These Fatma

N dordre : 51
UNIVERSIT DES SCIENCES ET TECHNOLOGIES DE LILLE

COLE CENTRALE DE LILLE

UNIVERSIT DE TUNIS EL MANAR
COLE NATIONALE DINGNIEURS DE TUNIS

THSE
prsente par
Fatma TANGOUR TOUMI

pour lobtention du grade de

DOCTEUR
en Automatique et Informatique Industrielle

Doctorat dlivr conjointement par lUniversit des Sciences et Technologies de Lille,
Lcole Centrale de Lille et lcole Nationale dIngnieurs de Tunis

Ordonnancement Dynamique
dans les Industries Agroalimentaires

soutenue le 12 juillet 2007 devant le Jury dExamen compos de :

MM. Pr. Noureddine
Pr. Ennaceur
Pr. Abdallah
Pr. Mohamed
Pr. Pierre
Pr. Slim

Thse prpare au Laboratoire dAutomatique Gnie Informatique et Signal de lcole Centrale de Lille
et lUnit de Recherche LARA-Automatique de lcole Nationale dIngnieurs de Tunis
Prsident
Rapporteur
Rapporteur
Examinateur
Examinateur
Examinateur
ELLOUZE

BENHADJ BRAIEK

ELMOUDNI

BENREJEB

BORNE

HAMMADI

1

Avant- propos

Le travail faisant lobjet du prsent mmoire a t effectu au sein du Laboratoire
dru Recherche en Automatique (UR-LARA) de lEcole Nationale dIngnieurs de
Tunis (ENIT) et du Laboratoire dAutomatique, Gnie Informatique et Signal
(LAGIS) de lEcole Centrale de Lille (EC-Lille).

Nous tenons exprimer notre vive gratitude Monsieur Noureddine ELLOUZE,
Professeur et Directeur du Laboratoire de Systmes et Traitement du Signal (LSTS)
de lENIT, pour nous avoir fait le grand honneur daccepter de prsider le Jury
dExamen. Quil trouve ici lexpression de notre profond respect.

Cest un agrable devoir pour nous dexprimer notre trs vive reconnaissance
Monsieur le Professeur Mohamed BENREJEB, Directeur de lUnit de Recherche
UR-LARA lENIT, Monsieur Pierre BORNE, Professeur lEC-Lille, et
Monsieur Slim HAMMADI, Professeur lEC-Lille pour nous avoir guider durant
toute llaboration de ce mmoire avec le srieux et la comptence qui les
caractrisent. Quils trouvent ici le tmoignage de notre trs profonde gratitude.

Nous tenons remercier vivement Monsieur Naceur BENHADJ BRAIEK,
Professeur et Directeur de lUnit de Recherche UR-LECAP lEcole
Polytechnique de Tunis (EPT), davoir accept de rapporter notre travail. Quil soit
grandement remerci.

2

Notre profonde gratitude Monsieur Abdellah EL MOUDNI, Professeur
lUniversit de Technologie Belfort-Monbliard, pour avoir bien voulu rapporter
sur nos travaux de Thse. Nous lui adressons nos sincres remerciements.

Nous tenons, enfin, remercier tous les chercheurs du Laboratoire de Recherche
en Automatique de lENIT et du Laboratoire dAutomatique, Gnie Informatique
et Signal de lEC-Lille et toute autre personne qui, par leur aide, par leur amicale
prsence et par leur sympathie, ont rendu ce travail agrable. Nous leur
exprimons ici toute notre gratitude.

3

l a mmoi re de mon pre
ma mre
mon mari et mon f i l s
mes beaux- par ent s
t out e ma f ami l l e

4

Table des matires

Liste des figures.....6
Introduction gnrale. 8
Notations ...............................................................................................................................15
Chapitre 1.................................................................................................. 16
Ordonnancement : tat de lart
et particularits en industries agroalimentaires .................................... 16
1.1. INTRODUCTION......................................................................................................... 16
1.2. PROBLMES DORDONNANCEMENT : TAT DE LART..................................... 17
1.2.1. Caract risat ion .................................................................................................17
1.2.1.1. Les tches ....................................................................................................17
1.2.1.2. Les gammes ................................................................................................18
1.2.1.3. Les ressources.............................................................................................19
1.2.1.4. Les contraintes............................................................................................19
1.2.1.5. Les critres ..................................................................................................21
1.2.2. Types dat eliers .................................................................................................21
1.2.2.1. Le type flow-shop ......................................................................................21
1.2.2.2. Le type job-shop.........................................................................................22
1.2.2.3. Le type open-shop .....................................................................................22
1.2.3. Complexit .........................................................................................................23
1.2.3.1. Complexit algorithmique........................................................................23
1.2.3.2. Complexit problmatique.......................................................................24
1.2.4. Modlisat ion et reprsent at ion des problmes
dordonnancement .............................................................................................26
1.2.4.1. Notations .....................................................................................................26

5
1.2.4.2. Modlisation...............................................................................................26
1.2.4.1. Reprsentation des solutions ...................................................................29
1.3. PARTICULARITS DE LORDONNANCEMEN T DANS UN ATELIER
DE PRODUCTION AGROALIMENTAIRE................................................................ 30
1.3.1 Int roduct ion.......................................................................................................30
1.3.2. Les produit s .......................................................................................................31
1.3.2.1. Les composants primaires........................................................................31
1.3.2.2. Les produits semi-finis..............................................................................31
1.3.2.3. Les produits finis .......................................................................................31
1.3.3. Spcificit s dun problme dordonnancement .............................................32
en indust ries agroaliment aires ........................................................................32
1.4. LES PROBLMES DORDONNANCEMENT UNE MACHINE............................ 35
1.4.1. Int roduct ion.......................................................................................................35
1.4.2. Prsent at ion du problme une machine .....................................................35
1.4.3. Les problmes une machine non prempt ifs ..............................................36
1.4.3.1. Les problmes polynomiaux....................................................................36
1.4.3.2. Les problmes NP-difficiles .....................................................................37
1.4.4. Les problmes une machine prempt ifs .....................................................38
14.4.1. Les problmes polynomiaux....................................................................38
14.4.2. Les problmes NP-difficiles .....................................................................38
1.4.5. Les problmes une machine en t emps rel ..................................................38
1.5. PROBLMES DOPTIMISATION ET MTHODES DE RSOLUTION ................. 40
1.5.1. Int roduct ion.......................................................................................................40
1.5.2. Problmes dopt imisat ion ...............................................................................40
1.5.2.1. Formulations...............................................................................................40
1.5.2.2. Problmes mono-objectifs........................................................................41
1.5.2.3. Problmes multi-objectifs .........................................................................41
1.5.2.4. Notion de dominance................................................................................42
1.5.3. Mt hodes de rsolut ion....................................................................................42
1.5.3.1. Mthodes exactes.......................................................................................43

6
1.5.3.2. Mthodes approches................................................................................43
1.5.3.3. Mthodes de relaxation des contraintes.................................................50
1.5.3.4. Mthodes de dcomposition....................................................................50
1.6. CONCLUSION .............................................................................................................. 51
Chapitre 2
Optimisation de la fonction de cot
par la mthode branch & bound ....................................................... 52
2.1. INTRODUCTION......................................................................................................... 52
2.2. PROBLME DE SATISFACTION DE CONTRAINTES ............................................ 52
2.2.1. Int roduct ion.......................................................................................................52
2.2.2. Dfinit ions .........................................................................................................53
2.2.3. Principe de rsolut ion dun CSP.....................................................................54
2.2.3.1. Ltiquetage ................................................................................................54
2.2.3.2. Le retour arrire backtracking ...........................................................55
2.2.3.3. Arbre de recherche ....................................................................................57
2.2.4. Principe de la propagat ion de cont raint es....................................................58
2.2.5. Propagat ion de cont raint es et ordonnancement ..........................................61
2.3. MTHODE BRANCH & BOUND .......................................................................... 63
2.3.1. Principe ..............................................................................................................63
2.3.1.1. La sparation ..............................................................................................63
2.3.1.2. Lvaluation................................................................................................63
2.3.2. Branch & bound et ordonnancement .............................................................63
2.3.3. Algorit hme gnral ...........................................................................................64
2.3.4. Exemple dalgorit hme.......................................................................................66
2.4. OPTIMISATION DE LA FONCTION DE COT- POSITION.................................. 68
DU PROBLME............................................................................................................. 68
2.4.1. Prsent at ion ......................................................................................................68
2.4.2. Syst me dordonnancement ract if en t emps rel ........................................69

7
2.5. APPLICATION DE LA MTHODE BRANCH & BOUND DANS LES
INDUSTRIES AGROALIMENTAIRES....................................................................... 70
2.5.1. Int roduct ion.......................................................................................................70
2.5.2. Descript ion du problme dordonnancement dynamique...........................71
2.5.3. Opt imisat ion de la fonct ion object if .......................................................71
2.5.3.1. Notion de dominance................................................................................71
2.5.3.2. Position du problme................................................................................72
2.5.3.3. Schma de sparation................................................................................72
2.5.3.4. Application des rgles de dominance des oprations..........................73
lordonnancement ...................................................................................73
2.5.3.5. Exploration et tude des diffrents cas dordonnancement ................74
2.5.3.6. Mise jour des dates .................................................................................75
2.5.3.7. Application .................................................................................................77
2.6. CONCLUSION.............................................................................................................. 79
Chapitre 3
Optimisation multicritre pour la construction
dun ordonnancement dynamique.......................................................... 80
3.1. INTRODUCTION......................................................................................................... 80
3.2. OPTIMISATION PAR LES ALGORITHMES GNTIQUES................................... 80
3.2.1. Int roduct ion.......................................................................................................80
3.2.2. Principe gnral des algorit hmes gnt iques ................................................81
3.2.2.1. Concepts de base........................................................................................81
3.2.2.2. Les oprateurs ............................................................................................83
3.2.2.3. Schma de principe et algorithme gnral.............................................86
3.2.2.4. Algorithme gnral....................................................................................88
3.2.3. Applicat ion des algorit hmes gnt iques en ordonnancement ....................88
3.2.3.1. Le codage dans les ateliers de type jop-shop.........................................89
3.2.3.2. Le codage dans les ateliers de type flow-shop ......................................90

8
3.2.4. Codage propos pour le problme une machine en indust ries
agroaliment aires ..............................................................................................91
3.2.4.1. Introduction................................................................................................91
3.2.4.2. Optimisation en industries agroalimentaires -
Position du problme................................................................................91
3.2.4.3. Formulation des critres ..........................................................................92
3.2.4.4. Formulation des bornes infrieures ........................................................93
3.2.4.5. Codage propos : CLOO-A pour optimiser les critres.......................94
considrs...................................................................................................94
3.2.4.6. Oprateurs utiliss dans lalgorithme propos .....................................95
3.2.4.7. Approche dvaluation multicritre........................................................99
3.2.4.8. Rsultats de simulation pour diffrentes gammes de produits
agroalimentaires.......................................................................................105
3.2.4.9. Conclusion ................................................................................................106
3.3. OPTIMISATION PAR LES ALGORITHMES DE COLONIE.................................. 107
DE FOURMIS....................................................................................................................... 107
3.3.1. Le cont ext e exist ant ........................................................................................107
3.3.2. Les algorit hmes de colonie de fourmis : principe gnral .........................107
3.3.3. Reprsent at ion du problme dopt imisat ion..............................................110
3.3.4. Algorit hme dopt imisat ion par colonie de fourmis ...................................110
propos .............................................................................................................110
3.3.4.1. Prsentation ..............................................................................................110
3.3.4.2. Algorithme doptimisation par colonie de fourmis............................113
3.3.4.3. Application lordonnancement dun atelier de production
agroalimentaire ........................................................................................115
3.3.4.4. Conclusion ................................................................................................116
3.4. CONCLUSION ............................................................................................................ 117
Conclusion gnrale................................................................................118
Bibliographie ...........................................................................................121

9

Liste des figures

Fig. 1.1. Graphe potentiel tches...
Fig. 1.2. Digrammes de Gant........
Fig. 1.3. Cycle de vie dun produit agroalimentaire.
Fig. 1.4. Les deux types de minima.................................................................................
Fig. 1.5. Algorithme gnral du recuit simul...
Fig. 1.6. Algorithme gntique simple............................
Fig. 1.7. Algorithme de lOCF...
Fig. 2.1. Algorithme backtracking ..
Fig. 2.2. Arbre de recherche binaire pour le jop -shop 2x 3..
Fig. 2.3. Comportement dun systme de propagation de contraintes..
Fig. 2.4. Graphe de contraintes associ P.
Fig. 2.5. Propagation de contrainte disjonctive..
Fig. 2.6. Algorithme gnral dune PSE..
Fig. 2.7. Algorithme PSE [Car82].
Fig. 2.7. Comportement dun systme dordonnancement temps rel..
Fig. 2.8. Cas dordonnancements.
Fig. 3.1. Principe gnral dun algorithme gntique...
Fig. 3.2. Algorithme de croisement un point.......................................
Fig. 3.3. Exemple de croisement un point
Fig. 3.4. Algorithme de croisement deux points.

24
26
29
38
43
45
46
53
55
56
57
59
62
64
66
72
84
92
93
95

10

Fig. 3.6. Algorithme de mutation.
Fig. 3.7. Exemple de mutation..
Fig. 3.8. Fuzzification floue dans la rsolution du problme dchelle..
Fig. 3.9. Fonction dappartenance des diffrentes valeurs des critres..
Fig. 3.10. Direction de recherche..
Fig. 3.11. Principe gnral de lalgorithme du PVC..
Fig. 3.12. Algorithme doptimisation par colonie de fourmis.....
Fig. 3.13. Variation du cot en fonction des cycles..

95
96
97
99
101
106
111
113

Liste des figures

11

Introduction gnrale

Le type et la nature de la consommation actuelle sont, entre autres, caractriss par
une forte demande de produits personnaliss des prix bas. En effet, lvolution
et la mondialisation de la production ainsi que louverture des marchs
internationaux ont pouss les industriels se diriger vers des systmes de
fabrication flexibles ; ceci conduit mettre en place une logique industrielle qui
remet en cause certains fondements des habitudes de la production. Ainsi, la
gestion des ateliers de production a pris une certaine valeur ces dernires annes
afin damliorer la productivit et daugmenter la ractivit. Ces nouveaux
domaines dapplication rendent plus complexes les problmes dordonnancement
des tches ; ce qui exige la rsolution rigoureuse de ces problmes. En effet, par
une meilleure utilisation et planification des ressources, un atelier de production
peut raliser une grande varit de produits et les cots peuvent tre rduits ce
qui constitue un objectif crucial. En particulier, la productivit peut tre affecte
par lordonnancement des oprations sur les machines. Le champ dapplication de
lordonnancement est large : la gestion de la production dans lindustrie, la gestion
de projets, lorganisation des emplois du temps, la gestion de la charge des
processeurs en informatique, etc. En raison de leur nature fortement combinatoire,
ltude des problmes dordonnancement reste galement dun intrt thorique
toujours renouvel, car il ny a pas encore trouv de mthode de rsolution la
fois gnrale et de faible complexit algorithmique.

12

Les problmes dordonnancement, trs varis, sont caractriss par un grand
nombre de paramtres relatifs aux tches (premptives ou non, indpendantes ou
non), aux ressources (renouvelables ou consommables), aux types de contraintes
portant sur les tches (prcdences, disjonctions), au(x) critre(s) doptimalit
(minimisation de la dure de lordonnancement, minimisation du retard maximal
des tches, etc.).
Rsoudre un problme dordonnancement consiste organiser ces tches, cest--
dire dterminer leurs dates de dmarrage, et leur attribuer des ressources, de
telle sorte que les contraintes soient respectes, afin doptimiser un certain objectif.
La nature des produits et des procds ainsi que les contraintes de qualit et de
contrle des cots font que les besoins des industriels de lagroalimentaire en
matire de gestion des donnes techniques sont assez diffrents de ceux des
entreprises manufacturires. Ainsi, lvolution et les caractristiques dynamiques
des ateliers industriels, en particulier ceux des industries agroalimentaires,
imposent la gnration, en temps rel, dune dcision du processus
dordonnancement. En gnral, les problmes dordonnancement sont des
problmes doptimisation multicritres ou muti-objectifs. Ainsi, la meilleure
solution, appele aussi solution optimale, est la solution ayant obtenue la
meilleure valuation au regard du ou des critre(s) dfini(s).
La rsolution dun problme dordonnancement est constitue par deux tapes
principales. La premire tape consiste identifier et modliser le problme en
dcrivant les contraintes qui doivent tre respectes et mettant en valeur les
critres optimiser. La deuxime tape se traduit par la recherche de la mthode
adquate pour rsoudre le problme considr. En effet, lexploitation de plusieurs
mthodes est importante afin de trouver une solution qui permet, par la
comparaison de leur efficacit dtablir des dcisions robustes.

Introduction gnrale

13

Dans cette optique, ce travail de thse propose des solutions pour le problme
dordonnancement multi-objectif adapt aux industries agroalimentaires. Les
contraintes et des critres considrs sont spcifiques ce type dindustrie. Ce
domaine prsente certaines particularits dues la nature des produits manipuls
et fabriqus. Ces produits ont des dures de vie assez courtes. Ainsi, les
contraintes et les objectifs retenus par le systme de gestion de production mis en
uvre sont lis ces particularits. En effet, le respect des dates de validit des
composants primaires formant les oprations et des produits semi-finis est une
contrainte absolue respecter. Ainsi, la premption dun composant engendre une
perte matrielle qui se traduit par le prix de revient de ce composant, et cette
premption gnre aussi lempchement de la ralisation de lopration prvue
induisant des retards de livraison des produits finis. Ces produits finis ont aussi
une dure de vie limite et leurs prix se dgradent proportionnellement aux jours
de stockage avant leur livraison. En effet, les surfaces de distribution imposent aux
industriels une pnalit, dite discount de distribution, par jour de stockage du
produit fini. Lu n des objectifs atteindre dans notre travail est donc de minimiser
le discount de distribution. Il faut noter aussi que les produits agroalimentaires
sont caractres saisonnier et irrgulier. Le systme de production doit alors
prvoir un moyen pour couvrir les variations de la demande travers des
substitutions dans les gammes de produits finis.

Dans le premier chapitre, les problmes dordonnancement sont introduits. Les
types dateliers ainsi que les paramtres ncessaires pour caractriser un problme
dordonnancement sont aussi voqus. Les problmes doptimisation et les leurs
mthodes de rsolution, savoir les mthodes exactes et les mthodes approches
et la complexit de la rsolution de ces problmes, sont galement abords. Les
particularits de lordonnancement en industries agroalimentaires sont prsentes.

Introduction gnrale

14

Le deuxime chapitre repose sur la mthode branch & bound et son application
pour optimiser deux critres spcifiques lindustrie agroalimentaire la fonction
de cot qui sont : le cot des produits prims et le cot du discount de
distribution. Cest une Procdure de Sparation et dvaluation progressive PSE,
qui est une mthode exacte doptimisation base sur une numration contrle
qui fournit, en gnral, une solution optimale. Elle consiste construire une
arborescence dont la racine correspond lespace des solutions du problme
initial. Cette procdure est base sur deux tapes. Une tape de filtration qui
consiste liminer certaines oprations de lespace de recherche initial en
appliquant des rgles de dominance issues des paramtres des composants
formant une opration, tels que la date de validit de ces composants et les dures
opratoires. Ainsi, la dcision dliminer ou de maintenir une opration de
lespace de recherche initial, permet dviter la premption de certains composants
et donc la minimisation des cots des produits prims.

Dans le troisime chapitre, deux mtaheuristiques, savoir les algorithmes
gntiques et les algorithmes doptimisation par colonie de fourmis ont t
appliques pour construire un ordonnancement dynamique multicritre, en
optimisant les deux critres cits et un troisime critre plus classique qui
reprsente la date de fin de lordonnancement, le Cmax.

Introduction gnrale

15
Notations

ij
O : j
me
opration du produit i

ij
t : date effective de dbut de fabrication de lopration
ij
O

ij
r : date de dbut au plus tt de lopration
ij
O

ij
: date de fin effective de lopration
ij
O

ij
p : dure opratoire de lopration
ij
O

i
P : produit fini de lopration
ij
O

ijk
c :
me
k composant de lensemble des composants de lopration
ij
O

ijk
v : date de validit limite du composant
ijk
c

i
P
C : date de fin de fabrication du produit
i
P

i
liv
P
d : date de livraison du produit
i
P

fP
d : date de fin de la squence P

i
P
Dv : dure de vie du produit
i
P

i
P
Dr : dlai de retour du produit
i
P

rev
ijk
P : prix de revient du composant
ijk
c

i
ven
P
P : prix de vente unitaire du produit
i
P

i
stk
P
C : cot du stockage, par unit de temps, dune unit du produit
i
P

16

Chapitre 1

Ordonnancement : tat de lart
et particularits en industries
agroalimentaires

1.1. Introduction
Lordonnancement reprsente un domaine dapplication de la recherche
oprationnelle et de la gestion de la production qui vise amliorer lefficacit
dune entreprise en termes de cot de production et de dlai de livraison.
Les problmes dordonnancement apparaissent dans tous les domaines :
informatique [Bep96], industrie, transport, construction, administration... [Car88].
Rsoudre un problme dordonnancement consiste organiser ou ordonnancer
des tches, cest--dire dterminer leurs dates de dmarrage et leurs attribuer
des ressources matrielles ou humaines ncessaires, de telle sorte que les
contraintes soient respectes, afin doptimiser un certain objectif pralablement
dfini [Got93], [Lop01]. Cette planification des ressources pour raliser une
grande varit de produits finis dans des dlais impratifs, est un garant de la
comptitivit dune entreprise. Cest pour ces raisons que les problmes
dordonnancement deviennent plus complexes et plus importants.

17

Ainsi le rsultat de la rsolution dun problme dordonnancement se dcompose
en trois tapes fondamentales :
- lallocation des ressources ncessaires pour chaque tche,
- le squencement qui prcise lordre de passage des tches sur chaque
ressource,
- laffectation dune date de dbut et dune date de fin pour chaque tche.
Cette rsolution passe, alors, par deux phases ncessaires :
- une phase didentification et de modlisation,
- une phase de recherche de la mthode adquate.
Dans notre travail, on sintresse aux problmes dordonnancement datelier.

1.2. Problmes dordonnancement : tat de lart
1.2.1. Caractrisation
Les problmes dordonnancement datelier consistent affecter plusieurs tches
des moyens de fabrication afin de raliser des produits (travaux ou jobs) tout en
respectant les contraintes de fabrication et en optimisant certains critres.
Les principaux lments dun problme dordonnancement sont les suivants : les
tches (ou oprations), les ressources, les contraintes et les critres.

1.2.1.1. Les tches
Les tches reprsentent toutes les oprations effectuer pour la fabrication des
produits. Une tche, cest dire un ensemble doprations, requiert pour son
excution certaines ressources quil faut programmer de faon optimiser un
certain objectif. Si lensemble des tches excuter au cours du temps est donn a
priori, cest--dire leurs dates (date de dbut et date de fin) et leurs ordres
dexcution sont connus lavance, le problme dordonnancement est dit statique.
Dans le cas contraire, si lensemble des tches excuter volue dans le temps, le
problme est dit dynamique.
Dans notre travail, on sintresse aux problmes dordonnancement dynamique.
Chapitre 1 Ordonnancement : tat de lart et particularits en industries agroalimentaires

18
Deux types de tches sont distingus :
les tches morcelables (premptives) qui peuvent tre excutes en
plusieurs fois facilitant ainsi la rsolution de certains problmes,
les tches non morcelables (indivisibles) qui sont excutes en une seule
fois et ne peuvent pas tre interrompues avant quelles soient
compltement termines.
Chaque tche i qui correspond la ralisation dun produit (ou job) j est alors
caractrise par :
-
i j k
t : sa date de dbut dexcution sur la machine k ,
-
i j k
r : sa date de disponibilit ou date de dbut au plus tt sur la
machine k ,
-
i j k
p : son temps dexcution ou sa dure opratoire sur la machine k ,
-
i j k
C : sa date de fin dexcution sur la machine k ,
-
i j k
d : sa date de fin au plus tard sur la machine k .
Ainsi, pour quun ordonnancement soit ralisable, la condition suivante est
ncessaire :
i I ,
ijk ijk ijk ijk
r t C d
o I reprsente lensemble de tches ordonnancer.

1.2.1.2. Les gammes
Une gamme de fabrication prcise lordre de passage des oprations permettant la
ralisation du produit sur lensemble des machines ainsi que le nombre
doprations relatives au produit. Si le choix des types de machines pour les
oprations nest pas impos, la gamme est dite logique, les entits qui interviennent
sont les oprations. Suivant lordre dexcution des oprations pour achever un
produit, trois types de gammes sont distingus :
- la gamme libre : lordre est totalement libre,
- la gamme linaire : lordre est entirement dtermin,
- la gamme mixte : lordre est partiellement dtermin.

19

1.2.1.3. Les ressources
Une ressource est un moyen technique ou humain utilis pour raliser une tche.
Ce moyen technique est donc ncessaire et indispensable pour le bon
fonctionnement du cycle de fabrication.

Dans un atelier, plusieurs types de ressources sont distingus :
les ressources renouvelables, qui, aprs avoir t alloues une tche,
redeviennent disponibles et qui peuvent tre rutilises (machines,
personnel, etc.),
les ressources consommables, qui, aprs avoir t alloues une tche,
ne sont plus disponibles, et sont donc puises (argent, matires
premires, etc.),
les ressources partageables qui peuvent tre partages entre plusieurs
tches.

Ces ressources peuvent tre classes dune autre manire :
les ressources de type disjonctif qui ne peuvent excuter quune
opration ou une tche la fois,
les ressources de type cumulatif qui peuvent excuter plusieurs
oprations simultanment.
Une machine est considre comme un type de ressource qui nest caractris que
par son horaire de travail [Mes99].

1.2.1.4. Les contraintes
Les contraintes reprsentent les conditions respecter lors de la constru ction de
lordonnancement pour quil soit ralisable. Elles rendent les problmes
dordonnancement plus difficiles car il faut les respecter lors de la rsolution de
ces problmes.


20

Ces contraintes peuvent tre classes en deux types : endogne et exogne.
Les cont raint es endognes
Elles constituent des contraintes lies directement au systme de production et
ses performances telles que :
- les dates de disponibilit des machines et des moyens de transport,
- les capacits des machines et des moyens de transport,
- les squences des actions effectuer ou les gammes des produits.

Les cont raint es exognes
Ces contraintes sont imposes extrieurement. Et sont indpend antes du systme
de production ; on distingue :
- les dates de fin de fabrication au plus tard du produit imposes
gnralement par les commandes,
- les priorits de quelques commandes et de quelques clients,
- les retards possibles accords pour certains produits.

Une autre classification consiste distinguer :
les contraintes de gamme ou de prcdence, caractrisant lordre
dexcution des tches selon la gamme,
les contraintes de capacits, caractrises par un ensemble de conflits
pour lutilisation des ressources, pouvant se diviser en :
- contraintes disjonctives o une seule ressource est partage par deux
ou plusieurs tches la fois,
- contraintes cumulatives o il ya partage de plusieurs ressources par
plusieurs tches,
les contraintes lies directement aux produits finis (dates de livraison
des commandes, priorits, dates de premption, etc.) [Gar03].


21

1.2.1.5. Les critres
Un critre correspond des exigences qualitatives et quantitatives satisfaire
permettant dvaluer la qualit de lordonnancement tabli.
Les critres usuels sont :
- la dure totale de lordonnancement, le makespan
max
C
- le respect des dates au plus tard,
- la minimisation dun cot, etc.
Les critres rguliers sont :
- la minimisation de la date de fin effective de la dernire opration
de la gamme,
- la minimisation des dates effectives de fin de toutes les oprations,
- la minimisation du plus grand retard, etc.
Les critres irrguliers sont :
- lquilibre de charge des ressources,
- loptimisation des changements doutils, etc. [Gar03].
Les diffrents critres ne sont pas indpendants, certains mme sont quivalents.
Par dfinition, deux critres sont quivalents si une solution optimale pour lun est
aussi optimale pour lautre et inversement. Par exemple, la moyenne des dates de
fin est quivalente au retard algbrique moyen [Car88].

1.2.2. Types dateliers
La classification des types de problmes dordonnancement se fait en fonction du
type des machines utilises ou selon lorganisation de latelier tudi.

1.2.2.1. Le type flow-shop
Les ateliers de type flow-shop pour lequel la ligne de fabrication est constitue
de plusieurs machines en srie ; toutes les oprations de toutes les tches passent
par toutes les machines dans le mme et unique ordre.

22

Ce type datelier est dit cheminement unique. Dans les ateliers de type flow-
shop hybride , une machine peut exister en plusieurs exemplaires identiques et
parallles.

1.2.2.2. Le type job-shop
Dans les ateliers de type job-shop , les oprations sont ralises selon un ordre
total bien dtermin, variant selon la tche excuter. Ce type datelier est nomm
aussi atelier cheminements multiples. Dans ce cas, plusieurs changements
doutils sont envisager.
v Le t ype job-shop flexible
Le job-shop flexible est une extension du modle job-shop classique. Sa
particularit essentielle rside dans le fait que plusieurs machines sont
potentiellement capables de raliser un sous-ensemble doprations. Plus
prcisment, une opration est associe un ensemble contenant toutes les
machines pouvant effectuer cette opration.

1.2.2.3. Le type open-shop
Aucun ordre de fabrication nest impos, dans ce cas ; lacheminement de toutes
les oprations est multiple et libre ; ces oprations peuvent tre excutes dans
nimporte quel ordre.

Des extensions ces types de base ont t dfinies dans le but de se rapprocher
des ateliers rels de production. Par exemple, la flexibilit des machines qui
consiste associer chaque opration un ensemble de machines cest--dire que
cette opration peut tre traite par une machine quelconque de cet ensemble. Un
problme daffectation est alors ajout au problme initial dordonnancement.


23

Les types suivants sont distingus :
les problmes machines parallles o les oprations indpendantes
et sont traites par le mme ensemble de machines,
les problmes de type flow-shop hybride constituant une extension
du problme du type flow-shop , o la premire opration de chaque
produit est traite par le premier ensemble, la deuxime opration par le
deuxime ensemble, et ainsi de suite.

Dans les problmes dordonnancement avec affectation gnralise, pour chaque
opration, un ensemble de machine est dfini, une machine pouvant
naturellement faire partie de plusieurs groupes, et une opration pouvant tre
traite par nimporte quelle machine du groupe [Gza01].

1.2.3. Complexit
La complexit des problmes dordonnancement est dfinie suivant la complexit
des mthodes de rsolution et celle des algorithmes utiliss [Gar79], [Car84a]
[Car88], [Cha96]. Certains problmes dordonnancement de taille relativement
importante peuvent avoir un niveau de complexit si important que leur
rsolution devient trs difficile.
Deux catgories de complexit sont distingues : algorithmique et problmatique

1.2.3.1. Complexit algorithmique
La thorie de la complexit a pour objectif danalyser les cots de rsolution,
notamment en terme de temps de calcul, des problmes doptimisation
combinatoire [Coo71]. Elle permet dtablir une classification des problmes en
plusieurs niveaux de difficult, et fait la distinction entre un problme
doptimisation et un problme de dcision [Gra79] [Car88] [Cha96]. IL a t
dmontr que la plupart des problmes dordonnancement sont difficiles [Lop01].


24

La complexit algorithmique se mesure par rapport au temps allou pour
lexcution de lalgorithme ou encore par rapport lespace mmoire requis. Le
temps de calcul est fonction du nombre dinstructions et de la taille des donnes
manipules.

La complexit en espace est une fonction qui associe la taille dune instance dun
problme donn, un ordre de grandeur du nombre de cases mmoires utilises
pour les oprations ncessaires la rsolution de ce problme [Pas05].
La dure dun algorithme, note ( ) T N , se dduit du nombre dinstructions
lmentaires de cet algorithme ainsi que de la dure dexcution dune instruction.
Cette dernire est majore par un nombre qui est fonction de loutil informatique
et du programme utiliss.
Un algorithme est dit de complexit ( ( )) O f N , sil existe une constante K et un
entier
0
N tels que pour tout
0
N N ; ( ) ( ) T N Kf N .
Un algorithme est dit polynomial dordre p si ( )
p
f N N . Dans le cas o aucune
fonction f polynomiale nexiste, lalgorithme est dit non Polynomial (NP) ou
exponentiel.

1.2.3.2. Complexit problmatique
La complexit problmatique dpend du problme rsoudre ainsi que de la
mthode de rsolution choisie pour construire la solution optimale au sens des
critres retenus. Dans la littrature, les problmes dordonnancement sont souvent
classs en deux catgories caractrisant leurs degrs de complexit :
Les problmes indcidables qui sont les problmes
dordonnancement les plus difficiles pour lesquels il nexiste aucune
mthode de rsolution connue,
les problmes dcidables qui sont de classe P ou de classe NP
[Cha96].

25

Dfinitions
- Un problme de dcision est un problme qui comprend deux parties : une
partie donnes du problme et une question binaire ayant oui ou
non comme rponse possible.
- Un problme de recherche est un problme constitu dun ensemble de
donnes et pour lequel chaque ensemble de donnes correspond un
ensemble de solutions. Rsoudre un problme de recherche consiste
calculer pour chaque ensemble de donnes D lensemble des solutions S
(D) associes.
- Un problme doptimisation est un problme de recherche qui donne
chaque solution une valeur quantitative. On cherche une valeur minimale si
on a une fonction conomique minimiser, ou maximale pour dautres cas.
chaque problme doptimisation on peut associer un problme de
dcision [Cha96]. Ainsi, ltude de la complexit dun problme de dcision
permet de donner les indications relatives au problme doptimisation
associ.
- Un problme de dcision est de classe P sil existe un algorithme
polynomial pour le rsoudre.
- Un problme de dcision est de classe NP, il est dit galement NP-difficile,
sil ne peut pas tre rsolu en un temps polynomial par les algorithmes
dterministes [Car88], [Lop99] mais peut tre rsolu en un temps
polynomial par des mthodes approches.
- Un problme de dcision est dit NP-complet sil appartient la classe NP et
sil est rsolu, au mieux, en un temps exponentiel.
- Un problme doptimisation est dit NP-difficile si le problme de dcision
associ est NP-complet.


26

1.2.4. Modlisation et reprsentation des problmes
dordonnancement

1.2.4.1. Notations

Une mthode de notation a t propose dans la littrature [Gra79] [Bru95] pour
reprsenter un problme dordonnancement dune manire simple. Cette notation
consiste reprsenter le problme sous forme de trois champs a, b et c (a | b| c) :
- le champ a permet de dcrire le type datelier, le nombre de jobs
raliser et le nombre e machines disponibles,
- le champ b est utilis pour prciser les contraintes du problme et les
diffrentes hypothses sur le mode dexcution des tches (premption,
prcdence, etc.),
- le champ c est ddi au(x) critre(s) optimiser.

Exemple
J, 10, 6| Prec,
i
r |
max
C

Il sagit dun problme dordonnancement dun atelier de type job-shop J, de dix
jobs six machines. Le deuxime champ montre que les jobs prsentent une
contrainte de prcdence, Prec, et une contrainte
i
r de dates de dbut au plus tt.
En plus la premption et interdite (nest pas mentionne dans le champ prem). Le
dernier champ indique que lobjectif est de minimiser le makespan,
max
C .

1.2.4.2. Modlisation
La modlisation, est en gnral, une tape trs importante dans la rsolution dun
problme dordonnancement. Cest une criture simplifie de toutes les donnes
du problme permettant den traduire tous les dtails pour mieux reprsenter la
ralit des choses.

27

Deux mthodes de modlisation sont distingues : les mthodes graphiques et les
mthodes mathmatiques.

Les mthodes graphiques
Un problme dordonnancement peut tre modlis par un graphe, dit graphe
potentiel - tches, figure 1.1, constitu par :
des noeuds reprsentant les tches,
des arcs conjonctifs illustrant les contraintes de prcdence (en
indiquant les dures des tches),
des arcs disjonctifs indiquant les contraintes de ressources [Roy70],
[Got93] et [Jai99].
Les mthodes graphiques ont connu une trs importante volution surtout avec
lapparition des Rseaux de Ptri (RdP) [Chr83], [Car84b] qui permettent de
traduire plusieurs notions fondamentales qui ont un lien avec les problmes
dordonnancement telles que :
- les conflits sur les ressources,
- les dures opratoires certaines (RdP temporiss),
- les dures opratoires alatoires (RdP stochastiques),
- les gammes,
- les disponibilits, les multiplicits et les capacits des ressources
(RdP synchroniss et capacits),
- la rptitivit (RdP cycliques).
Exemple [Kac03]

Fig.1.1. Graphe potentiel - tches
3
1
*
2
0
4 7
6
5
3
0
4
1 7
8
2
3
3
0

28

La modlisation polydrique
Le principe de ce type de modlisation est de trouver les contraintes linaires
dfinissent des demi-espaces. Lintersection de ces demi-espaces donne un
polydre dont les sommets reprsentent une solution ralisable du problme. Si la
fonction objectif est linaire, lutilisation de la programmation linaire permet
dobtenir la solution optimale. Cette approche sest beaucoup dveloppe dans le
domaine de loptimisation combinatoire [Gro88].

De nombreux problmes comme le voyageur de commerce font intervenir ce
genre de modlisation pour leur description [Law87].
Le modle polydrique pour des problmes dordonnancement introduit par Balas
[Bal85], dfinit un vecteur solution t dont les composantes sont les dates de dbut
calcules de chaque opration ordonnancer. T est alors lensemble de tous les
vecteurs t vrifiant les contraintes du problme. Il considre le polydre P comme
tant lenveloppe convexe des points de T.

Les mthodes mathmatiques
Les mthodes mathmatiques consistent crire les donnes, les contraintes et la
fonction dvaluation des critres sous forme dquations mathmatiques. Ces
mthodes sont courantes et trs utilises ; elles permettent, en gnral, dobtenir
une criture simple, puissante et facilement exploitable en programmation.
Par exemple, les donnes suivantes sont relatives lexemple de la figure 1.1,
{ } 1, 2, 3, 4, 5, 6, 7 i , reprsente lensemble des tches,lobjectif tant de :
calculer
i
t (date de dbut dexcution de la tche i)
minimiser la date de fin dexcution de la dernire tche, le
max
C ,
respecter les contraintes indiques dans le tableau 1.1, dans lequel
i
p
reprsente la dure opratoire de la tche i.


29

Tab.1.1. Donnes et contraintes relatives lexemple de la figure 1.1
Contraintes de
donnes
Contraintes de
prcdence
Contraintes de ressources
1
3 p
1 1 3
t p t +
1 1 2 2 2 1
( ) ( ) t p t OU t p t + +
2
2 p

3
4 p
1 1 4
t p t +
3 3 5 5 5 3
( ) ( ) t p t OU t p t + +
4
1 p
3 3 7 7 7 3
( ) ( ) t p t OU t p t + +
5
8 p
3 3 6
t p t +
7 7 5 5 5 7
( ) ( ) t p t OU t p t + +
6
3 p
4 4 7
t p t +
7
7 p
2 2 5
t p t +
4 4 6 6 6 4
( ) ( ) t p t OU t p t + +

1.2.4.1. Reprsentation des solutions
La solution dun problme dordonnancement est reprsente gnralement par le
digramme de Gantt. Ce diagramme constitue la plus ancienne et la plus facile des
mthodes envisages pour reprsenter cette solution.
Le digramme de Gantt peut avoir deux reprsentations, figure 1.2 :
- la reprsentation (a), Produits ,
- la reprsentation (b), Machines .

Fig.1. 2. Digrammes de Gantt
P
11
P
12
P
13

P
21
P
22
P
23
M
1
M
2
temps
M achines
M
2

M
1

P
1
M
2

M
1

P
2
temps
Produits
M
2

M
1

P
3
(a) (b)

30

1.3. Particularits de lordonnancement dans un atelier
de production agroalimentaire

1.3.1 Introduction
Les industries agroalimentaires sont trs dpendantes de lvolution des habitudes
de consommation dans le monde entier et des diffrentes rglementations
internationales. Les entreprises agroalimentaires doivent elles-mmes voluer en
terme demploi : effectifs, structure de qualification, comptences, etc.

Lvolution de ce type dentreprise dpend, essentiellement, des facteurs suivants :
un facteur externe qui est directement li au contexte sectoriel et qui
dpend de lvolution qualitative et quantitative du march, des
circuits de distribution et des innovations technologiques,
un facteur interne qui dpend de la stratgie ou de la politique de
lentreprise qui identifie les objectifs souhaits,
un deuxime facteur interne qui concerne essentiellement les choix de
lentreprise en matire dorganisation de travail et de coordination
entre les postes fonctionnels et oprationnels.

Ce dernier facteur a t souvent jug trs important et mme dcisif pour la
majorit des entreprises agroalimentaires [Gar03]. En effet, certaines entreprises
ont fait un effort dautomatisation de leurs lignes de fabrication dans le but de
mieux organiser et matriser les flux de produits.


31

1.3.2. Les produits
1.3.2.1. Les composants primaires
Un produit agroalimentaire fini
i
P fabriquer est compos par n oprations et
caractris par :

i
r : la date de mise en fabrication au plus tt,

i
d : la date de fin de fabrication au plus tard,

i
g : la gamme dfinissant lensemble des oprations raliser.
Ce produit est galement dfini par une nomenclature qui met en vidence les
composants primaires ncessaires pour lobtenir. Ces composants sont souvent
reprsents par des produits agricoles et des matires crues qui sont prissables et
qui ont des dures de vie limites.

1.3.2.2. Les produits semi-finis
A cause des risques de contamination, les produits semi-finis manipuls dans les
industries agroalimentaires ont gnralement des dures de vie trs courtes. Ces
produits doivent tre transfrs sur les postes de travail dans dlais trs courts. En
effet, la synchronisation entre les diffrents postes de travail de la ligne de
fabrication est ncessaire pour viter la premption en ligne.

1.3.2.3. Les produits finis
Contrairement dautres produits industriels, les produits agroalimentaires ont
une dure de vie (Dv) bien dtermine compter de leurs dates de fin de
fabrication (Dff). A chaque produit fini, est alors associe une date limite de
consommation (Dlc). Il est noter que la vente de ces produits passe souvent par
des surfaces de distribution qui imposent certaines conditions aux manufacturiers,
le produit tant considr invendable partir dun certain dlai de sa date limite
de consommation. Ce dlai est appel dlai de retour (Dr). Le responsable de la
production doit alors reprendre son produit.

32

Exemple (figure 1.3.) :
Considrons un exemple de produit fini ayant une dure de 21 jours. Si son dlai
de retour est fix 5 jours, ce produit doit tre repris par le manufacturier 5 jours
avant sa date limite de sa consommation [Gar03].

1.3.3. Spcificits dun problme dordonnancement
en industries agroalimentaires

Dans le paragraphe prcdent, les particularits des produits manipuls en
industries agroalimentaires sont cites. En effet, il faut tenir compte de ces
particularits lors de la rsolution du problme dordonnancement. Contrairement
aux autres industries, la succession des oprations dans un mme poste de travail
dans un atelier de production agroalimentaire est caractrise, gnralement, par
des oprations de nettoyage de dures variables qui interrompent le cycle de
fonctionnement de la production et peuvent donc provoquer des retards.

Dff
Dr Dlc
Dv= 21 jours
temps
j : 0 j : -5
j : -21
produit
invendable
produit
prim
Fig.1.3. Cycle de vie dun produit agroalimentaire

33

Ces oprations, engendrant des temps improductifs assez importants, ncessitent
loptimisation des changements de recettes et des gammes de produits.
Dautres oprations de nettoyage de dures dexcution plus importantes sont
dautre part imposes par le service qualit pour viter la contamination des
ressources et assurer ainsi une qualit satisfaisante. Dans ce type dindustrie, les
produits semi-finis rsultants des oprations lmentaires du processus de
fabrication peuvent tre modifis et ne sont pas forcment ceux qui ont t
planifis, de ce fait, lvolution dans le temps dune opration en cours de
ralisation nest pas toujours dterministe (les caractristiques des composants :
acidit, concentration, etc. ou encore les conditions de production : temprature,
taux dhumidit, etc.). Ces produits peuvent tre compltement perdus si aucune
action corrective nest possible. Des dcisions dinterruptions des oprations en-
cours ou dengagements dautres oprations peuvent avoir lieu dans telles
conditions. On est donc face un problme dordonnancement dynamique. Un
outil ractif daide la dcision en temps rel peut tre alors la meilleure solution
pour ce type de problme.

Ci-aprs un tableau (Tab.1.2) qui rsume les principales diffrences entre un
ordonnancement classique et un ordonnancement en industries agroalimentaires.


34

Tab.1.2. Comparaison entre un problme dordonnancement classique
et celui en industries agroalimentaires

Critres de comparaison
Ordonnancement
classique
Ordonnancement
agroalimentaire
Matires premires
- non prissables
- discrtises
- approvisionnement
matris
- prissables
- non discrtises
- approvisionnement
irrgulier
Produits semi-finis
- non prissables
- discrtiss
- dure de vie courte
- non discrtiss
Produits finis
- non prissables
- prix de vente fixe
et invariable
- prissables
- prix de vente
variable
- cot de stockage
lev
Dures opratoires
- fixes
- temps dattente
connus
- variables
- temps dattente
entre oprations,
variable
- minimisation des
produits prims
- minimisation du
discount de
distribution
Critres
- minimisation du makespan
- minimisation du retard
- respect des dates dchances clients
- quilibre des charges de ressources
- minimisation des changements doutils
Contraintes
- contraintes de disponibilit des matires
premires
- contraintes de disponibilit du personnel
- contraintes de gamme (de prcdence)
- contraintes disjonctives et cumulatives
Demande demande prvisible demande variable


35

1.4. Les problmes dordonnancement une machine
1.4.1. Introduction
Les problmes classiques une machine, en se limitant une approche
monocritre, peuvent tre dcomposs en deux catgories principales : les
problmes de type min max o la fonction objectif consiste minimiser la plus
grande valeur du critre considr et les problmes de type min sum o la
fonction objectif consiste minimiser la somme des critres. Plusieurs travaux de
recherche ont t consacrs ce type de problme [Alb93], [Bea92], [Wig94],
[Bru98], [Cha98a], [Cha98b], [Now94], [Pan92], [Cha96], etc.
Dans cette partie, un tat de lart sur les problmes monocritres une machine,
o la fonction objectif consiste minimiser une fonction de cot, est prsent. Ces
problmes sont de type min-max puisque lobjectif est de minimiser la plus
grande valeur du cot. Ils sont dits aussi problmes de type disjonctif ou de
capacit unitaire, cest--dire que la capacit de la ressource est 1, elle ne peut
excuter quune seule opration la fois.

1.4.2. Prsentation du problme une machine
Dans un problme une machine, le but est dordonnancer un ensemble E de
n oprations sur une machine unique. Chaque opration
i
O , occupant la ressource
pendant un temps donn, est caractrise par :
- sa date de dbut au plus tt
i
r ,
- sa date de dbut effective
i
t ,
- sa dure opratoire
i
p ,
- sa date de fin effective
i
C ,
- sa date de fin au plus tard
i
d .
Quant une opration
i
O est soumise une date au plus tt
i
r et une date de fin au
plus tard
i
d , lintervalle [
i
r ,
i
d ] reprsente la fentre de ralisation de cette

36

opration, o elle doit imprativement tre excute, lobjectif tant de minimiser
une fonction objectif dont les plus courantes sont : la date de fin dexcution de
lordonnancement
max
C (le makespan), le plus grand retard algbrique
max
L . Ils
existent des relations qui lient deux oprations : les contraintes de prcdence. Ces
contraintes sont de deux types : le premier type indique que, pour quun
ordonnancement soit ralisable, il faut quune opration
i
O sexcute avant
lopration
j
O . Le deuxime ajoute, en plus de cette condition, quentre le dbut
de lopration
i
O et le dbut de lopration
j
O , un intervalle de temps doit tre
respect.
Deux types de problmes sont distingus : les problmes premptifs et les
problmes non-premptifs. Dans le premier cas, une opration peut tre
interrompue pendant son excution tandis que pour le second un tel procd est
interdit [Mau04].

1.4.3. Les problmes une machine non premptifs
Suivant la taille et la complexit du problme, les problmes une machine non
premptifs sont de deux types : les problmes polynomiaux et ceux NP-difficiles.

1.4.3.1. Les problmes polynomiaux
Exemples
Problme : 1|
i
r |
max
C
Cest un problme une machine o, chaque opration
i
O E de dure opratoire
i
p , ne peut tre excute avant sa date de dbut au plus tt
i
r ; lobjectif tant de
minimiser la dure totale de lordonnancement : le makespan. Ce problme peut
tre rsolu par lalgorithme ERT (Earliest Release Time), qui donne, en gnral,
une solution optimale [Mau04]. Cet algorithme consiste ordonnancer les
oprations en les triant par dates de dbut au plus tt croissantes.


37

Problme : 1| .|
max
L
Lobjectif de ce problme est de minimiser le plus grand retard algbrique
max
L ,
cest dire de minimiser le plus grand retard associ une opration
i
O E . Si
toutes les oprations sont termines temps, il sagit de maximiser la plus petite
avance. Lalgorithme qui peut rsoudre ce problme est lalgorithme EDD (Earliest
Due Date) qui consiste placer par ordre croissant les oprations des dates de fin
souhaites.

1.4.3.2. Les problmes NP-difficiles
Exemple
Problme : 1|
i
r | max( )
i i
C q +
La complexit de ce problme a t dmontre quelle est NP-difficile au sens fort
[Len77] [Gar79]. Ce problme a fait lobjet de plusieurs travaux de recherche dans
les annes soixante-dix et les annes quatre-vingt [Bra73] [Mah75] [Pot80] [Car82],
etc.
Bien que ce type de problme ait une complexit assez forte, une mthode de
Sparation et dEvaluation Progressive (PSE), propose par Carlier [Car82], a t
efficace pour le rsoudre. La mthode possde la particularit de dcrire un
ordonnancement complet chaque nud et repose sur le principe que
lalgorithme de Schrage [Sch71] peut toujours fournir la solution optimale du
problme une machine, si les donnes de ce problme ont t modifies pour
certaines oprations (voir section 2.3.4).


38

1.4.4. Les problmes une machine premptifs
14.4.1. Les problmes polynomiaux
Exemple
Problme : 1| prmt,
i
r | ( ) max
i i
C q +
Pour ce type de problme, chaque opration
i
O E de dure opratoire
i
p ne peut
tre excute avant sa date de dbut au plus tt
i
r et est effectivement acheve
aprs une dure de latence
i
q . De plus la premption est autorise.
Ce problme est quivalent au 1| prmt,
i
r |
max
L . Il peut tre rsolu, en un temps
polynomial et en donnant une solution optimale, par lalgorithme de JPS
(Jacksons Preemptive Schedule) [Jac55]. Cet algorithme consiste placer en
priorit lopration disponible de plus grand
i
q . Il peut tre programm en un
temps O (n log n) [Car82], o n reprsente le nombre doprations ordonnancer.

14.4.2. Les problmes NP-difficiles
Exemple
Problme : 1| prmt, prec,
i
r | ( ) max
i i
C q +
Cest le mme problme que le prcdent avec, dans ce cas, des contraintes de
prcdence gnralises ajoutes. De ce fait, ce problme est class NP-difficile au
sens fort [Bal95] pour lequel il nexiste, jusqu prsent, notre connaissance,
aucun algorithme pour le rsoudre.

1.4.5. Les problmes une machine en temps rel
Les premiers problmes importants traits en temps rel ont concern le pilotage
de systmes complexes (avion, centrale nuclaire,). Ils sont concerns galement
lordonnancement de radars [Orm98], ou de processeurs en informatique [Chr95].
Pour ces problmes, il est ncessaire de fournir rapidement une solution sans
pouvoir attendre les informations sur les demandes long terme.


39

Lordonnancement en temps rel permet aussi de fournir un dlai de fabrication
prcis au client, linstant o il passe sa commande [Fia98]. Aujourdhui, les
applications de lordonnancement en temps rel se dveloppent parce quelles
permettent de ragir dynamiquement aux alas imprvisibles qui peuvent
intervenir chaque instant.

Les applications en temps rel impliquent de dvelopper des techniques rapides,
et de les appliquer, de prfrence pour tous les cas de problmes rencontrs. La
rapidit souhaite dobtention des rsultats dpend du problme trait : pour une
entreprise, il peut sagir de quelques minutes, pour un radar, de quelques
millisecondes [Dur02]. Le terme temps rel signifiant que lapplication considre
est capable de fournir une solution un problme avant que dautres vnements
ne viennent modifier ltat du systme. La rapidit dun algorithme en temps rel
est fonction de sa complexit , cest--dire lvaluation du nombre doprations
lmentaires effectues par lalgorithme dans le cas extrme. Elle est donne en
fonction de la taille des problmes traits [Gau87]. Pour garantir que le temps
dexcution dun algorithme ne dgnre pas dans des cas dapplication en temps
rel, il est souhaitable que sa complexit soit polynomiale.
Au contraire, les problmes NP-difficiles au sens fort forment une classe pour
laquelle on ne connat pas dalgorithme polynomial pour les rsoudre de manire
optimale ; les seules mthodes connues consistent explorer explicitement ou
implicitement toutes les solutions, ce qui nest possible que pour des exemples de
taille trs limite. Ainsi, pour les applications relles et lorsque la recherche de la
solution optimale devient combinatoire , des heuristiques qui fournissent, au
mieux, une solution proche de la solution optimale, sont utilises.


40

1.5. Problmes doptimisation et mthodes de rsolution
1.5.1. Introduction
Les problmes dordonnancement sont, en gnral, des problmes doptimisation
puisque leur objectif est de minimiser (ou maximiser) une fonction objectif tout en
respectant certains critres.

1.5.2. Problmes doptimisation
Rsoudre un problme d'optimisation consiste trouver la (ou les) meilleure(s)
solution(s), vrifiant un ensemble de contraintes et d'objectifs dfinis par
lutilisateur [Bar03]. Pour dterminer si une solution est meilleure quune autre, il
est ncessaire que le problme introduise un critre de comparaison.

1.5.2.1. Formulations
La fonct ion object if
Cest la fonction de cot, note f quil sagit doptimiser.
Les variables de dcision
Elles sont regroupes dans un vecteur x . Cest en faisant varier ce vecteur que lon
recherche un optimum de la fonction f [Col02].
Types de minima
Il existe deux types de minima : les minima locaux et les minima globaux,
figure 1.4.
- Minimum global
Un point
*
x est un minimum global de la fonction f , si on a :
*
( ) ( ) f x f x < x tel que
*
x x
- Minimum local
Un point
*
x est un minimum local de la fonction f si on a :

*
( ) ( ) f x f x <
*
( ) x V x et
*
x x o
*
( ) V x dfinit un voisinage de
*
x


41

Fig.1.4. Les deux types de minima

1.5.2.2. Problmes mono-objectifs.
Dun point de vue mathmatique, un problme doptimisation mono-objectif est
formul de la faon suivante :

minimiser ( ) f x
r
(fonction optimiser) ,
n
x
r
( ) f x
r

avec ( ) 0 g x
r
(m contraintes dingalits) ( )
m
g x
ur r

et ( ) 0 h x
r
(n contraintes dgalits) ( )
n
h x
r r

1.5.2.3. Problmes multi -objectifs
Lorsquon modlise un problme, il est souvent ncessaire de satisfaire plusieurs
objectifs [Bou06b]. Dans ce cas, on parle doptimisation multi-objectifs.
Dun point de vue mathmatique, un problme doptimisation multi-objectifs, se
prsente, dans le cas o le vecteur
ur
f regroupe k fonctions objectif, de la faon
suivante [Col02] :

f
r
) ( x
r

m
x
r
,
k
x f ) (
r
r

0 ) ( x g
r r

m
x g ) (
r r

0 ) ( x h
r
r

p
x h ) (
r
r

m1, m2, m3 sont des minima locaux

m4 est un minimum global

minimiser
avec
et
( ) x f

m
1
m
3

m
2
m
4

42

1.5.2.4. Notion de dominance
En ordonnancement, le concept de dominance dun sous-ensemble de solutions est
important afin de limiter la complexit algorithmique lie la recherche dune
solution optimale au sein dun grand ensemble de solutions.
Pour trouver une solution optimale aux problmes doptimisation multi-objectifs,
constituant un ensemble de points, il savre ncessaire de dfinir une relation
dordre entre ces lments, dite relation de dominance, pour identifier les
meilleurs compromis. La rgle de dominance est une contrainte qui peut tre
ajoute au problme initial sans changer la valeur de loptimum [Jou02b]. La plus
utilise est celle dfinie au sens de Pareto [Bar03].
Ainsi, la rsolution dun problme doptimisation multi-objectifs conduit
gnralement une multitude de solutions. Seul un nombre restreint de ces
solutions est intressant. Une solution est considre intressante sil existe une
relation de dominance entre cette solution et les autres solutions [Col02].
On dit que le vecteur
1
x
r
domine le vecteur
2
x
r
si :

1
x
r
est au moins aussi bon que
2
x
r
dans tous les objectifs,

1
x
r
est strictement meilleur que
2
x
r
dans au moins un objectif.

Les solutions qui dominent les autres mais ne se dominent pas entre elles, sont
appeles solutions optimales au sens de Pareto.

1.5.3. Mthodes de rsolution
Les problmes doptimisation sont, en gnral, difficiles rsoudre. Plusieurs
mthodes sont utilises afin de trouver une rponse satisfaisante ces problmes.
On distingue les mthodes exactes et les mthodes approches [Bar03].


43

1.5.3.1. Mthodes exactes
Les problmes dordonnancement sont traits par des mthodes doptimisation en
considrant les donnes du problme comme des contraintes satisfaire et en
proposant une solution optimale et admissible. Loptimalit des donnes est
mesure par rapport aux critres et aux objectifs tablis par le niveau hirarchique
suprieur de dcision [Gar03].
On distingue :
la mthode de Sparation et dEvaluation Progressive ou
branch & bound ,
la programmation linaire,
la programmation dynamique.

Ces mthodes exactes, examinent, dune manire implicite, la totalit de lespace
de recherche et produisent, en principe, une solution optimale. Lorsque le temps
de calcul ncessaire pour atteindre cette solution est excessif, les mthodes
approches peuvent fournir une solution quasi-optimale au bout dun temps de
calcul raisonnable.

1.5.3.2. Mthodes approches
Ces mthodes sont considres pour les problmes dordonnancement dans
lesquels on ne trouve pas de solution optimale en un temps raisonnable [Lio98].

On distingue :
les mthodes bases sur des heuristiques, ensembles des connaissances
fruits de lexprience, se prsentant comme un ensemble de rgles simples
EDD (Earliest Due Date), FIRO (First In Random Out), SPT (Shorter
Processing Time), etc.


44

les mthodes bases sur les mtaheuristiques, telles que les mthodes de
recherche par voisinage, la recherche tabou [Glo97], les algorithmes
gntiques [Hol75], les algorithmes de colonies de fourmis [Col91], [Col94],
le recuit simul[Kir83],etc.

Les heuristiques
Les heuristiques sont des mthodes empiriques qui donnent gnralement de bons
rsultats sans pour autant tre dmontrables. Elles se basent sur des rgles
simplifies pour optimiser un ou plusieurs critres. Le principe gnral de cette
catgorie de mthodes est dintgrer des stratgies de dcision pour construire une
solution proche de loptimal tout en essayant davoir un temps de calcul
raisonnable [Bel01], [Bou91], [Kac03].

Exemples dheuristiques :
EDF (Earliest Deadline First) ou EDD : cet algorithme choisit parmi les
tches excutables celle dont le dlai est chu le plus tt. Si aucune tche
nest disponible, alors un temps libre est gnr [Wan99] [Mok83].
LLF ou LL (Last Laxity First) : cet algorithme choisit parmi les tches
excutables celle dont la distance entre la fin de son excution et son dlai
est le plus court. Si aucune tche nest disponible, alors un temps libre est
gnr [Hak99].
LRF (Last Release Time First) : cet algorithme choisit parmi les tches
excutables celle dont le temps coul depuis son apparition est le plus
grand. Si aucune tche nest disponible, alors un temps libre est gnr
[Sch96].
HPF (High Priority First) : cet algorithme choisit parmi les tches
excutables celle dont la priorit est la plus grande. Si aucune tche nest
disponible, alors un temps libre est gnr.


45

Il a t dmontr que lalgorithme EDF[Wan99] [Mok83] qui ordonnance les tches
dans lordre croissant de leur dlai dexcution, et lalgorithme LL (Last Laxity)
[Cha00], sont optimaux dans le cas de tches indpendantes et premptives
excutes sur une seule ressource.

Les mtaheuristiques
Les mtaheuristiques sont des mthodes gnrales de recherche ddies aux
problmes doptimisation difficiles. Elles sont, en gnral, prsentes sous forme
de concepts.
Les mt hodes par voisinage
Les mthodes par voisinage suivent la dmarche suivante [Car88] :
- construire une solution initiale x ,
- dterminer parmi les solutions voisines y de x celle de ) ( y f minimale,
- si ) ( ) ( x f y f p alors remplacer x par y et aller la deuxime tape,
sinon retenir x comme meilleure solution.

Ces mthodes gnralement plus rapides que les mthodes exactes, donnent de
bons rsultats et ont un cot assez rduit. Un autre avantage rside dans la
possibilit de contrler le temps de calcul [Hao99]. En effet, la qualit de la
solution trouve tend s'amliorer progressivement au cours du temps et
lutilisateur est libre d'arrter l'excution au moment qu'il aura choisi.

La recherche t abou
Cette mthode a pour but damliorer chaque tape, la valeur de la fonction
objectif. Elle utilise une mmoire afin de conserver les informations sur les
solutions dj visites. Cette mmoire constitue la liste tabou qui va servir
interdire laccs aux dernires solutions visites. Lorsquun optimum local est
atteint, il ya interdiction de revenir sur le mme chemin [Glo89].


46
Le recuit simul
Inspir du recuit physique, ce processus est utilis en mtallurgie pour amliorer
la qualit dun solide et cherche un tat dnergie minimale qui correspond une
structure stable du solide. Ainsi, pour quun mtal retrouve une structure proche
du cristal parfait, on porte celui-ci une temprature leve, puis on le laisse
refroidir lentement de manire ce que les atomes aient le temps de sordonner
rgulirement [Kir83]. En optimisation [Col02], [Hao99], le processus du recuit
simul rpte une procdure itrative qui cherche des configurations de cot plus
faible tout en acceptant de manire contrle des configurations qui dgradent la
fonction de cot. Ainsi, si une amlioration du critre est constate, le nouvel tat
est retenu, sinon une diminution E du critre est calcule et le nouvel tat est
retenu avec une probabilit ( ) exp / p E T , figure 1.5.
Algorithme [Mes99]
T : paramtre qui diminue lorsque le nombre ditrations augmente
(T : Temprature)
E : nergie du systme
E : variation de lnergie
: temprature seuil fixer par lutilisateur
w Initialisation des paramtres de lalgorithme( , ) T ,
w modification lmentaire (variation dnergie E ),
w application de la rgle dacceptation de Metropolis [Car88]
si E < 0 alors la modification est accepte,
si E > 0 alors la modification est accepte avec la probabilit
( ) exp / p E T ,
si T > alors diminuer lentement T et retourner la deuxime tape,
si T ou (amlioration non observe) alors ltat actuel est la solution
recherche,
w fin.
Fig.1.5. Algorithme gnral du recuit simul

47

Les algorit hmes gnt iques
Les Algorithmes Gntiques [Hol75] sont des algorithmes itratifs dont le but est
doptimiser une fonction prdfinie, appele fitness . Pour raliser cet objectif,
lalgorithme, figure 1.6., travaille sur un ensemble de points, appels population
dindividus. Chaque individu ou chromosome (chane binaire de longueur finie)
reprsente une solution possible du problme donn. Il est constitu dlments
appels gnes, pouvant prendre plusieurs valeurs, appeles allles [Mes99].

Le principe des algorithmes gntiques repose sur une analogie entre un individu
dans une population et la solution dun problme parmi un ensemble de solutions
potentielles : un individu (une solution) est caractris par une structure gntique
(codage des solutions du problme). Selon les lois de survie de Darwin, seuls les
individus les plus forts (les meilleures solutions) survivront et pourront donner
une descendance. Les oprateurs de croisement et de mutation (recombinaison et
mutation des codages des solutions) permettent de se dplacer dans lespace des
solutions du problme. A partir dune population initiale et aprs un certain
nombre de gnrations, on obtient une population dindividus forts, cest dire de
bonnes solutions du problme considr.

Les oprateurs utiliss par les algorithmes gntiques sont les oprateurs de
slection, les oprateurs de croisement et les oprateurs de mutation :
- loprateur de slection a pour objectif de choisir les individus qui vont
pouvoir survivre et/ ou se reproduire pour transmettre leurs caractristiques
la gnration suivante. La slection se base sur le principe de conservation
des individus les mieux adapts et dlimination des moins adapts [Hao99].
- loprateur de croisement, assurant le brassage et la recombinaison des gnes
parentaux, permet de former des descendants aux potentialits nouvelles.
tant alatoire, cet oprateur agit selon une probabilit Pc fixe par
lutilisateur en fonction du problme optimiser [Mes99].

48

- loprateur de mutation consiste changer, alatoirement, la valeur de
certains allles dans un individu. Sans elle, on aura une population uniforme,
incapable dvoluer. La mutation classique consiste changer un 0 par un 1
et inversement.

Les travaux de recherche sur les algorithmes gntiques a pour souci principal
lamlioration de la robustesse, lquilibre entre la performance et le cot
ncessaire la survie dans des environnements nombreux et diffrents [Gol94].

1. Calcul de la population initiale
Construire une population de solutions ralisables
2. Calcul des nouveaux individus
Accrotre la population en ajoutant des individus issus de mutations
ou de croisements dindividus de la gnration prcdente
3. Slection des individus
Slectionner les meilleurs individus pour revenir la taille
de la population initiale
4. Condition darrt
Recommencer les croisements et les mutations jusqu vrifier
une condition darrt

Fig. 1.6. Algorithme gntique simple


49

Les algorit hmes de colonies de fourmis
Les algorithmes dOptimisation par Colonies de Fourmis (OCF), figure 1.7., sont
proposs pour rsoudre des problmes NP-difficiles. Ces algorithmes sont ns la
suite de constatations faites sur le comportement des fourmis qui sont capables de
trouver le chemin le plus court du nid une source de nourriture et de sadapter
aux changements de lenvironnement et ceci grce la phromone (substance leur
permettant de laisser une trace sur leur chemin). Ces algorithmes ont donc pour
but de reproduire le comportement naturel des fourmis pour trouver la meilleure
solution possible plusieurs types de problmes [Gag01].

Algorithme gnral
Tant que la condition darrt nest pas atteinte faire
{Initialisation}
1. Gnrer et activer la colonie de fourmis
2. Initialiser la phromone
{Dbut de loptimisation}
Chercher le chemin de chaque fourmi
Mettre jour la phromone
{Fin de loptimisation}
3. Retenir la meilleure solution
Fin Tant que

Fig.1.7. Algorithme de lOCF


50

1.5.3.3. Mthodes de relaxation des contraintes
Les mthodes de relaxation ont un double rle dans la rsolution de problmes
d'optimisation combinatoire [Geo74]. Elles donnent de bonnes bornes infrieures
pour augmenter lefficacit de mthodes branch and bound d'une part, et sont
la base de mthodes de rsolutions comme la relaxation lagrangienne [Fis76]
[Fis81], d'autre part. Le principe de ces mthodes et de relaxer un certain nombre
de contraintes de faon rendre plus facile la rsolution du problme. Dans le cas
du job-shop, une relaxation des contraintes de ressources et ensuite une relaxation
des contraintes de gammes opratoires, peut tre envisageable [Fis83]. Cette
mthode donne de bonnes solutions pour des problmes de petite taille mais na
pas t teste pour des tailles plus importantes.

1.5.3.4. Mthodes de dcomposition
Les mthodes de dcomposition ont pour principe de diminuer la complexit du
problme en dcomposant le problme initial en plusieurs sous problmes plus
faciles rsoudre. Lobjectif dune telle approche est de regrouper les jobs utilisant
le mme ensemble de machines. Le but est alors de rendre les plus indpendants
possibles les groupes de jobs [Pen94]. Pour cela, il faut quun job nutilise que des
machines lies son groupe, et quune machine ne traite que des jobs dun mme
groupe. Pour dcomposer un problme de ce type, des mthodes comme la
technologie de groupe peuvent tre utilises [Dri87] [Por88]. Quand le problme
est dcomposable, deux cas se prsentent : la dcomposition est dite parfaite
lorsque les sous problmes sont compltement indpendants, la rsolution de
chacun des sous-problmes sparment donnant une solution globale de
l'ordonnancement. Si la dcomposition nest pas parfaite lorsque certains jobs
passent sur des machines lies des groupes diffrents, la rsolution de chaque
sous problme ne donnant pas une solution ralisable du problme global [Leo91].


51

1.6. Conclusion
Dans ce chapitre, nous avons prsent un tat de lart sur les problmes
dordonnancement dateliers et les approches utilises pour rsoudre ce type de
problme, combinatoire. Ces approches, quelles soient exactes ou approches,
restent incapables de rsoudre tous les problmes rels dordonnancement. De ce
fait, les mthodes hybrides donnent, en gnral, de meilleurs rsultats.
Les particularits dun problme ordonnancement dans un atelier de production
agroalimentaire, sont prsentes. Pour russir trouver la meilleure solution ce
type de problme, il faut dabord, dfinir les critres et les contraintes spcifiques
ce type dindustrie, savoir : la prissabilit des produits, le discount de
distribution et le cot de stock. Pour remdier ces problmes, un
ordonnancement temps rel et donc, dynamique, reste le mieux adapt.
Dans le chapitre suivant, la mthode branch & bound , qui est une mthode
exacte, est dveloppe et applique pour optimiser les critres retenus.


52

Chapitre 2

Optimisation de la fonction de cot
par la mthode branch & bound

2.1. Introduction
La mthode branch & bound ou Procdure de Sparation et dvaluation
progressive (PSE), est une mthode exacte doptimisation base sur une
numration contrle qui fournit, en gnral, une solution optimale. Elle consiste
construire une arborescence dont la racine correspond lespace des solutions
du problme initial. Dans le cas dun problme de minimisation, un majorant ou
une borne suprieure dune solution ralisable de la valeur de la fonction objectif,
est avant tout calcul en utilisant une mthode approche ou une heuristique. Elle
constitue une des mthodes pour rsoudre le problme de satisfaction de
contraintes.

2.2. Problme de satisfaction de contraintes
2.2.1. Introduction
Le problme de satisfaction de contraintes (Contraints Satisfaction Problem, CSP)
[Dec92] [Bap98] a t rsolu par plusieurs mthodes. Sa rsolution, seffectue, en
gnral, par lintermdiaire dun arbre de recherche, en plusieurs tapes : dabord
ltiquetage, ensuite le retour arrire (backtracking), et enfin la propagation.

53

Cette approche a fait ses preuves dans la rsolution des problmes
dordonnancement. Plusieurs applications industrielles ont confirm lefficacit de
cet outil de rsolution.

2.2.2. Dfinitions
Dfinition 2.1
Un problme de satisfaction de contraintes (CSP) est dfini par un ensemble de
variables et un ensemble de contraintes. Chaque variable peut prendre une valeur
choisie dans le domaine qui lui est associ. Les contraintes, quant elles, dcrivent
les combinaisons autorises de valeurs pour les variables. Lobjectif est dattribuer
une valeur chaque variable de sorte que toutes les contraintes soient satisfaites.

Dune manire plus explicite [Mon74] :
Une instance CSP, note P, est un quadruplet (X, D, C, R) avec :
1. X : un ensemble {x1, x2, ..., xn} de variables ;
2. D : un ensemble de domaines finis {dx1, dx2, ..., dxn}, dxi tant associ la
variable xi de X et contenant les valeurs que peut prendre la variable xi ;
3. C : un ensemble {c1, c2, ..., cm} de contraintes, chaque contrainte
i
c de C est
dfinie par lensemble de variables sur lesquelles elle porte ;
4. R : un ensemble {rc1, rc2, ..., rcm} de relations, rci tant relative la contrainte
i
c
et dfinie sur
i
x
x c
d
. Cette relation reprsente les affectations compatibles

entre les variables contraintes par
i
c .
Dfinition 2.2
tant donn Y X, une instanciation des variables de Y, Y = {y1,..., yk}, est un k-
uplet (v1,..., vk) de (dy1 dyk). Une instanciation est dite complte si elle porte sur
toutes les variables de X, partielle sinon. Le terme affectation est employ aussi au
lieu dinstanciation.

Chapitre 2 Optimisation de la fonction de cot par la mthode branch & bound

54

Dfinition 2.3
Une affectation A satisfait une contrainte c de C si A[c]rc. Sinon, A viole c. Une
instanciation A est qualifie de consistante si c C, c XA, A[c] rc ; elle est dite
inconsistante sinon. Autrement dit, une instanciation est consistante si elle ne viole
aucune contrainte. Dans la littrature, le terme cohrent est souvent employ (resp.
incohrent).

Dfinition 2.4
Une solution est une instanciation complte consistante. Autrement dit, une
solution est une affectation de toutes les variables de X avec des valeurs prises
dans leurs domaines respectifs, qui satisfait toutes les contraintes. Une instance P
est dite consistante si P possde au moins une solution. Elle est qualifie
dinconsistante sinon.
Les algorithmes d'tablissement de la consistance sont issus des techniques de
graphes. Un CSP est reprsent par un graphe de contraintes o les nuds
correspondent aux variables et les arcs sont tiquets par les contraintes. Ceci
implique que le CSP doit tre ramen un CSP binaire, cest--dire un CSP
nayant que des contraintes binaires.

2.2.3. Principe de rsolution dun CSP
Le principe de rsolution dun problme de satisfaction de contraintes est
constitu, gnralement, par un tiquetage, un backtracking et un arbre de
recherche.

2.2.3.1. Ltiquetage
Lors de la recherche dune solution, il faut tiqueter une ou plusieurs variables.
C'est ltape dtiquetage ou labelling qui consiste attribuer aux variables des
valeurs temporaires, qui doivent tre prises dans leurs domaines resp ectifs.


55

2.2.3.2. Le retour arrire backtracking
Le backtracking consiste construire progressivement une solution en
affectant les variables une par une et en revenant en arrire chaque chec
rencontr. Lorsque toutes les variables concernant une contrainte sont instancies,
la validit de cette contrainte est teste. Si la solution partielle viole une des
contraintes du problme, un retour arrire est effectu jusqu la dernire
instanciation partielle qui ne viole pas les contraintes et qui reprsente une
solution alternative celle qui vient dchouer.

Plus explicitement, lalgorithme de backtracking, not BT, limine les sous-espaces
des domaines de variables qui pourraient tre engendrs partir de la solution
partielle qui viole une ou plusieurs contraintes.
Ainsi, le backtracking ne parcourt pas toutes les solutions et explore donc moins
de solutions que lalgorithme gnral, puisquil limine les branches qui donnent
des mauvaises solutions vis--vis du critre optimiser. Cependant sa complexit,
dans le cas extrme reste exponentielle.

Plus formellement, tant donne une affectation consistante A, lalgorithme BT
tente dtendre de faon consistante A. Dans ce but, il choisit une variable x parmi
les variables non instancies et lui attribue une valeur v issue de dx. Lordre
dinstanciation des variables peut alors tre soit prdfini, soit calcul grce une
heuristique. Il en est de mme pour lordre dinstanciation des valeurs. Ainsi, BT
tend laffectation A en A {x v}. Il value alors la consistance de laffectation
en vrifiant que A {x v} ne viole aucune contrainte liant x et une variable
affecte dans A. Si A {x v} est inconsistante, BT essaie dtendre A avec une
nouvelle valeur pour x. Sil nexiste plus de valeur possible dans le domaine de x,
alors il faut revenir en arrire sur la variable instancie juste avant x. Si
laffectation A {x v} est consistante, BT cherche ltendre comme
prcdemment.

56

La recherche se poursuit soit jusqu ce que toutes les variables aient t
instancies de faon consistante (cest--dire jusqu' lobtention dune solution),
soit jusqu ce que toutes les possibilits aient t envisages. Lalgorithme BT est
dcrit la figure 2.1. A reprsente laffectation courante et V lensemble des
variables non instancies.
Initialement A = ; et V = X. La complexit en temps de cet algorithme est
exponentielle.

BT (A, V)
1. V
2. Choisir x V
3. d dx
4. Consistance Faux
5. Tant que d ; et Consistance Faire
6. Choisir v dans d
7. d d\ {v}
8. Si c C telle que c viole A {x v}.
9. Alors Consistance BT (A {x v}, V \ {x})
10. Fin Si
11. Fin Tant que
12. Return Consistance
13. Fin Si

Fig.2.1. Algorithme backtracking [Ter02]


57

2.2.3.3. Arbre de recherche
La recherche dune solution passe par le parcours dun arbre de recherche. Soit un
exemple simple avec deux variables x et y (sans tenir compte des contraintes qui
les relient). Au premier point de choix, on peut choisir entre les valeurs de x. Si on
choisit une valeur de x, on doit effectuer un autre choix pour y. Si une certaine
valeur de y choue lors de la vrification des contraintes, on effectue un retour
arrire jusquau plus proche point de choix possdant une branche non encore
explore, et ainsi de suite jusqu ne plus avoir de point de choix disponible ou
jusqu ce quune solution est rencontre.

Exemple
Etant donn un problme dordonnancement de type job-shop form de trois
machines M1, M2, M3 et deux jobs J1 et J2. Le but est de dterminer
lordonnancement des jobs sur ces trois machines tout en respectant les contraintes
de problme dont lobjectif est doptimiser la date de fin de lordonnancement le
Cmax. Larbre de recherche binaire, figure 2.4, dans lequel une disjonction est fixe
dans chacun des nuds, peut tre employ pour rsoudre ce problme.
Loptimum est 20 (la feuille cercle dans la figure 2.2). Supposons quune solution
heuristique a t trouve (avec une valeur de 30, cette valeur reprsente une borne
suprieure BS du problme considr) mais aucune borne infrieure na t
calcule. La recherche commencera partir du noeud marqu 120 dans larbre. Ce
noeud dpasse la borne suprieure, il nest pas donc une solution acceptable.
Depuis la borne suprieure a t respecte dans son nud pre, on peut conclure
que le choix de J1 J2 nest pas satisfaisant pour la machine 3.
Le prochain noeud explor est ainsi celui dont la valeur est 80. La borne
suprieure est une fois de plus est dpasse. Pour la mme raison comme ci-
dessus, elle est en raison de choix J2 J1 sur la machine 3. Il ny a aucune autre
possibilit tre examine.


58

Mais dans le cas o J1 est ordonnanc en premier puis J2 sur la machine 1 ainsi
que sur la machine 3. Cette solution excde aussi la borne suprieure.

Fig. 2.2. Arbre de recherche binaire pour le jop -shop 2x 3

2.2.4. Principe de la propagation de contraintes
Pour rsoudre le problme de satisfaction de contraintes, la programmation de
contraintes est applique. Un CSP est dcrit par un ensemble de variables, un
ensemble de valeurs possibles (domaine) pour chaque variable, et un ensemble de
contraintes liant ces variables. Le but est de trouver une attribution des valeurs de
ces variables, de manire satisfaire les contraintes. Ces contraintes peuvent tre
dcrites implicitement, par exemple par une formule arithmtique ; ou
explicitement, chaque contrainte est un ensemble de valeurs satisfaisant cette
contrainte. La rsolution se fait le plus souvent travers un algorithme de
recherche se basant sur un arbre de recherche o, chaque tape, certaines valeurs
sont instancies par des valeurs. Une technique de retour en arrire permet de
contrler le dveloppement de larborescence pour viter son explosion, figure 2.3.

Machine 1
Machine 2
Machine 3
J1 J2
J1 J2
J1 J2
BS = 30
J1 J2
J1 J2
J1 J2
J1 J2
J2 J1
J2 J1
J2 J1 J2 J1
J2 J1 J2 J1
120 80 70 50 40 20 40 50

59

Fig. 2.3. Comportement dun systme de propagation de contraintes [Bap98]

Exemple
Considrons le CSP binaire P = (X, D, C, R), avec :
X = {x1, x2, x3, x4, x5},
D = {d1, d2, d3, d4, d5} avec d1 = d2 = d3 = {1, 2, 3} et d4 = d5 = {1, 2},
C = {c12, c13, c15, c23, c24, c35} avec cij = {xi, xj},
R = {r12, r13, r15, r23, r24, r35}.
Les relations qui relient les variables sont les suivantes :
- r12 : x1 x2,
- r13 : x1 x3,
- r15 : x1 x5,
- r23 : x2 x3,
- r24 : x2 x4,
- r35 : x3 x5.
Dfinition du
problme
Prise de dcision
et retour arrire
Solution
partielle
Propagation de
contraintes
D
c
i
s
i
o
n

N
o
u
v
e
l
l
e
s

c
o
n
t
r
a
i
n
t
e
s

P
r
o
p
a
g
a
t
i
o
n

C
o
n
t
r
a
i
n
t
e
s

d
d
u
i
t
e
s

Contraintes initiales

60

Le graphe de contraintes (X, C) associ P est reprsent dans la figure 2.4
suivante :

Fig.2.4. Graphe de contraintes associ P

r35
x3 x5
1
1
2
1
2
2
r24
x2 x4
1
1
2
1
2
2
r23
x2 x3
1
1
2
2
3
3
2
3
1
3
1
2
r15
x1 x5
1
1
2
1
2
2
r12
x1 x2
1
1
2
2
3
3
2
3
1
3
1
2
r13
x1 x3
1
1
2
2
3
3
2
3
1
3
1
2
x3
x1
x4
x2
x5
c12
c35
c15
c13
c23
c24

61

2.2.5. Propagation de contraintes et ordonnancement
Dans le problme dordonnancement disjonctif non premptif, par exemple, si
deux oprations Oi et Oj exigent la mme ressource R, daprs la contrainte
disjonctive, ces deux oprations ne peuvent pas tre excutes au mme temps.
Dans ce cas, elles sont lies par la contrainte de prcdence suivante :
Oi prcde Oj ou Oj prcde Oi . Si n oprations requirent la mme ressource R
alors il y aura n * (n - 1) / (explicite ou implicite) contraintes disjonctives. Quant
aux contraintes de temps , plusieurs variantes existent dans la littrature [Bap98].
Ce type de contrainte peut scrire :

fin (Oi) dbut (Oj) ou fin (Oj) dbut (Oi)

En effet, quand la plus petite date de fin possible de Oi dpasse la plus grande date
de dbut possible de Oj , Oi ne peut pas prcder Oj et donc Oj doit prcder Oi.

De ce fait, les dates de dbut et de fin effectives de ces deux oprations doivent
tre mises jour suivant cette contrainte. De la mme faon, si la plus petite date
de fin possible de Oj dpasse la plus grande date de dbut possible de Oi , Oj ne
peut pas prcder Oi et donc Oi doit prcder Oj. Dans le cas o aucune des deux
oprations ne peut prcder lautre, une contradiction est dtecte.

Exemple
Pour cet exemple, deux oprations requirent la mme ressource et ne peuvent pas
sexcuter en mme temps. Lopration O1 prcde lopration O2 ou inversement.
La date de fin au plus tt de chaque opration ne doit pas dpasser sa date au
dbut au plus tard. La propagation de contrainte disjonctive impose que la date
effective de fin de O1 soit infrieure ou gale la date effective de dbut de O2,
tableau 2.1.

Chapitre 2 Optimisation de la fonction de cot pa r la mthode branch & bound

62

Tab. 2.1. Contraintes temporelles
Avant propagation
i
r
i
d
i
p
O1 0 4 2
O2 1 5 2
propagation
i
r
i
d
i
p
O1 0 3 2
O2 2 5 2

o
i
r ,
i
d et
i
p reprsentant respectivement la date de dbut au plus tt, la date de
fin au plus tard et la dure opratoire de lopration Oi.

La figure 2.5 montre que, pour le cas (a), cette solution nest pas envisageable car
elle ne respecte pas la contrainte disjonctive (lopration O1 et lopration O2
sexcutent au mme temps entre les instants 2 et 3). Ce problme est rsolu par la
propagation de cette contrainte en mettant jour les dates de dbut et de fin des
oprations, cas (b).
O1
O2
0 1 2 3 4 5 6
Fig. 2.5. Propagation de contrainte disjonctive
temps dexcution de Oi
temps dattente de Oi
(a) avant propagation
(b) propagation
0 1 2 3 4 5 6
O1
O2

63

2.3. Mthode branch & bound
2.3.1. Principe
Cest lune des mthodes exactes doptimisation qui peut rsoudre le Problme de
Satisfaction de Contraintes (CSP). Elle est base sur un arbre de recherche. Le
principe de la mthode branch & bound se traduit par deux concepts : le
branchement, ou encore la sparation, et lvaluation.

2.3.1.1. La sparation
La sparation consiste dcomposer un sommet reprsentant lespace de solutions
en sous-ensembles, cette sparation exige de ne pas perdre ni ajouter des
solutions. En dautres termes, cette sparation est base sur le partage, tout en
considrant le critre optimiser, entre lensemble des solutions admissibles
contenues dans un mme sommet (nud) de larborescence et des solutions
irralisables ou moins intressantes par rapport aux solutions dj obtenues.

2.3.1.2. Lvaluation
Lvaluation dun sommet consiste minorer ou majorer les solutions associes
afin dviter les branches inutiles cest--dire ne conduisant pas une solution.
Ainsi, cette exploration intelligente de lespace de recherche est ralise grce
des valuations des branches et des comparaisons avec une borne infrieure (un
minorant) du critre optimiser. Dans les problmes de grande taille, il sera
ncessaire daffiner la valeur du minorant (majorant) pour viter lexplosion de
larbre de recherche.

2.3.2. Branch & bound et ordonnancement
Dans la littrature, la mthode de sparation et dvaluation progressive, branch
& bound , a t applique dans plusieurs domaines et par beaucoup de
chercheurs. Barker et McMahon [Bar85] et Carlier [Car89], entre autres, ont

64

contribu au progrs des approches exactes, qui sont principalement bases sur la
mthode branch & bound .

Ils ont gnralement envisag des problmes dordonnancement et ont comme
repre des benchmarks comme dfi informatique pour dmontrer lefficacit
de leurs algorithmes, et la meilleure solution connue pour un problme a t
amliore. En 1989, Carlier et Pinson ont russi rsoudre un problme
dordonnancement de faon optimale par une mthode branch & bound
[Car89]. Depuis lors, Brucker et al. [Bru94] [Bru97], Martin et Shmoys [Mar96], et
Carlier [Car94] ont amlior lexcution et lefficacit des approches exactes pour
les problmes NP-difficiles. Plus rcemment, Rivereau [Riv99] a travaill sur le
problme flow-shop ; son travail a t inspir de [Pot80] et [Car96], et Guret et al.
[Gu00], ont travaill sur le problme, open-shop.

2.3.3. Algorithme gnral
Parmi les mthodes de rsolution exactes de problmes doptimisation
combinatoire et en particulier de problmes dordonnancement, la procdure de
sparation et dvaluation progressive est la plus utilise.

Lalgorithme gnral correspondant est le suivant [Zri05]:
- diviser lespace de recherche en sous-espaces (branches),
- chercher une borne suprieure (infrieure) dune fonction objectif
relative chaque sous-espace de recherche,
- liminer les mauvais sous-espaces (suivant le(s) critre(s)
optimiser),
- reproduire les tapes prcdentes jusqu obtenir loptimum global.
Un exemple dalgorithme pour un problme de minimisation est donn dans la
figure 2.6.


65

tape 1
Initialisation
Calculer une borne suprieure BS
tape 2
Sparation
Slectionner le sommet (nud) sparer et crer ses fils
tape 3
valuation
Pour tous les sommets S crs faire
Si S reprsente une solution complte alors
calculer sa valeur pour le critre doptimisation et mettre jour BS
Sinon calculer la borne infrieure BI
Fin Si
Fin Pour
tape 4
limination
liminer tout sommet tel que BI > BS
t ape 5
Critre d' arrt
Si tous les sommets ont t limins alors arrter
Sinon aller ltape 2

Fig.2.6. Algorithme gnral du ne PSE


66

2.3.4. Exemple dalgorithme
Lalgorithme de la figure 2.7, propos par Carlier [Car82], permet de rsoudre de
manire exacte des instances de problmes de type 1| ri| max (Ci + qi) relatif au
problme une machine avec des dates de dbut au plus tt et dont lobjectif est
de minimiser le makespan. La mthode possde la particularit de dcrire un
ordonnancement complet chaque nud et repose sur le principe que
lalgorithme de Schrage [Sch71] il peut toujours fournir la solution optimale du
problme une machine si on modifie les donnes de ce dernier pour certaines
oprations. Cet algorithme va donc permettre dans un premier temps de calculer
la borne suprieure du problme et dans un second de gnrer lordonnancement
dun nud. La sparation consiste augmenter une contrainte sur une opration.

Not at ions
i
t : date effective de dbut dexcution de lopration i
i
r : date de dbut au plus tt de lopration i
i
p : dure opratoire de lopration i
i
q : dure de latence de lopration i
: borne suprieure relative au makespan
max
C ( critre optimiser)
i
C : date de fin dexcution de lopration i


67
Un problme dordonnancement une machine, not
0
P , est dfini par { } ; ;
i i i
r p q ;
1. Initialiser
0 a
P P et .
2. Appliquer une heuristique*
a
P et obtenir lordonnancement de Schrage
[Sch71] et son makespan ( )
max a
C P , lopration critique** c et l'ensemble
critique*** J.
3. Si ( )
max a
C P < , maintenir alors
a
P comme meilleur ordonnancement,
b a
P P et mettre jour = ( )
max a
C P .
4. Gnrer
l
P et
r
P dfinis par
{ } { }
, , , ,
l l l r r r
i i i i i i
r p q et r p q en utilisant
respectivement les quations (2.1) et (2.2).
5. Calculer ( )
l
P , la borne infrieure de
l
P , comme
( ) ( ) ( ) { }
max
( ) max , ,
l a l l
P C P h J h J c o
l
h est calcul par (2.3) avec
l
h = h
et{ } { }
, , , ,
l l l
i i i i i i
r p q r p q . Calculer ( )
r
P de la mme manire que ( )
l
P .
6. Ajouter le nouveau noeud
l
P larbre de recherche reprsentant un nud
enfant pour
a
P si ( )
l
P < et ajouter
r
P si ( )
r
P < .
7. Mettre jour
a
P comme un noeud de la plus faible borne parmi des
noeuds qui ne sont pas encore t visits.
8. Rpter de ltape 2 ltape 7 jusqu' ce quil ny ait aucun noeud qui nest
pas encore visit.
9. Pb reprsente un ordonnancement optimal pour
0
P .
Fig. 2.7. Algorithme PSE [Car82]
* lheuristique MRW (Most Remaining Work) qui consiste placer en priorit
lopration de plus grand
i
q .
** une opration critique c est dfinie comme la dernire opration de lensemble
critique J tel que
n
c j
q q < ,
*** un ensemble critique J, ( )
1 2
, ,...,
n
J j j j , choisi de telle sorte quaucune
opration ne sexcute pendant lintervalle de temps
1 1
1,
j j
t t 1
]
.

68

( )
_

,
+
max ,
r l
k k c c
k J
q q p q 2.1

_

,
+
max min ,
r r
k k c c
k J
k J
r r r p 2.2
( )
1
1
1
1
min min
i I i I
i I
r
i
i i
I h p iq

+ + 2.3

2.4. Optimisation de la fonction de cot- Position
du problme

2.4.1. Prsentation
Les systmes dordonnancement, utiliss jusqu maintenant, construisent, en
rgle gnrale, des ordonnancements imprcis cause dun manque de
connaissance sur les particularits des ateliers et des lots de fabrication qui y
accdent [Vac00]. Le problme dordonnancement en industries agroalimentaires
nchappe pas ces difficults, bien au contraire il est plus complexe et plus
difficile rsoudre. En effet, les principaux problmes que peut rencontrer tout
atelier de fabrication sont : le problme de la gestion des en-cours de fabrication, la
rpartition des charges des diverses ressources de latelier, que ce soit des
ressources humaines ou matrielles et la rduction du retard ou de lavance
durant le processus de fabrication. Il sagit donc de dvelopper un outil daide
lordonnancement dynamique adapt lindustrie agroalimentaire, afin de tenir
compte des diffrentes contraintes et des frquents alas dus la nature des
produits manipuls savoir les produits agroalimentaires. Ces derniers ont la
particularit davoir des dates limites de validit assez courtes.


69

2.4.2. Systme dordonnancement ractif en temps rel
Un systme dordonnancement ractif est un systme capable de rtablir un
ordonnancement rapidement et efficacement en rponse un vnement
inattendu [Lio98]. En effet, plusieurs problmes dordonnancement se
caractrisent par des perturbations de fonctionnement. Ces alas sont
gnralement dtectables lors de la phase de la mise en uvre dune solution
dordonnancement.
Dautre part et dans un cadre multicritre, dautres alas peuvent galement avoir
lieu. Ce sont les incertitudes concernant lexpression des choix et des prfrences
donns soit par un dcideur soit par un utilisateur [Kac03]. Lordonnancement
temps rel est alors trs complexe vu le nombre dinformations traiter et
linfluence de ces perturbations et alas au cours de la production. Cest pour ces
raisons que lintervention humaine ce niveau est cruciale. Il sensuit quune
interaction suffisante et efficace est ncessaire pour pouvoir agir devant deux
problmes importants la fois, savoir loptimisation et lvaluation. La figure
2.7 suivante prsente un systme dordonnancement temps rel.

Fig. 2.7. Comportement dun systme dordonnancement temps rel

Systme
dordonnancement
temps rel
Suivi
Informations
Rsultats
de production
Consignes
de production

70

2.5. Application de la mthode branch & bound dans
les industries agroalimentaires

2.5.1. Introduction
Actuellement, toute entreprise se doit dtre performante par rapport aux
entreprises concurrentes que se soit sur le plan technique soit sur le plan
conomique. Lamlioration de la gestion de production est la base de toute
recherche dans le domaine de la productivit accrotre. La productivit est la clef
de la survie et du dveloppement des entreprises industrielles.
La loi du march ncessite une remise en cause des produits fabriqus. Les
transformations et les amliorations de produits, sont de plus en plus frquentes et
la notion de flexibilit est fortement lie cette volution. Cette flexibilit est
ncessaire surtout dans les industries agroalimentaires. La concurrence exige que
lentreprise de production agroalimentaire, en particulier, se dote dun systme de
production efficace qui ragisse rapidement aux contraintes et son
environnement et en particulier aux exigences et aux volutions du march.

Deux types dvolutions non antagonistes, bien au contraire, semblent merger
pour tenter de rpondre au problme de la survie de lentreprise [Vac00]:
3. lintgration cohrente de la gestion de production avec une importance
particulire pour la transmission des informations et de la communication ;
4. lautomatisation de la fabrication pour lamlioration de lexcution des
tches et de lensemble des flux physiques.
Parmi les diffrentes fonctions de la gestion de production, nous nous intressons
plus particulirement lordonnancement dynamique dans les industries
agroalimentaires.


71

2.5.2. Description du problme dordonnancement dynamique
Etant donn un ensemble E de n oprations ordonnancer sur une mme
machine avec pour but doptimiser certain(s) critre(s), lalgorithme branch and
bound est tabli en construisant dynamiquement un arbre de recherche. La
racine de larbre, constituant le niveau 0, est un noeud vide ne possdant aucune
opration. De ce nud, il y a k noeuds enfants (branches) reprsentant tous les
ordonnancements admissibles. Au niveau j (j > 1), quand la prochaine opration
est considre, la relation de dominance entre les oprations est examine,
lopration dominante tant celle qui satisfait au mieux le(s) critre(s) considr(s).
Si la relation de dominance est satisfaite, la recherche continue dans cette branche.
Si celle-ci nest pas satisfaite, la recherche est avorte pour cette branche (branche
lague). En gnral, les relations de dominance amliorent lefficacit dun
algorithme branch-and -bound en contraignant lespace de recherche. Pendant
la recherche, nimporte quelle branche inacheve, qui a une borne infrieure qui
est suprieure ou gale la borne suprieure courante, est sonde. La recherche
suit une premire stratgie en profondeur puis horizontalement [Tan06c].

2.5.3. Optimisation de la fonction objectif
2.5.3.1. Notion de dominance
En ordonnancement, le concept de dominance dun sous-ensemble de solutions est
important afin de limiter la complexit algorithmique lie la recherche dune
solution optimale au sein dun grand ensemble de solutions. Pour trouver une
solution optimale aux problmes doptimisation multi-objectifs, constituant un
ensemble de points, il savre ncessaire de dfinir une relation dordre entre ces
lments dite relation de dominance, pour identifier les meilleurs compromis. La
rgle de dominance est une contrainte qui peut tre ajoute au problme initial
sans changer la valeur de loptimum [Jou02]. La plus utilise est celle dfinie au
sens de Pareto [Bar03].


72

2.5.3.2. Position du problme
Il sagit de construire un ordonnancement multicritre adapt lindustrie
agroalimentaire. Parmi les contraintes et les critres spcifiques cette industrie,
on distingue la prissabilit des produits et le discount de distribution. Lobjectif
est alors de slectionner parmi lensemble des oprations candidates
ordonnancer, celle qui prsente le meilleur compromis entre les diffrents critres
en rduisant et en filtrant lespace de recherche initial. La dcision dliminer ou
de maintenir une opration permet dviter la premption de certains composants
et entrane la diminution des cots de ces composants prims ainsi que du cot
de discount de distribution.

2.5.3.3. Schma de sparation
Le schma de sparation utilis pour notre application concernant loptimisation
de la fonction de cot pour un atelier de production agroalimentaire, est inspir de
[Riv99]. La procdure arborescente tente de construire la meilleure permutation
qui donne la squence optimale Si en fixant progressivement des oprations
depuis le dbut et la fin de la squence. Ainsi, tout nud i de larbre de recherche
est identifi par un triplet( ) , , t o t est la date indiquant le dbut de la
squence, la fin de lordonnancement et lensemble des oprations non
encore ordonnances.
Soit BI( ) , , t une borne infrieure sur le nud i ( ) , , t . Les ensembles E et S
reprsentent des nuds dentres et de sorties associes ( ) , , t . Ces nuds
sont dfinis par :
E( ) , , t = {j / BI ( t (j), \ {j}, ) =BS}
S ( ) , , t = {j / BI ( t , \ {j}, (j)) =BS}

o BS reprsente une borne suprieure du critre optimiser.


73
Une fois ces deux ensembles calculs, un nouveau nud est tabli en fixant soit
une nouvelle entre si le cardinal de E est infrieur celui de S, soit une nouvelle
sortie dans le cas contraire.

2.5.3.4. Application des rgles de dominance des oprations
lordonnancement
v Formulation du problme
Soit un ensemble E de n oprations ordonnancer entre deux squences P et A
doprations dj ordonnances. Pour un couple doprations Oi et Oj
de lensemble E des oprations candidates lordonnancement , le problme est
de dterminer laquelle de ces oprations est ordonnancer en premier, cest dire
lopration dominante, dont le but est de minimiser :
le cot des produits prims, engendr par la premption de
certains composants primaires ncessaires pour la fabrication du
produit fini P ;
l e cot du discount de distribution reprsentant la perte sur le
prix de vente du produit fini, proportionnel la dure du
stockage du produit fini avant sa livraison.

Il sagit donc, de filtrer lespace de recherche pour construire un ordonnancement
qui satisfait ces critres tout en respectant les contraintes [Gar01].
v Calcul des cots relatifs aux produits prims et au discount
de distribution
Dans le cas gnral, le cot des produits prims ( )
1
K S et celui du discount de
distribution ( )
2
K S scrivent comme suit [Tan06b] :

( )
( )
( )
1
0, max
ijk
rev
ijk
j k
ijk
i
i
ij
ij
t v
K P
t v
S

_

,

2.4

74

( ) ( )
2
max 0,
i
i
ven
liv st k i
i i
i
P
i P P P
P P
i
P
K d C C
Dv Dr
S +
_

,
2.5

La fonction de cot, reprsentant le cot total, est la somme de ces deux cots :

( ) ( ) ( )
1 2
tot
K S K S K S +
2.6

Remarque : Les coefficients
i
et
i
favorisent une gamme par rapport une
autre ; par exemple, dans le cas o une commande urgente est plus intressante
(du point de vue cot) quune autre qui est en cours de production, la commande
qui est en urgence est alors favorise et lance en production alors que la
production de lautre gamme est interrompue.

2.5.3.5. Exploration et tude des diffrents cas dordonnancement
Afin de mettre en uvre la mthode propose, est trait lexemple donn au
paragraphe prcdent. Pour avoir le meilleur ordonnancement qui optimise les
critres cits, tous les cas ralisables sont, dans cette partie, tudis puis compars,
figure 2.8. Cet ordonnancement est ensuite dtermin en vue de son exploitation.

cas 1 : Ordonnancement initial S1,
cas 2 : Ordonnancement S2, relatif lchange entre lopration Oij
et lopration Oik,
cas 3 : Ordonnancement S3, relatif linsertion de lopration Oik
juste aprs la squence P,
cas 4 : Ordonnancement S4, relatif la permutation entre lopration Oij
et lopration Oik du cas 3


75

Remarque : pour cet exemple on trouve quatre ces ralisables en respectant la
contrainte de prcdence qui exige que la squence doprations P est toujours en
premier ordonnancer et que les deux squences A et P ne doivent pas tre
successives.

2.5.3.6. Mise jour des dates
1
er
cas
Pour lordonnancement S1 o les squences A et P sont dj ordonnances, le cot
des produits prims ( )
1
K S est formul par lexpression (2.4) et le cot du
discount de distribution ( )
2
K S est formul par lexpression (2.5).

2
me
cas
Lchange entre les oprations Oij et Oik, tout en gardant la squence A, conduit
lordonnancement S2. Dans ce cas, il faut mettre jour les dates de dbut et de fin
des oprations.
Soient :
ik
t , date effective de dbut de lopration Oik,
( )
max ,
ik fP ik
t d r
ik
, date de fin de lopration Oik,
( )
max ,
ik fP ik ik
d r p +

2 A
t , date de dbut effective de la squence A,
( )
2
max ,
A ik A
t r
S1 Oij
A
P Oik
S2 Oij
A
P Oik
S3 Oij A
P
Oik
S4 Oik A
P
Oij
temps
temps improduct if
Fig.2.8. Cas dordonnancements

76

2 A
, date de fin effective de la squence A,
( )
2
max ,
A ik A A
r p +

ij
t
, date effective de dbut de Oij,
( )
2
max ,
ij A ij
t r
ij
, date de fin de Oij,
( )
2
max ,
ij A ij ij
r p +

3
me
cas
Pour le cas de linsertion de lopration Oik juste aprs la squence P,
lordonnancement S3 est obtenu et les dates sont mises jour comme suit :

ik
t , date effective de dbut de lopration Oik,
( )
max ,
ik fP ik
t d r

ik
, date de fin effective de lopration Oik,
( )
max ,
ik fP ik ik
d r p +

ij
t , date effective de dbut de Oij,
( )
max ,
ij ik ij
t r

ij
, date de fin de Oij ,

( )
max ,
ij ik ij ij
r p +

3A
t , date effective de dbut de la squence A,
( )
3
max ,
A ij A
t r

3A
( )
3
max ,
A ij A A
r p +

4
me
cas
Pour le cas de linsertion de lopration Oik juste aprs lopration Oij,
lordonnancement S4 est obtenu et les dates sont mises jour comme suit :

ij
t , date effective de dbut de lopration Oij,
( )
max ,
ij fP ij
t d r

ij
, date de fin effective de lop ration Oij,
( )
max ,
ij fP ij ij
d r p +

ik
t , date effective de dbut de Oik,
( )
max ,
ik ij ik
t r
ik
, date de fin effective de Oik,
( )
max ,
ik ij ik ik
r p +
4 A
t , date effective de dbut de la squence A,
( )
4
max ,
A ik A
t r
4 A
( )
4
max ,
A ik A A
r p +


77

2.5.3.7. Application
Considrons lexemple suivant relatif une gamme de quatre produits Pi,
i= {1,,4} compos chacun de :

lopration Oi1 est forme de trois composants :
11 12 13
, , ,
i i i
c c et c ;
Oi1 = { }
11 12 13
, ,
i i i
c c c
lopration Oi2 est forme de deux composants
21 22
, ,
i i
c et c ; Oi2 ={ }
21 22
,
i i
c c
la squence A est compose de deux oprations Oi3 et Oi4, telles que
Oi3 = { }
31 i
c et Oi4 ={ }
41 42
,
i i
c c
1
i i

Pour cet exemple, le cot des produits prims peut tre formul comme suit :

( )
( )
( )
( )
( )
( )
( )
( )
( )
4 3 4 2
1 1 2 2
1 1 2
1 1 1 1 1 1 2 2
4 4 2
3 3 4 4
3 4
1 1 1 3 3 4 4
;
max
; ; ; ; ; ; ;
0, max 0,
max 0, max 0,
i i k i i k
i k i k
i k i k i i k i i k
i i k i i k
i k i k
i i k i i k i i k
t v t v
K S P P
t v t v
t v t v
P P
t v t v

+

+ +

et le cot du discount de distribution par :
( ) ( )
4
2
1
max 0,
i
i
ven
liv stk i
i i
i
P
P P P
P P
i
P
K d C C
Dv Dr
S
_

,

Les donnes relatives cet exemple sont prsentes dans le tableau 2.2.


78

Tab. 2.2.
O1 O2 O3 O4
i j
r

1 2 4 4
ij
p

2 3 6 6
1 ij
v
2 1 2 5
2 ij
v
3 2 - 6
3 ij
v
4 - - -
1
rev
ij
P 2 3 4 3
2
rev
ij
P 1 2 - 5
3
rev
ij
P 1 - - -
i
ven
P
P 7 6 8 8
i
P
Dv
16 13 12 12
i
P
Dr
12 9 10 10
i
liv
P
d 8 13 10 10
i
stk
P
C 5 2 1 1

En appliquant la mthode de rsolution propose, les ordonnancements non
ralisables sont alors lims et les cots relatifs chaque ordonnancement calculs.
Il vient les rsultats exprimentaux consigns dans le tableau 2.3.

Tab. 2.3. Rsultats exprimentaux
squences K1 K2 K
tot

O1 O2 A 7 61.75 68.75
O1 A O2 9 40.75 49.75
O2 O1 A 9 48.25 57.25
O2 A O1 11 28.00 39.00

Ces rsultats montrent que la diffrence entre le cot minimum et le cot
maximum est significative. La mthode de rsolution propose a aussi permis
dobtenir un bnfice intressant. Ce gain considrable se traduit par lcart entre
le cot minimum, 39, et le cot maximum, 68. 75. la meilleure solution, retenir,
est donc lordonnancement : P-O2-A-O1.


79

2.6. Conclusion
Lapproche dveloppe dans ce travail a permis de choisir, parmi plusieurs
solutions possibles, celle qui reprsente lordonnancement dont la fonction de cot
constitue du cot des produits prims et du cot du discount de distribution, est
minimale. Cette solution engendre un gain considrable vis--vis des critres
considrs du fait de la particularit des produits fabriqus en industries
agroalimentaires. Ainsi, moyennant des rgles de dominance des oprations et des
paramtres ncessaires pour le calcul des cots et des donnes de stock, peut tre
vite la premption de certains composants et produits semi-finis, en maintenant
dans lespace de recherche les oprations dont les composants possdent les dates
limites de validit les plus courtes. Au contraire, les oprations dont la dure de
vie est suffisamment longue et dont la ralisation peut engendrer un retard de
mise en fabrication dautres oprations, sont limines de lespace de recherche.
Dans le chapitre suivant, il sagit de dvelopper et dappliquer deux mthodes
approches : les algorithmes gntiques et les algorithmes doptimisation par
colonie de fourmis, afin de construire un ordonnancement dynamique adapt aux
industries agroalimentaires.


80

Chapitre 3

Optimisation multicritre
pour la construction
dun ordonnancement dynamique

3.1. Introduction
Un systme daide dcision est dvelopp dans cette partie. Lobjectif dun tel
processus est de trouver ou de dterminer la solution optimale. Il sagit de
construire un ordonnancement multicritre dynamique adapt aux ateliers de
production agroalimentaire. Ce systme a pour but de choisir et de maintenir dans
lespace de recherche lensemble des meilleures oprations au sens des critres
retenus. Deux approches ont t appliques pou r atteindre cet objectif. La
premire approche se base sur les algorithmes gntiques et la deuxime
reprsente les algorithmes doptimisation par colonie de fourmis.

3.2. Optimisation par les algorithmes gntiques
3.2.1. Introduction
Les Algorithmes Gntiques (AGs) sont des algorithmes dexploration fonds sur
les mcanismes de la slection naturelle et de la gntique.
Ils utilisent la fois les principes de la survie des structures les mieux adaptes, et
les changes dinformations alatoires, parfois guides, pour former un algorithme

81

dexploration qui possde certaines des caractristiques de lexploration humaine
[Gol94]. Ils ont t dvelopps par John Holland [Hol75] lUniversit de
Michigan avec deux objectifs atteindre :
mettre en vidence et expliquer rigoureusement les processus dadaptation
des systmes naturels,
concevoir des systmes artificiels (en loccurrence des logiciels) qui
possdent les proprits importantes des systmes naturels.

Caractriss par leur propre thorie et structure, les AGs se sont diffrencis des
autres mthodes doptimisation traditionnelles par leur mode daction. Un AG
modlise le processus dvolution collectif dune population dindividus pour
sadapter un environnement [Mes99]. Chaque individu va, non seulement
reprsenter un point de lespace des solutions du problme, mais aussi contenir la
connaissance actuelle de lindividu par rapport lenvironnement. La recherche
sur les AGs a pour souci principal lamlioration de la robustesse, lquilibre entre
la performance et le cot ncessaire la survie dans des environnements
nombreux et diffrents. Ayant t reconnus comme une approche valide des
problmes ncessitant une exploration performante et conomique du point de
vue du calcul, les algorithmes gntiques sont maintenant appliqus dans de
nombreux domaines : lingnierie, la distribution (le problme de voyageur de
commerce), lordonnancement, la logistique et la recherche scientifique en
optimisation en gnral.

3.2.2. Principe gnral des algorithmes gntiques
3.2.2.1. Concepts de base
Les AGs constituent une classe de stratgies de recherche ralisant un compromis
entre lexploration et lexploitation. Ils reprsentent des mthodes qui utilisent un
choix alatoire comme outil pour guider une exploration hautement intelligente
dans lespace des paramtres cods [Mes99].
Chapitre 3 Optimisation multicritre pour la construction dun ordonnancement dynamique

82

Ce sont des algorithmes itratifs de recherche globale dont lobjectif est
doptimiser une fonction prdfinie, appele fonction cot ou fonction fitness.
Les algorithmes gntiques emploient un vocabulaire emprunt la gntique
naturelle. Ils travaillent sur un ensemble dindividus appel population. Un
individu a deux reprsentations, appeles phnotype et gnotype. Le phnotype
reprsente une solution potentielle du problme optimiser en utilisant la
formulation originale du problme. Le gnotype donne une reprsentation code
dune solution potentielle sous la forme dun chromosome. Un chromosome est
form de gnes disposs en une succession linaire et chaque gne peut prendre
plusieurs valeurs appeles allles.

Par exemple, un chromosome se compose dune succession de 0 et de 1 (c.--d.
une chane binaire), et la valeur pour une certaine position correspond on (la
valeur = 1) ou off (la valeur = 0) dun certain dispositif. Des formes plus
sophistiques, telles quun ensemble de symboles et une permutation des
alphabets, sont choisis pour dcrire les chromosomes du problme optimiser.
Chaque individu a une fonction objectif f, fonction fitness, qui mesure ladaptation
de lindividu par rapport son environnement local. La thorie darwinienne
indique que, parmi des individus dune population, celui qui est le mieux adapt
lenvironnement local a le plus de chance de survivre et davoir un plus grand
nombre de descendants : cest la rgle de la survie du plus fort . Ainsi, la
fonction objectif f du problme doptimisation joue le rle dun critre
dadaptation [Yam03]. Un des points les plus importants des algorithmes
gntiques est la flexibilit dans la fonction objectif.
Un AG peut tre considr la base comme un processus alatoire. Cependant, les
informations qui viennent des fonctions objectifs sont toujours utilises pour
paramtrer ce processus. Le travail de recherche commence en plusieurs points
dans lespace des solutions, cest--dire sur une population de points et non pas en
un point singulier comme dans la plupart des techniques doptimisation [Vac00].

83

3.2.2.2. Les oprateurs
Un algorithme gntique simple utilise les trois oprateurs suivants : la slection,
le croisement et la mutation.

Loprat eur de slect ion
La slection est un processus dans lequel des individus dans une population sont
choisis selon les valeurs de leurs fonctions cot ou fitness pour former une
nouvelle population. Les individus voluent par des itrations successives de
reproduction et de slection, appeles gnrations. Chaque individu est slectionn
proportionnellement sa fonction fitness , donc, un individu avec une fonction
fitness plus leve aura plus de chance dtre slectionn quun autre avec une
valeur de fitness infrieure. Cette fonction peut tre envisage comme une
mesure de profit ou de qualit quon souhaite maximiser.
Un oprateur simple de slection est la technique de la roulette pondre o
chaque individu dune population occupe une surface de la roulette
proportionnelle sa valeur de la fonction fitness . Pour la reproduction, les
candidats sont slectionns avec une probabilit proportionnelle leurs fitness .
Pour chaque slection dun individu, une simple rotation de la roue donne le
candidat slectionn. Cependant cette slection nest pas parfaite. En effet le risque
de favoriser un individu ou un petit ensemble dindividus constitue un
inconvnient qui risque dappauvrir la diversit de la pop ulation.

Loprat eur de croisement
Le croisement est un oprateur de recombinaison. Les individus dans une
population sont coupls au hasard par paires qui reprsentent les parents.
Chaque paire dindividu subit le croisement, oprant sur les gnotypes (cest--
dire chromosomes) de deux individus appels parents. Il produit de nouveaux
individus (gnralement deux) appels enfants dont les gnes sont hrits de lun
ou/ et de lautre parent.

84

Ceci peut tre fait en ddoublant chacun des deux chromosomes dans des
fragments et les recombinant pour former de nouveaux chromosomes.

- Le croisement un point
Le croisement un point place un point de croisement au hasard , dans le cas o le
gnotype est une chane binaire de longueur n. Un enfant prend une section avant
le point de croisement dun parent et prend lautre section aprs le point de
croisement de lautre parent puis recombine les deux sections pour former une
nouvelle chane binaire. Lautre enfant se construit de faon inverse.

Exemple
Considrons P1 et P2 deux chanes binaires de longueur n = 7 correspondant aux
parents :
P1 = 0000 | 001
P2 = 1111 | 110
Le symbole | indique un point de croisement, et dans ce cas il est plac aprs le
quatrime bit.
Le croisement un point cre les deux nouveaux individus E1 et E2 comme suit :

E1 = 0000| 110
E1 = 1111| 001

- Le croisement deux point s
Le croisement deux points place deux points de croisement au hasard, et prend
une section entre les points dun parent et les autres sections en dehors des points
de lautre parent puis les recombine. Dans lexemple suivant, les deux points de
croisement sont placs respectivement aprs le premier et quatrime bit.


85

P1 = 0| 000| 001
P2 = 1| 111| 110
Le croisement deux points rsultant conduit aux deux individus suivants :

E1 = 0| 111| 001
E2 = 1| 000| 110

- Le croisement uniforme
Ce type de croisement a t propos par Syswerda [Sys91]. Il consiste choisir
avec la mme probabilit un allle de lun ou de lautre parent, pour transmettre
sa valeur la mme position, aux enfants.

Exemple
P1 = 0000001
P2 = 1111110
M = 1101001
E1 = 0010111
E2 = 1101000

M reprsente le masque de transmission dont le principe est le suivant : si la
valeur dans le masque est gale 1, alors la valeur de lallle du parent 1 passe
lenfant 1 (respectivement du parent 2 passe lenfant 2) ; sinon la valeur de
lallle du parent 1 passe lenfant 2 (respectivement du parent 2 passe lenfant
1), tout en respectant la mme position de lallle.

Loprat eur de mut at ion
La mutation opre sur le gnotype dun seul individu. Elle correspond une
erreur produite quand le chromosome est copi et reproduit ; cest--dire, pour
une chane binaire, elle consiste, par exemple, faire pour un allle un change

86

entre le 0 et le 1 . Si des copies exactes sont toujours garanties, alors le taux
de mutation est gal zro. Cependant, dans la vie relle, lerreur de copie peut se
produire dans des circonstances spcifiques comme la prsence du bruit. La
mutation change des valeurs de certains gnes avec une faible probabilit. Elle
namliore pas, en gnral, les solutions mais vite une perte irrparable de la
diversit.
Exemple
A = 10000 (avant mutation)
A

= 10100 (aprs mutation)

Dans cet exemple il y a un change entre le 0 et le 1 du troisime bit de lindividu
A pour obtenir lindividu A
.

3.2.2.3. Schma de principe et algorithme gnral
Schma de principe
Pour un problme doptimisation donn, un individu reprsente un point de
lespace de recherche, une solution potentielle, la valeur du critre optimiser, son
adaptation, lui est associe. Ensuite, dune faon itrative, figure 3.1, les processus
de slection, de croisement et de mutation, sont appliqus aux populations
dindividus. La slection a pour but de favoriser les meilleurs lments de la
population pour le critre considr (les mieux adapts), le croisement et la
mutation assurent lexploration de lespace de recherche.
Au dbut, une population alatoire dindividus est gnre. Pour passer dune
gnration i la gnration i+1, les oprations suivantes sont effectues. Dans un
premier temps, la population est reproduite par slection o les bons individus
se reproduisent mieux que les mauvais, au sens du critre considr. Ensuite, un
croisement aux paires dindividus (les parents) dune certaine proportion de la
population (une probabilit Pc gnralement autour de 0.6), est appliqu, pour en
produire des nouveaux (les enfants). Un oprateur de mutation est galement

87
appliqu une certaine proportion de la population (probabilit Pm, gnralement
trs infrieure Pc). Enfin, les nouveaux individus sont valus et intgrs la
population de la gnration suivante. Plusieurs critres darrt de lalgorithme
sont possibles : le nombre de gnrations peut tre fix a priori (temps constant)
ou lalgorithme peut tre arrt lorsque la population nvolue plus suffisamment
rapidement. Pour utiliser un algorithme gntique sur un problme
doptimisation, un principe de codage des individus, un mcanisme de gnration
de la population initiale et doprateurs permettant de diversifier la population au
cours des gnrations et dexplorer lespace de recherche, doit donc tre disposs
[Bar99].

Fig.3.1. Principe gnral dun algorithme gntique

Slection
valuation
Mutation
Croisement
Population
Gnration i
P2 P1

P
E1 E2
E
Population
Gnration i+1
Probabilit
Pm
Probabilit
Pc

88

3.2.2.4. Algorithme gnral
Lalgorithme gnral correspondant est le suivant :
tape 1 : Produire une population initiale dindividus.
tape 2 : Excuter les tapes suivantes jusqu satisfaction du critre darrt :
1. Assigner une valeur daptitude chaque individu de la population en
utilisant la fonction fitness
2. Crer une nouvelle population dindividus en appliquant les oprateurs
gntiques suivants. Ces oprateurs sont appliqus des chromosomes
choisis de la population avec une probabilit choisie sur laptitude :
Slection : reproduire un individu existant en le copiant dans la nouvelle
gnration ;
Croisement : crer deux nouveaux individus partir de deux individus
existants par recombinaison gntique de leurs chromosomes par
loprateur de croisement ;
Mutation : crer un nouvel individu partir dun individu existant en
subissant une mutation ;
tape 3 : Lindividu qui est dsign par la mthode de destimation du rsultat
est retourn comme tant le meilleur chromosome produit (meilleure
solution).

3.2.3. Application des algorithmes gntiques en
ordonnancement
Cette approche a t largement utilise ces dernires annes [Cab00]
[Yam03], [Ash04], etc. Lutilisation des AGs dans des nombreux domaines a fait
ses preuves notamment dans des problmes combinatoires tels que les problmes
dordonnancement [Dav85], [Nak91], [Yam92], [Del95]. Les problmes
dordonnancement dun atelier classique de type Jop-Shop (JSP) ont t largement
tudis et rsolus par les AGs [Ghe99], [Che96], etc. Dautres algorithmes hybrides

89

ont t aussi proposs [Cav98] [Jai97]. La difficult principale dans la rsolution de
ces types de problmes rsulte dans la faon avec laquelle ils sont reprsents sous
forme algorithmique. Cette phase reprsente le point le plus important dans la
recherche gntique. Plusieurs approches de reprsentation et diffrents types
doprateurs dAGs ont t proposs, pour rsoudre ces problmes.

3.2.3.1. Le codage dans les ateliers de type jop-shop
Dans la littrature, plusieurs codages ont t proposs pour le job-shop classique
et le jop-shop flexible. Yamada [Yam03], a propos un codage qui reprsente les
dates de fin des oprations pour chaque tche. Tamaki [Tam92] utilis un codage
binaire traduisant la reprsentation de la solution en graphe disjonctif. Dans le
codage de Kobayachi [Kob95], les squences des oprations par machine sont
uniquement reprsentes. Enfin, Portmann [Por88] propose un codage indirect
sous forme dcriture matricielle de la prsence dun enchanement entre deux
oprations conscutives.
Pour le job-shop flexible, Ghedjati [Ghe94] propose un codage bas sur
laffectation dune heuristique de choix chaque ressource. Ces heuristiques
permettent la ressource de choisir la tche raliser. Ainsi, avec cette
reprsentation un chromosome contient autant de gnes que de ressources.
Mesghouni [Mes99] propose aussi deux codages reprsentant des extensions de
codages existants. Le premier utilise le codage de Kobayashi en ajoutant pour
chaque opration dune squence, lordre de lopration dans la gamme et sa date
de dbut dexcution. Le deuxime, une extension du codage de Yamada introduit
la machine laquelle sont affectes les oprations pour chaque tche. Enfin Kacem
[Kac03], propose trois codages, un codage oprations machines qui donne les
dates de dbut et de fin de chaque opration sur la machine laquelle est affecte
lopration, le deuxime codage est le codage liste des oprations qui reprsente
lordonnancement dans un tableau de trois colonnes, opration, machine capable
dexcuter lopration et une troisime colonne pour les dates de fin.

90

Le troisime codage est celui des squencements des jobs reprsentant
lordonnancement en n colonnes (o n est le nombre maximum doprations que
peut contenir une tche). Chaque colonne reprsente les tches ordonnancer
sous forme dune liste de x cellules (ou x est le nombre de tches). Chaque cellule
est code par le numro de la tche, la machine laquelle lopration est affecte,
la date de dbut et de fin de lopration.

3.2.3.2. Le codage dans les ateliers de type flow-shop
Plusieurs chercheurs se sont intresss la rsolution des problmes
dordonnancement pour les ateliers de type flow-shop [Bou06a].
Dans son article intitul A Genetic Algorithm with Sub-indexed Partitioning
genes and its application to production scheduling of parallel machines , [Jou05],
propose un algorithme gntique dont le codage des gnes est bas sur une
indexation dpendante de la gnration (GASP). Lordonnancement cherche la
combinaison optimale entre le temps de fabrication le plus court et du temps
dattente minimum des machines. Puisque le problme en gnral est NP-difficile,
les solutions dordonnancement obtenues sont pseudo optimales pour des
machines du flow-shop parallle. Cet algorithme a t appliqu pour un systme
de production dans le domaine lectronique. Il a montr que les solutions de
GASP sont meilleures que celles des rgles heuristiques. Lee et al. [Lee02]
considrrent les jobs avec des contraintes de prcdence dans lordonnancement.
Leur fonction fitness inclus les paramtres : dates de fin des jobs et cot de
lapprovisionnement.
Leu et al. [Leu02] proposent galement une technique de recherche base sur un
algorithme gntique. Cette technique est adopte dans un systme de production
du type flow-shop, pour fournir la combinaison optimale ou pseudo-optimale des
squences de production, en considrant les ressources utilises, et en minimisant
le makespan tout en respectant les contraintes de ressources et de la production.


91

3.2.4. Codage propos pour le problme une machine en
industries agroalimentaires

3.2.4.1. Introduction
Dans les industries agroalimentaires, il faut tenir compte des produits manipuls
car ils ont en gnral des dures de vie et des dates de mise en fabrication assez
courtes. En effet, dans notre application nous avons considr le critre
premption des produits qui est un critre important et spcifique lindustrie
agroalimentaire. Donc dans un atelier agroalimentaire, une opration est
caractrise aussi bien par sa date de dbut au plus tt et sa date de fin au plus
tard que par les dates de validits
ijk
v des composants
ijk
c ncessaires pour
accomplir cette opration. Dautres critres, plus classiques, sont aussi pris en
compte.

3.2.4.2. Optimisation en industries agroalimentaires -
Position du problme
Il sagit doptimiser un ordonnancement multicritre appliqu lindustrie
agroalimentaire. Deux critres considrs sont spcifiques ce type dindustrie, on
distingue la prissabilit des produits et le discount de distribution et un
troisime critre qui est plus classique savoir la date de fin de
lordonnancement. Lobjectif est alors de slectionner parmi lensemble des
ordonnancements ralisables celui qui prsente le meilleur compromis entre les
diffrents critres en rduisant et en filtrant lespace de recherche initial. La
dcision dordonnancer, en respectant les contraintes du problme, une opration i
avant une opration j a pour objectif de minimiser : les cots engendrs par la
premption de certains composants, le cot du discount de distribution ainsi que
la dure totale de fabrication du produit fini.


92

Le problme est alors de dterminer le meilleur ordonnancement cest dire celui
dont la fonction objectif est minimale. Cette fonction objectif ( ) . f ou fitness est
dfinie comme suit :

( ) . min
i i
i
f C 3.1
avec :

i
C : i
me
critre
[ ] 0,1
i
: coefficient dimportance du critre
i
C , 1
i
i

3.2.4.3. Formulation des critres

Dans lapplication considre, optimisation en atelier de production
agroalimentaire, les critres suivants sont retenu s :

1
C : le cot des produits prims ;

2
C : le cot du discount de distribution ;

3
C : la date de fin de lordonnancement (le
max
C ).

avec :

( )
( )
1
max 0,
i
ij ijk
rev
ijk
j k
ij ijk
t v
P
t v
C
_
3.2

( )
2
max 0,
i
i
ven
liv stk i
i i
i
P
P P P
P P
i
P
d C C
Dv Dr
C +
_

,
3.3

( )
1
3
max
i
P
i n
C C

3.4


93

Lobjectif, pour ce cas dapplication est de construire un ordonnancement qui
satisfait ces critres tout en respectant les contraintes du problme qui sont les
suivantes :
la contrainte de prcdence, une opration i devant tre excuter
avant une opration j ;
la contrainte de gamme, reprsente lordre de passage de
lopration dans la gamme ;
la contrainte de disponibilit de lopration ordonnancer selon
sa date de dbut au plus tt.

3.2.4.4. Formulation des bornes infrieures
Il sagit de calculer la borne infrieure
b
i
C du critre
i
C pour i = {1,2} des critres
retenus dans cette application.

Proposit ion 1
0
i
C { } 1,2 i et 0
b
i
C 3.5

Proposit ion 2
La borne infrieure du makespan,
3
b
C est dfinie comme suit :

( )
3
max
i i
i
b
t p C +

En effet, on a :

( )
1
3
max
i
P
i n
C C

, et
i i
t r 3.6
alors :
( )
3
max
i i
i
b
t p C + 3.7


94

3.2.4.5. Codage propos : CLOO-A pour optimiser les critres
considrs
Le codage propos [Tan06a] dans cette application est le Codage Liste des
Oprations Ordonnes appliqu en Agroalimentaire : CLOO-A, Tableau 3.1.
Inspir du codage CLO (Codage Liste des Oprations) [Kac03] et du codage CPM
(Codage Parallle Machines) [Mes99], il consiste proposer des listes ordonnes
dune gamme de produits en ligne de fabrication.

Le codage propos dfini lordre, la date effective de dbut et la date de fin
effective des oprations pour chaque gamme de produit. Ces dates sont calcules
et mises jour par lalgorithme de calcul des dates, Tableau 3.2.

Tab.3.1. Codage CLOO-A
1 2 3 4
2 2 2
, ,
k k k
O t
1 1 1
, ,
k k k
O t
4 4 4
, ,
k k k
O t .

Tab.3.2. Table de calcul des dates

ij
t , date effective de dbut de lopration
ij
O ,
( )
max ,
ij ik ij
r t
ij
, date de fin effective de lopration
ij
O ,
( )
max ,
ij ik ij ij
r p +
o
ik
reprsente la date de fin de lopration
ik
O
qui prcde
ij
O


95

3.2.4.6. Oprateurs utiliss dans lalgorithme propos
Les oprateurs utiliss pour le codage CLOO-A sont loprateur de croisement
un point, loprateur de croisement deux points et loprateur de mutation.

Oprateur de croisement un point
Cet oprateur choisit deux individus (parents) pour gnrer deux autres individus
enfants, partir dun seul point de croisement choisi alatoirement, figure 3.2.

Dbut
tape 1 : Choisir deux individus (parents) et un point de croisement i
tape 2 : Si p pc alors
Parcourir toutes les oprations
Tant que ( j < n) faire
Si ( j < i) Alors
Copier les oprations du parent1 dans lenfant1
Copier les oprations du parent2 dans lenfant2
Fin Si
Copier du parent2, la mme position, les oprations
non existantes dans lenfant1
Copier du parent1, la mme position, les oprations
non existantes dans lenfant2
Fin Tant que
Fin Si
tape 3 : Terminer la construction de lenfant1 (respectivement de lenfant2)
avec les oprations manquantes (en respectant lordre)
tape 4 : Mettre jour lenfant1 et lenfant2
tape 5 : Calculer
1
C ,
2
C et
3
C des deux nouveaux individus.
Fin
Fig.3.2. Algorithme de croisement un point

96

Cet algorithme utilise les notations suivantes :
i : indice de lopration (point de croisement) ;
j : indice pour parcourir les oprations ;
n : nombre total des oprations ;
pc : probabilit de croisement.

Exemple
Considrons un problme une machine et sept oprations pour raliser un
produit P1. Un exemple de croisement un point est reprsent dans la figure 3.3.

Fig. 3.3. Exemple de croisement un point

Oprateur de croisement deux points
Cet oprateur, choisit deux individus parents pour gnrer deux autres individus
enfants partir de deux points de croisement choisis alatoirement, figure.3.4.

O12 O13 O16 O15
O17 O14 O11
Parent1
Parent2
Enfant1
Enfant2
Point de croisement
O11 O13 O12 O17 O14 O15 O16
O11
O11
O13
O13 O14
O14
O15
O15
O12
O12
O16
O16 O17
O17

97

Dbut
tape 1 : Choisir deux individus (parents) et deux points de croisement i et k
tape 2 : Si pi pc et pk pc alors
Parcourir toutes les oprations
Tant que ( j < n) faire
Copier les oprations du parent1, qui prcdent le premier point de
croisement et qui suivent le second point de croisement, dans lenfant1
Copier les oprations du parent2, qui prcdent le premier point de
croisement et qui suivent le second point de croisement, dans lenfant2
Copier, la mme position, les oprations non existantes du parent2
dans lenfant1
Copier, la mme position, les oprations non existantes du parent1
dans lenfant2
Fin Tant que
Fin Si
tape 3 : Terminer la construction de lenfant1 (respectivement de lenfant2)
avec les oprations manquantes (en respectant lordre)
tape 4 : Mettre jour lenfant1 et lenfant2
tape 5 : Calculer
1
C ,
2
C et
3
C des deux nouveaux individus.
Fin
Fig.3.4. Algorithme de croisement deux points


98

Exemp le
Considrons le mme exemple que prcdemment, mais dans ce cas il y a deux
points de croisement i et k, figure 3.5.

Fig.3.5. Exemple de croisement deux points

Oprateur de mutation
Cet oprateur choisit alatoirement deux points dun mme individu (parent),
pour gnrer un autre individu (enfant), figure 3.6.

Dbut
tape 1 : Choisir deux positions n1 et n2 dun mme individu, chaque
position correspond une opration
i
O et une opration
j
O (i et j
indices de lopration) et choisir une valeur pm
tape 2 : Si p pm alors
Permuter entre lopration
i
O et lopration
j
O
tape 3 : Mettre jour lenfant
tape 4 : Calculer
1
C ,
2
C et
3
C du nouvel individu
(p : probabilit de lindividu choisi, pm : probabilit de mutation)
Fin
Fig.3.6. Algorithme de mutation
Enfant1
Enfant2
i k
O11
O11
O12 O13 O16 O15
O17 O14 O11
Parent1
Parent2
O11 O13 O12 O17 O14 O15 O16
O13
O13
O12
O12
O15
O15
O14
O14
O16
O16
O17
O17
Chapitre 3 Optimi sation multicritre pour la construction dun ordonnancement dynamique

99

Exemple
Dans cet exemple, une mutation est ralise pour le parent par permutation
des deux oprations O14 et O12 pour obtenir un enfant , figure 3.7.

Fig. 3.7. Exemple de mutation

3.2.4.7. Approche dvaluation multicritre
Dune manire gnrale, les critres considrs prsentent entre eux des relations
non linaires et complexes et nont pas forcement la mme importance du point de
vue de dcideur. Ainsi, beaucoup de considrations peuvent tre retenues pour
tenir compte de toutes ces difficults. Pour ce faire, une mthode dvaluation
floue est propose. Cette dernire est base sur les tapes qui suivent
Pour chaque fonction objectif, une borne infrieure est calcule, telle que :

( ) 1
b
c i i
C x C x S i n , 3.8

o S reprsente lespace des solutions ralisables et
c
n le nombre de fonctions
objectif .

Les valeurs des fonctions objectif , dans la plupart des cas, peuvent
appartenir diffrents intervalles damplitude variable. En particulier, soit
H une heuristique choisie et
h
i
C la valeur maximale de la solution donne
par lheuristique considre selon la i
me
fonction objectif.

Enfant
O13 O16 O15 O17
O14 O11
Parent
O11 O13
O12 O17 O14 O15 O16
O12

100

La fuzzification est applique en utilisant les fonctions dappartenance dcrites sur
la figure 3.5.

Un vecteur ( ) C x est associ chaque solution ralisable x,
1
( )
c
b b
n
C x C C 1 1 ,+ ... ,+
] ]
, avec
1
( ) ( ( ) ( ))
c
T
n
C x C x C x ,..., . Pour chaque
vecteur ( ) C x , une fuzzification de ses composantes ( )
i
C x , propose selon leurs
positions dans les intervalles
b h
i i
C C
1
1
]
, , est considre en deux sous-ensembles flous
i
B et
i
M , figure 3.8. On a :

C C( x)
( ( )) si ( )
h
B b h i i
i i i i i
h b
i i
C x C x C C
C C
+
1 , , +
]
+
et ( ( )) 0 sinon
B
i i
C x , 3.9
De la mme faon , il vient :

C( x) C
( ( )) si ( )
h
H b h i i
i i i i i
b h
i i
C x C x C C
C C
+
1 , , +
]
+
et ( ( )) 0 sinon
H
i i
C x ,
avec :
( ( ))
B
i i
C x tant la mesure floue de ( )
i
C x dans le sous-ensemble
i
B ;
( ( ))
H
i i
C x tant la mesure floue de ( )
i
C x dans le sous-ensemble
i
H .

Fig. 3.8. Fuzzification floue dans la rsolution du problme dchelle

H

101

Ensuite, la qualit de chaque solution x est caractrise par le vecteur ( )
B
C x dfini
dans (3.10) dont toutes les composantes sont homognes puisquelles
appartiennent toutes au mme intervalle [ ] 0,1 et sont toutes sans dimension :

1
( ) ( )
c
T
B n
C x a a ,..., 3.10
( ( )) 1 2
B
i i i c
a C x i n , , ,..., 3.11

Pour lvaluation multicritre, la fonction objectif ( )
g
C x est rduite la
minimisation de la somme pondre des critres relative lutilisation de
loprateur dagrgation OWA [Yag88] :

1
( )
c
n
g i i
i
C x wa 3.12

Pour aider le dcideur quand il ne peut pas clairement donner une prfrence
particulire des fonctions objectif, un ensemble de solutions Pareto-optimales est
construit sans accorder de privilge une direction particulire de recherche.
Cette approche est base sur un algorithme dans lequel, la fonction objectif ( ) .
g
C ,
dfinie dans la relation (3.12), est utilise pour lvaluation des solutions. Les
pondrations
i
w ( ) 1
c
i n sont calcules en utilisant une rgle floue. Lide est
de mesurer la qualit moyenne des solutions selon chaque critre chaque
itration et de calculer les diffrents poids suivant le degr de cette qualit. Le but
est dtudier les gains et les amliorations possibles des solutions en accordant la
priorit loptimisation des fonctions objectif dont la moyenne des valeurs est loin
de la borne infrieure ; cette approche est appele approche agrgative avec
direction de recherche dynamique.


102

Soit
k
i
C la moyenne des solutions de la i
me
fonction objectif trouve la k
ime

itration :

( )
( )
k
k
i
x P k
i
k
C x
C
card P
3.13

k
P tant la population des solutions cette itration.

Fig. 3.9. Fonction dappartenance des diffrentes valeurs des critres

Pour chaque vecteur ( ) C x , une fuzziffication est applique sur ces composantes
( )
i
C x selon leurs positions dans les intervalles
0 b
i i
C
C

1
]
, + o est une petite
valeur positive introduite pour viter le problme de la division par zro
( 0 1
b
i
C . , si
0 b
i i
C
C
; 0 sinon ).


103

Lvaluation de la qualit des solutions se fait en utilisant les fonctions
dappartenance dfinies dans la figure 3.9., relatives aux deux sous ensembles
flous, Proche et Loin de la borne infrieure.

Les fonctions dappartenance peuvent ainsi tre formules comme suit :

( )
0
0
si
k b
k k L b i i
i i i i ik
b
i i
C
C
C
C C C
C
C

1
]
, , +
+
3.14
( )
1 sinon
k L
i ik C
,

Le calcul des diffrentes pondrations
1 k
i
w
+
est effectu en utilisant les deux rgles
floues suivantes :
Si (
k
i
C est Proche de
b
i
C ) Alors (
1 k
i
w
+
diminue )
Si (
k
i
C est Loin de
b
i
C ) Alors (
1 k
i
w
+
augmente )

Ce qui conduisent lexpression de
k
i
w suivante :

( )
( )
1
tq 1 et 2
c
k L
ik i
k
i c n
k L
jk j
j
C
w i k i n k Q
C

1
i
w correspond la premire itration dfinie par :
1
1
tel que 1 ,
i c
c
w i i n
n

Q est le nombre total ditrations et L lindice relatif au sous-ensemble flou Loin.

3.15

104

Les diffrents vecteurs de pondration
1 2
( ) , ,...,
Q
w w w sont calculs progressivement
de la k
me
gnration
k
P la gnration
1 + k
P , selon la distance entre les bornes
infrieures et la moyenne des individus de la k
me
gnration, reprsente par un
disque noir dans la figure 3.10.

Le but est damliorer des solutions en accordant la priorit loptimisation des
fonctions objectif dont la moyenne des valeurs est loin de la borne infrieure. Il
sen suit quen utilisant une rgle floue, il est envisageable de contrler la direction
de recherche afin de construire un ensemble final avec des solutions sapprochant
le plus possible des valeurs optimales, figure 3.7.

Fig. 3.10. Direction de recherche

Cette mthode, gnralement utilise quand le dcideur ne peut pas donner une
prfrence particulire une fonction objectif, permet aussi de gnrer des poids
des critres diffrents dune itration une autre de manire dynamique en
fonction de la valeur moyenne des solutions.

105

3.2.4.8. Rsultats de simulation pour diffrentes gammes de
produits agroalimentaires
Pour illustrer lefficacit et la performance de lapproche propose, six exemples
reprsentatifs bass sur des donnes pratiques, sont slectionns pour la
simulation. Ces exemples forment des gammes de produits de cinq oprations
dix oprations. Lapproche propose est ainsi applique pour optimiser les trois
critres cits dans les relations (3.2, 3.3 et 3.4).
A titre dexemple, les donnes relatives de lexemple du produit P1 comprenant
dix oprations sont donnes dans le tableau 3.3.
Par application de lapproche propose, les rsultats exprimentaux suivants sont
obtenus, tableau 3.4.

Tab.3.3. Donnes relatives aux 10 oprations (P1)
O11 O12 O 13 O14 O15 O16 O17 O18 O19 O110
1 j
r

0 1 2 3 4 1 3 2 1 3
1j
p

1 2 4 2 1 2 1 3 2 4
1 1 j
v 13 14 13 13 12 7 7 13 9 9
1 2 j
v 15 14 5 14 13 15 15 16 15 15
1 3 j
v - 12 13 12 11 14 14 12 14 14
1 1
rev
j
P 2 3 4 3 2 1 1 2 2 2
1 2
rev
j
P 1 2 2 4 3 2 2 1 4 1
1 3
rev
j
P - 4 3 2 2 1 3 2 3 3
1
P
Dv 35 35 35 33 33 33 33 31 31 31
1
P
Dr 10 10 10 9 9 9 9 11 11 11
1
liv
P
d 22 22 22 20 20 20 20 24 24 24
1
stk
P
C 3 3 3 4 4 4 4 2 2 2
1
ven
P
P 6 6 6 8 8 8 8 5 5 5

Chapitre 3 Optimisation multicritre pour la con struction dun ordonnancement dynamique

106

Tab.3.4. Rsultats exprimentaux
n

Meilleurs
Ordonnancements
1
C
2
C

3
C

( ) .
g
C

10 (P1) O1O3O5O9O4O2O7O6O8O10 14 4 24 0,915
9 (P2) O1O2O3O4O5O7O6O8O9 9 4 20 0,95
8 (P3) O1O7O5O2O3O8O4O6 14 1 18 0,963
7 (P4) O1O3O6O7O4O2O5 12 9 17 0,752
6 (P5) O1O4O3O5O2O6 4 10 14 0,977
5 (P6) O1O4O5O3O2 12 10 14 0,53

Les rsultats numriques obtenus montrent que, pour les gammes des produits P1,
P2, P3 et P5, ces solutions sont trs satisfaisantes car ( ) .
g
C est proche de 1. Par
contre, pour les autres produits, les solutions trouves sont moins satisfaisantes
dus au critre
2
C qui reprsente le cot du discount de distribution.

3.2.4.9. Conclusion
Les rsultats obtenus montrent que les solutions calcules sont, gnralement,
acceptables et satisfaisantes. Les valeurs des diffrentes fonctions objectif
montrent lefficacit de lapproche propose (tableau 3.4). De plus, la mthode
propose, a permis dobtenir de bons rsultats dans un temps de calcul
polynomial. En fait, les diverses valeurs des critres indiqus par la mthode
doptimisation multiobjectif par Pareto-optimalit montrent son efficacit. Les
valeurs des critres pour la frontire de Pareto sont proximit des bornes
infrieures. En effet, une telle approche permet de produire des solutions Pareto-
optimales de bonne qualit.


107

3.3. Optimisation par les algorithmes de colonie
de fourmis
3.3.1. Le contexte existant
Les algorithmes dOptimisation par Colonie de Fourmis (OCF, ou Ant Colony
Optimization ACO) font partie de la classe des mtaheuristiques. Lobjectif
principal de cette approche est de trouver le chemin le plus court entre un nid et
une source de nourriture. Cest en 1992 que Marco Dorigo de LUniversit Libre
de Bruxelles [Dor92] a formul cette mthode. A lorigine, loptimisation par
colonie de fourmis a t conue pour rsoudre le Problme du Voyageur de
Commerce (PVC) qui a pour objectif de trouver la tourne la plus courte pour un
certain nombre de villes. Lavantage de cette mthode rside dans les stratgies de
recherche qui ralisent un compromis entre lexploitation et lexploration. Lide
initiale provient de lobservation des fourmis. Celles-ci ont la capacit de trouver
le chemin le plus court entre leur nid et une source de nourriture en contournant
les obstacles qui jonchent leur chemin. Le premier algorithme de ce type a t
conu pour le problme du voyageur de commerce, figure 3.11. Dautres
algorithmes ont t dvelopps pour rsoudre dautres problmes combinatoires
tels que le problme de laffectation quadratique [St00], les problmes de routage
de vhicule [Bul99], le problme du sac dos multidimensionnel [Ala04], les
problmes dordonnancement [Shy04] [Lio07], etc.

3.3.2. Les algorithmes de colonie de fourmis : principe gnral
Les algorithmes de colonie de fourmis reposent sur une analogie avec des
phnomnes naturels et sappuient sur le comportement collectif des fourmis pour
organiser la recherche de nourriture. Les fourmis explorent leur environnement en
laissant derrire elles des traces volatiles, appeles traces de phromone. Elles se
servent de ces traces pour se guider et tendent naturellement les suivre.


108

En labsence de traces de phromone, leur exploration devient compltement
alatoire.
Ces fourmis possdent donc une vision trs limite de leur environnement. Une
fois la nourriture trouve, elles se servent des traces quelles viennent de dposer
pour retrouver le chemin du retour vers le nid. Durant le trajet, elles laissent de
nouveau sur leur passage des traces, en quantit proportionnelle lintrt de la
source de nourriture. Les fourmis ayant choisi la route la plus courte effectuant un
plus grand nombre dallers-retours, la quantit de phromone dpose y sera plus
importante et cette route deviendra ventuellement emprunte par toutes les
fourmis. Le chemin, est donc fortement imprgn de phromones et constitue une
piste de choix pour la colonie de fourmis. Plus la source de nourriture a t juge
intressante, plus les fourmis auront tendance suivre ce chemin. Ainsi, peu
peu, les traces vers les sources de nourriture sont de plus en plus marques. Goss
et al. [Gos89] ont observ quen prsence de deux routes possibles vers la
nourriture, les fourmis adoptent rapidement la plus courte. En effet, la bonne
route se trouve favorise par une plus grande concentration de trace de
phromone. Le biais est ensuite renforc par le phnomne dvaporation des
phromones, qui tend effacer progressivement les traces les moins frquentes.
Colorni et al. [Col92] ont adapt ce principe au domaine de loptimisation
combinatoire. Pour ce faire, ils ont associ le voisinage du nid lespace des
solutions. Chaque solution sapparente une source de nourriture dont la qualit
est fournie par la fonction dvaluation. Chaque fourmi est assimile un
processus rptitif de construction de solutions. La construction est biaise par un
ensemble de donnes globales figurant les traces de phromone. Cet ensemble est
une mmoire sur la qualit des solutions, rgulirement mise jour par les
processus de construction et par un mcanisme simulant lvaporation de la
phromone.


109

Crer un ensemble dagents (fourmis) qui cooprent par
lintermdiaire de traces de phromone pour trouver le chemin le
plus court du PVC.
Les traces de phromone reprsentent la quantit de phromone
dpose par les fourmis sur le trajet reliant la ville i la ville j.
Le comportement des fourmis est modlis ainsi :
La fourmi se place initialement sur une ville choisie au
hasard .
Elle choisie la ville suivante parmi les villes non encore
visites en suivant le chemin le plus marqu par les traces de
phromone.
Elle dpose une quantit de phromone sur le chemin quelle
a emprunt (rgle locale de mise jour des traces).
Lvaporation de la phromone est prise en compte (pour ne
pas tomber dans des solutions sous optimales) ce qui donne
une loi qui a la forme suivante :
Pheromone[i, j] = (1 - ) Pheromone[i, j] + * K
K tant une constante. La valeur de K recommande par Dorigo et
Gambardella est de 1 / (N * Lmv), avec N le nombre de villes et Lmv la
longueur du trajet calcule par la mthode du meilleur voisin ou par une
approximation.
Fig. 3.11. Principe gnral de lalgorithme du PVC


110

3.3.3. Reprsentation du problme doptimisation
Le problme considr est un problme dordonnancement dun ensemble
doprations pour la fabrication de certains produits sur une machine unique. Le
problme trait dans ce travail est reprsent par un ensemble de solutions et une
fonction objectif , qui reprsente la fonction de cot minimiser. Cette fonction
prend une valeur chaque solution et un ensemble de contraintes est considr.
Lobjectif est de trouver loptimum global en respectant les contraintes du
problme. Les diffrents tats du problme sont reprsents par une squence
doprations. Dans cette reprsentation, les fourmis construisent des solutions en
se dplaant dans un graphe G= (N, L), o les nuds reprsentent les composants
de N et o lensemble L dfinit les arcs qui lient les composants de N. Les
contraintes du problme sont directement implmentes dans les rgles de
dplacement des fourmis. Elles sont mises en uvre en empchant les fourmis de
prendre les chemins qui violent ces contraintes.

3.3.4. Algorithme doptimisation par colonie de fourmis
propos
3.3.4.1. Prsentation
Dans le problme dordonnancement dans les industries agroalimentaires,
considr, lobjectif est de dterminer le meilleur ordonnancement dun ensemble
E de n oprations candidates lordonnancement caractrises par leurs dates de
dbut au plus tt de mise en fabrication,
i
r , leurs dates de fin fabrication au plus
tard,
i
d et leurs dures opratoires
i
p . La formulation du problme est inspire du
celle du Problme du Voyageur de Commerce (PVC). Chaque opration choisir
pour lordonnancement est reprsente par un nud dans un graphe ( , ) G N L ,
o N reprsente le nombre des nuds (N = n) et L le nombre darcs qui lient les
oprations. Quand une fourmi se dplace dun nud i un nud j elle laisse
une trace de phromone sur larc (aij).

111

Cette trace enregistre linformation sur lutilisation de larc (aij) de sorte que plus
cette utilisation a t importante dans le pass, plus la probabilit que cet arc soit
utilis nouveau est leve. Pour le problme dordonnancement, linformation
contenue dans la trace de phromone est base sur les donnes (la date de validit
des composants formant lopration entre autres) et les contraintes du problme.
Suivant ces informations heuristiques, la fourmi choisit la prochaine opration i
mettre en uvre. En effet, au temps t, partir dune squence partielle
dordonnancement dj construite, chaque fourmi k choisit la prochaine opration
ajouter la squence en utilisant une rgle probabiliste base sur un compromis
entre
ij
et lintensit de la trace de phromone ( )
ij
t . Les coefficients .. . et
sont des paramtres qui permettent de contrler limportance ces deux lments.

Cette probabilit, pour la fourmi k de choisir larc (ij), note ? ( )
k
ij
P t ??, est calcule par
lexpression (3.16) suivante:

( )
( )
( )
*
*
k
ij ij
k
ij
il il
l tabou
t
P t
t

1 1
1 1
] ]
1 1
] ]
3.16

Dans le problme du PVC, la visibilit
ij
est dfinie par la matrice de distance qui
prend en considration la distance entre les paires de villes i et j, D = (1/dij). Pour le
problme dordonnancement considr, la matrice correspondante contient, pour
chaque paire doprations, de linformation sur chacun des objectifs minimiser
de faon guider la recherche (3. 17).


112

linitialisation de lalgorithme, lintensit de la trace de phromone pour toutes
les paires doprations (i,j) est fixe une petite valeur positive
0
. Les
paramtres , et sont utiliss afin de dterminer limportance relative de
lintensit de la trace et des objectifs dans la construction dune solution.

De plus, une liste taboue est maintenue pour garantir quune opration ayant dj
t affecte la squence en cours de construction ne soit pas slectionne une
autre fois. Chaque fourmi k va donc possder sa propre liste taboue, tabouk , qui
gardera en mmoire les oprations dj slectionnes.

( )
( )
( )
...... ...
......................................................................... 0 .
*
.
* *
*
k
ij ij ij
k
ij
ih ih ih
h tabou
si j
sinon
t
P t
t

1 1 1
1 1 1
] ] ]
1 1 1 '
] ] ]
3. 17

tant lensemble des oprations disponibles,
1
ij
ijk
v
et
ij ij
p ,
ijk
v et
ij
p
reprsentant respectivement la date de validit du composant
ijk
c relatif
lopration i et la dure dexcution (normalises), qui ont une influence directe
sur la fonction objectif.
Durant une itration de lalgorithme, plusieurs fourmis construisent, tour de
rle, une solution c'est--dire une squence doprations. A la fin de chaque cycle,
chacune des m fourmis laisse une certaine quantit de phromone ( )
k
ij
t dfinie
dans (3.18) sur son trajet, cette quantit dpend de la qualit de la solution
trouve.

113

Soit ( )
tot
k
C t lvaluation de lobjectif optimiser de la solution trouve par la k
me

fourmi.

La contribution sur la mise jour de la trace de la fourmi k est alors calcule de la
faon suivante :

( ) ( )
k
ij min
/
tot tot
k
t C C t 3 .18

o ( )
tot
k
C t est le cot total associ la fourmi k (Sk ) quand elle a effectu son trajet
linstant t et
min
tot
C reprsente le cot minimum obtenu aprs que les m fourmis
aient effectu leurs trajets.

Lalgorithme effectue une mise jour globale de lintensit de la trace de
phromone
k
ij
la fin de chaque cycle pour viter une convergence prmature de
lalgorithme (3.19). Cette mise jour est influence par un facteur dvaporation
, 0 1 < , qui diminue la quantit de phromone prsente sur tous les arcs (ij)
[Gra00], [Dor00], [Col91]. Cette vaporation ne doit pas intervenir sur les tests,
cest--dire les solutions de la liste tabou.

1
m
k k l
ij ij ij
l

3.19

3.3.4.2. Algorithme doptimisation par colonie de fourmis
La figure 3.12 prsente lalgorithme propos pour loptimisation de la fonction de
cot qui reprsente la somme du cot des produits prims et du cot du discount
de distribution.


114

1. Initialisation
NC = 0; NCmax
Initialiser la matrice de phromone ( )
0
0
k
ij

Initialiser la liste taboue
2. Ralisation dun cycle
Tant que (NC < NCmax) faire
Pour chaque opration de { } 1...n
Pour chaque fourmi k dans { } 1...m faire
Choisir alatoirement une opration i
Mettre jour lensemble des oprations disponibles
Ajouter lopration i la squence doprations Sk
Insrer la solution Sk dans la liste taboue
Slectionner lopration suivante selon
k
ij
P (3.17)
Mettre jour la matrice
k
ij
(3.18) selon la solution Sk
3. Mise jour globale de la t race de phromone
valuer la solution Sk suivant la fonction objectif
Mettre jour la matrice
k
ij
(3.19)
Fin pour
Fin Tant que
NC = NC + 1

Fig. 3.12. Algorithme doptimisation par colonie de fourmis


115

3.3.4.3. Application lordonnancement dun atelier de production
agroalimentaire
Considrons un ensemble doprations ordonnancer dans un atelier de
production agroalimentaire. Ces oprations sont caractrises par des composants
qui ont des dates de validit assez courtes. Lobjectif est alors de minimiser la
premption de certains de ces composants en assurant leur mise en fabrication
avant leurs dates de premption, tout en respectant certaines contraintes : la
contrainte de prcdence la contrainte de disponibilit et la contrainte de gamme.
La complexit du problme saccrot en prsence dautres contraintes spcifiques
aux industries agroalimentaires.
La fonction de cot optimiser est la somme de deux cots savoir :
le cot des produits prims, not K1,
le cot de discount de distribution, not K2.

Par application de lalgorithme OCF propos, nous avons obtenu les rsultats
suivants des figures 3.13 (a et b), relatifs au comportement de la fonction de cot
optimiser par variation des diffrents paramtres, , . , . et , de lalgorithme.

40
42
44
46
48
50
52
54
0 1 6 8 10 11 18 21 24 36 40 50
Cycles
C
o
t
s

Fig. 3.13. a

116
0
5
10
15
20
25
30
35
40
45
0 1 6 7 11 14 18 20 44 50
Cycles
C
o
t
s

Fig. 3.13. b
Fig. 3.13. Variation du cot en fonction des cycles

Les deux graphiques, montrent que les rsultats de la figure 3.13.(b) sont meilleurs
puisque le cot optimal, atteint en un temps mois important que celui de la figure
3.13.(a), est plus intressant. Il est constater que les paramtres de lalgorithme
doptimisation par colonie de fourmis qui varient dun problme un autre
suivant lobjectif de ltude, influent sur les rsultats. Il faut donc bien les choisir.

3.3.4.4. Conclusion
La mtaheuristique doptimisation par colonie de fourmis (OCF) prsente la
particularit dutiliser une procdure de construction de solutions distincte de
celle des autres mtaheuristiques. Ces dernires utilisent lexploration dun
voisinage ou lchange dinformations entre les solutions. Cest un processus
stochastique qui construit une solution, en ajoutant des composants aux solutions
partielles. Nanmoins, la qualit des rsultats fournis par cette mtaheuristique
dpend trs fortement de limportance accorde aux traces de phromone.
Lorsque la pondration est trop leve, le mcanisme de construction tend
favoriser la gnration des meilleures solutions trouves dans les itrations
prcdentes.

117

linverse, lorsquil est trop faible, il tend produire des solutions au hasard. En
effet, chaque fourmi construit une solution pour le problme optimiser en
choisissant le chemin le plus court entre son nid et la source de nourriture en
suivant la trace de phromone. La procdure de construction des solutions de
lOCF a ainsi exig un ajustement particulier pour diriger la recherche dans la
direction souhaite et assurer son efficacit. En raison de sa simplicit, de sa
flexibilit et de sa performance, cette mthode de rsolution constitue cependant
un outil daide la dcision pertinent dans un contexte dapplication en industrie
ou le compromis entre le temps de calcul et la qualit des solutions est important.

3.4. Conclusion
Dans ce chapitre, on sest intress loptimisation multicritre afin de construire
un ordonnancement dynamique appliqu un atelier de production
agroalimentaire pour minimiser la fonction de cot. Deux mtaheuristiques ont
t appliques pour atteindre cet objectif. La premire mthode concerne les
algorithmes gntiques, hybrids avec lapproche Pareto-optimale ; cette
hybridation augmente la probabilit de trouver un optimum de bonne qualit. La
deuxime mtaheuristique se base sur les algorithmes doptimisation par colonie
de fourmis. Cette dernire savre performante de point de vue temps de calcul et
qualits de solutions par rapport lapproche base sur les algorithmes
gntiques. Nanmoins, linconvnient de lapproche doptimisation par colonie
de fourmis rside dans le choix du paramtrage de lalgorithme correspondant.
Cependant, la qualit des solutions trouves dpend de ce choix.


118

Conclusion gnrale

Le travail dvelopp dans cette thse porte sur la problmatique de
lordonnancement pour le problme une machine. Notre travail a t appliqu
pour un atelier de production en industries agroalimentaires dont lobjectif est de
trouver un ordonnancement dynamique adapt ce type dindustrie. En effet, ce
dernier prsente la particularit des produits fabriqus et manipuls qui se
caractrisent par des courtes dures de vie et la spcificit des critres retenir : la
minimisation des produits prims savoir les composants primaires, les produits
semi-finis et les produits finis et la minimisation du discount de distribution tout
en respectant la date de livraison ou au moins en rduisant la diffrence entre la
date effective de fin de fabrication du produit fini et sa date de livraison. Un autre
critre plus classique : la date de fin dordonnancement, le Cmax, est par ailleurs
considr.

Pour atteindre ces objectifs, la mthode branch and bound a t applique,
pour le filtrage de lespace de recherche bas sur les critres retenus par le
dcideur. Il sagit dliminer certaines oprations et de maintenir dautres, en
appliquant la technique d edge finding et en se basant sur les rgles de
dominance des oprations permettant de mettre en fabrication les oprations
prioritaires, la priorit tant value par rapport aux critres retenus.
Cette approche exacte dveloppe a permis de choisir, parmi plusieurs solutions
possibles, celle qui reprsente lordonnancement dont la fonction cot reprsente
par la somme du cot des produits prims et du cot du discount de distribution,
est minimale.

119

Cette solution engendre un gain considrable vis--vis des critres considrs du
fait de la particularit des produits fabriqus en industries agroalimentaires.
Ainsi, moyennant des rgles de dominance des oprations et des paramtres
ncessaires pour le calcul des cots et des donnes de stock, peut tre vite la
premption de certains composants et produits semi-finis, en maintenant dans
lespace de recherche les oprations dont les composants possdent les dates de
validit limites les plus courtes. Au contraire, les oprations dont la dure de vie
est suffisamment longue et dont la ralisation peut engendrer un retard de mise en
fabrication dautres oprations, sont limines de lespace de recherche considr.

Une deuxime approche base sur lutilisation des algorithmes gntiques,
appartenant la classe des mtaheuristiques, a donn des rsultats encourageants
concernant loptimisation des critres cits. En effet, les solutions obtenues sont,
gnralement, acceptables et satisfaisantes. Les valeurs des diffrentes fonctions
objectif montrent lefficacit de cette approche. De plus, cette mthode
propose a permis daboutir des bons rsultats. En fait, les diverses valeurs des
critres indiqus par la mthode doptimisation multiobjectif, par Pareto-
optimalit, montrent son efficacit. Les valeurs des critres pour la frontire de
Pareto sont proximit des bornes infrieures donc bonne qualit.

Par ailleurs, la mtaheuristique doptimisation par colonie de fourmis prsente la
particularit dutiliser une procdure de construction de solutions distincte de
celle des autres mtaheuristiques. Cette procdure utilise lexploration dun
voisinage ou lchange dinformations entre les solutions. Cest un processus
stochastique qui construit une solution, en ajoutant des composants aux solutions
partielles.

Conclusion gnrale

120

Nanmoins, la qualit des rsultats fournis par cette approche dpend trs
fortement des paramtres de lalgorithme. La procdure de construction des
solutions de lalgorithme doptimisation par colonie de fourmis a ainsi exig un
ajustement particulier pour diriger la recherche dans la direction souhaite et
assurer son efficacit. En raison de sa simplicit, de sa flexibilit et de sa
performance, cette mthode de rsolution constitue cependant un outil daide la
dcision pertinent dans un contexte dapplication en industrie ou le compromis
entre le temps de calcul et la qualit des solutions est important.

En perspectives, nous envisageons de :
- intgrer la gestion de la flotte de livraison pour matriser le discount
de distribution,
- tudier la possibilit dinsertion doprations non initialement
prvues, cas frquent en industries agroalimentaires,
- prendre en considration dautres contraintes et dautres critres,
- appliquer dautres mthodes pour le mme problme,
- gnraliser et tendre les approches proposes dautres industries
qui prsentent les mmes types de contraintes telles que les
industries chimiques ou pharmaceutiques.
- tudier et rsoudre le problme de jop -shop ou le jop-shop flexible.

Conclusion gnrale

121
Bibliographie

[Alb93] Albers S., P. Brucker, The complexity of one-machine batching
problems , Discrete Applied Mathematics, Vol. 47, pp. 87-107, 1993.
[Ash04] Ashish G., D. Satchidananda, Evolutionary Algorithms for Multi-
Criterion Optimization: a Survey , International Journal of
Computing & Information Sciences, Vol. 2, n 1, pp. 38-57, 2004.
[Bal95] Balas E., J.K. Lenstra, A. Vazacopoulos, The one machine problem
with delayed precedence constraints and its use in job-shop
scheduling , Management Science, Vol. 41, n 1, pp. 94 -109, 1995.
[Bal85] Balas E., On the facial structure of scheduling polyhedral ,
Mathematical Programming Studies, Vol. 24, 1985.
[Bar03] Barichard, V., Approches hybrides pour les problmes multi-
objectifs , Thse de Doctorat, Universit dAngers, 2003.
[Bar99] Barnier N., P. Brisset, Optimisation par algorithme gntique sous
contraintes , Technique et Science Informatique, Vol. 18, pp. 1-29,
1999.
[Bar85] Barker J.R., G.B. McMahon, Scheduling the general job-shop,
Management Science, Vol. 31, n. 5, pp. 594598, 1985.
[Bap98] Baptiste J.P., Une tude thorique et exprimentale de la
propagation des contraintes de ressources , Thse de Doctorat,
Universit de Compigne, 1998.
[Bea92] Beauquier D., J. Bersyel, P. Chrtienne, lments dalgorithm-
ique , ditions Masson, Paris, 1992.
[Bn90] Bnassy J., La gestion de production , ditions Herms, Paris,
1990.
[Bla96] Blazewicz J., K.H. Ecker, E. Pesch, G. Schmidt, J. Weglarz,
Scheduling Computer and Manufacturing Processes , Springer
Berlin, 1996.

122
[Bou06a] Boukef H., F. Tangour, M. Benrejeb, P. Borne, Nouveau codage
pour la rsolution de problmes dordonnancement dateliers de
type flow-shop par les algorithmes gntiques , STA06, pp.1-14,
2006.
[Bou06b] Boukef H., F. Tangour, M. Benrejeb, P. Borne, Sur la formulation
dun problme dordonnancement de type flow-shop dateliers de
production en industries pharmaceutiques , JTEA06, Hammamet
12-14 mai, 2006.
[Bra73] Bratley P., M. Floran, P. Robillard, On sequencing with earliest
starts and due dates with application to computing bounds for the
m| n| g| fmax problem , Naval Research Logistics Quarterly, Vol.20,
n 1, pp. 57-67, 1973.
[Bru98] Brucker P., S. Knust, Complexity results for single-machine
problems with positive finish-start time-lags , Osnabruecker
Schriftenzur, Mathematik, Reihe P, n 202, 1998.
[Bru97] Brucker P., J. Hurink, B. Jurish, B. Wstman, A branch and bound
algorithm for the open-shop problem, Discrete Applied
Mathematics, Vol. 76, pp. 43-59, 1997.
[Bru94] Brucker P., B. Jurisch, B. Sievers, A branch & bound algorithm for
the job-shop scheduling problem , Discrete Applied Mathematics,
Vol. 49, pp. 107127, 1994.
[Cab00] Cabarbaye A., Outil gnrique doptimisation par Algorithmes
Gntiques et Simplexe , 8
mes
Journes Nationales du groupe
Mode, Mathmatique de lOptimisation et de la Dcision, de la
SMAI, Toulouse, 23 - 25 mars, 2000.
[Car96] Carlier J., I. Reba, Two exact methods for solving the
permutation flow-shop problem , European Journal of
Operational Research, pp. 238251, 1996.

Bibliographie

123
[Car94] Carlier J., E. Pinson, Adjustment of heads and tails for the job-
shop problem , European Journal of Operational Research, Vol.
78, pp. 146161, 1994.
[Car89] Carlier J., E. Pinson, An algorithm for solving the job-shop
problem , Management Science, Vol. 35, n 2, pp. 164176, 1989.
[Car88] Carlier J., P. Chrtienne, Problmes dordonnancement,
Modlisation, Complexit, Algorithmes , ditions Masson, Paris,
1988.
[Car82] Carlier J., The one-machine sequencing problem , European
Journal of Operations Research, Vol.11, pp. 4247, 1982.
[Car84a] Carlier J., Problmes dordonnancement contraintes de
ressources : algorithmes et complexit , Thse de Doctorat,
Universit Paris VI, 1984.
[Car84b] Carlier J., P. Chrtienne, C. Girault, Modeling scheduling
problems with timed Petri nets , Advances Studies in Petri Nets,
Lecture Notes in Comp. Sci., September 1984, Spinger Verlag.
[Cav98] Cavalieri S., P. Gaiardelli, Hybrid genetic algorithms for a
multiple-objective scheduling problem, Journal of Intelligent
Manufacturing, Vol. 9, pp.361-367, 1998.
[Cha00] Chauvet F., E. Levner, J.-M. Proth, On-line part scheduling in a
surface treatment system , Journal of Operational Research, IJOR,
Vol. 120, n 2, January, 2000.
[Cha96] Charon I., A. Germa, O. Hudry, Mthodes doptimisation combi-
natoire , ditions Masson, Paris, 1996.
[Cha98a] Chauvet F. , J.-M. Proth Scheduling heuristics for minimizing the
makespan , 9th SIAM-Discrete Mathematics98, Toronto, 1998.
[Cha98b] Chauvet F., J.-M. Proth, Y. Wardi, On-line scheduling with wip
regulation , Proceedings of the Rensselaer International
Conference on Agile, Intelligent, and Computer-Integrated
Manufacturing, Troy, New York, 1998.
Bibliographie

124
[Che96] Cheng R., M. Gen, Y. Tsujimura, A tutorial survey of job-shop
scheduling problems using genetic algorithms , Computers
Industrial Engineering, Vol. 30, n 4, pp. 983-997, 1996.
[Chr95] Chrtienne P., E.G. Coffmann, J.K. Lenstra, Z. Liu, Scheduling
theory and its applications , Wiley, New York, 1995.
[Chr83] Chrtienne P., Les rseaux de Ptri temporiss , Thse de
Doctorat, Universit de Paris VI, Paris, 1983.
[Col02] Collette Y., P. Siarry, Optimisation Multiobjectif , ditions
Eyrolles, Paris, 2002.
[Coo71] Cook S.A., The complexity of theorem proving procedures ,
Association of Computing Machinery, Editor, Proceedings of the
third annual ACM Symposium on the Theory of Computing,
pp. 151-158, 1971.
[Dav85] Davis L., Job shop scheduling with genetic algorithm,
Proceedings of the first International Conference on Genetic
Algorithms, Lawrence Erlbaum Associates, pp.136-140, 1985.
[Dec02] Dechter R., D. Frost, Buckjump -Based backtracking for
Constraint Satisfaction Problems , Artificial Intelligence, Vol. 136,
pp. 147-188, 2002.
[Dec92] Dechter R., Constraint Networks , In Encyclopaedia of Artificial
Intelligence, Vol.1, pp. 276-285, Second Edition, 1992.
[Del95] Della Croce F., R. Tadei, G.Volta, A genetic algorithm for the job
shop problem , Computer and Operations Research, Vol. 22, n 1,
pp. 15-24, 1995.
[Dri87] Dridi N., J. M. Proth, Ordonnancement des tches : une mthode
base sur la technologie de groupe , Proceedings of the second
International Conference on Production Systems, 1987.
[Dur02] Duron C., Ordonnancement en temps rel des activits des
radars , Thse de Doctorat, Universit de Metz, dcembre 2002.

Bibliographie

125
[Fia98] Fiat A., G. Woeginger, J. Sgall, Lectures Notes in Computer
Science : On-line algorithms, the state of the art, chapter 9 ,
Springer-Verlag, pp. 196-231, 1998.
[Fis83] Fisher M. L., B. J. Lageweg, J. K. Lenstra, A. H. G. Rinnooy Kan,
Surrogate duality relaxation for job-shop scheduling , Discrete
Applied Mathematics, Vol. 5, 1983.
[Fis81] Fisher M. L., The lagrangian relaxation method for solving
integer programming problems , Management Science, Vol. 27,
1981.
[Fis76] Fisher M. L., A dual algorithm for the one-machine scheduling
problem , Mathematical Programming, Vol. 11, pp. 23-37, 1976.
[Gag01] Gagni C., M. Gravel et W.L. Price, Optimisation par colonies de
fourmis pour un problme dordonnancement ind ustriel avec
temps de rglage dpendant de la squence , 3me Confrence
Francophone de MOdlisation et de SIMulation, MOSIM01,
Troyes, 2001.
[Gar79] Garey M., D. Johnson, Computer and Intractability : a Guide to
the Theory of NP- Completeness , Freeman W-H, San Francisco,
1979.
[Gar78] Garey M., R.L. Graham, D.S. Johnson, Performances guarantees
for scheduling algorithms , Operations Research, Vol. 26, pp.
3-21, 1978.
[Gar03] Gargouri E., Ordonnancement coopratif en industries agro-
alimentaires , Thse de Doctorat, Universit des Sciences et
Technologies de Lille 1, 2003.
[Gar01] Gargouri, E., S. Hammadi, P. Borne, 2001, New constraints of
agro-food industry scheduling problem , Acte de IFDICON2001,
European Workshop on Intelligent Forecasting, DIagnosis and
CONtrol, Santorin, pp. 73-80, 2001.

Bibliographie

126
[Gau87] Gaudel M.C., M. Soria, C. Froidevaux, Types de donnes et
algorithmes , Volume 2 , recherche, tri, algorithmes sur les
graphes , Collection Didactique, D-004, Inria, Rocquencourt, 1987.
[Geo74] Geoffrion A. M., Lagrangian relaxation for integer programming,
Mathematical Programming Studies, Vol. 3, 1974.
[Ghe99] Ghedjati F., Genetic algorithms for the job-shop scheduling
problem with unrelated paralleled constraints: Heuristics mixing
method machines and precedence , Computers and Industrial
Engineering, Vol. 73, pp. 39-42, 1999.
[Ghe94] Ghedjati F., Rsolution par des heuristiques dynamiques et des
algorithmes gntiques du problme dordonnancement de type
job-shop gnralis , Thse de Doctorat, Universit de Paris VI,
1994.
[Glo97] Glover F., M. Laguna, Tabu search , Kluwer Academic
Publishers, 1997.
[Glo89] Glover F., Tabu search , ORSA, Journal of Computing, Vol. 1,
n 2, pp.190-206, 1989.
[Gol94] Goldberg G.E., Algorithmes gntiques , ditions Addison-
Wesley, Paris, 1994.
[Got93] Gotha, Les problmes dordonnancements , RAIRO-Recherche
Oprationnelle, Vol. 27, pp. 77-150, 1993.
[Gro88] Grotschel M., L. Lovasz, A. Schrijver, Geometric Algorithms and
Combinatorial Optimization , Springer-Verlag, Berlin Heidelberg,
1988.
[Gu00] Guret C., N. Jussien, C. Prins, Using intelligent backtracking to
improve branch-and -bound methods: An application to Open-
Shop problems , European Journal of Operation Research,
Vol. 127, pp. 344-354, 2000.

Bibliographie

127
[Gza01] Gzara, M., Mthode cooprative daide multicritre
lordonnancement flou , Thse de Doctorat, Universit des
Sciences et Technologies de Lille 1, 2001.
[Hak99] Hakan A. R., G. Melhem, D. Mosse, P. Mejia-Alvarez, Optimal
reward -based scheduling of periodic real-time tasks , In IEEE
Real-Time Systems Symposium, pp. 79-89, 1999.
[Hol75] Holland J.H., Adaptation in natural and artificial systems , PhD,
Thesis Michigan Press University, Ann Arbor, Michigan.
[Hao99] Hao J.K., P. Galinier, M. Habib, Mtaheuristiques pour
loptimisation combinatoire et laffectation sous contraintes ,
Revue dIntelligence Artificielle, Vol. 18, n1, pp. 63-82, 1999.
[Jac55] Jackson J.R., Scheduling a production line to minimize maximum
tardiness , Research Report 43, Management Science Research
Report, University of California, Los Angeles, 1955.
[Jai99] Jain A.S., S. Meeran, Deterministic job-shop Scheduling : past,
present and future , European Journal of Operational Research,
Vol. 113, pp. 390-434, 1999.
[Jai97] Jain A. K., H. A. El Maraghy, Single process plan scheduling with
genetic algorithm, Production Planning and Control, Vol. 8, n 4,
pp. 363-376, 1997.
[Jou02] Jouglet A., P. Baptiste, J. Carlier, Exact procedures for single
machine total cost scheduling , IEEE Transactions on Systems,
Man and Cybernetics, SMC-WA2K1, 2002.
[Kac03] Kacem I., Ordonnancement multicritre des job-shops flexibles :
formulation, bornes infrieures et approche volutionniste
cooprative , Thse de Doctorat, Universit de Lille 1, 2003.
[Kir83] Kirkpatrick S., C.D Gelatt, M.P. Vecchi, Optimisation by
simulated annealing , Science, Vol. 220, pp. 671-680, 1983.
Bibliographie

128
[Kob95] Kobayashi S., I. Ono, M. Yamamura., An efficient genetic
algorithm for job-shop scheduling problems , Proceeding of 6
t h

International Conference on Genetic Algorithms, pp. 506511, 1995.
[Law87] Lawler E. L., J. K. Lenstra , A. H. G. Rinnooy Kan, D. Shmoys,
The Travelling Salesman Problem : A Guided Tour of
Combinatorial Optimization , Editions John Wiley & Sons, 1987.
[Lem91] Lemonias H., Ordonnancement dAtelier Tches : Une
Approche par Dcomposition , Thse de Doctorat, Institut
National Polytechnique de Grenoble, 1991.
[Len77] Lenstra J.K., A.H.G. Rinnooy Kan, P. Bruker, Complexity of
machine scheduling problems , Annals of Discrete Mathematics,
Vol. 1, pp. 343-362, 1977.
[Lio07] Liouane N., I. Saad, S. Hammadi, P. Borne, Ant systems & Local
Search Optimization for flexible Jop shop Scheduling Production ,
International Journal of Computers, Communications & Control,
Vol. 2, n2, pp. 174-184, 2007.
[Lio98] Liouane N., Contribution llaboration dun outil daide la
dcision pour lordonnancement de production en environnement
incertain , Thse de Doctorat, Universit des Sciences et
Technologies de Lille1, 1998.
[Lop01] Lopez P., F. Roubellat, Ordonnancement de la production ,
Herms Sciences, IC2 Productique, 2001.
[Lop99] Lopez P., P. Esquirol, Lordonnancement , ditions conomia,
1999.
[Mah75] McMahon G.B., M. Florian, On scheduling with ready times and
due dates to minimize maximum lateness , Operations Research,
Vol. 23, n 3, pp. 475-482, 1975.
[Mar96] Martin P., D.B. Shmoys, A new approach to computing optimal
schedules for the job-shop scheduling problem , In the 5
t h

International IPCO Conference, pp. 389403, 1996.
Bibliographie

129
[Mau04] Mauguire P., tude de problmes dordonnancement disjonctifs
avec contraintes de disponibilit des ressources et de
prparation , Thse de Doctorat, Universit de Tours, 2004.
[Mes99] Mesghouni K., Application des algorithmes volutionnistes dans
les problmes doptimisation en ordonnancement de la
production , Thse de Doctorat, Universit des Sciences et
Technologies de Lille 1, 1999.
[Mok83] Mok A., Fundamental Design Problems of Distributed Systems
for the Hard Real-Time Environment , PhD Thesis, MIT
Laboratory for Computer Sciences, 1983.
[Mon74] Montanari U., Networks of Constraints: Fundamental
Properties and Applications to Picture Processing , Artificial
Intelligence, Vol. 7, pp. 95-132, 1974.
[Nak91] Nakano R., T. Yamada, Conventional genetic algorithm for job
shop problems , Proceedings of the fourth International
Conference on Genetic Algorithms, University of California, pp.
474 -479, 1991.
[Now94] Nowicki E., An approximation algorithm for a single-machine
scheduling problem with release times, delivery times and
controllable processing times , European Journal of Operational
Research, Vol. 72, n 1, pp. 74-82, 1994.
[Orm98] Orman A. J., Modelling for the control of a complex radar
system , Computers Operations Research, Vol. 25, n 3, pp.
239-249, 1998.
[Pan92] Panwalkar S.S., R. Rajagopalan, Single-machine scheduling
with controllable processing times , European Journal of
Operational Research, Vol. 59, pp. 298-302, 1992.
[Pas05] Paschos V., Optimisation combinatoire, concepts
fondamentaux , Tome 1, ditions Herms Science, Paris, 2005.

Bibliographie

130
[Pen94] B. Penz, Constructions agrgatives dordonnancements pour
des job-shops statiques, dynamiques et ractifs , Thse de
Doctorat, Universit Joseph Fourier - Grenoble 1, 1994.
[Por88] Portmann M.C., Mthodes de dcompositions spatiale et
temporelle en ordonnancement de la production , APII, Vol. 22,
1988.
[Pot80] Potts C.N., Analysis of a heuristic for one machine sequencing
with release dates and delivery times , Operations Research,
Vol. 28, n 6, pp. 1436-1441, 1980.
[Pot80a] Potts C. N., An adaptative branching rule for the permutation
flow-shop problem , European Journal of Operational
Research, Vol. 5, pp.1925, 1980.
[Roy70] Roy B., Algbre moderne et thorie de graphe , ditions
Dunod, Paris, 1970.
[Sch96] Schwiegelshohn U., Preemptive weighted completion time
scheduling of parallel jobs , In European Symposium on
Algorithms, pp. 39-51, 1996.
[Sch71] Scharge L., Obtaining optimal solutions to resource
constrained net-work scheduling problems, 1971.
[Tam92] Tamaki H., Maintenance of diversity in a genetic algorithm and
application to the job shop scheduling , In Proceedings
IMACS/ SICE Int Symp On MRP2, pp. 869869, 1992.
[Tan06a] Tangour F., I. Saad, Multiobjective Optimization Scheduling
Problems by Pareto-optimality in Agro-alimentary Workshop ,
International Journal of Computers Communications & Control,
IJCCC, Vol. 1, n 3, pp. 71-83, 2006.
[Tan06b] Tangour F., P. Borne, Ordonnancement des oprations dans un
atelier de production agroalimentaire en minimisant le cot ,
Revue e-STA, Vol. 3, n 1, 2006.

Bibliographie

131
[Tan06c] Tangour F., S. Hammadi, P. Borne, M. Benrejeb, Cost optimal
scheduling in an agro-food production workshop , Journal of
Systems Science and Systems Engineering, JSSSE, paratre.
[Ter02] Terrioux C., Approches structurelles et coopratives pour la
rsolution des problmes de satisfaction de contraintes , Thse
de Doctorat, Universit dAix-Marseille I, 2002.
[Vac00] Vacher P., Un systme adaptatif par agents avec utilisation des
algorithmes gntiques multi-objectifs : Application
lordonnancement d'atelier de type job-shop , Thse de
Doctorat, Universit du Havre, 2000.
[Wan99] Chung Wang Y., L. Kwei-Jay, Implementing a general real-
time scheduling framework in the RED-Linux real-time kernel ,
In IEEE Real-Time Systems Symposium, pp. 246255, 1999.
[Wig94] Wigderson A. , S. Ben-Davi, A. Borodin, M. Karp, G. Tardos,
On the power of randomization in on-line algorithms ,
Algorithmica, Vol. 11, pp. 2-14, 1994.
[Yam03] Yamada T., Studies on Metaheuristics for Job-shop and
Flow-shop Scheduling Problems , PhD. Thesis, Kyoto
University, Kyoto, 2003.
[Yam92] Yamada T., R. Nakano, A genetic algorithm applicable to
large-scale job-shop problem , Parallel problem solving from
nature, Editeur R.Mnner and B. Manderick, Amesterdam,
Vol. 2, pp. 281-290,1992.
[Zri05] Zribi N., Ordonnancement des job-shops flexibles sous
contraintes de disponibilit des machines , Thse de Doctorat,
Universit des Sciences et Technologies de Lille, 2005.

Bibliographie

These Fatma

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

These Fatma

Transféré par

Droits d'auteur :

Formats disponibles

N dordre : 51

UNIVERSIT DES SCIENCES ET TECHNOLOGIES DE LILLE

. Cette relation reprsente les affectations compatibles

, date de fin de Oij ,

Vous aimerez peut-être aussi