − 1)λS λC A0 A1 − λC A1 A2 − λC Ak−1 Ak − λC u Fig. . nous utilisons les r´sultats de Marchand et Wolsey [123] pour obtenir e des in´galit´s valides plus fortes que (4.2 Lifting des in´galit´s valides couvrantes du probl`me SPMCLS2 e e e Dans ce qui suit. . – T .

nous obtenons les propositions suivantes. on peut ´crire : e fi yi + vi di − vi si − vi ri ≤ c i∈S∪U En ajoutant i∈S∪U vi di yi aux membres de l’in´quation on aura : e fi yi + vi di − vi si − vi ri ≤ c + i∈S∪U i∈S∪U vi di yi + i∈S∪U vi di yi d’o` : u fi + vi di yi ≤ c + i∈S∪U i∈S∪U vi si + vi ri + vi di yi − vi di (4.74) .3) et (4. vi di − λS (1 − yi ) + φS fi + vi di yi + vi di (1 − yi ) i∈U i∈U (4.73) L’in´quation (4. APPROCHE DE BRANCH-AND-CUT Ak+1 − (k + 1)µD Ak − kµD A2 − 2µ2 A1 − µD A0 A1 − µD A1 A2 − µD A2 Ak Ak+1 Ak+1 − µD u Fig.3 – Fonction ψD . on aura : fi + vi di yi ≤ c + u i∈S∪U (4. – U ⊂T .70 ψD (u) CHAPITRE 4.72) si on pose u = i∈S∪U vi si + vi ri + vi di yi − vi di . Etant donn´s S une couverture de SPMCLS2 et U un sous-ensemble de e I \ S. 4.73) peut ˆtre donc consid´r´e comme une contrainte d’un probl`me de e e ee e sac-`-dos continu.68)) e e u e ˆ i∈S∪U vi (si + ri ) ≥ λS + e e ˆ i∈S n o   ˆ ˆ e e e max −fi . A partir des contraintes (4.28). L’in´galit´ (o` φS est d´finie par (4. Ainsi. a Proposition 12.

e Si |S| ≥ 2 et f[2] + v[2] d[2] ≥ λS . Soit S une couverture inverse de SPMCLS2 et U un sous-ensemble de I \S. Soit (U. fi + vi di yi + i∈S i∈U φS fi + vi di yi ≤ i∈S\{j} min λS . l’in´galit´ suivante est valide pour SPMCLS2. [|S|] e tel que f[1] + v[1] d[1] ≥ · · · ≥ f[|S|] + v[|S|] d[|S|] . vi di − λS (1 − yi ) + i∈U φS fi + vi di yi (4. nous obtenons ee e a les propostions suivantes. Soit S une couverture de SPMCLS2. La preuve est similaire ` celle de la proposition 5.72) peut ˆtre e e e e e e e consid´r´e comme une contrainte d’un probl`me de sac ` dos continu. fi + vi di + i∈S∪U vi si + vi ri + vi di yi − vi di Puisque fj + vj dj > λS .75) + i∈U vi di (1 − yi ) + λS f[2] + v[2] d[2] i∈T (vi xi − (µ1 − fi ) yi ) est valide pour SPMCLS2. .´ ´ 4.74) apr`s simplifications.7. . D’apr`s la proposition 10. . e e e min λS . L’in´galit´ e e . on a min(fj + vj dj . T ) une partition quelconque de I \ S et (T . e e e Proposition 13. On consid`re un ordre [1]. Proposition 14. Ainsi. l’in´galit´ e e vi (si + ri ) ≥ λS + i∈S∪U i∈S max −fi . On d´finit µ1 = f[1] + v[1] d[1] − λS . On obtient l’in´galit´ (4. LIFTING DES INEGALITES COUVRANTES ET COUVRANTES INVERSES est valide pour SPMCLS2. λS ) = λS . U ∪ {j } . fi + vi di − λS + i∈S∪U vi si + vi ri + vi di yi − vi di qui est valide pour SPMCLS2. on obtient : e e e e min λS . Preuve. En ajoutant min(fj + vj dj . nous pouvons noter que l’in´galit´ (4.7. λS ) − λS au membre droit de l’in´galit´ pr´c´dente. a 4. . T ) une partition quelconque de T . 71 Preuve. Soit ({j } . fi + vi di yi + i∈S i∈U φS fi + vi di yi ≤ i∈S min λS .3 Lifting des in´galit´s valides couvrantes inverses du probl`me SPMe e e CLS2 De la mˆme mani`re que pr´c´demment. S) une paire couvrante de SPMCLS2 tel que : fj + vj dj > λS .

76) apr`s simplifications. e e e Proposition 15. e a 4. Preuve. APPROCHE DE BRANCH-AND-CUT X i∈S∪U vi (si + ri ) ≥ e e X i∈S e e vi di − ψU fi + vi di   (1 − yi ) + X i∈U e vi di + X i∈U (fi − µS ) yi (4. On obtient l’in´galit´ (4.8 Heuristique de s´paration pour les in´galit´s couvrantes e e e Dans cette section.77) est valide pour SPMCLS2. .70)) e e e vi (si + ri ) ≥ i∈S∪U i∈S vi di − ψU fi + vi di    ψU fi + vi di   fi + vi di  i∈T (1 − yi ) + i∈U (fi − µS ) yi + i∈U vi di + min i∈S (vi xi − (µS − fi ) yi ) (4. Soit (U. l’in´galit´ e e e X i∈S e ψU fi + vi di yi +   X i∈U e fi + vi di − µS yi ≤  X i∈S e ψU fi + vi di +   X i∈S∪U e vi si + ri + di yi − di e e e   est valide pour SPMCLS2. T ) une partition quelconque de T . Preuve. vi di − λS (1 − yi ) − vi (s∗ + ri ) i (4. D’apr`s la proposition 11. .72 CHAPITRE 4. Pour ce faire. La e e seconde ´tape est de parcourir tous les ´l´ments i ∈ I \ S pour cr´er les ensembles U et T . On consid`re un ordre [1]. e Afin de cr´er une in´galit´ couvrante pour le probl`me SPMCLS2.76) est valide pour SPMCLS2. . nous pr´sentons une heuristique de s´paration pour la cr´ation e e e d’in´galit´s couvrantes pour le probl`me SPMCLS2. on g´n`re des in´galit´s couvrantes e e e e e e e e pour toute p´riode de l’horizon de planification qui correspond ` des in´galit´s couvrantes e a e e du probl`me SPMCLS2. Etant donn´s S une couverture inverse de SPMCLS2 et U ⊂ I \ S tel e que fi + vi di ≥ µS ∀i ∈ U .78) .36) et proposition 5). La d´monstration de cette proposition est similaire ` celle de la proposition 4. la premi`re ´tape est e e e e e e de d´finir un ensemble couvrant S afin de d´finir λS et µ1 (cf. qui sont ´galement valides pour le e e e e probl`me MCLS2. . (4. e ee e Nous utilisons une m´thode gloutonne pour la cr´ation de l’ensemble S. [|U |] tel que f[1] + v[1] d[1] ≥ · · · ≥ e f[|U |] + v[|U |] d[|U |] . En effet. pour le probl`me pr´c´dent. e e nous ordonnons les ´l´ments i ∈ I selon un ordre d´croissant par rapport ` la valeur : ee e a ∗ ∗ max −fi . T ) une partition de quelconque I \ S et (T . L’in´galit´ (ψU est d´finie par (4.

Cependant. On rajoute les ´l´ments ordonn´s ee e ee e selon la formule (4. La seconde ´tape consiste ` examiner tous les ´l´ments i ∈ I \ S afin de cr´er e a ee e les ensembles U et T . La formule (4. Pour ce faire. Puisque chaque p´riode est examin´e s´par´ment dans probl`me SPMCLS2 est en O(N e e e e e la cr´ation des in´galit´s valides pour le probl`me MCLS2. Or.79) On remarque que la formule (4. on parcourt les ´l´ments i ∈ I \ S e ee et on teste si la valeur de la somme des membres de l’in´galit´ (4. U et T . λS n’est pas connue d’avance.79) jusqu’` l’obtention d’un ensemble couvrant.78) repr´sente la contribution de la violation de l’in´galit´ e e e ee e (4. e e nous ordonnons les ´l´ments i ∈ I selon un ordre d´croissant par rapport ` la valeur : ee e a ∗ ∗ (1 − yi ) − vi (s∗ + ri ) i vi di − ψU fi + vi di (4. L’ensemble couvrant S est cr´´ de mani`re gloutonne.80) repr´sente la contribue e tion de la violation de l’in´galit´ (4. HEURISTIQUE DE SEPARATION POUR LES INEGALITES COUVRANTES INVERSES73 La formule (4. alors en pratique la formule (4.´ ´ ´ 4.79). e ∗ fi + vi di yi (4. L’heuristique de s´paration pour la g´n´ration d’in´galit´s couvrantes pour le ee e e e e e 2 ).79) est utilis´e. alors l’heuristique de s´paration e e e e e est en O(N 2 T ) pour le probl`me pr´c´dent. on cr´e une in´galit´ valide en se basant sur l’in´galit´ e e e e e (4. e e e 4. a Pour la cr´ation de l’ensemble U (respectivement T ).75). La valeur de (4. Si c’est le cas. e e Le principe pr´c´demment d´crit est traduit par l’algorithme 2. on rajoute les ´l´ments i ` U (respectivement a ee a a ` T ).9.80) De la mˆme fa¸on. La valeur de (4.77) par la r´f´rence i ∈ S et d´pend de µS . nous allons trier les r´f´rences i ∈ I selon ee un ordre d´croissant par rapport ` leurs consommations en ressources en utilisant la formule e a (4. Si la valeur de l’in´galit´ est positive on obtient une coupe. A partir des ensemble S.79) repr´sente la consommation en ressources de la r´f´rence e ee i si la demande di est produite. nous estimons la valeur de λS .78) donnerait un meilleur ensemble S mais ne peut ˆtre utilis´e puisque e e λS n’est pas connue. Pour ce faire. Nous utilisons une m´thode gloutonne pour la cr´ation de l’ensemble S. µS n’est e e ee e .78) est obtenue ` partir de l’in´galit´ (4.51)).77) en ne e c a e e consid´rant que les termes en relation avec S.80) est obtenue ` partir de l’in´galit´ (4.75) en ne consid´rant que les termes a e e e en relation avec S. Donc.9 Heuristique de s´paration pour les in´galit´s couvrantes e e e inverses L’id´e de l’heuristique de s´paration des in´galit´s couvrantes inverses est similaire ` la e e e e a pr´c´dente.75) par la r´f´rence i ∈ S et d´pend de λS . La premi`re ´tape consiste ` cr´er un ensemble couvrant inverse S afin de d´finir e e e e a e e µS (voir (4.75) appartenant ` U e e a (respectivement ` T ) est positive. e e e On rappelle que l’´valuation de la fonction superadditive φS est en O(N ) pour chaque e r´f´rence. la formule (4.

Puisque chaque p´riode est examin´e s´par´ment dans e e e e e la cr´ation des in´galit´s valides pour le probl`me MCLS2. .79) est utilis´e. L’heuristique de s´paration pour la g´n´ration d’in´galit´s couvrantes inverses pour ee e e e e e le probl`me SPMCLS2 est en O(N 2 ). U et T est viol´e) alors e e e e Ajouter l’in´galit´ (4. Pour ce faire. .79)..74 CHAPITRE 4. Nous rapportons des r´sultats dans le cadre de e e e e e e e l’utilisation d’une m´thode de cut-and-branch et de branch-and-cut. T ← ∅. e La m´thode cut-and-branch consiste ` n’ajouter des coupes qu’au nœud racine de l’arbre e a de branch-and-bound dans le but d’am´liorer la borne inf´rieure.. G´n´ralement. nous ordonnons les r´f´rence i ∈ I selon l’ordre d´croissant par rapport ` leur consommation en ressources en ee e a utilisant la formule (4. La m´thode branch-and-cut e e e consiste ` ajouter des coupes non seulement au premier nœud mais ´galement ` d’autres a e a nœuds de l’arbre de recherche. e e finsi pas connue d’avance. APPROCHE DE BRANCH-AND-CUT Algorithme 2 Heuristique de s´paration des in´galit´s couvrantes e e e 1: Ordonner les ´l´ments de I dans l’ordre d´croissant selon la formule (4. e e e 4. Le e e e principe de cette heuristique est illustr´ par l’algorithme 3. ee e 2: S ← ∅.79). La formule (4. alors en pratique la formule (4. .75) au nœud courant.80) donnerait de meilleurs ensembles S mais ne peut ˆtre utilis´e puisque µS n’est pas connue.N 4: S ← {[1]. Alors.75) bas´e sur S. [i ]} 5: i1 ← arg maxi∈S i k=1 f[k] + v[k] d[k] > c fi + vi di 6: i2 ← arg maxi∈S\{i1 } fi + vi di 7: λS ← i k=1 f[k] + v[k] d[k] − c 8: si (|S| ≥ 2) et (fi2 + vi2 di2 ≥ λS ) alors 9: 10: 11: 12: 13: 14: 15: 16: 17: 18: 19: 20: 21: 22: µ1 ← fi1 + vi1 di1 − λS i←i +1 tant que (i ≤ N ) faire ∗ ∗ ∗ si (φS f[i] + v[i] d[i] y[i] + v[i] d[i] 1 − y[i] − v[i] s∗ + r[i] > 0) alors [i] U ← U ∪ {[i]} ∗ sinon si (v[i] x∗ > µ1 − f[i] y[i] ) alors [i] T ← T ∪ {[i]} finsi i←i+1 fin tant que finsi si (L’in´galit´ (4. i ← 0 3: i ← arg mini=1. . U ← ∅.. e On rappelle que l’´valuation de la fonction superadditive ψS est en O(N ) pour chaque e r´f´rence. on estime la valeur de µS . nous pr´sentons des r´sultats exp´rimentaux issus de l’utilisation des e e e in´galit´s valides pr´sent´es pr´c´demment. les coupes ne sont rajout´es qu’` un souse e e a . alors l’heuristique de s´paration e e e e e est en O(N 2 T ) pour le probl`me pr´c´dent.10 Impl´mentation et analyse des r´sultats e e Dans cette section..

i ← i + 1 tant que (i ≤ N ) faire ∗ ∗ si ( f[i] − µS y[i] + v[i] d[i] − v[i] s∗ + r[i] > 0) alors [i] U ← U ∪ {[i]} ∗ sinon si (v[i] x∗ − µS − f[i] y[i] > 0) alors [i] T ← T ∪ {[i]} finsi i←i+1 fin tant que si (L’in´galit´ (4. On rappelle que σit repr´sente la derni`re p´riode ` e e e a laquelle peut ˆtre consomm´e la production de la r´f´rence i ` la p´riode t. e e e e a n. ee e 2: S ← ∅.1 Instances de test Nous avons effectu´ des tests sur une s´rie d’instances ´tendues de la librairie de lot-sizing e e e LOTSIZELIB [114]. o` N est le nombre de r´f´rences et T le nombre de p´riodes. IMPLEMENTATION ET ANALYSE DES RESULTATS Algorithme 3 Heuristique de s´paration des in´galit´s couvrantes inverses e e e 1: Ordonner les ´l´ments de I dans l’ordre d´croissant selon la formule (4. Tous les a e tests ont ´t´ effectu´s sur un ordinateur personnel ´quip´ d’un microprocesseur Pentium IV ee e e e 2.10. Elles e sont ´galement caract´ris´es par des coˆts de setup importants. [172]. i ← 1 3: tant que (i ≤ N ) faire 4: S ← S ∪ {i } 5: 6: 7: 8: 9: 10: 11: 12: 13: 14: 15: 16: 17: 18: 19: 20: 21: 22: 23: 24: 25: 75 µS = c − j=1 f[j] + v[j] d[j] si (µS < 0) alors T ← ∅.0 fournit des fonctions de callback qui e e e permettent ` l’utilisateur d’impl´menter son propre algorithme de branch-and-cut. CPLEX 9. des petits besoins fixes en e e e u ressources (temps de setup) et pas de σit .66 GHz. e e Nos algorithmes sont impl´ment´s en langage C++ et ils sont int´gr´s ` un logiciel d’APS.´ ´ 4. sont not´es T rN −T .0 [110] pour e la r´solution des probl`mes lin´aires mixtes.79). Les instances de Trigeiro e et al.10.77) au nœud courant. initialement d´crites dans Trigeiro et al. Elles e u ee e sont caract´ris´es par une consommation variable en ressources ´gale ` 1.77) bas´e sur S. U ← ∅. 4. e e i ←N +1 sinon i ←i +1 finsi sinon i ←N +1 finsi fin tant que i ensemble de nœuds de l’arbre de branch-and-bound afin de ne pas ralentir le temps CPU total en r´solvant le probl`me. et des capacit´s e e e a e suffisantes pour satisfaire la totalit´ de la demande sur tout l’horizon de planification. Nous utilisons la librairie de programmation lin´aire mixte CPLEX 9.SKEP. U et T est viol´e) alors e e e e Ajouter l’in´galit´ (4. Les caract´ristiques e e ee a e e .

nous avons e e e apport´ des modifications sur les besoins fixes en ressources (temps de setup). [172] sont d´crites dans le tableau 4.001 × ct . βi t . e e – Classe 1 : La premi`re classe est obtenue en augmentant le besoin variable en ressources e et en rajoutant des σit . le besoin variable en ressources et en rajoutant des σit . Ces coˆts sont g´n´r´s de la e e e e e u e ee mˆme fa¸on pour toutes les instances d´crites pr´c´demment. les demandes au d´but de l’horizon correspondent ` des e a ordres de fabrication r´els et non ` des pr´visions.1 – Instances de Trigeiro et al. T repr´sente le nombre de p´riodes. Nous avons ´galement g´n´r´ des coˆts de rupture sur la demande. e Instance tr6−15 tr6−30 tr12−15 tr12−30 tr24−15 tr24−30 N 6 6 12 12 24 24 T 15 30 15 30 15 30 Tab.1 × ct . [172]. nous avons effectu´ quelques modifications afin d’induire des rupe tures sur la demande. tandis que les demandes ` la fin de l’horizon e a e a sont g´n´ralement des pr´visions et sont donc moins p´nalis´es. γi t }. En effet. Donc.10. sont caract´ris´es par des capacit´s suffisantes pour e e e satisfaire toute la demande. e e ee u Nous donnons plus de d´tails dans la suite. Les coˆts ϕit ont la particularit´ de e c a u e d´croˆ e ıtre dans le temps. e e e 3 – Classe 2 : La seconde classe est obtenue en effectuant les mˆmes modifications sur les e besoins variables en ressources que la premi`re classe.1. ct repr´sente la capacit´ en ressources disponible ` la e e a p´riode t.2 Interpr´tation des r´sultats e e Nous avons effectu´ une comparaison entre les deux m´thodes suivantes : e e – Un algorithme bas´ sur le branch-and-cut standard du solveur CPLEX que l’on note e BC . e Les nouvelles instances sont synth´tis´es en 4 classes de 6 instances chacune. Les σit sont g´n´r´s de telle sorte e e ee qu’on ne puisse pas anticiper la production pour plus de 2 T p´riodes. Ils sont e augment´s en les multipliant par un coefficient 1 + τ tel que τ ≈ 0. e c e e e 4. 4. Nous avons d´riv´ 24 nouvelles instances ` partir des instances T rN −T e e a en augmentant le besoin fixe en ressources (temps de setup). e – Classe 4 : La derni`re classe est obtenue en apportant les mˆmes modifications sur les bee e soins fixes et besoins variables en ressources que la troisi`me classe. e 3 – Classe 3 : La troisi`me classe est bas´e sur la premi`re classe. En effet. Le besoin variable en ressources est multipli´ par un coefficient e 1 + ρ tel que 0 ≤ ρ ≤ 0. Les σit sont g´n´r´s e e ee de telle sorte qu’on ne puisse pas anticiper la production pour plus de 2 T p´riodes.t {αi t . Puisque les instances de Trigeiro et al. Les σit sont g´n´r´s de telle sorte qu’on ne puisse pas anticiper la production e e ee pour plus de 1 T p´riodes. e 3 Les coˆts de rupture sur la demande sont consid´r´s comme des p´nalit´s. ϕit sont u ee e e fix´s de fa¸on ` ce que ϕit >> maxi . APPROCHE DE BRANCH-AND-CUT des instances de Trigeiro et al. .76 CHAPITRE 4.

2 et 3 (voir les e sections 4. Une autre raison est que quand les relaxations lin´aires continues sont plus fortes. e e e e e Pour les deux algorithmes BC et BC+. le lecteur peut se e e e r´f´rer ` Padberg et al.´ ´ 4. De plus. ee a Pour tous les algorithmes. e il est plus facile de trouver des solutions enti`res. LB et U B repr´sentent respectivement la borne inf´rieure et e e la borne sup´rieure ` la fin de l’algorithme. UCuts est le nombre de coupes sp´cialis´es ajout´es dans l’algoe e e rithme de branch-and-cut (in´galit´s couvrantes. Les coupes flow cover fonctionnent bien pour les probl`mes de lot-sizing e en raison de la structure de flots induite par les contraintes de flux (4. e e e e a et le second est le temps CPU not´ T ime. Il s’agit des coupes flow cover et des coupes Mixed Integer Rounding (MIR) du e solveur CPLEX 9. Les in´galit´s e e e e valides qu’on a propos´ sont int´ressantes puisque toutes les bornes fournies par BC+ sont e e meilleures que celles fournies par BC. Pour une description des coupes flow cover. La strat´gie de branchement dans la m´thode de branch-and-bound est une recherche en e e profondeur d’abord afin de trouver une solution r´alisable. On peut ´galement noter que les bornes sup´rieures obtenues par BC+ sont meilleures e e que celles obtenues par BC. Une raison est qu’une meilleure borne inf´rieure peut ˆtre e e e utilis´e pour ´laguer les nœuds domin´s de l’arbre de recherche et permet ` l’algorithme de e e e a branch-and-bound de visiter des branches plus int´ressantes afin de trouver de meilleures e solutions. Pour plus de d´tails sur les in´galit´s MIR. g´n´ralement une bonne borne inf´rieure implique e e e de meilleures bornes sup´rieures. 4. N BN odes est le nombre de nœuds explor´s dans e a e l’arbre de branch-and-bound.8 et 4. in´galit´s couvrantes inverses et in´galit´s e e e e e e (l.1 par l’ensemble de contraintes (4. FCuts et M IRCuts repr´sentent respectivement le nombre de coupes flow cover et MIR e ajout´es par le solveur durant l’algorithme de branch-and-cut.2. Le rapport entre ces deux nombres varie entre 150% et 500% pour e . IMPLEMENTATION ET ANALYSE DES RESULTATS 77 – Un algorithme bas´ sur le branch-and-cut standard du solveur CPLEX incluant toutes e les coupes pr´sent´es pr´c´demment not´e BC+. La comparaison des algorithmes e est bas´e sur les deux crit`res suivants : le premier appel´ GAP est ´gal ` (U B − LB) /U B. e e D’apr`s le tableau 4. La mˆme proc´dure a e e e e e est poursuivie dans l’arbre de recherche.1)-(4.2 r´capitule les r´sultats exp´rimentaux bas´s sur un crit`re d’arrˆt de temps.0. e e e Il est ´vident. le nombre de nœuds explor´s par la m´thode BC est beaucoup plus ´lev´ que e e e e celui explor´ par BC+.2). Nemhauser et Wolsey [138] et ee a Wolsey [194]. que BC+ r´sout les instances de test plus efficacement que BC. Deux types de coupes g´n´rale pour les probl`mes lin´aires mixtes sont activ´s pour toutes e e e e e les m´thodes. parce que la solution lin´aire continue est e e souvent enti`re ou bien parce que les heuristiques bas´es sur les programmes lin´aires continus e e e du solveur sont plus efficaces.9) jusqu’` ce qu’il n’y ait plus aucune in´galit´ viol´e. nous utilisons les algorithmes 1. [156] et Van Roy et Wolsey [179]. e Au nœud racine de la m´thode BC+. Une borne sup´rieure est obtenue e e quand la solution est enti`re ou par l’heuristique de programmation lin´aire du solveur. En effet. S)).4. e e Le tableau 4. on peut facilement remarquer qu’utiliser les in´galit´s valides e e e pr´sent´es dans ce chapitre am´liore les performances de l’algorithme de branch-and-cut.10. e e e e e e Un temps d’ex´cution maximum de 600 secondes est allou´ pour tous les algorithmes. nous avons utilis´ le mod`le agr´g´ d´fini dans la e e e e e section 4. le lecteur peut se r´f´rer ` Gomory [70]. Les coupes MIR sont principalement appliqu´es aux contraintes de capacit´ et e e aux contraintes de production.7).

07% 2.32% 4.17% 9.15% 9.09% 4.73% 2.21% 2.58% 8.91% 3.43% 5.13% 1.91% 19.06% 20.19% 9.73% 4.77% 1.89% 2.09% Tab.55% 2.2 – R´sultats exp´rimentaux : crit`re d’arrˆt temps CPU e e e e .77% 9.53% 9.37% 2. 4.63% 15.97% 5.92% 2.46% 0.83% 2.60% 1.92% 9.77% 5.43% 1.16% 4.71% 17.62% 4.28% 0.39% 0.24% 10.03% 8.73% 1.86% 3.35% 1.80% 10.43% 1.76% 8. APPROCHE DE BRANCH-AND-CUT N T Classe 1 6 15 6 15 6 30 6 30 12 15 12 15 12 30 12 30 24 15 24 15 24 30 24 30 Classe 2 6 15 6 15 6 30 6 30 12 15 12 15 12 30 12 30 24 15 24 15 24 30 24 30 Classe 3 6 15 6 15 6 30 6 30 12 15 12 15 12 30 12 30 24 15 24 15 24 30 24 30 Classe 4 6 15 6 15 6 30 6 30 12 15 12 15 12 30 12 30 24 15 24 15 24 30 24 30 M´thode e BC BC+ BC BC+ BC BC+ BC BC+ BC BC+ BC BC+ BC BC+ BC BC+ BC BC+ BC BC+ BC BC+ BC BC+ BC BC+ BC BC+ BC BC+ BC BC+ BC BC+ BC BC+ BC BC+ BC BC+ BC BC+ BC BC+ BC BC+ BC BC+ UB 4 038 212 4 030 456 4 536 980 4 492 288 7 669 660 7 651 166 8 772 505 8 609 716 14 117 000 14 082 000 23 619 000 23 558 000 4 032 790 4 034 967 4 530 576 4 520 148 7 664 197 7 666 557 8 793 271 8 675 000 14 118 000 14 112 000 23 634 000 23 647 000 5 300 603 5 268 911 7 210 627 7 138 995 12 345 000 12 178 000 15 728 000 15 641 000 26 330 000 26 038 000 43 446 000 43 476 000 5 295 547 5 312 724 7 202 452 7 059 530 12 256 000 12 348 667 15 697 000 15 588 917 26 463 000 26 452 668 43 364 000 42 619 192 LB 3 979 268 3 999 352 4 124 370 4 271 466 7 495 023 7 610 635 7 903 312 8 345 637 13 780 000 13 995 000 22 879 000 23 180 000 3 978 178 3 987 919 4 120 298 4 269 236 7 477 993 7 528 738 7 899 450 8 250 948 13 776 000 13 850 000 22 875 000 23 002 000 5 167 025 5 228 874 6 581 190 6 798 534 11 632 000 11 945 000 12 710 000 14 081 000 24 822 000 25 613 000 36 863 000 39 202 000 5 170 187 5 204 658 6 581 498 6 736 455 11 222 000 11 724 138 12 520 000 14 002 210 23 996 000 25 207 181 35 593 000 38 745 933 N BN odes 123 900 70 000 34 000 10 300 62 600 19 600 25 600 1 500 73 600 10 300 11 800 300 120 900 47 400 34 700 6 800 57 600 14 500 22 800 1 900 69 600 6 800 13 200 300 74 000 53 000 34 400 14 000 5 700 5 900 14 500 3 700 10 700 3 500 3 600 10 79 200 48 710 32 800 11 600 21 400 6 221 18 000 2 293 14 500 3 180 4 600 160 UCuts 0 397 0 877 0 517 0 2 063 0 796 0 4 048 0 248 0 667 0 439 0 1 506 0 731 0 2 798 0 375 0 539 0 1 239 0 2 160 0 603 0 3 559 0 25 386 0 14 323 0 8 332 0 9 234 0 6 268 0 3 313 M IRCuts 309 87 625 100 616 257 607 64 370 83 837 134 304 157 637 217 546 201 630 240 315 133 742 388 347 205 664 372 692 179 1 014 74 850 437 941 55 324 190 674 414 775 269 932 463 798 427 959 460 FCuts 254 160 523 200 464 300 717 364 600 445 1 298 807 253 2 001 499 274 532 393 693 456 669 619 1 335 1 120 216 129 484 251 358 191 456 153 445 408 993 292 230 160 462 277 304 255 492 420 466 380 926 604 GAP 1.62% 3.18% 9.06% 5.78 CHAPITRE 4.52% 0.

16% 43. des in´galit´s couvrantes et des in´galit´s couvrantes inverses g´n´r´es par BC+.05% %RCcuts 1. l’observation pr´c´dente peut ˆtre expliqu´e par le fait que les coupes sp´cialis´es e e e e e e dominent une partie des coupes g´n´rales du solveur.52% 1. e e e e On peut ´galement remarquer que les probl`mes avec un σit faible ont un plus grand e e GAP que ceux avec un plus grand σit .19% 71. en utilisant les algorithmes BC et BC+.98% 17.41% 60.89% 34. En effet. e e En effet.84% 85.32% 1.3 – R´sultats exp´rimentaux : pourcentage de coupes g´n´r´es.69% 45. 53% pour e e la seconde classe.08% 0.18% 83.13% 69.3 montre le pourcentage des coupes g´n´r´es par BC+ pour toutes les inse ee tances. Un e e e e e ee temps CPU limite de 600 secondes est allou´.57% 6.58% 6.62% 13.78% 71.06% 0.20% 64.05% %Ccuts 77. %Ccuts et %RCcuts repr´sentent respectivement le pourcentage des in´galit´s e e e (l.2.80% 55.31% 31.05% 0.08% 14.60% 22.48% 33.78% 2. Puisque les coupes sp´cialis´es sont g´n´r´es avant les coupes g´n´rales e e e e e ee e e du solveur.11% 59.32% 86.34% 0.93% 81.00% 87.80% 97.10.93% 51.56% 39. en activant les coupes que nous avons d´velopp´es.24% 21.64% 71. La moyenne d’am´lioration e e e e de la borne inf´rieure au premier nœud de BC+ est de 80% pour la premi`re classe. e e e ee . le fait de g´n´rer des coupes prend du temps et avoir plusieurs coupes ralentit les e e r´solutions continues ` chaque nœud.23% 2. on remarque que les instances de la troisi`me et de la e quatri`me classe sont beaucoup plus difficiles que celles de la premi`re et de la seconde classe.11% 38.16% 28.36% 27.11% 45.´ ´ 4. S). les probl`mes de la troisi`me et de la quatri`me classe sont caract´ris´s par un besoin e e e e e fixe en ressources plus ´lev´ que celui des probl`mes de la premi`re et de la seconde classe.20% 9.51% 2. L’analyse g´n´rale des r´sultats exp´rimentaux montre qu’ajouter des in´galit´s valides e e e e e e au premier nœud am´liore consid´rablement la borne inf´rieure.90% Tab.97% 27. En effet.06% 0.17% 14.04% 0.16% 2.96% 18.68% 68. les instances de classe 1 et 2 ont atteint un GAP plus petit que celui des instances de classe 2 et 4.04% 0.30% 15.49% 9. e a e Le tableau 4. e a e e le solveur g´n`re un nombre de coupes g´n´rales inf´rieur ` celui obtenu en d´sactivant nos e e e e e a e coupes sp´cialis´es. Ce rapport est e e le pourcentage obtenu entre la meilleure borne inf´rieure observ´e au premier nœud de BC e e et la meilleure trouv´e ` la fin de la m´thode BC+. %lScuts . IMPLEMENTATION ET ANALYSE DES RESULTATS 79 les instances de petite taille et entre 300% et 36000% pour les instances de plus grande taille. e e En visualisant le tableau 4. e N T Class 1 12 15 12 30 24 15 24 30 6 15 6 30 Class 2 12 15 12 30 24 15 24 30 6 15 6 30 %lScuts 4.05% N T Class 3 12 15 12 30 24 15 24 30 6 15 6 30 Class 4 12 15 12 30 24 15 24 30 6 15 6 30 %lScuts 21.03% 72.44% 27.56% 2.04% 0. 4.00% 0.46% %Ccuts 95.35% 93.18% 90.78% 80.43% 10. 73% pour la troisi`me classe et 48% pour la derni`re classe.11% 0.30% 77.11% 0.92% 1.01% 0.49% %RCcuts 0. Ainsi.

e e Ces tests montrent que la famille des in´galit´s (l.80 CHAPITRE 4. S). BC+ atteint un GAP moins ´lev´ que celui de BC pour e e e . GAPlS . except´ pour les instances ` 6 r´f´rences. S). GAPC et GAPRC e e repr´sentent respectivement.37% 1.5. Utiliser la famille e e e e des in´galit´s couvrantes inverses toute seule n’est r´ellement pas efficace.45% 11. le GAP quand seules les in´galit´s (l. Puisque nous n’avons pu r´soudre e a e aucun probl`me ` l’optimum en un temps CPU raisonnable. on peut facilement remarquer que pour atteindre le mˆme GAP .28% 12. Nous avons utilis´ le GAP obtenu ` la fin de e a BC comme un crit`re d’arrˆt pour BC+.60% 7.4 – R´sultats exp´rimentaux par famille de coupes. S) que de coupes couvrantes pour les classes 1 et 2.03% 2.24% 1.39% 9. S)). On peut ´galement noter que BC+ a g´n´r´ plus de coupes e ee e e e ee (l. les in´galit´s coue e e e e vrantes et les in´galit´s couvrantes inverses sont respectivement utilis´es.93% 0. e e e N T Class 1 12 15 12 30 24 15 24 30 6 15 6 30 Class 3 12 15 12 30 24 15 24 30 6 15 6 30 GAPlS 0.56% 4.45% 19. e BC+ n’a pas besoin d’autant de nœuds et de temps CPU que la m´thode BC.55% 1. in´galit´s couvrantes inverses et in´galit´s (l.19% 4.33% 1. on peut noter que le pourcentage des coupes couvrantes inverses e g´n´r´es par BC+ est tr`s petit.16% 14.40% 9.88% GAPC 2. BC+ a g´n´r´ plus de coupes couvrantes que de coupes e e ee (l.40% 2. except´ pour les instances ` 24 r´f´rences e a ee et 30 p´riodes.3. Le tableau 4.87% 0.44% 3.43% 10.27% GAPCR 2. On peut e noter ´galement que sans brancher. 4. S) est la plus efficace.5 r´sume les r´sultats exp´rimentaux sur la classe e e e d’instance 1 en utilisant le GAP comme crit`re d’arrˆt.71% Tab.50% 3.71% 4. e a ee Nous avons ´galement test´ BC+ en utilisant chaque famille d’in´galit´s valides s´par´ment e e e e e e (in´galit´s couvrantes. e e e Afin de donner une comparaison appropri´e concernant le nombre de coupes ajout´es e e et le nombre de nœuds explor´s pour les deux algorithmes BC et BC+.20% 7. S).10% 4.48% 11.4 r´sume e e e e e e e les r´sultats exp´rimentaux sur les classes d’instances 1 et 3. Pour les classes 3 et 4.40% 5.63% 2.68% 5. La famille des e e in´galit´s couvrantes est moins efficace que la famille des in´galit´s (l. nous avons utilis´ un crit`re de e a e e temps CPU limite de 1800 secondes pour BC. e e A partir du tableau 4.65% 1.40% 10.32% 14. nous avons r´solu e e quelques probl`mes jusqu’` atteindre un GAP minimum.02% 2.54% 3. Le tableau 4. APPROCHE DE BRANCH-AND-CUT D’apr`s le tableau 4.17% 2. Nous avons ´galement utilis´ un temps CPU limite e e e e de 1800 secondes pour BC+.

e e o De plus. On peut ´galement noter que les bornes sup´rieures obtenues par BCF L sont e e e meilleures que celles obtenues par BC et BC+.65% 2. la formulation bas´e sur le probl`me de locae e e e lisation d’entrepˆts n´cessite plus de variables et de contraintes que le mod`le agr´g´.00% T ime 1800 53 1800 13 1800 2 1800 35 1800 4 1800 175 81 Tab. Un e e e e e temps CPU maximum de 600 secondes est allou´ ` BCF L .18) (voir page 4.18% 2. IMPLEMENTATION ET ANALYSE DES RESULTATS N T Class 1 6 15 6 15 6 30 6 30 12 15 12 15 12 30 12 30 24 15 24 15 24 30 24 30 M´thode e BC BC+ BC BC+ BC BC+ BC BC+ BC BC+ BC BC+ N BN odes 420 821 9 810 105 911 110 174 601 40 75 836 0 206 400 0 42 796 10 UCuts 0 517 0 1924 0 783 0 4048 0 326 0 848 M IRCuts 309 14 625 64 617 33 747 134 433 88 880 81 FCuts 254 183 523 364 464 377 808 807 638 158 1 417 184 GAP 1.10.05% 9. e e e e l’instance avec 12 r´f´rences et 30 p´riodes et pour celle avec 30 r´f´rences et 24 p´riodes. Les bornes inf´rieures de BCF L et BC sont e presque ´quivalentes. on peut facilement noter qu’utiliser la formulation bas´e sur e le probl`me de localisation d’entrepˆts am´liore consid´rablement les performances de la e o e e m´thode BC. [150]) ont montr´ ` partir des r´sultats exp´rimentaux qu’utiliser le ea e e mod`le bas´ sur le probl`me de localisation d’entrepˆts fournit une meilleure borne inf´rieure e e e o e bas´e sur la relaxation lin´aire continue. Les ee e ee e coupes am´liorent consid´rablement le GAP au nœud racine. le nombre de nœuds explor´s par la m´thode BC est beaucoup plus grand que e e celui explor´ par la m´thode BCF L .94% 8.´ ´ 4.6. ea A partir du tableau 4. e e e .00% 2. Nous avons e e e e e effectu´ des exp´rimentations en utilisant la formulation bas´e sur le probl`me de localisation e e e e d’entrepˆts d´fini par l’ensemble de contraintes (4.5 – R´sultats exp´rimentaux : crit`re d’arrˆt GAP. e e Plusieurs auteurs ([26]. e a Des r´sultats exp´rimentaux nous ont montr´ que pour r´soudre la relaxation lin´aire contie e e e e nue de la formulation bas´e sur le probl`me de localisation d’entrepˆts. Cette o e e e e nouvelle formulation ralentit la r´solution continue ` chaque nœud de l’arbre de recherche. mais le nombre e e ee de coupes MIR est plus important pour BCF L que BC et BC+.1).10)-(4. e On peut aussi noter que le nombre de coupes de type flow cover g´n´r´es par BCF L est e ee inf´rieure au nombre de coupes de type flow cover g´n´r´es par BC et BC+.6. que celle obtenue par le mod`le agr´g´. nous avons besoin de e e o deux fois plus de temps CPU que la relaxation lin´aire continue de la formulation agr´g´e.51% 7. o e On note BCF L la m´thode branch-and-cut utilisant cette formulation. En effet. Quelques r´sultats e e pr´liminaires corroborant l’observation pr´c´dente sont pr´sent´s dans le tableau 4.60% 8.03% 0. Cette observation peut ˆtre expliqu´e par le fait que l’on perd la structure de flots dans BCF L quand on utilise la e e formulation bas´e sur le probl`me de localisation d’entrepˆts.66% 2.14% 0.88% 3. 4.

96 11 873 157.34 5 221 642.02% 7.23 5 283 361.67 7 617 456.19 8 395 989.16 39 478 865.18 4 029 454.64 14 289 324.34% 2.17 23 376 275.65 15 791 339. APPROCHE DE BRANCH-AND-CUT N T Class 1 6 15 6 30 12 15 12 30 24 15 24 30 Class 2 6 15 6 30 12 15 12 30 24 15 24 30 Class 3 6 15 6 30 12 15 12 30 24 15 24 30 Class 4 6 15 6 30 12 15 12 30 24 15 24 30 M´thode e BCF L BCF L BCF L BCF L BCF L BCF L BCF L BCF L BCF L BCF L BCF L BCF L BCF L BCF L BCF L BCF L BCF L BCF L BCF L BCF L BCF L BCF L BCF L BCF L UB 4 026 868.08 7 643 808.31% 0.93 15 733 789.53% 2.28 5 269 002.30 14 030 093.21 6 747 385.73% Tab.12 4 405 696.22% 2.81 14 066 432.86% 2.40 23 448 512.82 CHAPITRE 4.04 25 382 177.75 11 884 973.27 14 274 164.81% 6.26 6 756 064.29 26 418 930.6 – R´sultats exp´rimentaux utilisant la formulation bas´e sur le probl`me de localie e e e sation d’entrepˆts.29% 0.18 42 785 525.40% 3.15% 0.37% 9.47 7 204 214.51% 2.67 4 310 759.64 7 616 239.33 4 311 196.93 14 029 609.72% 9.28% 3.27 23 377 590.04 39 476 381.10 N BN odes 38 608 6 358 11 702 10 067 30 155 6 597 40 480 6 061 11 110 9 369 24 885 7 724 15 626 2 157 2 091 612 3 043 340 16 421 2 459 2 278 657 2 857 394 M IRCuts 573 1 042 1 145 474 126 118 572 1 050 1 139 500 157 99 495 771 845 785 586 271 493 736 852 708 448 208 FCuts 62 82 84 53 127 89 56 83 84 35 129 82 52 161 122 115 171 149 53 116 73 64 94 107 GAP 0.37% 6.24 25 529 298. 4.97 8 396 173.02 7 167 284.26% 0.06 14 050 681. o .02% 0.71 42 184 825.40% 2.68 12 217 281.83 4 008 242.01 12 161 284.21 25 906 049.34% 0.42% 0.24 23 460 743.14% 0.06 5 226 125.32 7 646 515.26 8 592 762.17% 5.52 4 445 157.50 8 596 922.35% 1.04 LB 4 010 676.

Il serait vraiment int´ressant de g´n´raliser les in´galit´s valides e e e e e pr´sent´es dans ce chapitre ` la formulation bas´e sur le probl`me de localisation d’entrepˆts e e a e e o du probl`me MCLS2 et de les tester dans une proc´dure de branch-and-cut. S).7 – R´sultats exp´rimentaux : R´solution ` l’optimum e e e a A partir du tableau 4. Nous allons montrer au e e e chapitre suivant qu’en rajoutant la notion de stock de s´curit´.´ ´ ´ ´ 4.42 14. On remarque ´galement que la m´thode BC+ explore beaucoup moins e e de nœuds que BC. le mod`le agr´g´ donne de e e e e e meilleurs r´sultats que le mod`le d´sagr´g´. 4. La m´thode BC+ est deux fois plus rapide que BC pour la e e r´solution de l’instance ` 24 r´f´rences. Cette e e a modification est bas´e sur la r´duction du nombre de p´riodes.79 Tab. nous avons apport´ quelques modifications ` trois instances de la classe 3 afin de e a cr´er des instances que l’on peut r´soudre ` l’optimum en temps CPU raisonnable.7. nous pr´sentons une g´n´ralisation des in´galit´s (l.7 r´capitule e ee e e les r´sultats exp´rimentaux de la r´solution ` l’optimum des ces instances en utilisant les e e e a m´thodes BC.45 2.7. OP T repr´sente la valeur de la fonction objectif.11. GENERALISATIONS DES INEGALITES VALIDES 83 Puisque nous n’avons pu r´soudre aucun probl`me ` l’optimum en un temps CPU raie e a sonnable. BCF L explore ´galement beaucoup moins de nœuds e que les deux autres m´thodes. Des r´sultats exp´rimentaux nous ont montr´ que pour r´soudre la relaxation e e e e lin´aire continue de la formulation d´sagr´g´e. des in´galit´s e e e e e e e couvrantes et des in´galit´s couvrantes inverses ` des probl´matiques ´tendues du probl`me e e a e e e MCLS2. BC+ et BCF L . . e e N 6 6 6 12 12 12 24 24 24 T 8 8 8 5 5 5 5 5 5 M´thode e BC BC+ BCF L BC BC+ BCF L BC BC+ BCF L N BN odes 6620 3256 446 1958 1735 29 10920 4473 701 UCuts 0 341 0 0 136 0 0 200 0 M IRCuts 146 14 294 140 60 105 351 226 196 FCuts 144 41 21 194 176 9 291 239 43 OP T 1637791 1637791 1637791 2496916 2496916 2496916 7898893 7898893 7898893 T ime 15. nous avons besoin de beaucoup plus de temps e e e e CPU que la relaxation lin´aire continue de la formulation agr´g´e. Ces nouvelles instances sont e e e d´finies par le nombre de r´f´rences N et le nombre de p´riodes T . Pour les deux autres probl`mes. nous pouvons noter que BCF L trouve la solution optimale beaucoup plus rapidement que BC et BC+. e e L’inconv´nient du mod`le d´sagr´g´ par rapport au mod`le agr´g´ est le nombre de vae e e e e e e e riables ainsi que la m´moire et le temps CPU requis pour r´soudre les relaxations lin´aires e e e continues. D’apr`s les tableaux 4. Le tableau 4.16 7.11 G´n´ralisations des in´galit´s valides e e e e Dans cette section.66 4.42 87.6 et 4. BC+ est l´g`rement e a ee e e e plus rapide que BC.07 5. e e e e e 4. on peut dire que BCF L est une m´thode prometteuse qui e e peut nous aider ` am´liorer l’algorithme de branch-and-cut pour r´soudre des probl`mes de a e e e planification de production.3 37.95 11.

En effet. Les in´galit´s couvrantes ainsi que les in´galit´s couvrantes e e e e e inverses seront g´n´r´es pour chaque ressource s´par´ment. Pour plus de d´tails sur la mod´lisation du probl`me MCLS2 en multi-ressources. ea e zjt = 0 sinon La fonction objectif : min i. APPROCHE DE BRANCH-AND-CUT 4. la contrainte de capacit´ et de rajouter une contrainte e pour d´tecter les lancements de groupes. a e ωjt : Coˆt fixe relatif au lancement du groupe j ` la p´riode t. On note MCLS2G le probl`me MCLS2 multiee e groupes.10) du probl`me MCLS2. Ceci entraˆ ´galement un coˆt de lancement pour le e ıne e u groupe.t ϕit rit + i. les in´galit´s couvrantes et in´galit´s coue e e e vrantes inverses ne portent que sur une seule ressource ` la fois et les in´galit´s (l. e On rappelle dans ce qui suit toutes les modifications apport´es au probl`me MCLS2 afin e e de prendre en compte les groupes de r´f´rences. En reprenant le probl`me MCLS2. Une r´f´rence peut appartenir ` un ee e ee ee a ou plusieurs groupes et un groupe peut contenir une ou plusieurs r´f´rences. le e e e e lecteur peut se r´f´rer au chapitre 3 page 40. u a e 1 si la r´f´rence i appartient au groupe j. il e e s’agit de modifier la fonction objectif. ee La g´n´ralisation des r´sultats ´nonc´s pr´c´demment n’est pas en contradiction avec e e e e e e e l’introduction de la dimension ressource. J repr´sente le nombre de groupes. Les param`tres : e gjt : Besoin fixe en ressources.81) Les contraintes : La contrainte suivante remplace la contrainte (3.1 G´n´ralisation des r´sultats au probl`me MCLS2 multi-ressources e e e e La production d’une r´f´rence peut n´cessiter l’utilisation de plus d’une ressource par ee e p´riode.t ωjt zjt (4.11. Ce probl`me peut ˆtre mod´lis´ en rajoutant une dimension groupe j et une variable e e e e binaire zjt pour la d´tection de lancements de groupes. du groupe j ` la p´riode t.84 CHAPITRE 4.t βit yit + i. e .2 G´n´ralisation des r´sultats au probl`me MCLS2 multi-groupes e e e e Les r´f´rences sont class´es par groupes de r´f´rences.11.t αit xit + i.t γit sit + j. ee aij = 0 sinon Les variables : 1 si le groupe j est lanc´ ` la p´riode t. e ee e e 4. e e Pour plus de d´tails se reporter au chapitre 3 page 39. Ceci se traduit ee par la prise en compte d’un besoin ou d’une consommation fixe des capacit´s disponibles e d`s qu’il y a lancement d’un groupe. s) ne a e e d´pendent pas des ressources.

¯ e ¯ – Si yit = 0 pour tout i tel que aij = 1.83) (4. T ) une partition quelconque de T ).84) par 0 ≤ zgt ≤ 1.28) on peut ´crire : e fi yi + vi di − vi si − vi ri + i∈S∪U j∈GS ∪GU (gj zj ) ≤ c En rajoutant i∈S∪U vi di yi aux membres de l’in´quation on aura : e fi yi + vi di − vi si − vi ri + (gj zj ) ≤ c + j∈GS ∪GU i∈S∪U vi di yi + i∈S∪U i∈S∪U vi di yi d’o` : u fi + vi di yi ≤ c + i∈S∪U i∈S∪U vi si + vi ri + vi di yi − vi di − j∈GS ∪GU (gj zj ) . r ) une solution optimale de MCLS2Gc . Soit (¯ . Toute solution optimale du probl`me MCLS2Gc est une solution optimale e du probl`me MCLS2G. On note MCLS2Gc le e e e e probl`me MCLS2G dans lequel on remplace la contrainte (4. On consid`re le probl`me SPMe e e e e e e CLS2G.82) et (4. e Proposition 16. ∀t ∀j.83) on aura : zjt = 1 si aij = 1. ∀j. e Preuve. toute solution optimale de MCLS2Gc est une solution optimale de MCLS2G. y . Afin de g´n´rer des in´galit´s couvrantes et couvrantes inverses pour le probl`me MCLS2G.84) Si les coˆts ωjt > 0 pour tout j et t.82). ∀t (4. s . GS est un sous-ensemble de groupes de G induit par le lancement des r´f´rences de S. supposons que yit = 0 pour ¯ ¯ ¯ tout i tel que aij = 1 et zjt > 0 pour un j donn´. e e e e nous allons supprimer l’indice temporel. L’id´e est de construire un probl`me de sac ` dos ` e e a a partir des contraintes de capacit´ (4.11. Cette solution n’est pas optimale pour ¯ e le probl`me MCLS2Gc car si zjt = 0 on aura une meilleure solution. x ¯ ¯ ¯ ¯ – Si yit = 1 alors d’apr`s la contrainte (4. z . ∀i. ∀t (4. e e T = N \ S et (T . e ¯ Donc.´ ´ ´ ´ 4. alors zjt = 0.82) Les deux contraintes suivantes mod´lisent le lancement de groupes : e zjt ≥ aij yit . GENERALISATIONS DES INEGALITES VALIDES 85 N N J vit xit + i=1 i=1 fit yit + j=1 gjt zjt ≤ ct . En effet. la relaxation sur une seule p´riode du probl`me MCLS2G. zjt ∈ {0. e Etant donn´ U ⊂ N \{S ∪ T } (Tel que : S est une couverture pour le probl`me MCLS2G. ee A partir des contraintes (4. Pour all´ger le mod`le. e e e e e nous proc´dons de la mˆme mani`re que pr´c´demment. 1} . la contrainte d’int´grit´ sur la variable zjt peut u e e ˆtre relax´e sans pour autant affecter la qualit´ des solutions trouv´es.

T ) une partition quelconque de T .85) peut donc ˆtre consid´r´e comme une contrainte d’un probl`me de e e ee e sac-`-dos continu. vi di − λS (1 − yi ) + i∈U φS fi + vi di yi (4. .86 si on pose : u= i∈S∪U CHAPITRE 4.85) L’in´quation (4. APPROCHE DE BRANCH-AND-CUT vi si + vi ri + vi di yi − vi di − j∈GS ∪GU (gj zj ) on aura : fi + vi di yi ≤ c + u i∈S∪U (4. L’in´galit´ e e vi (si + ri ) ≥ λS + i∈S∪U i∈S max −fi . ea Une mani`re de mod´liser cette situation est de consid´rer un produit pour chaque gamme e e e . [|S|] tel que : f[1] +v[1] d[1] ≥ · · · ≥ f[|S|] +v[|S|] d[|S|] . l’in´galit´ : e e vi (si + ri ) ≥ i∈S∪U i∈S vi di − ψU fi + vi di + i∈U (1 − yi ) + i∈U vi di (4. Etant donn´s S une couverture inverse de SPMCLS2G et un ensemble e U ⊂ N \ S tel que : fi + vi di ≥ µS ∀i ∈ U . Soit T = N \ {S ∪ U } et (T .86) + i∈U vi di (1 − yi ) + j∈GS ∪GU (gj zj ) est valide pour SPMCLS2G. a ´ Proposition 18. a ´ Proposition 17. . . On consid`re un ordre e e [1]. [|U |] tel que : e f[1] + v[1] d[1] ≥ · · · ≥ f[|U |] + v[|U |] d[|U |] . . . . Etant donn´e S une couverture de SPMCLS2G.11. O` φS est d´finie dans l’´quation (4. u e e Preuve. Soit (T. La preuve est similaire ` celle de la proposition 12.3 G´n´ralisation des r´sultats au probl`me MCLS2 multi-gammes e e e e Dans la pratique.87) (fi − µS ) yi + j∈GS ∪GU (gj zj ) est valide pour SPMCLS2G. Preuve.68). Alors. On consid`re un ordre [1]. . Si |S| ≥ 2 et f[2] + v[2] d[2] ≥ λS . T ) une partition quelconque de T. Soit µ1 = f[1] + v[1] d[1] − λS . La preuve est similaire ` celle de la proposition 14 a 4. . on est souvent amen´ ` choisir entre plusieurs gammes de production. U ) une partition quelconque de N \ S et (T .

e e e min v. ee a e vvit : Besoin variable en ressources de la r´f´rence i. les donn´es additionnelles requises pour la mod´lisation e e du probl`me. GENERALISATIONS DES INEGALITES VALIDES 87 de production.i. ∀i. u ee a e βvit : Coˆt fixe relatif ` un lancement de la r´f´rence i. V N v=1 i=1 fvit yvit ≤ ct .95) + xvit ≤ M yvit .2) du probl`me MCLS2 est remplac´e par la l’exe e V u pression v=1 xvit (o` V est le nombre de gammes). 1}. nous invitons le lecteur ` se reporter au chapitre 3 page e a 41. xvit ≥ 0.11. pour la gamme v. ∀t (4. Pour plus de d´tails sur la mod´lisation du e e e probl`me MCLS2 en multi-gammes.i. ∀t ∀v. Les param`tres : e fvit : Besoin fixe en ressources de la r´f´rence i. nous formulons le nouveau probl`me not´ MCLS2V.92) (4.c : si(t−1) + rit + V v=1 N i=1 vvit xvit V v=1 xvit = dit + sit . En utilisant ces variables et param`tres.91) (4. rit ≤ dit .´ ´ ´ ´ 4.89) (4.   0 sinon L’´quation de conservation des flux ` travers l’horizon est formul´e en rempla¸ant la proe a e c duction du produit fini par la somme des productions relatives ` chaque gamme. la a variable xit dans la contrainte de flux (4. ∀i. si xvit > 0). Ainsi. ` la p´riode t. ∀i. . e Nous rappelons dans ce qui suit. on va consid´rer la nouvelle dimension gamme que l’on va e noter par v. pour la gamme v ` la p´riode t. ∀t ∀t ∀v.88) s. rit . ainsi que les modifications apport´es aux variables et param`tres du probl`me e e e e MCLS2. mais une e e ee dimension gamme diff´rente.t ϕit rit + i. pour la gamme v. Ainsi. yvit ∈ {0. e ee a e   ee a e  1 s’il y a production de la r´f´rence i ` la p´riode t yvit = en utilisant la gamme v (i. mais ` leur entr´e en stock. ` la p´riode t. Les modifications apport´es aux param`tres et aux variables du probl`me MCLS2 portent e e e essentiellement sur les param`tres et les variables de production. pour la gamme v. ` la p´riode t. ∀t ∀v.t αvit xvit + v.94) (4. u a ee a e Les variables : xvit : Quantit´ produite pour la r´f´rence i ` la p´riode t en utilisant la gamme v. les produits ´quivalents auront la mˆme dimension r´f´rence.93) (4.90) (4. Pour ce faire. sit ≥ 0. ee a e αvit : Coˆt de production unitaire variable de la r´f´rence i. ∀t ∀i.t γitsit (4. ∀t ∀i. les quantit´s de tous les produits ´quivalents a e e e sont additionn´es afin de satisfaire la demande. ∀i. Les produits sont consid´r´s comme distincts durant la phase e ee de production.e.t βvit yvit + i.

e – T = N \ S. sans pour autant perdre la notion de e couverture. Cette couverture est un ensemble de r´f´rences. Ce choix est un pr´traitement. APPROCHE DE BRANCH-AND-CUT les in´galit´s valides (l.σit yvit peut ˆtre not´e si. – U ⊂ T.88 CHAPITRE 4. Nous e utilisons par exemple la formule suivante (la gamme choisie sera not´e par l’indice vi ) : e vi = arg min {(fvi + vvi di )yvi } v∈V Afin de prendre en consid´ration toutes les gammes. nous ee e choisissons la gamme qui consomme le plus en produisant la totalit´ de la demande. t =t+1 σit i on note t =t rit par rit et δt.96) sont ´quivalentes ` : e e e e a xvi + ri + si ≥ di . Notons SPMCLS2V la relaxation sur une seule p´riode du probl`me MCLS2V. ∀i. ee il faut donc choisir une gamme par r´f´rence. Dans notre cas. et nous choisissons les consommations minimales afin de garantir qu’une couverture avec de tels param`tres reste une couverture. En effet. nous choisissons des consommations variables et des consommations fixes identiques pour toutes les gammes.96) L’expression si(t−1) + σit e e e v δt . Les in´galit´s (4. ∀t (4. nous pouvons ´crire : e . nous utilisons le principe du pire cas. S) du MCLS2V s’´crivent sous la forme suivante : e e e σit σit xvit + v t =t rit + si(t−1) + t =t+1 v δt .σit yvit ≥ δt.σit .t−1 .σit par dit .90).97) Nous construisons les in´galit´s couvrantes et les in´galit´s couvrantes inverses en se basant e e e e sur une couverture ou une couverture inverse. ∀i v (4. e On pose : fimin = min fvi v∈V et min vi = min vvi v∈V la couverture est d´finie par la formule suivante : e min fimin + vi di − c ≥ 0 i∈S λS = – S est une couverture pour notre probl`me. A partir des contraintes de ressources (4. Puisque e e nous travaillons sur chaque p´riode s´par´ment dans le SPMCLS2V et ´tant donn´ que chaque e e e e e p´riode est trait´e s´par´ment. il peut ˆtre plus commode d’enlever l’indice temporel pour e e e e e all´ger les formules. D’une mani`re similaire.

a e e e e .99) peut ˆtre donc consid´r´e comme une contrainte d’un probl`me de e e ee e sac-`-dos continu.11.99) L’in´quation (4.97).98) A partir des contraintes (4. GENERALISATIONS DES INEGALITES VALIDES 89 min (fimin yvi + vi xvi ) ≤ c i v (4. on peut ´crire : e e e (fimin yvi ) + i∈S∪U v∈V i∈S∪U min min min vi di − vi si − vi ri ≤ c Donc : fimin yvi i + i∈S∪U i∈S∪U v∈V \vi (fimin yvi ) + i∈S∪U min min min vi di − vi si − vi ri ≤ c On sait que : (fimin yvi ) > 0 i∈S∪U v∈V \vi D’o` : u min min min fimin yvi i + vi di − vi si − vi ri ≤ c i∈S∪U En rajoutant i∈S∪U min vi di yi aux membres de l’in´quation on obtient : e min vi di yvi i + i∈S∪U i∈S∪U min min min fimin yvi i + vi di − vi si − vi ri ≤ c + i∈S∪U min vi di yvi i d’o` : u min fimin + vi di yvi i ≤ c + i∈S∪U i∈S∪U min vi (di − si − ri + di yvi i − di ) si on pose : u= i∈S∪U min vi (di − si − ri + di yvi i − di ) on a : min fimin + vi di yvi i ≤ c + u i∈S∪U (4.´ ´ ´ ´ 4.S) (4. a On peut donc appliquer les r´sultats de Marchand et Wolsey [123] concerant le probl`me e e de sac-`-dos continu pour g´n´rer des in´galt´s valides couvrantes et couvrantes inverses.98) et de notre nouvelle in´galit´ (l.

APPROCHE DE BRANCH-AND-CUT 4. R. Dans e e e le chapitre suivant. En utilisant la mˆme approche. e . e e e Nous avons propos´ dans ce chapitre une m´thode exacte pour le probl`me MCLS2. les groupes de r´f´rences. le cas de plusieurs ressources en parall`le et ee e celui de plusieurs gammes de production. S) afin de traiter les coˆts de start-up pour les probl`mes de lote e u e sizing ` une seule r´f´rence et sans contrainte de capacit´.90 CHAPITRE 4. Nous proposons ´galement e e e e un algorithme polynomial pour r´soudre les sous-probl`mes engendr´s par la relaxation lae e e grangienne des contraintes de capacit´. En effet. celle-ci nous a permis de montrer que les in´galit´s valides e e e e couvrantes induisent des facettes de l’enveloppe convexe des solutions r´alisables sous certaines e conditions. Une approche poly´drique a e u e donn´ lieu ` des in´galit´s valides fortes. Les r´sultats exp´rimentaux montrent que l’utilisae a e e e e tion de ces in´galit´s valides am´liore d’une mani`re significative les algorithmes utilis´s pour e e e e e r´soudre ce genre de probl`mes. S) en une nouvelle e e e e e classe d’in´galit´s (l. Van Hoesel et al.12 Conclusion Nous avons propos´ dans ce chapitre la mod´lisation d’un nouveau probl`me de lot-sizing e e e a ` capacit´ finie avec des temps de setup et des coˆts de rupture. nous pouvons montrer que les in´galit´s couvrantes e e e inverses d´finissent ´galement des facettes sous des conditions similaires. [177] ont g´n´ralis´ les in´galit´s (l. e e Une autre perspective de nos travaux est de g´n´raliser ces in´galit´s pour inclure les coˆts e e e e u de start-up. Les in´galit´s vae e e e lides pr´sent´es dans ce chapitre ont ´t´ g´n´ralis´es pour tenir compte d’autres contraintes e e ee e e e industrielles telles que. e e e e e Il serait ´galement int´ressant d’utiliser cette approche conjointement avec une heuristique e e de d´composition de l’horizon de planification pr´sent´e au chapitre 6. En effet. Les perspectives d’am´lioration de ces r´sultats sont multiples. Il serait int´ressant de poursuivre a ee e e ces travaux en g´n´ralisant les nouvelles in´galit´s propos´es. Nous avons ´galement ´tudi´ la structure poly´drique de l’ene e e e e e veloppe convexe du probl`me trait´. l’adaptation de e e ces in´galit´s valides pour la formulation utilisant le probl`me de localisation d’entrepˆts est e e e o une voie prometteuse pour am´liorer l’efficacit´ de l’approche. nous proposons une approche bas´e sur la relaxation lagrangienne afin de e fournir une borne inf´rieure de bonne qualit´ au probl`me MCLS4.

des coˆts de rupture sur la demande e u u ainsi que des coˆts de d´ficit sur le stock de s´curit´. Nous proposons a e MCLS4 est une abr´viation en anglais de : Multi-item Capacitated Lot-sizing problem with Setup times. – Pour construire une solution r´alisable. heue e e ristiques gloutonnes) . avec des e a ee contraintes de capacit´. e e e C’est le cas des m´thodes bas´es sur la relaxation de contraintes telle que la relaxation e e lagrangienne. not´ MCLS41 . une bonne borne inf´rieure peut ˆtre utilis´e : e e e – Dans des algorithmes de branch-and-bound. 1 91 .Chapitre 5 Relaxation lagrangienne pour le probl`me MCLS4 e Introduction Depuis de longues ann´es. e e e programmation lin´aire en nombres entiers). En g´n´ral. Le but de ce chapitre est u e e e e de pr´senter un algorithme qui fournit une borne inf´rieure au probl`me trait´. nous traitons le probl`me de lot-sizing ` plusieurs r´f´rences. Cette relaxation consiste ` dualiser les contraintes de capacit´. les chercheurs se sont int´ress´s aux calculs de bornes inf´rieures e e e e pour les probl`mes math´matiques d’optimisation difficiles (ex. La borne inf´rieure est utilis´e pour ´valuer e e e la qualit´ de la solution r´alisable ` chaque nœud de l’arbre de recherche. e Shortage costs and Safety Stock deficit costs. Nous allons e e e e utiliser la relaxation lagrangienne afin de g´n´rer des bornes inf´rieures pour le probl`me e e e e MCLS4. Les int´rˆts de tels calculs sont multiples. les bornes inf´rieures sont souvent e e issues d’heuristiques dont les solutions obtenues ne sont g´n´ralement pas r´alisables. Elle permet e e a ´galement d’´laguer un nœud d`s lors que sa borne inf´rieure est sup´rieure ` la meilleure e e e e e a solution d´j` obtenue. e Dans ce chapitre. programmes lin´aires mixtes. Pour le calcul de bornes inf´rieures. – Pour ´valuer la qualit´ d’une solution r´alisable obtenue avec une heuristique (ex. Les deux m´thodes les plus utilis´es sont la relaxae ee e e tion lin´aire continue et la relaxation lagrangienne. des coˆts et des temps de setup. les relaxations lin´aires continues renforc´es par des ea e e e e in´galit´s valides sont utilis´es comme bornes inf´rieures dans les m´thodes de branche e e e e and-bound . En effet. on fait g´n´ralement appel ` des m´thodes dont la e e e a e complexit´ est de pr´f´rence polynomiale. En e ee effet.

Le crit`re d’optimisation consiste ` g´n´rer un plan de production qui minimise la somme e a e e des coˆts de production. En effet.3 e e 5. le lancement de production d’une r´f´rence ` ee a une p´riode donn´e entraˆ outre la consommation variable en ressources. tout en respectant les contraintes e e e de stockage et de capacit´.2. Pour plus de a d´tails sur la mod´lisation stock de s´curit´. des r´sultats e a e e e exp´rimentaux sont d´crits en section 5.2. Enfin.2. la satisfaction du stock e de s´curit´ vient en seconde position. Pour plus de d´tails sur la mod´lisation des ruptures e e sur la demande. dans ce cas on parle e e d’une situation de d´ficit sur le stock de s´curit´.3 est consacr´e ` la description du e e a sch´ma de la relaxation lagrangienne et ` la r´solution du probl`me dual. une consommation e e ıne dite fixe usuellement d´nomm´e temps de setup. nous invitons le lecteur ` se reporter au chapitre e e e e a 3 page 36. on autorise alors l’occurrence de ruptures sur e la demande. nous invitons le lecteur ` se reporter au chapitre 3 page 31. des coˆts de lancement. La p´nalit´ unitaire des variables e e e e e e e de d´ficit sur le stock de s´curit´ est inf´rieure ` celle des variables de rupture sur la demande. des coˆts de stockage ainsi que des coˆts de u u u u rupture sur la demande et de d´ficit sur le stock de s´curit´. e ee a e fit : Besoin fixe en ressources de la r´f´rence i ` la p´riode t. les param`tres et les variables du e e probl`me MCLS4 : e Les param`tres : e dit : Demande (commandes et pr´visions) pour la r´f´rence i ` la p´riode t. Ce plan est ` capacit´ finie et doit tenir compte d’un e e a e ensemble de contraintes additionnelles. e e e e a En effet.2. Celles-ci sont mod´lis´es par des variables continues avec une p´nalit´ unitaire e e e e tr`s ´lev´e dans la fonction objectif. a Un autre objectif du d´cideur est d’avoir un profil de stocks sup´rieur ` un seuil appel´ e e a e stock de s´curit´. e e e Il s’agit de d´terminer un plan de production d’un ensemble de N r´f´rences. L’approche de r´solution bas´e sur la relaxation lagrangienne e e e est pr´sent´e dans la section 5. La section 5. nous d´crivons la relaxation des e e e contraintes de capacit´ ainsi que les sous-probl`mes engendr´s par cette derni`re.2. Les ressources disponibles pouvant ne pas e e ˆtre suffisantes pour satisfaire toute la demande. pour un horizon e ee de planification constitu´ de T p´riodes. La contrainte de stock de s´curit´ peut ˆtre reformul´e e e e e e e afin de l’introduire dans la contrainte de conservation des flux ` travers l’horizon. Nous rappelons dans ce qui suit.92 ` CHAPITRE 5. nous rappelons le mod`le math´matique du probl`me trait´ ainsi e e e e que les diff´rentes formulations. Dans la section 5. Dans la section 5.1. le but principal ´tant de satisfaire le client et donc d’avoir e e e e le minimum de ruptures sur la demande.1. ee a e . Dans la e e e e section 5. ee a e vit : Besoin variable en ressources de la r´f´rence i ` la p´riode t. l’objectif principal du d´cideur est de satisfaire la demande. RELAXATION LAGRANGIENNE POUR LE PROBLEME MCLS4 ´galement un algorithme polynomial pour r´soudre les sous-probl`mes engendr´s par cette e e e e relaxation.1 Mod´lisation math´matique du probl`me MCLS4 e e e Nous allons rappeler dans ce qui suit la mod´lisation math´matique du probl`me MCLS4. Il peut arriver qu’on ne puisse pas atteindre ce seuil. nous proposons un algorithme de programmation dynamique pour r´soudre les e sous-probl`mes en un temps polynomial. Ces d´ficits sont mod´lis´s par des variables e e e e e e continues additionn´es aux variables de stock avec une p´nalit´ unitaire dans la fonction e e e objectif et une contrainte suppl´mentaire assurant le fait que la somme du stock et du d´ficit e e sur le stock de s´curit´ soit sup´rieure au stock de s´curit´.

≥ 0. rit . ∀t ∀i. nous formulons le probl`me MCLS4 comme suit : e e + + γit Iit + i. si xit > 0).7) signifie que les variables xit . ∀t ∀i. 1}. rit . u ee a e On pose : δit = Lit − Li(t−1) .t − − γit Iit + i. u a ee a e + γit : Coˆt unitaire de stockage de la r´f´rence i ` la p´riode t. pour chaque p´riode t.2) exprime la conservation u e e e des flux ` travers l’horizon.e.3) repr´sente la contrainte de respect de la caa e pacit´. La fonction objectif (5. La contrainte (5. u e e e ee a e ϕit : Coˆt unitaire de rupture sur la demande pour la r´f´rence i ` la p´riode t.c : + − + − Ii(t−1) − Ii(t−1) + xit + rit = dit + δit + Iit − Iit . La contrainte (5.6) (5.8) exprime e ee e e le fait que yit est une variable binaire pour toute r´f´rence i. ee a e yit = 0 sinon + Iit : Valeur du surstock de la r´f´rence i ` la fin de la p´riode t (Exc´dent de stock par rapport ee a e e au stock de s´curit´). MODELISATION MATHEMATIQUE DU PROBLEME MCLS4 ct : Capacit´ disponible ` la p´riode t. − Iit ≤ Lit . Iit ∀i. La derni`re contrainte (5.´ ´ ` 5.4) exprime le fait que la production soit major´e par une production e e + − maximum. e a e Lit : Stock de s´curit´ de la r´f´rence i ` la p´riode t.3) (5. La contrainte (5. e ee a e 1 s’il y a production de la r´f´rence i ` la p´riode t (i. e e ee a e αit : Coˆt de production unitaire variable de la r´f´rence i ` la p´riode t.8) + N i=1 fit yit ≤ ct . u ee a e − γit : Coˆt unitaire de d´ficit sur le stock de s´curit´ de la r´f´rence i ` la p´riode t. La contrainte (5.7) (5. u ee a e βit : Coˆt fixe relatif ` un lancement de la r´f´rence i ` la p´riode t. ∀t ∀t ∀i. Iit . Iit et Iit sont continues non n´gatives pour toute r´f´rence i.5) (5.t βit yit + ϕit rit (5. ∀t yit ∈ {0. rit ≤ dit . ∀t ∀i. 93 Les variables : xit : Quantit´ produite pour la r´f´rence i ` la p´riode t. ee e Ce mod`le est appel´ ´galement formulation agr´g´e. e e rit : Rupture sur la demande pour la r´f´rence i ` la p´riode t (inf´rieure ` la demande). + − xit .1) minimise le coˆt total induit par le plan de production. ainsi que les coˆts fixes de lancement.4) (5. ` savoir u a les coˆts de production et de stockage. contrairement ` la formulation bas´e sur le e e a e . ee a e e a En utilisant ces variables et param`tres.t min i.t αit xit + i. car la production d’une r´f´rence e e e e e ee n’est d´finie que par sa p´riode de production. xit ≤ M yit . les coˆts de rupu u u ture et les coˆts de d´ficit sur le stock de s´curit´.1) s. e e − Iit : Valeur du d´ficit sur le stock de s´curit´ de la r´f´rence i ` la fin de la p´riode t (inf´rieure e e e ee a e e au stock de s´curit´).1. pour chaque p´riode t.t i. ∀t (5.2) (5. N i=1 vit xit ∀i.

∀t (5. ∀t (5. ea e T xit = t =t witt . ∀i.t t =t αitt witt + i. + + + On pose αitt = αit + γit + γi(t+1) . Cette formulation est not´e : MCLS4F L . RELAXATION LAGRANGIENNE POUR LE PROBLEME MCLS4 probl`me de localisation d’entrepˆts (Facility Location-based formulation.11) .t − + − (γit + γit )Iit + i.t Lit (5. elle est ´gale ` e e ee a e e a + − l’expression suivante : Iit + Lit − Iit .t ϕit rit − i. . On a alors.10) Afin d’obtenir la forumation de MCLS4F L bas´e sur le probl`me de localisation d’ene e + − trepˆts. avec t ≤ t ≤ T . Le probl`me MCLS4F L est formul´ comme suit : e e T min i. . en consid´rant la p´riode ` laquelle cette proe e e e a duction est r´ellement consomm´e. . Krarup et Bilde e o [101]) o` la production est d´finie par sa p´riode de production et par sa p´riode de consomu e e e mation. la e o e variable xit peut ˆtre red´finie plus finement. En effet. on remplace dans la contrainte (5.94 ` CHAPITRE 5.9) et (5.9) La variable sit repr´sente le stock r´el de la r´f´rence i ` la p´riode t. Dans ce qui suit. La variable sit est reformul´e en utilisant la formule e suivante : t T sit = t =0 t =t+1 wit t . ee a e e a e La variable wi0t repr´sente le stock initial de la r´f´rence i au d´but de l’horizon qui sera e ee e consomm´ ` la p´riode t. On remplace ´galement les deux variables xit et sit respectivement e e par les expressions (5. ∀i. On pose witt la variable qui d´finit la quantit´ de la e e e e r´f´rence i produite ` la p´riode t (t = 0) et consomm´e ` la p´riode t .2). Iit + Lit − Iit par sit et on ´limine les variables o e + Iit du mod`le MCLS4.10). . nous proposons une formulation de probl`me MCLS4 bas´e sur le e e probl`me de localisation d’entrepˆts. γi(t −1) avec t ≤ t .

17) et (5.6) et (5. La contrainte (5. La contrainte (5. Iit witt ≥ 0. Les contraintes (5. Ceci est fait en relaxant les contraintes de capacit´ en utilisant des ee e multiplicateurs lagrangiens (πt ) du mod`le MCLS4 pr´sent´ page 93.2 Relaxation lagrangienne Dans cette section.13) (5.8) respectivement. Nous e e a e ee pouvons citer les travaux de Chen et Thizy [31]. La plupart d’entre eux ont opt´ pour la e . ∀t ∀i.15). ∀t ∀i. 1}.1 Relaxation lagrangienne des contraintes de capacit´ e L’id´e g´n´rale derri`re une approche de relaxation lagrangienne est de d´composer un e e e e e probl`me de grande taille (probl`me de lot-sizing ` plusieurs r´f´rences et ` capacit´ finie) e e a ee a e en plusieurs sous-probl`mes de plus petite taille (probl`me de lot-sizing ` capacit´ infinie e e a e et une seule r´f´rence).15) (5. 5.13) sont respectivement la reformulation de l’´quation de flux e et la contrainte de respect de capacit´ en fonction des nouvelles variables witt . ∀t ∀i. La m´thode choisie pour r´soudre le e e e probl`me dual est le sous-gradient. [172]. [48]. nous pr´sentons une approche de relaxation lagrangienne bas´e sur la e e dualisation des contraintes de capacit´.16) exprime le fait que la somme du stock disponible et du d´ficit e e sur le stock de s´curit´ soit sup´rieure au stock de s´curit´ pour toute r´f´rence i. Du Merle et al. [53]. La contrainte (5.5.14) (5.19) exprime le fait que witt ee e est une variable continue non n´gative pour toute r´f´rence i et pour chaque p´riodes t. ∀t ∀i. rit ≤ dit .12) et (5. t e ee e avec t ≥ t. ∀t ≤ ct .2.3) sont e e e consid´r´es comme des contraintes couplantes.18) signifie que les variables rit et Iit sont continues non n´gatives e e pour toute r´f´rence i. Diaby et al. yit ∈ {0. e 5. ∀t. RELAXATION LAGRANGIENNE s.19) (5.20) sont exactement les mˆmes contraintes que e (5. ee e Plusieurs auteurs ont appliqu´ la relaxation lagrangienne afin de trouver de bonnes bornes e inf´rieures aux probl`mes de lot-sizing ` capacit´ finie pour le cas de plusieurs r´f´rences. − Iit + t t =0 − Iit T t =t+1 wit t ≥ Lit . pour chaque p´riode t.20) N i=1 vit witt ≤ dit yit .5). + N i=1 fit yit ∀i. Les contraintes (5. ∀t ≤ Lit .c : t t =1 witt T t =t witt 95 + rit = dit . Thizy et Van Wassenhove [171] et Trigeiro et al. − rit .16) (5. Les contraintes (5.14) exprime le fait que la production de la r´f´rence i ` la p´riode t pour satisfaire la ee a e demande ` la p´riode t doit ˆtre inf´rieure ou ´gale ` la demande de la r´f´rence i ` la a e e e e a ee a p´riode t.17) (5. ∀t ∀i. (5.18) (5. Nous d´crivons ´galement les sous-probl`mes induits par cette relaxation e e e e ainsi qu’un algorithme polynomial pour les r´soudre. puisqu’elles permettent de relier l’ensemble des ee r´f´rences pour le calcul de la consommation globale en capacit´. ∀t (5. ≥ 0. (5. pour chaque e e e e e ee − p´riode t. ∀t ∀i. La contrainte e (5.2. Cette approche permet de trouver une borne inf´rieure e e au probl`me MCLS4. ∀i.12) (5.

It . maximiser les ventes revient ` minimiser les ruptures a sur les demandes. − It 0. rt ≤ d t .24) (5.1 page 10). Dans leurs cas. nous allons ignorer dans la partie ee e e qui suit.1. La mod´lisation du probl`me e e e de lot-sizing avec des variables de ventes est ´quivalente ` la mod´lisation avec des variables e a e de rupture sur la demande. l’indice des r´f´rences i. ≤ Lt . e e e 5. le d´ficit sur le stock de s´curit´ n’est pas autoris´. nous pr´sentons un algorithme polynomial pour r´soudre le probl`me ULS4. ∀t ∀t A notre connaissance. cette relaxation d´compose le probl`me en e e e N sous-probl`mes de lot-sizing ` une seule r´f´rence et sans contrainte de capacit´. 2 .1. + + γt It + t t − − γt It + t min t αt xt + t βt yt + ϕt r t + t πt (vt xt + ft yt ) (5. 1}.c : + − + − It−1 − It−1 + xt + rt = dt + δt + It − It .2.27) xt ≤ M yt . section 2. Les auteurs ont ´galement consid´r´ e e e ee des variables repr´sentant les ventes au lieu de demandes fixes. 59. on retombe sur le probl`me ULS avec des e e e e e coˆts de rupture sur la demande. Puisque nous traitons chaque r´f´rence s´par´ment.2 R´solution des sous-probl`mes ULS4 e e Dans cette partie.4. u e aee e Loparic et al. Ce probl`me ` ´t´ r´solu en O(T 2 ) par Aksen et al. La mod´lisation du probl`me ULS4 est pr´sent´e dans ce ee e e e e qui suit.96 ` CHAPITRE 5. en ´liminant les variables rt et It du mod`le e e e pr´c´dent on retombe sur le mod`le ULS qui est r´solu en O(T log T ) ([5. Si on e e e e ´limine la variable de d´ficit sur stock de s´curit´. + − xt .23) (5. En effet. [112] ont consid´r´ le stock de s´curit´ en imposant une borne inf´rieure ee e e e aux variables de stock. rt .25) (5.26) (5. nous proposons une pr´sentation du probl`me ULS4 en un r´seau ` coˆts e e e a u fixes. Le e ee e e probl`me ULS4 est une extension du probl`me classique de lot-sizing ULS (le probl`me ULS e e e − est d´crit au chapitre 2. It ≥ yt ∈ {0. e e L’originalit´ du probl`me ULS4 r´side dans l’int´gration conjointe des ruptures sur la e e e e demande et des d´ficits sur le stock de s´curit´ au probl`me ULS. Les auteurs ont propos´ une approche de programmation dynamique et de e flots pour r´soudre le probl`me. e e ee e ULS4 est une abr´viation en anglais de : Uncapacitated Lot-Sizing problem with Shortage costs and Safety e Stock deficit costs.2. La relaxation des contraintes de capacit´ du probl`me MCLS4 d´compose le probl`me e e e e en N probl`mes MCLS4 ` une seule r´f´rence et sans contrainte de capacit´ que l’on note e a ee e ULS42 . Dans le paragraphe qui e e e e suit. Pour un e a ee e ´tat de l’art plus d´taill´ sur l’utilisation de la relaxation lagrangienne pour les probl`mes de e e e e lot-sizing. Nous pr´sentons ´galement des propri´t´s de la solution optimale du probl`me ULS4. 188]). En effet. ∀t ∀t ∀t ∀t (5. le e e e e stock de s´curit´ est une contrainte et non un objectif. le probl`me ULS4 n’a jamais ´t´ trait´ dans la litt´rature.21) s.22) (5. [8]. RELAXATION LAGRANGIENNE POUR LE PROBLEME MCLS4 relaxation des contraintes de capacit´. le lecteur peut se reporter au chapitre 2. En effet.

. 5. . Le sommet 0 repr´sente la source principale dont la disponibilit´ est ´gale ` e e e e a D d´finie comme la somme des demandes et des diff´rences entre les stocks de s´curit´. .. nous fournissons quelques propri´t´s de la solution e ee optimale. . . il est appel´ ´galement probl`me e e e a u ee e de transbordement. . 2 . T dT R Fig.1 repr´sente e e a u e la mod´lisation du probl`me ULS4 en un r´seau ` coˆts fixes. δt peut ˆtre positive ou n´gative.1 – Repr´sentation du probl`me ULS4 en r´seau e e e X et R sont deux nœuds de transbordement qui transf`rent respectivement la production e totale et la somme des ruptures sur la demande. T } nous avons un besoin δt relative ` la variation du a stock de s´curit´. Il est e e e e a e ´vident que la somme des transferts ` X. Les nœuds {1 . . . e e 5. T }. ..5. T } e e e e repr´sentent les demandes dt aux p´riodes t ∈ {1. 2 . T } e e nous avons une demande de dt .. e e e a u En se basant sur cette repr´sentation. Il r´sout le probl`me en un temps polynomial. . 2.1 Propri´t´s de la solution optimale du probl`me ULS4 e e e Dans ce qui suit. . − IT −1 T δT dT − rT δ1 d1 − r1 δ2 d2 − r2 δ3 d3 − r3 δ4 d4 − r4 1 d1 r1 r2 2 d2 r3 3 d3 r3 rT 4 d4 .2. . . A chaque nœud t ∈ {1. nous pr´sentons le probl`me ULS4 sous forme d’un r´seau ` coˆts fixes. . Les sommets 1 ` T repr´sentent les diff´rentes p´riodes d´finies dans le a e e e e probl`me ULS4. .2.2. R et T est ´gale ` la quantit´ qui transite ` travers e a e a e a le nœud 0. e e e e On a : D = T dt + δt = T dt + LT − L0 . Formulation du probl`me ULS4 en un r´seau ` coˆ ts fixes La figure 5. . t=1 t=1 − IT X x1 x2 x3 + I2 x1 + I3 x5 + I4 + IT −1 P + I1 T t=1 dt + LT 0 1 − I1 2 − I2 3 − I3 4 − I4 . δt = Lt − Lt−1 . avec L0 = 0. RELAXATION LAGRANGIENNE 97 Ces derni`res vont nous permettre de proposer un algorithme r´cursif de programmation e e dynamique. Le reste du transbordement transite par le nœud T et repr´sente le d´ficit sur le stock de s´curit´ maximum ` la p´riode T . . A Chaque nœud t ∈ {1 . .

t) est ´gal ` z´ro si le flot est nul et (βt + πt ft + (αt + πt vt )xt ) e a e si le flot xt est positif. 199]. T − 1}. . Une p´riode t est dite point d’inventaire si le surstock ` cette p´riode est nul e e a e + − et le d´ficit sur le stock de s´curit´ est nul (It = 0 et It = 0) ou le surstock ` cette p´riode e e e a e − est nul et le d´ficit sur le stock de s´curit´ est ´gal au stock de s´curit´ (It = 0 et It = Lt ). t + 1) sont des arcs de stock. . D´fnition 7. 2. les coˆts sur les arcs u e u de type (t. . Chaque arc repr´sent le stock e sortant ` la p´riode t − 1 et entrant ` la p´riode t .1. t − 1) sont des arcs de d´ficit sur le stock de s´curit´. . T }. t ∈ {1. alors il existe un flot extrˆme qui est ´galement un flot e e e e optimal. (0. e e e e e e + Plus pr´cisement. Le coˆt u u sur les arcs de production (X. le d´ficit sur le stock de s´curit´ de la e e e e e e p´riode t − 1 est limit´ par le niveau de stock de s´curit´ Lt de la mˆme p´riode . t ) sont des arcs de rupture. 2 . e a u e Propri´t´s des solutions optimales Afin de proposer un algorithme de programmation e e dynamique pour r´soudre le probl`me ULS4. T }. t − 1) ont des coˆts γt et γt respectivement. T } e a e et t ∈ {1 . t) sont des arcs de prodcution. 199] que si la fonction objectif a un minimum global fini sur la r´gion r´alisable. . a e a e – (t.1 repr´sente un r´seau ` une seule source avec des coˆts concaves. t ). R) ont des coˆts nuls. I2 ) Les flots extrˆmes correspondent aux solutions r´alisables de base dans le tableau du e e simplexe [44. Dans qui suit. . 2. e e D´fnition 5. RELAXATION LAGRANGIENNE POUR LE PROBLEME MCLS4 Les arcs de ce graphe sont d´finis comme suit : e – (X. Les arcs de type (t. I2 . I + . une p´riode t est dite : e e + − – Point d’inventaire de type 1 si (It = 0 et It = 0) . I2 . T } . I1 . t ∈ {1 . t ∈ {1. e Tous les coˆts sur les arcs de notre r´seau sont concaves. Les arcs de type (R. r. Une p´riode t est dite point de production si la production ` cette p´riode e e a e est sup´rieure ` z´ro (xt > 0). r2 . Ils repr´sentent les quantit´s proe e duites ` chaque p´riode t . En effet. une e telle recherche peut s’av´rer extrˆmement laborieuse. r1 . Ils repr´sentent e e e e le d´ficit sur le stock de s´curit´ de la p´riode t − 1. I1 . r1 . X) et (0. 2 . Nous allons tout d’abord pr´senter quelques d´finitions. . . . . T }. Il repr´sentent les ruptures sur la e demande pour chaque p´riode. t ∈ {2. Puisque l’ensemble des solutions r´alisables a un nombre fini de flots extrˆmes [44]. . Le r´seau de la figure 5. e a e D´fnition 6. La capacit´ sur ces arcs est limit´e. – (R. . I1 ) + (x2 . 2. I − ) est dit flot extrˆme s’il n’existe pas de flots e e e + − + − r´alisables (x1 . t + 1) et (t. e e la recherche de tous les flots extrˆmes permet de trouver le flot optimal. r2 . I1 ) et (x2 . t ) sont des arcs qui repr´sentent la demande satisfaite ` la p´riode t. t ∈ {1. nous pr´sentons quelques propri´t´s des solutions e e e ee optimales. . . . e a e d´finition 7) ` coˆt minimum sur le r´seau de la figure 5. I2 ) tel que : e + − + − (x. Il est bien connu [55. a e – (t. . r. . Cependant. I + . .98 ` CHAPITRE 5. . e e e e e e – (t. . En effet. Un flot r´aslisable (x. I − ) = (x1 . . . nous pr´sentons quelques e e e . . e e e e e e Elle est ´gale au stock de s´curit´. + − – Point d’inventaire de type 2 si (It = 0 et It = Lt ). e e e a u Trouver une solution optimale au probl`me ULS4 revient ` trouver un flot extrˆme (cf. . t ) ont un coˆt unitaire u u + − de ϕt .

1 est obtenue en e e e utilisant la mod´lisation math´matique du probl`me ULS4 pr´sent´e pr´c´demment et le sole e e e e e e veur de programmation lin´aire en nombres entiers CPLEX 9. les arˆtes en gras repr´sentent les arˆtes fix´es ` leurs bornes sup´rieures. . Nous pr´sentons e e e e a e e a ` travers l’exemple 5. la non existence d’un tel cycle est e e a l’une des caract´ristiques d’un flot extrˆme dans un r´seau. – (x. Preuve.0. L’exemple du tableau 5. I − ) est un flot extrˆme pour le probl`me (P) . r. Si un cycle ainsi constitu´ existe e e e e dans un flot extrˆme.1 la structure de la solution optimale d’un exemple num´rique du e probl`me ULS4. e Exemple 5. . nous montrons la structure de la solution optimale d’un probl`me ULS4. supposons que l’on ait deux points de production i et k avec i < k et qu’il n’existe pas de point d’inventaire entre ces deux points dans un flot extrˆme.2. Les propositions suivantes sont ´quivalentes : e – (x. I − ) est un flot extrˆme. il est int´ressant de noter qu’` e e e e a la p´riode 3. En effet. Le r´seau ainsi constitu´ contient un cycle o` e e e u il n’existe aucune arˆte fix´e ` l’une de ses bornes.1 repr´sente les donn´es d’un probl`me ULS4 ` e e e e a 5 p´riodes.2. I e La proposition suivante est ´quivalente ` celles de la proposition 19 : e a – (x. Les r´sultats sont pr´sent´s e e e e dans le tableau 5. Ceci implique e + − + que pour tous les sommets t compris entre i et k on ait soit (It > 0 et It = 0) soit (It = 0 − et 0 < It < Lt ) (Lemme 1. (x. e e + . . Lemme 1. I + .5. I − ) est r´alisable et entre chaque paire de points d’inventaire adjacents il existe e au plus un point de production. Ce r´sultat s’explique ` partir du r´seau de la figure 5. T . la demande n’est pas totalement perdue.2 et le graphique 5. alors ce flot peut facilement ˆtre exprim´ en fonction de deux autres e e e flots r´alisables. Un e e a e exemple de la structure des solutions optimales du probl`me ULS4 est pr´sent´ dans la figure e e e 5. . A partir des r´sultats pr´sent´s dans le tableau 5. ce qui contredit l’hypoth`se que e e e + . RELAXATION LAGRANGIENNE 99 caract´ristiques des flots extrˆmes du probl`me ULS4 qui vont nous permettre de faciliter e e e cette recherche. r. ee Proposition 19.3. I − ) est r´alisable et entre chaque paire de points de production (i. I e il existe un point d’inventaire j / (i ≤ j < k). Les solutions optimales du probl`me ULS4 ont une structure particuli`re. En effet.1. Or. k) / i < k. r. La preuve d´coule directement des caract´ristiques d’un flot extrˆme dans un r´seau e e e e cf. D´finition 6). e La solution optimale du probl`me de lot-sizing pr´sent´e dans le tableau 5. dans une solution extrˆme il est impossible d’avoir e e un flot avec cette propri´t´. travaux de Zangwill [199]. + − It It = 0 pour tout t ∈ 1. A travers cet exemple.2.1. Preuve.2. I + . Nous remarquons ´galement que les e e . Ceci prouve qu’un tel flot n’est pas extrˆme. r. les e e arˆtes qui ne sont pas fix´es ` leurs bornes sup´rieures forment une structure d’arbres.2. En effet. car on ne peut avoir un flot e a e + − extrˆme avec It > 0 et It > 0.

2 – Solution optimale du tableau 5.. RELAXATION LAGRANGIENNE POUR LE PROBLEME MCLS4 X 0 . k−2 k−1 k k+1 k+2 ... 5.5 82. k−2 k−1 k k+1 k+2 R Fig. 5.1 .1 – Exemple ULS4 ` 5 p´riodes a e P´riodes (t) e Demandes (dt ) Production (xt ) Rupture (rt ) Stock de s´curit´ (Lt ) e e + Exc´dent de stock (It ) e D´ficit sur le stock de s´curit´ (It ) e e e − 1 1 000 2 800 0 200 1 600 0 2 1 000 0 0 800 0 0 3 1 000 0 200 1 000 0 1 000 4 1 000 2 000 0 1 000 0 0 5 1 000 0 0 800 0 800 Tab.5 127.5 3 1 000 1 000 250 000 70 55 175 105 4 1 000 1 000 100 000 70 55 137. 5.2 – Structure de la solution optimale du probl`me ULS4 e P´riodes (t) e Demandes (dt ) Stock de s´curit´ (Lt ) e e Coˆt de Setup (βt ) u Coˆt unitaire de Production (αt ) u + Coˆt unitaire de Stockage (γt ) u Coˆt unitaire de rupture (ϕt ) u − Coˆt unitaire de D´ficit (γt ) u e 1 1 000 200 200 000 70 55 250 150 2 1 000 800 250 000 70 55 212..5 5 1 000 800 250 000 70 55 100 60 Tab.100 ` CHAPITRE 5.

k) on d´finit un sous-probl`me que l’on r´sout ` l’optimum.4 est la repr´sentation e e de la solution optimale dans un r´seau. k) e e (avec i < j ≤ k. D’une mani`re ´quivalente. j. k) qui donne la meilleure valeur de la fonction objectif du probl`me ULS4. il e e existe au plus une p´riode de production j (i < j ≤ k).00 2 000. e et les p´riodes 3 et 5 sont des points d’inventaire de type 2. e e e ijk Les indices u et v caract´risent les points d’inventaire (de type 1 ou de type 2).00 2 500.00 1 2 3 4 5 Périodes Fig. e 5.2 Algorithme de r´solution du probl`me ULS4 e e En se basant sur les propri´t´s des solutions optimales (proposition 19). La figure 5. j. j. i et k points d’inventaire. L’id´e de e ee e u e l’algorithme de programmation dynamique propos´ est de consid´rer tous les triplets (i. nous d´veloppons ee e dans ce qui suit un algorithme de programmation dynamique afin de r´soudre le probl`me e e ULS4 ` l’optimum.3 – Solution optimale du tableau 5. v) est fix´ ` 0 si la p´riode i (resp. Nous avons montr´ pr´c´demment (proposition 19) qu’une solution r´alisable a e e e e est un flot extrˆme si et seulement si entre deux points de production il existe un point d’ine ventaire. L’indice e u (resp. pour chaque triplet (i. k) est un point d’inventaire de type 1. L’indice ea e .2.00 1 500. Les p´riodes e e 1 et 4 sont des points de production. e e e a On d´finit alors le probl`me ULS4uv qui n’est qu’un probl`me ULS4 restreint. Les p´riodes 2 et 4 sont des points d’inventaire de type 1.2. e Donc. Il suffit alors de chercher tous les flots e extrˆmes qui satisfont ces propri´t´s et d’identifier le flot extrˆme de coˆt minimum. k avec i < k.00 500. entre deux points d’inventaire adjacents i. et j point de production) et de trouver la s´quence e de triplets (i. Les arˆtes en gras repr´sentent les arˆtes fix´es ` e e e e e a leurs bornes sup´rieures.5. 5.1 p´riodes 2 et 3 sont des points d’inventaire de type 1 et de type 2 respectivement.2.00 Production Demandes Ruptures Stock de sécurité Stock Unité 1 000. RELAXATION LAGRANGIENNE 101 3 000.00 0.

e e – – – – Si Si Si Si + − u = 0 alors Ii−1 = 0 et Ii−1 = 0 si i > 1 . − + v = 0 alors Ik = 0 et Ik = 0 . e a uv est un probl`me d´fini sur l’intervalle des p´riodes {i.4 – Repr´sentation de la solution optimale du probl`me ULS4 dans un r´seau e e e u (resp.. k} ea e repr´sente l’ensemble des entiers de i ` k. . a e e Les indices u et v caract´risent les points d’inventaire i − 1 et k de la mani`re suivante. .. . uv Posons Zijk la valeur de la fonction objectif du probl`me ULS4uv . . e ijk uv a e e Trouver la valeur de Zijk revient ` trouver la solution optimale au probl`me lin´aire uv d´fini par le programme lin´aire suivant : ULS4ijk e e  uv Zijk = βj + πj fj + min (αj + πj vj ) xj + t∈{i.102 ` CHAPITRE 5. k} \ j est nulle xt = 0. k) est un point d’inventaire de type 2. . {i. . RELAXATION LAGRANGIENNE POUR LE PROBLEME MCLS4 800 X 2800 4800 5600 2000 0 200 1 200 1000 2 800 1000 3 1000 200 4 0 1000 5 −200 1000 800 1’ 1000 2’ 1000 3’ 1000 4’ 1000 5’ 1000 200 R Fig. Il n’existe de la e e e ULS4ijk production qu’` la p´riode j. . la production aux p´riodes t ∈ {i. . . v) est fix´ ` 1 si la p´riode i (resp. + − v = 1 alors Ik = 0 et Ik = Lk . + − u = 1 alors Ii−1 = 0 et Ii−1 = Li−1 si i > 1 ...28) . k}. . 5. . .k}  + + − − (γt It + γt It + ϕt rt ) (5.

k} 0.c : + − + − It−1 − It−1 + rt = dt + δt + It − It . . .31) − − Ij−1 + xj + rj = dj + δj + xj ≤ M. . .33) (5. .29) (5.35) Une solution optimale de base de ULS4 correspond ` la valeur minimale d’une s´quence a e u est d´finie comme ´tant le coˆ t e e u d’intervalles de points d’inventaire adjacents. 5. U et C repr´sentent respectivement a u e e e la capacit´ maximum sur les arcs et le coˆt maximum sur les arcs. e uv uv uv Zik = min Zi0k .u=0. a u e e uv Afin de trouver la valeur du plan de production optimal Zik sur l’intervalle i.30) (5. . .36) v La valeur optimale du probl`me ULS4 est donn´e par FT = minv=0. .5. k avec j comme unique p´riode de production (i < j ≤ k) et la politique optimale pour l’intervalle e uv i. ∀t ∈ {i. RELAXATION LAGRANGIENNE s. k} \ j − Ij (5. . . . . rt ≤ d t . It ≥ − It + Ij − ∀t ∈ {i. min Zijk i<j≤k (5. . e e Auteurs Goldberg and Tarjan [69] Ahuja et al. Fk peut ˆtre calcul´ en utilisant la formule r´cursive suivante : e a e v Fk = i≤k. . k. . e e e Complexit´ de l’algorithme de programmation dynamique Le probl`me ULS4uv e e ijk est r´solu en utilisant un algorithme de flot ` coˆt minimum. ≤ Lt . . k} (5. . rt . + Ij−1 103 ∀t ∈ {i + 1. .3 – Complexit´ des algorithmes de flots ` coˆt minimum e a u . .1 min u uv Fi−1 + Zik (5.1 FT . + − xt . Si la fonction Fk correspondant ` la valeur minimale de s´quences d’intervalles de points d’inventaire adjacents a e u e e e de la p´riode 1 ` la p´riode k. k} ∀t ∈ {i. Les meilleurs algorithmes de e a u flot ` coˆt minimum sont pr´sent´s dans le tableau 5. m et n repr´sentent e u e respectivement le nombre d’arcs et le nombre de nœuds du probl`me trait´. . It .34) Le probl`me ULS4uv peut ˆtre r´solu en utilisant un algorithme de flot ` coˆt minimum. on cherche le minimum entre toutes les politiques optimales pour les intervalles i. e e L’algorithme de r´solution du probl`me ULS4 est d´crit par l’algorithme 4. . . .2. . k avec aucune p´riode de production (que l’on note Zi0k ).32) (5. . e e e a u ijk Les meilleurs algorithmes de flot ` coˆt minimum sont pr´sent´s dans le tableau 5. .3. [6] Orlin [139] Complexit´ th´orique e e O(nm log(n2 /m) log(nC)) O(nm log log U log(nC)) O(m log n(m + n log n) Tab. .3 page 103. .

a La complexit´ O(T 5 log2 T ) est r´duite ` O(T 2 ) si le stock de s´curit´ n’est pas consid´r´. mais elle prouve que le probl`me est solvable en e e temps polynomial. F0 ← 0 fin pour pour i = 1 ` T − 1 faire a pour k = i + 1 ` T faire a r´p´ter e e uv Calculer Zi0k uv uv Zik ← Zi0k pour j = i + 1 ` k faire a uv Calculer Zijk uv uv uv Zik ← min Zik . [188] ont utilis´ des techniques g´om´triques pour am´liorer l’algoe e e e rithme de Wagner et Whitin [189] en faisant passer son temps de calcul de O(T 2 ) ` O(T log T ). Fi−1 + Zik v ←1−v si v = 0 alors u←1−u finsi jusqu’` u = 0 et v = 0 a fin pour fin pour u FT = minu=0. En effet. T } et u ∈ {0. Le calcul de Zijk s’effectue donc en O(T 2 log2 T ) (Orlin [139]). Aksen et al. Wagelmans et al. . . 1} faire u Ftu ← +∞. Ahuja et al. RELAXATION LAGRANGIENNE POUR LE PROBLEME MCLS4 Algorithme 4 Algorithme de r´solution du probl`me ULS4 e e 1: 2: 3: 4: 5: 6: 7: 8: 9: 10: 11: 12: 13: 14: 15: 16: 17: 18: 19: 20: 21: 22: u ← 0.1 FT La m´thode propos´e par Goldberg and Tarjan [69] est une proc´dure de scaling des capae e e cit´s. e e a e e ee e En effet. Pour plus de d´tails sur e e e les meilleurs algorithmes de flot ` coˆt minimum le lecteur peut se r´f´rer ` [7]. o` e u a e u bien satisfaite en totalit´. le nombre de sommets du graphe qui repr´sente le probl`me Zijk est de 2T +3 e e uv et le nombre d’arcs est de 5T + 1. La complexit´ globale de l’algorithme de r´solution du e e 5 log2 T ). Zijk fin pour v v u uv Fk ← min Fk . Ce probl`me satisfait aux conditions d’optimalit´ de Zangwill [199]. A chaque p´riode e e e t. il ne d´pend pas des param`tres U et C. v ← 0 pour tout t ∈ {1. a u ee a uv Au pire cas. La complexit´ u e e de cet algorithme d´pend des deux param`tres U et C. Cette demande doit toujours ˆtre satisfaite par la production.104 ` CHAPITRE 5. Donc n = 2T + 3 et m = 5T + 1. e e e e En effet. o` bien la demande ` cette p´riode est totalement perdue. probl`me U LS4 est de O(T e Cette complexit´ reste assez importante. [6] ont d´velopp´ un e e e e e algorithme de double scaling qui combine le scaling des coˆts et des capacit´s. nous avons deux possibilit´s. . la complexit´ de leur algorithme d´pend de U . [8] ont propos´ un algorithme de programmation dynamique en O(T 2 ) pour r´soudre le probl`me classique de lot-sizing ULS avec des ruptures sur la demande not´ e e e ULS2. L’algorithme propos´ par Orlin [139] e e e est fortement polynomial. le e e . Plusieurs techniques peuvent ˆtre utilis´es pour am´liorer cette complexit´. .

u e X 0 . La figure 5. e e e e ULS2B est une abr´viation en anglais de : Uncapacitated Lot-Sizing problem with Shortage and Backloge ging costs. k−2 k−1 k k+1 k+2 .2. le backlogging ou perdue mais jamais e par une combinaison de ces quatre possibilit´s. Ainsi.. e e e e e la demande peut ˆtre satisfaite ` partir de la production de p´riodes futures. la demande d’une p´riode donn´e e e e doit toujours ˆtre satisfaite par la production. quand la capacit´ sur les variables de stock de s´curit´ est relax´e.2. En effet. e 105 En relaxant la contrainte (5. 5. Ce parcours n´cessite u e 2 ) op´rations. k−2 k−1 k k+1 k+2 R Fig.. 3 .5 – Structure en arbre de la solution optimale du probl`me ULS2B e 5. Le principe de cet algorithme de programmation dynamique est bas´ sur e e les points de production. le stock. D’o` la complexit´ de O(T 3 ).3 Sch´ma de relaxation lagrangienne e Dans cette partie. En effet.. nous d´crivons le sch´ma de la relaxation lagrangienne ainsi que la e e r´solution du probl`me dual obtenu apr`s dualisation des contraintes de capacit´.5 repr´sente la structure en arbre de la solution optimale du a e probl`me ULS2B.5..33) du probl`me ULS4 et en ´liminant les besoin δt . RELAXATION LAGRANGIENNE stock ou perdue mais jamais par une combinaison de ces trois possibilit´s. Le calcul de coˆ t pour chaque paire de points de production se fait au pire O(T e u cas en O(T ). En se basant sur ces conditions. Ce probl`me e a e e satisfait ´galement les conditions de Zangwill [199]. il suffit de chercher la s´quence de points de production e qui respecte les conditions de Zangwill et qui minimise le coˆt total. on e e retombe sur un probl`me de lot-sizing avec des ruptures sur la demande et du backlogging e not´ ULS2B3 . il est facile de e d´velopper un algorithme de programmation dynamique en O(T 3 ) pour r´soudre le probl`me e e e ULS2B ` l’optimum.

e e La fonction lagrangienne associ´e au probl`me MCLS4 est : e e L(x.c.4).38) Pour tout π ≥ 0. I + .3). y. ` l’ensemble e de contraintes (5. I − ) v´rfiant (5.106 ` CHAPITRE 5.2.3) sont dualis´es dans la fonction objectif.5). .c. y.6). (5. . r. I + .3). on d´finit le probl`me lagrangien par le programme lin´aire suivant : e e e min L(x. qui e a e e est un probl`me d’optimisation combinatoire difficile en N sous-probl`mes faciles ` r´soudre e e a e ULS4. On e e rappelle que le probl`me MCLS4 est d´fini comme suit. (5.3). En effet. π2 . r.1 Dans notre ´tude. (5.2).t + + − − αit xit + βit yit + γit Iit + γit Iit + ϕit rit + t πt i (vit xit + fit yit ) − ct (5. r.3. RELAXATION LAGRANGIENNE POUR LE PROBLEME MCLS4 Dualisation des contraintes de capacit´ e 5. (5. en dualisant les contraintes difficiles couplantes ` savoir les contraintes de capacit´ a e (5. (5. appel´ probl`me dual lagrangien. Le but est e e e donc de rechercher la valeur du vecteur π qui maximise la fonction W(π). .7). (5.y. π) W(π) = (x. π) = i. e e S = (x. r. y.4). (5. e e + + − − + βit yit + γit Iit + γit Iit + ϕit rit Z = min s.r. (5.2). πT )T (avec πt ≥ 0 pour tout t) appel´ vecteur lagrangien. r. I + .I − )∈S min (5. (5.8) e La fonction duale W(π) est d´finie pour tout (π ≥ 0) par : e L(x. Le but de cette relaxation est de fournir une borne inf´rieure au probl`me MCLS4. e e e e maxu W(π) s. y. I + . I − .37) On d´finit ´galement l’ensemble de contraintes S tel que. En effet.t αit xit (5. W(π) ≤ Z. π≥0 . . les composantes πt sont appel´es les multiplicateurs lagrangiens. I + . nous associons un vecteur π = (π1 .7). (5.8) e a Les contraintes relax´es (5. I − .I + . (5.6). Cette valeur est obtenue en r´solvant le probl`me suivant. y. la relaxation lagrangienne sert ` d´composer le probl`me MCLS4. I − ) ∈ S W(π) d´finit une borne inf´rieure au probl`me MCLS4. i.5). I − . π) (x.

D’autre part. si l’on remplace dans la formule pr´c´dente W(π e e e Polyak [154] a montr´ que : soit la s´quence W(π k ) converge vers W . e Prendre ν ´gal ` 2 pendant 2T it´rations. ∀k ( > 0 fix´) alors la u e e convergence est g´om´trique (Polyak [154]).3.39) o` le coefficient νk dit coefficient de relaxation v´rifie < νk ≤ 2. [78] sont v´rifi´es. Ceci se produit en pare e ticulier quand ν = 2 pour tout k. e – W − LB < 1 .3. Dans ce cas. diviser par 2 la valeur de ν toutes les q e a e it´rations jusqu’` ce que les λk soient suffisamment petits < fix´ (g´n´ralement q ≈ 5). – Les conditions des exp´riences de Held et al.2 R´solution du probl`me dual : Algorithme du sous-gradient e e 107 La m´thode sous-gradient est une m´thode it´rative. e e e e D’apr`s les exp´riences de Held et al. RESULTATS EXPERIMENTAUX 5. nous pr´sentons des r´sultats exp´rimentaux issus de l’application de e e e la relaxation lagrangienne au probl`me MCLS4. Mais e ee e ıt ∗ ) par une estimation par d´faut W ≤ W(π ∗ ). a montr´ que la suite W(π k ) converge vers l’optimum W(π ∗ ) sous les seules e conditions : λk → 0 quand k → +∞. Enfin. Les bornes inf´rieures obtenues ` la fin de la e e a . e L’algorithme 5 s’arrˆte si l’une des conditions suivantes est v´rifi´e : e e e – La solution du probl`me relax´ est r´alisable pour le probl`me initial . mais on ne peut rien dire sur la k vitesse de la convergence. la suite des valeurs W(π k ) obtenues n’est g´n´ralement e e pas monotone croissante. Si on choisit ` chaque ´tape k des valeurs pour λk d´finies par : a e e W(π ∗ ) − W(π k ) Γ(π k ) λk = νk (5. La convergence de W(π k ) n’est pas monotone.3 R´sultats exp´rimentaux e e Dans cette partie. une valeur de e e e e d´placement dans la direction du sous-gradient λk est choisie a priori afin d’am´liorer la e e solution de l’´tape pr´c´dente W(π k−1 ). e a e e e L’algorithme du sous-gradient est d´fini par l’algorithme 5. la condition e λk → 0 quand k → +∞ oblige ` choisir νk → 0 quand k → +∞. a En pratique. 1 > 0 . (o` T est le nombre de variables duales) puis e a e u diviser par 2 la valeur de ν et le nombre d’it´rations jusqu’` atteindre une limite inf´rieure e a e a ` q (fix´e ` l’avance) du nombre d’it´rations. l’it´ration k. [78]. soit on obtient en un e e nombre fini d’it´rations un point πk v´rifiant W ≤ W(π k ) ≤ W(π ∗ ). A chaque ´tape k. puisqu’on ne connaˆ pas W(π ∗ ). e e e Polyak [153].´ ´ 5. Γ(π e Ce r´sultat a un int´rˆt principalement th´orique. alors : +∞ λk → +∞. on choisira souvent W la valeur de Z correspondant ` la meilleure solution a du probl`me MCLS4 obtenue dans les ´tapes pr´c´dentes du calcul. le choix de νk comme suite donne de bons e e r´sultats.2. e e e 5. [78] ont montr´ que l’on peut remplacer W(π ∗ ) par une estimation par exc`s e e W ≥ W(π ∗ ) sans que la convergence de l’algorithme ne soit affect´e. Held et al. Γ(π k ) est la valeur du sous-gradient de W(π) ` e e a k ) est la norme de Γ(π k ). e e e e – Un nombre maximal d’it´rations Q est atteint .

Les instances de Trigeiro et al. I + . la formule 5. Les caract´ristiques e e e des instances de Trigeiro et al.y. rk . r. (Γ(π k ) est un sous-gradient de W en π k ). e e 5. π k + λk Γ(π k )) k ←k+1 fin tant que relaxation lagrangienne sont compar´es ` celles obtenues ` la fin d’un algorithme de branche a a and-bound.108 ` CHAPITRE 5. Elles sont ´galement caract´ris´es par des coˆts de setup importants. π k ) = min(x. y. Puisque les instances de Trigeiro et al. ces contraintes ne sont pas encore prises en compte par notre approche de relaxation lagrangienne.r.66 GHz. o` N est le nombre de e u r´f´rences et T le nombre de p´riodes. sont not´es T rN −T .3.4. n. [172].39) e Initialiser la meilleure borne inf´rieure LB = −∞. [172] sont d´crites dans le tableau 5. RELAXATION LAGRANGIENNE POUR LE PROBLEME MCLS4 Algorithme 5 Algorithme du sous-gradient 1: 2: 3: 4: 5: 6: 7: 8: 9: 10: 11: 12: 13: 14: 15: Initialiser les multiplicateurs lagrangiens π 0 ≥ 0. Nous avons donc effectu´ des tests sur une s´rie e e d’instances ´tendues de la librairie de lot-sizing LOTSIZELIB [114]. [172].I + . 5.I − )∈S L(x. k si LB < W(π ) alors LB ← W(π k ) finsi pour t = 1 ` T faire a k k Γ(πt ) ← i (vit xk + fit yit ) − ct . Tous les tests ont ´t´ effectu´s sur un ordinateur personnel ee ee e ´quip´ d’un microprocesseur Pentium IV 2.1 Instances de test Les instances des clients DynaSys contiennent g´n´ralement plusieurs groupes de r´f´rences e e ee et plusieurs gammes de production. Elles sont caract´ris´es par une consommation variable ee e e e en ressources ´gale ` 1. des e e e u besoins fixes en ressources peut signifiants et pas de stock de s´curit´. I − . initialement d´crites dans e e Trigeiro et al. sont caract´ris´es par des capacit´s suffisantes e e e pour satisfaire toute la demande. e Instance tr6−15 tr6−30 tr12−15 tr12−30 tr24−15 tr24−30 N 6 6 12 12 24 24 T 15 30 15 30 15 30 Tab. nous avons effectu´ quelques modifications pour induire des e . Nos algorithmes sont impl´ment´s en langage C++ et ils sont int´gr´s ` le logiciel d’APS e e e e a de la soci´t´ DynaSys. I + . y k . D´finir une suite de nombres λk tel que : λk → 0 quand k → +∞.4 – Instances de Trigeiro et al.SKEP. π k ). et assez de capacit´ pour satisfaire toute la demande sur l’horizon e a e de planification. I − . (ex. it fin pour π k+1 ← max(0. e k←0 tant que Aucun crit`re d’arrˆt n’est atteint faire e e k k W(π k ) ← L(xk .

Cependant. il serait int´ressant de faire des tests en utilisant un algorithme e e e e e de flot ` coˆt minimum dont la complexit´ est polynomiale. a e Le niveau de stock de s´curit´ est bas´ sur une couverture exprim´e en nombre p´riodes. e e Les nouvelles instances sont synth´tis´es en 2 classes de 6 instances chacune.2 Interpr´tation des r´sultats e e Les sous-probl`mes lagrangiens engendr´s ` chaque ´tape de la relaxation lagrangienne e e a e sont r´solus ` l’optimum en utilisant le solveur CPLEX 9. Dans e e ce qui suit. Donc. e e e e e A chaque p´riode. ϕit >> maxi . γi t .´ ´ 5. Ils sont augment´s e en les multipliant par un coefficient 1 + τ tel que τ ≈ 0. La formule utilis´e pour calculer la valeur du d´placement λk est la suivante : e e λk = νk W(π ∗ ) − W(π k ) Γ(π k ) Les param`tres de la relaxation lagrangienne sont fix´s selon le sch´ma propos´ par Held e e e e et al. γi t . le stock de s´curit´ est ´gal ` la somme des demandes sur le e e e a tron¸on de l’horizon qui commence ` cette p´riode et qui a la valeur de la couverture c a e comme longueur. le besoin variable en ressources et en rajoutant un seuil pour le stock de s´curit´. En effet. Le besoin variable en ressource est e e multipli´ par un coefficient 1 + ρ tel que 0 ≤ ρ ≤ 0. En effet. Les coˆts ϕit et γit ont la particularit´ de d´croˆ dans le temps. Enfin. γi t et γit >> ee e e − + u e e ıtre maxi . Les coˆts de rupture sur la demande et les coˆts de d´ficit sur le stock de s´curit´ u u e e e + − − sont consid´r´s comme des p´nalit´s. page 93).1 × ct . βi t . e e e 5.3. nous avons effectu´ e e e des modifications sur le besoin fixe en ressources (temps de setup).001 × ct . le stock de s´curit´ est calcul´ en fonction des demandes futures et e e e e de cette couverture. ct repr´sente la capacit´ en e e e ressources disponible ` la p´riode t . βi t .3. Ce mod`le ` donn´ de meilleures performances que le e e e e e a e mod`le d´sagr´g´. Ainsi.t αi t . e e – Classe A : La premi`re classe est obtenue en augmentant le besoin variable en ressources e et en rajoutant un niveau de stock de s´curit´. Cette e e derni`re est obtenue en utilisant des heuristiques bas´es sur la d´composition de l’horizon de e e e . – Classe B : La seconde classe est bas´e sur la premi`re classe. a u e Nous utilisons la m´thode du sous-gradient pour mettre ` jour les multiplicateurs lagrane a giens. les demandes au d´but de l’horizon correspondent ` des ordres de fabrication r´els e a e et non ` des pr´visions. [78]. RESULTATS EXPERIMENTAUX 109 ruptures sur la demande et des d´ficits sur le stock de s´curit´. Ces coˆts sont g´n´r´s de la mˆme fa¸on e e e e u e ee e c pour toutes les instances d´crites pr´c´demment. puis on divise par 2 la e e a e valeur de ν et le nombre d’it´rations jusqu’` atteindre une valeur inf´rieure ` q du nombre e a e a d’it´rations. nous donnons plus de d´tails sur la cr´ation des nouvelles instances. e La valeur de W(π ∗ ) est remplac´e par une estimation par exc`s W ≥ W(π ∗ ).t αi t . on divise par 2 la valeur de ν toutes les q it´rations jusqu’` e e a e a ce que les λk soient suffisamment petits < fix´. Nous avons d´riv´ 12 nouvelles e e e e e instances issues des instances T rN −T en augmentant le besoin fixe en ressources (temps de setup).0 et le mod`le math´matique agr´g´ e a e e e e pr´sent´ pr´c´dement (cf. q est fix´e ` 5. tandis que les demandes ` la fin de l’horizon sont g´n´ralement des a e a e e pr´visions et peuvent donc ˆtre moins p´nalis´es. Le pas de d´placement ν ´gal ` 2 pendant 2T it´rations.

En e e e e e revanche. 5.00% 250.00% 200.00% 12-15 12-30 24-15 24-30 6-15 6-30 50. Les graphiques 5. e 300.00% 0. T ime repr´sente le temps e e e d’ex´cution en secondes et Q le nombre d’it´rations maximale de la relaxation lagrangienne. Le GAP mesure la qualit´ de la borne inf´rieure. e e e e Le tableau 5.6 – Relaxation lagrangienne : Classe d’instances A Nous avons ´galement mesur´ la qualit´ des bornes inf´rieures obtenues par la relaxae e e e tion lagrangienne en les comparant aux bornes inf´rieures obtenues en utilisant un logiciel e d’optimisation CPLEX 9. RELAXATION LAGRANGIENNE POUR LE PROBLEME MCLS4 planification d´crites au chapitre 6.0 pour les mod`les monolithiques pr´sent´s ` la page 93 et 94. LB est la valeur de la meilleure borne e e inf´rieure. on remarque qu’il y a une am´lioration importante de la borne e inf´rieure entre la 50`me it´ration et la 100`me it´ration de la relaxation lagrangienne.6 et 5.00% 100. e e e a .7 repr´sentent l’am´lioration e e e e du GAP en fonction du nombre d’it´rations pour les classes d’instances A et B respectivement. e e A partir du tableau 5. e a – L’´cart entre la borne inf´rieure et la borne sup´rieure est inf´rieur ` 1%.5. 100 et 200 . L’algorithme de relaxation lagrangienne s’arrˆte si : e – Un nombre maximal d’it´rations Q est atteint. l’am´lioration entre la 100`me it´ration et la 200`me it´ration n’est pas tr`s ime e e e e e portante et les temps CPU sont ´lev´s. LB repr´sente la valeur de la meilleure borne e inf´rieure obtenue ` la fin de la relaxation lagrangienne. On fixera Q ` 50. W repr´sente la valeur de la borne e a e sup´rieure obtenue ` la fin de l’ex´cution de l’heuristique de d´composition de l’horizon de e a e e planification.110 ` CHAPITRE 5. Celui-ci est e e e e a mesur´ par le param`tre GAP = W − LB /W. Les temps d’ex´cution des heuristiques varient entre 1 e e seconde et 40 secondes.00% (GAP) 150.00% 1 13 25 37 49 61 73 85 97 109 121 133 145 157 169 181 193 Nombre d'itérations (Q) Fig.5 r´capitule les r´sultats exp´rimentaux de l’application de la relaxation lagrangienne aux classes d’instances A et B.

05 261.25 16988946.66 4729878.54 26517445.59 7832065.67% 2.78% 1.49 351.09 45512020.3 69.78 27275422.51 52.19% 58.46% 32.35 26739133.24 5858168.01% 4.69 4579192.13 41459351.35 27588094.8 93.17% 1.29% 3.97% 4.72% 6.59 10563117.39 48.24 LB 4562625.09 28655048.39% 43.19 133.09 45512020.84 7592239.08 8843801.44 2288866.63 16712435.59 10563117.94 9025396.63 16712435.33 21.75% 5.98 16468972.3.91 10099169.51 5145758.14 13292194.23 27587051.81 4664906.28 17.69 18437010.17% 2.84 132.40 27292258.78 27275422.94 9025396.14 13292194.59 7832065.55 71.34 233.44 9956476.84% 7.43 15330246.62 132.06% 4.64 38.78 6013632.09 28655048.24 5858168.76% 3.04% 2.51 5665290.09 45512020.99 Tab.81 4664906.55% 25.45 54.12% 3.96 12579536.40 4579315.39% 1.49 5665712.08% 9.63 16712435.50 29985269.78 27275422.75% W 4664906.08 13.71 104.7 281.31 17.22 16516985.08% 7.69 47.96 16516646.16% 4.77 7555426.99 134.29 538.29% 3.42 366.09 28655048.59 10563117.25% 2. RESULTATS EXPERIMENTAUX 111 N T Class A 6 15 6 30 12 15 12 30 24 15 24 30 6 15 6 30 12 15 12 30 24 15 24 30 6 15 6 30 12 15 12 30 24 15 24 30 Class B 6 15 6 30 12 15 12 30 24 15 24 30 6 15 6 30 12 15 12 30 24 15 24 30 6 15 6 30 12 15 12 30 24 15 24 30 Q 50 50 50 50 50 50 100 100 100 100 100 100 200 200 200 200 200 200 50 50 50 50 50 50 100 100 100 100 100 100 200 200 200 200 200 200 T ime 7.44 GAP 2.48 9.84 5591338.76% 34.29 762.20 5455078.64% 3.36% 72.81 5858168.07 664.90% 3.07% 1.97 26.74 963.54 8809326.74% 1.86 40.01 12750327.27 252.43 42437756.83% 5.94 9025396. 5.20 5455078.53% 4.5 – R´sultats exp´rimentaux : Relaxation Lagrangienne e e .59 7832065.48 15690378.7 89.97 21.25 172.40% 1.73% 8.94 208.´ ´ 5.26 5059616.57 12749866.03 5815403.28 49.25 16988946.25 16988946.14 13292194.01% 5.20 5455078.47 8844038.

6. M ethod e ee e repr´sente le nom de la m´thode.00% 50. Les algorithmes BCAGG et BCF L s’arrˆtent si un temps de r´solution maximum de 900 e e secondes est atteint. N e e e et T repr´sentent respectivement. e e e o e ea Pour les deux algorithmes. En comparant les tableaux 5.00% (GAP) 100. on remarque que les GAP fournis par l’utilisation conjointe de la relaxation lagrangienne ` 100 it´rations et l’heuristique de d´composition de l’horizon a e e .00% 0. il est ´gal ` (U B − LB) /U B et le second est le temps CPU not´ e e a e T ime. Le tableau 5. RELAXATION LAGRANGIENNE POUR LE PROBLEME MCLS4 250. Toutes les comparaisons sont effectu´es sur les deux crit`res suivants : le e e premier est appel´ GAP. on remarque que BCAGG donne de meilleurs r´sultats que e BCF L .112 ` CHAPITRE 5. U B = W. Les temps CPU de la m´thode RL sont obtenus apr`s 100 it´rations. LB et U B repr´sentent respectivement la borne inf´rieure et e e la borne sup´rieure ` la fin de l’ex´cution des m´thodes BCAGG et BCF L .7 – Relaxation lagrangienne : Classe d’instances B Nous avons donc compar´ la relaxation lagrangienne. not´e : RL. aux deux m´thodes suie e e vantes : – BCAGG : Un algorithme bas´ sur le branch-and-bound standard de CPLEX 9.6 et 5. 5.00% 1 13 25 37 49 61 73 85 97 109 121 133 145 157 169 181 193 Nombre d'itérations (Q) Fig. On peut noter ´galement que la relaxation lagrangienne avec 100 it´rations donne e e g´n´ralement de meilleures bornes inf´rieures que BCAGG et BCF L . mais les temps e e d’ex´cution sont excessifs. les temps d’ex´cution e e e e sont ´galement nettement meilleurs.00% 12-15 12-30 24-15 24-30 6-15 6-30 150. e En analysant le tableau 5.0 pour le e mod`le bas´ sur le probl`me de localisation d’entrepˆts pr´sent´ ` la page 94. Pour la m´thode e a e e e RL. e e e e ea – BCF L : Un algorithme bas´ sur le branch-and-bound standard de CPLEX 9. le nombre de r´f´rences et le nombre de p´riodes.6 r´capitule les r´sultats exp´rimentaux bas´s e e e e e e sur le crit`re d’arrˆt pr´sent´ pr´c´dement. on remarque que e la relaxation lagrangienne avec 200 it´rations donne les meilleurs r´sultats.0 pour e le mod`le agr´g´ pr´sent´ ` la page 93 .6. e e e e e e A partir du tableau 5.00% 200.5.

99 900 900 134.41 16516646.06 28695501.01% 5.57 12838374.09 27518544.49 7832065. 5.63% 3.23 26854630.72 9679202.63 16599925.87% 15.59 10460541.27 16454521.02 5858168.09 28685166.34 900 900 233.49 T ime 900 900 21.52% 9.24 10563117.53% 4.43 5665290.17% 2.08 8795010.78% 1.58 9025396.24 LB 4607015.96 16392410.48 5691159.86 9956476.47% 9.19 4664906.61 4644016.38% 4.75% 2.56 8843801.84% 4.54 26369067.44 9882927.36 42291417.20 5356554.09% 3.76% 6.65 5458885.24 4594442.74% 1.85 5455078.49 900 900 351.64 8907659.09 46005650.90% UB 4641902.51 900 900 26.25 17044633.67 15343139.35% 0.14 13308806.7 900 900 89.11% 3.13 40053010.6 – R´sultats exp´rimentaux : crit`re d’arrˆt (900 sec) e e e e .88 45512020.26 5130361.42 4960012.07% 1.18 8836323.34 13292194.77 5844767.25% 0.66% 2.59 27275422.41% 6.3 900 900 69.25 900 900 172.22% 9.46% 4.94 28655048.40 5728964.12 25660241. RESULTATS EXPERIMENTAUX 113 N T Class A 6 15 6 15 6 15 6 30 6 30 6 30 12 15 12 15 12 15 12 30 12 30 12 30 24 15 24 15 24 15 24 30 24 30 24 30 Class B 6 15 6 15 6 15 6 30 6 30 6 30 12 15 12 15 12 15 12 30 12 30 12 30 24 15 24 15 24 15 24 30 24 30 24 30 M ethod BCAGG BCF L RL BCAGG BCF L RL BCAGG BCF L RL BCAGG BCF L RL BCAGG BCF L RL BCAGG BCF L RL BCAGG BCF L RL BCAGG BCF L RL BCAGG BCF L RL BCAGG BCF L RL BCAGG BCF L RL BCAGG BCF L RL GAP 0.22% 5.08% 8.25% 1.45 12749866.29% 4.73% 12.39 900 900 48.09 12782850.12 10662839.94 8915616.3.55 Tab.05 900 900 261.46 16988946.´ ´ 5.01% 11.17 27522257.27 16583359.12 26517445.86 900 900 40.75% 1.81 5825939.13 41459351.96 45515974.95 13380178.77 7501442.66 7555426.02 27587051.44 7242896.08% 14.43 14510544.31 16712435.53% 3.78 27020066.82 18150679.80% 2.71 900 900 104.32 5059616.94% 7.78% 1.90 8148507.86 15330246.28 4579192.59 7814548.14% 7.

Une bonne borne inf´rieure permet d’avoir de meilleures e e bornes sup´rieures. [188]. RELAXATION LAGRANGIENNE POUR LE PROBLEME MCLS4 de planification sont meilleurs que ceux fournis par les m´thodes BCAGG et BCF L pour les e instances de classes B. les groupes de r´f´rences et le multiee ressources. Des r´sultats exp´rimentaux ont e e e e montr´ l’efficacit´ de cette approche. Puisqu’en ajoutant des variables e o e de rupture sur la demande et de d´ficit sur le stock de s´curit´. En effet. BCAGG donne de meilleurs GAP pour les instances de classe A. des coˆts de rupture sur la demande ainsi que e u des coˆts de d´ficit sur le stock de s´curit´. e La borne inf´rieure trouv´e par la relaxation lagrangienne peut ˆtre utilis´e dans une e e e e m´thode de branch-and-bound. une approche bas´e sur la relaxation lagrangienne des contraintes e e e e de capacit´ a ´t´ d´velopp´e. les instances de classe B ont un temps de setup fixe beaucoup plus ´lev´ e e que ceux des instances de classe A. En effet. Une perspective ` ces recherches est d’impl´menter un algorithme e e a e sp´cifique de flots afin d’am´liorer les temps CPU pour la r´solution des probl`mes ULS4. Nous avons ´galement propos´ un algorithme polynomial pour e ee e e e e r´soudre les sous-probl`mes induits par cette relaxation.4 Conclusion Nous avons propos´ dans ce chapitre la mod´lisation d’un nouveau probl`me de lot-sizing e e e a ` capacit´ finie avec des temps de setup. e e e e Une autre perspective est d’essayer d’am´liorer la complexit´ de l’algorithme de r´solution des e e e sous-probl`mes induits par la relaxation lagrangienne en utilisant des m´thodes g´om´triques e e e e telles utilis´es par Wagelmans et al. la relaxation lagrangienne a fourni des bornes e e inf´rieures de bonne qualit´. Les contraintes de lancement de groupes et les contraintes de capacit´ couplent e plusieurs r´f´rences. Une double relaxation de ces contraintes permet au probl`me de se ee e d´composer en plusieurs sous-probl`mes ULS4. une meilleure borne inf´rieure peut ˆtre utilis´e pour ´laguer e e e e e les nœuds domin´s de l’arbre de recherche et permet ` l’algorithme de branch-and-bound de e a visiter des branches plus int´ressante afin de trouver de meilleures solutions. A partir de cette analyse. En effet.114 ` CHAPITRE 5. L’utilisation du mod`le bas´ sur le e e e probl`me de localisation d’entrepˆts a montr´ ses limites. mais de moins bons GAP sur les instances ` 30 p´riodes. En effet. Les bornes inf´rieures fournies par la relaxation e e e . Il serait int´ressant de tester la qualit´ des e e e e bornes inf´rieures obtenues par ce sch´ma de relaxation lagrangienne. L’utilisation conjointe de la e relaxation lagrangienne et l’heuristique de d´composition de l’horizon de planification donne e de bons r´sultats pour les instances les plus difficiles. a e a e On remarque ´galement que les instances de classe B sont plus difficiles que les instances e de classe A. e e e e e a e e 5. nous pouvons conclure que la relaxation lagrangienne donne de bonnes bornes inf´rieures pour toutes les instances de tests. En effet. Les travaux de Toledo et Armentano [173] ont montr´ que l’algorithme de Wagner e et Whitin peut ˆtre g´n´ralis´ pour le probl`me ULS multi-gammes ` ressources s´par´es. La m´thode BCF L donne de meilleurs GAP que la Relaxation lagrangienne pour les e instances de classe A ` 15 p´riodes. le mod`le agr´g´ donne de e e e e e e meilleurs r´sultats. des m´thodes g´om´triques peuvent ˆtre e e e e e utilis´es pour effectuer une telle am´lioration. e L’approche que nous avons propos´e dans ce chapitre peut ˆtre g´n´ralis´e afin de tenir e e e e e compte d’autres contraintes industrielles telles que. Notre approche peut e e ´galement ˆtre ´tendue pour le cas multi-gammes. En revanche. le but est de g´n´raliser l’algoe e e e e rithme de programmation dynamique que nous avons propos´ afin de consid´rer cette nouvelle e e contrainte. Afin de fournir une borne inf´rieure de bonne u e e e e qualit´ au probl`me trait´.

Afin de rendre e e e cette solution r´alisable. Celle-ci peut ˆtre inspir´e des travaux de Trigeiro et al. Nous avons d´velopp´ dans les chapitres 4 et 5 des approches pour r´soudre respectivement e e e des probl`mes MCLS2 et MLCS4 ´tendus. e e Le plan de production fourni par la relaxation lagrangienne n’est pas r´alisable pour le e probl`me MCLS4. e e e e e [172]. nous obtenons N sous-probl`mes de lot-sizing ` une seule r´f´rence.4.5. en e a e e effectuant une double relaxation lagrangienne des contraintes de capacit´ et des contraintes e de borne sup´rieure sur les variables de d´ficit sur le stock de s´curit´. une heuristique lagrangienne bas´e sur le lissage et la suppression e e de productions peut ˆtre d´velopp´e. Dans le chapitre suivant. CONCLUSION 115 lagrangienne peuvent ˆtre utilis´es dans une m´thode de branch-and-bound afin de r´duire la e e e e taille de l’arbre de recherche. Cette heuristique est une hybridation d’une m´thode de branch-and-bound et e e e d’une approche de d´composition de l’horizon de planification. nous pr´sentons une e e e heuristique qui permet de fournir une solution r´alisable ` des probl`mes dont la structure e a e est g´n´rique. En effet. Nous e e pouvons ´galement relaxer les contraintes de capacit´ et toutes les contraintes de stock de e e s´curit´. Une autre perspective ` ces recherches est de relaxer d’autres ensembles de contraintes a afin de traiter des sous-probl`mes plus faciles ` r´soudre que le probl`me ULS4. les seules contraintes viol´es sont les contraintes de capacit´. [8] ont propos´ un algorithme u e en O(T 2 ) pour r´soudre ce probl`me. Nous avons montr´ ` la page 105 que ce probl`me u ea e peut ˆtre r´solu en utilisant un algorithme de programmation dynamique en O(T 3 ). avec des coˆts de e a ee u ruptures et des coˆts de retard (backlog). et en ignorant les e e e e δt . e . Une telle relaxation engendre N sous-probl`mes de lot-sizing ` une seule r´f´rence e e e a ee et des coˆts de rupture sur la demande pour lequel Aksen et al.

.

Les voisie ea nages sont obtenus en rajoutant des in´galit´s appel´es Local branching cuts durant le pare e e 117 . Pour plus de d´tails sur les probl`mes a e e a e e e trait´s dans le cadre de mes recherches. un ensemble de r´f´rences est planifi´ jusqu’` ce qu’un plan de production e ee e a soit obtenu pour toutes les r´f´rences. Une solution r´alisable du probl`me initial est obtenue lorsque toutes les e e e p´riodes font partie du sous-probl`me trait´. Cette m´thode est un branch-and-bound coupl´ ` une recherche locale. Nous avons pr´sent´ e e e e aux chapitres pr´c´dents des m´thodes efficaces qui permettent d’am´liorer consid´rablement e e e e e les bornes inf´rieures de quelques probl`mes de lot-sizing. les chercheurs se sont int´ress´s ea e e e a ` des heuristiques de d´composition. Le temps e ee d’ex´cution long ainsi que la m´moire requise pour une r´solution exacte. ee e e e e La solution d’un probl`me ` T p´riodes est utilis´e pour trouver une solution ` un probl`me e a e e a e a ` T + 1 p´riodes. Les heuristiques r´f´rence par r´f´rence fonctionnent par ensembles de r´f´rences. Trouver une solution r´alisable pour les instances r´elles de grande taille demeure un challenge. Afin de trouver une solution r´alisable e e e de bonne qualit´ ` des probl`mes de lot-sizing de grande taille. le lecteur peut se r´f´rer au chapitre 3. plusieurs heuristiques dites ` base de MIP ont ´t´ d´velopp´es pour les e a ee e e probl`mes lin´aires mixtes. De telles approches ont ´t´ ´tudi´es par Afentakis [2]. les heuristiques de d´composition pour le probl`me MCLS sont e e e class´es en deux cat´gories : les heuristiques p´riode par p´riode et les heuristiques r´f´rence e e e e ee par r´f´rence. Kirca et K¨kten [98] ont utilis´ une telle m´thode pour ee o e e r´soudre le probl`me MCLS. de telles e e approches sont difficiles ` g´n´raliser et ` impl´menter. rendent les algoe e e rithmes exacts inutilisables pour des probl`mes r´els. e e eee e Dixon et Silver [51]. En effet. ee ee ee A chaque ´tape. Fischetti et Lodi [61] ont propos´ une m´thode appel´e Local e e e e e Branching. Eisenhut [56]. Une telle heuristique doit s’assurer de la faisabie e e lit´ de la solution des sous-probl`mes. e Les approches de d´composition fonctionnent g´n´ralement sur une ou plusieurs dimene e e sions du probl`me. e e R´cemment. Les heuristiques p´riode par p´riode fonctionnent souvent de mani`re r´cursive. Mais dans le cas o` toutes les cae e u ract´ristiques des probl`mes industriels des clients DynaSys sont prises en compte. Lambrecht et Vanderveken [107] et Maes et Van Wassenhove [118].Chapitre 6 Heuristiques de d´composition ` e a base de MIP Introduction Le probl`me de lot-sizing ` plusieurs r´f´rences avec des contraintes de capacit´ et des e a ee e temps de setup est NP-difficile au sens fort (Chen et Thizy [31]).

L’objectif principal est de satisfaire le client. Ce plan est ` ee e e a capacit´ finie et doit tenir compte d’un ensemble de contraintes additionnelles. durant le parcours de l’arbre de recherche.3. Merc´ et Fontan e [129]. D’autres auteurs se sont int´ress´s ` des applications sp´cifiques des heuristiques ` base de MIP aux probl`mes e e a e a e de lot-sizing. [43] ont propos´ une approche de recherche locale e plus ´labor´e dans le branch-and-bound. le mod`le que nous traitons dans ce e e e e chapitre. a a .1 Mod`le math´matique e e Nous rappelons dans ce qui suit la mod´lisation math´matique du probl`me de lot-sizing e e e trait´ dans ce chapitre.1. pour un horizon de planification constitu´ de T p´riodes. En effet. nous rappelons la mod´lisation math´matique du probl`me de lote e e sizing trait´.118 ´ ` CHAPITRE 6.2. Clark [35]. c’est-`-dire de minimiser le coˆt de rupture a u sur la demande. Une r´f´rence peut appartenir ` ee e ee ee a un ou plusieurs groupes de r´f´rences et un groupe de r´f´rences peut donc contenir une ou ee ee plusieurs r´f´rences. La solution obtenue peut e e ´galement ˆtre utilis´e comme borne sup´rieure dans une m´thode de branch-and-bound. HEURISTIQUES DE DECOMPOSITION A BASE DE MIP cours de l’arbre de recherche. Dans ce chapitre. Pochet et Van Vyve [148]. e e e e e Nous pr´sentons ´galement des r´sultats exp´rimentaux sur des instances r´elles. e e e e e Dans la section 6. nous pr´sentons une m´thode bas´e sur une hybridation d’une m´thode e e e e de branch-and-bound et une strat´gie de d´composition de l’horizon de planification afin de e e fournir une solution r´alisable au probl`me trait´. not´ (P). Ceci se traduit par la prise en compte : ee – d’un besoin ou d’une consommation fixe des capacit´s disponibles d`s qu’il y a lancement e e d’un groupe (on note J le nombre de groupes) . englobe toutes les caract´ristiques d´crites au chapitre 3. Enfin. Kelly [95]. Une strat´gie de d´composition de l’horizon de planification est pr´sent´e dans e e e e e la section 6. l’horizon de planification est partitionn´ en plusieurs sous-horizons e pour lesquels une strat´gie de relaxation ou de gel est appliqu´e. En effet. – d’un coˆt de lancement pour le groupe. Parmi ces travaux. Le second objectif du d´cideur e e e e est donc de minimiser le coˆt de d´ficit sur le stock de s´curit´. En effet. nous invitons e e e e le lecteur ` se reporter aux pages 31 et 36 respectivement. une consommation dite fixe (temps de setup). e e e e des r´sultats exp´rimentaux sur des instances r´elles ainsi qu’une analyse de sensibilit´ des e e e e heuristiques seront pr´sent´s en section 6. Il s’agit de d´terminer un plan de production d’un ensemble e e e de N r´f´rences.4. des e e heuristiques bas´es sur cette d´composition de l’horizon de planification sont pr´sent´es. Le lancement de la production d’une r´f´rence entraˆ le lancement des ee ee ıne groupes de r´f´rences auxquels elle appartient. Stadtler [164] et Suerie et Stadtler [166]. nous pouvons citer. Il peut arriver que l’on ne puisse pas atteindre ce seuil. En effet. Pour plus de d´tails sur la u e e e e mod´lisation des ruptures sur la demande et du d´ficit sur le stock de s´curit´. nous invitons le e e e lecteur ` se reporter ` la page 39. le e lancement de production d’une r´f´rence ` une p´riode donn´e entraˆ outre la consommation ee a e e ıne variable en ressources. e e quelques variables sont fix´es et un branch-and-bound est lanc´ sur les variables libres afin de e e trouver de meilleures solutions dans le voisinage de la solution en cours. Un autre objectif du d´cideur est d’avoir un profil de stock sup´rieur ` un e e a seuil appel´ stock de s´curit´. Dans la section 6. a Les r´f´rences sont class´es par groupes de r´f´rences. dans ce e e e cas on parle d’une situation de d´ficit sur le stock de s´curit´. e e 6. Danna et al. u Pour plus de d´tails sur la mod´lisation du probl`me en multi-groupes.

du groupe j. pour la gamme v. des coˆts de stockage ainsi que des u u u coˆts de rupture sur la demande et de d´ficit sur le stock de s´curit´. u a ee a e ωvjt : Coˆt fixe relatif ` un lancement du groupe j. 1 si la r´f´rence i appartient au groupe j. a Le plan de production doit ´galement satisfaire les contraintes de lancement minimum de e production. sur la ressource r. pour la gamme v. sur la ressource r. u ee a e − γit : Coˆt unitaire de d´ficit sur le stock de s´curit´ de la r´f´rence i ` la p´riode t. Se reporter ` la page 44. ` la ee a p´riode t. Nous rappellons dans ce qui suit. sur la ressource r. ea e 0 sinon : Valeur du surstock de la r´f´rence i ` la fin de la p´riode t (exc´dent de stock). u ee a e βvit : Coˆt fixe relatif ` un lancement de la r´f´rence i. ` ee a la p´riode t.` ´ 6. le lecteur peut se reporter ` la pages 40 et 41. ` la p´riode a e t. MODELE MATHEMATIQUE 119 La production d’une r´f´rence peut n´cessiter l’utilisation d’une ou plusieurs ressources par ee e p´riode. ee a e yvit = 0 sinon zvjt = + Iit − Iit 1 si le groupe j est lanc´ ` la p´riode t en utilisant la gamme v. La fabrication d’une r´f´rence donn´e e ee e peut se faire de plusieurs fa¸ons suivant la gamme choisie. e e e ee a e En utilisant ces variables et param`tres. e e ee a e crt : Capacit´ disponible de la ressource r ` la p´riode t. Pour plus de d´tails sur la mod´lisation du probl`me (P) en multi-ressources et e e e en multi-gammes. des coˆts de lancement. ` la p´riode t. ` la p´riode t. e vvirt : Besoin variable en ressources de la r´f´rence i. e ee a e 1 s’il y a production de la r´f´rence i ` la p´riode t sur la gamme v (si xvit > 0). ee aij = 0 sinon min : Lancement minimum de production de la r´f´rence i pour la gamme v ` la p´riode t. pour la gamme v. e ee a e Lit : Stock de s´curit´ de la r´f´rence i ` la p´riode t. a L’objectif de cette mod´lisation est de g´n´rer un plan de production qui minimise la e e e somme des coˆts de production. u e e e ee a e ϕit : Coˆt unitaire de rupture sur la demande pour la r´f´rence i ` la p´riode t. pour la gamme v. ainsi que les contraintes de lancement e minimum de production. nous formulons le probl`me (P) comme suit. lvit ee a e αvit : Coˆt de production unitaire variable de la r´f´rence i. pour la gamme v. ee a e e : Valeur du d´ficit sur le stock de s´curit´ de la r´f´rence i ` la fin de la p´riode t. u ee a e On pose : δit = Lit − Li(t−1) . On note R le nombre de ressources disponibles. e e . ` la p´riode t. les contraintes de capacit´. u a a e + γit : Coˆt unitaire de stockage de la r´f´rence i ` une p´riode t. e a e fvirt : Besoin fixe en ressources de la r´f´rence i. Les variables : xvit : Quantit´ produite pour la r´f´rence i ` la p´riode t en utilisant la gamme v. On note V le nombre de gammes c disponibles. pour la gamme v.1. les param`tres et les variables du e probl`me (P) : e Les param`tres : e dit : Demande (commandes et pr´visions) pour la r´f´rence i ` la p´riode t. e gvjrt : Besoin fixe en ressources. tout en respectant les u e e e contraintes de stockage.

∀t ∀i. ∀i. Iit . HEURISTIQUES DE DECOMPOSITION A BASE DE MIP min v. Cette r´duction permet de diminuer e la taille de l’arbre de recherche dans une m´thode de branch-and-bound. ∀j. min lvit yvit .1 e e e ea peut s’av´rer extrˆmement laborieux. nous r´duisons le e e e e e e nombre de variables binaires et le nombre de contraintes.c : + − Ii(t−1) − Ii(t−1) + rit + V v=1 N i=1 (vvirt xvit V v=1 xvit + − = dit + δit + Iit − Iit . zvjt ∈ {0. ∀i. rit ≤ dit .2) (6.3) (6. ∀t ∀v. V v=1 J j=1 gvjrt zvjt ∀i.4) (6.t βvit yvit + v.2 D´composition de l’horizon de planification e L’approche que nous proposons est une m´thode it´rative. Il existe d’autres approches de r´solution qui consistent e e e a ` travailler sur des mod`les de plus petite taille. ∀t ∀v. ∀t ∀v. ∀t xvit ≥ 0.12) + fvirt yvit ) + xvit ≥ ≤ crt .9) (6.j. mais e e e les temps d’ex´cution restent exorbitants. ∀i. ∀i. ∀t ∀r. elle r´sout ` chaque ´tape un e e e a e probl`me lin´aire mixte r´duit. + − rit . ∀t (6. Ceci est r´alis´ en maintenant les contraintes d’int´grit´ des variables e e e e .10) (6.120 ´ ` CHAPITRE 6. − Iit ≤ Lit . xvit ≤ M yvit .i. ∀t ∀v.t ϕit rit + i.5) (6. la production d’une r´f´rence n’est e e e ee d´finie que par sa p´riode de production.7) (6. ∀j.t αvit xvit + v. En effet.11) (6. e Pour effectuer une telle r´duction.t − − γit Iit (6.8) (6. yvit ≥ aij zvjt .i. les m´thodes de branch-and-bound ne e e peuvent ˆtre utilis´es sans int´grer des heuristiques pour avoir des bornes sup´rieures de bonne e e e e qualit´ et des solutions r´alisables. nous utilisons une approche de d´composition de l’hoe e rizon de planification. contrairement ` la formulation d´sagr´g´e bas´e sur e e a e e e e le probl`me de localisation d’entrepˆts [101] o` la production est d´finie par sa p´riode de e o u e e production et par sa p´riode de consommation. ∀t ∀i. ∀t ∀v.6) (6. 1}. L’utilisation d’une m´thode de type branch-and-bound pour r´soudre tels probl`mes est e e e tr`s courante dans l’industrie qui utilise des outils g´n´riques tels que les logiciels d’APS.t + + γit Iit + i. Dans ce cas. yvit ∈ {0. 1}. Iit ≥ 0. surtout si le volume d’information trait´ est tr`s impore e e e tant.1) s. ∀i. L’id´e principale des heuristiques que nous pr´sentons est e e donc de d´composer l’horizon de planification en plusieurs sections comme nous le d´crivons e e par la suite. e Trouver une bonne solution r´alisable au mod`le monolithique pr´sent´ ` la section 6.t ωjt zvjt + i. Pour obtenir un tel probl`me lin´aire mixte. ∀i. Ce mod`le est une formulation dite agr´g´e. ∀t ∀v. pour lesquels il est possible de trouver des e solutions proches de l’optimum. 6.

´ 6.2. DECOMPOSITION DE L’HORIZON DE PLANIFICATION

121

binaires appartenant ` un tron¸on de l’horizon fix´, et en relaxant ces contraintes pour les a c e variables n’appartenant pas ` ce tron¸on. a c En fixant toutes les variables de lancement yvit et zvjt ainsi que les variables de production xvit ` une p´riode t, on ´limine les contraintes (6.3), (6.4), (6.5), (6.10), (6.11) et (6.12) de a e e la mˆme p´riode. Ceci r´duit ´galement le nombre de contraintes. A une ´tape donn´e de e e e e e e l’heuristique, les variables sont gel´es selon les solutions obtenues aux ´tapes pr´c´dentes de e e e e la r´solution. e De telles manipulations r´duisent consid´rablement les temps de r´solution des souse e e probl`mes. En effet, l’arbre de recherche est limit´ ` un nombre r´duit de variables binaires, e ea e et la taille du probl`me diminue puisque le nombre de contraintes et de variables est restreint. e Notre approche est donc une hybridation d’une m´thode de branch-and-bound et d’une e strat´gie de d´composition de l’horizon de planification. A chaque ´tape de l’heuristique, e e e l’horizon de planification est d´compos´ en trois parties (cf. figure 6.1) : e e – une fenˆtre gel´e ; e e – une fenˆtre de d´cision ; e e – une fenˆtre d’approximation. e
T

Fenˆtre gel´e e e

Fenˆtre e de d´cision e

Fenˆtre d’approximation e

Fig. 6.1 – D´composition de l’horizon de planification e Avant de d´crire chaque fenˆtre de temps de la strat´gie de d´composition de l’horizon de e e e e planification, nous pr´sentons tout d’abord quelques d´finitions. e e D´fnition 8. Les variables de lancement de la production des r´f´rences yvit et les variables e ee de lancement de la production des groupes de r´f´rences zvjt sont appel´es variables de ee e setup. D´fnition 9. Les variables xvit sont appel´es variables de production. e e Les diff´rentes parties de l’horizon de planification sont d´crites dans ce qui suit, e e Fenˆtre gel´e : La fenˆtre gel´e est une partie de l’horizon o` toutes les variables de see e e e u tup yvit et zvjt sont fix´es par des r´solutions ant´rieures dans le cadre d’un processus it´ratif. e e e e Dans cette fenˆtre, les variables de production xvit peuvent ˆtre ´galement gel´es selon la e e e e m´thode choisie. En effet, nous allons ´tudier une variante des heuristiques que nous propoe e sons. Cette variante r´side dans le gel des variables de production en mˆme temps que les e e variables de setup. Fenˆtre de d´cision : La fenˆtre de d´cision est un tron¸on de l’horizon o` les contraintes e e e e c u d’int´grit´ sur les variables de setup yvit et zvjt sont maintenues. Dans ce tron¸on d’horizon, e e c aucune modification n’est apport´e au mod`le math´matique (P) r´duit ` cette fenˆtre. e e e e a e Fenˆtre d’approximation : La fenˆtre d’approximation est une partie de l’horizon o` e e u les contraintes d’int´grit´ sur les variables de setup yvit et zvjt sont relax´es. En effet, en ree e e laxant ces contraintes d’int´grit´, le plan de production fourni par ce tron¸on de l’horizon de e e c

122

´ ` CHAPITRE 6. HEURISTIQUES DE DECOMPOSITION A BASE DE MIP

planification est approch´. Il ne repr´sente qu’une borne inf´rieure de la capacit´ n´cessaire e e e e e pour la satisfaction de la demande sur ce tron¸on d’horizon. c L’id´e de la fenˆtre d’approximation est justifi´e par des propri´t´s industrielles. En efe e e ee fet, les demandes du d´but de l’horizon de planification sont des commandes fermes sur des e p´riodes courtes, e.g. jour ou semaine ; les d´cisions prises ` ces p´riodes sont des ordres de e e a e fabrication qui vont servir de base ` un ordonnancement au niveau atelier. En revanche, les a demandes ` la fin de l’horizon sont des pr´visions sur des p´riodes plus longues, e.g. mois a e e ou trimestre ; et ne sont pas relatives ` des commandes pass´es par les clients, elles peuvent a e changer quand une nouvelle planification de la production est effectu´e. L’impact de la ree laxation des contraintes d’int´grit´ sur les variables de setup ` la fin de l’horizon n’est donc e e a pas aussi important que la relaxation de ces contraintes au d´but de l’horizon. e En se basant sur cette approche de d´composition, nous proposons deux heuristiques ` e a base de MIP. Une premi`re heuristique que nous d´nommons Fix-and-Relax, et une seconde e e heuristique que nous d´nommons Double-Fix-and-Relax. Nous pr´sentons ´galement deux vae e e riantes des deux heuristiques qui diff`rent dans la mani`re de geler les variables de production. e e Nous d´crivons dans la section qui suit le principe des deux heuristiques. e

6.3

Approches de r´solution e

Dans cette section, nous pr´sentons une heuristique ` base de MIP pour trouver une e a solution r´alisable au mod`le d´crit ` la section 6.1 en traitant des probl`mes de plus petite e e e a e taille, du point de vue du volume d’information et de la combinatoire. Ceci est r´alis´ en e e utilisant l’approche de d´composition de l’horizon de planification pr´sent´e ` la section 6.2. e e e a La planification de la production se fait suivant plusieurs ´tapes successives durant lesquelles e la fenˆtre de d´cision est d´plac´e ` travers l’horizon. La figure 6.2 sch´matise le principe e e e e a e du d´placement de la fenˆtre de d´cision entre deux ´tapes k et k + 1 de l’heuristique. Le e e e e principe des deux heuristiques est le mˆme, la seule diff´rence r´side dans la mani`re de geler e e e e les variables de setup et les variables de production. Nous allons pr´senter dans ce qui suit, e le principe des deux heuristiques Fix-and-Relax et Double-Fix-and-Relax.
... Etape k ... Etape k + 1 ... Fenˆtre gel´e e e Fenˆtre e de d´cision e Fenˆtre d’approximation e T T

Fig. 6.2 – Principe de l’heuristique de d´composition e

6.3.1

Fix-and-Relax

Le principe de l’heuristique Fix-and-Relax est de commencer par fixer une fenˆtre de e d´cision au d´but de l’horizon et une fenˆtre d’approximation sur le reste de l’horizon. Ainsi, e e e comme nous l’avons d´crit ` la section 6.2, des contraintes du probl`me (P) sont relax´es. Le e a e e

´ 6.3. APPROCHES DE RESOLUTION

123

probl`me ainsi formul´ est r´solu en utilisant un algorithme de branch-and-bound. Dans une e e e seconde ´tape, la fenˆtre de d´cision est d´plac´e ` travers l’horizon de planification (vers le e e e e e a futur) tout en gardant un chevauchement avec la fenˆtre de d´cision pr´c´dente. A l’´tape k de e e e e e l’heuristique, les variables de setup appartenant au tron¸on d’horizon qui pr´c`de la nouvelle c e e fenˆtre de d´cision sont gel´es selon la solution obtenue ` l’´tape pr´c´dente de l’heuristique e e e a e e e k − 1. Le probl`me ainsi construit est r´solu en utilisant un algorithme de branch-and-bound. e e Cette proc´dure est r´p´t´e jusqu’` atteindre la fin de l’horizon de planification. Le plan e e ee a fourni par cette proc´dure est r´alisable. En effet, la m´thode Fix-and-Relax respecte toutes e e e les contraintes d’int´grit´. e e L’heuristique Fix-and-Relax est contrˆl´e par quatre param`tres, deux param`tres portent oe e e sur la d´composition de l’horizon de planification et deux autres param`tres concernent le e e crit`re d’arrˆt de la m´thode de branch-and-bound. Les quatre param`tres sont d´crits dans e e e e e ce qui suit : – σk : Taille de la fenˆtre de d´cision ` l’´tape k de l’algorithme ; e e a e – δk : Nombre de p´riodes chevauchantes entre les fenˆtres de d´cision ` la r´solution k −1 e e e a e et k, avec σk > δk ≥ 0 ; – optk : Pourcentage d’optimalit´ minimum pour la r´solution du sous-probl`me de l’´tape e e e e k de l’algorithme ; – T imek : Le temps maximum de r´solution ` l’´tape k de l’algorithme. e a e
k Avant de d´crire l’algorithme, nous introduisons quelques notations. On note Pak bk le probl`me e e (P) r´solu ` l’´tape k de l’heuristique avec k ≥ 1. [ak , bk ] est la fenˆtre de d´cision de l’´tape e a e e e e k. Par convention, [1, 0] = ∅. Nous rappelons les propri´t´s suivantes : ee – Les contraintes d’int´grit´ sur les variables de setup yvit et zvjt sont maintenues dans e e la fenˆtre de d´cision d´finie par le tron¸on d’horizon [ak , bk ] ; e e e c – Les contraintes d’int´grit´ sur les variables de setup yvit et zvjt sont relax´es dans la e e e fenˆtre d’approximation d´finie par le tron¸on d’horizon [bk + 1, T ] ; e e c – Les variables de setup yvit et zvjt sont gel´es dans le reste de l’horizon ([1, ak − 1]) selon e la solution obtenue ` l’´tape k − 1 de l’heuristique. a e

K repr´sente le nombre d’´tapes maximum de la m´thode Fix-and-Relax. Si σk et δk sont e e e constants pour tout k (i.e. σk = σ et δk = δ), alors K = (T − σ)/(σ − δ) + 1. On peut noter que K est born´ par T dans le pire cas. e Le principe de la m´thode Fix-and-Relax est sch´matis´ ` la figure 6.3. e e ea Le chevauchement entre la fenˆtre de d´cision d’une ´tape k de l’algorithme et de l’´tape e e e e qui la pr´c`de k − 1 permet de remettre en cause les d´cisions prises ` l’´tape pr´c´dente. e e e a e e e Cette remise en cause permet de proposer un meilleur plan de production, puisque la fenˆtre e d’approximation ne donne qu’une estimation par d´faut de la capacit´ en ressources n´cessaire. e e e Une sous-estimation de la capacit´ n´cessaire peut provoquer des ruptures sur la demande e e une fois les contraintes d’int´grit´ prises en compte. Or, en rajoutant ce chevauchement, une e e anticipation suppl´mentaire peut ˆtre faite afin d’´viter un manque de capacit´ ´ventuel et e e e ee provoquer ainsi moins de ruptures. Nous allons montrer ` travers l’exemple 6.3.1 une situation a pour laquelle il est int´ressant d’avoir des chevauchements entre les fenˆtres de d´cision d’une e e e it´ration k ` une it´ration k + 1. e a e

bk ← σ1 tant que bk < T faire k R´soudre le probl`me Pak bk e e k ← k + 1.124 ´ ` CHAPITRE 6. 6. bk T b1 T Fig. ak Etape k σk ak+1 Etape k + 1 δk+1 . e e a e e k Les sous-probl`mes Pak bk sont r´solus en utilisant un algorithme de branch-and-bound.... V 1 N 1 G 1 R 1 T 5 Tab.3.3.2 et 6. Nous montrons ` travers cet exemple une situation o` il est important a u d’avoir des p´riodes chevauchantes entre les fenˆtres de d´cision de p´riodes successives.1 – Dimensions du probl`me (P) e . Etape K σK σk+1 aK bK = T bk+1 T . 6. des coˆts et des donn´es d´finies respectie e u e e vement dans les tableaux 6. ak ← bk − δk .1.3 – M´thode Fix-and-Relax e Nous pouvons observer qu’il n’existe pas de fenˆtre gel´e ` la premi`re ´tape de l’algorithme. e Exemple 6.1... ak ← 1. 6. L’ale e gorithme Fix-and-Relax est d´crit par l’algorithme 6 ci-dessous : e Algorithme 6 Algorithme Fix-and-Relax 1: 2: 3: 4: 5: 6: 7: 8: 9: k ← 1. HEURISTIQUES DE DECOMPOSITION A BASE DE MIP a1 Etape 1 σ1 . bk ← bk + σk − δk si bk > T alors bk ← T finsi fin tant que k R´soudre le probl`me Pak bk e e La solution approch´e obtenue ` la fin de l’algorithme 6 est la solution r´alisable du probl`me e a e e (P) fournie par la m´thode Fix-and-Relax.. Nous e e e e consid´rons le probl`me (P) avec des dimensions.

Les sous-probl`mes Pak bk ck sont r´solus ` l’optimum en utilisant la e mod´lisation math´matique pr´sent´e pr´c´dement et le solveur de programmation lin´aire en e e e e e e e nombres entiers CPLEX 9. Dans la fenˆtre e e e e e .5. une rupture de 300 ` la derni`re p´riode. 6.4 et 6. La seule diff´rence r´side dans le fait qu’initialement on fixe une fenˆtre d’ape e e proximation de la taille de l’horizon de planification.3. Les r´sultats sont pr´sent´s dans les tableaux 6.3. puisque toutes les variables sont continues. Le chevauchement peut ainsi permettre c e e une anticipation suppl´mentaire de la production.3 – Donn´es du probl`me (P) e e On ex´cute deux fois l’heuristique Fix-and-Relax avec σk = 3 pour tout k. 6.´ 6.4 – R´sultats de l’heuristique Fix-and-Relax avec δk = 0 pour tout k e On compare les r´sultats des deux ex´cutions en se basant sur les tableaux 6. il n’y a pas de rupture. e e e t x11t y11t s1t r1t 1 1000 1 200 0 2 1000 1 200 0 3 0 0 200 0 4 1500 1 700 0 5 0 0 0 300 Tab.4 et 6. on fixe trois fenˆtres : une fenˆtre de d´cision au d´but de e e e e e l’horizon de planification. La premi`re e e ex´cution est param´tr´e avec δk = 0 pour tout k. tandis que la seconde est param´tr´e e e e e e k e a avec δk = 1 pour tout k. e 6.2 Double-Fix-and-Relax Le principe de l’heuristique Double-Fix-and-Relax est proche de celui de la m´thode Fixe and-Relax. tandis e a e e qu’avec le second. e Dans une seconde ´tape. et e e e e une fenˆtre gel´e sur toutes les p´riodes qui suivent la fenˆtre d’approximation.5. une fenˆtre d’approximation juste apr`s la fenˆtre de d´cision. APPROCHES DE RESOLUTION t ϕit βvit αvit + γit 1 250 20000 10 1 2 212. 5 20000 10 1 3 175 20000 10 1 4 137. 5 20000 10 1 5 100 30000 10 1 125 Tab. 6. celles-ci sont biais´es par la relaxation des contraintes d’int´grit´ sur le e e e tron¸on de l’horizon qui suit la fenˆtre de d´cision. En effet. e e On obtient avec le premier param`trage.2 – Coˆts du probl`me (P) u e t d1t f11t v11t c1t 1 800 500 1 1500 2 1000 500 1 1500 3 0 500 1 1500 4 1000 500 1 2000 5 1000 500 1 2000 Tab.0. L’importance d’avoir un chevauchement entre les fenˆtres de d´cision r´side alors dans la possibilit´ de remettre en cause des d´cisions d´j` e e e e e ea prises. Le probl`me ainsi formul´ est r´solu en e e e utilisant la m´thode du simplexe.

trois param`tres oe e e portent sur la d´composition de l’horizon de planification et deux autres param`tres concernent e e le crit`re d’arrˆt de la m´thode de branch-and-bound. A chaque ´tape. e e a e – δk : Nombre de p´riodes chevauchantes entre les fenˆtres de d´cision ` la r´solution k −1 e e e a e et k . la fenˆtre de d´cision. les variables de setup ainsi que les variables de production sont fix´es selon les r´sultats e e e trouv´s ` la premi`re ´tape. Le e e a e e e probl`me ainsi construit est r´solu en utilisant un algorithme de branch-and-bound. la m´thode a e e Double-Fix-and-Relax respecte toutes les contraintes d’int´grit´. 6. Une fois cette interaction estim´e. Les e e e e e e variables de setup appartenant au tron¸on d’horizon qui pr´c`de la fenˆtre de d´cision de c e e e e l’´tape k sont gel´es selon la solution obtenue ` l’´tape pr´c´dente de l’algorithme k − 1.126 ´ ` CHAPITRE 6. Les cinq param`tres sont d´crits dans e e e e e ce qui suit : – σk : Taille de la fenˆtre de d´cision ` l’´tape k de l’algorithme .5 – R´sultats de l’heuristique Fix-and-Relax avec δk = 1 pour tout k e gel´e.2 page 122 la motivation d’avoir une fenˆtre d’ape e proximation ` la fin de l’horizon de planification. – ρk : Taille de la fenˆtre d’approximation ` l’´tape k de l’algorithme . la fenˆtre de d´cision est suivie par une fenˆtre d’approximation. L’id´e de l’heuristique Double-Fix-and-Relax a e est de commencer par chercher une estimation par d´faut du plan de production sur la totalit´ e e de l’horizon de planification en relaxant toutes les contraintes d’int´grit´ sur les variables de e e setup. La e e e e production de ces p´riodes est d´gel´e au fur et ` mesure de l’avancement de la fenˆtre de e e e a e d´cision. La e e e e e taille de la fenˆtre d’approximation doit ˆtre suffisamment grande afin de corriger la premi`re e e e estimation par d´faut et d’effectuer les anticipations n´cessaires. Un tel plan capture l’interaction (si elle existe) entre les p´riodes du d´but et celles de e e la fin de l’horizon de planification. En effet. Cette e e proc´dure est r´p´t´e jusqu’` atteindre la fin de l’horizon de planification. e a e . e e L’heuristique Double-Fix-and-Relax est contrˆl´e par cinq param`tres. e a e – optk : Pourcentage d’optimalit´ minimum pour la r´solution du sous-probl`me de l’´tape e e e e k de l’algorithme . Comme ´tapes suivantes. Le probl`me ainsi formul´ est r´solu en utilisant un algorithme e a e e e e e de branch-and-bound. HEURISTIQUES DE DECOMPOSITION A BASE DE MIP t x11t y11t s1t r1t 1 800 1 0 0 2 1000 1 0 0 3 500 1 500 0 4 1500 1 1000 0 5 0 0 0 0 Tab. le plan de production e a ` la fin de l’horizon de planification est gel´ afin de r´duire la taille des probl`mes trait´s. e e ee a Le plan de production fourni ` la fin de cette heuristique est r´alisable. e e Nous avons expliqu´ dans la section 6. ainsi que la fenˆtre d’approximation sont e e e e d´plac´es ` travers l’horizon de planification (vers le futur) tout en gardant un chevauchement e e a entre la fenˆtre de d´cision de l’´tape courante k et celle de l’´tape pr´c´dente k − 1. – T imek : Le temps maximum de r´solution ` l’´tape k.

bk ] . e e c – Les variables de setup yvit et zvjt sont gel´es dans le tron¸on d’horizon [1. Le principe de la m´thode Double-Fix-and-Relax est sch´matis´ par la figure 6.´ 6. β] alors [α. ck ] . ak bk ck T Fig. β] = ∅..3. On e e e e k note Pak bk ck le probl`me r´solu ` chaque ´tape k de l’heuristique avec k ≥ 1.. e e L’algorithme Double-Fix-and-Relax est d´crit par l’algorithme 7 ci-dessous : e La solution approch´e obtenue ` la fin de l’algorithme 7 est la solution r´alisable du probl`me e a e e (P) fournie par la m´thode Double-Fix-and-Relax. par convention. APPROCHES DE RESOLUTION 127 On note P 0 le probl`me (P ) dans lequel toutes les contraintes d’int´grit´ sont relax´es. e e e c – Les contraintes d’int´grit´ sur les variables de setup yvit et zvjt sont relax´es dans la e e e fenˆtre d’approximation d´finie par le tron¸on d’horizon [bk + 1. c a e K repr´sente le nombre d’it´ration maximum de la m´thode Double-Fix-and-Relax. On e e e rappelle que K est en O(T ).. Etape K σK σk+1 ρk+1 aK bK = cK = T k Les sous-probl`mes Pak bk ck sont r´solus en utilisant un algorithme de branch-and-bound. ak − 1] selon e c la solution obtenue ` l’´tape k − 1 de l’heuristique . e . a e – Les variables de setup yvit et zvjt et les variables de prodcution xvit sont gel´es dans le e tron¸on d’horizon [ck + 1. Etape k + 1 δk+1 . T ] selon la solution obtenue ` l’´tape k − 1 de l’heuristique.4 – M´thode Double-Fix-and-Relax e .. e e a e si α > β pour la section [α. Nous rappelons les caract´ristique du probl`me e e k Pak bk ck : – Les contraintes d’int´grit´ sur les variables de setup yvit et zvjt sont maintenues dans e e la fenˆtre de d´cision d´finie par le tron¸on d’horizon [ak .. 6. e e e T Etape 0 a1 Etape 1 b1 c1 T σ1 ρ1 Etape k σk ak+1 ρk bk+1 ck+1 T .4..

e e e e e e (6. HEURISTIQUES DE DECOMPOSITION A BASE DE MIP Algorithme 7 Algorithme Double-Fix-and-Relax 1: 2: 3: 4: 5: 6: 7: 8: 9: 10: 11: 12: 13: R´soudre le probl`me P 0 e e k ← 1.11) et (6. Une e telle proc´dure r´duit de fa¸on consid´rable la taille des probl`mes r´solus ` chaque ´tape e e c e e e a e de l’heuristique. quand la production est gel´e.4). si ck > T alors ck ← T finsi si bk > T alors bk ← T finsi fin tant que k R´soudre le probl`me Pak bk ck e e Une variante des deux m´thodes pr´sent´es pr´c´demment (voir section 6. alors au lieu de r´soudre le probl`me (P) avec V T (N + J) variables binaires et e e (3N + R + 2V N + V JN )T contraintes. (6. les m´thode Fix-and-Relax et Double-Fix-and-Relax e r´solvent au maximum ( (T − σ)/(σ − δ) + 1) probl`mes avec V (N + J)σ variables binaires. bk ← σ1 . (6. bk ← bk + σk − δk .10). e e e Le principe des m´thodes Fix-and-Relax et Double-Fix-and-Relax est de r´soudre succese e k k sivement plusieurs probl`mes de type Pak bk et Pak bk ck respectivement. En effet. quand on ne g`le que les variables de setup on n’´limine du probl`me (P) que les contraintes (6. En revanche. e e En effet. e e e (6. si les e variables de production sont libres.3).128 ´ ` CHAPITRE 6. Maintea e e e a e nir toutes les contraintes d’int´grit´ du probl`me (P) entraˆ un mod`le pour lequel il est e e e ıne e tr`s difficile de trouver une solution r´alisable en utilisant une m´thode de branch-and-bound. En revanche. a e En fixant toutes les variables de setup yvit et zvjt ainsi que les variables de production xvit dans la fenˆtre gel´e.1 et 6.3. e 6.11) et (6. (6. Si on assume que : σ = σk et δ = δk e e pour tout k. on ´limine du probl`me (P) toutes les contraintes (6. ck ← b + ρk tant que b < T faire k R´soudre le probl`me Pak bk ck e e k ← k + 1.12).3. En effet. aucune anticipation n’est possible. alors des anticipations suppl´mentaires sont possibles.3.3 El´ments de comparaison e Un avantage de la m´thode Double-Fix-and-Relax par rapport ` la m´thode Fix-ande a e Relax est de traiter moins de variables et moins de contraintes ` chaque ´tape.10). e e .2) e e e e e est de geler les variables de production en mˆme temps que les variables de setup. en gelant les variables de production et les variables de setup. le nombre de contraintes est r´duit consid´rablement. ak ← 1. ck ← bk + ρk . et par cons´quent le temps de r´solution e e e e l’est ` chaque ´tape. ak ← bk − δk . ayant des p´riodes de e e chevauchement entre deux fenˆtres de d´cision successives. le a e gel ` la fin de l’horizon r´duit la taille des sous-probl`mes trait´s ` chaque ´tape.5).12) ayant des indices temporels dans la fenˆtre gel´e. Un d´savantage d’une telle variante est la r´duction des anticipations sur la production.

e e – FR1 : Un algorithme bas´ sur la m´thode Fix-and-Relax et le branch-and-cut standard e e k de CPLEX 9.0 pour r´soudre les sous-probl`mes Pak bk ck . e e e e Nos algorithmes sont impl´ment´s en langage C++ et ils sont int´gr´s ` un logiciel d’APS. Les variables de e e production sont fix´es en mˆme temps que les variables de setup .2 Instances de test Nous avons effectu´ des tests sur une s´rie d’instances issues d’une situation r´elle. nous comparons les deux m´thodes Fix-ande e e Relax et Double-Fix-and-Relax ` une r´solution monolithique du probl`me initial (P).0 [110] pour e la r´solution des probl`mes lin´aires mixtes.0 pour r´soudre les sous-probl`mes Pak bk . Le a e e probl`me (P) ainsi que les sous-probl`mes engendr´s ` chaque ´tape de l’heuristique sont e e e a e r´solus en utilisant le solveur de programmation lin´aire en nombres entiers CPLEX 9. e e – DFR : Un algorithme bas´ sur la m´thode Double-Fix-and-Relax et le branch-and-cut e e k standard de CPLEX 9. Les variables de production sont e e fix´es en mˆme temps que les variables de setup . Nous pr´sentons e a a e ´galement une analyse de sensibilit´ concernant les param`tres des deux m´thodes. Les solutions obtenues ` la fin des deux heuristiques sont e a compar´es ` celles obtenues ` la fin d’un algorithme de branch-and-bound. 6. e e – DFR1 : Un algorithme bas´ sur la m´thode Double-Fix-and-Relax et le branch-ande e k cut standard de CPLEX 9.0 qui e e fournit un algorithme de branch-and-bound. e e e cette variante consiste ` fixer les variables de production en mˆme temps que les variables de a e setup. e e – BC : Un algorithme bas´ sur le branch-and-cut standard de CPLEX 9. Tous les tests ont ´t´ effectu´s sur un ordinateur e e e ee e personnel ´quip´ d’un microprocesseur Pentium IV 2. Nous effectuons donc une ´tude comparative entre les cinq m´thodes suivantes : e e – FR : Un algorithme bas´ sur la m´thode Fix-and-Relax et le branch-and-cut standard e e k de CPLEX 9.0 plusieurs coupes standard afin de renforcer les relaxations lin´aires continues ` chaque e a nœud de l’arbre de recherche.0 pour r´soudre les sous-probl`mes Pak bk ck .´ ´ 6. nous pouvons utiliser avec CPLEX 9. Nous utilisons la librairie de programmation lin´aire mixte CPLEX 9.4. nous pr´sentons des r´sultats exp´rimentaux issus de l’application des e e e deux heuristiques au probl`me (P). Une autre variante des deux heuristiques est ´galement ´tudi´e. En effet. Par ailleurs. les heuristiques que nous proposons dans ce chapitre sont impl´ment´es dans le logiciel e e d’APS n.2)-(6. le fabriquant e a .1 Algorithmes et impl´mentation e Afin d’´valuer l’efficacit´ de nos algorithmes.0 pour r´soudre les sous-probl`mes Pak bk .SKEP.11). e e e e a n.4 R´sultats exp´rimentaux e e Dans cette partie.4. RESULTATS EXPERIMENTAUX 129 6. Les instances trait´es e e sont issues d’une probl´matique industrielle d’un fabriquant de pˆtes.SKEP et sont op´rationnelles chez des clients de DynaSys.66 GHz. e e 6. nous utilisons le mod`le agr´g´ d´fini ` la section 6.1 par l’ene e e e a semble de contraintes (6. e e Pour les cinq algorithmes. En e e e effet.4.0 pour une e r´solution monolithique du probl`me (P).

e e e L’instance I2 est caract´ris´e par des besoins fixes tr`s ´lev´s. 6. les r´f´rences ee sont class´es par familles de r´f´rences et par poids. Les coupes flow cover et les coupes Mixed Integer Rounding (MIR) du e solveur CPLEX 9. le lecteur peut e se reporter ` la page 108. L’objectif principal du d´cideur est de minimiser les ruptures sur la demande ainsi que les d´ficits e e sur le stock de s´curit´.6 – Instances de test Les instances I1 et I2 sont caract´ris´es par des ressources qui ne sont pas tr`s limitantes. Les instances I3 et I4 sont e e e e e les plus difficiles car elles sont de plus grande taille. Ils ont la particularit´ de d´croˆ e e e e ıtre dans le temps. Pour une description des coupes flow cover. e e Les heuristiques que nous proposons ne fournissent qu’une borne sup´rieure au probl`me e e (P). Ces instances sont caract´ris´es par un grand nombre de groupes e e e e de r´f´rences et par un besoin fixe en ressources (temps de setup) important. les demandes au d´but de l’horizon correspondent ` des ordres de fabrication r´els et non ` des pr´visions. e e e Le second crit`re est le temps CPU not´ Temps CPU. %Lost et %F ail repr´sentent respece e e tivement le pourcentage de rupture sur la demande et le pourcentage de d´ficit sur le stock e de s´curit´. e e a e Deux types de coupes sp´cialis´es dans les probl`mes lin´aires mixtes sont activ´s pour e e e e e toutes les m´thodes.4. e a e a e tandis que les demandes ` la fin de l’horizon sont g´n´ralement des pr´visions et peuvent a e e e donc ˆtre moins p´nalis´es. le lecteur peut se r´f´rer ` Gomory [70]. e e Afin d’´valuer l’efficacit´ des heuristiques.2).130 ´ ` CHAPITRE 6. nous avons ´galement effectu´ des tests sur les e e e e classes d’instances A et B du chapitre 5.6. En effet. I1 I2 I3 I4 V 3 3 3 3 N 264 469 292 514 J 144 215 144 215 R 21 20 20 20 T 19 19 30 30 Lmin Oui Oui Oui Oui Pmin Oui Oui Oui Oui Tab. nous utilisons les crit`res suivants : le pree e e mier est appel´ GAP il est ´gal ` (U B − LB) /U B. Les caract´ristiques des instances trait´es sont d´crites dans le e e e e e e tableau 6. Nemhauser et Wolsey [138] ee a . Pour plus de d´tails sur ces instances. Elle sont caract´ris´es e e e e ´galement par des ressources tr`s limitantes. Il est ´galement soumis ` des contraintes e ee e a de production minimale et des contraintes de lancement minimum de production. Les coupes flow cover fonctionnent bien pour les probl`mes de lot-sizing e du fait de la structure de flots induite par les contraintes de flux (6. poss`dent des contraintes de lancement e minimum ainsi que des valeurs de besoins fixes en ressources ´lev´es. o` U B et LB repr´sentent respectivement e e a u e les meilleures bornes sup´rieure et inf´rieure trouv´es au cours de la recherche arborescente.0. nous utilisons la borne e e e inf´rieure trouv´e ` la fin de la m´thode BC. Inst. a 6. Afin d’´valuer le pourcentage d’optimalit´ de ces deux m´thodes. HEURISTIQUES DE DECOMPOSITION A BASE DE MIP dispose de plusieurs ressources et de plusieurs lignes de production alternatives. Les coˆts de ee u rupture sur la demande et les coˆts de d´ficit sur le stock de s´curit´ sont consid´r´s comme u e e e ee des p´nalit´s.3 R´sultats e Afin de comparer les algorithmes impl´ment´s.

10 1195061357.47% 22.41% 4422837201.15% 17.32 665577091.79 7668991587.49% 423228776. il est clair que la m´thode DFR est meilleure que les m´thodes e e e FR.68% 27.7 – R´sultats exp´rimentaux : Instances I1.92 5921842374.44% 27.99 459347279. on pose : σk = 3 pour tout k.92 5921842374.7.03% 0.43 387628214. A chaque ´tape de l’heuristique k.20 438691571.03% 0.62 8238379889.62% 30.98% 72. Les coupes MIR sont principalement appliqu´es aux contraintes de capacit´ e e et aux contraintes de production maximum.29% 24. I2.29% 5.67 7642976846. M ethod Instance BC FR FR1 DFR DFR1 Instance BC FR FR1 DFR DFR1 Instance BC FR FR1 DFR DFR1 Instance BC FR FR1 DFR DFR1 T emps CP U I1 3600 1133 1224 365 521 I2 3600 200 303 135 186 I3 3600 3480 3662 629 1020 I4 3600 1770 1567 483 1020 12.50 1581640954. ee a La strat´gie de branchement dans la m´thode de branch-and-bound est une recherche en e e profondeur d’abord afin de trouver une solution r´alisable. e e δk = 1 pour tout k > 1. le pourcentage d’optimalit´. nous d´finissons ` chaque ´tape k de la m´thode Double-Fixe e a e e and-Relax.92 5921842374.12% 6765340128. 6.10 1195061357.22% 6.10% 6. [156] et Van Roy et Wolsey [179].41% 15.73% 24.04% 0. LBk e et U Bk repr´sentent respectivement la valeur de la borne inf´rieure et la valeur de la borne e e sup´rieure ` la fin de l’algorithme de branch-and-bound de l’´tape k de l’heuristique.10 1195061357.10 1.43 0.99 0.01% 0. I3 et I4.12% GAP UB LB %Lost %F ail Tab.44% 24. l’algorithme de branch-and-bound s’arrˆte si e e e la valeur (U Bk − LBk ) /U Bk est inf´rieure optk ou si un temps CPU limite est atteint.07 653254932. optk = 5% pour tout k et un temps CPU limite de 300 secondes pour chaque ´tape.99 459347279.90% 6.´ ´ 6.97% 0.47 1646320778. Pour plus de d´tails sur les in´galit´s MIR.01% 0. Pour les m´thodes de type Fix-and-Relax.36 453295802.88% 1. le e e e lecteur peut se r´f´rer ` Padberg et al.86% 0. Une borne sup´rieure est obtenue e e quand la solution est enti`re ou par l’heuristique de programmation lin´aire du solveur.7 r´capitule les r´sultats exp´rimentaux quand un temps CPU limite et un e e e GAP minimum sont utilis´s comme crit`re d’arrˆt pour tous les algorithmes afin de r´soudre e e e e les instances I1.16% 0.78% 17.10 1195061357.64% 14.60% 5.03% 0.92 5921842374.04% 29.19% 10.07% 1. I3 et I4 e e D’apr`s le tableau 6.04% 0.00% 0. La m´thode BC est contrˆl´e par le pourcentage d’optimalit´ e oe e minimum de 5% et un temps CPU limite de 3600 secondes.00% 0.24 460348758.91 634629402.32% 0.50% 2.03% 0. RESULTATS EXPERIMENTAUX 131 et Wolsey [194].10% 1.91% 1.49% 1.14 7182226467.95% 0.18 1195061357.86% 11. e e e Le tableau 6.66% 8.67% 4.52% 22.10 6200212481.43 387628214.30% 25.92 3. e a e En plus de ces param`tres.38% 3. I2.04 502473221.18 387628214.99% 616057049. e e Les m´thodes Fix-and-Relax et Double-Fix-and-Relax sont contrˆl´es par plusieurs pae oe ram`tres.4. En effet.98% 80.99 459347279.43 387628214.32% 3.16% 0.99 459347279. FR1 et DFR1.80% 22.04% 3.55% 28.33 604747858.15% 3.20 459347279. ρk = 4 pour tout k. L’algorithme de branch-and-bound s’arrˆte si l’un des crit`res d’arrˆt est atteint.67 5921842374. le temps CPU et le pourcentage de e .48 1578441356. Des tests empiriques ont montr´ que les param`tres suivants donnaient en g´n´ral e e e e e de bons r´sultats.72% 8.43 387628214.62% 6.

La m´thode BC est contrˆl´e par le pourcentage d’optimalit´ minimum de 1% et un e oe e temps CPU limite de 200 secondes. En revanche. les m´thodes FR1 et DFR1 fournissent les plus e e mauvais r´sultats. ρk = 4 pour e e a e tout k. e a e e e FR1 a trouv´ une solution r´alisable ´quivalente apr`s 3662 secondes.8 r´sume les r´sultats exp´rimentaux quand un temps CPU limite et un GAP e e e minimum sont utilis´s comme crit`re d’arrˆt pour les instances de class A et B. A partir du tableau e e 6. On peut noter que DFR donne e e e souvent des GAPs ´quivalents ` ceux de BC pour les instances I1.7 et 6. N est le nombre de r´f´rences et T le nombre de p´riodes. en revanche FR donne de meilleurs GAPs et temps CPU que DFR pour les instances de classe B. nous pouvons conclue que geler la fin de l’horizon de e planification aide ` trouver de bons r´sultats. En e e effet.4 Analyse de sensibilit´ e La performance des m´thodes Fix-and-Relax et Double-Fix-and-Relax d´pend du choix e e des param`tres. Pour l’instance I1. on peut remarque que les probl`mes de classe A sont beaucoup plus difficiles que les probl`mes de classe B d’apr`s les temps CPU et les GAP obtenus. DFR et BC ont des pourcentages de rupture ´quivalents e pour les instances I1. e 6. Pour e e les m´thodes Fix-and-Relax. ajouter une fenˆtre de gel au a e e d´but de l’horizon de planification ne permet d’avoir une am´lioration significative de la e e qualit´ de la solution. mais BC donne moins de d´ficits sur le stock de s´curit´. FR a moins de d´ficit sur le stock de s´curit´ que DFR. En plus de ces e param`tres. Les deux m´thodes donnent de meilleurs GAPs que ceux obtenus e par BC sur les instances de classe B avec des temps CPU sensiblement inf´rieurs. On peut e facilement noter que geler le d´but de l’horizon implique des temps CPU et des GAPs plus e ´lev´s. e Nous avons ´galement effectu´ des tests sur les instances de classe A et de classe B. FR e e e e a trouv´ la meilleure solution r´alisable mais au bout de 1224 secondes.8. L’algorithme de branch-and-bound s’arrˆte si l’un des e crit`res d’arrˆt est atteint. G´n´ralement. la m´thode BC n’a pas r´ussi a trouver une bonne solution r´alisable apr`s 3600 e e e e secondes. qualit´ de la solution. HEURISTIQUES DE DECOMPOSITION A BASE DE MIP rupture et de d´ficit sur le stock de s´curit´ sont meilleurs. nous avons analys´ l’influence de la e e e e e variation de ces param`tres sur les temps d’ex´cution et sur la qualit´ des solutions obtenues e e e . on pose : σk = 3 pour tout k. e D’apr`s les tableaux 6. En revanche. Afin d’´tudier ces m´thodes en d´tails.132 ´ ` CHAPITRE 6. δk = 1 pour tout k > 1. I2 et I4. Pour e e e l’instance I3. Les m´thodes e e e e e e DFR et FR fournissent les meilleurs r´sultats. I2 et I4. e Les m´thodes DFR et FR sont meilleures que les m´thodes FR1 et DFR1 en analysant e e tous les crit`res. les e a temps CPU sont nettement meilleurs. nous d´finissons ` chaque k de la m´thode Double-Fix-and-Relax. les probl`mes de classe B ont des besoins fixes (temps de setup) beaucoup plus grands e que ceux des probl`mes de classe A. On peut ´galement remarquer que les m´thodes DFR et FR fournissent des e e e GAPs proches de ceux fournis par la m´thode BC pour les instances de classe A avec des e temps CPU insignifiant. nous pouvons conclure que la m´thode DFR donne les meilleurs r´sultats rapport temps e e CPU. La m´thode DFR ` trouv´ une meilleure solution r´alisable apr`s 629 secondes. e e ee e Le tableau 6.7. DFR fourni de meilleurs GAPs et temps CPU que FR pour les instances de classe e e A. e e e e A partir du tableau 6.8. optk = 1% e pour tout k et un temps CPU limite de 60 secondes pour chaque ´tape.4.

38 3.00% 24.81 200 10.18% 1.06% 67.72 1.95% 21.45 14453922.34 9868131.81% 69.04 28593139.06 17009714.74% 4.45 14453922.20% 13.88% 12.20 4744841.62 4594355.47% 4.10 46725651.50% 1.59 9087554.81 27563791.89% 71.45 14453922.03 26345431.25% 25.28% 24.71 7482152.10% 6.82% 1.27 10766018.99% 42.58 3.31 200 4.58 8.09% 13.66 LB 4594355.66% 32.78 16981781.51% 27.46% 2.34% 59.62 4594355.95 16712435.86% 6.34 9868131.87% UB 4649063.52% 43.4.03 5698078.91% 38.24% 41.94% 44.07 5112526.62 4594355.7 2.39% 33.42% 3.93% 14.34 27504422.53 16619159.33 4.13 5443339.15 16375783.38% 37.18% 14.94 5503152.8 17.11% 34.45 26737370.95 10563117.40 27369808.14 7817366.17% 4.26 28920671.20 4712137.73% 2.01% 3.41% 4.09 18.2 200 45.52% 2.89 12796410.15% 42.95 27275422.07% 16.15 16375783.03% 4.13 13376789.17 2.59 0.69% 23.21 7832065.13% 62.38 7482152. RESULTATS EXPERIMENTAUX N T Class A 6 15 6 15 6 15 6 15 6 15 6 30 6 30 6 30 6 30 6 30 12 15 12 15 12 15 12 15 12 15 12 30 12 30 12 30 12 30 12 30 24 15 24 15 24 15 24 15 24 15 24 30 24 30 24 30 24 30 24 30 Class B 6 15 6 15 6 15 6 15 6 15 6 30 6 30 6 30 6 30 6 30 12 15 12 15 12 15 12 15 12 15 12 30 12 30 12 30 12 30 12 30 24 15 24 15 24 15 24 15 24 15 24 30 24 30 24 30 24 30 24 30 M ethod BC FR FR1 DFR DFR1 BC FR FR1 DFR DFR1 BC FR FR1 DFR DFR1 BC FR FR1 DFR DFR1 BC FR FR1 DFR DFR1 BC FR FR1 DFR DFR1 BC FR FR1 DFR DFR1 BC FR FR1 DFR DFR1 BC FR FR1 DFR DFR1 BC FR FR1 DFR DFR1 BC FR FR1 DFR DFR1 BC FR FR1 DFR DFR1 T emps CP U 200 0.64 0.69 GAP 1.68% 43.14 8.03 26345431.28% 13.68 8786329.23 9174185.64 200 1.39 5455078.02% 43.91% 3.72% 23.67 2.39% 2.45 14453922.02% 18.12% 37.7 200 0.19 12.55% 6.69% 23.05% 15.03 26345431.57% 1.61 26737370.00 17334236.74% 39.30 7832065.68 8786329.26% 27.68 8786329.50% 19.79% 38.52% 5.95% 24.35% 69.61 26737370.85 45591716.28 98.58% 8.36% 38.05% 27.23% 5.04 28348357.56 27184143.92 5837544.24% 24.61 26737370.81% 60.72 3.73 13312283.63% 14.86% 43.37% 24.86% 43.06 9060634.71 7482152.7 200 7.39% 14.26% 68.49% 60.86 1.11 200 20.35 16678253.18% 18.50% 60.48% 42.96% 13.26% 68.84 1.68% 42.79% 60.13% 59.47% 34.94% 34.08% 6.14% 4.65 28655048.33% 33.14 7814117.51% 3. 6.92 6.06% 36.63% 3.21% 2.66% 5.15% 62.23% 43.67 0.92% 17.41 45512020.64 1.61 26737370.50% 46.88% 5.24% 41.06% 14.91% 6.69 0.45% 43.75 1.73% 67.84% 43.53 14.99 9025396.15% 13.11% 27.69% 7.38 5698078.25 13559460.07 5112526.29% 4.09% 3.8 – R´sultats exp´rimentaux : Instances de classe A et B e e .07 5112526.68% 6.03 26345431.38 5698078.71 7482152.93 5830113.71 7482152.27% 27.26% 27.53% 40.84% 38.97% 31.07 8786329.09 28799376.03% 16.22% 14.28 5858168.28% 7.31% 3.90% 8.15 26345431.95% 21.17 3.04% 69.45% 69.47% 4.85 16988946.58% 25.81% 69.33 60.84% 12.46% 42.89 12796410.59 1.6 39792758.63 10803451.15 16375783.01 8931582.64% 24.75% 60.34 19.89 12796410.38 5698078.78 13479203.75% 39.34% 1.73% 41.72% 15.62% 7.62 5112526.09 17424705.68 9868131.44% 33.71 12796410.58% 70.71 4664906.6 39792758.94% 21.´ ´ 6.86% 30.57% 14.6 %Lost 27.67% 22.6 39792758.73 4664906.62 4594355.74% 19.51% 2.56 56.70% 24.89 14453922.03% 19.81% 3.73% 66.65% 3.87% 24.13% 46.75 0.35 17041520.22 3.67 200 2.15 16375783.27% 2.73% 5.87% 24.51 47297771.20% 21.57% 61.53 200 3.16% 5.34 9868131.25% 4.93% 39.31 200 14.89 12796410.35% 27.14 5845187.07 5112526.34% 3.49% 14.6 39792758.34 16375783.38 5698078.95 10488446.60% 34.03% 24.64 0.12% 42.63% 2.59 5845495.95% %Def icit 68.98% 60.67% 60.34 9868131.18 7887366.61 39792758.44 13292194.86 17.30% 60.24 46746268.17 5373962.47 5486538.68 8786329.45% 60.49 10487023.96% 67.17% 39.65% 133 Tab.3 5.27 200 1.18% 32.00% 59.67% 34.02% 42.05% 37.84 7.27% 40.05 24.45% 67.38 17242514.

5 – Variation du GAP en fonction de σ Fig. on remarque une am´lioration du GAP mais pas pour toutes e les instances. Des r´sultats exp´rimentaux sont r´sum´s par les e e e e e figures suivantes. avec σ variant entre 1 et 4. Le param`tre σ prend les valeur 1. σ − 1. 6. Une ´tude empirique a montr´ que de grandes valeurs de σk ne foure e e nissaient pas de bons temps CPU. HEURISTIQUES DE DECOMPOSITION A BASE DE MIP par la m´thode Double-Fix-and-Relax. En effet. 2%. 4%. 1. Les figures 6. . Le temps limite pour chaque ´tape time prends e e e les valeurs 1. Quand δ augmente. nous pouvons remarquer que l’augmentation de σ et δ. e a GAP et Temps CPU repr´sentent la moyenne de plusieurs tests en fonction de la variation de e δ.5 et 6. Dans ce qui suit. 20 et 30 secondes avec opt = 0. 6.7 et 6. on suppose que σk = σ. 5. 6.134 ´ ` CHAPITRE 6. Le param`tre opt prend les valeurs e 1%. le GAP de l’instance 24-30 augmente entre δ = 1 et δ = 3. T imek = time et optk = opt pour tout k. Les crit`res d’arrˆt pour tous les algorithmes sont fix´s ` opt = 1% et un temps CPU e e e a limite de 60 secondes pour chaque ´tape. . 25% 500 20% 400 15% 10% 12-15 12-30 24-15 24-30 6-15 6-30 300 200 12-15 12-30 24-15 24-30 6-15 6-30 5% Temps CPU GAP 100 0% 1 2 3 4 0 1 2 3 4 Taille de la fenêtre de décision Taille de la fenêtre de décision Fig. 3 et 4. Les figures 6.9 et 6. accroˆ ıtre consid´rablement le temps CPU.5.6 repr´sentent respectivement la variation de la qualit´ e e de la solution calcul´e par GAP et Temps CPU par rapport ` σ. 3%. Les param`tres σ et δ sont fix´s respectivement ` 3 et 1 puisque l’analyse e e a pr´c´dente ` montr´ que ces calibrages donnaient le meilleur compromis entre le GAP et le e e a e temps CPU. Les valeurs du GAP sont calcul´es en utilisant la borne sup´rieure trouv´e par l’heuristique e e e et la meilleure borne inf´rieure obtenue ` la fin de la m´thode BC.7 et 6.8. En effet.10 montrent respectivement la variation du GAP et du Temps CPU en fonction de opt. δk = δ. 2. . . 3. on remarque une nette diminution du GAP pour toutes les instances. Les figures 6. . On alloue un temps CPU e a e limite de 200 secondes pour la m´thode BC.8 repr´sentent respectivement la variation du GAP et du Temps CPU e par rapport ` δ. Le param`tre δ prend des valeurs entre e e 0. Nous avons ´galement ´tudi´ l’effet de la vae e e e riation des crit`res d’arrˆt time et opt. mais permet une am´lioration des GAPs e e induits. Les tests sont effectu´s sur les e instances de la classe B. GAP et Temps CPU repr´sentent la moyenne de a e plusieurs tests en fonction de la variation de σ. puisque les r´sultats pr´c´dents ont montr´ que c’est e e e e e la meilleure m´thode. quand σ augmente. avec δ variant entre 0 et σ −1. 5% et 6% avec time = 60 secondes. 10.6.6 – Variation du Temps CPU en fonction de σ A partir des figures 6. Nous avons remarqu´ que des valeurs de σk inf´rieures ` 5 e e a donnaient de bons compromis entre le GAP et le temps CPU. 6.

00% GAP 12.00% 75 60.00% 840 18. e Dans nos ´tudes exp´rimentales. Quand le temps limite est sup´rieur ` 5 secondes. 6. nous pouvons remarquer que l’augmentation de opt r´duit e les temps d’ex´cution mais augmente le GAP consid´rablement. . nous avons suppos´ que les param`tres σk et δk sont e e e e constant. Par exemple. Il serait int´ressant d’analyser l’effet de la variation de ces param`tres ` travers e e a l’ex´cution des heuristiques.00% 6.00% 0 1 2 3 0 0 1 2 3 Taille du chevauchement Taille du chevauchement Fig. RESULTATS EXPERIMENTAUX 135 21.00% 9.´ ´ 6. 6.9 et 6.00% 1% 2% 3% 4% 5% 6% 0 1% 2% 3% 4% 5% 6% GAP minimum par étape GAP minimum par étape Fig.7 – Variation du GAP en fonction de δ Fig.00% 6-15 6-30 12-15 12-30 24-15 24-30 45 30 6-15 6-30 12-15 12-30 24-15 24-30 Temps CPU GAP 15 0.00% 720 15.9 – Variation du GAP en fonction de opt Fig.10 – Variation du Temps CPU en fonction de opt A partir des figures 6.00% 12-15 12-30 24-15 24-30 6-15 6-30 600 480 360 240 12-15 12-30 24-15 24-30 6-15 6-30 3. Nous e e e avons remarqu´ que le GAP d´croˆ quand le temps limite accroˆ pour des valeurs inf´rieures e e ıt ıt e a ` 5 secondes.4. prendre de grande valeurs de σk et δk au d´but de e e l’horizon de planification et r´duire ces valeurs quand on d´place la fenˆtre de d´cision vers e e e e le futur. 6. e e Nous avons ´galement ´tudi´ la variation du GAP en fonction du temps limite.00% Temps CPU 120 0.00% 60 40.8 – Variation du Temps CPU en fonction de δ 80.10. 6.00% 20. le GAP ne d´croˆ pas e a e ıt consid´rablement.

Afin de fournir une bonne borne e e sup´rieure dans des temps de calculs raisonnables. probl`mes d’ordonnancement). Ces m´thodes peuvent e e e e ˆtre am´lior´es en utilisant une meilleure approximation des variables de setup sur la fin de e e e l’horizon de planification. nous avons d´velopp´ des heuristiques e e e a ` base de MIP qui sont une hybridation d’une approche de d´composition de l’horizon de e planification et d’une m´thode branch-and-bound. Des r´sultats exp´rimentaux ont montr´ e e e e l’efficacit´ de cette approche sur des instances r´elles. des temps de setup. Les solutions e e e a r´alisables fournies par ces heuristiques peuvent ˆtre utilis´es comme borne sup´rieure dans e e e e une m´thode de branch-and-bound afin de l’acc´l´rer. plusieurs groupes de r´f´rences. Il peut ´galement ˆtre e e e e e e e adapt´ pour d’autres probl`mes (ex. HEURISTIQUES DE DECOMPOSITION A BASE DE MIP 6. u e e e ee plusieurs gammes de production et des contraintes de production minimum. Ces heuristiques peuvent ´galement ˆtre utilis´es conjointement e e e avec une approche poly´drique afin de r´soudre les sous-probl`mes ` l’optimum. des coˆts de rupture. Ces contraintes sont issues de probl´matiques r´elles de clients DynaSys. plusieurs ressources.136 ´ ` CHAPITRE 6. plusieurs r´f´rences. Le principe de cette heuristique peut e e ˆtre utilis´ pour r´soudre des probl`mes de lot-sizing plus compliqu´s. e ee .5 Conclusion Nous avons propos´ une nouvelle formulation math´matique d’un probl`me de lot-sizing ` e e e a capacit´ finie impliquant. des e ee u coˆts de d´ficit sur le stock de s´curit´.

Nous avons ´galement accord´ plus d’attention aux probl`mes de lote e e sizing ` un seul niveau de production. telles que les coˆts de rupe ee e e u ture sur la demande. plusieurs r´f´rences. les approches poly´driques. Nous avons introduit de nouvelles notions qui.Chapitre 7 Conclusions et perspectives de recherches Dans cette th`se. ainsi que des coˆts de rupture sur e ee u la demande (MCLS2). avec e e a ee e des coˆts de rupture sur la demande et de d´ficit sur le stock de s´curit´ (ULS4). Les contributions de e e e e nos travaux de recherche sont multiples. des e e a e ee 137 . e e a ` notre connaissance. Cet alu e e e gorithme est polynomial. Nous avons tout d’abord pr´sent´ un ´tat de l’art sur les probl`mes de lot-sizing. Nous avons propos´ trois classes d’in´galit´s valides pour le probl`me de lot-sizing ` cae e e e a pacit´ finie avec plusieurs r´f´rences. nous avons propos´ une classification des approches par e e type de probl`mes : une seule r´f´rence. ont tr`s peu ´t´ trait´es dans la litt´rature. des temps de setup. les approches de programmation dynamique ainsi que les e approches heuristiques. Nous avons explor´ plusieurs approches afin d’identifier les ee e particularit´s des probl`mes de lot-sizing trait´s par rapport ` la litt´rature. il consiste ` r´soudre O(T 3 ) probl`mes de flots ` coˆt minimum. a a e e ainsi que ceux avec des coˆts de rupture sur la demande. les coˆts de d´ficit sur le stock de s´curit´ et la pr´sence de plusieurs u e e e e gammes de production. Nous avons accord´ une attention particuli`re aux e e e e e travaux utilisant des approches de r´solution proches de celles abord´es dans cette th`se. Des heuristiques polynomiales ont ´t´ d´velopp´es pour la s´paration de ee e e e ces in´galit´s. ` e e e a savoir. a e e a u Ce r´sultat nous a encourag´ ` utiliser la relaxation lagrangienne afin de fournir une borne e ea inf´rieure pour le probl`me de lot-sizing ` capacit´ finie impliquant plusieurs r´f´rences. nous avons analys´ une vari´t´ de probl`mes de lot-sizing rencontr´s chez e e ee e e des clients de la soci´t´ DynaSys. Les tests effectu´s sur des instances acad´miques sont tr`s prometteurs. Pour e e e e une meilleure pr´sentation de celui-ci. nous avons pr´sent´ des mod´lisations math´matiques des e e e e e probl`mes rencontr´s en milieu industriel. Ces in´galit´s d´finissent des facettes pour le probl`me (MCLS2) sous e e e e certaines conditions. u Dans une seconde ´tape. e e e e Nous avons ´galement propos´ un algorithme de programmation dynamique pour la e e r´solution du probl`me de lot-sizing ` une seule r´f´rence sans contrainte de capacit´. m´thodes approch´es. Celles-ci ont ´t´ utilis´es dans une m´thode branch-and-cut pour r´soudre le e e ee e e e probl`me (MCLS2). ` p´riodes longues. de formuler ces e e e a e particularit´s et de proposer des m´thodes pour r´soudre ces probl`mes. puis par m´thode de r´solution : e ee ee e e m´thodes exactes. avec des contraintes de capacit´.

Il serait ´galement int´ressant d’utiliser les bornes inf´rieures obtenues par la relaxation e e e lagrangienne dans un algorithme de branch-and-bound. une heuristique de lissage peut ˆtre d´velopp´e afin de rendre cette e e e solution r´alisable.SKEP de la soci´t´ DynaSys et sont e e e ee install´s chez plusieurs de ses clients. mais la complexit´ e e e de l’algorithme propos´ reste assez ´lev´e. Celles-ci ont montr´ leur efficacit´ sur des instances e e e r´elles. [172]. Cette m´thode a fourni des bornes inf´rieures de bonne qualit´ compar´es e e e e e e a ` celles trouv´es par le solveur CPLEX 9. e Tous ces d´veloppements sont int´gr´s au logiciel n. les seules contraintes viol´es sont les contraintes de capacit´.0. La formulation agr´g´e e e e du probl`me MCLS4 ` donn´ de meilleurs r´sultats que la formulation d´sagr´g´e. Une autre am´lioration consiste ` impl´menter un algorithme de flot e a e a u ` coˆt minimum afin d’acc´l´rer la r´solution du probl`me ULS4. L’utilisateur dispose d’une interface graphique lui pere mettant de param´trer les diff´rentes m´thodes (cf. En se basant e e e sur ce plan de production. En effet. e ee nos instances sont de nature sous-capacitaire. Cette heuristique peut ˆtre d´velopp´e en se basant sur celle propos´e e e e e e par Trigeiro et al. nous avons prouv´ a e qu’il est possible de r´soudre le probl`me ULS4 en temps polynomial. En revanche. e e e Il existe plusieurs perspectives ` nos travaux de recherches. Les contraintes de lancement de groupes et les contraintes de capacit´ e sont consid´r´es comme des contraintes couplantes. est la possibilit´ d’ajuster le plan de production afin de trouver e une solution r´alisable ` chaque ´tape de la relaxation lagrangienne. Il serait int´ressant de tester la qualit´ des bornes inf´rieures obtenues par e e e e la relaxation lagrangienne de ces contraintes. ee e e Le plan de production fourni par la relaxation lagrangienne n’est pas r´alisable pour le e probl`me MCLS4. Annexe 2). puisqu’elles permettent de relier l’enee semble des r´f´rences pour le calcul de la consommation globale en capacit´ et le lancement ee e des groupes. les groupes de r´f´rences e e e e ee et le multi-ressources.138 CHAPITRE 7. La double relaxation de ces contraintes d´compose le probl`me en plusieurs e e probl`mes ULS4. CONCLUSIONS ET PERSPECTIVES DE RECHERCHES temps de setup. ainsi que des coˆts de rupture sur la demande et de d´ficit sur le stock de u e s´curit´ (MCLS4). ajuster le plan en supprimant des productions permet d’avoir des solutions r´alisables. L’avantage que peut avoir notre approche par rapport e a ` celle de Trigeiro et al. e a e e e e e Dans le but de proposer une solution r´alisable dans des temps raisonnables pour des e probl`mes de lot-sizing incluant toutes les particularit´s des jeux de donn´es issus de situations e e e industrielles. les probl`mes e a e e trait´s par Trigeiro et al. Ainsi. nous avons d´velopp´ des heuristiques dites ` base de MIP. sont caract´ris´es par des capacit´s suffisantes pour satisfaire toute la e e e e demande. Une autre perspective est de g´n´raliser l’algoe e rithme de programmation dynamique que nous avons propos´ au chapitre 5 afin de consid´rer e e plusieurs gammes de production. En effet. Les auteurs ont consid´r´ ´galement la e e e ee e relaxation des contraintes de capacit´. ajuster le plan en supprimant des quantit´s produites n’est pas tol´r´. En utilisant CPLEX 9. une heuristique lagrangienne peut toujours e ˆtre utilis´e afin de rendre la solution r´alisable. . Ils ont propos´ une heuristique lagrangienne afin de r´soudre le e e probl`me MCLS pr´sent´ au chapitre 2 page 19. Un premier axe de recherche serait d’essayer e e e d’am´liorer la complexit´ de cet algorithme pour permettre une meilleure r´solution par ree e e laxation lagrangienne. Ces heuristiques e e a d´coulent d’une hybridation d’une approche de d´composition de l’horizon de planification e e et d’une m´thode de branch-and-bound. e e e L’approche de relaxation lagrangienne utilis´e pour le probl`me MCLS4 peut ˆtre e e e g´n´ralis´e afin de consid´rer des contraintes industrielles telles que.0.

En effet. et sont ene e a e e e suite impos´es comme contraintes aux mod`les plus d´taill´s. en pr´sence de r´f´rences ´quivalentes (en termes de coˆts et de e e e ee e u consommations en ressource). En effet. Il serait ee e int´ressant d’impl´menter ces in´galit´s dans une approche de branch-and-cut afin de tester e e e e leur efficacit´. Chaque famille ee e e est assimil´e ` une r´f´rence agr´g´e. e Les overtimes sont des capacit´s suppl´mentaires avec un coˆt associ´ dans la fonction e e u e objectif. les d´cisions d´taill´es e e e e e e e permettent d’´valuer la qualit´ des d´cisions agr´g´es. Il serait ´galement int´ressant de recourir ` des e u e e a techniques de r´solution de programmes lin´aires en nombres entiers multicrit`res. les r´f´rences appartenant au mˆme groupe sont class´es par famille. Les coˆts de u u rupture et de d´ficit sur le stock de s´curit´ sont ´lev´s en comparaison aux autres coˆts. cette e e e e o formulation a montr´ sa sup´riorit´ ` la formulation dite agr´g´e du probl`me MCLS2. e e e Les heuristiques de d´composition de l’horizon de planification peuvent ˆtre am´lior´es e e e e en utilisant une meilleure approximation des variables de setup sur la fin de l’horizon de planification. e e e e e e consistent ` remplacer la formulation monolithique par une s´quence de mod`les et une a e e hi´rarchie de d´cisions ` prendre. [177] ont g´n´ralis´ les in´galit´s (l.139 Un autre axe de recherche consiste ` g´n´raliser les in´galit´s valides propos´es dans cette a e e e e e th`se au mod`le MCLS2 bas´ sur le probl`me de localisation d’entrepˆts. Van Hoesel et al. on dispose d’un mod`le relatif ` chaque famille de r´f´rences. multi-ressources et multi-gammes. En effet. Les d´cisions agr´g´es sont prises en premier. Au niveau d´taill´. dites ´galement approches d’agr´gation/d´sagr´gation. S) afin de traiter les coˆts de start-up pour les probl`mes de lote e u e sizing ` une seule r´f´rence et sans contrainte de capacit´. Le succ`s de cette approche r´side essentiellement sur e e e e e e l’uniformit´ entre l’agr´gation et la d´sagr´gation ainsi que l’interaction entre les mod`les e e e e e aux diff´rents niveaux de la hi´rarchie. Au niveau agr´g´. la programmation lin´aire n’´quilibre pas les ruptures entre ces e e r´f´rences. Une heuristique de lissage peut ˆtre utilis´e afin de rendre cette solution r´alisable tout en ´quilibrant les e e e e ruptures entre les r´f´rences. R. En retour. L’utilisation d’un objectif quadratique pour les ruptures permet d’effectuer un tel ee ´quilibrage. S) en une nouvelle e e e e e classe d’in´galit´s (l. e Une autre perspective ` ces travaux est d’utiliser une approche d’optimisation multicrit`re. des temps de e e start-up et des coˆts de rupture sur la demande. Le plan de production obtenu en consid´rant des overtimes viole les contraintes de capacit´ si les e e ressources disponibles ne sont pas suffisantes pour satisfaire toute la demande. Ces derniers peuvent remplacer les variables de rupture sur la demande. e e e e e u Il serait int´ressant de caracteriser l’ensemble des solutions efficaces ou non domin´es par e e une analyse multicrit`re de ces deux coˆts. a e En effet. e e Les planificateurs cherchent souvent ` ´quilibrer les ruptures sur la demande. la fonction objectif est une somme de plusieurs composantes de coˆts. Il serait int´ressant de g´n´raliser a ee e e e e ces travaux pour le probl`me de lot-sizing avec des contraintes de capacit´. Il serait ´galement int´ressant d’utiliser cette approche conjointement avec une e e m´thode de coupes afin de trouver de meilleures solutions aux sous-probl`mes. Afin de classer les r´f´rences par famille on peut utiliser des techniques de classiee fication. ee Les m´thodes hi´rarchiques. les r´f´rences sont regroup´es par e e e e ee e groupes. Les e e e a ee . Les d´cisions en haut de la hi´rarchie e e e e e e e sont bas´es sur des mod`les agr´g´s. Les solua e tions obtenues par un solveur de programmation lin´aire en nombres entiers sont souvent e non ´quilibr´es. u Les in´galit´s valides que nous avons d´velopp´es pour le probl`me MCLS2 n’ont pas e e e e e encore ´t´ test´es pour les cas : multi-groupes. pour laquelle on calcule des coˆts et des consommations e a ee e e u en ressource. Une e e ea e e e autre perspective de nos travaux est de g´n´raliser ces in´galit´s pour inclure les coˆts de e e e e u start-up.

CONCLUSIONS ET PERSPECTIVES DE RECHERCHES d´cisions prises au niveau agr´g´es (plan de production) sont impos´es comme contraintes e e e e (contrainte de ressources) aux mod`les du niveau d´taill´.140 CHAPITRE 7. e . peut ˆtre e utilis´e afin de d´velopper des in´galit´s valides ou une approche de relaxation lagrangienne e e e e pour ce type de probl`mes. Cette approche a ´t´ initi´e ` e e e ee e a DynaSys. La notion d’echelon stock. il serait int´ressant de poursuivre ces travaux. e Le dernier axe de recherche consiste ` aborder les probl`mes de lot-sizing ` plusieurs a e a niveaux de production. introduite par Clark et Scart [34].

le passage de la production d’une r´f´rence ` ee a e e e ee a une autre r´f´rence peut entraˆ ee ıner un temps et un coˆt de changement qui diff`re d’un couple u e de r´f´rences ` un autre. uit ∈ {0. quand les p´riodes sont courtes. En effet.Annexes Annexe 1 : Quelques extensions du probl`me MCLS e Nous pr´sentons dans cette section les principales extensions du probl`me MCLS rene e contr´es dans la litt´rature. pour le passage du bleu au blanc. un tel nettoyage n’est pas n´cessaire.2) Les modifications apport´es au probl`me MCLS sont. e 141 . Les changeovers Dans quelques environnements de production. 1}. mais ´galement de tout ce qui s’est pass´ sur toutes ee e e e les r´f´rences ` la p´riode pr´c´dente. e e Les startups Le coˆt de start-up (start-up cost) et le temps de start-up (start-up time) sont encourus u pour une r´f´rence i ` une p´riode t. Cette notion est appel´e : changeover. la machine doit ˆtre nettoy´e ` fond. et des temps de start-up dans les contraintes de ressource. quand il y a un lancement de production de cette r´f´rence ee a e ee a ` la p´riode t mais pas ` la p´riode t − 1. Le passage e d’un coloris ` un autre d´pend vraiment du couple de coloris. En effet. il est ´vident de v´rifier les changements de u e e situation pour minimiser les coˆts de lancement. ∀t ∀i. ∀i. En effet. l’ajout des coˆts de start-up dans e e u la fonction objectif. ee a e Exemple 1 Un exemple souvent rencontr´ dans l’industrie est celui du coloris. u Afin d’introduire les start-ups dans le mod`le MCLS.1) (7. on d´finit une variable binaire e e suppl´mentaire uit qui est ´gale ` 1 quand il y a un start-up ` une p´riode t. et que les e a e e temps et coˆts de changement sont importants. ∀t (7. Ainsi. Ceci conduit ` e e a a e a rajouter les contraintes suivantes au probl`me MCLS : e yit − yi(t−1) ≤ uit ≤ yit . les changements ne d´pendent pas seulee ment de la r´f´rence qui doit ˆtre produite. e e a alors que pour le passage du bleu au noir. le r´glage d’une machine a e e pour le passage du coloris bleu au blanc est plus lent et plus coˆteux que le passage du coloris u bleu au noir.

e wii t ≥ yit + yi (t−1) − 1. . . . . On aura donc deux flux de stock. . Ceci arrive quand l’usine e n’a pas assez de capacit´ en ressources pour satisfaire le client ` temps. .3) (7. .142 CHAPITRE 7. . . . Le changeover est formul´ ee e e e en rajoutant les contraintes suivantes au probl`me MCLS. N. T . e e . . N.6). Son ajout coˆte e e e u alors un prix plus ´lev´ que celui des ressources humaines disponibles. Cette probl´matique e a e est mod´lis´e en permettant ` la production d’une p´riode donn´e de satisfaire des demandes e e a e e exprim´es ` des p´riodes pr´c´dentes. un flux allant du e a e e e d´but vers la fin de l’horizon (flux des stocks). . . t = 1. . C’est ce e e que l’on appelle les overtimes. . wii t ∈ {0. u e e Le backlogging Le backlogging est la possibilit´ d’avoir du retard sur les commandes. . Pour mod´liser le flux des retards. Exemple 2 Un exemple tr`s fr´quent est celui de l’augmentation des ressources humaines. il est fr´quemment possible d’ajouter de la capacit´. Une formulation classique du backlogging e a e est faite en rempla¸ant la contrainte de flux (2. . cette augmentation est consid´r´e comme des heures suppl´mentaires. i = 1. La variable ot est p´nalis´e dans la fonction objectif. . e e Cette mod´lisation est faite en rajoutant une variable continue ot aux ressources dispoe nibles ` la p´riode t (ct ). CONCLUSIONS ET PERSPECTIVES DE RECHERCHES wii t est une variable binaire qui sert ` d´tecter les changeovers. . N. et un autre allant de la fin vers le d´but e e de l’horizon (flux des retards). on introduit une nouvelle e variable positive ou nulle bit . repr´sentant le retard de ee e e la demande ` la fin de la p´riode t. . bit est la demande des p´riodes 1. . i = 1. o` une seule r´f´rence a le droit d’ˆtre lanc´e. . . N. . En effet. si les a e e a r´f´rences i et i sont lanc´es respectivement aux p´riodes t et t − 1. 1}. . ∀t i=1 (7. . t qui sera a e e livr´e en retard (` des p´riodes dans t + 1. c e Les variables bit sont p´nalis´es dans la fonction objectif. T (7. . . .10) du probl`me MCLS par la contrainte (7. i = 1. . t = 1.4) On apporte les mˆmes modifications que celles apport´es au probl`me avec le start-up en e e e rajoutant au probl`me MCLS. elle est ´gale ` 1. cette p´nalit´ a e e e e e est relative au coˆt des ressources suppl´mentaires utilis´es. les coˆts de changeover dans la fonction objectif. . e L’ajout du changeover au probl`me MCLS est souvent suivi de la contrainte de small e buckets (p´riodes courtes). Ainsi. Cette contrainte est e u ee e e mod´lis´e en utilisant la contrainte suivante : e e N yit ≤ 1. .5) Les overtimes Il est souvent r´ducteur d’imposer une contrainte de capacit´ forte ` chaque p´riode et e e a e pour chaque ressource. Ce retard est p´nalis´ e e e puisqu’il peut avoir un impact n´gatif sur la satisfaction des clients. T i = 1. ainsi que les e u temps de changeover dans les contraintes de capacit´. pour chaque r´f´rence i et p´riode t. En e e effet.

Ce param`tre est utilis´ pour calculer la demande d´pendante (dit repr´sente la ee e e e e demande ind´pendante).7).1 – Exemple de nomenclature ` deux niveaux a Afin de mod´liser le probl`me en multi-niveaux. nous allons introduire un nouveau pae e ram`tre bij . Chaque arc (i. 6. ∀i.6) Le multi-niveau Dans le cas o` on a une structure de produits en multi-niveaux. l’ensemble de toutes les r´f´rences e e e ee successeurs de la r´f´rence i (L(i) = ∅ pour les produits finis). e La d´pendance entre les produits est mod´lis´e ` travers la d´finition d’une structure de e e e a e produits. on a une restriction des u flux de mati`res. a a Le probl`me de lot-sizing ` plusieurs niveaux de production peut ˆtre vu comme un e a e seul mod`le monolithique contenant un mod`le MCLS pour les produits finis et un mod`le e e e ULS pour chaque produit interm´diaire et mati`re premi`re. les produits peuvent ˆtre en entr´e d’un niveau de production. l’exemple repr´sente la nomenclature d’un produit fini 1.10) par la contrainte e (7. et les e demandes interne (les demandes d´pendantes) provenant de la production d’autres produits. Ces restrictions sont mod´lis´es en apportant quelques e e e e modifications ` la contrainte de conservation des flux ` travers l’horizon. . Ce qui cr´e des contraintes e e de pr´c´dences entre les produits. Le but d’une telle mod´lisation e e e e est d’optimiser simultan´ment les productions et les achats de toutes les r´f´rences. 5. En repree ee nant le probl`me MCLS il s’agit de remplacer la contrainte de flux (2. 3 et trois mati`res premi`res 4. ∀t (7. e e e 4 2 2 3 1 2 5 3 3 2 6 Fig.143 xit − sit + bit + si(t−1) − bi(t−1) = dit . La figure 7. deux produits e e interm´diaires 2. ∀t (7. appel´e nomenclature (not´e : BOM1 ).7) BOM : Bill Of Materials. on ee ee d´fini par τi le temps d’attente pour la production ou la livraison de la r´f´rence i. En effet. Les e e e sommets repr´sentent les produits et les arˆtes les liens entre les produits. ∀i. j) est e e pond´r´ par une valeur repr´sentant la quantit´ du produit i n´cessaire ` la fabrication d’une ee e e e a unit´ du produit j. xi(t−τi ) − sit + si(t−1) = dit + j∈L(i) 1 bij xjt . 7. Pour chaque r´f´rence i. Nous allons ´galement d´finir L(i). bij repr´sente la quantit´ de la r´f´rence i n´cessaire ` la fabrication d’une unit´ de e e e ee e a e la r´f´rence j. afin de e ee satisfaire les demandes externes (les demandes ind´pendantes) provenant des clients.1 pr´sente une nomenclature. e e e comme ils peuvent ˆtre en sortie d’autres niveaux de production.

7 exprime la conservation des flux ` travers l’horizon de planification pour a chaque r´f´rence i ` chaque p´riode t. e . CONCLUSIONS ET PERSPECTIVES DE RECHERCHES La contrainte 7.144 CHAPITRE 7. cette derni`re est la somme de la demande ind´pendante dit et a e e e la demande d´pendante j∈L(i) bij xjt . La demande ee a e e a e a ` satisfaire est ` la p´riode t. La quantit´ produite est ` la p´riode t − τi .

figure 7. DynaSys est un ´diteur de logiciels qui propose une solution globale ee e pour l’optimisation de la chaˆ logistique. A travers cette arborescence..4). e e e e e Fig. c e e e n. Cette derni`re s’appelle n. de pr´vision. de distribution. Ainsi. Une fois cette option activ´e. l’administration de l’application ainsi la e e e personnalisation des affichages (cf. . Ces param`tres sont renseign´s ` partir de cette fenˆtre oe e e e a e de param´trage.145 Annexe 2 : D´veloppement logiciel e Les travaux de ma th`se s’inscrivent dans le cadre du d´veloppement du logiciel n. figure 7. L’ex´cution des algorithmes se fait ` l’aide de liens dits d’alimentation e e a puisqu’ils permettent d’alimenter des param`tres tel que le plan de production (cf.SKEP : G´n´rateur Hi´rarchique e e e Mes travaux de recherche portent essentiellement sur les entit´s de production.SKEP ainsi qu’un e aper¸u sur l’int´gration des algorithmes d´velopp´s dans le cadre de mes travaux de recherche.SKEP dispose d’une arborescence d’objets appel´e g´n´rateur hi´rarchique.2). Une entit´ e e de production se compose de plusieurs domaines ` partir desquels des donn´es peuvent ˆtre a e e saisies ou consult´es. plusieurs entit´s e peuvent ˆtre mod´lis´es. Durant l’ex´cution des algorithmes.2 – n.SKEP e e de la soci´t´ DynaSys. nous pouvons acc´der ` toutes les options e e e a des heuristiques d´crites au chapitre 6 (cf.SKEP. Le g´n´rateur e e e e e e hi´rarchique permet : la mod´lisation des probl`mes. e Le lien d’alimentation Optimizer permet d’optimiser le plan de production en se basant sur une fenˆtre de param´trage. On a vu au chapitre 6 que Les heuristiques ` base de MIP sont e e a contrˆl´es par plusieurs param`tres.5).3). telles que les entit´s de production. figure 7. ıne e Nous pr´sentons dans cette annexe une description rapide du logiciel n. l’utilisation de ces heuristique est activ´e si la case ` cocher Option e e a rapide est activ´e. e e l’utilisateur ne voit que l’´tat d’avancement de la r´solution sur une fenˆtre de progression e e e (cf..SKEP g`re les flux d’information qui circulent entre les clients et les fournisseurs. n. figure 7. 7. Il e dispose ´galement de plusieurs modules qui permettent d’optimiser et de simuler les flux e physiques qui circulent des fournisseurs vers les clients.

7.146 CHAPITRE 7.SKEP : Entit´ de production e Fig.3 – n.4 – n.SKEP : Fenˆtre de param´trage (Option rapide) e e . 7. CONCLUSIONS ET PERSPECTIVES DE RECHERCHES Fig.

5 – n.SKEP : Fenˆtre de progression e .147 Fig. 7.

7. l’utilisateur peut consulter ses r´sultats en visualisant des grilles e num´riques ou des vues graphiques. figures 7.148 CHAPITRE 7.7 et 7.7 – n. 7. CONCLUSIONS ET PERSPECTIVES DE RECHERCHES Une fois le calcul fini. (cf. e Fig.SKEP : Grille num´rique e Fig.8).SKEP : Vue graphique Il existe ´galement un lien d’alimentation consacr´ ` la relaxation lagrangienne des contraintes e ea e e e e e de capacit´ pr´sent´e au chapitre 5. Les in´galit´s valides pr´sent´es au chapitre 4 sont activ´es e e e par des options avanc´es de la base des registres. 7.6 – n. e .6.

SKEP : Diff´rentes vues e .8 – n.149 Fig. 7.

.

2003.C. Pochet. Prentice Hall. Chand. Ahuja.R. 2004. 20 :562–582. Algorithms. 1983. An algorithm for the dynamic lotsize problem with time-varying production capacity constraints. Management Science. 147 (3) :558–566. 1984. Axs¨ter. 1993. and S. Gavish. T. 2005. Management Science. 53 :711–730. J. Mathematical u Programming. Tarjan. Baker. The single-item lot-sizing problem with immediate lost sales. 53 :243–266. 1992. [6] R.B.L.E. Mun oz. Dixon. Silver. [10] A. M. Atamt¨rk and S. and U. 41 :549–571. Orlin.K. 1993. Mathematics of Operations Research. A study of the lot–sizing polytope. Operations Research. and R. Computationally efficient optimal solutions to the lot-sizing problem in multistage assembly systems. [3] P. Operations Research. European Journal of Operational Research. Park.K. Altinkemer. 34 :237–249. Goldberg. Karmarkar. Bahl. 1985. 24 (16) :1710–1720. Operations Research. Aardal.K. [9] A. K. A. Wolsey.J.Bibliographie [1] K. 99 :443–465. Aksen. 34 :34–42. [7] R. [13] K. [12] H. IIE Transactions. Ahuja. 1987. Afentakis. A parallel heuristic algorithm for lot-sizing in muli-stage production systems. Magazine. Finding minimum-cost flows by double scaling. and Applications. [2] P. Atamt¨rk and J. C. K¨¸ukyavuz. Management Science. [11] S. IIE Transactions. 1986. Afentakis.V.A. 15(2) :136–141. Column generation based algorithm for multi-item scheduling. [5] A. Magnanti. Performance bounds for lot sizing heuristics. Capacitated facility location : Valid inequalities and facets. [8] D. 1978. Afentakis and B. [4] P.B. and J.A. B. New Jersey. Mathematical Programming. Lot sizing with inventory bounds and fixed costs : u uc¨ Polyhedral study and computation. and L. Y. Gavish. a 31(5) :634–640. Improved algorithms for economic lot size problems. P. 151 . and E. Aggarwal and J. Orlin. 30 :222– 239. Network Flows : Theory. 1995. Optimal lot-sizing algorithms for complex product structures.

and L. 2002. [22] G.R. Modelling practical lot-sizing problems as mixed integer programs. Decision science. 1994. Wolsey. 8 :28–55. Lee. Ozdamar. Computational complexity of the capacitated lot size problem. Approximation methods for the uncapacitated dynamic lot-size problem. Millen.H. Management Science. 47 :993–1007. and H. 1984. T. 46 (1) :38–47.A. 30 (10) :1255–1261. [23] G. PhD thesis. Bitran. 27 (9) :895–903. [15] I. 2006. e [27] N. Management Science. Maes. Van Roy. ¨ [16] G. Analysis of solution space-dependent performance of simulated annealing : the case of the multi-level capacitated lot sizing problem. Lot sizing procedures for requirements planning systems : a framework for analysis. Universit´ de Nantes. J. Management Science. Belvaux and L. 28 (1) :44–56. The multi-item capacitated lot size problem : Error bounds of manne’s formulations. [26] N. Wolsey. Computers and Operations Research. Matsuo. Uncapacitated lot-sizing : the convex hull of solutions. Production and Inventory Management. Blackburn and R.A. Management Science. Set partitioning and column generation heuristics for capacitated dynamic lotsizing. On the design of hierarchical production planning systems. 1972. Management Science. Journal of Global Optimization. 168 (1) :1–16.L. Cattrysse. [24] G. 46 :724–738. [19] G.A. 22 :32–43. Management Science. . and L. T. and C. D. 30 :1121–1140. Planification de la production : mod`les et algorithmes pour les probl`mes e e de dimensionnement de lots.M. Belvaux and L. 2000. bc-prod : A specialized branch-and-cut system for lotsizing problems. Management Science. [20] W. Wolsey. Strong formulations for multi-item capacitated lot-sizing. Hax. An efficient column generation algorithm for the multi-item capacitated lot-sizing problem. Van Roy. Brahimi. Yanasse.-H Chen and J. European Journal of Operational Research. Technical Report 02-52. 32 (3) :350–359. A new dynamic programming method for the single item capacitated dynamic lot size model.C. 2001.M. Yanasse. [28] D.N. Hearn. Van Wassenhove. University of Ottawa. Chen. L. [25] J. 1957. Dynamic programming. 28 (10) :1174–1186. Single item lot sizing proe ee blems. Bitran and A. S. [17] R.A. Magnanti.D. 2004. Princeton University Press : Princeton. Wolsey. 1977.E. Bitran and H. [29] H. Barbarosoglu and L. Nordli. 2000. [30] W. 1990.152 BIBLIOGRAPHIE [14] I. T. N. [21] G. 1984. Dauz`re-P´r`s. Mathematical Programming Study. Improved heuristics for multi-stage requirements planning systems. European Journal of Operational Research. and L. 13 :19–34. Bitran and H. Berry.A. 1984. Barany. 4 :285–300. Brahimi. 1986. 1982. Thizy.H. Barany. Najid. and A. Bellman. 1982. [18] G.

E. 22 :136–156. 1990. Rothberg. Johnson. Computers & Industrial Engineering. [39] B. N. 1994. Exploring relaxation induced neighborhoods to improve mip solutions. [47] N. Journal of Purchasing and Materials Management. Mathematics of Operations Research.J. [45] S. 1990. Solving large-scale zero-one linear programming problems. Jeunet. [33] C. Chung. 2005. 24 :257–268. Clark and H. 1996. Annals of Operations Research. and M.R. 2003. 1988. Padberg. Chen and J. [38] B. Thizy. [44] G. 1998. Jonard. Dellaert. Linear Programming and Extensions. 1983. Joint pricing and ordering policy for exponentially decaying inventory with known demand. 2000. [32] C. J. Hybrid heuristics for planning lot setups and sizes. An improved heuristic for multilevel lot sizing material requirements planning. Mcknew. International Journal of Production Research. 26 (2) :32–40. [36] M. 26 :29–72. N.J. and C. Flynn. Crowder. 2000. 1992. A technique for order placement and sizing. Lin.H. Ecole des Mines de Saint-Etienne. Nordli. and A. Constantino. Mathematical Programming. Mathematical Programming. Third Quarter :19–24.A.J. A cutting plane approach to capacitated lot-sizing with start-up costs. and C.A. Optimal policies for a multi-echelon inventory problem. Coleman and M. Naval Research Quarterly.M. Chung and M. Dellaert and J.J. Management Science. Coleman. [41] M. Najid. and N. 68 :241–257. 34 :420–426. [43] E. An effective algorithm for the capacitated single item lot size problem. McKnew. 102 (1) :71–90. Dauz`re-P´r`s.BIBLIOGRAPHIE 153 [31] W. Constantino. Danna. Brahimi. [37] B. 23(1) :101–118. Lin. Jeunet. 2005.H. 1977. 75 (2) :427–440. Cohen. Production and Inventory Management Journal.S. Analysis of relaxations for the multi-item capacitated lot-sizing problem. 1960. 1991. Operations Research. 31 :803–834. Princeton University Press : Princeton. An o(t2 ) algorithm for the ni/g/ni/nd capacitated single item lot size problem. Technical report. [34] A. E. 75 :353–376. Lower bounds in lot-sizing models : A polyhedral study. . Management Science. [35] A. 6 (4) :475–490. European Journal of Operational Research. Dantzig.S. [42] W. Coleman and M. Scarf.W. A further analysis of variable demand lot-sizing techniques. Uncapacitated lot-sizing e ee problems with time windows.L. A genetic algorithm to solve the general multilevel lot-sizing problem with time-varying costs. 38 (5) :1083–1099. Decision Sciences.M. Solving large unconstrained multilevel lot-sizing problems using a hybrid genetic algorithm.B.J. J. Clark. [46] N. 1963. Le Papa. International Journal of Production Economics. 45 (4) :545–562. [40] M.

AIIE Transactions. M. Vial. limited capacity.-L. Bahl. [58] S. 1965. 1992. [61] M.A. Martin. OR Spektrum. . Mathematical Programming.K. 1987.C. European Journal of Operational Research. [57] G. 1997. Dixon and E. 99 (2) :221–235. of Operations Management. and E. 37 :909– 925. Eisenhut. [62] B. C. [54] B. Montreal. Lot sizing and scheduling .E. A dynamic lotsizing algorithm with capacity constraints.S. M. Erenguc. 1983. Zionts. Canada.K. 1975.S. Journal of Operations Management. Federgruen and M. Diaby. A simple forward algorithm to solve general dynamic lot sizing models with n periods in o(n log n) or o(n) time. The general lotsizing and scheduling problem. European Journal of Operational Research. 1988. Fischetti and Andrea Lodi. 44(3) :337–348. 35 (6) :832–848. Dixon. 19(1) :11–21.S. Cambridge tracts in mathematics and mathematical physics. European Journal of Operational Research. 1991. A lagrangian relaxation of the capacitated multi-item lot sizing problem solved with an interior point cutting plane algorithm. Operations Research. Karwan.C. inventories and labor allocations.S. and S. H. Zionts. Meyr. Solving multi-item capacitated lot-sizing problems using variable redefinition.A.Faculty of Management. Complexity. Rand.survey and extensions. 1997. M.H. and S. Karwan. [52] A.D. H. editor. Kimms. 1981. G. 38 :1329–1340. 1997. Silver. Goffin. 59 (3) :444–458. 1963. Technical Report. [56] P. Management Science. Management Science. and J. Elder. Naval Research Logistics.154 BIBLIOGRAPHIE [48] M. Drexl and A. 2003. Fleischmann and H. A heuristic algorithm for determining lot sizes of an item subject to regular and overtime production capacities. The discrete lot-sizing and scheduling problem. lotsizing problem. 1992. [60] A. Management Science.H. Trouiller. 1993. Diaby.-P. 11 (9) :874–890. J. 1990. [51] P. 3 :121–130. Technical report. [49] M. [50] P. The dynamic lot-sizing model with backlogging : A simple o(n log n) algorithm and minimal forecast horizon procedure. Eppen and R. McGill University. du Merle. [59] A. 40 :459–478. Tzur.P. 7(2) :170–176. [53] O. Eggleston. Optimal programming of lotsizes. J. singlelevel. 35(1) :1–22. Bahl. [63] B. Multiproduct dynamic lot-sizing model with coordinated replenishments. Capacitated lot-sizing and scheduling by lagrangean relaxation. [55] H. 98 (3) :23– 47. Tzur. Gomory. number 47. Federgruen and M. Silver. A heuristic solution procedure for the multi-item. 2 :23–39. In Cambridge University Press. Fleischmann. Local branching. GERAD . Naval Research Logistics.G. A lagrangean relaxation approach for very large scale capacitated lot-sizing. Dzielinski and R.D.

Wolfe. . G. J. 1980. 1971. 4 :109–129. Deterministic production planning with concave costs and capacity constraints. Computers and Operations Research.P. 1968. 2000. Held. G. Nemhauser. [73] G. A model for exponentially decaying inventories. and G. Dynamic order quantities. [77] J. Florian and M. 2001. and S. Multi-stage production planning. Solving minimum cost flow by successive approximation. Hierarchical model for production planning in the case of a incertain demand. Hardin. e e e e France. Klein. E. Albi. Journal of Industrial Engineering.-M. [79] G. Ghare and G. [66] H. Mathematics of Operations Research.D. [69] A. Gopalakrishnan. 2005. [78] M.G. A lot sizing rule for time-phased component demand. J¨nger. hetreux. Production and Inventory Management. Savelsbergh. Production and Inventory Management. Gabbay. and M. P. A tabu-search heuristic for the capacitated lot-sizing problem with set-up carryover. Gu. 18 (1) :12–20. 47 (6) :857–863. European Journal of Operational Research. Gr¨tschel. Management Science. Planification de la production : robustesse des e d´cisions en contexte incertain. A cutting plane algorithm for the linear o u ordering problem. 20 :47–53.L. [67] H. Kimms. The Rand Corporation. 1997. M. Tarjan. Analysis of bounds for a capacitated single-item lot-sizing problem.K.R. C. 14 :238–243. 66(2) :159–169. Management Science. Crowder. Ding.H. Rinnoy Kan.BIBLIOGRAPHIE 155 [64] M. Mathematical Programming. Journal of Combinatorial Optimization.V. [75] Z. Mohan.W. 32 :1195–1220. Gorham. Management Science. Merc´. Z¨pfel. Nemhauser. [72] T. International Journal of Production Economics. [65] M. Technical report. [74] M. Deterministic production planning : algorithms and complexity. 1979. Florian. Fontan. In 2`me Congr`s International Franco-Qu´becois. Management science. and A.W.P. 15 :430–466. [68] P. Gfrerer and G. Lenstra. [71] M. Bourjolly. Savelsbergh. 1974. Gomory. Operations Research. [76] K. 1984. Lot sizing and scheduling with sequence-dependent setup costs and times and efficient rescheduling opportunities. 25(11) :1138–1148.E. K. J. 1960. 1990. Sequence independent lifting in mixed integer programming. 10 :75– 81. To appear :–. and M.K.L. Groff. Validation of subgradient optimization. [70] R. and H. Goldberg and R. 1995. 86(1) :142–161. 1979. 26(7) :669–679. Schrader. Haase and A. 1963. 6 :62–88. Reinelt. and G. An algorithm for the mixed integer problem. 2000.

75 :287–295. [82] Y. and L. Improved lower bounds for the capacitated lot sizing problem with set up times.T. H. Naval Research Logistics. [89] R. Jagannathan and M. Journal of the Operational Research Society. [91] B. Hindi.A. [88] R. Chen. C. Meta-heuristics for dynamic lot sizing : A review and comparison of solution approaches. A multi-class multi-level capacitated lot sizing model. 45 (2) :273–289. Kelly.L. Note : Dynamic lot-sizing for a finite rate input process. 32(2) :185–195. Hung and K. C. Hung.S. Khumawala. 1985. 2003. Shih. Lewis. Lotsizing and scheduling on parellel machines with sequence-dependent setup costs. A class of deterministic planning problems. and M. Chien. 2003. European Journal of Operational Research. 1997. 51(11) :1309–1318. Using tabu search with ranking candidate list to solve production planning problems with setups. The capacitated lot sizing problem : a review of models and algorithms. Degraeve.S.M. [92] U. Schrage. Evolutionary algorithm for production planning problems with setup decisions. 2005. Katok. [95] J. Jans and Z. and C. Journal of the Operational Research Society. 1973. 1994. 19(11) :1295–1300. Kang. 44(6) :859–877. Production and Inventory Management. Operations Research. setup times and multiple constrained resources. 1998. Jain and E.M. [81] K.M.M. 1999. 1999. Computers and Industrial Engineering. 50(8) :857– 866. 1987. 2004. Operations Research Letters. Lot sizing for a product subject to obsolescence or perishability.J. [85] F.R.P. Karmarkar and L.C. Jacobs and B. Operations Research. Jans and Z. To appear :–. [94] E. Chronological decomposition heuristic for scheduling : A divide & conquer method. 2000. [83] Y. Management science. 2002. Shih. Journal of the Operational Research Society. and T. Rao. Solving the clsp by a tabu search heuristic.H. Chen. Hung.P. Omega. Degraeve.F. Fatemi Ghomi. AIChE Journal.S. [86] R. Management science. Thomas. [90] S. 1987. S. 47 :151–161. C.156 BIBLIOGRAPHIE [80] R. Wilson.F.R. . and J. Silver. Management Science. 45(5) :615–634.D. 1996. 35 :389–398. Kekre. Hung. Karmarkar and S. The dynamic lot-sizing problem with startup and reservation costs. The deterministic dynamic product cycling problem. Hill. 48(12) :2995–2999. Malik.S. Simplified procedure for optimal single-level lot sizing. K.C. [93] U.F. 44 :221–228. European Journal of Operations Research. [87] K. 33 :326–345. 31(5) :365–378. Harrison. Lot sizing in general assembly systems with setup costs. 28(3) :39–43. Karimi.P. [84] Y.

Schmeck. simulated annealing and tabu search heuristics for lotsizing in bottleneck assembly systems. Cetinkaya. 45(1) :15–24.R.P. 23 (2) :299–311. Loparic. Krarup and O. 2005. . [111] M. 2001.ilog. 31(2) :125–134. Production planning with time-dependent capacity bounds. European Journal of Operations Research. L. Vander Eecken. 1999. 2001. A lower bounding structure for lot-size scheduling problems. An efficient algorithm for multi-item scheduling. 1982. [109] C. (eds). Kirca. European Journal of Operational Research. A new heuristic approach for the multi-item dynamic lot sizing problem. A capacity constrained single-facility dynamic lot-size model. Heuristic procedures for the single operation.A. [100] U. [105] A. [112] M. Pochet. 11 (4) :319–326. in optimierung bei graphentheoretischen and ganzzahligen probleme. 19(4) :946–969. Management science. K¨kten. Plant location. Wolsey. 1971. Dynamic knapsack sets and capacitated lot-sizing.N. Haase. 89(3) :487–504. Kuik and M. Van Wassenhove. Laguna. Kirca and M. IIE Transactions. Newson. [101] J. European Journal of Operations Research. Y. The uncapacitated lot-sizing problem with sales and safety stocks.M. 47 (10) :1384–1395. pages 155–180. [108] L. [104] M.A. A dynamic lot-sizing model with ¸ demand time windows. set covering and economic lot sizes : An o(mn) algorithm for structured problems. multiitem loading problem. S. Salomon. Terjung. European Journal of Operational Research. Kohlmorgen. Basel. Salomon.P. 1999. An efficient algorithm for the capacitated single item dynamic lot size problem. 1975. [107] M. H. A primal-dual algorithm for the dynamic lotsizing problem with joint set-up costs. Maes. and L. M. ¨ [97] O. Kirca. Operations Research.F. AIIE Transactions. 42 :791–806. 75(2) :332–341. 90 :203–219. Loparic. Ilog sa. and K. Mathematical Programming. Kleindorfer and E. and A. [106] M. Wagelmans. A heuristic for production scheduling and inventory control in the presence of sequence-dependent setup times. LUSS. 1995. Bilde. Lambrecht and J.S. [110] CPLEX Callable Library. [103] R. [99] P. 25 (1) :62–72. Linear programming. European Journal of Operations Research. [102] R. 2(2) :132–136. 1993. Experience with fine-grained parallel genetic algorithms. 1979. http ://www. and L.Y. Wolsey. and J. Multi-level lot-sizing problem : Evaluation of a simulated annealing heuristic. Birkhauser Verlag. 2003.com.C. Annals of Operations Research. 1978. 45(1) :25–37. 95(1) :53–69. Lambert and H. Marchand. Mathematical Programming. ¨ o [98] O. COLLATZ et al. 1990. 1990. 1994. Naval Research Logistics. Lee. Kuik. IIE Transactions. L. 1977. Vanderveken. Lasdon and R. Operations research.BIBLIOGRAPHIE 157 ¨ [96] O. H. 9(3) :275–280. Lambrecht and J.

[121] A. Merc´ and G. IBM System Journal.A. M. Multi-level lot sizing procedures in a material requirements planning environnemnt. 1976. 53(2) :131– 148. [118] J.J. Multilevel capacitated lotsizing complexity and lp-based heuristics. Love. Minis. [124] A. A polyhedral study of the mixed knapsack set and its use to solve mixed integer programs. Leung T.J. 1998. Mip-based heuristics for capacitated lotsizing problems. [129] C. 1999. 18(5) :327–338. J. [125] R. 1989. School of Business. Marchand and L. Programming of economic lot-sizes. 1958.O. Marchand. McLaren. 1996.G. Dynamic lot-sizing with price changes and dependent holding costs. Vachani. PhD thesis.K.F. 111 (1) :114–128.158 BIBLIOGRAPHIE [113] V. 1998. A strong cutting plane algorithm for production scheduling with changeover costs. An algorithm for the single-item capacitated lot-sizing problem with concave production and holding costs.M. Discussion Paper 64. Ine ternational Journal of Production Economics.S. http ://www. [128] A. 85 :97–111. 1999. 4 (2) :115–135. Operations Research. 20(3) :313–318.core. [114] LOTSIZELIB. 1991. [115] S. McClain. [122] H. European Journal of Operations Research. I. Martel and A. Manne.Center for Operations e Research and Economics. Van Wassenhove.be :16080/wolsey/lotsizel. 38 (3) :456–473. 85(1) :15–33. 2003.ac.S. [116] S.L. Hierarchical production planning for complex manufacturing systems. Management Science. [127] B. Journal of Operational Research Society. Maes. Wolsey. N. Generating alternative mixed-integer programming models using variable redefinition. Bounded production and inventory models with piecewise concave costs. Mathematical Programming. De Matteis and A. Yoon. Mehra. Operations Research Letters. [117] J. 1990. [119] J. Mendoze. 35(6) :820–831. European Journal of Operational Research. 1986. The 0-1 knapsack problem with a single continuous variable. Facets and algorithms for capacitated lot-sizing. 1972. Operations Research. Magnanti and R. A simple heurisitc for the multi-item single level capacitated lotsizing problem. 7(5) :30–46. Van Wassenhove. 1987. Division of research. Universit´ Catholique de Louvain . Fontan. Mathematical Programming. [120] T. A facilities in series inventory model with nested schedules. Proth. Indiana University.Y. and L. An economic lot sizing technique. Management Science. Lotfi and Y. 1968. Maes and L. Gascon.ucl. 1994. 45 (8) :934–941.htm. Vachani. Love. Martin. and J. 4(6) :265–273.L. Advances in Engineering Software. 1972. [123] H.F. 26(3) :209–218. . 45 :331–359.N. Management Science. Magnanti and R. [126] J.

J.P. A faster strongly polynomial minimum cost flow algorithm. Solving multi-item capacitated lot-sizing problems with setup times by branch-and-cut. On the capacitated lot-sizing and continuous 0-1 knapsack polyhedra. G. Barbarosoglu. 95(1) :71–90.Center for Operations Research and Economics. Wolsey. Bozyel.B. 2000.L.J. Mathematical Programming. G. 68(3) :319–331.P. Nemhauser. Nemhauser. Nemhauser. Savelsbergh. European Journal of Operational Research. IIE Transactions. Journal of the Operational Research Society. Miller. and M. Birbil. The capacitated lot sizing problem with overtime decisions and setup times. Meyr. Ozdamar and G. Nemhauser and L.L.W. S. Minoux. Mathematical Programming.W. 1999. 1979. Hybrid heuristics for the capacitated lot sizing and loading problem with setup times and overtime decisions.BIBLIOGRAPHIE 159 [130] H.I. ¨ [142] L. Programmation Math´matique. 1999.J. 1993. Miller. 2000. 25 :90–97. Orlin. Savelsbergh. Simultaneous lotsizing and scheduling by combining local search with dual reoptimization. simulated annealing approach to the multi-level multi-item capacitated lot sizing problem. A. 2000.I. G. and M. Ozdamar. Portmann. Universit´ Catholique de Louvain . [135] A. On the polyhedral structure of a multi-item production planning model with setup times. 2002. Mathematical Programming. Technical Report 0039. A multi-item production planning model with setup times : Algorithms. A recursive procedure for generating all cuts for 0-1 mixed integer programs. 1998. A heuristic lot-size reorder point model for decaying inventories. [133] A. Hybrid heuristics for the multi-stage capacitated lot sizing and loading problem. Nemhauser. 2000. and M. 13(1) :2–10. 50(8) :810–825. [139] J. Ozdamar and G. 94 :375–405. Barbarosoglu. e [137] S. ¨ [140] L. Operations Research.P. ¨ [144] L. Birbil.L. An integrated lagrangean relaxation. and polyhedral characterization for a special case. Technical note : New results for the capacitated lot sizing problem with overtime decisions and setup times. L. Georgia Institute of Technology. [134] A. Ozdamar and M. 110(3) :525–547. European Journal of Operational Research. Polyhedral Approaches to Capacitated Lot-Sizing Problems. ¨ [141] L. [132] A. G. International Journal of Production Economics. 120(2) :311–326. Nahmias and S. J. reformulations. 46 :379–390. Miller. Production Planning and Control. European Journal of Operational Research. 32 :1043–1057. ¨ [143] L. e 2000.C.J. 41(2) :338–350. WANG. [131] A. Miller. Savelsbergh. and M. France. [136] M. 1983.W.W. PhD thesis. 2003. 125(2) :298–315. 1990. Dunod. . Ozdamar and S. Savelsbergh.L.P. Miller. and M. Management science.A. 2003. [138] G.

R. Valid linear inequalities for fixed charge problems.N. 8 :593–597.N.A Wolsey. Gao. Wagelmans. Kuik. Lot-sizing with constant batches : Formulation and valid inequalities. Van Wassenhove.A. Mathematical Programming. Some extensions of the discrete lotsizing and scheduling problem. 37(1) :53–67. Wolsey. Management Science. [158] M. 38 (3) :474–486. [150] Y. Mathematical Programming. Opereration Research Letters. and L.G. Wolsey. Thompson. Lot-size models with backlogging : strong reformulations and cutting planes. INFORMS Journal on Computing. Padberg and G. Pochet and L. 1967.P. Valid inequalities and separation for capacitated economic lot sizing. Pochet and L. [151] Y. Pereira and L. [148] Y. An order level lot-size inventory model for deteriorating items.160 BIBLIOGRAPHIE [145] M. Operations Research Letters. Kuik. [146] O. 16 :316–327.P.A Wolsey. Mathematics of Operations Research. 1993. 9 :190–197. A. [153] B. Management science. L. 42(11) :1556–1564. Pochet and L. [149] Y. 41 :453–468. [154] B. Salomon. [160] Y. 1977. Salomon. USSR Computational Mathematics and Mathematical Physics.T. [156] M. 2004.J Van Roy and L. 9 :14–29. Padberg T. Management Science.W. 1988. Sandbothe and G. Soviet Mathematics. Kroon. [159] R. Wolsey. 40 :317–335. Van Wassenhove. 6(1) :1–7. Shah. Pochet and M. 1985.A.W. A general heuristic for production planning problems. Operations Research.X. 26 (3) :591–600. A forward algorithm for the capacitated lot size model with stockouts. 1969. [157] M. [161] D. Annals of Operations Research. 1988. 7(3) :109–115. [147] Y. Polyak. Van Vyve. and L. Robinson and L. 1994. Optimization of a 532 city symmetric traveling salesman problem by branch and cut. Statistical search methods for lotsizing problems. Minimization of unsmooth functionals. AIIE Transactions. 67 :297–323. 33 :842–861. Wolsey. Minimization of unsmooth functionals. Pochet and L.A. [155] E. 18 :767–785. 1990. Polyak. 44 (6) :831–838.L. 1987.A. 1991. An algorithm for single-item capacitated economic lot sizing with piecewise linear production costs and general holding costs. A dual ascent procedure for multiprodut dynamic demand coordinated replenishment with backlogging.T. R. Rinaldi. . On the wagner-within lot-sizing polyhedron. Polyhedra for lot-sizing with wagner-whitin costs. Mathematics of Operations Research. [152] Y. Management Science. 2002. 1993. Solving multi-item lot-sizing problems using strong cutting planes. Pochet. Shaw and A. Operations Research. 37 :801–812. 1996. 1998. 1991.

[170] H. 42 :738–757. IIE Transactions. 1994. Tempelmeier and M. A lagrangian-based heuristic for the capacitated lot-sizing problem in parallel machines. Derstroff. 1991. Clark. 75(2) :296–311. Tang.N. [166] C. Computers and Operations Research. Toledo and V. An eoq model for items with gamma distributed deterioration. 39 :801–813. Simpson. [165] A. 49 :1039–1054. Stadtler. 2005. Stadtler. van den Heuvel and A. Simulated annealing in lot sizing problems. Trigeiro L.J.R.BIBLIOGRAPHIE 161 [162] E. [171] J. AIIE Transactions.M. 51(3) :487– 502. Operations Research. A heuristic for selecting lot size quantities for the case of a deterministic time-varying demand rate and discrete opportunities for replenishment. 88 :173–181. Management Science. Management Science. [173] F. Production and Inventory Management. .M. PhD thesis.M. A lagrangean based heuristic for dynamic multilevel multiitem constrained lotsizing with setup times. The capacitated lot-sizing problem with linked lot sizes. International Journal of Production Economics.R. A survey of lot sizing and scheduling models. 2003. Thizy and L. Questioning the relative virtues of the dynamic lot sizing rules. Performance of heuristics for the uncapacitated lot-size problem.C.C.O. McLain. Van Wassenhove. [176] C.A. Multilevel lot sizing with setup times and multiple constrained resources : Internally rolling schedules with lot-sizing windows.B. 1985. A heuristic for dynamic multi-item multi-level capacitated lotsizing for general product structures. [163] N. Helber. [174] R. Lagrangean relaxation for the multi-item capacitated lot-sizing problem : A heuristic implementation.T. Naval Research Logistics. 2nd Quarter :64–74. [167] P. Vachani. 2003. European Journal of Operational Research. 1989. Technical report. 28 :899–914. 2001. Tempelmeier and S. Suerie and H. Tadikamalla. Staggemeier and A. 1973. 17(4) :308–313. Models and algorithms for single-item lot sizing problems. 1992.A. [175] W. Computers and Operations Research. Silver and H.P. [164] H. To appear :–. 10 :100–103. An efficient dynamic programming algorithm for a special case of the capacitated lot-sizing problem. 2005. The 23rd Annual Symposium of the Brazilian Operational Research Society. 2001. Capacitated lotsizing with setup times. 35 :353–366. Rotterdam.P. van Hoesel. [168] O. 1978. Erasmus Universiteit. To appear :–. [169] H. Armentano. [172] W. Meal. 1987. 2004. Management Science. European Journal of Operational Research.M. Thomas and J. Wagelmans.

[187] S. 5 (1) :89–96. Discrete Applied Mathematics. Mathematics of Operations Research. Vanderbeck. [179] T. 37(5) :741–747. Alemany. M. van Hoesel and A.P. An o(t3 ) algorithm for the economic lotsizing problem with constant capacities. Issuing and Disposal of Inventory with Known Demand. van Hoesel. Wolsey. [182] G. 2004. 2003. 74 :5–20. . Journal of Discrete Mathematics. and L. Valid inequalities for mixed 0-1 programs. 2 :66–77. F.A. [190] L. 86(3) :395–401. Management Science. Veinott. Economic lot sizing : an o(n log n) that runs in linear time in the wagner-whitin case. Wagner and T. A. Introduction to computational optimization models for production planning in a supply chain. and A. Wolsey. 1986. 2001. 1958.J.Wolsey. Inventory Control for Perishable Commodities. van Vyve and F. Management Science.L.162 BIBLIOGRAPHIE [177] C. University of North Carolina.M. Polyhedral characterization of the economic lot-sizing problem with start-up costs. M. PhD thesis. M. Technical Report 0007. A design and application e methodology for hierarchical production planning decision support systems in an enterprise integration context.P. Uncapacitated lot-sizing problems with start-up costs. Whitin. Universit´ Catholique de Louvain . and J.P. Unpublished Ph.P. van Roy and L. 1977. Discrete Optimization. Valid inequalities and superadditivity for 0/1 integer programs. Lot-sizing with fixed charges on stocks : the convex hull.A.D. Woodruff. 44 :1409–1425. [181] M. [188] A. [186] E.P. Germany. 42(1) :142–150. 1995. International Journal of Production Economics. 1964. 40 :S145–S156. Van Hoesel. 1963. 1989. Algorithms for single item constant capacity lotsizing problems. [180] M. -.M. Dissertation. PhD thesis. 1992. Management Science. van Zyl. C. F. Operations Research. Springer. Wolsey. [185] A. 1996. 7(1) :141–151. Ortega. 2003. Unpublished class notes for the program in operations research at stanford university. [192] L. European Journal of Operational Research. Lot-sizing with start-up times.Wagelmans.A. Guarch.J. Optimal Ordering. C. 1 :189–203. 14(2) :199–213.M. A dynamic version of the economic lot size model. Veinott. Wagelmans. Andr´s. Wagelmans. [191] L. E.J.M. Operations Research. [178] C. 1994. [183] F. 1998. van Vyve. [189] H. 1960.A. Wolsey. Columbia University. Vicens. J. Progress with single-item lot-sizing.M. [184] A. Kolen.Center for Operations Research and e Economics.A. Voß and D.

Mip modelling of changeovers in production planning and scheduling problems. Thomas. [200] W. Network programming models for production scheduling in multi-stage. Management Science. 1997. 2002. A backlogging model and a multi-echelon model of a dynamic economic lot size production system . New York : Wiley. Zangwill. 30(3) :308–325. Integer Programming. Trigeiro. Management Science. multi-item capacitated systems. [195] L. [196] J. Management Science. Zahorik. [194] L. 1998. 1966. Xie and J. Dong. Management Science.a network approach. 1984. Wolsey. A heuristic genetic algorithm to general capacitated lot-sizing problems. and W.BIBLIOGRAPHIE 163 [193] L. Wolsey. A deterministic multi-period production scheduling model with backlogging. Minimum concave cost flows in certain networks. 48(12) :1587–1602. Computers and Mathematics with Applications. 2002. 1968.I. European Journal of Operational Research. 13 :105–119. L.A. 99(1) :154–165.I.J. 14 :429–450.A.A. [197] A. Management science. 44 :263–276. Zangwill. [198] W. Zangwill. Wolsey. 1969. 15 (9) :506–527.I. [199] W. Solving multi-item lot-sizing problems with an mip solver using classification and reformulation. .

En effet. nous e a ee e d´veloppons une m´thode de relaxation lagrangienne des contraintes de capacit´ afin de trouver une e e e borne inf´rieure au probl`me trait´. it allows to decide which quantity to produce over each production line on a discrete horizon. The lot-sizing problem takes an important place in the set of decisions to be made. implie e a e quant plusieurs r´f´rences. lot-sizing. Experimental results showing the effectiveness and the limit of each approach are presented. nous traitons essentiellement des probl`mes de lot-sizing ` capacit´ finie. heuristiques. dynamic programming. Trois approches sont abord´es. Indeed. models. Keywords : Production planning. En effet. e e e Mots cl´s : Planification de la production. branch-and-cut. It is based on a polyhedral study of the multi-item capacitated lot-sizing problem with setup times and shortage on demand costs. impliquant plusieurs r´f´rences. nous proposons un algorithme polynomial pour r´soudre e e le probl`me ` une seule r´f´rence et sans contrainte de capacit´. programmation e e e dynamique. This method is an hybridization of a branch-and-bound method and a strategy of horizon decomposition. des coˆts de rupture sur la demande ainsi que des coˆts ee u u u de d´ficit sur le stock de s´curit´. La derni`re approche est une heuristique u u e dont le but est de traiter des probl`mes plus complexes et de plus grande taille. Le e stock de s´curit´ est ´galement une contrainte qui peut compliquer le probl`me puis que c’est souvent e e e e un objectif ou une cible ` atteindre plutˆt qu’une contrainte industrielle ` respecter.164 BIBLIOGRAPHIE R´sum´ e e Le probl`me de la planification de la production dans une entreprise de manufacture peut ˆtre e e d´fini comme ´tant un ensemble de d´cisions. mixed integer programming. in´galit´s valides. lot-sizing. We propose a polynomial algorithm to solve the single-item uncapacitated version of the problem. a o a Dans cette th`se. In fact. e e e a e ee des coˆts de setup et des coˆts de rupture sur la demande. Dans les applications industrielles. . heuristic. des coˆts de setup. We propose a new mathematical model that includes these new constraints. we develop a lagrangean relaxation of the capacity constraints to find a lower bound to the main problem. In this thesis. Safety stock is also a complicating constraint since it is generally an objective or a target to reach rather that an industrial constraint to respect. programmation lin´aire mixte. e Abstract The production planning problem in manufacturing environments can be defined as a set of decisions that must be taken in short and medium term in order to convert row materials into end products in order to satisfy the demand with a minimum cost. Based on this algorithm. Nous proposons un mod`le math´matique incluant ces nouvelles e e e e e contraintes. we deal mainly with multi-item capacitated lot-sizing problems with setup times. The second approach is a branch-and-cut algorithm. relaxation lagrangienne. c’est une hybridation e d’une approche de d´composition de l’horizon de planification et d’une m´thode de branch-and-bound. Three approaches are considered. qui doivent ˆtre prises ` court et ` moyen terme afin e e e e a a de convertir des mati`res premi`res en produits finis pour satisfaire la demande ` moindre coˆt. il permet e e de d´cider des quantit´s ` produire sur chaque ligne de production pour un horizon de planification e e a discret. En se basant sur cet algorithme. shortages on demand and safety stock deficit costs. il existe plusieurs facteurs qui peuvent compliquer un tel ensemble de d´cision. La seconde approche est un algorithme de branch-and-cut bas´ e e e e sur une ´tude poly´drique du probl`me de lot-sizing ` capacit´ finie. e e Diff´rents tests sont effectu´s afin de montrer l’efficacit´ et les limites de chaque approche. there are several factors that can complicate such a decision set. The goal is to find a feasible solution for more complex problems with a bigger size. Le e e a u probl`me de lot-sizing prend une place importante dans cet ensemble de d´cisions. e mod´lisation. branch-and-cut. this can create shortage on demand when we are in lack of capacity to produce the total demand. In industrial applications. The presence of several items that can consume the same restricted resource makes the problem more complex. valid inequalities. The last approach is a MIP-based heuristic. lagrangean relaxation. Ceci peut provoquer des ruptures sur la demande e des lors que la capacit´ en ressource disponible n’est pas suffisante pour satisfaire toute la demande. la pr´sence de plusieurs r´f´rences pouvant consommer d’une mˆme e e ee e ressource limitante rend le probl`me plus complexe.