THSE

En vue de l'obtention du

tel-00554205, version 1 - 10 Jan 2011

DOCTORAT DE LUNIVERSIT DE TOULOUSE

Dlivr par l'Universit Toulouse III - Paul Sabatier Discipline ou spcialit : Systmes industriels et Systmes informatiques

Prsente et soutenue par Bernat GACIAS PASTOR Le 25 novembre 2010 Titre : UNE APPROCHE INTERDISCIPLINAIRE POUR L'ORDONNANCEMENT DES TRANSPORTS

JURY Christian Prins, Professeur l'Universit de Technologie de Troyes (Rapporteur) Jean-Michel Hoc, Directeur de Recherche au CNRS (Rapporteur) Philippe Palanque, Professeur l'Universit Toulouse III - Paul Sabatier Bernard Grabot, Professeur l'Ecole Nationale d'Ingnieurs de Tarbes Pierre Dejax, Professeur l'Ecole des Mines de Nantes Manel Mateo, Matre de Confrences l'Universitat Politcnica de Catalunya Pierre Lopez, Charg de Recherche au CNRS Julien Cegarra, Matre de Confrences au Centre Universitaire Champollion Ecole doctorale : Ecole Doctorale Systmes Unit de recherche : LAAS-CNRS Directeur(s) de Thse : Pierre LOPEZ et Julien CEGARRA Rapporteurs : Christian Prins, Professeur l'Universit de Technologie de Troyes Jean-Michel Hoc, Directeur de Recherche au CNRS

tel-00554205, version 1 - 10 Jan 2011

Remerciements
Ce travail de th`se a t dvelopp au sein du groupe MOGISA (Modlisation, Optimisation e ee e e e et Gestion Intgre de Syst`mes dActivits) au Laboratoire dAnalyse et dArchitecture des e e e e Syst`mes du CNRS. e Je veux dabord remercier mes directeurs de th`se, Pierre Lopez et Julien Cegarra, qui mont e

tel-00554205, version 1 - 10 Jan 2011

donn lopportunit de participer ` ce projet et qui mont oert leur expertise et leur support e e a tout au long de la dure de ce travail. Je les remercie particuli`rement pour leur implication dans e e ce travail et leur patience. Je veux galement nommer Christian Artigues et Wout van Wezel qui e ont aussi particip ` la ralisation de ce travail. ea e Je noublie pas le soutien reu de la part de ma famille, spcialement de mes parents et de c e mon fr`re Tomeu. Finalement, je veux fortement remercier ` deux personnes tr`s spciales dans e a e e ma vie, Ale et Luis, qui sont rests pr`s de moi pendant ces trois annes et qui ont t mon plus e e e ee fort soutien.

tel-00554205, version 1 - 10 Jan 2011

Rsum e e
Dans cette th`se, nous proposons daborder lordonnancement des transports par une ape proche interdisciplinaire. Lide est dintgrer les facteurs humains dans le syst`me daide ` la e e e a dcision ralis, de faon ` ce que lhomme puisse agir sur la modlisation et la rsolution du e e e c a e e probl`me. Le syst`me propos doit orir de la exibilit, an dtre capable de sadapter aux e e e e e

tel-00554205, version 1 - 10 Jan 2011

nouvelles situations et aux changements, mme si ceux-ci nont pas t prvus initialement par e ee e le concepteur du syst`me. Pour atteindre lobjectif x, nous nous sommes notamment appuy e e e sur une analyse du domaine de travail ( Work Domain Analysis ) base sur une hirarchie e e dabstraction des entits (physiques ou plus abstraites) manipules dans ce type de probl`mes. e e e Nous avons propos une architecture pour le syst`me daide ` la dcision base sur cette analyse e e a e e du domaine et la programmation par contraintes. Nous avons galement conu, et intgr dans e c e e le syst`me, des algorithmes ddis et des mthodes de rsolution bass sur le principe dinvere e e e e e sion de mod`le. Enn, nous avons propos une architecture dinterfaces avec lobjectif dassister e e ecacement loprateur humain dans la ralisation des direntes sous-tches ncessaires ` la e e e a e a rsolution globale du probl`me. Ltude du sujet interdisciplinaire a t prcde dune analyse e e e ee e e e focalise sur la rsolution de probl`mes thoriques dordonnancement ` machines parall`les avec e e e e a e contraintes de prcdence et temps de prparation des machines entre oprations, utilisant des e e e e mthodes de recherche arborescente base sur les divergences. e e

Mots-cls : Syst`me daide ` la dcision Probl`me de tournes de vhicules Interfaces hommee e a e e e e machine Inversion de mod`le e

tel-00554205, version 1 - 10 Jan 2011

Abstract
An interdisciplinary approach for the vehicle routing problem
An interdisciplinary approach has been proposed for the vehicle routing problem. The idea is to consider human factors and dynamic aspects for the decision support system (DSS) design. In

tel-00554205, version 1 - 10 Jan 2011

our approach, a link is done between methods of operations research and an ecological interface design coming from engineering cognitive. A work domain analysis for the vehicle routing problem has been done. The analysis is realized through an abstraction hierarchy, which facilitates the identication of the problem constraints. We have proposed a DSS architecture based on this analysis and on constraint programming. Specic algorithms and solving mechanisms based on model inversion have been proposed and integrated in the system. Finally, we have design a set of human-machine interfaces in order to facilitate the problem solving to the human planning. The interdisciplinary study has been preceded by an analysis of the parallel machine scheduling problem with precedence constraints and setup times. Tree searches and local searches based on limited discrepancy search have been proposed to solve the problem.

Key-words : Decision Support System Vehicle Routing Problem Human-Machine Interfaces Model Inversion

tel-00554205, version 1 - 10 Jan 2011

Sommaire

Introduction I Syst`mes daide ` la dcision pour lordonnancement des transports e a e I.1 I.2 I.3 I.4 I.5 Probl`mes de dcision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e e Lordonnancement des transports . . . . . . . . . . . . . . . . . . . . . . . . . . . Conception de syst`mes interactifs . . . . . . . . . . . . . . . . . . . . . . . . . . e Une approche interdisciplinaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1 5 5 6 17 22 25 27 27 27 34 47 49 49 50 51 59 77 80

tel-00554205, version 1 - 10 Jan 2011

II Le domaine de travail II.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . II.2 Analyse du domaine de travail . . . . . . . . . . . . . . . . . . . . . . . . . . . . II.3 Approche propose pour lanalyse du domaine . . . . . . . . . . . . . . . . . . . . e II.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . III Architecture dcisionnelle pour lordonnancement des transports e III.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . III.2 Synoptique de larchitecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . III.3 Analyse des tches pour la rsolution du probl`me . . . . . . . . . . . . . . . . . a e e III.4 Mcanisme de rsolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e e III.5 Rsultats exprimentaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e e III.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

IV Les interfaces homme-machine IV.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . IV.2 Interfaces cologiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e IV.3 Les interfaces du syst`me . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e IV.4 Evaluation de linterface pour la slection des solutions . . . . . . . . . . . . . . . e

83 83 83 86 99

IV.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109 V Assistance ` loprateur dans la phase de rsolution a e e 111

V.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 V.2 Probl`mes non-ralisables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 e e V.3 Inversion de mod`le . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114 e V.4 Rsultats exprimentaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127 e e

tel-00554205, version 1 - 10 Jan 2011

V.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130 VI Rsolution dun probl`me dordonnancement e e 131

VI.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131 VI.2 Probl`mes dordonnancement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131 e VI.3 Probl`me ` machines parall`les . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134 e a e VI.4 Recherche arborescente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142 VI.5 Recherche arborescente base sur les divergences . . . . . . . . . . . . . . . . . . 147 e VI.6 Rsultats exprimentaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155 e e VI.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163 Conclusion et perspectives Bibliographie 165 169

Introduction
Dans un contexte de comptitivit accrue, les entreprises agencent la logistique autour de e e transports de plus en plus ractifs. Les approvisionnements, la production et la distribution e sorganisent, ` partir de production sans stocks, pour permettre des livraisons juste ` temps. a a

tel-00554205, version 1 - 10 Jan 2011

Par ailleurs, les cots de transport dans une cha logistique peuvent reprsenter jusqu` 30 % u ne e a des cots. Ceux-ci ne cessent daugmenter ces derni`res annes ; on a par exemple assist ` une u e e ea augmentation de plus de 7 % en 2008 par rapport ` 2007 pour le transport routier. La gestion de a la ractivit et des cots doit, de plus, prendre en compte les rglementations nationales (par ex. e e u e 35 heures) et europennes (rglementations sur le temps de travail), qui impliquent de nouvelles e e problmatiques sur la composition des transports, la constitution des quipes ou leurs crneaux e e e horaires. Pour obtenir des livraisons ` un cot comptitif, il est donc essentiel dorganiser tr`s a u e e ecacement la cha logistique et les transports. ne Dans cette th`se, nous nous intressons aux probl`mes lis ` lordonnancement des transports e e e e a (ralisation temporelle et spatiale des activits). Pour raliser cet ordonnancement, on ne peut e e e carter lhomme, dans son rle dexcution puisquil est lacteur de lexcution de ces transports, e o e e mais aussi dans son rle de dcision car il est le seul ` mme de pouvoir intgrer contraintes o e a e e techniques, rglementaires, environnementales et sociales, dans le but de fournir des solutions e robustes. Le probl`me dordonnancement purement technique est un probl`me dj` dicile e e ea a e ` rsoudre du point de vue de sa complexit algorithmique. Actuellement, il existe cependant e une large taxonomie des probl`mes, ainsi quune panoplie importante de mthodes pour rsoudre e e e tr`s ecacement les nombreuses variantes existantes. Le contexte de lordonnancement humain e propre ` ce travail int`gre cette complexit tout en impliquant de se pencher vers dautres types a e e de considrations qui inuent notamment sur la modlisation des probl`mes considrs, le type e e e ee et la reprsentation des solutions produites, et les moyens dinteractions (pour la construction e 1

INTRODUCTION

progressive et la rvision des solutions). Les recherches ralises sont donc naturellement inscrites e e e dans un contexte interdisciplinaire, associant spcialistes des facteurs humains et des aspects e mathmatiques. e Dans ltude propose, nous nous focalisons sur la conception dun syst`me daide ` la e e e a dcision pour rsoudre ce type de probl`mes. Les mcanismes et outils danalyse, de conception e e e e et dvaluation de syst`mes socio-techniques complexes proposs dans le domaine de lIngnierie e e e e Cognitive sont combins avec des techniques de modlisation et rsolution issues de la Recherche e e e Oprationnelle. Lobjectif de lapproche est de proposer un syst`me daide ` la dcision qui e e a e privilgie la coopration homme-machine, sans pour autant pnaliser lutilisation dalgorithmes e e e ecaces pour la rsolution du probl`me. e e Dans ce manuscrit, nous traitons deux sujets clairement direncis. La premi`re partie du e e e

tel-00554205, version 1 - 10 Jan 2011

manuscrit est articule en cinq chapitres. Dans cette partie, nous dcrivons les dirents aspects e e e lis a la conception de ce syst`me daide ` la dcision pour lordonnancement des transports. La e ` e a e deuxi`me partie, qui est compose dun unique chapitre (le chapitre VI), consiste en une analyse e e focalise sur la rsolution de probl`mes thoriques dordonnancement ` machines parall`les avec e e e e a e contraintes de prcdence et temps de prparation des machines entre oprations. Bien que e e e e la dirence entre les deux parties soit vidente, il existe nanmoins un point commun. Une e e e partie des mthodes et techniques de rsolution dveloppes dans le chapitre VI pour rsoudre le e e e e e probl`me dordonnancement ont ainsi t intgres dans le mcanisme de rsolution du syst`me e ee e e e e e daide ` la dcision. a e Le premier chapitre est consacr ` une introduction du probl`me qui est ensuite conserve ea e e dans le reste du document. Dans ce chapitre, nous introduisons, dun ct, lordonnancement oe des transports et, dun autre ct, les mthodes de conception de syst`mes coopratifs. Nous oe e e e nous basons sur un tat de lart sur les syst`mes daide ` la dcision dcrits dans la littrature e e a e e e pour identier les limitations des syst`mes actuels et pouvoir ainsi focaliser notre travail sur ces e aspects. Une analyse du domaine de travail pour lordonnancement des transports est propose dans e le deuxi`me chapitre. Il sagit notamment didentier lensemble des degrs de libert oerts e e e par lenvironnement aux oprateurs humains et seulement ensuite de travailler sur les tches e a ralisables au sein de ces invariants. e Le troisi`me chapitre est compos de deux aspects principaux. Dans un premier temps, nous e e 2

INTRODUCTION

prsentons une analyse des tches ` raliser pour la rsolution dun probl`me dordonnancement e a a e e e des transports. Nous nous sommes fonds sur cette analyse pour proposer une rpartition des e e fonctions entre loprateur humain et la machine. La deuxi`me partie du chapitre consiste en la e e description du mcanisme de rsolution et des algorithmes qui le composent. La rpartition des e e e fonctions a permis didentier les algorithmes qui doivent faire partie du mcanisme de rsolution. e e Nous avons propos des algorithmes qui permettent de satisfaire ces fonctions. e Dans le quatri`me chapitre, nous dcrivons les interfaces du syst`me daide ` la dcision. e e e a e La mthodologie de conception dinterfaces homme-machine sappuie fortement sur les tudes e e de la Psychologie Ecologique qui implique de considrer le point de vue du syst`me hommee e environnement comme unit danalyse. Actuellement, il na pas t susamment pris conscience e ee de limportance de ce type dinterfaces dans lordonnancement des transports.

tel-00554205, version 1 - 10 Jan 2011

Le cinqui`me chapitre est consacr ` la description des outils destins ` assister loprateur e ea e a e dans la tche de relaxation de contraintes lorsque le probl`me est non-ralisable. Lapproche a e e propose pour la conception de ces outils est fonde sur lide du principe dinversion du mod`le. e e e e Des techniques de classication issues de lanalyse de donnes sont proposes pour tre intgres e e e e e dans ces mcanismes. e Enn, dans le sixi`me chapitre (et deuxi`me partie) nous traitons le probl`me dordonnane e e cement ` machines parall`les avec considration de contraintes de prcdence et de temps de a e e e e prparation entre tches. Nous proposons de nouveaux algorithmes pour la rsolution de ce e a e probl`me bass sur les principes des algorithmes hybrides de recherche locale et de recherche e e arborescente dcrits dans la littrature. e e

tel-00554205, version 1 - 10 Jan 2011

Chapitre I Syst`mes daide ` la dcision pour e a e lordonnancement des transports

tel-00554205, version 1 - 10 Jan 2011

I.1

Probl`mes de dcision e e

Dans la ralit des probl`mes dordonnancement des transports, des dcisions doivent constame e e e ment tre prises pour trouver une solution qui satisfasse les requtes des clients sans violer les e e contraintes du probl`me. La volont dautomatiser ` outrance les syst`mes de dcisions a soue e a e e vent conduit ` placer lhumain ` la priphrie du syst`me dcisionnel. Cependant, la ncessite a a e e e e e de modier les solutions proposes par ces syst`mes, de faon ` ce que les exigences qui ne e e c a peuvent pas tre formalises soient aussi satisfaites, mais aussi la ncessit de ragir rapidement e e e e e face ` limprvu, obligent ` une participation de lhumain dans le processus de construction des a e a solutions eectivement appliques. e Dans un tel contexte dynamique, il est souvent ncessaire de prendre des dcisions dans des e e intervalles de temps tr`s courts. Cette ractivit est en grande partie assure par les planicae e e e teurs humains, dont les connaissances et le savoir-faire acquis au cours du temps ne peuvent tre modliss de mani`re formelle. Cela a conduit a concevoir une approche cooprative o` les e e e e e u syst`mes dcisionnels voluent vers les syst`mes daide ` la dcision. Le but de ces derniers est e e e e a e dassister le planicateur dans le processus de prise de dcisions. e Dans ce cadre, pour une conception ecace de ces syst`mes daide ` la dcision, il est e a e ncessaire didentier tout dabord quelles sont les capacits et les manques de lhumain pour chae e 5

I.2. LORDONNANCEMENT DES TRANSPORTS

cune des actions ` raliser pendant le processus de rsolution du probl`me. Par exemple, lhumain a e e e est tr`s comptent pour arriver ` trouver un compromis entre dirents crit`res. En revanche, e e a e e il est tr`s inecace pour vrier et maintenir un ensemble important de contraintes, tche o`, e e a u au contraire, le syst`me informatis est performant. Ceci permet de concevoir des algorithmes et e e des mcanismes dinteraction davantage adapts aux besoins du planicateur humain. e e

I.2

Lordonnancement des transports

La problmatique lie ` lordonnancement des transports a t largement tudie au cours des e e a ee e e derni`res dcennies. Dans cette catgorie de probl`mes, nous trouvons deux classes de probl`mes e e e e e qui ont beaucoup attir lattention des chercheurs : le probl`me de transport et le probl`me de e e e

tel-00554205, version 1 - 10 Jan 2011

tournes de vhicules. e e Le probl`me de transport (transportation problem) fut formul pour la premi`re fois par Hite e e chcock (1941). Ce probl`me consiste ` minimiser le cot de transport total dun plan dexpdition. e a u e Le probl`me est un cas particulier dun probl`me de graphe (le probl`me de ot maximal ` cot e e e a u minimal dans un graphe orient biparti). Il peut tre rsolu avec un algorithme de complexit e e e e polynomiale (voir par exemple Nemhauser and Wosley (1999); Lacomme et al. (2003)). Le probl`me de tournes de vhicules ou VRP (Vehicle Routing Problem) a t introduit e e e ee par Dantzig and Ramser (1959). Le probl`me consiste ` dterminer les itinraires ` suivre par e a e e a une otte de vhicules de transport (de biens, de passagers) de mani`re ` satisfaire un ensemble de e e a requtes clients (livraisons, collecte, ramassage, ...). Ce probl`me est une extension du probl`me e e e du voyageur de commerce ou TSP (Travelling Salesman Problem) (Lawler et al., 1985; Gutin and Punnen, 2002). Il fait partie de la classe de probl`mes NP-complets (Lenstra and Kan, 1981). Il e nexiste pas dalgorithme de complexit polynomiale pour rsoudre le probl`me. Toutefois, des e e e mthodes issues de la Recherche Oprationnelle existent pour rsoudre ecacement certaines des e e e nombreuses variantes du VRP (Toth and Vigo, 2001; Cordeau et al., 2005; Barnhart and Laporte, 2007; Golden et al., 2008). Ces mthodes sont principalement de mta-heuristiques (recherche e e tabou, algorithmes gntiques, ...) qui permettent de trouver des solutions de bonne qualit en e e e un temps de calcul raisonnable. Dans les paragraphes suivantes, nous prsentons plus profondment le probl`me de transe e e port et le probl`me de tournes de vhicules. Ensuite, nous numrons les caractristiques et e e e e e e 6

I.2. LORDONNANCEMENT DES TRANSPORTS

particularits des direntes variantes du probl`me de tournes de vhicules. Finalement, nous e e e e e prsentons bri`vement les syst`mes daide ` la dcision pour lordonnancement des transports e e e a e existant dans la littrature. e

I.2.1

Dnition du probl`me de transport e e

Le probl`me de transport peut tre dcrit de la faon suivante. Une quantit de produit unie e e c e forme est disponible en certains points appels origines (par exemple dpts, ports, ...). Dun e e o autre ct, une quantit de produit est demande en dautres points appels destinations (par oe e e e exemple clients, points de vente, ...). Il sagit denvoyer les produits des origines aux destinations. Nous considrons quil existe toujours un chemin pour aller de chaque origine ` chaque destinae a tion. Le cot de transport dune unit de produit des origines vers les destinations est connu. u e

tel-00554205, version 1 - 10 Jan 2011

Lobjectif est de dterminer la distribution de produit qui permette de satisfaire la demande de e chaque destination et de minimiser le cot total de transport. u Nous supposons un ensemble de m origines et n destinations. Notons ai la quantit dunits de e e produit disponible ` lorigine i, et bj la quantit dunits de produit demand par la destination a e e e j. Le cot de transport dune unit de produit depuis lorigine i vers la destination j est not u e e cij . Les variables de dcision xij reprsentent le nombre dunits de produit envoyes de lorigine e e e e i vers la destination j. Le probl`me peut tre formul comme un programme linaire : e e e e
m n

min
i=1 j=1 n

cij xij (I.1)

xij = ai i = 1..m
j=1 m

xij = bj j = 1..n
i=1 m n

Il existe une solution ralisable pour le probl`me I.1 si la condition e e

i=1

ai =
j=1

bj est satisfaite.

Le probl`me est convertible en un probl`me de ot maximum ` cot minimal de la faon suivante. e e a u c Une source s et un puits t ctifs sont ajouts au graphe de liaisons possibles. Un arc (s, i) de e capacit ai relie la source s ` toute origine i. Un arc (j, t) de capacit bj relie toute destination j e a e au puits t. Le graphe de liaisons (entre les origines et les destinations) est biparti, les capacits e des arcs sont innies et le cot par unit de produit est gale ` cij , o` i spcie lorigine et j u e e a u e 7

I.2. LORDONNANCEMENT DES TRANSPORTS

la destination. Le probl`me revient donc ` trouver un ot de dbit gal ` la disponibilit totale e a e e a e

m

ai mais de cot minimal. Lalgorithme de Busacker and Gowen (1961) permet de rsoudre u e
i=1

le probl`me en O(N M 2 U ), o` N est le nombre de sommets du graphe, M est le nombre darcs e u et U est le maximum des disponibilits des origines. Il existe des algorithmes avec une meilleure e complexit thorique, mais associs ` une implmentation bien plus dlicate. e e e a e e Le graphe des liaisons peut tre modi de mani`re ` sadapter aux variantes du probl`me. e e e a e Lalgorithme propos permet aussi de rsoudre le probl`me dans le cas o` la quantit de produit e e e u e
m n

disponible est plus grande que la quantit demande ( e e

i=1

ai >
j=1

bj ). Ceci est fait ` partir de a

m n

la considration dune destination ctive k avec une demande gale ` e e a

i=1 m n

ai
j=1

bj qui permet

dabsorber lexc`s de produit disponible avec un cot de transport nul (cik = 0 i = 1..m). Dans e u le cas contraire ( ai <
j=1

bj ), lalgorithme arrive ` trouver la distribution avec un cot de a u

tel-00554205, version 1 - 10 Jan 2011

i=1

transport minimal, mais la demande des destinations nest pas compl`tement satisfaite. Dans le e cas o` il nest pas possible datteindre une destination j ` partir dune origine i, nous pouvons u a considrer une valeur tr`s importante pour le cot de transport par unit de produit entre ces e e u e deux sommets par rapport aux autres cots. u Des autres variantes du probl`me peuvent tre aussi rsolues avec le calcul du ot maxie e e mum avec un cot minimal sur un graphe lg`rement modi par rapport au graphe prsent u e e e e e pour rsoudre le probl`me de transport de base. Par exemple, dans le probl`me de transbore e e dement (cross-docking), des sommets sont introduits entre les sommets origines et les sommets destinations. Ces sommets intermdiaires servent ` modliser des possibles escales ou direntes e a e e alternatives (itinraires, moyens de transport, ...) pour le transport depuis lorigine vers la dese tination (voir un exemple dans le paragraphe IV.4.2). Lobjectif est de dterminer la solution e (itinraires, moyens de transport, ...) qui permette la distribution des produits tout en minimisant e le cot de transport. u Lautre contrainte qui peut tre facilement intgre dans le probl`me de transport est la e e e e contrainte de capacit. Dans le probl`me de transport original, les arcs entre les origines et les e e destinations ont une capacit innie. Nous pouvons envisager aussi bien dans le probl`me de e e transport que dans le probl`me de transbordement une limite dans la capacit maximale entre e e deux sommets. Cette capacit maximale de larc entre deux sommets peut reprsenter une limite e e lie au moyen de transport utilis entre deux sommets (voir le paragraphe IV.4.2). e e 8

I.2. LORDONNANCEMENT DES TRANSPORTS

I.2.2

Dnition du probl`me de tournes de vhicules (Vehicle Routing e e e e Problem - VRP)

Le probl`me de tournes de vhicules est un nom gnrique pour un ensemble de probl`mes e e e e e e qui consistent ` dterminer les itinraires ` suivre par une otte de vhicules de transport (de a e e a e biens, de passagers, ...) de mani`re ` satisfaire un ensemble de requtes clients (livraisons, collecte, e a e ramassage) (cf. gure I.1).
routes

dpt e o

dpt e o

clients

tel-00554205, version 1 - 10 Jan 2011

Fig. I.1 Tournes de vhicules e e

Dans le probl`me de tournes de vhicules classique, nous considrons uniquement un dpt e e e e e o et les tournes des vhicules doivent partir du dpt et revenir ` ce mme dpt. Chaque point e e e o a e e o de passage ou client doit tre visit, mais chacun dentre eux ne le sera quune seule fois et par e e une seule tourne. Les probl`mes de tournes de vhicules se modlisent gnralement ` laide e e e e e e e a dun graphe dans lequel les sommets reprsentent les points de passage ou clients et les arcs e les axes routiers entre les clients. Lobjectif le plus habituel est la minimisation de la distance parcourue ou du cot total de transport. Dans la littrature, nous trouvons plusieurs propositions u e de formulations linaires pour ce probl`me (Miller et al., 1960; Sveska and Huckfeldt, 1973; Orlo, e e 1974; Bellmore and Hong, 1974). Dantzig and Ramser (1959) introduisent pour la premi`re fois la contrainte lie ` la capacit e e a e limite de transport des vhicules. Ce probl`me est aussi intitul CVRP (Capacitated Vehicle e e e e Routing Problem). Dans ce probl`me, la demande de chaque client est modlise par un poids e e e aect ` chaque sommet. La somme totale des poids des sommets (demande des clients) ape a partenant ` un mme circuit ne peut pas dpasser la valeur dune constante qui reprsente la a e e e valeur limite de la capacit des vhicules. Plusieurs mod`les linaires ont t proposs pour la e e e e ee e 9

I.2. LORDONNANCEMENT DES TRANSPORTS

modlisation de cette variante du probl`me (Balinski and Quandt, 1964; Fisher and Jaikumar, e e 1981; Laporte et al., 1985). Ces formulations et des formulations additionnelles ont t recomee piles dans Laporte and Nobert (1987) et dans Toth and Vigo (2001). e Le CVRP est pour beaucoup dauteurs le probl`me de base des probl`mes de tournes de e e e vhicules, car le probl`me sans la contrainte de capacit correspond au probl`me du voyageur e e e e de commerce avec la considration de multiples voyageurs. Dautres contraintes peuvent venir e sajouter ` ce probl`me de base. En eet, de nombreuses variantes du probl`me de tournes de a e e e vhicules sont prsentes dans la littrature. Les probl`mes rels dordonnancement de transport e e e e e peuvent tre souvent modliss ` partir de laccumulation de plusieurs extensions du probl`me e e e a e de tournes de vhicules. Pour cette raison, il est important de prendre en compte les contraintes e e considres dans les extensions du probl`me de tournes de vhicules lors de la conception dun ee e e e

tel-00554205, version 1 - 10 Jan 2011

syst`me daide ` la dcision. Dans le paragraphe suivant, nous prsentons de la mani`re la plus e a e e e exhaustive possible les variantes du probl`me de tournes de vhicules. e e e

I.2.3

Variantes du probl`me de tournes de vhicules e e e

Le probl`me de tournes de vhicules a de nombreuses variantes ou extensions (voir Boe e e din et al. (1983) et Desrochers et al. (1990) pour une classication des dirents types de e probl`me). Dans ce paragraphe, nous prsentons plus en dtail les variantes les plus traites e e e e dans la littrature. e Probl`me de tournes de vhicules avec fentres de temps e e e e Le probl`me de tournes de vhicules avec fentres de temps ou VRPTW (Vehicle Routing e e e e Problem with Time Windows) est une des extensions les plus tudies dans la littrature. Le e e e VRPTW est lextension du CVRP qui consid`re des contraintes temporelles sur lhoraire de e passage des clients. Une fentre de temps est dnie pour chaque client. Ces fentres spcient e e e e des limites sur la date darrive au plus tt et sur la date darrive au plus tard pour le service e o e dun client. Les fentres de temps molles peuvent tre violes avec la considration dun cot de e e e e u pnalisation. En revanche, les fentres de temps strictes doivent tre absolument respectes. Dans e e e e le cas o` le vhicule arrive chez le client avant la date darrive au plus tt, le vhicule est alors u e e o e oblig de patienter. Comme dans le CVRP, les objectifs doptimisation les plus habituels sont la e minimisation du cot de transport et des vhicules utiliss. Dans certains cas, la minimisation u e e 10

I.2. LORDONNANCEMENT DES TRANSPORTS

du temps dattente peut aussi faire partie des objectifs. Dans la littrature, nous trouvons direntes formulations mathmatiques pour ce type de e e e probl`me (Solomon, 1987; Desrochers et al., 1988). Dirents probl`mes rels peuvent tre aussi e e e e e modliss comme un probl`me de type VRPTW : la livraison de boissons ou de produits alie e e mentaires, la livraison de journaux, la collecte de dchets industriels ou commerciaux (voir, e e.g., Golden et al. (2002); Kim et al. (2006)).

Probl`me de tournes de vhicules avec livraison et retour charg e e e e Le probl`me est connu avec le nom anglais de Vehicle Routing Problem with Backhauls ou e VRPB. Cette variante du probl`me de tournes de vhicules permet indistinctement aux clients e e e dtre livrs ou dtre collects. Le probl`me consid`re les deux ensembles de clients sparment. e e e e e e e e

tel-00554205, version 1 - 10 Jan 2011

Les clients de livraison vont recevoir une quantit de produit provenant du dpt et les clients e e o de collecte vont fournir une quantit de produit qui doit tre ramene au dpt. La contrainte e e e e o principale du probl`me est que pour chaque tourne les clients qui font partie des clients de e e livraisons doivent tre servis avant les clients de collecte. Ceci implique quil faut que la livraison e soit compl`tement nie pour commencer a collecter. Cette contrainte peut tre modlise par un e e e e ensemble de contraintes de prcdence entre chaque client de livraison avec tous les clients de e e collecte. Plusieurs formulations linaires ont t proposes pour ce type du probl`me (Goetshalckx and e ee e e Jacobs-Blecha, 1989; Toth and Vigo, 1997). Cette variante du probl`me est bien approprie pour e e certains probl`mes rels o` le cot du rarrangement de la charge est important. En plus, Golden e e u u e et al. (1985) soulignent limportance dune telle approche pour faire des conomies dans les e syst`mes mixtes avec distribution et collecte, en opposition ` une approche o` la distribution et e a u la collecte sont considres comme deux probl`mes traits de mani`re indpendante. ee e e e e

Probl`me de tournes de vhicules avec collecte et livraison e e e Ce probl`me est tr`s proche du VRPB. Le nom en anglais est Vehicle Routing Problem with e e Pick-up and Deliveries (VRPPD). La caractristique de ce type de probl`me est que chaque e e requte est dnie par un sommet de collecte, un sommet de livraison et la demande ` transe e a porter entre ces deux sommets. Le VRP classique dans la version de livraison (respectivement de collecte) est donc considr comme un VRPPD o` les points de collecte (respectivement de ee u 11

I.2. LORDONNANCEMENT DES TRANSPORTS

livraison) est le dpt pour chaque requte. e o e Lapplication relle la plus importante de ce probl`me est le transport ` la demande (dial-ae e a ride problem or on-demand transportation problem, en anglais). Dans ce cas, il sagit de transporter des personnes et le probl`me prsente habituellement des contraintes additionnelles. Des e e fentres de temps peuvent tre imposes pour le ramassage et pour le dpt o`, parfois, la e e e e o u contrainte considre est de respecter une dure maximale entre le ramassage et le dpt dun ee e e o usager.

Probl`me de tournes de vhicules avec livraison partage e e e e Le SDVRP (Split Delivery Vehicle Routing Problem) est une relaxation du probl`me de e base de tournes de vhicules. Dans cette variante, les clients peuvent tre servis par dirents e e e e

tel-00554205, version 1 - 10 Jan 2011

vhicules. Ceci implique la relaxation de la contrainte du CVRP qui limite ` une le nombre de e a fois o` un client peut tre visit. u e e

Probl`me de tournes de vhicules avec capacit sur les arcs e e e e Ce probl`me peut tre considr comme une classe de probl`me dirente plutt que comme e e ee e e o une extension du VRP. Dans le CARP (Capacitated Arc Routing Problem), la dnition du client e est dirente par rapport ` celle du CVRP. La dirence principale entre les deux probl`mes est e a e e que le CARP consid`re que les clients sont placs sur les arcs du graphe, contrairement au VRP e e o` les clients sont reprsents par les sommets du graphe. Ceci implique que chaque arte du u e e e graphe doit tre traverse au moins une fois par un des vhicules. e e e Plusieurs probl`mes rels peuvent tre modliss comme un probl`me de tournes de vhicules e e e e e e e e avec capacit sur les arcs, quelques exemples sont : la collecte de dchets, le nettoyage des rues, e e la distribution de courriers ou linspection de lignes lectriques (voir Santos et al. (2008) pour e un exemple dapplication relle). e

Probl`me de tournes de vhicules avec contrainte sur la distance e e e Ce probl`me est connu avec le nom anglais de distance-constrained VRP. Le probl`me consid`re e e e une borne limite pour la longueur totale des tournes. Cette contrainte peut sappliquer ` dautres e a caractristiques des tournes comme la dure, le cot ou le nombre de clients. e e e u 12

I.2. LORDONNANCEMENT DES TRANSPORTS

Des situations relles peuvent tre modlises avec ce type de contraintes. Par exemple, Mene e e e doza et al. (2009) utilisent ce type de contraintes pour modliser une limite impose sur la distance e e maximale ` parcourir en une journe par un reviseur. Dans Ruiz et al. (2004), la contrainte est a e utilise pour modliser la limitation de la capacit de transport des vhicules qui disposent de e e e e compartiments de transport individualiss pour chaque client. e Probl`me de tournes de vhicules avec otte htrog`ne e e e e e e Le probl`me de tournes de vhicules avec otte htrog`ne (Heterogeneous Fleet Vehicle e e e ee e Routing Problem ou HFVRP) est une variante du CVRP o` chaque type de vhicule dispose u e dune capacit de transport dirente. Pour rsoudre ce probl`me, en plus de la construction des e e e e tournes, il est aussi ncessaire de dterminer le nombre de vhicules de chaque type de vhicule e e e e e

tel-00554205, version 1 - 10 Jan 2011

a ` utiliser. Probl`me de tournes de vhicules avec dpts multiples e e e e o Le probl`me de tournes avec dpts multiples ou MDVRP (Multi Depot Vehicle Routing e e e o Problem) est une extension qui consid`re plusieurs dpts pour le dpart et le retour des tournes. e e o e e Chaque dpt dispose dune otte de vhicules et le dpt de dbut et de n pour chaque tourne e o e e o e e doit tre le mme. e e Probl`me de tournes de vhicules priodique e e e e Le probl`me de tournes de vhicules priodique ou PVRP (Periodic Vehicle Routing Proe e e e blem) a t formul par premi`re fois par Beltrami and Bodin (1974). Dans le PVRP les tournes ee e e e sont dtermines pour une priode de temps (par exemple pour une semaine). Les clients peuvent e e e tre servis plusieurs fois dans cet horizon de temps. Une frquence de passage dans lhorizon de e e temps est dni pour chaque client. Cette frquence permet de dterminer les combinaisons de e e e jours possibles pour le passage de chaque client. Pour rsoudre un PVRP, il faut donc dterminer e e simultanment une combinaison de jours de passage pour chaque client et lensemble des tournes e e pour chaque jour de lhorizon de planication. Ce type de probl`me se rencontre frquemment dans les probl`mes rels de collecte de dchets e e e e e (produits recyclables, dchets industriels, ...) o` un passage journalier nest pas ncessaire pour e u e chaque point de collecte. 13

I.2. LORDONNANCEMENT DES TRANSPORTS

Probl`me de tournes de vhicules combines ` la gestion de stocks e e e e a Cette variante nomme aussi IRP (Inventory Routing Problem) est tr`s dirente du VRP. e e e La premi`re dirence est que, comme dans le PVRP, la planication des tournes est faite dans e e e un horizon de temps. La deuxi`me dirence qui caractrise ce type de probl`me est que les e e e e demandes ne sont pas imposes par le client, cest-`-dire que la quantit de produit ` livrer ` e a e a a chaque client fait partie des variables de dcision. La seule condition ` respecter est que les clients e a ne peuvent pas arriver ` la rupture de stock de produit. Finalement, une fois prises les dcisions a e concernant le moment o` le client va tre servi et la quantit concerne, il reste ` dterminer u e e e a e lensemble des tournes des vhicules. Lobjectif est de minimiser le cot de transport pour e e u lhorizon de planication tout en assurant que les clients disposent ` tout moment du produit. a

tel-00554205, version 1 - 10 Jan 2011

Probl`me de tournes de vhicules stochastique e e e Le probl`me de tournes de vhicules stochastique ou SVRP (Stochastic Vehicle Routing e e e Problem) correspond ` un VRP o` un ou plusieurs lments sont modliss par des variables a u ee e e alatoires. Ces variables servent ` modliser lincertitude vis-`-vis de certaines donnes du proe a e a e bl`me. Dans la littrature, les trois types de probl`mes les plus tudis sont le VRPSD (Vehicle e e e e e Routing Problem with Stochastic Demand) qui correspond au probl`me de tournes de vhicules e e e avec demandes stochastiques, le VRPSC (Vehicle Routing Problem with Stochastic Customers) qui associe une probabilit ` la prsence ou non des clients et le VRPSTT (Vehicle Routing e a e Problem with Stochastic Travel Time) qui consid`re lincertitude sur les temps de trajet. e

Probl`me de tournes de vhicules dynamique e e e Le probl`me de tournes de vhicules dynamique ou DVRP (Dynamic Vehicle Routing Proe e e blem) fait partie des plus rcentes extensions du VRP. La dirence entre cette variante et les e e autres est que le DVRP modie le mod`le du probl`me au cours du temps. Actuellement, les e e avances rcentes en mati`re de tlcommunications et de technologies de linformation donnent e e e ee la possibilit de pouvoir accder ` de nombreuses informations tr`s rapidement. Ces informations e e a e concernent habituellement lvolution des donnes au cours du temps, mais parfois peuvent aussi e e entra ner lapparition de nouvelles contraintes qui nont pas t prises en compte dans la premi`re ee e modlisation du probl`me. Ce fait explique lmergence actuelle des probl`mes de tournes dye e e e e 14

I.2. LORDONNANCEMENT DES TRANSPORTS

namiques. Dans la littrature, nous pouvons identier deux familles de probl`mes de tournes e e e dynamiques : Les probl`mes o` un ou plusieurs vnements apparaissent au cours du temps une fois e u e e les tournes dj` en place ; ils vont ainsi ajouter de nouvelles variables et de nouvelles e ea contraintes au mod`le de base. e Les probl`mes o` linformation sur un ou plusieurs vnements volue une fois les tournes e u e e e e dj` en place, cest-`-dire que les valeurs de certains param`tres du mod`le de base changent. ea a e e Ce dernier cas peut parfois tre prvu ` lavance en modlisant linformation qui est suse e a e ceptible dvoluer par des variables alatoires. Dans ce cas, le probl`me devient un probl`me de e e e e tournes de vhicules stochastique. e e

tel-00554205, version 1 - 10 Jan 2011

I.2.4

Syst`mes daide ` la dcision pour les probl`mes de tournes de e a e e e vhicules e

Les avances en mati`re de technologies de linformation ont rvolutionn la conception des e e e e syst`mes daide ` la dcision pour les probl`mes de tournes de vhicules. Les syst`mes dinfore a e e e e e mation gographique (GIS) sont de plus en plus utiliss dans la conception de syst`mes daide ` e e e a la dcision dites spatiales (Spatial Decision Support Systems, SDSS). En eet, un grand eort est e fait pour arriver ` intgrer dune mani`re ecace les GIS dans les syst`mes les plus rcents de la a e e e e littrature. Ces syst`mes dinformation sont normalement relis ` des algorithmes doptimisation e e e a spciques qui permettent de trouver des solutions de bonne qualit pour la variante de probl`me e e e de tournes de vhicules considre. e e ee Dans ce contexte, Basnet et al. (1996) prsentent un SAD pour la construction des tournes e e pour la distribution de lait en Nouvelle-Zlande. Le syst`me exploite la capacit des planicateurs e e e a ` reconna des patrons ` partir des localisations des clients et des routes. Les auteurs proposent tre a dutiliser lalgorithme de sweep (Gillet and Miller, 1974) combin avec lalgorithme dinsertion e propos par Syslo et al. (1983) pour la construction des tournes. Le syst`me ore ` lutilisateur e e e a la possibilit de modier les solutions. Pour cela, des entretiens avec des planicateurs ont permis e didentier les principaux besoins pour la rsolution du probl`me ; les informations pertinentes e e pour la prise de dcision sont alors aches pour aider le planicateur. Comme les auteurs e e ladmettent dans leur article, les algorithmes proposent des solutions qui parfois ne sont pas 15

I.2. LORDONNANCEMENT DES TRANSPORTS

ralisables. Ceci est une consquence du fait que le syst`me ne permet pas de prendre en compte e e e toutes les contraintes qui interviennent dans le probl`me. e Ruiz et al. (2004) proposent un SAD interactif pour une entreprise de distribution daliments composs. Une approche exacte en deux phases (une numration compl`te des tournes e e e e e ralisables et un programme linaire en nombres entiers qui en dtermine la meilleure compte e e e tenu dune fonction objectif donne) est propose pour la rsolution du probl`me de tournes e e e e e de vhicules avec considration de contraintes particuli`res. Le syst`me daide ` la dcision ne e e e e a e permet pas ` loprateur de modier les tournes. Lalgorithme embarqu est le seul moyen de a e e e construire les tournes. Lalgorithme propose ` loprateur uniquement les solutions qui minie a e misent le cot de transport. Le probl`me dun tel syst`me est quil est compl`tement centr sur la u e e e e machine et sur le mcanisme de rsolution. Loprateur ne peut que considrer les contraintes qui e e e e

tel-00554205, version 1 - 10 Jan 2011

ont t identies lors de la conception du syst`me daide ` la dcision. En plus, le syst`me daide ee e e a e e a ` la dcision devient obsol`te lorsque les caractristiques du probl`me changent. Par exemple, le e e e e syst`me ne consid`re pas la possibilit dintgrer un nouveau centre de distribution (dpt) au e e e e e o probl`me ou de modier les caractristiques de la otte de vhicules. e e e Nous rencontrons ces inconvnients dans dautres syst`mes daide ` la dcision de la littrature. e e a e e Par exemple, dans Tarantilis and Kiranoudis (2002), un SAD pour la conception de tournes de e vhicules adapt ` la ville dAth`nes est prsent. Un algorithme de recherche locale bas sur les e ea e e e e oprateurs classiques de cration de voisinages est propos pour la rsolution du HFVRP (Hee e e e terogeneous Fleet Vehicle Routing Problem) avec considration dune dure maximale pour les e e tournes. Les auteurs proposent une architecture de donnes qui permet une intgration ecace e e e dun GIS. La solution propose par le mcanisme de rsolution est impose ` lutilisateur, car e e e e a loprateur ne dispose pas des outils dinteraction ncessaires pour modier les solutions. Dautres e e exemples sont les syst`mes daide a la dcision proposs par Matsatsinis (2004) et par Ray (2007) e ` e e qui sont aussi des syst`mes avec une conception exclusivement centre sur la machine. Le premier e e est un SAD pour une entreprise de distribution de ciment en Gr`ce. La variante de tournes de e e vhicules considre est le probl`me de tournes de vhicules avec dpts multiples et tournes e ee e e e e o e multiples par vhicule et avec la considration de fentres de temps pour les clients (Multie e e Depot Multi-Vehicle Routing with Time Windows). Le probl`me est rsolu en deux tapes : un e e e programme linaire pour dterminer laectation des clients aux vhicules et une heuristique e e e pour dterminer les itinraires (lordre des clients) pour chaque vhicule. Le deuxi`me est un e e e e 16

` I.3. CONCEPTION DE SYSTEMES INTERACTIFS

SAD pour loptimisation des tournes des vhicules longs/lourds o` un algorithme hybride de e e u recherche itrative est propos. Dans ces trois syst`mes (Tarantilis and Kiranoudis, 2002; Mate e e satsinis, 2004; Ray, 2007), loprateur humain joue un rle compl`tement passif face au syst`me. e o e e Une unique solution est propose ` loprateur et le SAD ne dispose pas non plus des outils e a e ncessaires pour aider loprateur humain ` modier les solutions proposes. e e a e Ces outils sont cependant disponibles dans les SAD proposs par Santos et al. (2008) pour e la collecte de dchets au Portugal et par Mendoza et al. (2009) pour un probl`me de conception e e ditinraires pour un reviseur. Ces syst`mes proposent des outils dinteraction homme-machine e e pour la modication des solutions et achent aussi des informations sur les solutions qui peuvent tre utiles ` loprateur pour la ralisation de cette tche. Santos et al. (2008) proposent comme e a e e a algorithme une version modie de lalgorithme de path-scanning (Golden et al., 1983). Mene

tel-00554205, version 1 - 10 Jan 2011

doza et al. (2009) proposent un algorithme gntique qui utilise une variante de lheuristique e e savings (Clarke and Wright, 1964) pour obtenir la population initiale, une procdure de ree cherche locale base sur les -voisinages proposs dans Osman (1993) pour amliorer les solutions e e e et deux stratgies pour la rparation des solutions (la stratgie connue comme split bin packing e e e et la stratgie propose dans Prins (2004)). De plus, ce syst`me propose plusieurs solutions altere e e natives, de mani`re ` ce que loprateur puisse choisir la plus convenable en fonction du contexte. e a e Toutefois, ces deux syst`mes ne permettent pas la considration de contraintes qui nont pas t e e ee identies lors de la conception du syst`me et se pose le probl`me de leur prennit dans le cas de e e e e e changement des caractristiques du probl`me. La raison profonde en est que les caractristiques e e e spciques du probl`me sont intgres au niveau de lalgorithme de rsolution et elles ne peuvent e e e e e pas tre modies par loprateur lors de la modlisation du probl`me. e e e e e

I.3
I.3.1

Conception de syst`mes interactifs e

Le syst`me homme-machine e

Un syst`me peut tre dni comme un ensemble de composants organiss interagissant pour e e e e parvenir ` un objectif. Un syst`me homme-machine est alors un syst`me constitu de machines a e e e et dagents humains. Contrairement ` dautres types de syst`mes, les syst`mes homme-machine a e e ne sont pas compl`tement isols. Lenvironnement peut avoir un eet important sur le fonctione e nement du syst`me. e 17

` I.3. CONCEPTION DE SYSTEMES INTERACTIFS

Les syst`mes homme-machine actuels sont de plus en plus complexes. Par exemple dans e le domaine des transports, les avances rcentes en technologies de linformation ont suppos e e e une augmentation considrable des transferts dinformation et dactions entre lenvironnement e et le syst`me. Pour arriver ` une conception ecace dun syst`me homme-machine, il est donc e a e ncessaire de prendre en compte les caractristiques de lhumain, des machines et de la nature e e des interactions entre lhumain et la machine et entre le syst`me et lenvironnement. e

I.3.2

Les approches existantes pour la conception de syst`mes e

La littrature en conception de syst`mes est extrmement riche. De nombreux mod`les e e e e de dveloppement issus du domaine du gnie logiciel ont t proposs au cours des derni`res e e ee e e dcennies. La tendance actuelle est denrichir ces mod`les en considrant langle de linterace e e

tel-00554205, version 1 - 10 Jan 2011

tion homme-machine (Kolski and Ezzedine, 2003). Ces approches sav`rent ecaces pour la e conception de syst`mes de contrle ou de supervision. Nous considrons quils restent cependant e o e insusants pour assurer une interaction homme-machine pertinente lorsquil sagit de syst`mes e daide ` la dcision. En eet, les syst`mes conus avec ces approches ne permettent pas dexploia e e c ter les capacits dont lhumain dispose pour rsoudre les probl`mes. Lhumain y est gnralement e e e e e considr comme un utilisateur qui interagit avec lordinateur uniquement pour laider ` nir la ee a rsolution du probl`me, par exemple choisir entre deux solutions grce ` une interface. Une ape e a a proche nalement plus ecace pour ce type de syst`mes consiste ` considrer lhumain comme un e a e oprateur. Loprateur nest pas limit ` une relation homme-machine mais va aussi chercher e e ea des informations, ngocier le relchement de contraintes, etc. Dans ce cas, les tches ne peuvent e a a plus tre analyses et modlises uniquement sous un angle utilisateur, il faut aussi analyser e e e e toutes les tches de lhumain avec ou sans lordinateur pour ainsi arriver ` concevoir un syst`me a a e capable de supporter loprateur dans chacune de ces tches. e a Cest dans ce contexte que lingnierie cognitive appara Lingnierie cognitive est une dise t. e cipline mergente qui se place entre la psychologie cognitive, lergonomie et lingnierie des e e syst`mes. Lobjectif principal est de concevoir des mthodes, des outils et des techniques pour e e guider la conception de syst`mes qui permettent de prendre en considration les facteurs hue e mains. Pour cela, il est ncessaire de se focaliser sur les processus cognitifs de lhumain tels que e la rsolution de probl`mes, le raisonnement, la prise de dcisions, lattention, la perception et la e e e mmoire (Roth et al., 1994). La plupart des mthodes issues de lingnierie cognitive proposes e e e e 18

` I.3. CONCEPTION DE SYSTEMES INTERACTIFS

dans la littrature sont centres sur lanalyse de la tche (voir Diaper (2004) pour une revue de e e a ces mthodes). e Les mthodes danalyse de la tche sont tr`s apprcies dans les applications industrielles (Tere a e e e rier and Cellier, 1999). Ces mthodes permettent didentier les actions ` raliser et les besoins e a e dinformation pour la ralisation de la tche. Elles prsentent deux limitations majeures. La e a e premi`re est que ces analyses sont souvent utilises pour identier les contraintes qui interviennent e e dans la ralisation de la tche et pouvoir ainsi les intgrer dans les algorithmes de mani`re ` aue a e e a tomatiser le plus possible sa ralisation. Ce mod`le sous-estime les capacits de lhumain qui e e e est relgu ` un rle plutt passif lors de la rsolution du probl`me. De nombreuses tudes ont e ea o o e e e montr que les syst`mes hybrides avec une bonne coopration homme-machine sav`rent plus e e e e ecaces que la machine ou lhomme seuls.

tel-00554205, version 1 - 10 Jan 2011

La deuxi`me limitation est que les mthodes bases sur lanalyse de la tche ne sont pas e e e a indpendantes de la tche analyse. Le syst`me conu reste alors insusant face aux situations e a e e c qui nont pas t traites lors de la phase de conception, car une numration compl`te de tous ee e e e e les scnarios possibles nest pas envisageable (question de cot, temps, ...). On esp`re alors que e u e loprateur sera capable daronter ces situations en proposant des solutions satisfaisantes, ceci e sans aucun support ecace puisque le syst`me nest pas capable de garantir la compltude et la e e cohrence des solutions proposes dans un contexte non prvu. e e e Des mthodes alternatives sont alors ncessaires pour arriver ` concevoir des syst`mes qui e e a e permettent une intgration ecace de lergonomie. Une de ces mthodes est lAnalyse Cognitive e e du Travail (Cognitive Work Analysis - CWA). Le CWA articule lanalyse de la tche ` un ensemble a a dtapes danalyse du travail qui permettent aussi de prendre en considration les contraintes e e environnementales du syst`me de travail. e

Analyse cognitive du travail (Cognitive Work Analysis - CWA) Lanalyse cognitive du travail a t propose comme une mthode pour la conception de ee e e syst`mes complexes (Rasmussen, 1986a; Rasmussen et al., 1994; Vicente, 1999b). La mthode e e a ses origines dans lapproche de la psychologie cologique de la perception (Gibson, 1979). La e philosophie de la psychologie cologique est de fonder lanalyse de la perception sur les rape ports entre lorganisme vivant et son environnement. Ce principe de base a t repris dans le ee domaine de lingnierie cognitive par Rasmussen et ses coll`gues. Le CWA propose une analyse e e 19

` I.3. CONCEPTION DE SYSTEMES INTERACTIFS

du syst`me en se focalisant sur les contraintes imposes par lenvironnement sur le comportement e e de loprateur. Cette mthode scarte des mthodes classiques pour la conception de syst`mes e e e e e bases sur lanalyse des tches ralises par lhumain. Le CWA souligne limportance de la dese a e e cription des limites du domaine de travail et des contraintes imposes pour ce domaine pour e arriver ` identier (sans limiter) les possibilits de comportement de loprateur humain. a e e La mthode se situe dans les approches formatives selon la classication propose par Rase e mussen (1997) pour les mthodes danalyse du travail. Lide principale de lapproche est que e e loprateur doit terminer la conception du syst`me. Lapproche formative se focalise donc sur e e lidentication des exigences qui doivent tre satisfaites, en opposition aux approches normae tives (comme cest le cas dans la plupart des mthodes danalyse de la tche) et descriptives e a qui cherchent respectivement ` modliser la tche qui doit tre ralise et ` dcrire la mani`re a e a e e e a e e

tel-00554205, version 1 - 10 Jan 2011

dont la tche est ralise par les oprateurs (voir Cegarra and van Wezel (2010) pour une disa e e e cussion plus approfondie sur les dirents types dapproches appliques aux probl`mes dore e e donnancement). Un des avantages des mthodes formatives est que les direntes possibilits e e e daction sont prsentes ` loprateur et celui-ci doit choisir la mieux adapte, contrairement aux e e a e e autres approches qui cherchent ` diriger et guider de mani`re beaucoup plus directe loprateur a e e vers la tche ou lactivit connue. Ceci a des consquences tr`s importantes pour la concepa e e e tion de syst`mes. La premi`re est que le syst`me conu ` partir dune approche formative reste e e e c a indpendant de la stratgie utilise par loprateur pour la ralisation de la tche. La seconde est e e e e e a que le syst`me est cens toujours assister loprateur aussi bien dans les situations famili`res que e e e e dans les situations moins habituelles qui nont pas t prvues lors de la conception du syst`me. ee e e La mthode se droule en cinq tapes : lanalyse du domaine de travail, lanalyse de la e e e tche, lanalyse des stratgies, lanalyse socio-organisationnelle et lanalyse des comptences de a e e loprateur. A travers les cinq tapes de la mthode, le concepteur arrive ` la prise en compte des e e e a aspects cognitifs de loprateur ` partir des aspects cologiques ou environnementaux dcrits prine a e e cipalement dans la premi`re tape. Dans la littrature, nous trouvons des exemples de syst`mes e e e e daide ` la dcision pour les probl`mes dordonnancement qui ont t conus en ignorant les a e e ee c contraintes cognitives et qui ont montr leur inecacit (dicult dutilisation, inadaptation e e e aux modes opratoires des oprateurs expriments, ...) (voir Hoc et al. (2004)). e e e e Lanalyse du domaine de travail est la premi`re et la principale tape du CWA. Cette tape e e e consiste en la ralisation dune description du domaine de travail du syst`me. Ce dernier est vu e e 20

` I.3. CONCEPTION DE SYSTEMES INTERACTIFS

comme lobjet de laction, en opposition ` lanalyse de la tche qui dcrit les objectifs de laction. a a e La reprsentation du domaine de travail dcrit la structure du syst`me indpendamment des e e e e oprateurs, du degr dautomatisation, des vnements, des tches, des objectifs ou des interfaces. e e e e a Lanalyse consiste en lidentication des contraintes imposes par le domaine sur le syst`me et e e qui vont limiter le comportement des agents dexcution (homme ou machine). Lobjectif de e cette tape est didentier linformation ncessaire ` fournir ` loprateur dans des situations e e a a e inattendues ou non famili`res. Cette description du domaine reste donc indpendante vis-`-vis e e a des vnements et des moyens, mais est par contre compl`tement dpendante de la raison dtre e e e e e (but) de lanalyse. Une analyse du domaine de travail pour lordonnancement des transports est prsente dans le chapitre II comme la premi`re tape pour la conception dun syst`me daide ` e e e e e a la dcision pour ce type de probl`mes. e e

tel-00554205, version 1 - 10 Jan 2011

La deuxi`me tape de la mthode est lanalyse de la tche. Dapr`s Vicente (1999b), lanalyse e e e a e de la tche est une tape complmentaire ` lanalyse du domaine de travail. En eet, mme a e e a e si lanalyse de la tche ne permet pas didentier linformation ncessaire pour le support de a e loprateur humain face ` des situations non famili`res ou inattendues, cette deuxi`me tape e a e e e peut tre utile pour identier et dcrire ce qui doit tre fait face lors de situations habituelles, e e e sans spcier pour autant comment et pour qui cela doit tre fait. Lobjectif de cette analyse est e e donc de parvenir ` identier linformation ncessaire pour lassistance ` loprateur et galement a e a e e les contraintes qui doivent tre prises en compte pour la slection de la stratgie ` suivre pour e e e a la ralisation de la tche. e a Lanalyse des stratgies est la troisi`me tape de la mthode. Dans cette tape, le concepteur e e e e e commence ` sintresser aux aspects cognitifs de lutilisateur dans la rsolution du probl`me. a e e e Si dans ltape danalyse de la tche lintrt est de dterminer ce quil doit tre fait, dans e a ee e e cette tape le concepteur sintresse ` la description du processus de comment les tches doivent e e a a tre ralises. Lobjectif de cette tape est donc de dcrire les direntes stratgies possibles, e e e e e e e de mani`re a identier les besoins de chaque stratgie (information ` fournir ` loprateur) e ` e a a e pour arriver ` raliser la tche. Le syst`me est ainsi capable de fournir lassistance ncessaire ` a e a e e a loprateur humain (mme pour les stratgies de grande charge mentale), indpendamment de e e e e la stratgie choisie pour la ralisation de la tche. e e a Lanalyse socio-organisationnelle et de la coopration est la quatri`me tape de la mthode. e e e e Une fois le domaine dcrit, les tches ` raliser dnies et les direntes stratgies analyses, e a a e e e e e 21

I.4. UNE APPROCHE INTERDISCIPLINAIRE

cette tape aborde, dune part, la rpartition des rles entre loprateur humain et la machine e e o e et, dautre part, les formes de communication et de coopration des dirents acteurs. Lobe e jectif de cette analyse est de rpartir les dirents besoins identis dans les analyses des trois e e e premi`res tapes entre les dirents acteurs (oprateur ou groupe doprateurs humains et mae e e e e chine ou groupe de machines). Ainsi, le rsultat de cette tape est une aectation des rles et e e o des responsabilits pour chaque acteur et une structure organisationnelle qui dnit comment e e les acteurs doivent travailler (par groupes, par quipes, ...), comment doivent tre institues la e e e communication et la coopration entre ces acteurs et quelles sont les relations de hirarchie entre e e les units organisationnelles pour cette coopration. e e Enn, la derni`re tape de la mthode est lanalyse des comptences de loprateur. Cette e e e e e tape cherche ` identier, ` partir des besoins identis dans les tapes prcdentes de la mthode, e a a e e e e e

tel-00554205, version 1 - 10 Jan 2011

quelles sont les comptences dont loprateur doit faire preuve. Cette analyse est ` tout moment e e a cohrente avec les limitations et les capacits cognitives de lhumain. e e

I.4

Une approche interdisciplinaire

Lobjectif principal de ce travail est de proposer une approche interdisciplinaire applique ` e a la rsolution des probl`mes dordonnancement des transports. Nous nous intressons plus partie e e culi`rement ` la conception dune architecture gnrique ainsi quaux outils dinteraction hommee a e e machine ncessaires pour un syst`me daide ` la dcision pour rsoudre les probl`mes de tournes e e a e e e e de vhicules. Nous proposons une articulation entre des mthodes de recherche oprationnelle e e e (la programmation par contraintes et des algorithmes ddis pour les probl`mes de tournes de e e e e vhicules) et une analyse du domaine de travail. e Nous avons constat tout au long de ce chapitre certains manques dans les approches clase siques de conception de syst`mes, notamment pour les syst`mes daide ` la dcision pour les e e a e probl`mes de tournes de vhicules. Dans la plupart de ces syst`mes, le probl`me est abord e e e e e e dans sa globalit de mani`re automatique et permettent peu de coopration entre lhomme et e e e la machine. Par exemple, nous avons relev des SAD o` une unique solution est propose ` e u e a loprateur. Jngen and Kowalczyk (1995) notent cependant quune bonne performance dune e u solution nimplique pas une acceptation irrchie de la part de loprateur, particuli`rement ` e e e e a cause de lexistence de certaines dcisions qui sopposent directement au point de vue de lhue 22

I.4. UNE APPROCHE INTERDISCIPLINAIRE

main. Dun autre ct, une solution qui viole certaines contraintes du mod`le initial peut tre oe e e parfois juge comme bonne. e Dans les SAD actuels, la considration des facteurs humains est tr`s majoritairement abe e sente des phases de modlisation et de rsolution des probl`mes. Il sagit notamment du rle e e e o du planicateur ou superviseur de tournes qui peut contribuer ` llaboration de la tourne, si e a e e tant est quon lui laisse la possibilit dagir sur les contraintes du probl`me trait. En eet, il e e e peut disposer de connaissances ou dheuristiques pour anticiper les alas tels que les commandes e urgentes, les pannes de vhicules, les embouteillages sur certaines routes, le remplacement de e chaueurs, etc. (voir Cegarra (2008) pour une discussion sur la contribution de lhumain pour des dcisions dordonnancement). Il est donc important de permettre ` lhumain dagir sur les e a contraintes pour quil puisse contribuer ` la robustesse de la solution produite par loutil. a

tel-00554205, version 1 - 10 Jan 2011

La deuxi`me des limitations que nous avons remarque est lie au fait que les mod`les sur e e e e lesquels seectuent la rsolution sont impermables aux changements rapides de situations. En e e eet, la dynamique dans ce domaine est tr`s forte et, dans certains cas extrmes, les contraintes e e peuvent avoir t modies avant mme la n de la phase de modlisation. Dapr`s nous, le ee e e e e syst`me daide ` la dcision doit permettre une modication compl`te du mod`le du probl`me. e a e e e e Dans le cas contraire, les syst`mes deviendront obsol`tes d`s quun nouveau type de contrainte e e e sajoute au probl`me car les solutions proposes ne sont plus ralisables. e e e Finalement, une autre des limitations rencontres est que les algorithmes et les interfaces e sont souvent conus pour rsoudre un probl`me de tournes de vhicules et non pour rsoudre c e e e e e les dicults rencontres par lhumain lorsque cest lui qui rsout tout ou partie du probl`me. e e e e En eet, nous avons vu des syst`mes avec un unique algorithme de rsolution et aussi avec des e e interfaces qui permettent seulement une interaction tr`s lg`re entre lutilisateur et le syst`me e e e e (modications locales de la solution nale avec un faible support, voire aucun, de la part du syst`me et modications des valeurs de certaines contraintes du mod`le initial du probl`me). e e e Dans les syst`mes que nous avons dcrits dans le paragraphe I.2.4, certaines tches doivent e e a tre ralises par lhumain, comme la slection des vhicules ` utiliser, le ramnagement nal e e e e e a e e des tournes, de mani`re ` satisfaire certaines contraintes qui nont pas pu tre considres e e a e ee dans le mod`le initial, ou la relaxation de certaines contraintes lorsque le probl`me nest pas e e ralisable. Les syst`mes actuels norent aucun support spcique (ni algorithmes, ni interfaces) e e e pour faciliter la ralisation de ces tches ` loprateur. e a a e 23

I.4. UNE APPROCHE INTERDISCIPLINAIRE

Dans ce travail, nous adoptons une dmarche interdisciplinaire avec lobjectif daborder les e limitations qui nont pas t correctement traites auparavant. Dabord, nous ralisons une anaee e e lyse du domaine de travail (premi`re tape du CWA) qui permet didentier les objets et les e e contraintes du probl`me importantes pour la rsolution. Cette analyse constitue une premi`re e e e tape dans le dveloppement dun syst`me daide ` la dcision pour le probl`me de tournes de e e e a e e e vhicules. Le mod`le issu de cette analyse a vocation dtre robuste et permet de contourner les e e e cueils noncs prcdemment. Il est ainsi bien adapt ` la prise en compte de lhumain en tant e e e e e ea quacteur du processus de dcision et agent dexcution (voir par exemple Higgins (1999, 2001)). e e De plus, les contraintes du probl`me tant considres de mani`re exhaustive dans le mod`le, ce e e ee e e dernier doit pouvoir absorber plus facilement les changements et perturbations qui surviendront en cours dexcution des plans. e

tel-00554205, version 1 - 10 Jan 2011

Ensuite, nous prsentons larchitecture gnrique dun syst`me daide ` la dcision qui nous e e e e a e para bien adapte pour la considration dune coopration homme-machine. Dans cette archit e e e tecture, lhumain se situe au centre du processus de prise de dcisions. Nous avons intgr dans e e e le syst`me des algorithmes ecaces issus de la recherche oprationnelle susceptibles de fournir e e un support ` loprateur pour chaque tche ` raliser au cours de la rsolution du probl`me. a e a a e e e Nous proposons des algorithmes pour la construction des solutions ainsi que des algorithmes de vrication de la faisabilit des dcisions an daider loprateur humain ` prendre les dcisions e e e e a e correctes. Les algorithmes ddis ne sont pas le seul support pour loprateur. Dans le cadre de la e e e conception dinterfaces cologiques (Ecological Interface Design, EID) propos par Rasmussen e e and Vicente (1989), nous proposons des interfaces spciques pour la ralisation de chaque tche. e e a Ces interfaces ont la particularit dacher dune mani`re perceptivement vidente linformation e e e ncessaire de mani`re ` aider loprateur ` tablir la squence de dcisions ` prendre pour la e e a e a e e e a rsolution du probl`me. Chacune des interfaces proposes dispose doutils dinteraction hommee e e machine particuliers qui facilitent ` loprateur humain ce processus de prise de dcisions. a e e Enn, dans la logique de proposer des outils de support ` loprateur pour chaque tche ` a e a a raliser, nous utilisons le concept dinversion de mod`le avec le but daider loprateur humain e e e a ` relcher les contraintes lorsque le probl`me initial est non ralisable ou lorsque les dcisions a e e e qui ont t prises drivent en un probl`me sans solution. Ce sujet a t tr`s peu abord dans ee e e ee e e la littrature, nous trouvons uniquement les travaux de Jussien (2001) o` la relaxation des e u 24

I.5. CONCLUSION

contraintes est abord dun point de vue strictement algorithmique. Nous pensons que la relaxae tion de contraintes ne peut tre faite quavec une participation directe de loprateur humain. e e Lide est de concevoir des algorithmes et des interfaces avec le but de guider loprateur humain e e vers les contraintes ` relcher et comment faire ceci de mani`re ecace. a a e

I.5

Conclusion

Dans ce chapitre, nous avons introduit le contexte de notre travail. Nous avons tout dabord prsent la problmatique lie ` lordonnancement des transports et ` la prise de dcisions. e e e e a a e Nous avons ensuite dcrit bri`vement les approches existantes pour la conception de syst`mes e e e interactifs, notamment le CWA (Cognitive Work Analysis) qui, ` notre avis, est la mthode a e qui favorise le plus une approche interdisciplinaire pour la conception de syst`mes daide ` la e a

tel-00554205, version 1 - 10 Jan 2011

dcision. Puis, nous avons numr les limitations existantes dans les syst`mes daide ` la dcision e e ee e a e actuels pour, enn, introduire les solutions que nous proposons pour surmonter ces limitations. Ces apports sont prsentes dans les chapitres suivants. e e

25

tel-00554205, version 1 - 10 Jan 2011

Chapitre II Le domaine de travail

tel-00554205, version 1 - 10 Jan 2011

II.1

Introduction

Dans ce chapitre, nous proposons une analyse du domaine de travail pour le probl`me dordone nancement des transports. Cette analyse est propose comme la premi`re et principale tape de e e e la mthode CWA (Cognitive Work Analysis) (Rasmussen et al., 1994; Vicente, 1999b) prsente e e e dans le paragraphe I.3.2. Lanalyse du domaine de travail (Work Domain Analysis WDA) est fonde sur des techniques de modlisation du domaine. Nous proposons une hirarchie dabstrace e e tion pour la modlisation du domaine. Le mod`le issu de cette analyse a la vocation dtre robuste e e e et permet de contourner les cueils noncs dans le chapitre I. De plus, les contraintes ncessaires e e e e pour la rsolution du probl`me tant considres de mani`re exhaustive dans le mod`le, ce dere e e ee e e nier doit pouvoir absorber plus facilement les changements et perturbations qui surviendront en cours dexcution des tournes. e e

II.2

Analyse du domaine de travail (Work Domain Analysis WDA)

Lanalyse du domaine de travail est une mthode qui permet didentier les contraintes du e probl`me. Comme le prconisent (Rasmussen, 1985; Rasmussen et al., 1994; Vicente, 1999b), la e e hirarchie dabstraction constitue loutil de modlisation recommand pour procder ` lanalyse e e e e a
Une partie de ces travaux ont t publis dans Gacias et al. (2009) e e e

27

II.2. ANALYSE DU DOMAINE DE TRAVAIL

du domaine de travail. Cette hirarchie permet de dcrire le domaine selon dirents points e e e de vue fonctionnels. La hirarchie dabstraction appartient ` la classe des hirarchies straties e a e e dcrites par Mesarovic et al. (1970). Les caractristiques de cette classe de hirarchies sont : e e e Chaque strate ou niveau est une reprsentation du mme syst`me, la seule dirence est que e e e e dirents niveaux apportent des descriptions ou des mod`les dirents pour lobservation e e e du syst`me. e Chaque niveau dispose de son propre ensemble de termes, concepts et principes. La slection dun niveau pour dcrire un syst`me dpend des observateurs et de leurs e e e e connaissances et intrts pour le contrle du syst`me. ee o e Les exigences de fonctionnement au sein dun mme niveau apparaissent comme des cone traintes pour la comprhension des oprations aux niveaux infrieurs. En mme temps, e e e e

tel-00554205, version 1 - 10 Jan 2011

lvolution de ltat du syst`me est spcie pour leet des niveaux infrieurs sur les e e e e e e niveaux suprieurs. e A lorigine, la hirarchie dabstraction a t propose comme une mthode danalyse pour e ee e e le contrle de processus continus. Rasmussen and Goodstein (1987) sugg`rent que linformao e tion basique ncessaire qui permet aux oprateurs didentier la squence compl`te de contrle e e e e o du syst`me peut tre identie ` partir dune hirarchie dabstraction. Rasmussen (1985) proe e e a e pose cinq points de vue ou niveaux pour dcrire le domaine dun syst`me de contrle dun e e o processus. Les niveaux les plus hauts de la hirarchie dcrivent linformation fonctionnelle du e e domaine. Les niveaux les plus bas permettent de dcrire linformation physique. En plus de cette e dcomposition ns-moyens, une dcomposition tout-partie est normalement ralise en pae e e e rall`le. Cette dcomposition permet de considrer plusieurs niveaux de dtail (e.g., syst`mes, e e e e e sous-syst`mes, composants). Du point de vue le plus fonctionnel au plus physique, les cinq nie veaux de dcomposition habituellement utiliss sont : e e Le niveau des objectifs fonctionnels, qui reprsente les objectifs pour lesquels le syst`me de e e travail a t conu et les contraintes gouvernant les interactions entre le syst`me de travail ee c e et son environnement. Le niveau des fonctions abstraites, qui reprsente des lois permettant deectuer des mesures e et, par consquent, dtablir les priorits qui dirigent le domaine. Ces lois et priorits e e e e conf`rent une certaine rgularit au comportement fonctionnel du syst`me de travail. e e e e 28

II.2. ANALYSE DU DOMAINE DE TRAVAIL

Le niveau des fonctions gnrales, qui reprsente les fonctions fondamentales et les activits e e e e de travail ralises. Ces fonctions correspondent au domaine vu sous langle des mcanismes e e e qui le dnissent. e Le niveau des processus physiques, qui spcie les caractristiques et les liens des compoe e santes du domaine. Le niveau des formes physiques, qui constitue lensemble des ressources matrielles du doe maine ainsi que leurs caractristiques en termes dappartenance et de localisation spatiale. e La comprhension du syst`me de travail augmente donc avec le parcours des niveaux. Ainsi, e e remonter dans la hirarchie dabstraction permet une comprhension plus profonde du sens du e e syst`me de travail vis-`-vis des objectifs ` atteindre. Inversement, descendre les niveaux ape a a porte une explication plus dtaille du fonctionnement du syst`me de travail pour parvenir ` ces e e e a

tel-00554205, version 1 - 10 Jan 2011

objectifs. Vicente (1999c) propose une mthode de classication pour les mthodes danalyse du trae e vail. Cette classication est base sur les proprits de dpendance vis-`-vis des moyens, de e ee e a dpendance vis-`-vis des vnements et de pertinence du point de vue psychologique. Dans lare a e e ticle, les dirents mthodes danalyse de travail sont values par rapport ` ces trois proprits. e e e e a ee Dapr`s Vicente (1999c), lanalyse du domaine de travail ` travers une hirarchie dabstraction e a e est la meilleure mthode en comparaison avec des mthodes danalyse de la tche, de lactivit e e a e ou du syst`me. e La dpendance vis-`-vis des moyens exprime le niveau de dpendance de la technique e a e danalyse par rapport aux caractristiques de lacteur (oprateur humain, groupe ou quipe e e e doprateurs, ordinateur, ...) qui ralise le travail. Les techniques danalyse indpendantes e e e vis-`-vis des moyens sont prfrables. Ces techniques nintroduisent pas de limites lors de a ee la conception du syst`me daide ` la dcision et favorisent aussi laectation de nouvelles e a e fonctions pour les acteurs, par exemple dans le cas dune re-conception ou modication du syst`me daide ` la dcision. La hirarchie dabstraction est une mthode qui prsente e a e e e e cette proprit dindpendance vis-`-vis des moyens, car ` aucun moment la description du ee e a a domaine nest dpendante des acteurs qui excutent les tches. e e a La dpendance vis-`-vis des vnements spcie si la technique danalyse est utilise pour e a e e e e identier les besoins dinformation pour lassistance ` loprateur humain de mani`re inda e e e pendante ` une classe dvnement, tche, situation ou contexte. Lindpendance vis-`-vis a e e a e a 29

II.2. ANALYSE DU DOMAINE DE TRAVAIL

des vnements permet de soutenir loprateur mme dans des situations non famili`res qui e e e e e nont pas t prvues lors de la conception du syst`me daide ` la dcision. La hirarchie ee e e a e e dabstraction est indpendante vis-`-vis des vnements. En eet, la dcomposition nest e a e e e pas base sur lnumration de tous les vnements connus mais sur lidentication des e e e e e contraintes du domaine dans le fonctionnement habituel du syst`me de travail. e La pertinence du point de vue psychologique spcie la capacit de la technique danalyse e e a ` produire comme rsultat une reprsentation ou mod`le psychologiquement plausible. Vie e e cente (1999c) prsente la hirarchie dabstraction comme une mthode pertinente du point e e e de vue psychologique. Lauteur arme que la mthode se focalise sur lidentication des e objectifs fonctionnels majeurs du syst`me de travail et que ceux-ci sont des objectifs pertie nents pour loprateur humain. Dans larticle, cette armation est argumente par le fait e e

tel-00554205, version 1 - 10 Jan 2011

que le comportement humain est dune mani`re gnrale fortement dirig par les objectifs. e e e e Dans Vicente and Rasmussen (1992), lauteur renforce cet argument en sappuyant sur quelques rsultats empiriques qui arment que la mani`re de raisonner des oprateurs hue e e mains lors de la rsolution dun probl`me peut tre reprsente au travers dune hirarchie e e e e e e dabstraction. Les proprits dsirables pour une mthode danalyse de syst`mes de travail sont donc ; ee e e e lindpendance vis-`-vis des moyens, lindpendance vis-`-vis des vnements et la pertinence du e a e a e e point de vue psychologique du rsultat de lanalyse de mani`re ` que le syst`me de support conu e e a e c a ` partir de lanalyse soit capable, en tout instant, de rpondre aux besoins de loprateur. e e Lanalyse dun domaine se veut la plus exhaustive possible. Une connaissance approfondie du domaine tudi est donc ncessaire pour la ralisation de lanalyse. Comme Vicente (1999a) e e e e le prtend, une dcomposition de ce type doit promouvoir des interfaces, dites cologiques, e e e menant ` une meilleure performance que les interfaces traditionnelles (voir paragraphe IV.2). La a hirarchie doit tre considre comme un outil de reprsentation du domaine de contraintes qui est e e ee e utilis comme support pour le concepteur. Il est alors ncessaire de dterminer de faon exhaustive e e e c les caractristiques les plus importantes du domaine lors de la dcomposition. Nanmoins, les e e e tentatives de dcomposition de probl`mes dordonnancement et de transport proposes dans e e e la littrature utilisent des approches parfois contradictoires et ouvrent certains dbats sur la e e dmarche ` suivre pour la dcomposition de ce type de domaines (intentionnels mais dynamiques e a e en mme temps) (Krosner et al., 1989; Kinsley et al., 1994; Wong et al., 1998; Higgins, 1999). e 30

II.2. ANALYSE DU DOMAINE DE TRAVAIL

II.2.1

Analyse du domaine de travail dans les probl`mes dordonnane cement

La CWA sest avre une mthode ecace pour la conception doutils de contrle de syst`mes ee e o e physiques fonds sur des lois physiques. Des exemples, parmi dautres, sont lanalyse du domaine e pour la supervision des centrales nuclaires (Itoh et al., 1995) ou lectriques (Burns, 2000), ou e e encore lanalyse pour le processus de fabrication de ciment (van Paassen, 1995). Ces analyses ont t menes dans des syst`mes de travail causaux o` ltat du domaine est dirig par les lois ee e e u e e du domaine qui simposent ` lutilisateur. Toutefois, dans les syst`mes de travail intentionnels a e (comme le probl`me dordonnancement ou de transport), lutilisateur est le centre du domaine e et ltat de celui-ci est prioritairement dtermin par ses intentions. Dans la littrature, nous e e e e

tel-00554205, version 1 - 10 Jan 2011

pouvons trouver quelques tentatives (rares) dapplication de la mthode CWA dans des domaines e intentionnels (Wong et al., 1998; Higgins, 2001; Morineau et al., 2005). Le tableau II.1 montre les direntes dcompositions des domaines qui ont t proposes pour e e ee e les probl`mes dordonnancement et de transport. Nous pouvons observer des dcompositions relae e tivement direntes pour des domaines tr`s similaires. Ceci est d aux dirents mthodes utiliss e e u e e e pour lanalyse. Certaines dcompositions sont fortement focalises sur le domaine avec lutilisae e tion de termes comme masse ou retard qui sont des concepts indpendants des vnements e e e et des moyens. Dun autre ct, dautres dcompositions sappuient sur des activits humaines oe e e pour dnir le domaine (e.g., satisfaire les plans de production) ou font rfrence ` des moyens e ee a spciques (e.g., enregistrer appel). e Ces dirents points de vue mettent en vidence les dicults auxquelles les chercheurs sont e e e confronts lors de lanalyse de domaines pour les syst`mes dordonnancement et de transport. e e La description du domaine pour les syst`mes intentionnels est parfois dicile ` dterminer. e a e Dans les syst`mes physiques, la situation volue de faon indpendante de lhumain. Dun autre e e c e ct, dans les syst`mes intentionnels, la plupart des volutions et changements dpendent des oe e e e dcisions prises par lhumain. Ceci est la dirence par exemple entre la supervision dune centrale e e lectrique et la conception dun horaire de trains propose par un oprateur. Cette dirence e e e e est particuli`rement importante dans le plus bas niveau de la hirarchie (les objets physiques). e e Dans le tableau II.1, nous trouvons les machines dans les niveaux des objets physiques des direntes dcompositions proposes pour les probl`mes dordonnancement. Loprateur peut e e e e e 31

II.2. ANALYSE DU DOMAINE DE TRAVAIL

Objectifs fonctionnels

Syst`me e de production de circuits imprims (Krose ner et al., 1989) Minimiser les co ts, u atteindre les objectifs de production

Ordonnancement Syst`me e Production complexe manufacde fabricaturi`re (Moe tion (Kinsray, 1999) ley et al., 1994) Produire les pi`ces e correctement et ecacement Produire 168 articles en 12 heures pour satisfaire la commande

Ordonnancement jobshop (Higgins, 2001)

Transports DistribuDistribution damtion milibulances taire (Ha(Wong et al., jdukiewicz 1998) et al., 1999)

Maximiser le retour nancier ` long a terme

Distribuer les ambulances selon les urgences mdicales e

Fonctions abstraites

tel-00554205, version 1 - 10 Jan 2011

Fonctions gnrales e e

Produire les pi`ces, e rduire e la dviation e par rapport aux dates cibles, satisfaire les plans de production Transporter une pi`ce, e

Masse, retard, valeur, priorits e

Satisfaire les plans de production

Maximiser la viabilit e nanci`re ` e a court terme, maximiser la rptition e e dusage

Expdier en e 3 minutes, minimiser les ruptures

Soin des personnes blesses avec e considration e des risques et des ressources Evaluation de la blessure, gestion des ressources, temps, probabilit de e succ`s e

Processus physiques

Insertions des composantes, transporter les pi`ces e via AGV (Automated Guided Vehicle)

Charger, dcharger, e prparation, e traiter, assemblage, inspection, traitement du matriel, e et ordonnancement Traitement (couper, faire le grillage) PC (squencer, e distribuer les AGV)

Ordonnancer les squences e dactions dans les travails en cours dexcution e

Traiter le papier

Prendre lappel, planier, distribuer, coordonner

Type durgence, transport, qualit e des soins requis

Transport avec AGV, traiter, inspection, assembler, charge de palettes, dcharge de e palettes

Imprimer, perforer, plier, couper

Formes physiques

Position et tat e de chaque station de travail, pi`ces e et ressources de transport

Centres de machines, PC

AGV, palettes, machines numriques, e cellules dinspection, robots, pi`ces e a ` assembler

Encre, planches, papier, cutter, folder

Enregistrer appel, estimation des besoins, localisation de lambulance la plus proche, localisation du renfort, ressource adapte e aux besoins, aecter lambulance a ` lurgence Travaux, disponibilit e ambulances, carte de la rgion, e stations

Symptmes, o vitesse des ambulances, type de soin requis

Ambulances, units e de soins

Tab. II.1 Direntes tentatives de dcomposition de domaines intentionnels (ordonnancement e e et transport) 32

II.2. ANALYSE DU DOMAINE DE TRAVAIL

dcider dutiliser les machines dans un mode inhabituel, de mani`re ` faciliter la production. e e a Si le but du WDA est dnumrer les actions possibles sur le domaine, le concepteur doit alors e e inclure ce type dutilisation des machines non habituelles, cela am`ne ` une dcomposition qui e a e nest plus indpendante par rapport aux vnements et aux moyens. e e e Dans la littrature, nous identions deux approches opposes pour la dcomposition du doe e e maine pour les probl`mes dordonnancement et de transport. Wong et al. (1998) proposent une e tentative de dcomposition pour un syst`me dordonnancement de transports (planication des e e ambulances). Des activits humaines sont incluses dans la dcomposition et les auteurs arrivent ` e e a la conclusion que la mthode nest pas idale pour la modlisation de syst`mes intentionnels. Hae e e e jdukiewicz et al. (1999) rpliquent avec une proposition de la mthode WDA applique ` la e e e a logistique militaire et mettent en vidence les avantages de la mthode pour la modlisation de e e e

tel-00554205, version 1 - 10 Jan 2011

ce type de syst`mes. e Ces deux approches apparaissent aussi dans les probl`mes dordonnancement. Krosner et al. e (1989) voquent les limites de la hirarchie dabstraction pour la dcomposition du domaine de e e e ce type de probl`mes. Les auteurs remarquent les dicults ` trouver une continuit entre les e e a e niveaux de la hirarchie dans les syst`mes discrets, contrairement aux contrle de processus contie e o nus o` les processus sont les reets dune ralit physique guide par des lois stables. Les auteurs u e e e nissent par proposer une sous-division des niveaux de la hirarchie selon la nature de lagent e dexcution du processus (automatique ou humain), ce qui rend la dcomposition compl`tement e e e dpendante des acteurs dexcution. Kinsley et al. (1994) critiquent cette approche et dveloppent e e e une autre tentative de dcomposition pour ce type de probl`mes. Cependant, les auteurs rene e contrent des dicults ` dcomposer le domaine. Par exemple, ils ont recours au terme prioe a e rits (dans les niveaux de fonctions abstraites) dont lvolution dpend des dcisions humaines e e e e et non du fonctionnement du syst`me. En eet, lors de la dcomposition du domaine, les auteurs e e relaxent encore une fois la contrainte dindpendance vis-`-vis des moyens. En consquence, line a e terface conue ` partir de la dcomposition perd partiellement la proprit dtre capable dagir c a e ee e face ` limprvu, comme cest le cas dans les dcompositions bases sur des agents dexcution a e e e e spciques. e Dans Higgins (1999, 2001), le probl`me est abord dun autre point de vue. Lauteur consid`re e e e lordonnancement comme le rsultat dun agent (humain ou ordinateur) et non comme le rsultat e e du domaine de contraintes. Par consquent, la dcomposition reste indpendante vis-`-vis des e e e a 33

 II.3. APPROCHE PROPOSEE POUR LANALYSE DU DOMAINE

vnements et des moyens. En contrepartie, certaines contraintes ncessaires pour assister lhue e e main ne sont plus prsentes dans linterface nale, ce qui remet en question la pertinence psye chologique de linterface. Le but de la mthode CWA est de concevoir des interfaces qui pere mettent une perception facilite des contraintes du probl`me. Un domaine de contraintes non e e compl`tement accessible dans la dcomposition peut impliquer une reprsentation incompl`te ou e e e e mme incorrecte et cela peut limiter les possibilits daction de loprateur humain. e e e Pour la modlisation des domaines intentionnels, les deux approches de la littrature proe e posent donc soit de relcher la proprit dindpendance vis-`-vis des moyens, soit de favoriser a ee e a une reprsentation incompl`te du domaine avec le risque de rduire la pertinence psychologique e e e de linterface conue ` partir de la dcomposition. Nous considrons quune reprsentation inc a e e e compl`te du domaine sav`re insusante pour assister loprateur humain dans son travail quoe e e

tel-00554205, version 1 - 10 Jan 2011

tidien. De plus, la dpendance vis-`-vis des moyens peut entra e a ner des inconvnients dans les e probl`mes de transport. Les oprateurs humains mettent en place des stratgies ou des connaise e e sances spciques qui permettent par exemple de relcher des contraintes. Si ces aspects ne sont e a pas pris en compte dans la dcomposition, celle-ci ne serait plus pertinente dun point de vue e psychologique. Par contre, si ces aspects sont pris en compte, comme dans les mthodes danalyse e de la tche, la dcomposition devient dpendante des v`nements et des moyens existants. a e e e e Nous proposons dans le paragraphe suivant une mthode qui permet didentier les actions e possibles ` partir de lnumration des contraintes qui peuvent tre ventuellement relches par a e e e e a e loprateur humain. e

II.3

Approche propose pour lanalyse du domaine e

Dans ce paragraphe, nous ralisons une analyse du domaine pour le probl`me de lordonnane e cement des transports. Pour cela, nous proposons de commencer par lnumration de toutes les e e variantes possibles du probl`me de tournes de vhicules que nous trouvons dans la littrature. e e e e Cette dmarche permet de lister et didentier les caractristiques (objets physiques, contraintes e e particuli`res, objectifs, ...) de chaque variante de faon ` les inclure dans la dcomposition du doe c a e maine. Dans linterface rsultante, les direntes possibilits de procder seront prises en compte e e e e mme si elles ne sont pas essentielles de mani`re constante ou quelles nont pas t rvles par e e e e e ee lanalyse de tches. Par exemple, dans certaines variantes du probl`me de tournes de vhicules, a e e e 34

 II.3. APPROCHE PROPOSEE POUR LANALYSE DU DOMAINE

il existe la possibilit de pouvoir louer un vhicule avec un certain cot associ. Si loprateur e e u e e humain se trouve face ` un probl`me o` les vhicules disponibles ne sont pas susants pour a e u e satisfaire la demande des clients avec un dlai de temps acceptable, une solution possible est e laectation dun vhicule supplmentaire pour servir certains clients. Si cette option nest pas e e anticipe par le concepteur, le syst`me dassistance serait incomplet et inadquat pour aider e e e rellement loprateur pour la rsolution du probl`me. e e e e

II.3.1

Hirarchie dabstraction e

Nous proposons une hirarchie dabstraction pour le domaine de travail dun syst`me dore e donnancement du transport. La hirarchie dabstraction structure le probl`me en dirents niveaux de raisonnement du e e e

tel-00554205, version 1 - 10 Jan 2011

point de vue de loprateur. Cette hirarchie a pour but didentier les direntes possibilits e e e e daction dans le domaine sans rentrer dans des stratgies particuli`res. Par exemple, si lintrt e e ee est de rduire le cot total dun ensemble de routes, loprateur humain peut agir sur la capacit e u e e grce ` une diminution du nombre de vhicules ` utiliser (avec ventuellement des vhicules a a e a e e surchargs), ou encore en grant le temps, e.g., loprateur peut rduire le temps de route sil e e e e dcide de ne pas servir certains clients (qui est une autre possibilit dans certaines variantes du e e probl`me de tournes de vhicules). e e e La hirarchie dabstraction permet non seulement didentier les possibilits daction de e e loprateur humain, mais permet galement de tracer ecacement la propagation des eets dans e e le domaine de travail comme consquence de ces actions. Le but du WDA est alors de fournir e une dcomposition du probl`me (identication des limites structurelles du syst`me de travail, e e e identication des contraintes,. . .) qui sera utilise comme fondement ` la conception dun syst`me e a e daide ` la dcision gnrique. Dans certains cas, plusieurs reprsentations des dirents niveaux a e e e e e dabstraction sont possibles. Nous avons dcid de conserver la reprsentation qui reste la plus e e e gnrique ou qui favorise la clart de la dcomposition. e e e e Les niveaux de la dcomposition e Les niveaux de dcomposition ont t introduits dans le paragraphe II.2. Les cinq niveaux e ee sav`rent ncessaires pour la description du domaine de travail. Les trois niveaux fonctionnels e e sont bien adapts ` la typologie du probl`me, par contre le dbat est plus ouvert lorsquon e a e e 35

 II.3. APPROCHE PROPOSEE POUR LANALYSE DU DOMAINE

consid`re la pertinence du niveau des processus physiques dans ce type de probl`mes. Wong e e et al. (1998) dnissent dans ce niveau des actions ` raliser qui peuvent tre considres comme e a e e ee la stratgie ` suivre (identier lambulance la plus proche, vrier la compatibilit avec lurgence, e a e e ...) pour laectation de lambulance ` lurgence (voir tableau II.1). Nous avons dcid de dnir a e e e dans ce niveau les aspects statiques apports par les objets physiques, plus particuli`rement les e e capacits, les contraintes et les requtes spcies par ces objets. Finalement, dans le niveau des e e e e objets physiques, nous considrons les objets, leurs caractristiques physiques et leur localisation e e spatiale.

Les objectifs fonctionnels.

Le premier niveau dabstraction dcrit dune part les objectifs e

du syst`me de travail vis-`-vis de son environnement et dautre part les contraintes externes ime a

tel-00554205, version 1 - 10 Jan 2011

poses par lenvironnement. Les objectifs du syst`me de travail peuvent tre spars en objectifs e e e e e primaires et objectifs secondaires. Les objectifs primaires dnissent les raisons de lexistence du syst`me de travail dans son e e environnement. Lobjectif primaire du syst`me de travail est de transporter des marchandises ou e passagers en prenant en compte les demandes des clients. Habituellement, les objectifs secondaires expriment les valeurs des personnes dans le syst`me de travail. Une entreprise de transports e cherche ` faire des bnces ; une mani`re de contribuer ` latteinte de ce but est la minimisation a e e e a des cots. Dautres objectifs comme la scurit ou le respect des normes lgislatives peuvent tre u e e e e aussi considrs ` ce niveau de la dcomposition. Nous pouvons considrer que limportance de ces ee a e e objectifs secondaires est limite dans la dcomposition lorsque lon consid`re la hirarchie comme e e e e un outil daide pour le concepteur. En eet, si la dcomposition est pertinente, les contraintes et e limites lies ` ces objectifs vont de toute faon appara dans la dcomposition. e a c tre e Le niveau des objectifs fonctionnels dcrit aussi les contraintes externes imposes par lene e vironnement sur le domaine de travail. Normalement, ces contraintes expriment les valeurs de lenvironnement et de la socit. Dans le domaine analys, la contrainte externe est lexigence ee e dun niveau minimal de la qualit de service client. En tant quentreprise de services, la contrainte e externe est fortement lie ` lobjectif primaire du syst`me de travail. La qualit de service est e a e e satisfaite uniquement lorsque le transport des marchandises ou passagers est ralis en satisfaie e sant les requtes des clients. En eet, si la contrainte externe est satisfaite, lobjectif principal e du syst`me de travail sera aussi atteint. e 36

 II.3. APPROCHE PROPOSEE POUR LANALYSE DU DOMAINE

Finalement, nous observons que les dirents objectifs de ce niveau peuvent parfois tre e e opposs. Par exemple, un retard dans la livraison dun client peut entra e ner une rduction des e cots par le fait que la distance parcourue est plus courte. u

Fonctions abstraites.

Ce niveau dabstraction reprsente des crit`res pour mesurer le progr`s e e e

du syst`me de travail vers les objectifs fonctionnels. Nous avons dcid de dnir les concepts e e e e dont les crit`res drivent, plutt que de dcrire les crit`res proprement dits. Les avantages de e e o e e dcrire les concepts et non les crit`res sont que la gnricit de lanalyse est favorise et que le e e e e e e syst`me de support sera prt ` traiter avec des objectifs tablis au pralable mais aussi avec des e e a e e objectifs conictuels inattendus. Pour juger si les objectifs fonctionnels sont atteints, nous devons valuer la gestion de la e

tel-00554205, version 1 - 10 Jan 2011

capacit et la gestion du temps. Dans notre syst`me de travail les objectifs principaux vont tre e e e satisfaits par une gestion ecace de la capacit et du temps disponible. Nous considrons que e e la gestion de la distance parcourue est galement comprise dans la gestion du temps. A titre e dexemple, nous pouvons considrer deux des crit`res les plus importants pour les probl`mes de e e e tournes de vhicules : la minimisation du nombre de vhicules et la minimisation de la distance e e e parcourue par les vhicules. Ces deux crit`res drivent respectivement de la gestion de la capacit e e e e et de la gestion du temps. Les concepts appartenant ` ce niveau dabstraction permettent de raisonner ` partir des a a principes de base lorsque les oprateurs sont confronts ` des situations inattendues ou non e e a famili`res. Par exemple, si un nouveau client demande ` tre livr alors mme que la tourne est e ae e e e dj` planie, loprateur humain doit alors raisonner en termes de nouvelles requtes temporelles ea e e e et de capacit avant de prendre la dcision dintroduire le client dans les tournes. e e e Les deux objectifs fonctionnels sont lis aux concepts de ce niveau. En eet, la minimisation e des cots dpend de lecacit de la gestion de la capacit et du temps. Le client est satisfait u e e e lorsquil est livr dans la priode prvue, ce qui implique de grer simultanment la capacit et e e e e e e le temps disponible pour latteinte de cet objectif. Nous remarquons que les deux concepts peuvent tre lis et parfois opposs ; une gestion e e e ecace de la capacit qui minimise le nombre de vhicules peut entra e e ner des faiblesses dans la gestion du temps disponible (retards dans les livraisons, augmentation de la distance parcourue, ...), et vice versa. Arriver ` un compromis est parfois ncessaire an datteindre les objectifs du a e 37

 II.3. APPROCHE PROPOSEE POUR LANALYSE DU DOMAINE

premier niveau.

Fonctions lies aux objectifs. e

Ce niveau dabstraction dcrit les fonctions quil faut remplir e

pour atteindre les objectifs fonctionnels. Loprateur humain doit coordonner et grer les fonce e tions ncessaires pour rsoudre le probl`me et les contraintes qui doivent tre satisfaites an de e e e e proposer une solution garantissant une bonne qualit de service tout en minimisant les cots. e u Les principales contraintes du domaine de travail ont t identies ` partir de lanalyse des ee e a direntes variantes relles et acadmiques du probl`me de tournes de vhicules rencontres e e e e e e e dans la littrature (voir le paragraphe I.2). Mme si chaque variante prsente des particularits, e e e e nous pouvons considrer que les fonctions spcies ` ce niveau couvrent une large partie des e e e a probl`mes dordonnancement des transports. e

tel-00554205, version 1 - 10 Jan 2011

Les fonctions quil faut remplir pour arriver ` une gestion ecace de la capacit sont : la a e satisfaction des contraintes lies au volume ` transporter, la satisfaction des contraintes lies e a e au poids ` transporter, la slection des itinraires ` parcourir et la satisfaction des contraintes a e e a existantes entre les objets (contraintes dincompatibilit, contraintes daectation, contraintes de e prcdence, ...). Ce sont les fonctions qui ont une inuence directe sur la gestion de la capacit. e e e Si lintrt de loprateur humain est damliorer un crit`re qui drive de la gestion de la capaee e e e e cit, loprateur a la possibilit dagir soit de faon directe sur ces fonctions (par exemple les e e e c contraintes peuvent tre relches et les fonctions ne seront plus remplies) soit de faon indirecte e a e c (avec la modication des objets ou des caractristiques des objets qui ont un rapport avec les e fonctions). Les possibilits dagir qui ont une inuence sur la gestion de la capacit sont : (1) e e agir sur la disponibilit des vhicules de faon ` modier la capacit disponible en volume et e e c a e en poids ; (2) agir sur la demande des clients de mani`re ` modier les besoins de capacit en e a e volume et en poids ; et (3) agir sur les contraintes daectation qui peuvent avoir un impact sur la gestion de la capacit. Par exemple, si deux clients doivent imprativement tre servis par le e e e mme vhicule, cette contrainte peut mener ` une gestion de la capacit inecace qui pourrait e e a e ventuellement entra e ner une augmentation des cots ; dans ce cas loprateur peut dcider de u e e ne pas servir un des clients de mani`re ` atteindre lobjectif de minimiser les cots. e a u Les fonctions en relation avec la gestion du temps sont : la slection des itinraires ` parcourir e e a par les vhicules, satisfaire les temps ncessaires pour servir chaque client (temps de charge, e e temps de dcharge, temps de rparation, ...), satisfaire les fentres de temps de service des clients e e e 38

 II.3. APPROCHE PROPOSEE POUR LANALYSE DU DOMAINE

et de temps de travail des conducteurs et satisfaire les contraintes existantes entre les objets. La slection des itinraires est la seule fonction qui ne consiste pas ` satisfaire une contrainte du e e a probl`me. Loprateur avec le support du syst`me daide ` la dcision doit faire la slection des e e e a e e itinraires ` suivre pour chaque vhicule. Une slection ditinraires inadquate peut mener ` une e a e e e e a gestion du temps inecace qui pourrait ventuellement entra e ner des consquences importantes e sur les objectifs fonctionnels du syst`me de travail. Si lobjectif est damliorer les crit`res qui e e e sont lis ` la gestion du temps, les possibilits sont : (1) agir sur les routes de mani`re ` modier e a e e a le temps de trajet des vhicules, pour ce faire loprateur humain dispose de plusieurs options, e e comme de forcer les conducteurs ` conduire plus vite ou de modier lordre de service des clients ; a (2) agir sur le temps ncessaire pour servir les clients en ajoutant par exemple un travailleur e supplmentaire dans les vhicules ou en prenant la dcision de ne pas servir certains clients ; e e e

tel-00554205, version 1 - 10 Jan 2011

(3) agir sur les fentres de temps de travail des conducteurs, par exemple avec la proposition e dheures supplmentaires ; (4) agir sur les fentres de temps des clients, de mani`re ` viter les e e e ae retards dans les livraisons ; et nalement (5) agir sur les contraintes daectation qui ont une inuence sur la gestion du temps. Loprateur dispose donc de plusieurs possibilits daction pour chaque fonction de mani`re e e e a ` trouver une solution qui respecte les objectifs du syst`me de travail. e

Processus lis aux objets. e

Ce niveau de la hirarchie dcrit le syst`me de travail ` partir e e e a

des capacits et limitations fonctionnelles des objets physiques. Le but est de dnir quelles sont e e les capacits et les limitations apportes par les objets physiques au syst`me de travail. Ces e e e proprits sont ncessaires pour arriver ` remplir les fonctions lies aux objectifs. ee e a e Dans notre syst`me de travail, les objets physiques dnissent le rseau routier. La position e e e gographique des clients et des dpts et les caractristiques des vhicules et des produits (vitesse e e o e e maximale, produits dangereux, les remorques, ...) dnissent le rseau routier du probl`me. Ce e e e rseau routier a une forte inuence dans la dtermination des itinraires ` suivre par les vhicules. e e e a e Le second concept de ce niveau est la disponibilit des objets physiques considrs comme e ee les ressources du probl`me (les vhicules et les conducteurs). La disponibilit de ces ressources e e e dterminent la capacit de transport disponible (le volume et le poids) mais entra aussi des e e ne contraintes temporelles comme les fentres de temps de travail des conducteurs qui doivent tre e e respectes. Nous avons recours ` ce terme pour souligner la possibilit dutiliser les vhicules et e a e e 39

 II.3. APPROCHE PROPOSEE POUR LANALYSE DU DOMAINE

conducteurs disponibles, mais aussi pour indiquer la capacit disponible en ce qui concerne le e volume et le poids. Les clients et les produits spcient le troisi`me concept du niveau : les demandes du probl`me. e e e Les demandes nentra nent pas seulement des besoins en capacit. Les contraintes temporelles e telles que les fentres de temps des clients et les temps de service de chaque client doivent e aussi tre prises en compte. La satisfaction de ces contraintes doit tre assure pour arriver ` e e e a atteindre un service client satisfaisant. La capacit disponible fournie par les ressources (vhicules e e et conducteurs) et la capacit requise par le demande sont les concepts que loprateur doit e e prendre en considration pour satisfaire les contraintes de capacit (contraintes de volume et de e e poids). Finalement, nous considrons que les attributs de ce niveau (la disponibilit des ressources, e e

tel-00554205, version 1 - 10 Jan 2011

le rseau routier spci par les objets physiques et les requtes clients) spcient un ensemble e e e e e de contraintes entre les objets physiques qui doivent tre satisfaites. Ces contraintes ont t e ee rassembles sous le nom de contraintes entre les objets physiques. Les contraintes daectation, e ou inclusion, et de non aectation, ou exclusion, sont prises en compte dans cet ensemble de contraintes. Par exemple, si un vhicule a des dicults dacc`s chez un client, alors une nouvelle e e e contrainte dexclusion entre le client et le vhicule est considre. e ee

Objets physiques.

Les objets physiques du syst`me de travail sont : les vhicules, les conduce e

teurs, les marchandises, les dpts et les clients. Dans ce niveau, nous considrons les objets mais e o e aussi les caractristiques en termes dappartenance et de localisation spatiale. Ainsi, par exemple e dans le cas des vhicules, nous considrons dans ce niveau : la capacit de transport du vhicule e e e e (volume, poids et longueur), la vitesse (limite et moyenne), le type (licence, produits, ...), le cot u dutilisation et la localisation gographique du vhicule (aectation ` un dpt). e e a e o

Les liens entre les niveaux La nature des liens entre les niveaux de la hirarchie dabstraction est de type ns-moyens. e Cette relation peut tre caractrise ` partir du triplet comment-quoi-pourquoi. Les concepts e e e a de chaque niveau spcient ce qui est considr. Le rapport du concept avec le niveau infrieur e ee e est de spcier comment le concept peut tre implment ou ralis. Ces concepts rpondent ` e e e e e e e a la question comment doit-il tre ralis ?. Le rapport du concept avec le niveau suprieur est e e e e 40

 II.3. APPROCHE PROPOSEE POUR LANALYSE DU DOMAINE

dindiquer les ns ou pourquoi le concept est prsent dans lanalyse du domaine de travail. Ces e concepts du niveau suprieur rpondent ` la question pourquoi doit-il tre ralis ? e e a e e e

Le triplet est clairement respect dans les niveaux fonctionnels de la dcomposition (les objece e tifs fonctionnels, les valeurs et les mesures de priorit et les fonctions gnrales). Si nous pennons e e e comme exemple la gestion de la capacit du niveau des fonctions abstraites, ce concept spcie e e ce qui doit tre ralis. La relation entretenue avec les objectifs fonctionnels concerne la nalit : e e e e Pourquoi une gestion de la capacit ecace doit-elle tre respecte ? Pour atteindre la minimie e e sation des cots et arriver ` orir un service client satisfaisant. La relation entretenue avec les u a fonctions gnrales rel`ve des moyens employs : Comment une gestion de la capacit ecace e e e e e est-elle atteinte ? Avec la satisfaction des contraintes de capacit, avec la proposition ditinraires e e

tel-00554205, version 1 - 10 Jan 2011

ecients pour les vhicules et avec la considration des contraintes entre les objets physiques. e e

En ce qui concerne les niveaux physiques de la dcomposition, le rapport ns-moyens entre les e concepts est moins vident. Ceci est d au fait que les concepts du niveau des processus physiques e u ne sont pas vraiment des processus. Les termes de la dcomposition dans ce niveau (la disponibie lit des ressources et de la capacit, le rseau routier spci par les positions gographiques et les e e e e e e caractristiques des objets et les requtes et demandes des clients) reprsentent les contributions e e e des objets physiques plutt ` travers des concepts statiques (capacit, routes, demandes) quau o a e travers de processus. Cependant, le rapport ns-moyens est aussi respect. Par exemple, pour e le concept de la disponibilit du niveau de processus physiques, la nature de la relation entre la e disponibilit et le niveau des fonctions gnrales est de nalit : Pourquoi les ressources dispoe e e e nibles (vhicules et conducteurs) et la capacit disponible (volume et poids) sont-il considres e e e e dans le syst`me de travail ? Les ressources sont considres pour la slection des itinraires et e e e e e pour satisfaire les contraintes spcies par les limitations introduites par les vhicules et les e e e conducteurs. La disponibilit de capacit est considre pour arriver ` satisfaire les contraintes e e e e a de capacit. Inversement, la nature de la relation entre la satisfaction de la contrainte lie au e e volume et le niveau des processus physiques est didentier les moyens : Comment la satisfaction du volume est-elle atteinte ? En respectant que le volume fourni par les ressources disponibles est susant pour satisfaire le volume requis par les demandes des clients. 41

 II.3. APPROCHE PROPOSEE POUR LANALYSE DU DOMAINE

Une hirarchie dabstraction pour lordonnancement des transports e La gure II.1 montre la hirarchie dabstraction propose pour le probl`me dordonnancement e e e des transports.

Objectifs fonctionnels

Minimisation des cots

Qualit de service

Valeurs et mesures prioritaires

Gestion de la capacit

Gestion du temps

tel-00554205, version 1 - 10 Jan 2011

Fonctions lies aux objectifs

Satisfaction du poids

Satisfaction du volume

Slection itinraires

Satisfaction de contraintes entre objets

Fentres de temps conducteurs

Fentres de temps clients

Temps de service

Processus lis aux objets

Disponibilit

Rseau routier

Demandes

Objets physiques

Vhicules

Conducteurs

Marchandises

Dpts

Clients

Fig. II.1 Analyse du domaine de travail ` travers une hirarchie dabstraction pour le probl`me a e e dordonnancement des transports

II.3.2

Analyse du domaine de validit de la dcomposition e e

Une fois la hirarchie dabstraction propose, nous allons passer en revue les direntes vae e e riantes du probl`me de tournes de vhicules de mani`re ` dterminer le dgr de gnricit de e e e e a e e e e e e la dcomposition. Lobjectif est didentier les variantes du probl`me de tournes de vhicules e e e e 42

 II.3. APPROCHE PROPOSEE POUR LANALYSE DU DOMAINE

qui sont couvertes par la dcomposition et celles qui ne le sont pas. Pour cela, nous utilisons e le schma de classication pour les probl`mes de tournes de vhicules propos par Desrochers e e e e e et al. (1990) et les extensions dj` introduites dans le paragraphe I.2.3. Desrochers et al. (1990) ea proposent quatre grands champs pour la classication des probl`mes. Le premier champ spcie e e les caractristiques et les contraintes concernant les clients et les dpts. Le deuxi`me champ e e o e spcie les caractristiques des vhicules. Le troisi`me champ spcie dautres caractristiques e e e e e e du probl`me qui ne concernent ni les clients, ni les dpts, ni les vhicules. Finalement, le dernier e e o e champ concerne la fonction objectif du probl`me. e Dans les paragraphes qui suivent, nous allons numrer les options pour chaque champ de la e e classication, de mani`re ` identier quelles sont les extensions du probl`me qui sont reprsentes e a e e e par la hirarchie dabstraction propose. e e

tel-00554205, version 1 - 10 Jan 2011

Caractristiques des clients et des dpts e e o Dans le schma de classication, ce champ est divis en quatre sous-champs. Le premier e e de ces sous-champs spcie le nombre de dpts du probl`me. Il existe des probl`mes avec un e e o e e seul dpt et des probl`mes avec de multiples dpts. Ces derniers correspondent ` la variante e o e e o a MDVRP prsente dans le paragraphe I.2.3. La hirarchie dabstraction propose reste adquate e e e e e pour les probl`mes avec un unique ou plusieurs dpts. e e o Le deuxi`me champ spcie les caractristiques de la demande. Ce champ dnit trois cae e e e ractristiques direntes. Dabord, la premi`re caractristique spcie la modlisation des clients e e e e e e dans le graphe. Les clients peuvent tre modliss par des sommets, par des arcs (probl`me connu e e e e sous le nom de CARP) ou peuvent tre aussi modliss par un couple origine-destination de deux e e e sommets (ce qui peut tre vu comme un probl`me du type VRPPD). La dcomposition propose e e e e ne limite pas la modlisation des clients dans les graphes. Dans la hirarchie dabstraction, le e e rseau routier dnit la position gographique des clients et des dpts et les axes routiers exise e e e o tants entre ces localisations. En aucun cas, la modlisation choisie pour ces objets physiques nest e dnie dans la hirarchie dabstraction. e e La seconde caractristique spcie la nature de la demande. Les demandes peuvent toutes e e tre de la mme classe (livraisons ou collectes) ou avoir des demandes mixtes entre livraisons et e e collectes. Nous pouvons rapprocher ce dernier cas des variantes VRPB (Vehicle Routing Problem with Backhauls) ou VRPPD (Vehicle Routing Problem with Pick-up and Deliveries) prsentes e e 43

 II.3. APPROCHE PROPOSEE POUR LANALYSE DU DOMAINE

dans le paragraphe I.2.3. La troisi`me caractristique spcie si les demandes sont dterministes e e e e ou stochastiques. La modlisation des demandes avec des variables alatoires correspond ` la e e a variante connue sous le nom de VRPSD (Vehicle Routing Problem with Stochastic Demand). Nous observons que la dcomposition propose est pertinente pour toute classe de demandes e e (livraisons, collectes ou mixtes). Indpendamment du type de demande, les contraintes lies ` e e a la limite de capacit (volume et poids) doivent tre satisfaites. Dun autre ct, la possibilit e e oe e de considrer des demandes stochastiques nest pas rete dans la dcomposition. Toutefois, le e ee e but est de concevoir un syst`me daide ` la dcision qui soit capable dassister loprateur mme e a e e e dans les situations qui nont pas t prvues par avance. Pour cette raison, nous pensons quil ee e nest pas ncessaire dintroduire une modlisation avec des variables alatoires pour reprsenter e e e e lincertitude. En eet, si la conception du syst`me daide ` la dcision est pertinente, le syst`me e a e e

tel-00554205, version 1 - 10 Jan 2011

va fournir ` loprateur humain les outils pour arriver ` grer cette incertitude. a e a e Le troisi`me sous-champ spcie les contraintes temporelles des clients et des dpts. Ces e e e o contraintes sont modlises par des fentres de temps possibles pour lhoraire de passage chez les e e e clients. Cette extension du probl`me est connue sous le nom de VRPTW ou VRPMTW lorsquune e ou plusieurs fentres de temps sont disponibles pour chaque client. Ces direntes variantes sont e e aussi prises en compte dans la hirarchie dabstraction. Les clients imposent ces contraintes e temporelles et la satisfaction de ces fentres de temps fait partie des fonctions ncessaires ` e e a remplir dans la hirarchie dabstraction de mani`re ` atteindre une bonne qualit dans le service e e a e client. La derni`re caractristique spcie les contraintes de slection de clients. Direntes variantes e e e e e du probl`me peuvent tre considres : une unique planication doit tre ralise ou plusieurs e e ee e e e planications doivent tre faites sur une priode de temps (comme dans le Periodic Vehicle e e Routing Problem et dans lInventory Routing Problem). Cette derni`re variante du probl`me e e avec planications multiples de tournes sur un horizon de temps nest pas incluse dans la e hirarchie propose. Les concepts de priodicit ou de frquence de service des clients nappae e e e e raissent pas dans la dcomposition. Lanalyse du domaine ralise ne reprsente donc pas les e e e e limites structurelles du probl`me lorsque loprateur est confront ` un probl`me de tournes de e e ea e e vhicules priodique. Cependant, ce type de probl`mes est habituellement dcompos en deux e e e e e sous-probl`mes pour tre rsolu. Dans un premier temps, un probl`me daectation des clients e e e e pour chaque priode de temps est rsolu, puis les tournes de vhicules journali`res sont dnies. e e e e e e 44

 II.3. APPROCHE PROPOSEE POUR LANALYSE DU DOMAINE

Dans ce cas, la dcomposition propose reste compl`tement adquate pour le second probl`me e e e e e mais reste incompl`te pour rsoudre le probl`me daectation. e e e

Caractristiques des vhicules e e Cinq caractristiques lies aux vhicules sont considres pour la classication des variantes e e e ee du probl`me de tournes de vhicules. La premi`re caractristiques spcie le nombre de vhicules e e e e e e e du probl`me, cest-`-dire, sil existe un nombre de vhicules disponibles maximal et si tous les e a e vhicules disponibles doivent tre imprativement utiliss ou non. La deuxi`me caractristique e e e e e e spcie le type de otte. La otte peut tre homog`ne ou htrog`ne (Heterogeneous Fleet e e e ee e Vehicle Routing Problem ou HVRP). La troisi`me caractristique lie aux vhicules spcie e e e e e si ceux-ci disposent ou non de compartiments individualiss pour chaque client (ce type de e

tel-00554205, version 1 - 10 Jan 2011

contraintes est considr dans le distance-constrained vehicle routing problem). Lanalyse du ee domaine de travail propose est indpendante du nombre de vhicules et de leurs caractristiques. e e e e Ces caractristiques sont prises en compte dans la dcomposition, car elles dnissent aussi le e e e rseau routier et spcient les contraintes de capacit qui doivent tre satisfaites. e e e e Finalement, les deux derni`res caractristiques spcient des contraintes temporelles. Le e e e probl`me peut prsenter des intervalles de disponibilit des vhicules et des bornes infrieures e e e e e et suprieures pour la distance ou pour la dure des tournes. Ces contraintes doivent tre e e e e considres lors de la slection des itinraires. La slection des itinraires consiste ` proposer une ee e e e e a squence de clients pour chaque tourne. Pour arriver ` une proposition de routes ecace, les e e a contraintes comme les priodes de disponibilit des vhicules, les fentres de temps des conduce e e e teurs et les bornes pour les caractristiques des tournes doivent tre respects. e e e e

Caractristiques du probl`me e e Ces caractristiques du probl`me sont les proprits du rseau routier, les stratgies de service e e ee e e et les contraintes dues aux liens entre les dpts, les clients et les vhicules. e o e Les proprits du rseau (rseau orient, non-orient ou mixte) sont considres dans la ee e e e e ee dnition du rseau routier qui est dni ` partir des localisations des clients et des dpts, e e e a e o mais aussi ` partir des caractristiques des vhicules et des produits transports. a e e e Les direntes stratgies de service doivent tre choisies par loprateur humain. Dans cere e e e tains cas, loprateur humain peut prfrer permettre la division des demandes des clients. Dans e ee 45

 II.3. APPROCHE PROPOSEE POUR LANALYSE DU DOMAINE

dautres cas, lorsque les demandes sont indiremment des livraisons ou des collectes, lutilisateur e peut privilgier la stratgie de livrer dabord pour collecter apr`s. Cette stratgie correspond ` e e e e a la variante VRPB (Vehicle Routing Problem with Backhauls). Loprateur humain peut aussi e permettre plus dune tourne par vhicule ou autoriser des tournes avec un dpt de n de trae e e e o jet dirent du dpt de dpart. La dcomposition reste indpendante de la stratgie suivie par e e o e e e e loprateur pour la rsolution du probl`me. Pour cette raison, les stratgies ne sont pas identies e e e e e dans la hirarchie dabstraction. De toutes faons, les tournes doivent respecter les contraintes e c e du probl`me de mani`re ` atteindre les objectifs. Les stratgies de loprateur pour la rsolution e e a e e e du probl`me doivent donc tre considres lors de la phase de conception du syst`me daide ` e e ee e a la dcision pour arriver ` proposer des outils qui permettent daider loprateur lorsque celui-ci e a e applique sa stratgie particuli`re pour la rsolution du probl`me. e e e e

tel-00554205, version 1 - 10 Jan 2011

Finalement, les liens entre les vhicules, les clients et les dpts sont spcis. La premi`re de e e o e e e ces relations est la contrainte de prcdence entre deux clients (le vhicule doit servir un client e e e avant de servir lautre). La plupart des liens sont des restrictions dinclusion et dexclusion. Les auteurs identient les possibles restrictions entre objets : les restrictions dpt-client, les e o restrictions client-client, les restrictions dpt-vhicule et les restrictions client-vhicule. Dans la e o e e hirarchie dabstraction, toutes ces restrictions sont considres avec le concept de contraintes des e ee objets physiques. Ces contraintes doivent tre satisfaites pour arriver ` atteindre les objectifs. e a En plus de ces restrictions, les contraintes ente les conducteurs et les autres objets physiques (clients, dpts et vhicules) sont aussi considres. e o e ee Dans la classication, les auteurs consid`rent la synchronisation entre vhicules. Cette requte e e e est ncessaire par exemple lorsque les vhicules doivent changer les charges. Ce type de restrice e e tion nest pas spci dans la hirarchie dabstraction. En eet, nous pensons que dautres objets e e e physiques et de nouvelles contraintes doivent tre ajouts ` la hirarchie dabstraction pour e e a e arriver ` dcrire le domaine de travail de ce type de probl`mes. a e e

Objectifs Les fonctions objectif sont spcies ` partir de cinq quantits. Ces quantits reprsentent e e a e e e la dure des tournes (temps de trajet et temps de service), le cot des vhicules et un cot de e e u e u pnalit lie ` la violation de contraintes des vhicules (contraintes de capacit, contraintes de e e e a e e disponibilit et contraintes sur les tournes), le cot des clients lis ` la dviation par rapport ` e e u e a e a 46

II.4. CONCLUSION

un service prfrentiel et un cot de pnalisation pour la violation de contraintes lies aux clients ee u e e (fentres de temps). e Les quantits proposes pour dnir les fonctions objectif sont fortement lies ` la gestion du e e e e a temps et la gestion de la capacit. Les fonctions gnrales de la hirarchie dabstraction ont un fort e e e e impact sur tous ces crit`res de mesure de la qualit dune solution ; dune part la considration des e e e cots et de lautre la considration dune pnalisation lorsque les contraintes du probl`me sont u e e e violes. Le fait de dnir des concepts gnraux dans le niveaux des priorits permet de faire en e e e e e sorte que la dcomposition reste adquate pour la plupart des crit`res considrs habituellement e e e ee dans les probl`mes de transport. e

Rcapitulatif e

tel-00554205, version 1 - 10 Jan 2011

Dans les paragraphes prcdents, les caractristiques des direntes variantes du probl`me e e e e e de tournes de vhicules ont t analyses de mani`re ` dterminer si la hirarchie dabstraction e e ee e e a e e propose dans le paragraphe II.3.1 reste pertinente pour chaque variante. De cette analyse, e nous pouvons conclure que la dcomposition est adquate pour la quasi-totalit des variantes. Il e e e existe deux types de probl`mes dont les caractristiques des domaines ne sont pas compl`tement e e e identies dans la dcomposition propose. Ces deux types de probl`mes sont, dune part, les e e e e variantes qui impliquent une planication sur un horizon de temps, cest-`-dire le probl`me de a e tournes de vhicules priodique (PVRP) et le probl`me de tournes de vhicules combines ` e e e e e e e a la gestion de stocks (IRP), et dautre part, les probl`mes avec des localisations et contraintes e particuli`res (points dchange de charge, synchronisation des vhicules, ...). Pour ce dernier type e e e de probl`me, de nouveaux objets physiques et de nouvelles contraintes doivent ventuellement e e tre ajouts ` la hirarchie dabstraction propose. e e a e e

II.4

Conclusion

Dans ce chapitre, nous avons introduit lanalyse du domaine de travail (WDA) comme outil de support pour la conception dun syst`me daide ` la dcision pour lordonnancement des e a e transports. Cette analyse permet didentier les possibilits daction pour le contrle du domaine e o de travail dans des situations famili`res, mais aussi dans des situations nouvelles. Nous avons e aussi prsent la hirarchie dabstraction comme outil principal pour la matrialisation de cette e e e e 47

II.4. CONCLUSION

analyse. Ensuite, nous avons voqu les probl`mes existants pour la dcomposition de syst`mes e e e e e intentionnels (syst`mes o` lhumain se trouve au cur du domaine) en se basant sur plusieurs e u tentatives de dcomposition de la littrature. e e Finalement, nous avons propos une analyse gnrique du domaine pour le probl`me de e e e e lordonnancement des transports au travers dune hirarchie dabstraction. Cette analyse a e t ralise ` partir de lidentication des direntes variantes des probl`mes de tournes de ee e e a e e e vhicules rencontres dans la littrature. Lanalyse qui en rsulte reste indpendante vis-`-vis e e e e e a des vnements et des moyens. De plus, nous considrons que les interfaces homme-machine e e e proposes ` partir de cette hirarchie dabstraction resteront pertinentes du point de vue psye a e chologique, car lanalyse est assez exhaustive et permet non seulement didentier les possibilits e daction pour chaque situation spcique mais aussi de visualiser comment sont propages les e e

tel-00554205, version 1 - 10 Jan 2011

consquences possibles des actions sur les autres concepts du syst`me de travail. Ces proprits e e ee vont tre particuli`rement exploites lors de la conception du syst`me daide ` la dcision. La e e e e a e partie du syst`me daide ` la dcision ddie ` la modlisation du probl`me est structure ` e a e e e a e e e a partir des objets physiques, des caractristiques de ces objets et des contraintes identies dans e e la hirarchie dabstraction. Cette structure du domaine et les liens entre les dirents niveaux e e ont t aussi exploits dans la conception de la partie du syst`me daide ` la dcision ddie ` ee e e a e e e a lassistance de loprateur lorsque le probl`me nest pas ralisable (voir chapitre V). e e e

48

Chapitre III Architecture dcisionnelle pour e

tel-00554205, version 1 - 10 Jan 2011

lordonnancement des transports

III.1

Introduction

Nous prsentons dans ce chapitre larchitecture gnrique dun syst`me daide ` la dcision e e e e a e pour lordonnancement des transports. Lanalyse du domaine de travail ralise dans le chapitre II e e est le centre conceptuel du syst`me daide ` la dcision. Le mcanisme de rsolution et les e a e e e interfaces dinteraction homme-machine ont t conus en se fondant sur cette analyse qui nous ee c a permis didentier les objets, les contraintes et les objectifs du syst`me. Apr`s la prsentation de e e e larchitecture du syst`me, nous abordons lanalyse des principales tches ` raliser pour rsoudre e a a e e le probl`me. Lobjectif de lanalyse est de dterminer la meilleure rpartition des fonctions entre e e e lhomme et la machine. Nous nous sommes servis de cette analyse pour dvelopper des interfaces e pour la coopration homme-machine ainsi que des algorithmes ddis, an daider loprateur e e e e humain dans la ralisation de chacune des tches. Dans ce chapitre, nous dcrivons le mcanisme e a e e de rsolution et les algorithmes associs. Les interfaces sont elles prsentes dans le chapitre IV. e e e e Un des algorithmes a t conu pour rsoudre le probl`me dans sa globalit. Nous avons test ee c e e e e cet algorithme sur des instances de la littrature. Les rsultats obtenus sont analyss dans la e e e derni`re partie du chapitre. e 49

III.2. SYNOPTIQUE DE LARCHITECTURE

III.2

Synoptique de larchitecture

Nous proposons une architecture gnrique pour un syst`me daide ` la rsolution de probl`e e e a e e mes de tournes de vhicules. Nous adoptons pour cela une dmarche interdisciplinaire faisant e e e converger deux composantes : (1) une interface humaine ou cologique base sur une hirarchie e e e dabstraction issue dune analyse du domaine de travail ; (2) des mcanismes de rsolution bass e e e sur des techniques de la recherche oprationnelle, notamment la programmation par contraintes e (cf. gure III.1).

Prise de dcisions

solution Interface

tel-00554205, version 1 - 10 Jan 2011

Homme

VRP algo.

Ecologique modle

CSP

Base de donnes

Analyse du domaine de travail (WDA)

Propagation de contraintes

Mcanisme de rsolution

Fig. III.1 Architecture du syst`me daide ` la dcision e a e

Lide est de pallier certaines des limitations des syst`mes daide ` la dcision actuels ane e a e nonces dans le chapitre I. Dune part, un syst`me avec une telle architecture doit tre capable e e e de sadapter ` la dynamique du domaine et aux changements rapides des situations. Lanalyse a du domaine de travail a permis une identication exhaustive des contraintes et des objets du syst`me de travail, le syst`me daide ` la dcision conu ` partir de cette analyse doit ainsi tre e e a e c a e capable de proposer une aide ` loprateur dans toutes les situations, y compris les nouvelles ou a e inattendues (considration dun nouveau type de contrainte, ajout dun nouveau dpt, ...). e e o Dautre part, les facteurs humains sont considrs lors des phases de modlisation et de ee e rsolution du probl`me. Larchitecture propose permet ` loprateur de participer activement ` e e e a e a la modlisation et ` la rsolution du probl`me ` travers linterface cologique (voir chapitre IV). e a e e a e Dans cette architecture, loprateur humain se situe au centre du processus de prise de dcisions. e e Toutefois, le mcanisme de rsolution int`gre des algorithmes spciques pour la rsolution du e e e e e 50

 ` III.3. ANALYSE DES TACHES POUR LA RESOLUTION DU PROBLEME

probl`me de tournes de vhicules qui peuvent aussi participer ecacement au processus de prise e e e de dcisions lors de la phase de rsolution du probl`me. e e e

III.3
III.3.1

Analyse des tches pour la rsolution du probl`me a e e

Identication des tches pour la rsolution du probl`me a e e

Dans ce paragraphe, lide est didentier les tches qui doivent tre ralises lors de la e a e e e rsolution du probl`me. Ces tches vont servir comme point de dpart pour la conception de e e a e la structure (les sous-parties du syst`me, les interfaces ncessaires, ...) du syst`me daide ` la e e e a dcision. Nous nous sommes appuy sur des entretiens avec deux oprateurs issus dentreprises e e e de transport scuris pour lidentication des tches. Ces deux entreprises doivent chaque jour e e a

tel-00554205, version 1 - 10 Jan 2011

planier les tournes ` raliser le lendemain. Lobjectif principal des oprateurs est de satisfaire e a e e les demandes des clients et dassurer la scurit des transports. Bien que la minimisation des e e cots de transport soit un objectif secondaire, la planication des tournes reste cependant tr`s u e e importante de mani`re ` pouvoir assurer les contrats avec les clients. e a Modlisation du probl`me e e La tche identie comme la premi`re tape ` accomplir pour rsoudre le probl`me est la a e e e a e e modlisation du probl`me. Dans le cas des entreprises de transport, cette modlisation consiste e e e principalement ` identier les clients qui ont sollicit un service (localisation gographique des a e e clients), ` spcier les ressources disponibles (vhicules et conducteurs) et, enn, ` dnir les a e e a e contraintes du probl`me (temps de service chez le client, contraintes temporelles des clients, e contraintes de dure pour les tournes, ...). Une des remarques des planicateurs ` ce sujet est e e a que les outils disponibles ne permettent pas de prendre en compte certaines contraintes juges e importantes pour la rsolution du probl`me. e e Il est alors ncessaire dinclure dans le syst`me daide ` la dcision une interface hommee e a e machine qui facilite cette modlisation du probl`me. Dans cette sous-partie du syst`me, loprae e e e teur humain doit ainsi tre capable de dnir les objets physiques du probl`me, les caractristiques e e e e de ces objets qui ont une importance dans la rsolution du probl`me et les contraintes du e e probl`me. Les objets physiques et leurs caractristiques ont t identis dans le dernier nie e ee e veau de la hirarchie dabstraction prsente dans le paragraphe II.3.1. Les contraintes imposes e e e e 51

 ` III.3. ANALYSE DES TACHES POUR LA RESOLUTION DU PROBLEME

pour chaque objet physique et les contraintes gnrales du probl`me (contraintes sur les cae e e ractristiques des tournes et contraintes entre les objets physiques) ont t identies de mani`re e e ee e e exhaustive dans le niveau des fonctions gnrales (troisi`me niveau de la hirarchie dabstraction e e e e du paragraphe II.3.1).

Rsolution du probl`me e e Une fois le probl`me modlis, la tche suivante consiste ` proposer une solution au probl`me. e e e a a e Les procdures des deux planicateurs pour trouver une solution satisfaisante sont tr`s simie e laires. Nous allons dcrire ces procdures de mani`re ` identier des sous-tches principales pour e e e a a la rsolution du probl`me. Cette identication de sous-tches permet de sparer le mcanisme e e a e e de rsolution en direntes parties. Le but nest pas dimposer une stratgie particuli`re ` e e e e a

tel-00554205, version 1 - 10 Jan 2011

loprateur, mais darriver ` proposer des outils de support grce ` des algorithmes de rsolution e a a a e adapts ` chaque tape de la rsolution (sans forcer loprateur humain ` raliser obligatoirement e a e e e a e les sous-tches de mani`re indpendante pour rsoudre le probl`me). a e e e e Dans les deux entreprises, les clients sont groups par zones gographiques. Chaque groupe de e e clients est servi par un des vhicules. La premi`re des entreprises divise les clients en un nombre e e xe de groupes (chaque jour le nombre de tournes est le mme). La deuxi`me entreprise divise le e e e nombre de clients entre le nombre de vhicules disponibles. Nous remarquons rapidement que les e deux entreprises ont constamment besoin dun ramnagement des tournes (diviser une tourne e e e e en deux direntes, joindre deux tournes en une, transfrer certains clients dune tourne ` une e e e e a autre, ...) de mani`re ` ce que la charge de travail des tournes soit quilibre et que la dure e a e e e e maximale des tournes ne dpasse pas la dure de la journe de travail. Ce ramnagement est fait e e e e e e manuellement dans les deux entreprises. Lecacit du ramnagement dpend donc en grande e e e e partie de lexprience acquise par le planicateur au cours du temps. Nous pouvons donc dnir e e deux sous-tches qui peuvent tre importantes pour la rsolution du probl`me ; la premi`re est la a e e e e slection des vhicules ` utiliser pour les tournes et la deuxi`me est laectation des clients aux e e a e e vhicules. La prsence de cette derni`re tche est motive par le fait que dans certains probl`mes e e e a e e rels les planicateurs narrivent pas ` dterminer compl`tement les itinraires ` suivre par les e a e e e a vhicules. Les planicateurs se contentent souvent de dnir les clients qui doivent tre servis e e e par chaque vhicule et le conducteur dcide en cours de route litinraire ` suivre. Nous pensons e e e a quil est donc pertinent que le syst`me daide ` la dcision dispose dalgorithmes et doutils e a e 52

 ` III.3. ANALYSE DES TACHES POUR LA RESOLUTION DU PROBLEME

dinteraction homme-machine spciques pour aider loprateur dans la ralisation de ces deux e e e tches. a Une fois les clients dnitivement aects aux direntes tournes, les conducteurs dune e e e e des entreprises disposent dune certaine libert pour le choix des itinraires ` suivre (ordre des e e a clients ` servir). Les conducteurs dcident de lordre des clients ` servir en se basant sur leur a e a exprience. Lautre entreprise utilise un algorithme qui vise ` minimiser la distance parcourue. e a Lalgorithme parvient ` proposer une solution de bonne qualit pour les itinraires ` suivre a e e a pour chaque vhicule. Un des inconvnients annoncs par cette derni`re entreprise est que les e e e e conducteurs ont tendance ` se mer des itinraires conus. Les conducteurs mettent souvent a e e c en cause les rsultats de lalgorithme en se basant sur leur exprience et sur des connaissances e e qui ne peuvent pas tre considres par lalgorithme doptimisation (probl`mes de congestion des e ee e

tel-00554205, version 1 - 10 Jan 2011

routes par exemple). Ceci nous fait rchir ` limportance dun outil de support au planicateur e e a et/ou aux conducteurs pour la conception des itinraires. Cet outil doit inclure des algorithmes e doptimisation pertinents mais aussi des outils dinteraction qui permettent ` loprateur humain a e dexploiter son expertise et ses connaissances, en particulier dans le cas o` ces connaissances ne u peuvent pas tre prises en compte par lalgorithme doptimisation. e Nous avons dcrit les procdures suivies par les deux entreprises. Nous pouvons constater que e e ces deux entreprises ne disposent pas des outils ncessaires pour une conception ecace de bonnes e solutions. Cependant, ce manque est couvert par des planicateurs experts capables de faire face aux probl`mes qui se prsentent ` eux (phnom`nes saisonniers, probl`mes de personnel, ...) et e e a e e e de proposer ainsi des solutions satisfaisantes permettant de remplir les contrats avec les clients.

Slection dune solution e Une des principales dicults rencontres par les planicateurs est le manque doutils de e e support pour arriver ` concevoir des solutions qui respectent certaines contraintes (contraintes a secondaires ou molles, prfrences) que les planicateurs consid`rent souvent comme tr`s imporee e e tantes. Si le syst`me daide ` la dcision propose ` loprateur des solutions de pi`tre qualit en e a e a e e e ce qui concerne les crit`res de performance identis dans la hirarchie dabstraction, loprateur e e e e perd conance envers le syst`me et nit par favoriser une approche pragmatique (manuelle) lui e permettant de prendre en compte les crit`res secondaires (Moray et al., 1995). Le syst`me doit e e donc permettre ` loprateur de choisir des solutions performantes pour lensemble des crit`res a e e 53

 ` III.3. ANALYSE DES TACHES POUR LA RESOLUTION DU PROBLEME

considrs comme importants pour loprateur. ee e Ces crit`res ou contraintes peuvent tre considrs en permettant au planicateur de particie e ee per ` la prise de dcisions lors de la construction dune solution. Nous proposons une autre faon a e c de prendre en compte ces crit`res. Lide est de proposer un outil de slection de solutions qui e e e permette ` loprateur humain de comparer les solutions par rapport ` ces crit`res secondaires. a e a e Lavantage principal de concevoir un outil de support ` loprateur humain pour la slection a e e de la solution nale est que les crit`res et/ou les contraintes qui nont t pas prvus lors de e ee e la construction des solutions peuvent toujours tre considrs dans le processus de slection de e ee e cette solution. Les interfaces classiques des probl`mes de transport achent les solutions possibles une par e une. Ce type dinterfaces ne favorisent pas lanalyse et la comparaison de solutions. En eet, ces

tel-00554205, version 1 - 10 Jan 2011

interfaces augmentent logiquement la charge mentale due ` la ncessit de mmoriser de grandes a e e e quantits dinformation (surtout pour les probl`mes multicrit`res comme cest gnralement le e e e e e cas dans les probl`mes rels dordonnancement des transports). Cette augmentation de la charge e e mentale est suppose accro le risque de prise de mauvaises dcisions. Mietus (1994) remarque e tre e que les planicateurs ont tendance ` focaliser sur une solution lorsque des choix multiples leur a sont proposs. Dans la mme logique, Cegarra and Hoc (2008) dmontrent que les planicae e e teurs prf`rent parfois des solutions de moins bonne qualit ` celle quils pouvaient possiblement ee ea atteindre parce que la charge mentale requise est trop leve. e e Dapr`s nous, il est donc ncessaire de mettre ` disposition de loprateur humain de nouveaux e e a e outils pour faciliter cette tche de comparaison des solutions, an darriver ` slectionner la a a e solution la mieux adapte au probl`me rel. e e e

Poursuite des tournes en temps rel e e Une autre tche importante pour parvenir aux objectifs du syst`me de travail est la poursuite a e en temps rel des tournes. Cette poursuite consiste ` suivre ` tout instant ltat des tournes et e e a a e e a ` appliquer les mesures ncessaires en cas de contretemps ou dincidents. Cette tche est dune e a importance extrme dans les deux entreprises interviewes. Nous avons remarqu que la gestion e e e en temps rel est la tche qui demande le plus dexprience et de savoir-faire de la part des e a e planicateurs. Les avances technologiques dans les syst`mes actuels de golocalisation permettent ` tout e e e a 54

 ` III.3. ANALYSE DES TACHES POUR LA RESOLUTION DU PROBLEME

moment de disposer de la position gographique des vhicules. Toutefois, les planicateurs ne e e disposent pas des outils de support pour anticiper les consquences des incidents et ragir en e e consquence. Dapr`s nous, le syst`me daide ` la dcision pour lordonnancement des transports e e e a e doit disposer des outils ncessaires pour la gestion en temps rel des tournes. Laccroissement de e e e la performance des syst`mes embarqus actuels et des techniques de communication permettent e e une gestion en temps rel ecace base sur des algorithmes de calcul de faible complexit (heue e e ristiques) ou avec un temps de calcul limit (mtaheuristiques, recherche locale, ...). e e Schma des tches ` raliser pour la rsolution du probl`me e a a e e e La gure III.2 dcrit les principales tches ` raliser pour la rsolution du probl`me, de e a a e e e mani`re ` satisfaire les objectifs du syst`me de travail. e a e

tel-00554205, version 1 - 10 Jan 2011

Problme dordonnancement des transports

Modlisation du problme

Rsolution du problme

Slection de la solution

Gestion des tournes en temps rel

Spcification des objets et leurs caractristiques

Spcification des contraintes

Slection des vhicules

Affectation des clients aux vhicules

Slection des itinraires

Fig. III.2 Schma des tches ` raliser pour la rsolution du probl`me e a a e e e

III.3.2

Rpartition des fonctions entre lhomme et la machine e

Nous proposons dans ce paragraphe laectation entre loprateur humain et le syst`me des e e direntes fonctions ` raliser pour la rsolution du probl`me. Dans la littrature sur la concepe a e e e e tion de syst`mes, il existe un manque de propositions de mthodes et doutils pour arriver ` e e a dterminer la meilleure aectation des fonctions entre loprateur humain et le syst`me. En efe e e fet, une des critiques faites au CWA par Chauvin and Hoc (sous presse, 2010) est que le CWA 55

 ` III.3. ANALYSE DES TACHES POUR LA RESOLUTION DU PROBLEME

aborde les questions stratgiques (quatri`me tape du CWA) sans avant avoir trait au pralable e e e e e la rpartition des fonctions entre les agents. Ce sujet a t dj` trait pour des situations dynae ee ea e miques (e.g., Hoc (sous presse, 2010)). Dans van Wezel et al. (2010), les auteurs proposent une procdure fonde sur lanalyse des tches ` raliser et sur les capacits de loprateur et des algoe e a a e e e rithmes disponibles pour rsoudre ces tches de mani`re ` proposer la meilleure aectation des e a e a fonctions entre loprateur humain et le syst`me. La procdure est spcique pour les syst`mes e e e e e dordonnancement et de planication. Dans larticle, la mthode est applique de mani`re illuse e e trative pour un exemple de syst`me daide ` la dcision pour un probl`me dordonnancement e a e e de trains dans les voies ferroviaires. Plus rcemment, Dimopoulos and Ioannides (sous presse, e 2010) se servent de la mthode pour valuer la pertinence dun syst`me dj` existant daide ` la e e e ea a dcision pour un probl`me dordonnancement datelier. e e

tel-00554205, version 1 - 10 Jan 2011

Nous nous basons sur les principes de la mthode pour dterminer le meilleur mode de contrle e e o pour chacune des tches. Cinq modes de contrle sont dnis dans larticle (voir gure III.3). a o e Du mode le plus manuel au mode le plus automatique, ces modes sont : manuel, consultatif, interactif ou dynamique, de supervision et automatique.

Humain Humain Algorithme Manuel Consultatif

Algorithme Humain Interactif

Humain Algorithme Supervision Algorithme

Automatique

Fig. III.3 Dirents modes de contrle proposs par van Wezel et al. (2010) e o e

Modlisation du probl`me e e La premi`re des tches identies est la modlisation du probl`me. Cette tche est tr`s ime a e e e a e portante pour la rsolution du probl`me, une mauvaise modlisation du probl`me peut impliquer e e e e que les solutions nales ne soient pas ralisables. Il est alors ncessaire davoir conscience des cae e ractristiques et des particularits du probl`me pour la ralisation de cette tche. La modlisation e e e e a e nest pas une tche de grande complexit, mais une forte connaissance de lenvironnement est a e cependant ncessaire. Bien quune partie de cette modlisation puisse tre, dans certaines situae e e tions, partiellement automatise, par exemple avec un chargement du probl`me ` partir dun e e a 56

 ` III.3. ANALYSE DES TACHES POUR LA RESOLUTION DU PROBLEME

chier externe qui contient linformation sur les caractristiques physiques du probl`me (locae e lisation des clients, caractristiques des vhicules, ...), la participation de loprateur humain ` e e e a cette tape de modlisation est absolument ncessaire pour une rsolution ecace du probl`me. e e e e e

Rsolution du probl`me e e La deuxi`me des tches est la rsolution du probl`me. Cette tche a t divise en trois e a e e a ee e sous-tches (la slection des vhicules, laectation des clients aux vhicules et la slection des a e e e e itinraires) de mani`re a pouvoir intgrer dans le syst`me daide ` la dcision des interfaces et e e e e a e des algorithmes ddis pour chacune delles. Ces trois sous-tches ont un eet tr`s important sur e e a e la qualit de la solution nale. En mme temps, ce sont des tches dune complexit importante e e a e et qui peuvent aussi exiger une grande charge mentale pour leur rsolution, notamment pour les e

tel-00554205, version 1 - 10 Jan 2011

probl`mes de grande taille ou pour les probl`mes avec un nombre important de contraintes ` e e a prendre en compte. Dans ce contexte, il semble tr`s pertinent de donner un rle important aux e o algorithmes de rsolution pour la ralisation de ces tches. Cependant, il nest pas non plus tr`s e e a e souhaitable dcarter compl`tement lhumain de ce processus de rsolution. Le fait dintroduire e e e loprateur humain dans ce processus entra e nerait, en premier lieu, la proposition de solutions plus robustes, car il existe toujours des contraintes ou des limites dont lhumain a connaissance et qui ne peuvent pas tre considres par les algorithmes de rsolution. En second lieu, cela e ee e faciliterait le processus de modication ou de ramnagement des solutions, ce qui est souvent e e ncessaire pour satisfaire les crit`res dquilibrage de tournes ou dans le cas de contretemps lors e e e e de la phase de poursuite en temps rel des tournes. e e Nous avons dcid de maintenir trois modes de contrle dirents (consultatif, interactif et de e e o e supervision) pour la ralisation de ces sous-tches. Dans le mode consultatif, loprateur humain e a e prend les dcisions pour la construction dune solution et le mcanisme de rsolution soccupe e e e de vrier si les dcisions sont ralisables. Dans le mode de supervision, le syst`me propose une e e e e solution, cette solution doit tre valide par loprateur humain pour pouvoir continuer avec la e e e rsolution du probl`me. Loprateur humain dispose aussi des outils dinteraction ncessaire pour e e e e modier la solution propose par le syst`me. Finalement, dans le mode interactif, loprateur peut e e e proposer une solution partielle qui est, dans un deuxi`me temps, complte par le syst`me. Ce e ee e mode est tr`s pertinent pour un syst`me daide ` la dcision car loprateur peut imposer certaines e e a e e prfrences qui, autrement, ne seraient pas prises en compte par lalgorithme de rsolution. ee e 57

 ` III.3. ANALYSE DES TACHES POUR LA RESOLUTION DU PROBLEME

Slection de la solution nale e

Cette tche est tr`s importante pour arriver ` satisfaire les objectifs du syst`me de travail. a e a e Les algorithmes issus de la recherche oprationnelle peuvent facilement calculer un grand nombre e de solutions ralisables pour ce type de probl`mes, sauf pour le cas des probl`mes sur-contraints, e e e et peuvent aussi dterminer de mani`re ecace la meilleure ou les meilleures solutions en regard e e dun certain crit`re doptimisation. Les probl`mes rels dordonnancement de transports sont e e e cependant multicrit`res et, dans la plupart des cas, ces crit`res ne sont pas enti`rement tablis e e e e au pralable. Dans ce type de probl`mes, les oprateurs humains cherchent une solution ralisant e e e e le meilleur compromis entre les crit`res. Jngen and Kowalczyk (1995) notent que dans certains e u probl`mes, lhumain peut arriver a rejeter une bonne solution ralisable et, en revanche, accepter e e

tel-00554205, version 1 - 10 Jan 2011

une solution qui viole lg`rement une des contraintes du probl`me. e e e Loprateur humain doit donc jouer un rle crucial dans la slection de cette solution e o e nale. Lhumain est ncessaire pour dnir la hirarchisation des dirents crit`res. En plus, les e e e e e planicateurs peuvent considrer aussi dautres contraintes quil est dicile de spcier lors de e e la modlisation du probl`me : personnelles (e.g., un client qui doit tre servi par un vhicule e e e e spcique), environnementales (e.g., bouchons ou routes barres en raison de travaux), sociales e e (e.g., ftes ou occasion spciales qui peuvent entra e e ner une sur-demande de service), etc. Un mode de contrle manuel est donc propos pour la ralisation de cette tche. o e e a

Poursuite des tournes en temps rel e e

La modication des tournes en temps rel est une tche avec des caractristiques tr`s simie e a e e laires aux tches lies ` la rsolution du probl`me. Nous considrons quil est ncessaire que le a e a e e e e syst`me daide ` la dcision int`gre des algorithmes capables de proposer des solutions ralisables e a e e e apr`s chaque dicult ou contretemps apparus en cours de route. Loprateur humain doit dise e e poser des outils pour valider et modier les propositions faites par lalgorithme. Nous proposons donc les trois mmes modes de contrle proposs pour les sous-tches lies ` la rsolution du e o e a e a e probl`me : consultatif, interactif et de supervision. e 58

 III.4. MECANISME DE RESOLUTION

III.4

Mcanisme de rsolution e e

Le mcanisme de rsolution est compos de deux modules : la programmation par contraintes e e e et les algorithmes spciques du probl`me de tournes de vhicules. Larticulation de ces deux e e e e composants ore un cadre idal pour lintgration dans un mcanisme de rsolution dun syst`me e e e e e daide ` la dcision dont le but principal est de favoriser la coopration homme-machine. Dun a e e ct, la programmation par contraintes facilite la dtection dinconsistances apr`s la prise de oe e e chaque dcision et, dun autre ct, les algorithmes spciques permettent de proposer des solue oe e tions ecaces pour la rsolution des probl`mes. e e

III.4.1

Programmation par contraintes

tel-00554205, version 1 - 10 Jan 2011

An dintgrer, de mani`re interactive et incrmentale, les contraintes du probl`me, nous nous e e e e plaons dans le paradigme de la programmation par contraintes (PPC) (Dechter, 2003; Rossi c et al., 2006). Un tel paradigme prsente en eet de multiples avantages pour la problmatique e e qui nous occupe.
Nouvelles contraintes

Prise de dcision Contraintes initiales Problme de satisfaction de contraintes

Dfinition du problme

Nouvelles situations (dynamique)

Propagation de contraintes

Fig. III.4 Programmation par contraintes

En premier lieu, et cest la principale originalit de la PPC, il sagit dune approche qui e favorise la sparation entre la dnition formelle du probl`me, les mcanismes danalyse et de e e e e ltrage du syst`me de contraintes induit par cette dnition (propagation) et les mthodes de e e e rsolution (cf. gure III.4). Cette caractristique nous para particuli`rement importante pour e e t e la conception de syst`mes exibles permettant la considration dune coopration au sein du e e e 59

 III.4. MECANISME DE RESOLUTION

syst`me homme-machine. e Ensuite, en PPC, le traitement des contraintes nest pas globalis, mais au contraire partie cularis en fonction du type de la contrainte traite, suivant lassertion 1 contrainte = 1 ale e gorithme . Ce principe permet notamment de dcomposer le syst`me de contraintes global en e e autant de sous-probl`mes que de types de contraintes et de spcialiser ainsi le processus de e e propagation de contraintes (ltrage de valeurs inconsistantes du domaine dune variable). Ce traitement individualis des contraintes permet aussi de proposer des mcanismes de guidage sur e e les contraintes ` relcher (inversion du mod`le) adapts aux caractristiques de chaque type de a a e e e contrainte (voir le chapitre V). Enn, le paradigme de la PPC par son aptitude ` lajout incrmental de nouvelles contraintes, a e est bien adapt ` la prise en compte de la dynamique du probl`me trait. Des formalismes e a e e

tel-00554205, version 1 - 10 Jan 2011

spcialiss comme ceux des CSP dynamiques (Mittal and Falkenhainer, 1990) et des CSP mixtes e e et conditionnels (Gelle and Faltings, 2003) sont tout particuli`rement prometteurs. e

III.4.2

Algorithmes spciques pour la rsolution du probl`me e e e

Un des avantages de lapproche propose est la possibilit de raliser une hybridation entre les e e e mcanismes de PPC et dautres techniques de rsolution davantage ddies. Le syst`me propos e e e e e e permet aisment dintgrer cet aspect. Apr`s application de la PPC, nous pouvons traiter le e e e probl`me par les techniques de rsolution qui se sont avres les plus ecaces pour rsoudre des e e ee e probl`mes semblables au probl`me rel. Les dcisions prises par ces techniques et algorithmes e e e e peuvent ensuite tre rintgres, de la mme mani`re que les dcisions prises par loprateur e e e e e e e e humain, dans le schma de rsolution de la PPC. e e Dans ce contexte, une piste intressante ` suivre est lintgration de techniques de slection e a e e des algorithmes spciques ` appliquer selon le type de probl`me. Dans Desrochers et al. (1999), e a e les auteurs proposent une mthode base sur la recherche de plus courts chemins pour associer e e des techniques diverses de rsolution du probl`me rel ` rsoudre. Cette identication est faite ` e e e a e a partir des ressemblances entre le probl`me rel, une fois modlis, et les probl`mes classiques de e e e e e la littrature pour lesquels des mthodes et algorithmes de rsolution ecaces sont connus. e e e Les algorithmes intgrs actuellement dans le syst`me daide ` la dcision sont dcrits dans e e e a e e les paragraphes suivants. Dabord, le probl`me est dni formellement. Ensuite, nous prsentons e e e les algorithmes pour les trois tapes indpendantes de rsolution du probl`me (la slection de e e e e e 60

 III.4. MECANISME DE RESOLUTION

vhicules, laectation des clients aux vhicules et la slection des itinraires). Lobjectif de cette e e e e sous-division est que le syst`me doit tre capable dassister loprateur humain non seulement e e e dans la rsolution globale du probl`me, mais aussi dans chacune des tches qui sont ou peuvent e e a tre ralises (dpendant de la stratgie de loprateur) pendant la rsolution du probl`me. Des e e e e e e e e algorithmes pour la rsolution de chacune des sous-tches doivent tre donc intgrs dans le e a e e e mcanisme de rsolution. e e

III.4.3

Dnition formelle du probl`me e e

Le probl`me considr est le probl`me de tournes de vhicules avec prise en compte de e ee e e e

tel-00554205, version 1 - 10 Jan 2011

dirents types de contraintes identies lors de lanalyse du domaine de travail. Dans ce parae e graphe, nous introduisons la notation relative au probl`me. e Les objets du probl`me sont : e les clients (Ci , i = 1..nc) les vhicules (Vj , j = 1..nv) e les conducteurs (Dl , l = 1..ndr) les dpts (Det , t = 1..nde) e o et les marchandises (Pk , k = 1..np) Un ensemble de nc clients doit tre servi par un ensemble de nv vhicules. Chaque client i e e e e demande une quantit dk de produit k. Les demandes des clients peuvent tre indiremment e i des livraisons (dk > 0) ou des collectes (dk < 0). Un temps de service T si est associ ` chaque ea i i
p v client. Chaque vhicule j dispose dune capacit limite relative au poids (Cj ), au volume (Cj ) et e e l a ` la longueur maximale transportable (Cj ). De la mme mani`re, les caractristiques de chaque e e e p v l produit k sont le poids (Pk ), le volume (Pk ) et la longueur (Pk ).

La variable xj est utilise pour indiquer la prsence du client i sur la route du vhicule j. e e e i 1 xj = i 0 si le client i est servi par le vhicule j e sinon

Lensemble des contraintes de capacit lies aux livraisons peuvent maintenant tre exprimes e e e e 61

 III.4. MECANISME DE RESOLUTION

de la mani`re suivante : e
nc np p xj max(dk , 0) Pk i i i nc k np v xj max(dk , 0) Pk i i i k i,dk >0 i l l max (xj Pk ) Cj i v Cj p Cj

j = 1..nv j = 1..nv j = 1..nv

(III.1)

et lensemble de contraintes lies aux collectes sont : e

nc np p xj max(dk , 0) Pk i i i nc k np v xj max(dk , 0) Pk i i w Cj p Cj

j = 1..nv j = 1..nv j = 1..nv

(III.2)

tel-00554205, version 1 - 10 Jan 2011

k i,dk <0 i l l max (xj Pk ) Cj i

Dans le cas o` de nouvelles contraintes relatives aux caractristiques des marchandises doivent u e tre prises en compte, le syst`me daide ` la dcision permet de les ajouter. e e a e Des contraintes sur les direntes tournes sont aussi considres. Les tournes peuvent tre e e ee e e e e limites en distance (VjD ), en dure (VjT ) ou en nombre de clients (VjC ). Notons Rj la tourne e ralise par le vhicule j. Les grandeurs D(Rj ) et T (Rj ) reprsentent respectivement la distance e e e e et la dure de la tourne Rj . Lensemble de contraintes des tournes peut alors tre dni comme : e e e e e D(Rj ) VjD T (Rj ) VjT
nc

j = 1..nv j = 1..nv j = 1..nv (III.3)

xj VjC i
i

Une fentre de temps dcrit lintervalle dans lequel un client doit tre servi : F T Ci = [ri , di ]. e e e Les dpts et les conducteurs ont aussi leurs fentres de temps respectives : F T Det = [rt , dt ] e o e et F T Dl = [rl , dl ]. Ces fentres dcrivent respectivement les intervalles de temps dans lequel le e e dpart et larrive des vhicules aux dpts doivent tre raliss et ceux du temps de travail des e e e e o e e e conducteurs. Nous considrons aussi des contraintes entre les objets physiques du probl`me. Lun de ces e e 62

 III.4. MECANISME DE RESOLUTION

types de contraintes concerne les contraintes de prcdence (simple et immdiate) entre les clients. e e e Sil existe une contrainte de prcdence simple entre deux clients i et i (i e e i ), le client i doit alors i ) implique

tre servi avant le client i . En revanche, la contrainte de prcdence immdiate (i e e e e

que le client i doit tre servi immdiatement apr`s le client i et par le mme vhicule. Enn, e e e e e dans ce type de contraintes, nous considrons les contraintes daectation ou dincompatibilit e e (exclusion) entre les objets physiques du probl`me. Dans les probl`mes rels, nous trouvons e e e souvent des situations pour illustrer ce type de contraintes, par exemple laectation entre un type de marchandise et un type de vhicule avec des caractristiques particuli`res qui assure la e e e sret du transport, ou dans le cas o` deux clients doivent tre imprativement servis par le u e u e e mme vhicule pour la raison que la collecte dun des clients garantit la livraison de lautre. e e

tel-00554205, version 1 - 10 Jan 2011

III.4.4

Algorithmes pour la slection de vhicules e e

Lobjectif principal des algorithmes proposs pour la phase de slection des vhicules est e e e daider loprateur humain a slectionner les vhicules qui vont tre utiliss pour servir les clients. e e e e e La solution de cette tape peut parfois tre non-ralisable car les vhicules slectionns peuvent e e e e e e ne pas tre susants pour satisfaire les demandes des clients sans violer aucune des contraintes du e probl`me. Toutefois, cette tape peut tre tr`s utile aux planicateurs pour une gestion ecace e e e e de la otte, notamment dans les probl`mes o` la location de vhicules est ncessaire. e u e e Dans cette phase de rsolution, les vhicules disponibles sont groups selon leurs caractrise e e e tiques. Les variables de dcision de cette phase sont donc le nombre de vhicules de chaque type e e qui vont tre utiliss pour servir les clients. Notons tv le nombre de types de vhicules dirents e e e e et nv le nombre de vhicules du type qui vont tre utiliss pour servir les clients. e e e

Mode consultatif : vrication de la faisabilit de la solution propose par loprateur e e e e humain. Les algorithmes de ce mode soccupent de vrier si la solution propose par loprateur hue e e main est ralisable ou non. Lalgorithme vrie en premier si la solution propose satisfait les e e e contraintes de capacit des vhicules relatives aux limites de poids, volume et longueur maximale e e transportable (quations III.4, III.5 et III.6). Lalgorithme vrie aussi les contraintes daectae e tion entre objets physiques relatives aux vhicules de mani`re ` dterminer si la prsence dun e e a e e 63

 III.4. MECANISME DE RESOLUTION

vhicule dun type spcique est ncessaire ou non. e e e

nc np p d k Pk i i=1 k=1 nc np v d k Pk i i=1 k=1 i,dk = 0 i l max (Pk ) tv

=1 tv

p nv C

(III.4)

=1

v nv C l max (C )

(III.5) (III.6)

nv >0

Ensuite, lalgorithme compare le nombre de vhicules de la solution propose par loprateur e e e (

tv

nv ) avec une borne infrieure pour le nombre minimum de vhicules ncessaires pour servir e e e

les clients (BInv ). Cette borne est calcule ` partir des contraintes induites par les fentres de e a e temps des clients, par les fentres de temps des dpts et par les contraintes sur les tournes e e o e

tel-00554205, version 1 - 10 Jan 2011

(distance, dure et nombre maximum de clients par tourne). Pour chacune de ces contraintes, e e une borne infrieure est calcule. La borne infrieure pour le nombre de vhicules BInv est donc e e e e gale au maximum des cinq bornes infrieures calcules. e e e Le nombre de vhicules de la solution propose par loprateur doit tre alors au moins gal e e e e e a ` la borne infrieure : e
tv

nv BInv

(III.7)

FT Pour le calcul de la borne infrieure BInv C lie aux contraintes temporelles induites par les e e

fentres de temps des clients (F T Ci = [ri , di ]), lalgorithme dtermine dabord pour chaque paire e e de clients sils sont en conit. Un client est en conit avec un autre si les deux clients ne peuvent tre servis par le mme vhicule. Notons par tii la dure du trajet entre le client i et le client i . e e e e Pour une paire de clients < i, i >, si ri + T si + tii > di T si et ri + T si + ti i > di T si , alors les deux clients < i, i > sont en conit. Les clients qui sont mutuellement en conit sont
FT groups en sous-ensembles de clients. Ainsi, BInv C est gal au nombre dlments du plus grand e e ee

sous-ensemble, car aucun client de ce sous-ensemble ne peut partager le vhicule avec les autres e clients du sous-ensemble. Pour le calcul des bornes lies aux contraintes relatives ` la distance et ` la dure maximale e a a e
D T des tournes (BInv et BInv , respectivement), lalgorithme calcule dabord une borne infrieure e e nc

relative ` la distance (BIdistance = a

nc i i= i

i i= i

min (dii )) et ` la dure minimale de la tourne (BIduree = a e e

min (tii ) + T si ) ncessaire pour servir tous les clients. La dure des trajets entre clients peut e e

64

 III.4. MECANISME DE RESOLUTION

tre calcule ` partir de linformation sur la vitesse des vhicules et peut tre rguli`rement e e a e e e e actualise suite ` un retour dinformation apr`s chaque tourne. La borne relative ` la distance e a e e a peut ainsi tre calcule par lquation suivante : e e e
D BInv =

BIdistance max(VjD )
j

(III.8)

et lexpression pour le calcul de la borne relative ` la contrainte sur la dure des tournes vaut : a e e
T BInv =

BIduree max(VjT )
j

(III.9)

Enn, la borne lie ` la contrainte sur le maximum nombre de clients ` servir par une tourne e a a e

tel-00554205, version 1 - 10 Jan 2011

est gale ` : e a
C BInv =

nc max(VjC )
j

(III.10)

La derni`re borne infrieure est la borne lie aux contraintes dnies par les fentres de temps e e e e e
FT des dpts (BInv De ). Cette borne calcule le nombre de vhicules ncessaires pour satisfaire la e o e e

demande des clients lorsquon consid`re lheure douverture et de fermeture des dpts : e e o
FT BInv De =

BIduree max(dt ) min(rt )

t t

(III.11)

Lalgorithme de plus grande complexit pour le calcul de ces bornes est celui charg de e e dterminer le sous-ensemble de clients en conit avec un plus grand nombre dlments dans le e ee cas de dures de trajet asymtriques (tii = ti i ). La complexit de cet algorithme est en O(n3 ). e e e Le calcul des cinq bornes permet de dterminer la valeur de la borne infrieure pour le nombre e e de vhicules ` utiliser : e a
FT FT D T C BInv = max{BInv C , BInv De , BInv , BInv , BInv }

(III.12)

Si les contraintes lies aux limites de capacit de transport des vhicules sont satisfaites, les e e e requtes de vhicules respectes et le nombre de vhicules de la solution propose par loprateur e e e e e e humain suprieur ou gal ` BInv , la solution est alors accepte comme valide. Dans le cas o` les e e a e u vhicules slectionns dans la solution propose par loprateur ne sont pas en nombre susant e e e e e 65

 III.4. MECANISME DE RESOLUTION

pour assurer le service des clients, le syst`me dispose dun mcanisme dassistance ` loprateur e e a e pour la relaxation des contraintes du probl`me de mani`re ` pouvoir servir les clients du probl`me e e a e avec les vhicules slectionns. Ces mcanismes de guidage pour la relaxation des contraintes sont e e e e prsentes dans le chapitre V. e e

Mode de supervision : minimisation du nombre de vhicules. e Un algorithme qui propose ` loprateur une ou plusieurs solutions sur les vhicules ` utiliser a e e a pour satisfaire la demande des clients est intgr dans le mcanisme de rsolution. Lalgorithme e e e e
tv

minimise le nombre de vhicules ` utiliser pour servir les clients (min e a

nv ). Les solutions

proposes par lalgorithme satisfont donc les contraintes lies aux limites de capacit de transport e e e des vhicules (quations III.4, III.5 et III.6) et le nombre de vhicules de chaque solution est e e e

tel-00554205, version 1 - 10 Jan 2011

suprieur ou gal ` la borne infrieure BInv (quation III.12). e e a e e Tout dabord, nous considrons uniquement une des deux limitations (poids ou volume). Un e algorithme exact de complexit linaire (algorithme 1) est propos pour le calcul dune solution e e e qui minimise le nombre de vhicules. Le principe gnral de lalgorithme est de slectionner e e e e itrativement les vhicules de plus grande capacit. Une fois acheve la slection des vhicules e e e e e e qui assurent la satisfaction de la contrainte de capacit, nous vrions que la borne infrieure e e e BInv est satisfaite. Si ce nest pas le cas, des vhicules sont ajouts ` la solution de mani`re ` e e a e a arriver ` satisfaire lquation III.7. a e Finalement, un algorithme qui permet de proposer ` loprateur une liste de solutions inta e e ressantes est galement intgr dans le mcanisme de rsolution (voir algorithme 2). Le principe e e e e e de lalgorithme est de remplacer les vhicules de plus grande capacit par des vhicules plus e e e petits, ce qui est toujours intressant pour une question de cot et de commodit. La fonction e u e Remplacement P ossible(solution, exces, Vr , Va ) retourne vrai, dans le cas o` il est possible de u remplacer un vhicule de la solution par un vhicule avec une capacit moins importante sans e e e violer la contrainte de capacit. Cette fonction dtermine donc le vhicule Vr de plus grande e e e capacit qui peut tre remplac dans la solution par un autre vhicule Va de plus petite capacit, e e e e e
p p cest-`-dire que la condition CVa + exces CVr est satisfaite. Notons que la liste de solutions a

proposes par lalgorithme nest pas exhaustive car lalgorithme modie chaque solution une seule e fois. Ces algorithmes sont tr`s ecaces (bonnes solutions, complexit polynomiale) pour la rsolue e e 66

 III.4. MECANISME DE RESOLUTION

Algorithme 1: Minimisation du nombre de vhicules e Pas 1 : Calculer le poids total ` transporter ` partir des demandes clients, a a
nc np

poids
i k

p d k Pk i
nv P j p Cj poids, alors

si le poids total transportable est plus grand que le poids ` transporter, a

tant que (poids > 0) faire Pas 2 : Slectionner le vhicule Vs disponible avec une capacit de poids ` e e e a transporter maximale p si CVs < poids alors Pas 3 : Ajouter le vhicule Vs ` la solution e a sinon Pas 4 : Slectionner le vhicule Vs avec une capacit de poids ` transporter e e e a minimale mais suprieure ` poids e a a Pas 5 : Ajouter le vhicule Vs ` la solution e
p Pas 6 : Actualiser le poids, poids poids CVs

tel-00554205, version 1 - 10 Jan 2011

Pas 7 : Calculer lexc`s de capacit des vhicules, exces |poids| e e e sinon Echec : Probl`me non-ralisable e e si le nombre de vhicules de la solution est infrieur ` la borne infrieure BInv alors e e a e Pas 8 : Slectionner le vhicule Vs e e Pas 9 : Ajouter le vhicule Vs ` la solution e a Pas 10 : Actualiser lexc`s de capacit de transport des vhicules, e e e p exces exces + CVs

tion du probl`me lorsque seule une contrainte lie ` la capacit (poids ou volume) est considre. e e a e ee Toutefois, dans certains probl`mes rels, notamment ceux avec marchandises volumineuses et e e lourdes ` la fois, ces algorithmes ne sont pas susants pour produire des solutions avec un a nombre minimum de vhicules. Nous navons pas pu dterminer un algorithme de complexit e e e polynomiale pour rsoudre ce type de probl`me. Ce que nous proposons est une rsolution en e e e deux tapes. Dans un premier temps, lalgorithme 1 est lanc sparment pour chacune des e e e e contraintes (poids et volume). Si une des deux solutions proposes satisfait les deux contraintes, e une solution optimale est atteinte et nous pouvons arrter la recherche. Dans le cas o` aucune e u des deux solutions ne satisfait les deux contraintes (poids et volume), le nombre maximum de vhicules des deux solutions nvmax est utilis comme borne pour la deuxi`me tape de la e e e e rsolution. Cette tape consiste ` rsoudre un probl`me de faisabilit. Il sagit de trouver une e e a e e e solution avec un nombre de vhicules x (nvmax ) qui permette de satisfaire les contraintes de e e capacit lies au poids et au volume. Si aucune solution nest trouve, le nombre de vhicules de e e e e 67

 III.4. MECANISME DE RESOLUTION

Algorithme 2: Gnration de solutions avec un nombre minimum de vhicules e e e Pas 1 : Insrer la solution de lalgorithme 1 dans une liste de solutions e tant que Remplacement P ossible(solution, exces, Vr , Va ) faire Pas 2 : Crer une nouvelle solution (nsolution) avec la suppression du vhicule Vr et e e avec lajout du vhicule Va e Pas 3 : Ajouter la nouvelle solution dans la liste de solutions p p Pas 4 : Actualiser lexc`s de capacit de la solution, exces exces + CVa CVr e e Pas 5 : Actualiser la solution ` modier, solution nsolution a

la solution est incrment dune unit. Lalgorithme de cette deuxi`me tape de la rsolution est e e e e e e malheureusement de complexit non polynomiale. e

Mode interactif : nir la rsolution. e Lalgorithme qui correspond ` ce mode de contrle permet de complter une solution partielle a o e

tel-00554205, version 1 - 10 Jan 2011

propose par loprateur humain. Les algorithmes proposs sont les mmes algorithmes que pour e e e e la minimisation du nombre de vhicules. Cependant, il existe dj` un certain nombre de vhicules e ea e qui doivent imprativement appara dans la solution propose ` loprateur. Ces vhicules ont e tre e a e e t slectionns au pralable par loprateur humain. ee e e e e

III.4.5

Algorithmes pour laectation des clients aux vhicules e

Dans cette deuxi`me tape de la rsolution, le but est de dterminer lensemble de clients e e e e qui vont tre servis par chaque vhicule. La solution obtenue satisfait toutes les contraintes du e e probl`me. Cette solution est donc ralisable. e e

Mode consultatif : outil daide pour une approche de rsolution manuelle. e Dans ce mode, loprateur propose une aectation pour chaque client. Les algorithmes intgrs e e e dans le syst`me vrient la faisabilit des dcisions prises par loprateur humain. Le but des e e e e e algorithmes est de dtecter, en premier lieu, si les contraintes du probl`me sont violes et, en e e e second lieu, de vrier sil existe une solution ralisable. e e Pour cela, nous proposons un algorithme en direntes tapes (voir algorithme 3). Cet algoe e rithme est lanc apr`s chaque dcision (aectation dun client i ` un vhicule j) de loprateur. e e e a e e Dabord, un algorithme vrie que toutes les contraintes entre les objets physiques qui ime pliquent le client i ne sont pas violes. Puis, un deuxi`me algorithme vrie que le client i nest e e e 68

 III.4. MECANISME DE RESOLUTION

Algorithme 3: Vrication de la faisabilit de la dcision daecter le client i au vhicule j e e e e Pas 1 : Vrication de la satisabilit des contraintes particuli`res relatives ` e e e a laectation du client i, par exemple laectation du client i ` un vhicule particulier a e Pas 2 : Vrication que le client i nest pas en conit avec les autres clients du vhicule j e e Pas 3 : Test dadmissibilit bas sur le raisonnement nergtique e e e e si aucune contrainte nest viole alors e Pas 4 : Recherche arborescente base sur les divergences pour arriver ` trouver une e a solution ralisable e sinon Echec : Le client i ne peut pas tre aect au vhicule j e e e

pas en conit avec les autres clients dj` aects au vhicule. La complexit de cet algorithme ea e e e est donc linaire par rapport au nombre de clients dj` aects. e ea e Ensuite, dans le cas o` aucune inconsistance na t dtecte, nous proposons un algorithme u ee e e

tel-00554205, version 1 - 10 Jan 2011

bas sur le raisonnement nergtique (Lopez and Esquirol, 1996) de mani`re ` vrier que les e e e e a e fentres de temps des clients aects au vhicule j peuvent tre respectes. Cet algorithme est e e e e e tr`s similaire ` lalgorithme propos dans le paragraphe VI.4.2. Lavantage de cet algorithme par e a e rapport aux algorithmes classiques de raisonnement nergtique est quil permet de considrer e e e les temps de trajet entre les clients dans le test de faisabilit. Le temps de service chez les clients e reprsente la dure des tches, le vhicule est la machine (m = 1 par rapport ` la notation de e e a e a lalgorithme du chapitre VI) et la dure de trajet entre les clients peut tre vue comme le temps e e de prparation des machines. Il sagit de vrier que le client i qui vient dtre aect au vhicule e e e e e j peut tre insr dans la tourne. e ee e Dans le probl`me sans considration des temps de prparation, lanalyse de ladmissibilit est e e e e compl`te concernant ltude des bilans nergtiques sur les intervalles de temps = [t1 , t2 ], dont e e e e les bornes sont dans lun des trois produits cartsiens O1 O2 , O1 O(t), t O1 et O(t)O2 , t e O2 (Lopez, 2003). Les ensembles de dates peuvent tre numrs en O(n2 ) et sont dnis comme : e e ee e O1 = {ri } {di T si } {ri + T si } O2 = {di } {ri + T si } {di T si } O(t) = {ri + di t} (III.13)

Pour notre probl`me, il sut de considrer les intervalles o` la consommation du client i est e e u positive. Les bilans nergtiques doivent alors tre vris pour les intervalles o` t1 < ri + T si e e e e e u 69

 III.4. MECANISME DE RESOLUTION

et t2 > di T si . La complexit de lalgorithme sans considration des temps de trajet est en e e O(n3 ). La consommation nergtique due aux temps de trajet telle quelle est prsente dans e e e e le chapitre VI augmente la complexit jusqu` O(n4 ). Ces temps de trajet peuvent cependant e a tre considrs de mani`re lg`re sans augmenter la complexit de lalgorithme. Cette version e ee e e e e lg`re (ou molle) consiste ` considrer pour chaque client avec une consommation positive e e a e dans lintervalle, la plus petite des dures de trajet entre le client et tous les autres clients du e vhicule. Dans la version dure propose dans le chapitre VI, nous considrons pour chaque e e e client avec une consommation positive, la plus petite des dures de trajet entre le client et les e autres clients qui ont aussi une consommation positive (et non pour tous les clients du vhicule e comme dans la version molle). Enn, une recherche arborescente base sur le concept de divergences (voir le paragraphe VI.5 e

tel-00554205, version 1 - 10 Jan 2011

pour une description dtaille de la mthode) est propose de mani`re ` trouver une solution e e e e e a ralisable et ainsi pouvoir accepter la dcision prise par loprateur. Cette recherche est ncessaire e e e e car le raisonnement nergtique nassure pas lexistence dune solution ` cause des temps de trajet e e a entre clients. Loprateur peut indiquer le temps maximum de calcul autoris pour cette recherche e e car une recherche compl`te peut tre tr`s gourmande en temps de calcul, notamment pour les e e e vhicules avec un grand nombre de clients. Une fois la recherche acheve, si aucune solution e e ralisable na t trouve, loprateur humain doit alors modier laectation du client i, ou celle e ee e e dun des autres clients aects au vhicule. e e

Mode de supervision : aectation des clients aux vhicules. e Le syst`me int`gre aussi un algorithme qui permet daecter automatiquement les clients aux e e vhicules. Pour cela, nous adoptons le principe de lalgorithme de sweep propos dans Gillet e e and Miller (1974). Tout dabord, les clients soumis ` des contraintes daectation aux vhicules a e sont aects. Ensuite, le reste des clients est aect aux vhicules. Lordre daectation des e e e clients est lordre tabli par lalgorithme de sweep. Chaque client est aect au vhicule actif e e e (vhicules avec clients dj` aects) avec une distance moyenne minimale entre le client et les e ea e clients qui sont dj` aects au vhicule. Lalgorithme 3 permet de dterminer si le client peut ea e e e tre aect ou non ` un vhicule. Dans le cas o` le client ne peut tre aect ` aucun des vhicules e e a e u e ea e actifs, le client est alors aect ` un des vhicules disponibles qui na encore aucun client. ea e 70

 III.4. MECANISME DE RESOLUTION

Mode interactif : nir la rsolution. e Le principe de ce mode est de complter une solution qui a t initialement propose par e ee e loprateur humain. Lalgorithme utilis est le mme que celui dcrit pour le mode de supervie e e e sion. Remarquons que la collaboration homme-machine peut tre tr`s ecace pour cette tape e e e de rsolution. En eet, un des principaux inconvnients de lalgorithme est quil nest pas cae e pable didentier des patterns ` partir de la conguration spatiale (localisations des clients) du a probl`me, ce qui parfois peut induire ` une performance pauvre de la solution obtenue. Par e a exemple, les algorithmes bass sur des heuristiques ou sur les r`gles de priorit ne sont pas cae e e pables didentier de mani`re ecace les limites entre tournes, cest-`-dire, de choisir le bon e e a moment pour arrter daecter les clients ` un vhicule et dajouter une nouvelle tourne au e a e e probl`me. Une des qualits de lhumain est en eet cette facilit ` reconna ces mod`les spae e ea tre e

tel-00554205, version 1 - 10 Jan 2011

tiaux qui peuvent tre utiliss pour initialiser la solution et aider lalgorithme ` proposer des e e a solutions de meilleure qualit. e

III.4.6

Algorithmes pour la slection des itinraires e e

Dans cette derni`re phase de rsolution du probl`me, la squence des clients ` servir pour e e e e a chaque vhicule doit tre dnie. Le rsultat de cette tape est une solution compl`te du probl`me. e e e e e e e Ceci implique que si les deux autres tapes de la rsolution nont pas t ralises, cest dans e e ee e e cette tape que le probl`me complet doit tre rsolu. e e e e

Mode consultatif : outil daide pour une approche de rsolution manuelle. e Dans ce mode de contrle, loprateur propose la squence de clients pour chaque vhicule. o e e e Apr`s chaque dcision de loprateur, un algorithme vrie si la dcision prise par loprateur e e e e e e est ralisable. Actuellement, lalgorithme intgr dans le syst`me daide ` la dcision consiste en e e e e a e une recherche arborescente base sur les divergences de mani`re ` trouver une solution ralisable e e a e (cf. chapitre VI). Lalgorithme vrie que la sous-squence propose par loprateur est ralisable e e e e e et quil existe une solution ralisable qui contienne cette sous-squence de clients, mais aussi les e e autres clients qui sont aussi aects dans le mme vhicule et qui nont pas encore t ordonns e e e ee e dans la squence. e Des techniques de propagation de contraintes peuvent aussi tre intgres dans le mcanisme e e e e 71

 III.4. MECANISME DE RESOLUTION

de rsolution. Ces techniques permettent de dtecter des inconsistances plus rapidement et ainsi e e accro lecacit du syst`me. En eet, dans le cas o` il nexiste pas une solution ralisable, la tre e e u e recherche arborescente peut tre tr`s gourmande en temps de calcul. e e

Mode de supervision : slection des itinraires. e e Lide de ce mode de contrle est de proposer une solution compl`te au probl`me. Pour e o e e cela, le syst`me dispose de plusieurs mcanismes : un algorithme fond sur les principes des e e e techniques classiques dinsertion de clients de la littrature et deux algorithmes doptimisation e dune solution. Le but du premier algorithme est de proposer rapidement une solution de qualit a loprateur. Les algorithmes doptimisation ont pour objectif damliorer la qualit de e ` e e e la solution. Ces algorithmes sont dcrits dans le paragraphes qui suivent. Lhybridation entre e

tel-00554205, version 1 - 10 Jan 2011

les mtaheuristiques et la programmation par contraintes a t dj` propose ecacement pour e ee ea e rsoudre les probl`mes de tournes de vhicules (Pesant and Gendreau, 1999; Caseau et al., 1999; e e e e Backer et al., 2000).

Algorithme pour dterminer une solution ralisable. e e

Une fois les clients aects, lalgoe

rithme se base sur la mme logique que lalgorithme dinsertion propos par Clarke and Wright e e (1964). Chaque client est insr dans la squence dans la position qui minimise la dure de la ee e e tourne. Dans le cas o` un client ne peut pas tre insr dans la tourne, une recherche arboe u e ee e rescente base sur les divergences est lance de mani`re ` trouver une solution ralisable. Il faut e e e a e rappeler quil existe toujours une squence ralisable pour chaque tourne, car celle-ci est une e e e des conditions dacceptation dune proposition daectation dun client ` un vhicule. a e Un des principaux inconvnients de lalgorithme dinsertion propos est quil peut devenir tr`s e e e inecace lorsque le probl`me est sur-constraint (Kilby et al., 2000). Dans lalgorithme propos, e e lecacit de lalgorithme dinsertion est tr`s importante. La recherche dune solution ralisable e e e peut tre tr`s coteuse en temps de calcul. Pour cette raison, nous proposons un algorithme e e u dinsertion alternatif qui priorise la recherche dune solution ralisable plutt que la minimisation e o de la fonction objectif. Il est bas sur le principe propos dans Liu and Shen (1999). Pour e e dterminer le prochain client ` ordonner dans la squence, lalgorithme consid`re le client avec e a e e un nombre de positions minimum dans la squence o` le client peut tre plac sans violer aucune e u e e des contraintes du probl`me. Les clients les plus conictuels sont ainsi ordonns en premier dans e e 72

 III.4. MECANISME DE RESOLUTION

la squence. e Une des questions quil faut rsoudre est de trouver un crit`re pour dterminer lequel des deux e e e algorithmes dinsertion doit tre appliqu selon les caractristiques du probl`me. Une solution e e e e envisageable est dutiliser normalement lalgorithme dinsertion qui se focalise sur la minimisation de la dure de la tourne, sauf dans le cas o` il existe un des clients qui na pas encore t ordonn e e u ee e avec moins de deux positions possibles dans la squence. Dans ce cas, le squencement de ce client e e conictuel est prioritaire.

Algorithmes doptimisation dune solution.

Loprateur humain dispose de deux algoe

rithmes pour loptimisation des solutions. Le premier des algorithmes favorise une approche doptimisation locale de la solution et le deuxi`me est un algorithme de recherche locale pour e

tel-00554205, version 1 - 10 Jan 2011

loptimisation compl`te de la solution. Loprateur humain doit limiter le temps dexcution de e e e ces algorithmes. Le premier des algorithmes consiste en une recherche base sur les divergences (voir le parae graphe VI.5 pour une description dtaille de la mthode) qui permet loptimisation des tournes e e e e de mani`re indpendante. Lalgorithme vise donc ` optimiser lordre des clients dans la squence e e a e de la tourne sans autoriser un changement dans laectation des clients. Lavantage dune telle e approche est que loprateur dispose dun algorithme qui lui permet doptimiser la solution tout e en gardant les tournes qui satisfont les crit`res tablis. La structure de lalgorithme est tr`s e e e e similaire aux algorithmes prsents dans le chapitre VI. Nous partons dune solution pour une e e des tournes ; cette solution peut tre propose soit par loprateur humain soit par lalgorithme e e e e prsent dans le paragraphe prcdent. Ensuite, la recherche arborescente est lance de mani`re e e e e e e a ` explorer les solutions admissibles du probl`me. Une borne suprieure est calcule ` chaque e e e a nud de la recherche de mani`re ` augmenter lecacit de lalgorithme. La recherche arborese a e cente base sur les divergences classique (LDS ou Limited Discrepancy Search) a t compare e ee e avec un algorithme hybride de recherche locale avec des voisinages dnis par les divergences de e la recherche arborescente (CDS, voir le chapitre VI pour plus de dtail). Deux versions de cet e algorithme ont t proposes (CDS-V1, CDS-V2). La dirence entre les deux versions est que ee e e les divergences sont spcies par rapport ` des crit`res dirents. Dans CDS-V1, une divergence e e a e e peut tre considre comme la modication de la position dun client dans une liste donne (voir e ee e gure III.5 b). En revanche, dans CDS-V2, une divergence implique la modication dans cette 73

 III.4. MECANISME DE RESOLUTION

liste dun bloc de clients (voir gure III.5 c). Les gures III.5 b et III.5 c illustrent les deux versions pour la mani`re de dnir les divergences ` partir dune solution de rfrence dcrite sur e e a ee e la gure III.5 a. Nous constatons que deux solutions identiques apparaissent pour les voisinages de CDS-V1 et CDS-V2, mais la troisi`me solution explore est dirente. e e e
Tourne Initiale = {C1 , C2 , C3 } e C2 C1 C3

(a) Solution rfrence ee

de

Sol1 = {C2 , C1 , C3 }

Sol2 = {C3 , C1 , C2 } C2 C1 C3 C1

Sol3 = {C1 , C3 , C2 } C2 C3

tel-00554205, version 1 - 10 Jan 2011

C2 C1 C3

(b) Solutions explores par LDS et CDS-V1 avec une divergence e autorise e

Sol1 = {C2 , C3 , C1 } C2 C1 C3 C1

Sol2 = {C3 , C1 , C2 } C2 C3 C1

Sol3 = {C1 , C3 , C2 } C2 C3

(c) Solutions explores par CDS-V2 avec une divergence autorise e e

Fig. III.5 Comparaison des voisinages explors par CDS-V1 et CDS-V2 e

Notons que les voisinages dnis par les divergences de la recherche ont une forte relation avec e les voisinages classiques proposs dans la littrature pour la rsolution du probl`me de tournes e e e e e de vhicules (voir Gendreau and Tarantilis (2010) pour un tat de lart sur les voisinages dcrits e e e dans la littrature pour les probl`mes de tournes de vhicules). Par exemple, la recherche des e e e e solutions ` une divergence dune route xe est un sous-ensemble du voisinage connu sous le a e nom de Or-opt (Or, 1976) lorsque le nombre des clients des sections modies est gale ` 1. e e a Ce voisinage consiste ` extraire chacun des clients de la squence et essayer de les r-insrer a e e e 74

 III.4. MECANISME DE RESOLUTION

dans le reste des positions possibles. La dirence avec ce voisinage est que LDS autorise les re e insertions des clients vers lavant mais limite la distance de la r-insertion vers larri`re (voir la e e gure III.5 b). Dans la gure, nous observons que la tourne R = {C3 , C2 , C1 } qui fait partie du e voisinage Or-opt pour une Tourne Initiale = {C1 , C2 , C3 } nest pas explore dans la recherche e e arborescente LDS avec une divergence autorise. Ceci est d ` ce que la r-insertion du client C1 e ua e dans le squence de clients est limite par le nombre de divergences de la recherche. e e Le deuxi`me algorithme (voir algorithme 4) est un algorithme doptimisation de la solution e compl`te. Pour cela, nous utilisons un schma de recherche locale (voir le paragraphe VI.5.3 e e pour une description de ce schma) o`, pour chaque itration, un oprateur de raectation e u e e e des clients aux vhicules bas sur des crit`res gographiques est appliqu. Pour chaque nouvelle e e e e e aectation des clients, une optimisation des tournes qui ont t modies est lance. Pour cette e ee e e

tel-00554205, version 1 - 10 Jan 2011

optimisation des tournes, nous utilisons lalgorithme qui vient dtre prsent dans le paragraphe e e e e prcdent. Le nombre de divergences autorises est limite. Si pendant cette optimisation une e e e e nouvelle solution est trouve, nous remplaons la meilleure solution et le voisinage de cette e c nouvelle meilleure solution est alors explore. e Il reste donc ` dnir quels sont les oprateurs pour le changement daectation des clients a e e entre les direntes tournes. Dans la littrature, nous trouvons les voisinages connus avec le e e e nom de Raectation et Echange proposs par Savelsbergh (1992) et le Cross-change dni e e e e dans Taillard et al. (1997). Dans ce but, nous proposons deux oprateurs bass sur des crit`res e e e gographiques. Lobjectif de ces voisinages est de trouver le plus rapidement possible de bonnes e aectations des clients aux vhicules. Pour le premier des voisinages, nous nous basons sur le e calcul de la distance entre les clients et les centres de gravit des autres tournes. Cette distance e e est compare avec la distance entre le client et le centre de gravit de sa propre tourne. Il sagit e e e de dterminer tous les clients (Ci ) qui sont plus pr`s du centre de gravit dun autre tourne e e e e (GRj ) que du centre de sa propre tourne (GRq ). Le deuxi`me des voisinages consiste ` comparer e e a pour chaque client la distance par rapport aux autres clients qui ne font pas partie de la mme e tourne avec la distance par rapport au centre de gravit de sa propre route. Sil existe un client e e Ci de la route Rq qui est situ plus pr`s dun client Ci de la route Rj que du centre de gravit e e e de sa propre route GRq , alors nous envisageons daecter ce client Ci au vhicule de la route Rj . e Une fois dtermine la liste de nouvelles aectations spcies par le triplet {Ci , Rq , Rj }, o` Ci e e e e u reprsente le client qui, ` lorigine, fait parti de la tourne Rq et qui doit tre aect ` la tourne e a e e ea e 75

 III.4. MECANISME DE RESOLUTION

Rj (dist(Ci , GRj ) < dist(Ci , GRq ) pour le premier des voisinages et dist(Ci , Ci ) < dist(Ci , GRq ) pour le deuxi`me des voisinages), nous proposons alors dexplorer les voisinages dnis par : e e (1) toutes les nouvelles raectations des clients. Ce voisinage consiste ` aecter le client e a Ci au vhicule de la tourne Rj ; e e (2) tous les changes daectations possibles entre deux clients. Sil existe dans la liste un e triplet {Ci , Rq , Rj } et un triplet {Ci , Rj , Rq }, nous changeons les aectations de ces deux e clients de mani`re ` ce que le client Ci soit aect au vhicule de la tourne Rj et le client e a e e e Ci soit aect au vhicule de la tourne Rq . e e e Remarquons que ces voisinages sont des sous-voisinages des oprateurs Raectation et Echange e e (Savelsbergh, 1992). Algorithme 4: Algorithme doptimisation des tournes e Pas 1 : Loprateur humain ou lalgorithme pour la construction dune solution e proposent une solution initiale, Solution pour chaque tourne de Solution faire e Pas 2 : Appliquer lalgorithme de recherche locale pour loptimisation de la tourne e (LDS ou CDS avec limitation du nombre de divergences autorises) e si une meilleure solution M Solution est trouve alors e Pas 3 : Actualiser la solution, Solution M Solution tant que le temps spci par loprateur nest pas atteint faire e e e Pas 4 : Dterminer les raectations {Ci , Rq , Rj } dnies pour chaque crit`re e e e e pour chaque nouvelle aectation spcie par le voisinage (1) et (2) faire e e Pas 5 : Appliquer lalgorithme de recherche locale pour loptimisation de la tourne Rq e Pas 6 : Appliquer lalgorithme de recherche locale pour loptimisation de la tourne Rj e si une meilleure solution M Solution est trouve alors e Pas 7 : Actualiser la solution et revenir au Pas 4, Solution M Solution

tel-00554205, version 1 - 10 Jan 2011

Mode interactif : nir la rsolution. e Finalement, loprateur dispose aussi du mode de contrle interactif. La logique de ce mode e o est la mme que dans les autres tapes de la rsolution. Loprateur propose dabord une solution e e e e partielle avec le support du mcanisme de vrication dcrit dans le paragraphe de la description e e e du mode consultatif. Ensuite, lalgorithme pour dterminer une solution ralisable ordonne le e e reste de clients dans la squence de la tourne, tout en respectant les dcisions proposes par e e e e loprateur humain. e 76

 III.5. RESULTATS EXPERIMENTAUX

III.5

Rsultats exprimentaux e e

Nous prsentons les rsultats de trois exprimentations ralises pour valuer lecacit des e e e e e e e algorithmes proposs. Les algorithmes ont t implments en C++ et les exprimentations e ee e e e ont t ralises sur un ordinateur de 2 GHz sous le syst`me dexploitation Linux Fedora 8 et ee e e e avec 2 Go de mmoire RAM. Nous avons utilis les instances de la littrature pour le VRPTW e e e proposes par Solomon (1983) (25, 50 et 100 clients) et les extensions de ces instances (200 et e 400 clients) (Gehring and Homberger, 1999). Ces instances sont regroupes par rapport ` deux e a crit`res. Le premier est la position relative entre les clients : instances avec clients groups en e e clusters (C), instances avec clients placs alatoirement (R) et les instances mixtes (RC). Le e e deuxi`me crit`re concerne lhorizon de lordonnancement et les capacits des vhicules. Pour e e e e

tel-00554205, version 1 - 10 Jan 2011

les instances des groupes C2, R2 et RC2 lhorizon de temps est plus large et les capacits de e vhicules plus grandes que pour les instances des groupes C1, R1 et RC1, ce qui implique que e chaque vhicule peut servir un plus grand nombre de clients. e Nous avons dabord valu la performance de la borne infrieure pour le nombre de vhicules e e e e ncessaires pour servir les clients. Nous avons compar les meilleures solutions connues avec la e e borne propose pour les instances avec 100, 200 et 400 clients. Notons que ces instances peuvent e tre utilises pour valuer la borne lie ` la contrainte de capacit, la borne lie aux fentres e e e e a e e e
FT FT de temps des clients (BInv C ) et la borne lie ` la fentre de temps du dpt (BInv De ). La e a e e o

premi`re colonne du tableau III.1 (NbOpt) indique, pour chaque groupe dinstances, le nombre e de fois o` il existe une solution ralisable avec le nombre de vhicules proposs par la borne ; le u e e e nombre dinstances de chaque groupe est indiqu entre parenth`ses. Les deuxi`me et troisi`me e e e e colonnes indiquent respectivement le nombre de vhicules utiliss en moyenne dans les meilleures e e solutions ralisables dcrites dans la littrature (Prescott-Gagnon et al., 2009; Nagata et al., e e e 2010; Schrimpf et al., 2000) (NVMoy) et le nombre de vhicules en moyenne proposs par la e e borne infrieure (NVMoyBI ). Finalement, la derni`re colonne (TCPU (s)) ache le temps de e e calcul moyen en secondes pour dterminer la valeur de la borne infrieure. e e Nous pouvons armer que la borne propose est relativement ecace. La valeur propose e e par la borne est en eet gale ` la valeur optimale pour la minimisation du nombre de vhicules e a e pour la plupart des instances et les temps de calcul sont acceptables. Ces rsultats renforcent e lide dj` annonce que cette tape de slection des vhicules peut tre tr`s intressante pour e ea e e e e e e e 77

 III.5. RESULTATS EXPERIMENTAUX

tel-00554205, version 1 - 10 Jan 2011

Instances C1-100 C2-100 R1-100 R2-100 RC1-100 RC2-100 C1-200 C2-200 R1-200 R2-200 RC1-200 RC2-200 C1-400 C2-400 R1-400 R2-400 RC1-400 RC2-400 Total

NbOpt 9 (9) 8 (8) 3 (12) 5 (11) 0 (8) 0 (8) 7 (10) 10 (10) 9 (10) 10 (10) 10 (10) 8 (10) 6 (10) 3 (10) 9 (10) 10 (10) 10 (10) 7 (10) 124 (176)

NVMoy 10 3 11.83 2.64 11.5 3.25 18.8 6 18.1 4 18 4.3 37.6 11.7 36.2 8 36 8.5

NVMoyBI 10 3 10 2 9.38 2 18.2 6 18 4 18 4 36.4 11 36 8 36 8

TCPU (s) 0.02 0.01 0.03 0.00 0.02 0.00 0.1 0.03 0.13 0.03 0.13 0.03 1.41 0.11 1.91 0.12 3.43 0.12

Tab. III.1 Rsultats de lvaluation de la borne infrieure pour le nombre de vhicules ` utiliser e e e e a les probl`mes o` la planication des vhicules doit tre faite ` lavance, e.g., les probl`mes avec e u e e a e location de vhicules. e Dans la deuxi`me exprimentation, nous avons compar la recherche arborescente base sur e e e e les divergences classique (LDS, Limited Discrepancy Search) et les deux versions de lalgorithme hybride de recherche locale avec des voisinages dnis par les divergences de la recherche are borescente (CDS-V1, CDS-V2). Pour cela, nous avons test les trois mthodes sur les instances e e de Solomon (25, 50 et 100 clients). Une solution initiale est propose grce ` une heuristique. e a a Les tournes sont ensuite optimises de mani`re indpendante par les algorithmes. Le temps de e e e e calcul pour loptimisation de chaque tourne est limit ` 10 secondes. Les rsultats sont achs e ea e e dans le tableau III.2. Pour chaque mthode, nous calculons le nombre de fois o` la mthode e u e trouve la meilleure solution (NbMeilleure) et lcart moyen (EMoy) entre la solution trouve par e e la mthode et la meilleure solution. e Nous observons que lalgorithme CDS-V2 est le plus ecace. Ce rsultat peut tre d au e e u caract`re cyclique des tournes. Nous croyons cependant que la performance de CDS-V2 peut e e diminuer dans le cas o` les contraintes temporelles sont plus restrictives, car CDS-V2 exploite u plutt les aspects physiques du probl`me au dtriment des aspects temporels. Lautre rsultat obo e e e 78

 III.5. RESULTATS EXPERIMENTAUX

tel-00554205, version 1 - 10 Jan 2011

Instances C1-25 C2-25 R1-25 R2-25 RC1-25 RC2-25 C1-50 C2-50 R1-50 R2-50 RC1-50 RC2-50 C1-100 C2-100 R1-100 R2-100 RC1-100 RC2-100 Total

LDS NbMeilleure 8 (9) 2 (8) 12 (12) 1 (11) 8 (8) 1 (8) 8 (9) 1 (8) 11 (12) 0 (11) 7 (8) 0 (8) 7 (9) 2 (8) 8 (12) 0 (11) 6 (8) 0 (7) 82 (167)

EMoy 1.65 % 15.98 % 0.00 % 14.99 % 0.00 % 11.87 % 2.43 % 6.94 % 0.78 % 9.78 % 0.53 % 5.64 % 0.31 % 4.18 % 0.44 % 7.13 % 0.17 % 7.53 %

CDS-V1 NbMeilleure EMoy 8 (9) 2.12 % 4 (8) 7.28 % 12 (12) 0.00 % 3 (11) 10.20 % 8 (8) 0.00 % 1 (11) 9.58 % 8 (9) 1.32 % 5 (8) 4.37 % 12 (12) 0.00 % 3 (11) 3.15 % 7 (8) 0.53 % 3 (8) 4.73 % 8 (9) 0.02 % 5 (8) 2.77 % 10 (12) 0.52 % 6 (11) 1.64 % 6 (8) 0.18 % 3 (7) 2.76 % 112 (167)

CDS-V2 NbMeilleure EMoy 9 (9) 0.00 % 6 (8) 12.55 % 12 (12) 0.00 % 10 (11) 7.79 % 8 (8) 0.00 % 8 (8) 0.00 % 9 (9) 0.00 % 7 (8) 8.52 % 12 (12) 0.00 % 9 (11) 0.86 % 8 (8) 0.00 % 7 (8) 2.83 % 9 (9) 0.00 % 6 (8) 1.97 % 12 (12) 0.00 % 5 (11) 2.86 % 8 (8) 0.0 % 4 (7) 3.02 % 149 (167)

Tab. III.2 Rsultats de la comparaison des mthodes pour loptimisation des tournes e e e

tenu conrme un des rsultats du chapitre VI, ` savoir que la mthode CDS est plus performante e a e que LDS galement pour ce type de probl`mes. e e Finalement, nous avons valu lecacit de lalgorithme de recherche locale pour loptimisae e e tion de la solution compl`te (algorithme 4 ou RL+CDS). Les solutions obtenues sont compars e e avec les solutions optimales par rapport au crit`re de minimisation de la distance parcourue. Le e temps de calcul est limit ` 120 secondes pour les instances avec 25 et 50 clients et ` 300 see a a condes pour les instances avec 100 clients. La colonne NV spcie le nombre moyen de vhicules e e utiliss, DIST reprsente la distance moyenne parcourue, EMoy est lcart moyen par rapport ` e e e a la solution optimale ou ` la meilleure solution connue (MSC) pour les instances avec 100 clients, a NbMeilleure reprsente le nombre de fois o` la solution optimale ou la meilleure solution connue e u est atteinte pour lalgorithme propos et TMeilleure est le temps de calcul moyen pour atteindre e la meilleure solution. Nous pouvons conclure que lalgorithme est assez ecace pour les instances de petite taille. De bonnes solutions sont obtenues assez rapidement, notamment pour les instances de type 1. Lcart entre les solutions proposes par lalgorithme et la solution optimale est en moyenne e e 79

III.6. CONCLUSION

Instances C1-25 C2-25 R1-25 R2-25 RC1-25 RC2-25 C1-50 C2-50 R1-50 R2-50 RC1-50 RC2-50 C1-100 R1-100 RC1-100

Sol. Opt. ou MSC NV DIST 3 190.59 2 214.45 4.92 463.37 2.73 382.15 3.25 350.24 2.88 319.28 5 361.69 2.75 339.75 7.75 766.13 3.82 615.41 6.5 730.31 3.88 571.68 10 826.7 13.25 1173.61 11.13 1341.33

NV 3 1.63 4.92 2.09 3.25 2.38 5 2.13 8.42 2.27 7.25 2.5 10.44 14.17 13.25

DIST 190.59 231.89 472.43 411.47 354.99 384.5 368.99 560.23 821.32 895.87 807.43 904.66 936.18 1329.17 1411.05

RL+CDS EMoy NbMeilleure 0.00 % 9 (9) 8.13 % 0 (8) 1.12 % 3 (12) 7.62 % 0 (11) 9.24 % 7 (8) 20.32 % 0 (8) 9.05 % 8 (9) 69.56 % 0 (8) 7.02 % 0 (12) 45.03 % 0 (11) 11.83 % 1 (8) 58.07 % 0 (8) 13.24 % 0 (9) 14.31 % 0 (12) 5.45 % 0 (8)

TMeilleure 0.81 33.15 2.37 64.59 0.55 62.3 21.48 65.89 35.2 60.01 11.07 55.16 97.49 264.05 128.51

tel-00554205, version 1 - 10 Jan 2011

Tab. III.3 Rsultats de la comparaison de lalgorithme doptimisation dune solution compl`te e e infrieur ` 10 %, sauf pour les instances de la classe RC2-25 et les instances du groupe 2 ` e a a 50 clients. Notons que pour ces instances le nombre de vhicules utiliss en moyenne est plus e e petit que dans les solutions optimales. Il est vident que lecacit de lalgorithme sloigne e e e des niveaux de performance des mtaheuristiques proposes dans la littrature ` mesure que le e e e a nombre de clients augmente. Toutefois, lalgorithme reste toujours comptitif pour les instances e du groupe 1 avec 100 clients (pour les instances du groupe 2 les rsultats restent pour linstant e insatisfaisants). Le but de cet algorithme est uniquement de proposer une solution de bonne performance ` partir dune solution initiale, parfois propose par loprateur humain. A des ns a e e de robustesse, il est alors tout ` fait souhaitable de conserver au mieux la structure de cette a solution initiale.

III.6

Conclusion

Dans ce chapitre nous avons propos une architecture gnrique pour un syst`me daide ` la e e e e a dcision de rsolution des probl`mes de tournes de vhicules. Nous pensons que cette architecture e e e e e est bien adapte aux caractristiques de ce type de probl`mes, particuli`rement pour arriver ` bien e e e e a grer les aspects lis au contexte dynamique du domaine. Un autre avantage de cette architecture e e est que lhumain est au centre de processus de prise de dcisions. En eet, le syst`me permet ` e e a 80

III.6. CONCLUSION

loprateur de participer au processus de modlisation et au processus de prise de dcisions lors e e e de la rsolution du probl`me, mais aussi de dcider quel est le mode de contrle ` utiliser pour e e e o a chaque tape de la rsolution. Les direntes tches ` raliser ont t identies et analyses de e e e a a e ee e e mani`re ` pouvoir identier quels sont les outils (interfaces et algorithmes) et quelles doivent e a tre les caractristiques de ces outils pour une rsolution ecace du probl`me. e e e e Ensuite, le mcanisme de rsolution et les algorithmes intgrs dans le syst`me ont t dcrits. e e e e e ee e Des algorithmes conus pour aider loprateur dans la ralisation de chacune des sous-tches c e e a de la rsolution du probl`me ont t proposs. Le mcanisme de rsolution et les algorithmes e e ee e e e peuvent tre encore enrichis sous langle des mcanismes de propagation de contraintes. Ces e e mcanismes nont pas t enti`rement dvelopps dans ce travail. Dans cette mme logique, e ee e e e e dautres techniques de rsolution qui ont t dmontres tre bien adaptes aux caractristiques e ee e e e e e

tel-00554205, version 1 - 10 Jan 2011

de certaines des variantes du probl`me de tournes de vhicules peuvent aussi aider ` amliorer e e e a e ce mcanisme de rsolution. Enn, nous avons galement propos des algorithmes de recherche e e e e locale ddis ` loptimisation dune solution. Les voisinages explors lors de la recherche sont e e a e dnis avec lide de ne pas introduire de modication majeure dans la solution initiale. Cette e e dcision est motive par le fait que les solutions initiales peuvent tre proposs par loprateur. e e e e e Plutt que de proposer une solution avec une meilleure qualit mais que loprateur narrive pas ` o e e a rapprocher de la solution initiale quil avait propose, nous avons dcid de prserver au mieux les e e e e associations gographiques que loprateur humain a pu dtecter lors de la proposition de cette e e e solution initiale. Toutefois, il serait aussi intressant dintgrer dans le syst`me des algorithmes e e e plus ecaces pour loptimisation de la solution globale, de mani`re ` proposer ` loprateur une e a a e rsolution ecace avec une approche compl`tement automatise. e e e

81

tel-00554205, version 1 - 10 Jan 2011

Chapitre IV Les interfaces homme-machine

tel-00554205, version 1 - 10 Jan 2011

IV.1

Introduction

Dans ce chapitre, nous prsentons les interfaces homme-machine du syst`me daide ` la e e a dcision que nous proposons pour lordonnancement des transports. Pour la conception des ine terfaces, nous nous sommes bass sur la mthode EID (Ecological Interface Design) (Vicente, e e 1999a; Vicente and Rasmussen, 1992) qui sappuie sur la mthode danalyse du domaine de trae vail (WDA) prsente dans le paragraphe II.2. Ces interfaces sont souvent reconnues sous le nom e e dinterfaces cologiques. La principale caractristique de ces interfaces est que les contraintes et e e les relations complexes du syst`me de travail sont montres ` lutilisateur de mani`re perceptie e a e blement (visible, audible) vidente. e Dans les paragraphes suivants, nous introduisons dabord des aspects gnriques sur lEID et e e les interfaces cologiques. Ensuite, nous dcrivons de mani`re dtaille les interfaces proposes. e e e e e e Finalement, nous prsentons lexprience ralise an dvaluer lecacit dune de ces interfaces. e e e e e e

IV.2

Interfaces cologiques e

La mthode de conception dinterface cologique ou EID (Ecological Interface Design) a t e e ee initialement propose pour la conception dinterfaces dans les syst`mes complexes (Rasmussen e e and Vicente, 1989; Vicente and Rasmussen, 1992). Lide est dtendre les avantages des interfaces e e
Une partie de ces travaux ont t publis dans Gacias et al. (2010b) et Cegarra et al. (2010) e e e

83

 IV.2. INTERFACES ECOLOGIQUES

de manipulation directe (DMI) (e.g., Shneiderman (1983); Hutchins et al. (1986)) aux syst`mes e complexes. EID emprunte le terme cologique de la psychologie cologique. Les auteurs font e e une similitude avec ce courant de la psychologie. La psychologie cologique fonde lanalyse de la e perception sur les rapports entre lorganisme vivant et son environnement. En mme temps, dans e le cadre de conception dinterfaces cologiques, les contraintes et les relations de lenvironnement e de travail dans un syst`me complexe se re`tent perceptiblement ` travers linterface et agissent e e a ainsi sur le comportement humain. La motivation principale de lEID est darriver ` proposer des interfaces capables de fournir a un support ` lutilisateur lorsque celui-ci est confront ` un vnement qui na pas t anticip par a ea e e ee e le concepteur. Linterface cologique permet de reprsenter la hirarchie dabstraction comme un e e e mod`le mental externe pour la rsolution du probl`me. Linformation physique et fonctionnelle du e e e

tel-00554205, version 1 - 10 Jan 2011

domaine de travail est ache par linterface, ce qui permet ` loprateur humain de facilement e a e percevoir les limites structurelles du domaine. Ceci implique que les ressources cognitives de loprateur humain soient ddies aux processus cognitifs plus complexes tels que la rsolution du e e e e probl`me ou la prise de dcisions. LEID est susceptible damliorer la performance de loprateur e e e e et la abilit de lensemble du syst`me dans la ma e e trise des vnements qui ont t prvus ou e e ee e non lors de la conception du syst`me. Cet objectif est atteint par une diminution de la charge e mentale ncessaire pour rsoudre le probl`me et en promouvant un raisonnement bas sur les e e e e connaissances de loprateur humain. e LEID est base sur deux concepts cls issus de la recherche en ingnierie cognitive : la e e e hirarchie dabstraction et la taxonomie SRK (Skills, Rules, Knowledge). La hirarchie dabse e traction (voir le chapitre II) est loutil danalyse de syst`mes de travail qui permet de dcrire la e e complexit (les contraintes, les relations entre objets, les limites structurelles, ...) du domaine de e travail. La taxonomie SRK (Rasmussen, 1983) est le cadre thorique sur lequel sappuie lEID e pour dterminer la mani`re la plus ecace de communiquer aux oprateurs les informations sur e e e le domaine via une interface homme-machine. La taxonomie SRK propose une modlisation du traitement de linformation par loprateur e e (Rasmussen, 1986b). Elle dnit trois types de comportement : Automatismes, R`gles et Connaise e sances. Le comportement bas sur les automatismes reprsente un type de comportement qui e e requiert tr`s peu voire aucun contrle conscient pour excuter une action. Ce type de comportee o e ment est gnralement tr`s rapide et ecace. Le comportement bas sur les r`gles est caractris e e e e e e e 84

 IV.2. INTERFACES ECOLOGIQUES

par lutilisation des r`gles et de procdures pour la slection dune squence daction dans une sie e e e tuation de travail famili`re. Ces deux types de comportement peuvent tre dnis par le couplage e e e perception-action. Finalement, le comportement bas sur les connaissances est un comportement e qui se caractrise pour des actions qui drivent dune analyse ralise ` partir dune reprsentation e e e e a e symbolique du syst`me. Les oprateurs ont besoin de conna e e tre les principes fondamentaux et les lois qui gouvernent le syst`me pour russir lanalyse, pour arriver ainsi ` tablir des objectifs e e ae explicites qui vont diriger les dcisions ` prendre. La charge mentale est typiquement plus leve e a e e que dans les comportements bass sur les habilets ou sur les r`gles. Ceci augmente le risque de e e e faire des erreurs danalyse ce qui peut driver en une mauvaise prise de dcisions. Ce compore e tement du traitement de linformation est habituel lorsque lhumain aronte des situations non attendues et non famili`res. e

tel-00554205, version 1 - 10 Jan 2011

Lide de lEID est de dvelopper des interfaces qui supportent simultanment les trois niveaux e e e de contrle cognitif. Linterface cologique devra donc favoriser le couplage entre perception et o e action de mani`re ` promouvoir un comportement bas sur les habilits (automatismes). Les e a e e interfaces cologiques permettent alors aux utilisateurs novices dacqurir plus facilement des e e mod`les mentaux qui gnralement prennent un certain temps dexprience et de formation pour e e e e se dvelopper (Burns and Hajdukiewicz, 2004). Linterface doit aussi fournir des signes uniques et e cohrents avec les contraintes ou les r`gles du domaine. Ces signes doivent tre clairs et univoques e e e (les signes ambigus doivent tre supprims de linterface) de mani`re ` ce que loprateur humain e e e a e puisse tablir une squence manifeste dactions ` prendre. Enn, les interfaces cologiques soue e a e tiennent aussi le comportement bas sur les connaissances. Pour faire ceci, une reprsentation du e e domaine de travail ` travers une hirarchie dabstraction est fournie par linterface avec le but a e de servir ` loprateur de mod`le mental externe pour laider dans son analyse. Une fois que les a e e contraintes du domaine ont t identies par le WDA, le principe de conception des interfaces ee e est de fournir les informations ncessaires pour la rsolution du probl`me dune mani`re directee e e e ment perceptible. Ce fait favorise un comportement de traitement de linformation bas sur les e automatismes (perception-action) qui est plus ecace et qui exige une charge mentale plus faible que le niveau des connaissances. Dans la littrature, nous trouvons plusieurs travaux exprimentaux avec des interfaces coe e e logiques (Vicente and Rasmussen, 1992; Watanabe et al., 1995; Burns and Hajdukiewicz, 2004; Burns et al., 2008; Blanche, 2010). Certains de ces travaux montrent que les interfaces cologiques e 85

` IV.3. LES INTERFACES DU SYSTEME

amliorent la performance des oprateurs notamment face ` limprvu et face ` des situations e e a e a non famili`res. Dans Burns et al. (2008), les auteurs remarquent cependant que dans certaines sie tuations famili`res les participants qui utilisent les interfaces cologiques sont moins performants. e e Ceci renforce lide que lEID ne peut pas remplacer les approches classiques de conception dine terfaces homme-machine tels que la conception centre utilisateur et lanalyse de la tche, mais e a que lapproche permet de les complter. e

IV.3

Les interfaces du syst`me e

Dans ce paragraphe, nous prsentons les interfaces du syst`me daide ` la dcision pour lore e a e donnancement des transports. Ces interfaces ont t conues en suivant le principe de lEID (Ecoee c

tel-00554205, version 1 - 10 Jan 2011

logical Interface Design). Lide est de fournir ` loprateur humain les informations ncessaires e a e e pour faciliter la rsolution de la tche. Ces informations vont tre aches de mani`re ` ce quelles e a e e e a soient directement perceptibles par loprateur humain. Si linformation fournie ` loprateur est e a e pertinente, certaines ressources cognitives sont libres (stockage dinformation, calculs mentaux, ee ...). Ces ressources peuvent ainsi tre ddies ` lanalyse du probl`me et ` la prise de dcisions. e e e a e a e Nous nous sommes servis de lidentication des tches ralise dans le paragraphe III.3 pour a e e dnir la structure du syst`me daide ` la dcision. Le menu principal du syst`me daide ` e e a e e a la dcision ache les tches principales pour la rsolution du probl`me : la modlisation du e a e e e probl`me, la rsolution du probl`me, la slection de la solution et la gestion en temps-rel des e e e e e tournes. Ci-dessous nous dcrivons les interfaces proposes avec la nalit de fournir une aide ` e e e e a loprateur humain pour la ralisation de chacune des tches. e e a

IV.3.1

Interfaces pour la modlisation du probl`me e e

La modlisation du probl`me est la premi`re tche ` raliser. Nous proposons deux types e e e a a e dinterfaces pour aider loprateur ` raliser cette modlisation. e a e e Le premier des deux types consiste en un ensemble dinterfaces qui permettent de spcier e les objets physiques du probl`me et linformation importante relative ` chacun des objets (cae a ractristiques physiques et contraintes spciques). Une interface est propose pour chaque type e e e dobjet physique identi dans la hirarchie dabstraction (vhicules, conducteurs, dpts, mare e e e o chandises et clients). Lanalyse des direntes variantes des probl`mes dordonnancement des e e 86

` IV.3. LES INTERFACES DU SYSTEME

transports a permis didentier quelles sont les caractristiques et les contraintes des objets e qui peuvent avoir une inuence sur la rsolution du probl`me. Par exemple, dans le cas des e e vhicules, comme nous lavons dj` identi dans le paragraphe II.3.1, nous considrons comme e ea e e caractristiques physiques pertinentes (voir la gure IV.1) : la capacit de transport du vhicule e e e (volume, poids et longueur), la vitesse et le cot dutilisation du vhicule. u e La gure IV.1 montre lensemble des interfaces pour chaque type dobjet. Une des caractristiques des interfaces est leur exibilit. Dun ct, il nest pas ncessaire de remplir toute e e oe e linformation demande pour continuer la rsolution du probl`me. Dun autre ct, les intere e e oe faces proposent des outils dinteraction avec loprateur humain. Ces outils permettent dintgrer e e dautres contraintes, non considres dans un premier temps. Ainsi, par exemple loprateur huee e main a la possibilit de considrer plusieurs fentres de temps pour les clients ou des nouvelles e e e

tel-00554205, version 1 - 10 Jan 2011

contraintes lies aux vhicules comme la dure (ou la distance ou le nombre de clients) maximale e e e de la tourne pour un type de vhicule. e e

Fig. IV.1 Ensemble dinterfaces pour la modlisation des objets physiques du probl`me e e 87

` IV.3. LES INTERFACES DU SYSTEME

La deuxi`me interface qui fait partie des interfaces homme-machine de support ` loprateur e a e humain dans la modlisation du probl`me est ache dans la gure IV.2. Cette interface assiste e e e loprateur pour la spcication des contraintes du probl`me. La hirarchie dabstraction num`re e e e e e e de mani`re exhaustive les contraintes du probl`me. Une partie de ces contraintes sont spciques e e e aux objets physiques (ces contraintes ont t dnies dans les interfaces de la gure IV.1) et lautre ee e partie des contraintes sont dnies entre dirents objets physiques (contraintes dinclusion ou e e dexclusion, contraintes de prcedence, ...). Ce dernier type de contraintes peut tre introduit e e dans le mod`le grce ` linterface de la gure IV.2. e a a

tel-00554205, version 1 - 10 Jan 2011

Fig. IV.2 Interface de support pour la modlisation des contraintes entre les objets physiques e

Le fonctionnement de linterface est le suivant. Dabord, loprateur humain slectionne deux e e objets ou deux ensembles dobjets (de mme nature ou de nature dirente). Une fois les obe e 88

` IV.3. LES INTERFACES DU SYSTEME

jets slectionns, linterface ache quel type de contraintes peut tre considr entre ces deux e e e ee objets ou ensembles dobjets (les types possibles de contraintes entre objets ont t identis de ee e mani`re exhaustive lors de lnumration des variantes des probl`mes de tournes de vhicules). e e e e e e Loprateur slectionne la nature de la relation entre les objets et la (les) contrainte(s) dnie(s) e e e est (sont) ajoute(s) au mod`le. e e Les principaux avantages des interfaces proposes pour la modlisation du syst`me sont : e e e Loprateur manipule de mani`re directe les objets physiques et les contraintes du syst`me. e e e Les contraintes et les caractristiques des objets sont prsentes ` loprateur avec un e e e a e langage naturel et comprhensible. Il nest pas ncessaire dtre un expert pour pouvoir e e e modliser le syst`me. Le syst`me nexige pas non plus lapprentissage dun langage de e e e modlisation. e

tel-00554205, version 1 - 10 Jan 2011

Les interfaces sont exibles et dutilisation facile. Les objets et les caractristiques des objets e peuvent tre facilement introduits et modis. Les contraintes ou ensembles de contraintes e e peuvent tre aussi ajoutes ou supprimes du mod`le avec facilit. e e e e e

IV.3.2

Interfaces pour la rsolution du probl`me e e

La rsolution du probl`me est la deuxi`me des tches principales ` raliser. Cette rsolution du e e e a a e e probl`me a t divise en trois sous-tches indpendantes : la slection des vhicules, laectation e ee e a e e e des clients et la conception des itinraires. Nous pensons en eet que ces trois sous-tches sont e a souvent ralises de mani`re indpendante par les planicateurs (voir le paragraphe III.3). Le e e e e syst`me de travail analys par de Snoo et al. (2008) est un autre exemple de probl`me rel qui e e e e souligne limportance dune slection de vhicules ecace dans un syst`me dordonnancement des e e e transports. A notre avis, il est ncessaire que le syst`me daide ` la dcision dispose de modules e e a e spciques (algorithmes et interfaces ddis) de mani`re ` aider loprateur humain lors de la e e e e a e ralisation de ces sous-tches. e a Interface pour la slection des vhicules e e La slection des vhicules est une des principales sous-tches pour la rsolution du probl`me. e e a e e Cette tche consiste ` dterminer quels sont les vhicules parmi lensemble de vhicules dispoa a e e e nibles qui vont tre utiliss pour servir les clients. Les contraintes pour dterminer la faisabilit e e e e du probl`me ainsi que les algorithmes intgrs dans le mcanisme de rsolution sont prsents e e e e e e e 89

` IV.3. LES INTERFACES DU SYSTEME

dans le paragraphe III.4.2. Linterface dinteraction homme-machine pour la slection des vhicules est ache dans e e e la gure IV.3. Linterface fournit ` loprateur les informations suivantes sur les vhicules : le a e e nombre de vhicules initialement disponibles, les limites de capacit (poids maximal, volume e e maximal et longueur maximale) et les cots xes et variables des vhicules. Loprateur dispose u e e aussi dinformation sur la satisfaction des contraintes du probl`me. Linterface ache une borne e infrieure sur le nombre de vhicules minimal ncessaire (voir le paragraphe III.4.2 pour les e e e dtails du calcul de la borne). Cette borne est compare ` chaque instant au nombre de vhicules e e a e de la solution courante (en bas ` gauche sur la gure). Dans le mme temps, linformation sur a e les contraintes lies ` la limite de capacit des vhicules (poids et volume) est aussi ache e a e e e sur linterface. Lutilisateur sait donc ` chaque instant si la capacit des vhicules qui vont tre a e e e

tel-00554205, version 1 - 10 Jan 2011

utiliss est susante pour servir les clients et la marge de satisfaction de ces contraintes. Cette e information permet ` loprateur humain de se faire une ide sur la exibilit apporte pour la a e e e e solution mise en place. En ce qui concerne les modes de contrle, le syst`me, dune part, permet dvaluer une solution o e e propose par loprateur humain, et dautre part, le syst`me calcule et propose des solutions qui e e e satisfont les contraintes considres tout en minimisant le nombre de vhicules utiliss (avec ee e e les algorithmes prsents dans le paragraphe III.4.2). Dans ce dernier cas, le syst`me peut soit e e e proposer un ensemble de solutions compl`tes et loprateur en choisit une, soit complter une e e e solution qui a t partiellement spcie par loprateur. Loprateur peut ainsi participer ` la ee e e e e a construction de la solution et peut imposer la prsence de certains vhicules. Par exemple, dans e e certaines situations loprateur peut prfrer un vhicule avec une tr`s grande capacit pour e ee e e e assurer que le service dun ensemble de clients soit fait avec un seul vhicule. e Les avantages de ces outils dinteraction sont les suivants : Linformation ncessaire pour trouver une solution ralisable est ache par linterface. Ceci e e e permet ` loprateur de se focaliser sur lanalyse du probl`me et sur la prise de dcisions. a e e e Loprateur humain peut participer ` la construction de la solution. Il peut ainsi prendre e a les dcisions en se basant sur son exprience et sur des connaissances sur le probl`me. e e e Le syst`me permet danticiper des besoins futurs qui nont pas t identis. Par exemple, e ee e loprateur peut prvoir une marge pour la satisfaction des contraintes de capacit plus e e e grande, de mani`re ` assurer le service de commandes de derni`re minute. Cette caracte a e e 90

` IV.3. LES INTERFACES DU SYSTEME

tel-00554205, version 1 - 10 Jan 2011

Fig. IV.3 Interface de support ` loprateur humain pour la slection des vhicules a e e e ristique est tr`s importante pour cette phase de rsolution du probl`me. En eet, dans les e e e probl`mes rels, la slection des vhicules est souvent dtermine avant que le probl`me e e e e e e e ne soit enti`rement dni (syst`mes avec location des vhicules, syst`mes avec direntes e e e e e e planications indpendantes, ...). e

Interface pour laectation des clients Laectation des clients consiste ` dterminer les clients qui vont tre servis par chaque a e e vhicule. Dans le syst`me daide ` la dcision, la solution propose dans cette tape de la e e a e e e rsolution est toujours ralisable. Ceci implique que toutes les contraintes qui ont t spcies e e ee e e lors de la phase de modlisation doivent tre satisfaites. Les algorithmes spciques pour trouver e e e une solution pour cette phase de rsolution sont prsents dans le paragraphe III.4.2. e e e Linterface a t conue pour favoriser la participation de loprateur ` la construction de ee c e a la solution. Les informations physiques du syst`me identies lors de la hirarchie dabstraction e e e 91

` IV.3. LES INTERFACES DU SYSTEME

(le niveau des objets physiques et le niveau des processus physiques) sont aches de mani`re e e vidente. Linterface est compose de deux parties. Dans la partie de gauche, une carte avec e e le rseau routier dni par les localisations des clients et des dpts est ache. Ormerod and e e e o e Chronicle (1996) dmontrent que lhumain est capable de proposer des solutions tr`s proches e e des solutions optimales ` partir dun support visuel avec les localisations des clients. Lachage a dune carte est une pratique tr`s habituelle dans les syst`mes daide ` la dcision pour lordone e a e nancement des transports, notamment dans les syst`mes qui permettent un ramnagement des e e e solutions (Tarantilis and Kiranoudis, 2002; Santos et al., 2008; Mendoza et al., 2009; Yu and Liu, 2009). Dans la partie de droite, loprateur humain dispose de linformation sur les objets e physiques et sur les contraintes du syst`me de travail. Nous trouvons donc des informations e sur la capacit (disponible et utilise) des vhicules, les demandes des clients et les contraintes e e e

tel-00554205, version 1 - 10 Jan 2011

temporelles spcies par les clients (fentres de temps, temps de service, ...). Finalement, line e e terface ache aussi une information partielle sur les routes qui vont tre cres (clients servis, des e e bornes simples sur la distance minimale ` parcourir et sur la date minimale de n de la tourne, a e ...). Loprateur dispose ainsi de linformation sur les routes sous forme visuelle (carte) et sous e forme numrique. Cette information permet, dune part, dorienter loprateur sur les dcisions e e e a ` prendre et dautre part, de rduire les processus cognitifs lis au traitement de linformation e e (stockage de linformation, calcul mental, ...). Linterface dispose aussi des outils dinteraction ncessaires pour que loprateur humain e e participe ` la rsolution du probl`me. Dans ce contexte, loprateur a la possibilit daecter a e e e e un client ou un ensemble de clients ` un vhicule et de dfaire les dcisions qui ont t dj` a e e e ee ea prises. Loprateur dispose de dirents modes de contrle pour construire une solution. Dabord, e e o loprateur peut construire une solution de mani`re itrative. Apr`s chaque aectation dun client e e e e a ` un vhicule, le syst`me lance un test pour dterminer la faisabilit de la dcision prise et une e e e e e recherche compl`te de mani`re ` trouver une solution ralisable avec les dcisions qui ont t dj` e e a e e ee ea prises (voir les algorithmes dans le paragraphe III.4.2). Linterface ore la possibilit ` loprateur ea e de xer une limite de temps pour cette recherche de la solution ralisable. Linterface laisse aussi e la possibilit ` loprateur dutiliser des heuristiques pour construire la solution de mani`re rapide ea e e et automatique. Dans cette logique, les algorithmes proposs peuvent tre utiliss mme apr`s e e e e e que certaines dcisions aient t dj` prises par loprateur humain. Ces mcanismes dinteraction e ee ea e e permettent ` loprateur de participer ` la construction de la solution de deux mani`res. Dune a e a e 92

` IV.3. LES INTERFACES DU SYSTEME

part, loprateur humain peut imposer certaines dcisions qui nont pas t spcies lors de la e e ee e e modlisation du probl`me et, dautre part, loprateur humain peut contribuer ` augmenter la e e e a qualit de la solution obtenue avec la modication de certains dcisions prises par les algorithmes. e e

tel-00554205, version 1 - 10 Jan 2011

Fig. IV.4 Interface de support ` loprateur humain pour laectation des clients a e

Interface pour la construction des itinraires e Deux types dinterfaces direntes sont proposes pour la construction des itinraires. La e e e premi`re (voir gure IV.5 a) reprend le mme principe de linterface propose pour laectation e e e des clients. Lobjectif de cette tape de la rsolution est de dterminer les itinraires ` suivre par e e e e a les vhicules. Il est alors ncessaire dtablir lordre de service des clients pour chaque vhicule. e e e e La complexit des dcisions ` prendre est plus leve, ce qui implique que loprateur humain e e a e e e dispose de plus de mcanismes dinteraction avec le syst`me. Les dcisions que peut prendre e e e loprateur humain ne sont pas uniquement laectation dun client ` un vhicule. Dans cette e a e tape de la rsolution, loprateur humain peut aussi dcider de la squence de service des clients. e e e e e Une autre dirence par rapport ` linterface ddie ` laectation des clients est que les infore a e e a mations aches sur les tournes ne sont plus des bornes sur des crit`res de performances. Line e e 93

` IV.3. LES INTERFACES DU SYSTEME

terface ache linformation relle sur la tourne ` mesure que celle-ci est en train de se proler. e e a Dans cette mme logique, nous nous basons sur le syst`me daide ` la dcision dcrit dans Matsate e a e e sinis (2004) pour proposer une nouvelle interface qui ache une reprsentation temporelle et des e informations sur les aspects fonctionnels de chaque tourne (voir la gure IV.5 b). Cette interface e facilite la tche de comparaison de tournes. Nous avons not dans le paragraphe III.3 que les a e e planicateurs sont souvent confronts ` la tche de modication des tournes, an dquilibrer e a a e e les tournes pour le plus nombre de crit`res possibles (distance parcourue, dure de la tourne, e e e e nombre de clients servis, temps morts de la tourne, ...). Cette interface fournit ` loprateur e a e une information complmentaire ` linterface de la gure IV.5 a (interface surtout centre sur e a e linformation qui concerne les aspects physiques du probl`me) de sorte que loprateur dispose e e de plus dlments pour dnir les dcisions ` prendre. ee e e a

tel-00554205, version 1 - 10 Jan 2011

Cette deuxi`me interface nest pas la seule dirence avec les outils de support ` loprateur e e a e pour laectation des clients aux vhicules. Les trois phases de rsolution du probl`me sont e e e indpendantes. Ceci implique que les algorithmes qui font partie de cette troisi`me tape doivent e e e tre capables de proposer une solution compl`te et ralisable pour le probl`me. Ces algorithmes e e e e sont prsents dans le paragraphe III.4.2. e e

(a) Interface ddie ` la construction des itinraires e e a e

(b) Interface de support pour lvaluation des routes e

Fig. IV.5 Interfaces de support ` loprateur humain pour la construction des itinraires a e e Les dirents modes, du mode le plus manuel au mode le plus automatique, pour la construce 94

` IV.3. LES INTERFACES DU SYSTEME

tion dune solution sont lists ci-dessous : e Loprateur propose de mani`re itrative une squence de clients. Des raectations des e e e e e clients peuvent tre aussi faites. e Loprateur propose une squence partielle de clients et un algorithme soccupe de squencer e e e les clients qui ont une aectation ` un vhicule dj` faite. a e ea Loprateur propose une squence partielle de clients et un algorithme soccupe de squencer e e e le reste des clients (avec aectation ou non ` un vhicule). a e Un algorithme intgr propose une solution compl`te au probl`me. e e e e Finalement, loprateur humain dispose aussi dalgorithmes pour loptimisation des solutions. e Le crit`re ` minimiser est la distance parcourue par les tournes. Deux types doptimisation sont e a e proposes : e

tel-00554205, version 1 - 10 Jan 2011

Optimisation de la solution globale : Un algorithme doptimisation est lanc avec une limite e de temps de calcul. Le syst`me propose ` loprateur la meilleure solution trouve ` la n e a e e a du temps limite. Optimisation locale des tournes : Un algorithme pour loptimisation de la tourne slece e e tionne est lanc. Lalgorithme cherche uniquement ` optimiser la squence des clients de e e a e la tourne. Le vhicule aect ` la tourne et les clients qui sont aects au vhicule ne e e ea e e e sont donc pas modis. e

IV.3.3

Interface pour la slection de la solution nale e

Cette interface a t conue pour aider loprateur lors de la slection de la solution retenue. ee c e e Le syst`me permet de garder en mmoire les solutions proposes. Cette interface facilite la e e e comparaison de ces solutions de mani`re ` aider loprateur ` choisir la solution la mieux adapte e a e a e au probl`me rel. Les probl`mes rels dordonnancement sont souvent multicrit`res. Certains de e e e e e ces crit`res sont pris en compte par loprateur humain ou par les algorithmes lors de la rsolution e e e des probl`mes. Cependant, il existe toujours des crit`res ou contraintes qui nont pas t identis e e ee e lors de la modlisation du probl`me. Lide de cette interface est de pouvoir prendre en compte e e e ces aspects lors du choix de la solution nale. Linterface reprsente les multiples solutions du probl`me dans des graphiques bidimensione e nels. Le nombre de graphiques et les axes de chaque graphique sont spcis par loprateur e e e humain. Les crit`res dvaluation des solutions sont spcis par loprateur humain sur les axes e e e e e 95

` IV.3. LES INTERFACES DU SYSTEME

des graphiques. Les solutions sont ainsi values et compares par rapport aux crit`res tablis par e e e e e loprateur humain. Ceci permet de prendre en compte des crit`res secondaires ou des prfrences e e ee de loprateur humain. Ce dernier joue un rle dcisif pour les dcisions qui concernent les aspects e o e e fonctionnels du syst`me de travail. En eet, la tche principale de loprateur humain est plus e a e souvent de choisir la bonne solution par rapport aux crit`res tablis que dlaborer les solutions e e e possibles. La participation de lhumain dans le processus de slection de la solution est donc e ncessaire en raison du grand nombre de solutions ralisables. e e Linterface permet de rduire la charge mentale ncessaire du processus de slection de la e e e solution. Pour cela, les solutions sont aches de mani`re simultane. Cette nouvelle forme e e e de reprsentation des solutions encourage ` ce que les processus cognitifs lis au traitement e a e de linformation soient fonds plutt sur la perception que sur lanalyse. Ceci facilite la tche e o a

tel-00554205, version 1 - 10 Jan 2011

de comparaison de solutions de mani`re ` arriver ` dterminer la solution avec un meilleur e a a e compromis par rapport aux crit`res xs par loprateur. e e e Le processus ` suivre pour choisir la solution la mieux adapte selon les crit`res de loprateur a e e e humain est le suivant : Loprateur humain dnit les graphiques en associant les crit`res dvaluation aux axes. e e e e Par exemple, dans la gure IV.6 (a), deux graphiques sont ache. Les abscisses de chaque e graphique reprsentent respectivement le nombre de services en retard (services o` les e u fentres de temps des clients ne sont pas respectes) et le nombre de vhicules utiliss pour e e e e chaque solution. Les ordonnes reprsentent la dure maximale de la solution dans les deux e e e graphiques. Les solutions possibles du probl`me sont reprsentes par des points dans les dirents e e e e graphiques. Loprateur humain peut donc comparer la qualit des solutions pour chaque e e paire de crit`res spcis. e e e Loprateur humain peut slectionner (ou rejeter) lensemble de solutions dsires (none e e e dsires) dans chaque graphique. Cet outil permet ` loprateur de conserver les solutions e e a e qui atteignent un certain niveau de performance pour les crit`res spcis dans les grae e e phiques. Par exemple, dans la gure IV.6 (b), les solutions avec une dure plus courte e quun certain seuil sont considres comme solutions acceptables. Dans la gure IV.6 (c), ee les solutions qui utilisent un nombre de vhicules plus lev quun certain seuil sont rejetes e e e e par loprateur. e 96

` IV.3. LES INTERFACES DU SYSTEME

Apr`s chaque dcision, les solutions qui ont t considres comme non-acceptables dispae e ee ee raissent des autres graphiques. Le processus de slection ou de rejet de solutions est rpt de mani`re itrative jusqu` e e ee e e a ce que la solution avec le meilleur compromis pour les crit`res considrs est atteinte (e ee gure IV.6 (d)).

tel-00554205, version 1 - 10 Jan 2011

(a) Graphiques conserves e

qui

achent

les

solutions (b) Slection des solutions intressantes (surface e e bleue)

(c) Les solutions moins intressantes sont rejetes (d) Graphiques e e (surface rouge) intressante e

avec

la

solution

la

plus

Fig. IV.6 Interface ddie au support ` loprateur pour la slection de la solution nale e e a e e

Pour rsumer, les avantages de linterface pour la slection de la solution nale du syst`me e e e daide ` la dcision sont : a e Linterface permet que les prfrences de loprateur humain et certaines contraintes qui ee e 97

` IV.3. LES INTERFACES DU SYSTEME

nont pas t spcies lors de la modlisation et la rsolution du probl`me soient considres ee e e e e e ee pour le choix de la solution nale. La nouvelle reprsentation des solutions favorise un traitement de linformation fond sur e e la perception. De plus, linterface ache uniquement linformation qui est intressante pour e loprateur. Ceci permet de rduire la charge mentale ncessaire pour la comparaison des e e e solutions par rapport aux interfaces de syst`mes traditionnels. e Linterface permet une manipulation directe des objets (dans ce cas des solutions) ce qui facilite linteraction entre loprateur humain et le syst`me. Il est dmontr que cette mae e e e nipulation directe permet de rduire la charge mentale et le temps ncessaire pour prendre e e les dcisions. e Linterface a t initialement conue pour acher les informations sur les aspects foncee c

tel-00554205, version 1 - 10 Jan 2011

tionnels du syst`me de travail (les niveaux les plus hauts de la hirarchie dabstraction). e e Malgr cela, linterface peut tre facilement adaptable pour acher des informations sur e e les niveaux infrieurs de la hirarchie. Il sut de trouver le moyen de modliser linformae e e tion de mani`re numrique. En eet, les graphiques permettent dacher des informations e e modlises par des variables continues (e.g., la dure maximale des tournes), des variables e e e e discr`tes (e.g., le nombre de vhicules utiliss) et des variables logiques (e.g., si une route e e e spcique fait partie dune des tournes de la solution ou non). e e

IV.3.4

Interface pour la poursuite en temps-rel des tournes e e

Linterface ddie au support de loprateur lors de la gestion en temps-rel des tournes e e e e e na pas pu tre propose par manque de temps. Nous pouvons toutefois imaginer cette derni`re e e e interface comme une extension de linterface ddie ` la construction des itinraires (voir la e e a e gure IV.5). Les outils dinteraction entre loprateur humain et les algorithmes de rsolution e e doivent tre cependant modis. Ceux-ci doivent en eet tre capables daider loprateur dans le e e e e ramnagement des tournes en cas dincident. Le syst`me de transport dcrit dans de Snoo et al. e e e e e (2008) et les entretiens avec les planicateurs ont permis didentier les cas les plus frquents e qui exigent habituellement un ramnagement des tournes : e e e Larrive dun nouveau service ; e Lannulation dun service programm ; e Le retard dun vhicule ; e 98

 IV.4. EVALUATION DE LINTERFACE POUR LA SELECTION DES SOLUTIONS

La congestion dune route ou la prsence dun vhicule en panne. e e A notre avis, il est ncessaire que le syst`me dispose des outils dinteraction et des algorithmes e e spciques pour aider loprateur ` agir en consquence et pouvoir ainsi proposer une solution e e a e ecace lors de larrive dun de ces incidents. e

IV.4

Evaluation de linterface pour la slection des solue tions

Linterface propose pour aider loprateur dans la tche de slection de la solution nale a e e a e t teste et compare ` deux autres interfaces plus traditionnelles sur un probl`me rel dordonee e e a e e nancement de transports. Dans ce paragraphe, nous dcrivons dabord le probl`me rel. Ensuite, e e e

tel-00554205, version 1 - 10 Jan 2011

nous prsentons lalgorithme propos pour la rsolution du probl`me. Enn, nous prsentons e e e e e lexprience et les rsultats obtenus sur la performance de linterface propose. e e e

IV.4.1

Description du probl`me e

Un probl`me rel dordonnancement des transports a t considr pour le contexte de ltude. e e ee ee e Une organisation de producteurs de Seine-et-Marne produit chaque anne plusieurs centaines de e milliers de tonnes de betterave. La rcolte est tale de juillet ` octobre et doit tre termine e e e a e e avant les geles. Ces betteraves sont nettoyes pour en retirer le sable, la terre et les pierres. En e e ce qui concerne le sable, il est ensuite dpos aux frais des producteurs dans des dcharges pour e e e un cot important. En Seine-et-Marne, dans une logique dcologie industrielle, lUPSM sest u e mise en relation avec des industries du btiment pour leur proposer le sable. Le cot de dcharge a u e est alors supprim et les industries du btiment disposent dune mati`re premi`re ` moindre e a e e a cot. LUPSM doit nanmoins organiser les transports de plusieurs vhicules pour transporter u e e a ` moindre cot ce sable. Le planicateur doit planier le transport de sable en visant comme u objectif principal la minimisation des cots de transport. u Dans lexprience, 4550 tonnes de sable sont disponibles dans le dpt. Lobjectif est de livrer e e o avec un cot minimum le maximum de tonnes possibles aux industries de mani`re ` minimiser u e a la quantit de tonnes qui doivent tre dcharges au dpt de collecte de dchets. Une quantit e e e e e o e e maximale de sable est demande pour chacune des industries. Dirents moyens de transport e e 99

 IV.4. EVALUATION DE LINTERFACE POUR LA SELECTION DES SOLUTIONS

sont disponibles : les camions, les pniches et les trains. Nous considrons une capacit limite, e e e
cot u un cot de transport par tonne de sable ( kmtonne ) et une vitesse moyenne pour chaque moyen u

de transport. Les pniches et les trains sont des moyens de transport avec des itinraires xes, e e cest-`-dire quils peuvent tre utiliss pour raliser certains trajets. Les localisations dorigine a e e e et de n de trajet possibles sont prdnies. De plus, ces deux moyens de transport ont une e e frquence de passage journali`re. e e

IV.4.2

Rsolution du probl`me e e

Le probl`me que nous venons de dcrire peut tre modlis comme un probl`me de transbore e e e e e dement (voir le paragraphe I.2.1). Il peut tre rsolu en temps polynomial par un algorithme de e e calcul dun ot maxima ` cot minimal dans un graphe orient quelconque. a u e

tel-00554205, version 1 - 10 Jan 2011

La gure IV.7 ache un graphe tr`s similaire au graphe du probl`me considr. Dans ce e e ee graphe, le dpt initial (Di ), les industries du bat e o ment (Ij ) et le dpt de dcharge (Df ) sont e o e modliss par des sommets. Le sable peut tre transport en camions depuis le dpt initial Di e e e e e o vers toutes les destinations. Le cot de transport du camion est de u
cc kmtonne .

Les localisations

dorigine et de n de trajet pour les itinraires de la pniche et du train sont galement modliss e e e e e par des sommets. Dans le graphe, T1 est le point de dpart de la pniche et lindustrie I2 la e e localisation de n de trajet, le cot de transport est de u
cp kmtonne .

T2 est le point de dpart du e Initialement, les arcs

train, Ij et Df les points darrive et le cot de transport est de e u

pD

ct kmtonne .

qui modlisent les possibilits de transport ne sont pas limits en capacit. Un sommet ctif Df e e e e
f permet de considrer le cot de dcharge au dpt nal ( tonne ). Ceci implique que les industries e u e e o

soient servies avant denvoyer les tonnes au dpt de dcharge sauf si le cot de transport est e o e u tr`s lev (voir gure IV.7). Un sommet source (S) et un sommet puits (T ) sont aussi considrs. e e e ee Un arc dune capacit de 4550 et avec un cot de transport nul est cr entre le sommet source e u ee et le dpt de sable. Nous considrons aussi un arc avec un cot de transport nul entre chaque e o e u sommet de destination nale pour le sable (industries et dpt de dcharge) et le sommet puits. e o e La capacit des arcs entre les industries et le sommet puits est gale ` la quantit de tonnes de e e a e sable maximale sollicite pour chaque industrie (dIj ) et la capacit de larc entre le dpt nal e e e o et le puits est gale ` 4550. e a Lalgorithme de calcul du ot maximal avec un cot minimum est lanc itrativement pour u e e direntes valeurs de vhicules disponibles. La quantit de vhicules disponibles de chaque type e e e e 100

 IV.4. EVALUATION DE LINTERFACE POUR LA SELECTION DES SOLUTIONS

I1
is d , t arc
st ar

)
st a , rc )

I2
(c p i d

(c c

di (c c

) c,

(d I

(d I
2,

1,

0)

0)

(c c d

) ist arc,

T1
Ij
)

(4550,0)

Di

(cc distarc , ) (cc dis tarc , ) (ct (cc d 2 istar , dist c ) arc ,

(dIj , 0)

, 0) (d I m

arc

Df

(pDf , )

Df

tel-00554205, version 1 - 10 Jan 2011

Fig. IV.7 Graphe quivalent au probl`me de transbordement de lexprience e e e

de moyen de transport limite la capacit des arcs. Ceci permet de dterminer un ensemble de e e solutions ralisables. e

IV.4.3

Prsentation de lexprience e e

Le probl`me rel dordonnancement des transports prsent dans les paragraphes prcdents e e e e e e prcise le contexte de lexprience. Lobjectif de cette exprience est dvaluer lecience de e e e e linterface propose pour la slection de la solution nale. e e Les participants de lexprience sont douze tudiants de Master en Ergonomie et Facteur Hue e mains. Ces tudiants ont travaill pendant neuf mois avec une entreprise de transports, notame e ment sur des tches lies ` lordonnancement des transports. Dans lexprience, les participants a e a e doivent slectionner la meilleure solution pour chaque scnario. Chaque scnario est rsolu avec e e e e trois interfaces direntes. Une phase dentrainement et de familiarisation avec les interfaces a e t prvue avant lexprience. ee e e Linterface prsente dans le paragraphe IV.3.3 est compare avec une autre interface, plus e e e traditionnelle. La premi`re version de cette derni`re interface, que nous appelons par la suite e e linterface analytique, ache exactement la mme information sur les solutions que notre e interface (les graphiques disponibles lors de lexprience sont tablis au pralable). Cependant, e e e 101

(45 5

(c c dis t

Im
rc

0,0 )

(c t st a di , )

 IV.4. EVALUATION DE LINTERFACE POUR LA SELECTION DES SOLUTIONS

ces solutions sont aches une par une sur linterface en opposition ` notre interface qui prsente e a e les solutions de mani`re simultane, ceci an de promouvoir un comportement plutt fond sur e e o e la perception que sur lanalyse. Pour la deuxi`me version de cette interface, nous avons ajout e e une carte avec les itinraires des vhicules. Cette interface que nous appelons intgrale ache e e e linformation relative ` tous les niveaux de la hirarchie dabstraction (linformation fonctionnelle a e et linformation des niveaux des processus physiques et des objets physiques) en opposition ` a linterface que nous avons propose qui peut tre considre comme une interface abrge, car elle e e ee e e a t initialement conue pour acher uniquement linformation relative aux niveaux suprieurs ee c e de la hirarchie dabstraction. e Les participants ont rsolu neuf scnarios prsents de mani`re alatoire. Pour chaque scnario, e e e e e e e nous considrons trois param`tres de mesure pour valuer lecience des interfaces. Le premier est e e e

tel-00554205, version 1 - 10 Jan 2011

le temps ncessaire pour arriver ` slectionner la meilleure solution ralisable. Ce temps ncessaire e a e e e pour arriver ` prendre une dcision est une mesure qui nous renseigne sur les processus cognitifs. a e Le deuxi`me param`tre mesur est li ` la charge mentale ncessaire pour rsoudre le probl`me. e e e ea e e e Nous avons utilis le NASA-TLX (le National Aeronautics and Space Administration-Task e Load Index, Hart and Staveland (1988)) pour valuer la charge mentale. Le NASA-TLX est e bas sur la mesure de six aspects relatifs ` la charge mentale : demande cognitive, demande e a physique, demande temporelle, eort, performance et frustration. Finalement, le troisi`me pae ram`tre propos est une mesure lie ` la qualit de la solution nale slectionne. Nous comparons e e e a e e e le nombre de fois o` la meilleure solution (il existe une unique solution optimale par scnario) a u e t slectionne par les participants . ee e e

Description des scnarios e Nous avons dni neuf scnarios comparables entre eux. Dans tous les scnarios, la solution ` e e e a moindre cot doit tre trouve. Cependant, les participants doivent prendre en considration la u e e e satisfaction dune contrainte particuli`re. Dans certains scnarios, une contrainte lie aux niveaux e e e fonctionnels du syst`me de travail (les niveaux suprieurs de la hirarchie dabstraction) doit tre e e e e satisfaite (e.g., la solution ne peut prendre plus de cinq jours). Dans dautres, une contrainte lie e aux niveaux de linformation physique de la hirarchie dabstraction doit tre respecte (e.g., la e e e circulation est trop dense pour une route spcique). e Le nombre de solutions pour chaque scnario est gal ` vingt-cinq dont uniquement cinq sont e e a 102

 IV.4. EVALUATION DE LINTERFACE POUR LA SELECTION DES SOLUTIONS

ralisables. Ce nombre a t choisi par rapport ` la capacit des planicateurs ` comparer des e ee a e a solutions. Le participant doit choisir la solution la moins coteuse parmi les solutions ralisables. u e La nature des calculs ncessaires pour chaque scnario est la mme, ce qui implique que sil existe e e e des dirences signicatives dans les mesures de performance, celles-ci sont dues aux conditions e exprimentales (linterface ou la typologie du scnario). e e Hypoth`ses de ltude e e Pour cette tude, nous faisons les trois hypoth`ses suivantes : e e (1) Pour tous les scnarios, une interface qui ache les solutions de mani`re simultane e e e est plus eciente (i.e., temps plus court pour prendre les dcisions, charge mentale plus e faible et meilleure qualit des solutions obtenues) quune interface qui ache les solutions e

tel-00554205, version 1 - 10 Jan 2011

de mani`re indpendante. e e (2a) Si le planicateur doit considrer les contraintes lies ` linformation des niveaux e e a infrieurs de la hirarchie dabstraction, une interface qui ache uniquement linformation e e lie aux niveaux suprieurs (interface abrge) est une interface moins eciente que lintere e e e face qui ache linformation lie aux niveaux suprieurs et infrieurs (interface intgrale). e e e e (2b) En mme temps, si le planicateur doit considrer les contraintes lies ` linformation e e e a des niveaux suprieurs de la hirarchie dabstraction, une interface qui ache uniquement e e linformation lie aux niveaux suprieurs (interface abrge) est une interface plus eciente e e e e que linterface qui ache linformation lie aux niveaux suprieurs et infrieurs (interface e e e intgrale). e

IV.4.4

Rsultats exprimentaux e e

Nous prsentons ci-dessous les rsultats des comparaisons entre les interfaces. Nous avons e e calcul lanalyse de variance ` mesures rptes (Repeated Measures ANOVA). La p valeur e a e ee qui dtermine si la dirence est signicative entre deux populations est descendue jusqu` p = e e a 0.012 de mani`re a contrler les erreurs de type 1. Par ailleurs, la part de variance explique 2 e o e est un indicateur de la force des dirences observes entre la variable indpendante manipule e e e e (par exemple, le type de scnario) et la variable dpendante (par exemple, le temps). Ainsi, une e e dirence entre deux modalits de la variable indpendante peut tre signicative mais cette e e e e dirence peut tre faible lorsque 2 est compris entre 0.2 et 0.5, moyenne pour des valeurs entre e e 103

 IV.4. EVALUATION DE LINTERFACE POUR LA SELECTION DES SOLUTIONS

0.5 et 0.8 ; au-del`, leet est considr comme important (Cohen, 1992). a ee

Interface analytique vs. Interface perceptive Dans ce paragraphe, linterface analytique et linterface considre comme perceptive sont ee compares. Les gures IV.8, IV.9 et IV.10 montrent les rsultats des comparaisons pour les e e dirents param`tres de mesure (le temps ncessaire pour slectionner une solution, lindex e e e e NASA-TLX et le param`tre li ` la performance de la solution slectionne, respectivement) e e a e e pour les dirents types de scnarios (avec considration dune contrainte supplmentaire lie e e e e e aux objectifs ou lie aux moyens du syst`me). e e

tel-00554205, version 1 - 10 Jan 2011

Fig. IV.8 Comparaison entre linterface analytique et linterface perceptive Rsultats du e temps (secondes) ncessaire pour la slection dune solution e e La gure IV.8 montre que le temps ncessaire pour prendre une dcision est plus faible e e avec linterface perceptive quavec linterface analytique, notamment pour le scnario o` la e u contrainte ` satisfaire est lie aux objectifs du syst`me. Cette perception est corrobore par a e e e les rsultats statistiques qui dmontrent quil existe une dirence signicative entre les deux e e e interfaces, indpendamment de la typologie du scnario considr (rsultats du test de Fischer, e e ee e [F (1; 23) = 13.104; p = 0.001; 2 = 0.363]). De plus, il existe galement une dirence signie e cative si nous analysons les rsultats pour les dirents types de scnarios, indpendamment e e e e des interfaces ([F (1; 17) = 36.109; p = 0.000; 2 = 0.611]). Ceci indique que les participants arrivent ` prendre une dcision plus rapidement lorsque la contrainte est lie aux objectifs que si a e e la contrainte est lie aux aspects physiques du syst`me. e e 104

 IV.4. EVALUATION DE LINTERFACE POUR LA SELECTION DES SOLUTIONS

Lanalyse de la charge mentale (voir gure IV.9) montre quil nexiste pas de dirence sie gnicative entre les deux interfaces en ce qui concerne la charge mentale ncessaire pour arriver e a ` prendre une dcision. En revanche, nous reprons une petite dirence en ce qui concerne la e e e charge mentale exige selon la typologie du scnario ([F (1; 23) = 19.125; p = 0.000; 2 = 0.454]). e e La charge mentale augmente pour le scnario de la contrainte lie aux moyens pour linterface e e analytique et elle diminue pour linterface perceptive.

tel-00554205, version 1 - 10 Jan 2011

Fig. IV.9 Comparaison entre linterface analytique et linterface perceptive Rsultats de la e charge mentale (NASA-TLX) requise pour la slection dune solution e

Finalement, nous observons que la performance des participants est gnralement tr`s bonne e e e (voir la gure IV.10). La meilleure solution est atteinte dans 95 % des cas avec linterface perceptive. Ce pourcentage est autour de 80 % avec linterface analytique. Lanalyse statistique (nous avons utilis le test chi-carr qui est plus pertinent pour ce type de variables avec uniquement e e deux valeurs possibles ; 1 si la solution choisie par le participant est la solution optimale et 0 sinon) ne rv`le pas de dirence signicative sur la mesure de performance, ni pour le type e e e dinterface ([(1) = 0.381; N.S].) ni pour la typologie du scnario ([(1) = 0.000; N.S.]). e Le premier rsultat obtenu suit la logique des hypoth`ses ralises sur les interfaces cologiques. e e e e e Les processus cognitifs fonds sur la perception sont gnralement plus rapides et plus ecaces e e e que les processus fonds sur lanalyse. Lhypoth`se annonce tout au long du chapitre postulant e e e que les interfaces cologiques exigent une charge mentale moins leve que les interfaces tradie e e tionnelles na pu tre vrie dans cette exprience. Cependant, il est intressant de remarquer e e e e e que linterface perceptive favorise (la charge mentale est rduite et le pourcentage de russite est e e 105

 IV.4. EVALUATION DE LINTERFACE POUR LA SELECTION DES SOLUTIONS

Fig. IV.10 Comparaison entre linterface analytique et linterface perceptive Rsultats de e performance (pourcentage de russite) pour la slection dune solution e e

tel-00554205, version 1 - 10 Jan 2011

de 100 %) les processus de prise de dcisions pour les scnarios o` la contrainte considre est e e u ee lie aux moyens (niveaux physiques de la hirarchie dabstraction), et ce, bien que linformation e e ncessaire pour trouver la meilleure solution ne soit pas directement accessible ` partir de line a terface. Dans ces situations, les planicateurs doivent faire preuve de leur capacit danalyse en e se basant sur des connaissances sur le probl`me pour trouver la bonne solution. Les rsultats e e montrent que linterface perceptive facilite ce processus danalyse.

Interface intgrale vs. Interface abrge e e e Nous comparons dans ce paragraphe linterface intgrale et linterface abrge. Les gures e e e IV.11, IV.12 et IV.13 montrent les rsultats des comparaisons pour les dirents param`tres de e e e mesure pour les dirents types de scnarios (avec considration dune contrainte supplmentaire e e e e lie aux objectifs ou lie aux moyens du syst`me). e e e La gure IV.11 montre les rsultats de la comparaison en ce qui concerne le temps ncessaire e e pour prendre une dcision. Nous observons que le temps exig pour prendre la dcision est e e e plus important avec linterface intgrale (interface qui ache linformation relative ` tous les e a niveaux de la hirarchie dabstraction) quavec linterface abrge. Lanalyse statistique dmontre e e e e lexistence dune dirence signicative pour les rsultats des deux interfaces, indpendamment e e e de la typologie des scnarios ([F (1; 23) = 27.212; p = 0.000; 2 = 0.546]). En ce qui concerne la e comparaison entre les dirents types de scnario, nous ne pouvons pas considrer quil existe e e e 106

 IV.4. EVALUATION DE LINTERFACE POUR LA SELECTION DES SOLUTIONS

Fig. IV.11 Comparaison entre linterface intgrale et linterface abrge Rsultats du temps e e e e (secondes) ncessaire pour la slection dune solution e e

tel-00554205, version 1 - 10 Jan 2011

une dirence claire entre les deux types de scnarios. e e Dans lanalyse de la charge mentale, nous observons une dirence assez importante entre e les deux types dinterface (voir gure IV.12). Lanalyse statistique renforce lide que linterface e intgrale demande une charge mentale plus leve que linterface abrge ([F (1; 23) = 11.317; p = e e e e e 0.003; 2 = 0.330]). La gure IV.12 montre aussi une dirence par rapport ` la typologie du e a scnario. Dans lanalyse statistique, nous dtectons que la charge mentale demande aux partie e e cipants est signicativement plus leve pour rsoudre les scnarios o` les contraintes ` prendre e e e e u a en compte sont lies aux moyens que pour les scnarios avec des contraintes lies aux objectifs e e e ([F (1; 23) = 8.769; p = 0.007; 2 = 0.276]). La gure IV.13 montre le pourcentage de cas o` le candidat a trouv la meilleure solution. A u e partir de lanalyse statistique, nous pouvons dduire quil nexiste pas de dirence signicative e e ni entre les interfaces ni entre les dirents types de scnarios pour cette mesure. e e Les rsultats obtenus pour la mesure du temps total ncessaire pour la slection de la solution e e e sont tonnants. En accord avec les hypoth`ses de lEID, linterface intgrale devrait favoriser la e e e prise de dcisions, notamment pour les scnarios o` la contrainte est lie aux niveaux infrieurs e e u e e de la hirarchie dabstraction, car cette interface fournit ` loprateur de mani`re directe linfore a e e mation relative ` ces niveaux. Pourtant, linterface demande plus de temps pour slectionner la a e solution et avec un pourcentage de russite plus faible (encore que statistiquement cette dirence e e nest pas signicative). 107

 IV.4. EVALUATION DE LINTERFACE POUR LA SELECTION DES SOLUTIONS

Fig. IV.12 Comparaison entre linterface intgrale et linterface abrge Rsultats de la charge e e e e mentale (NASA-TLX) requise pour la slection dune solution e

tel-00554205, version 1 - 10 Jan 2011

Fig. IV.13 Comparaison entre linterface intgrale et linterface abrge Rsultats de perfore e e e mance (pourcentage de russite) pour la slection dune solution e e

Nous trouvons deux explications possibles ` ces rsultats, la premi`re est quil est possible que a e e la mani`re choisie pour acher les informations relatives aux niveaux infrieurs de la hirarchie e e e dabstraction ne soit pas la plus adquate. Cependant, Ormerod and Chronicle (1996) montrent e que les humains sont capables de dterminer des solutions proches de la solution optimale pour e le probl`me du voyageur de commerce (probl`me voisin du probl`me de tournes de vhicules) e e e e e a ` partir de la perception visuelle (matrialise comme dans notre interface par une carte avec e e les localisations des clients). Ces rsultats nous encouragent ` continuer le dveloppement de e a e linterface propose pour la slection de vhicules de mani`re ` ce que linformation physique du e e e e a syst`me de travail puisse aussi tre ache dans les graphiques. e e e 108

IV.5. CONCLUSION

La seconde explication est quil est possible que les planicateurs naient pas vraiment besoin de linformation sur les niveaux infrieurs pour les processus de comparaison des solutions. e Lorsque les niveaux infrieurs sont achs, il est tout ` fait possible que lexc`s dinformation e e a e fasse augmenter la charge mentale et le temps ncessaire pour intgrer toute cette information. e e Dans la littrature, nous trouvons plusieurs travaux exprimentaux qui montrent que linformae e tion non ncessaire fait augmenter la charge mentale des planicateurs et le temps ncessaire e e pour prendre les dcisions (Moray et al., 1991; Davis and Kottemann, 1995; Cegarra and Hoc, e 2008).

IV.5
tel-00554205, version 1 - 10 Jan 2011

Conclusion

Dans ce chapitre, les interfaces du syst`me daide ` la dcision pour lordonnancement des e a e transports ont t prsentes. Nous nous sommes bass sur les concepts proposs dans la mthode ee e e e e e de conception dinterfaces cologiques prsente dans la paragraphe IV.2. Ce sont des interfaces e e e susceptibles daider de mani`re ecace loprateur lors du processus de rsolution dun probl`me e e e e dordonnancement de transport. Les interfaces permettent une manipulation directe de la part de loprateur humain des objets du syst`me. e e Dans ce contexte, des interfaces ddies ` la modlisation du probl`me, ` la rsolution du e e a e e a e probl`me et ` la slection de la solution nale ont t proposes. Ces tches, conjointement ` la e a e ee e a a poursuite des tournes en temps-rel, ont t identies auparavant comme les grandes tches e e ee e a devant tre accomplies pour arriver ` rsoudre un probl`me dordonnancement de transports e a e e (voir le paragraphe III.3). En plus des caractristiques spciques aux interfaces cologiques, les e e e interfaces proposes sont aussi des interfaces exibles et dutilisation facile. En eet, les interfaces e ne demandent pas une formation complmentaire pour tre utiliss et facilitent les processus de e e e prise de dcisions. e Finalement, nous avons prsent lexprience ralise an de tester lecacit des caractrise e e e e e e tiques de linterface propose (perceptive et abrge). Les rsultats obtenus montrent lecience e e e e de linterface propose par rapport ` dautres interfaces plus traditionnelles. Quelques interrogae a tions restent cependant sans rponse. Linecience de linterface qui contient toute linformation e de la hirarchie dabstraction nest pas compl`tement explique. De nouvelles expriences sur ce e e e e sujet et sur lecience des autres interfaces proposes seraient ncessaires pour une validation e e 109

IV.5. CONCLUSION

compl`te des mcanismes de coopration homme-machine proposs dans ce chapitre. e e e e

tel-00554205, version 1 - 10 Jan 2011

110

Chapitre V Assistance ` loprateur dans la phase de a e rsolution e

tel-00554205, version 1 - 10 Jan 2011

V.1

Introduction

Dans ce chapitre, nous prsentons les outils du syst`me daide ` la dcision destins ` aider e e a e e a loprateur lorsque le probl`me est non-ralisable ou le devient ` la suite de la prise de certaines e e e a dcisions. Cette question a t tr`s peu aborde dans la littrature. Dabord, nous analysons plus e ee e e e profondment les caractristiques du probl`me auquel est confront loprateur humain lorsquil e e e e e nexiste pas de solution ralisable pour le probl`me trait. Ensuite, nous dcrivons lapproche que e e e e nous avons adopte, appele inversion du mod`le, de mani`re ` aider loprateur dans la tche de e e e e a e a relaxation des contraintes. Nous proposons galement des mthodes de classication et danalyse e e de donnes sur lesquels sappuient ces mcanismes dinversion. Lecacit de ces propositions a e e e t teste sur des instances de la littrature. Les rsultats obtenus sont ainsi prsents en n de ee e e e e e chapitre.

V.2

Probl`mes non-ralisables e e

Un probl`me dordonnancement des transports peut tre non-ralisable en raison des cone e e traintes spcies dans le mod`le initial ou peut le devenir au cours de sa rsolution. Ceci est e e e e
Une partie de ces travaux ont t publis dans Gacias et al. (2010c) e e e

111

` V.2. PROBLEMES NON-REALISABLES

le cas quand une squence de dcisions (qui correspond ` linstanciation dun certain nombre de e e a variables de dcision) entra la non-existence dune valeur consistante (i.e., qui ne viole aucune e ne des contraintes du probl`me) pour une des variables qui na pas encore t instancie. e ee e Les dirents types de probl`mes sont illustrs sur la gure V.1. Il sagit de raliser laece e e e tation de deux clients aux vhicules. Ces derniers ont chacun un poids maximal de transport e (100 kg. pour le vhicule V1 et 80 kg. pour le vhicule V2 ). Le poids de la demande du client C1 e e est de 60 kg. et de 30 kg. pour le client C2 . Dans le probl`me de la gure V.1 (a), le client C1 e peut tre aect indiremment aux deux vhicules, en revanche le client C2 peut tre servi unie e e e e quement par le vhicule V2 . Ce probl`me est ralisable, car laectation du client C1 au vhicule e e e e V1 et du client C2 au vhicule V2 est une solution qui ne viole aucune contrainte du probl`me. e e Dans lexemple de la gure V.1 (b) (o` les deux clients doivent tre servis par le vhicule V2 ), u e e

tel-00554205, version 1 - 10 Jan 2011

le probl`me est cependant non-ralisable car le poids limite du vhicule est dpass. Enn, la e e e e e gure V.1 (c) illustre un probl`me initialement ralisable (le probl`me de la gure V.1 (a)) qui e e e a ` cause dune dcision qui a t prise devient non-ralisable. La dcision daecter le client C1 e ee e e au vhicule V2 entra en eet quil nexiste plus daectation possible pour le client C2 sans e ne violer une des contraintes du probl`me. e
C1 (60 kg.) C2 (30 kg.) C1 (60 kg.) C2 (30 kg.)

100 kg.

80 kg.

100 kg.

80 kg.

V1

V2

V1

V2

(a) Probl`me ralisable e e

C1 (60 kg.)

(b) Probl`me non-ralisable e e

C2 (30 kg.)

100 kg.

80 kg.

V1 V2 Dcision 1 : Aecter le client C1 au vhicule V2 e e

(c) Probl`me ralisable qui devient e e ralisable ` cause de la Dcision 1 e a e

non-

Fig. V.1 Exemple de dirents types de probl`mes e e 112

` V.2. PROBLEMES NON-REALISABLES

Dapr`s Higgins (1996, 1999) ce probl`me dinfaisabilit peut tre surmont par loprateur e e e e e e humain essentiellement de deux mani`res : avec lautorisation dune relaxation forte des contraintes e ou avec lautorisation dune relaxation lg`re des contraintes (voir gure V.2). e e

Problme surcontraint
Problme nonralisable

Relaxation de contraintes
Forte: Espace de solutions trop vaste Lgre: choix de lensemble de contraintes relcher Slection partir des objectifs Problme: Objectifs contradictoires Algorithme doptimisation: complexit, critres,...

tel-00554205, version 1 - 10 Jan 2011

Modle simplifi

Evaluation

Fig. V.2 Analyse des options proposes dans Higgins (1996) pour surmonter un probl`me e e non-ralisable e

Une relaxation forte de contraintes consiste ` relcher un ensemble consquent de contraintes a a e de mani`re ` largir sensiblement lespace de solutions qui au dbut tait vide. Le mod`le e a e e e e considr pour la rsolution est ainsi, encore une fois, simpli. Le principal inconvnient de ee e e e cette approche est que, malgr lhypothtique existence dun algorithme doptimisation ecace e e qui permette de rsoudre le probl`me gnralement de complexit non polynomiale, la solution e e e e e propose risque dtre loin des exigences de loprateur. Ceci peut impliquer que loprateur e e e e humain favorise une approche plus manuelle au dtriment du syst`me daide ` la dcision, car e e a e loprateur est toujours oblig de vrier et/ou modier la solution propose par le syst`me. e e e e e De plus, la conception de lalgorithme doptimisation nest pas vidente. Par exemple, en ce e qui concerne le choix du crit`re ` optimiser, dans les mthodes de recherche oprationnelle il e a e e est habituel dinclure des termes lis aux cots des violations de certaines contraintes dans la e u fonction objectif. Un des probl`mes ici est que ni loprateur humain ni le concepteur ne sont e e 113

` V.3. INVERSION DE MODELE

capables de pouvoir spcier de mani`re numrique quels sont les cots associs ` la violation e e e u e a dune contrainte. Par exemple, le retard dans la livraison pour certains clients peut navoir aucune consquence ngative et pour dautres peut, en revanche, impliquer la rsiliation du contrat e e e ou induire une mauvaise publicit, situations qui peuvent entra e ner des pertes inestimables ` a lavance. Nous concluons donc que cette approche est loin dtre envisageable pour un syst`me e e cens faciliter les tches lies ` la rsolution du probl`me. e a e a e e Lautre possibilit est une relaxation lg`re des contraintes qui permet de retrouver la faisae e e bilit dun petit ensemble de solutions. Cette approche est, selon nous, plus adquate pour tre e e e intgre dans un syst`me daide ` la dcision. Dapr`s Higgins (1999), loprateur ralise un cycle e e e a e e e e slection-relaxation-valuation jusqu` parvenir ` une solution satisfaisante. La programmation e e a a par contraintes propose un cadre gnrique pour rsoudre ce type de probl`me grce au formae e e e a

tel-00554205, version 1 - 10 Jan 2011

lisme des CSP pondrs (weighted Constraint Satisfaction Problem). Dans ce type de probl`mes, ee e un ensemble de contraintes qui ne dnissent pas des restrictions strictes est considr. Il sagit e ee donc de minimiser le nombre de contraintes violes (probl`me dit max-CSP). La principale e e interrogation de cette approche rside dans le fait de dterminer quel est le plus pertinent choix e e des contraintes ` relcher. De plus, la complexit de ce type de probl`mes est aussi gnralement a a e e e e non polynomiale. Jussien (2001) propose des mcanismes algorithmiques bass sur le concept e e dexplication pour dterminer les contraintes ou ensembles de contraintes qui doivent tre e e relches an de rendre le probl`me ralisable. Lapproche reste cependant tr`s algorithmique et a e e e e dicilement intgrable sous sa forme actuelle dans un syst`me coopratif. e e e Nous nous sommes inspirs de cette approche et du concept dinversion du mod`le pour la e e conception dun mcanisme qui permet de proposer ` loprateur humain une liste de contraintes e a e a a ` relcher en priorit pour que le probl`me devienne ralisable. Lide est de faciliter ` loprateur e e e e a e la tche de slection des contraintes ` relcher pour ainsi rompre le plus vite possible le cycle a e a a slection-relaxation-valuation de la gure V.2. e e

V.3

Inversion de mod`le e

Nous proposons une inversion de mod`le pour orir des choix ` lutilisateur sur les contraintes e a a a ` relcher, lorsque le probl`me devient non-ralisable en raison de la violation dune des contraintes. e e Linversion de mod`le consiste en lchange des rles des variables de dcision et des param`tres e e o e e 114

` V.3. INVERSION DE MODELE

endog`nes (propres ` un centre de dcision donn) et exog`nes (extrieurs ` ce centre). Ainsi e a e e e e a les variables deviennent param`tres, qui contraignent lespace de dcision, et les param`tres dee e e viennent variables de dcision sur lesquels des infrences peuvent tre dduites. e e e e Dans ce travail, linversion de mod`le est propose pour ltape de slection des vhicules. e e e e e Lidentication des param`tres qui sont susceptibles dtre modis est assez simple pour cette e e e tape de la rsolution du probl`me, car le nombre de contraintes considres est tr`s faible (voir e e e ee e le paragraphe III.4.2 pour une identication des contraintes qui sont prises en compte dans cette tape de rsolution du probl`me). Nous rappelons que lobjectif de cette tape est de dterminer e e e e e les vhicules qui vont tre utiliss pour servir les clients. e e e Pour certaines contraintes, si le nombre de param`tres qui intervient est limit, nous pouvons e e dterminer la valeur limite de ce param`tre et faire une premi`re proposition ` loprateur. e e e a e

tel-00554205, version 1 - 10 Jan 2011

Lorsquil sagit dun ensemble de param`tres, nous proposons des techniques de classication de e donnes (centres mobiles, nues dynamiques) bases sur des crit`res jugs pertinents, an dorir e e e e e a ` lutilisateur des contraintes ` relcher en priorit. a a e Le premier pas de la mthode consiste ` identier les param`tres qui interviennent dans chae a e cune des contraintes considres. Cette tape est ralise lors de la conception du syst`me. Nous ee e e e e proposons de diviser les param`tres selon lobjet physique dappartenance (clients, vhicules, e e conducteurs, dpts et marchandises). Apr`s la violation dune contrainte ou dun ensemble de e o e contraintes, le syst`me daide ` la dcision interroge loprateur sur lensemble de param`tres qui e a e e e sont candidats pour tre modis. Ceci permet de rduire le nombre de param`tres ` inverser et e e e e a le nombre de calculs ` raliser. a e Le tableau V.1 est le rsultat de cette premi`re phase didentication des param`tres qui ine e e terviennent dans les contraintes considres pour ltape de slection de vhicules. Par exemple, ee e e e si nous considrons la contrainte lie ` la limite de poids transportable pour les vhicules e e a e
nc np tv =1

(
i=1 k=1

p d k Pk i

p nv C ), nous identions quatre ensembles de param`tres qui intere

viennent dans la contrainte : la demande de produit pour chaque client (dk ), le poids de chaque i
p produit (Pk ), le nombre de vhicules de chaque classe (nv ) et le poids limite transportable pour e p chaque type de vhicule (C ). e

En plus des contraintes analyses dans le tableau, il existe dautres contraintes qui sont aussi e considres dans cette tape de rsolution. Ce sont les contraintes entre les objets physiques. ee e e Pour chaque contrainte lie ` un type de vhicule, il faut dterminer quels sont les param`tres e a e e e 115

` V.3. INVERSION DE MODELE

Contraintes
Contraintes Capacit e 1. Poids (eq. III.4) 2. Volume (eq. III.5) 3. Longeur (eq. III.6) Demande (dk ) i ou la suppression du service Borne FTC Borne FTD FT FT (BInv C ) (BInv De , eq. III.11) Borne Distance D (BInv , eq. III.8) Borne Temps T (BInv , eq. III.9) Borne Clients C (BInv , eq. III.10)

Clients

Fentres e de temps (F T Ci ) ou la suppression du service

Vhicules e

tel-00554205, version 1 - 10 Jan 2011

Poids, volume et longueur limites p 1. C v 2. C l 3. C ou le nombre de vhicules e (nv )

Nombre de vhicules e (nv )

Fentres e de temps (F T Ci ) ou temps de service ou la suppression du service Vitesse moyenne ou le nombre de vhicules e (nv )

Suppression du service

Temps de service (T si ) ou la suppression du service

Suppression du service

Distance max. (VjD ) ou le nombre de vhicules e (nv )

Dure e max. (VjT ) ou vitesse moyenne ou le nombre de vhicules e (nv )

Nombre de clients max. (VjC ) ou le nombre de vhicules e (nv )

Dpts e o

Fentres e de temps (F T Det )

Marchandises Poids, volume et longueur p 1. Pk v 2. Pk l 3. Pk

Tab. V.1 Identication des param`tres qui interviennent dans les contraintes considres dans e ee la phase de slection de vhicules e e

qui peuvent tre modis an davoir un probl`me ralisable. Par exemple, pour les contraintes e e e e daectation entre un client et un type de vhicule particulier, uniquement trois solutions sont e possibles : (1) supprimer la contrainte du probl`me, (2) ajouter un vhicule du type demand ` e e ea la solution, ou (3) supprimer le client du probl`me. e Une fois que les param`tres qui interviennent dans les contraintes ont t identis, il faut e ee e proposer les algorithmes et/ou les calculs ncessaires pour linversion de mod`le. Ces mcanismes e e e seront dclenchs apr`s la violation dune des contraintes. Nous observons quun traitement indie e e vidualis pour chaque type de contrainte simpose. Chaque contrainte dispose ainsi de sa propre e procdure dinversion. De plus, un algorithme ddi est ncessaire pour dterminer la modie e e e e 116

` V.3. INVERSION DE MODELE

cation de chaque param`tre ou ensemble de param`tres qui interviennent dans la contrainte. e e Ce mcanisme dinversion calcule pour chaque param`tre la valeur limite pour que le probl`me e e e devienne ralisable. Dans le cas o` un ensemble de param`tres peut tre modis, une liste des e u e e e contraintes ` relcher en priorit est propose. Le but est dessayer de minimiser limpact de la a a e e relaxation et dessayer de proposer des solutions qui facilitent la rsolution du probl`me, ainsi e e que latteinte des objectifs du syst`me de travail. e Dans ce travail, les algorithmes spciques de chacune des contraintes ne sont pas prsents. e e e Lobjectif de ce chapitre est dintroduire le cadre de linversion de mod`le et de proposer des e mthodes gnriques bass sur des techniques de classication et danalyse de donnes qui peuvent e e e e e tre intgres dans ces mcanismes dinversion. Bien que ces mthodes de classication ne puissent e e e e e pas tre utilises pour la plupart des contraintes telles quelles sont prsentes dans ce chapitre, e e e e

tel-00554205, version 1 - 10 Jan 2011

elles peuvent cependant tre combines avec dautres algorithmes de mani`re ` sadapter au e e e a mieux ` la contrainte viole. a e

Exemple pour illustrer le fonctionnement du mcanisme dinversion de mod`le e e Les 7 clients Ci de la gure V.3 ont demand ` tre servis le mme jour. 3 vhicules avec e a e e e une grande capacit de transport sont disponibles. Il existe cependant un contrainte sur la dure e e maximale des tournes : cette dure ne peut pas dpasser un certain seuil V T (dure de la journe e e e e e de travail).
C3 C2 C1 C6 Dpt e o C4 C5 C7

Fig. V.3 Localisation gographique des clients ` servir e a

Lors de la phase de la slection des vhicules ` utiliser, loprateur propose une solution avec e e a e uniquement deux vhicules, car il observe que les besoins de capacit sont largement couverts e e avec ces deux vhicules. Le mcanisme de vrication intgr dans le syst`me daide ` la dcision e e e e e e a e 117

` V.3. INVERSION DE MODELE

dtecte que la contrainte lie ` la dure maximale des vhicules est viole. Le rapport entre la e e a e e e borne infrieure BIT du temps ncessaire pour servir les clients (temps de trajet + temps de e e service) et le nombre de vhicules de la solution est alors plus grand que le seuil V T ( BIT > V T ). e 2 Le mcanisme dinversion de la contrainte viole entre en fonctionnement. Dabord, loprateur e e e peut slectionner le type de param`tres quil prf`re modier. Dans notre exemple, nous observons e e ee que loprateur dispose uniquement de deux choix pour agir sur les param`tres : les param`tres e e e lis aux vhicules ou les param`tres lis aux clients (voir dans le tableau V.1 la colonne de la e e e e
T contrainte lie ` la borne de la dure maximale BInv qui est la contrainte viole dans lexemple). e a e e

Dans le cas o` loprateur choisit de faire varier les param`tres lis aux vhicules, le mcanisme u e e e e e dinversion propose trois solutions : 1. Augmenter le nombre de vhicules ` utiliser jusqu` x = e a a
BIT VT

tel-00554205, version 1 - 10 Jan 2011

2. Augmenter la vitesse moyenne des vhicules de vm jusqu` vm de mani`re ` rduire la borne e a 2 e a e pour le temps de trajet pour que
2 BIT 2

< V T.
BIT 2

3. Augmenter le seuil x pour la dure maximale des tournes (V2T ) jusqu` V2T = e e e a

Dans le cas o` loprateur choisit de faire varier les param`tres lis aux clients, le mcanisme u e e e e dinversion propose deux autres solutions : 4. Rduire le temps de service chez les clients an que e
3 BIT 2

< V T.
4 BIT 2

5. Supprimer un ou plusieurs clients du probl`me pour que e

< V T.

Nous observons que, bien que les propositions de relaxation dans cette tape de la rsolution e e nassurent pas la faisabilit du probl`me, le mcanisme peut cependant orienter ecacement e e e loprateur vers les bons param`tres ` modier et comment les modier. Le mcanisme cherche e e a e a ` minimiser limpact de la relaxation sur le probl`me. Ce crit`re peut parfois impliquer que la e e proposition de relaxation ne soit pas susante, mais elle assure que dans ltape de rsolution e e courante la contrainte considre nest plus viole. Dans les autres tapes de la rsolution o` ee e e e u les dcisions prises sont toutes ralisables, ce phnom`ne dinfaisabilit du probl`me malgr la e e e e e e e relaxation nappara pas, cest-`-dire, que les propositions des mcanismes dinversion assurent t a e que le conit est rsolu. e Le deuxi`me aspect que nous remarquons est quil manque les algorithmes pour dnir quelles e e sont les contraintes ` relcher lorsque linversion doit tre faite sur un ensemble de param`tres, a a e e comme cest le cas dans la proposition numros 4 et 5. Par exemple, comment le syst`me daide ` e e a 118

` V.3. INVERSION DE MODELE

la dcision peut aider loprateur ` slectionner ecacement les clients qui doivent tre supprims e e a e e e du probl`me ? ou comment le syst`me peut proposer une solution sur les clients sur lesquels une e e rduction du temps de service doit tre applique de mani`re ` ce que cette rduction soit ecace e e e e a e pour arriver ` atteindre le but quaucune des deux tournes considres de mani`re individuelle a e ee e ne dpasse la dure maximale xe ? e e e

Dans notre exemple, nous supposons maintenant que les temps de service sont tr`s semblables e pour tous les clients. Nous pouvons pressentir que les clients C1 , C2 , C3 et C4 sont de bons candidats pour une rduction du temps de service (proposition 4 du mcanisme dinversion), car e e ces clients ont une forte probabilit dtre servis par le vhicule qui aura plus de dicults pour e e e e satisfaire la contrainte lie ` la dure maximale. Ce vhicule doit servir quatre clients, alors que e a e e

tel-00554205, version 1 - 10 Jan 2011

lautre vhicule ne doit en servir que trois. En revanche, si nous considrons la possibilit de e e e supprimer un des clients du probl`me, les clients C7 ou C4 sont de bons candidats, car ils sont e les clients les plus loigns de leurs voisins respectifs. Supprimer ces clients du probl`me devrait e e e normalement faciliter la satisfaction des contraintes temporelles du probl`me, en tout tat de e e cause davantage que supprimer dautres clients comme les clients C1 ou C5 .

Nous proposons donc un mcanisme dinversion divis en deux phases lorsquun ensemble de e e param`tres sont candidats ` tre modis. Dabord, un algorithme adapt ` la contrainte viole e ae e ea e doit identier les param`tres qui permettent darriver ` obtenir une solution ralisable. Une fois e a e ces param`tres identis, un algorithme ddi permet de proposer une liste qui ordonne selon e e e e des crit`res jugs pertinents les meilleurs choix pour la relaxation. Nous proposons ci-dessous des e e mthodes danalyse de donnes qui peuvent servir de base pour la conception de ces algorithmes e e ddis. e e

Enn, nous remarquons que le mcanisme dinversion des contraintes est organis ` partir de e ea la structure de la hirarchie dabstraction. Loprateur identie dabord les contraintes qui sont e e candidates ` tre relches ; ces contraintes comme nous l avons vu lors de lanalyse du domaine ae a e sont lies aux objets physiques du syst`me de travail. Ensuite, loprateur et le syst`me coop`rent e e e e e pour dterminer la meilleure mani`re de relcher ces contraintes vis-`-vis des crit`res dvaluation e e a a e e identis dans la hirarchie dabstraction (gestion ecace du temps et de la capacit). e e e 119

` V.3. INVERSION DE MODELE

V.3.1

Mthodes de classication de donnes e e

Lanalyse de donnes propose un ensemble de mthodes destines ` structurer linformation e e e a contenue dans les donnes pour ainsi arriver ` identier des relations existant entre individus. e a Nous nous intressons particuli`rement aux mthodes de classication dont lobjectif est de e e e construire des groupes dindividus homog`nes. e Les mthodes de classication utilisent une mesure de ressemblance pour construire des classes e dindividus les plus homog`nes possibles. Une mesure de ressemblance est une application qui e fait correspondre pour toute paire dindividus un rel positif quantiant la ressemblance. e Nous prsentons dans les paragraphes qui suivent deux mthodes de classication couramment e e rencontres : la mthode des centres mobiles et la mthode des nues dynamiques. Ces mthodes e e e e e sont utilises pour regrouper les clients selon un crit`re gographique et un crit`re temporel, e e e e

tel-00554205, version 1 - 10 Jan 2011

respectivement. Lorsquune contrainte est viole, nous allons nous appuyer sur une analyse des e groupes des clients spcis par les mthodes de classication pour dterminer quelles sont les e e e e contraintes les plus pertinentes ` relcher. a a Notons par lensemble de n individus ` classier. Chaque individu i est caractris a e e
v 1 par un ensemble de v variables zi = (zi . . . zi ).

Crit`re gographique : centres mobiles e e Nous proposons la mthode des centres mobiles pour classier les clients selon un crit`re e e gographique. La mthode des centres mobiles a t mise en uvre sous sa forme actuelle e e ee par Forgy (1965). La condition pour lapplication de la mthode est que les ressemblances entre e les paires dindividus (i , j ) puissent tre quanties par une distance euclidienne D(i , j ). e e Soit E lespace euclidien v-dimensionnel. Les individus i sont alors vus comme points de E caractriss par v coordonnes. Nous pouvons alors calculer le centre de gravit G et linertie e e e e de . Linertie totale est constante. Lorsque lensemble dindividus est dcompos en classes, cette e e inertie se dcompose additivement selon linertie interclasse (calcule entre les classes et le centre e e de gravit de ) et linertie intraclasse (calcule entre les individus et le centre de gravit de la e e e classe). Il est dmontr que lalgorithme des centres mobiles converge en minimisant localement e e linertie intraclasse pour un nombre de classes x, ce qui revient ` former les classes en moyenne e a 120

` V.3. INVERSION DE MODELE

les plus homog`nes possibles (voir e.g., Saporta (1990)). e Nous proposons lalgorithme des k-means (Lloyd, 1982) pour classier les nc clients en K clusters (P = P1 P2 .. PK ) les plus homog`nes possibles par rapport ` une mesure e a de similarit dnie pour chaque paire de clients. Nous proposons la localisation gographique e e e des clients comme crit`re de ressemblance. La condition pour appliquer la mthode des centres e e mobiles est ainsi satisfaite, car la distance euclidienne entre deux clients est par dnition une e mesure de dissimilarit. Les deux variables qui caractrisent les individus sont alors lordonne e e e xi et labscisse yi de la localisation de chaque client. Le nombre de groupes de clients (K) est le nombre de vhicules de la solution non-ralisable. e e Lquation de la mesure de dissimilarit correspond donc ` la distance entre deux individus e e a (clients) :

tel-00554205, version 1 - 10 Jan 2011

dij =

(xi xj )2 + (yi yj )2

(V.1)

Lalgorithme des k-means est un algorithme itratif qui permet, dans notre cas, de grouper e gographiquement les clients (voir lalgorithme 5). Le premier pas consiste ` choisir les K centres e a initiaux. Dans la mthode originale, les centres sont choisis au hasard et lalgorithme est lanc e e plusieurs fois avec des ensembles de centres dirents. Lobjectif est darriver ` identier des e a regroupements dindividus qui restent constants, indpendamment du choix des centres initiaux. e Pour ce probl`me, nous avons opt pour la proposition de centres uniformment rpartis entre e e e e les clients de mani`re ` favoriser une bonne formation des clusters depuis le premier et seul e a lancement de lalgorithme. Lanalyse des groupes qui permet de dterminer les clients les moins e homog`nes des clusters est nanmoins faite dans une tape ultrieure. Les centres sont alors e e e e distribus de mani`re uniforme le long dun des axes (horizontal ou vertical). La direction de la e e distance la plus longue entre deux clients dtermine la direction de distribution des centres et le e point dorigine de la distribution est le centre de gravit G de lensemble des clients. Ensuite, pour e chaque itration de lalgorithme la distance entre chaque client et les centres est calcule. Puis, e e les clients sont aects au cluster du centre le plus proche. Enn, les centres sont remplacs par e e les centres des nouveaux clusters qui viennent dtre forms. La condition darrt de lalgorithme e e e est que les clusters restent inchangs pour deux itrations successives. e e Une des astuces que nous avons utilise est lactualisation des centres de chaque cluster e apr`s chaque aectation dun client. Ceci permet dacclrer la convergence de lalgorithme. La e ee 121

` V.3. INVERSION DE MODELE

Algorithme 5: Algorithme de centres mobiles pour grouper les clients gographiquement e Pas 1 : Choisir lensemble de K centres initiaux rpter e e Pas 2 : Calculer les distances entre chaque client et les centres (equation V.1) Pas 3 : Aecter chaque client au cluster du centre qui est le plus proche Pas 4 : Actualiser les centres de chaque cluster Pk jusqu` les clusters restent inchangs dune itration ` une autre; a e e a

gure V.4 (a) illustre la position des centres initiaux (deux centres car le nombre de vhicules e de la solution propose est gal ` deux) distribus autour du centre de gravit le long de laxe le e e a e e plus long selon la position des clients (dans lexemple laxe horizontal) et la procdure itrative e e de lalgorithme pour lexemple de la gure V.3.
Itration 1 Itration 2

tel-00554205, version 1 - 10 Jan 2011

2 g1 1 g2 1 g2 1 g1 2 g2

1 g1

Dpt e o

Dpt e o

(a) Positionnement des centres et premi`re aec- (b) Actualisation des centres des clusters et e tation des clients aux centres deuxi`me aectation des clients e

Fig. V.4 Illustration du fonctionnement de lalgorithme des centres mobiles pour la classication gographique des clients e Une fois que les clients ont t groups, une analyse de ces groupes est propose de mani`re ee e e e a e ` dterminer quelles sont les meilleures propositions de modication des param`tres. e Les clients qui font partie du mme cluster ont une grande probabilit de faire partie de la e e mme route. Pour chaque client, nous proposons le calcul dun param`tre qui nous donne une e e ide de lhomognit du client par rapport ` son groupe. Ce param`tre peut tre utilis aussi e e e e a e e e comme indicateur pour dcider par exemple quel est le meilleur client ` supprimer du probl`me e a e (la suppression dun client du probl`me est la seule proposition qui peut tre une solution pour e e toutes les contraintes considres dans la phase de slection de vhicules, voir le tableau V.1). ee e e Le param`tre propos (dmi ) est la moyenne des distances entre le client i et les autres clients e e qui font partie du mme cluster (i Pk , |Pk | est le nombre de clients qui font partie du cluster e 122

` V.3. INVERSION DE MODELE

k) et la distance entre le client et le dpt le plus proche de mani`re ` favoriser les clients qui se e o e a trouvent pr`s du dpt. e e o

lDepot

min dil +
j Pk

dij (V.2)

dmi =

|Pk |

Crit`re temporel : nues dynamiques e e

Le crit`re temporel pour classier les clients est fond sur lalgorithme des nues dynae e e miques (Diday, 1971). Lalgorithme est une extension de lalgorithme des centres mobiles de

tel-00554205, version 1 - 10 Jan 2011

mani`re ` pouvoir traiter des mesures de ressemblance qui ne peuvent pas tre quanties par e a e e des distances euclidiennes. Une fonction daectation (une mesure de dissimilarit) et une fonce tion de reprsentation des clusters doivent donc tre dnies, car les individus ne peuvent plus e e e tre reprsents comme des points dans un espace euclidien et les centres de gravit ne peuvent e e e e donc tre calculs. e e Nous utilisons la mesure de dissimilarit propose par Levy (1996). Elle est calcule ` partir e e e a des fentres de temps des clients (F Ti = [ri , di ]) et permet de mesurer le degr de centrage entre e e deux fentres de temps. La gure V.5 montre les principales relations entre deux fentres de e e temps et la valeur de la mesure de dissimilarit pour chaque conguration. e

centres
di rj j i i j

incluses
di rj j i

non incluses
di rj j i

contigus e

disjointes
min(dj ri , di rj ) j i

dj ri

dj ri

dj ri

(i, j)

Fig. V.5 Principales relations entre deux fentres de temps e

123

` V.3. INVERSION DE MODELE

Lquation de la mesure de dissimilarit est : e e 1 1

min(dj ri ,di rj ) max(dj ri ,di rj )

(i, j) =

si min(di , dj ) max(ri , rj ),

(V.3)

min(dj ri ,di rj ) Pn 1 i=1 (di ri ) n

sinon.

Lorsque les fentres temporelles des tches sont non disjointes, lindice de dissimilarit mesure e a e la position relative entre les deux fentres par rapport ` leurs centres. Ainsi, sannule lorsque e a les fentres sont centres. Il augmente progressivement ` mesure que les centres des deux fentres e e a e scartent. e Lorsque les fentres de temps sont disjointes, la valeur de est suprieure ` lunit. Le terme du e e a e

tel-00554205, version 1 - 10 Jan 2011

diviseur est constant et reprsente la moyenne des largeurs des fentres. mesure la dissimilarit e e e de deux tches de mani`re proportionnelle ` lintervalle de temps qui spare les deux fentres. a e a e e Dans le cas limite, la date de n dune des fentres co e ncide avec le dbut de lautre (fentres e e contigus), est alors gal ` lunit. Il existe donc une continuit des valeurs de . e e a e e Une fois lindice de dissimilarit dni, nous avons besoin dune fonction daectation des e e clients aux clusters et dune fonction de reprsentation des clusters. Nous dnissons le centre ou e e noyau dun cluster Pk comme le client Ck avec la date de dbut au plus tt rk qui sapproche le e o plus de la moiti de lintervalle de temps [min rj , max rj ]. A chaque itration de lalgorithme, les e e
jPk jPk

client Ci sont aects au cluster Pk dont le client-centre (Ck ) minimise la valeur de . Comme e dans lalgorithme des centres mobiles, nous devons calculer ` chaque itration les distances entre a e les fentres de temps des clients et les clients-centres de chaque cluster ( min (Ck , Ci )), puis e
k=1..K

aecter les clients au cluster avec le client-centre le plus proche (plus petite valeur de ) et nalement actualiser les centres ` partir des clusters qui viennent dtre dnis. a e e Pour linitialisation des K centres, nous proposons une distribution tout le long de lintervalle de temps dni par les dates de dbut au plus tt des clients (voir lalgorithme 6). e e o

124

` V.3. INVERSION DE MODELE

Algorithme 6: Initialisation des centres des clusters pour lapplication de lalgorithme des nues dynamiques e Pas 1 : Calculer lhorizon de temps HT , HT max ri min ri
i=1..nc i=1..nc

Pas 2 : Calculer le pas, pas HT K Pas 3 : Calculer la position du premier centre, t1 min ri +
i=1..nc cluster C1 , C1

pas 2

Pas 4 : Dterminer le client-centre du premier e client i avec la ri la plus proche de t1 Pas 5 : Initialiser le compteur des clusters, k 2 pour (k K) faire Pas 5 : Calculer la position du centre du cluster k, tk tk + pas Pas 6 : Dterminer le client-centre du cluster k, Ck client i avec ri le plus proche e de tk et le client nest pas dj` un centre ea Pas 7 : Incrmenter le compteur des clusters, k k + 1 e

Une fois que les clients ont t groups par rapport ` leur localisation temporelle, nous proee e a

tel-00554205, version 1 - 10 Jan 2011

posons une analyse des clusters de mani`re ` identier quels sont les clients les plus conictuels. e a Ceci permet de proposer des choix de relaxation qui promettent de faciliter la rsolution du e probl`me. Pour chaque cluster, nous calculons un param`tre qui permet de mesurer le niveau e e de criticit des clients qui font partie du cluster. Lindice de criticit ICk est calcul comme le e e e rapport entre le nombre de clients du cluster et le nombre de vhicules de la solution. Une grande e valeur de ICk peut alors indiquer des probl`mes pour servir les clients du cluster en raison du e compactage des fentres de temps des clients. Cet indice peut tre considr pour lutilisation de e e ee lalgorithme ddi ` proposer des clients ` supprimer du probl`me. e ea a e Nous observons que les temps de trajet entre clients, param`tres qui peuvent avoir une ine uence importante, ne sont pas considrs dans le crit`re temporel. Nous proposons la classiee e cation temporelle et lindice de criticit pour pointer lensemble ou ensembles de clients qui e peuvent tre conictuels. Une fois les ensembles de clients conictuels identis, nous proposons e e lutilisation de lalgorithme des centres mobiles (algorithme 5) pour chacun de ces sous-ensembles de clients. Lalgorithme 7 illustre la procdure suivie pour la proposition dun client ` supprimer. e a Cette articulation avec le crit`re gographique permet de prendre en compte aussi les temps de e e trajet ` travers la considration de la distance entre clients. a e Enn, nous devons dcider de la valeur de K (le nombre de groupes de clients ` dnir avec e a e lalgorithme). Pour le crit`re gographique, cette valeur est assez intuitive ; il sagit du nombre e e de vhicules de la solution. De cette mani`re, chaque groupe de clients peut tre vu comme une e e e future tourne. Dans le cas du crit`re temporel, le choix du nombre de groupes est moins vident. e e e 125

` V.3. INVERSION DE MODELE

Algorithme 7: Identication dun client ` supprimer du probl`me pour le crit`re temporel a e e Pas 1 : Initialisation des clients-centres des nues dynamiques (algorithme 6) e rpter e e Pas 2 : Calculer la valeur de entre chaque client et les clients-centres Pas 3 : Aecter chaque client au cluster du client-centre avec la plus petite valeur de Pas 4 : Actualiser les client-centres de chaque cluster Pk jusqu` les clusters restent inchangs dune itration ` une autre; a e e a Pas 5 : Identier les clusters de clients conictuels (ICk > seuil) pour chaque cluster conictuel faire Pas 6 : Application de lalgorithme des centres mobiles pour les classier gographiquement (algorithme 5) e Pas 7 : Introduire le client du cluster conictuel avec une plus grande valeur de dmi dans une liste L Pas 8 : Proposer le client de la liste L avec une plus grande valeur de dmi
dmax rmin . nc P 1 (di ri ) nc
i

Dans les tests que nous avons raliss, nous avons choisi K = e e

Remarquons que si

tel-00554205, version 1 - 10 Jan 2011

un seul groupe est considr (K = 1), nous revenons ` lapplication du crit`re gographique car ee a e e lalgorithme des centres mobiles est appliqu uniquement ` un ensemble qui comprend tous les e a clients.

Mesure dvaluation de la proposition du mcanisme dinversion e e Nous proposons dans ce paragraphe une analyse statistique de mani`re ` dterminer le degr e a e e de pertinence du choix propos par les algorithmes de classication. Cette analyse donne comme e rsultat un param`tre susceptible daider loprateur lors de la slection de la contrainte ` e e e e a relcher. Ce param`tre peut tre vu comme une mesure de la qualit de la proposition. a e e e Nous faisons lhypoth`se que la variable de dcision X pour chaque crit`re suit une distrie e e bution de probabilit normale N (, ). Cette distribution peut tre approche par N (X, S), o` e e e u X et S =
(XX)2 n1

reprsentent respectivement la moyenne et la dviation de lchantillon. La e e e

XX S .

distribution est ensuite normalise (N (0, 1)). Pour cela, nous utilisons la fonction z = e

La

distribution normale standard N (0, 1) ou distribution z permet de comparer les mesures qui ont dtermin le choix propos ` loprateur pour un mme crit`re et aussi entre dirents crit`res. e e ea e e e e e Par exemple, une proposition qui a t faite ` partir dun param`tre (par exemple la distance di ) ee a e qui, apr`s la conversion, prsente une valeur de z proche de zro, indique que la dcision nest e e e e pas pertinente du point de vue statistique, car la valeur du param`tre nest pas statistiquement e dirente des autres (la valeur est place au centre de la courbe de probabilit, voir la gure V.6). e e e 126

 V.4. RESULTATS EXPERIMENTAUX

68, 26 % 95, 45 % 99, 73 %

tel-00554205, version 1 - 10 Jan 2011

Fig. V.6 Distribution normale standard ou distribution z

Le principal avantage de lutilisation de ce param`tre est que loprateur peut avoir une ide e e e de la qualit de la proposition ralise par le mcanisme dinversion de mod`le par rapport aux e e e e e autres propositions.

V.4

Rsultats exprimentaux e e

Les algorithmes de classication que nous venons de prsenter doivent tre adapts ` la e e e a contrainte qui a t viole et au type de param`tre qui est invers. Cependant, dans ltat actuel ee e e e e des dveloppements, ces algorithmes ne peuvent tre utiliss que pour dterminer le meilleur e e e e client ` supprimer du probl`me lorsque la contrainte lie ` la distance ou ` la dure maximale a e e a a e des tournes est viole. e e Lecacit de ces algorithmes est teste dans ce paragraphe. Pour cela, nous proposons de e e rsoudre optimalement des instances de petite taille (9 clients et 1 seul dpt) du probl`me de e e o e tournes de vhicules avec fentres de temps (VRPTW). Une numration compl`te des solutions e e e e e e possibles est faite. Lide est dvaluer la performance des algorithmes proposs ` lheure de choisir e e e a le client ` supprimer du probl`me. Chaque instance est donc rsolue 9 fois ; ` chaque fois, un a e e a client dirent est supprim du probl`me. e e e 127

 V.4. RESULTATS EXPERIMENTAUX

Nous comparons les solutions des crit`res proposs (le crit`re gographique CG, le crit`re e e e e e temporel CT et un troisi`me crit`re qui consiste ` supprimer le client qui se trouve le plus loin e e a du dpt DD) avec la solution optimale. La fonction objectif ` minimiser est la minimisation e o a de la distance parcourue. CS (Client Slectionn) correspond ` la proposition des trois crit`res e e a e qui prsente une valeur de z la plus loigne du zro apr`s lanalyse statistique, normalement la e e e e e meilleure des propositions. Cette analyse nest pas tr`s pertinente pour les petites instances, car e le nombre dindividus de lchantillonnage est tr`s faible. e e Le crit`re gographique propose comme client ` supprimer du probl`me, le client avec une plus e e a e grande valeur de dmi apr`s application de lalgorithme des centres mobiles. En ce qui concerne e lapplication du crit`re temporel, nous considrons que les ensembles de clients conictuels sont e e les groupes avec un indice de criticit plus grand que 2 apr`s lapplication de lalgorithme des e e

tel-00554205, version 1 - 10 Jan 2011

nues dynamiques. Puis nous appliquons lalgorithme des centres mobiles uniquement aux souse ensembles conictuels (ICk =
|Pk | nv

2). Enn, le client avec une plus grande valeur de dmi est

propos pour suppression du probl`me. e e Les instances ont t gnres ` partir des instances de petite taille (25 clients) proposes ee e ee a e par Solomon (1983) pour le probl`me de tournes de vhicules avec fentre de temps (VRPTW). e e e e Des clients ont t supprims (pour arriver ` des instances de seulement 9 clients) selon lordre ee e a croissant des dates de dbut de livraison ri . Les rsultats sont achs dans le tableau V.4. Dans e e e les instances de Solomon, nous trouvons trois types dinstances selon la position relative entre les clients : instances avec clients groups en clusters (C), instances avec clients placs alatoirement e e e (R) et les instances mixtes (RC). La premi`re colonne (NbOptDist) du tableau correspond au nombre de fois o` la solution e u avec une distance minimale est trouve lorsque le client propos par un des trois crit`res est e e e supprim du probl`me. Nous indiquons entre parenth`ses le nombre dinstances de chaque classe. e e e La deuxi`me colonne (DevMoy) spcie la moyenne de la dviation par rapport ` la solution e e e a optimale de la meilleure solution trouve apr`s avoir supprim le client propos par chacun des e e e e crit`res. MoyPos ache la moyenne de la position de la proposition par rapport ` la meilleure e a solution. Par exemple, si la meilleure solution trouve, lorsquon suit la dcision dun des crit`res, e e e est la deuxi`me meilleure solution par rapport aux solutions trouves, alors la proposition est e e classe en deuxi`me position. Enn, NbSol reprsente le nombre de fois o` la proposition faite e e e u par le crit`re permet de trouver un plus grand nombre de solutions ralisables. Cette mesure e e 128

 V.4. RESULTATS EXPERIMENTAUX

peut tre vue comme un indicateur de la exibilit apporte par la proposition du crit`re. Cette e e e e exibilit est importante car le probl`me original est non-ralisable et ainsi lespace de solutions e e e ralisables est largi. e e 56 instances nc = 9 CG-C CG-R CG-RC CT-C CT-R CT-RC DD-C DD-R DD-RC CS Total (3 crit`res) e

tel-00554205, version 1 - 10 Jan 2011

NbOptDist 13 (17) 9 (23) 9 (16) 5 (17) 3 (23) 4 (16) 8 (17) 5 (23) 3 (16) 32 37

DevMoy 8.73 % 5.99 % 5.01 % 14.98 % 11.46 % 9.30 % 15.76 % 10.97 % 9.12 % 6.83 %

MoyPos 2.7 3.5 3.2 4.5 5.4 5.3 4.3 4.7 4.5 3.54

NbSol 6 17 5 7 7 7 8 11 4 30 38

Tab. V.2 Rsultats de la comparaison des propositions des dirents crit`res e e e Nous pouvons dduire que le crit`re CG est le plus ecient pour les petites instances. La e e solution optimale est atteinte pour plus de la moiti des instances. La position moyenne est aussi e assez bonne (environ 3), ce qui veut dire que la proposition de ce crit`re reste toujours acceptable e pour les instances dont elle ne propose pas la meilleure dcision. Ces rsultats sont assez logiques e e car la fonction objectif ` minimiser (la distance parcourue) est lie ` un crit`re gographique. a e a e e Nous remarquons cependant que les rsultats sont plus performants que pour le crit`re de la plus e e grande distance par rapport au dpt, bien que ce crit`re soit aussi un crit`re gographique. e o e e e Nous observons galement dans lanalyse statistique que ce crit`re para ecace. Il est cae e t pable de choisir la meilleure proposition de suppression de client entre les trois crit`res de mani`re e e a ` faire augmenter le nombre de fois o` la meilleure solution est atteinte. Nous devons toutefois u rester mants face ` ses rsultats car lanalyse statistique est faite sur un tr`s petit chantillon e a e e e dindividus. Enn, nous remarquons dans la derni`re ligne du tableau la grande performance des trois e crit`res considrs ensemble. La meilleure solution est atteinte sur 37 des 56 instances pour e ee un des trois crit`res. La proposition qui permet dobtenir le plus de solutions ralisables est e e atteinte aussi pour un grand nombre dinstances (la dirence entre les nombres de solutions e ralisables dune proposition ` un autre peut tre de lordre de dizaine de milliers). Finalement, e a e 129

V.5. CONCLUSION

nous avons observ que pour pratiquement toute la totalit des instances (48 sur 56), une des e e trois propositions permet datteindre la solution optimale ou le plus grand nombre de solutions ralisables. e

V.5

Conclusion

Dans ce chapitre, nous avons dcrit les principes dun cadre nouveau et original pour aider e loprateur humain ` raliser la relaxation de contraintes lorsque le probl`me est ou devient e a e e non-ralisable. Nous nous sommes bass sur le concept dinversion de mod`le. Lide est que e e e e chaque contrainte dispose dun mcanisme dinversion qui permet de proposer ` loprateur des e a e param`tres ` modier pour que le probl`me devienne ralisable. e a e e Dans ce contexte, nous avons propos des mthodes gnriques issues de lanalyse de donns e e e e e

tel-00554205, version 1 - 10 Jan 2011

qui peuvent tre intgrs dans ces mcanismes dinversion. Les algorithmes doivent cependant e e e e tre adaptes ` la contrainte viole et au type de param`tre considr pour tre modi. Par e e a e e ee e e exemple, dans le cas o` la contrainte viole est lie ` la limite du poids transportable par les u e e a vhicules, lalgorithme des centres mobiles peut tre aussi utilis pour classier les clients. Les e e proprits des clients ` considrer pour la classication devraient cependant tre modies. Nous ee a e e e pouvons considrer, en plus des coordonnes gographiques, une troisi`me caractristique pour la e e e e e classication des clients, par exemple le poids de leurs demandes. De cette mani`re, les clients see raient classis en groupes les plus homog`nes possibles par rapport ` la localisation gographique e e a e mais aussi par rapport au poids de leurs demandes. Apr`s la classication, une analyse sur les e groupes permettrait didentier les clients les plus conictuels (ensembles de clients avec une grande demande et qui sont proches gographiquement) pour, par exemple, les supprimer du e probl`me. e La performance des algorithmes a t test sur des instances de petite taille. Les rsultats obee e e tenus sont tr`s encourageants. Une validation sur des instances de taille plus consquente doit tre e e e cependant ralise. Nous remarquons aussi la ncessit de la ralisation dune exprimentation de e e e e e e mani`re ` valuer lecacit de la coopration homme-machine, car linversion de mod`le a t e ae e e e ee conue dans le but principal daider loprateur humain ` relcher les contraintes du probl`me c e a a e (tche qui doit tre imprativement ralise par lhumain et pour laquelle il nexiste pas, ` lheure a e e e e a actuelle, doutils de support).

130

Chapitre VI Rsolution dun probl`me e e dordonnancement

tel-00554205, version 1 - 10 Jan 2011

VI.1

Introduction

Dans ce chapitre, nous prsentons une tude sur un probl`me particulier dordonnancement : e e e le probl`me a machines parall`les avec contraintes de prcdence et temps de prparation entre e ` e e e e tches. Ce probl`me peut tre plus particuli`rement vu comme un probl`me dordonnancement a e e e e li ` loptimisation de la production. Cela dit, les restrictions spciques considres dans ce e a e ee probl`me (contraintes de prcdence et temps de prparation) sont tout ` fait cohrentes avec e e e e a e les contingences des probl`mes de transport. e On peut donc voir ltude focalise consigne dans ce chapitre comme une contribution pour e e e la rsolution de certains sous-probl`mes du probl`me global dordonnancement des transports e e e trait dans les chapitres prcdents. e e e

VI.2

Probl`mes dordonnancement e

Les probl`mes dordonnancement se posent dans des domaines aussi varis que la gestion de e e production et les transports, lexploitation de syst`mes informatiques ou la conduite de projets. e Ils consistent ` coordonner lexcution de tches ou oprations soumises ` des contraintes de a e a e a
Une partie de ces travaux ont t publis dans Gacias et al. (2010a) e e e

131

` VI.2. PROBLEMES DORDONNANCEMENT

temps et de ressources, de mani`re ` raliser un travail global en satisfaisant un ou plusieurs e a e objectifs. Dans ce qui suit, nous emploierons le terme gnrique de tche, bien que le terme dopration e e a e est gnralement utilis en ordonnancement de la production. Le probl`me peut donc se poser e e e e comme suit : tant donn un horizon de temps, un ensemble de ressources ainsi que leur disponie e bilit sur lhorizon, un ensemble de tches et un ensemble de contraintes de prcdence entre ces e a e e tches, il sagit de dterminer les dates de dbut et de n de chaque tche, ainsi que la ressource a e e a ralisant son excution. e e De nombreux travaux de recherche ont t consacrs ` la rsolution des probl`mes dordonee e a e e nancement. Classiquement, on recherche une solution exacte ou approche au probl`me doptie e misation combinatoire ainsi formul (Baker, 1974). La complexit du probl`me ` traiter (NPe e e a

tel-00554205, version 1 - 10 Jan 2011

dicult) incite souvent ` lutilisation de mthodes approches (heuristiques) au dtriment de e a e e e mthodes exactes, garantissant loptimalit des solutions trouves mais au prix dun temps proe e e hibitif dans un contexte raliste (taille des probl`mes, richesse des contraintes relles). Dans e e e cette tude, nous allons nous intresser aux mthodes de recherche arborescente et locale pour e e e rsoudre le probl`me de faon ecace. e e c

VI.2.1

Dnitions e

Prcisons la dnition des principaux concepts des probl`mes dordonnancement. e e e Les tches a Les tches sont les entits lmentaires du probl`me. Elles sont localises dans le temps par a e ee e e une date de dbut et ncessitent pour leur ralisation un certain nombre dunits de temps (dure e e e e e de la tche) et de ressources. Selon les probl`mes, les tches peuvent tre excutes par morceaux a e a e e e (probl`mes premptifs) ou doivent tre excutes sans interruption (probl`mes non premptifs). e e e e e e e Les ressources Une ressource est un moyen, humain ou technique, de disponibilit (limite ou non) connue e e a priori. On distingue parmi les ressources ` disponibilit limite les ressources renouvelables a e e et les ressources consommables. Une ressource est renouvelable si elle est ` nouveau disponible a en mme quantit apr`s avoir t alloue ` une ou plusieurs tches, dans le cas contraire elle e e e ee e a a 132

` VI.2. PROBLEMES DORDONNANCEMENT

est consommable. A titre dexemple, les machines sont des ressources renouvelables, les mati`res e premi`res des ressources consommables. e

La fonction objectif La fonction objectif est loutil dont on dispose pour quantier la qualit dune solution. e Plusieurs crit`res peuvent dnir cette fonction, comme des crit`res lis au temps (temps total de e e e e lordonnancement, retards des tches lorsque des dates limites sont xes pour leur excution, ...), a e e des crit`res lis aux cots de production ou lis aux ressources (lquilibrage de la production dans e e u e e les ressources, ...). Notons que certains probl`mes de dcision ne sont pas associs ` loptimisation e e e a dune fonction objectif, mais consistent ` prouver lexistence dune solution an de dmontrer a e ladmissibilit (respect des contraintes) du probl`me ; on parle alors de probl`me de satisfaction e e e

tel-00554205, version 1 - 10 Jan 2011

de contraintes (Constraint Satisfaction Problem, CSP).

Les dirents types de contraintes e Contraintes temporelles Le probl`me prsente par exemple ce type de contraintes lorsque les tches sont lies par e e a e des contraintes de prcdence. Ainsi, si la tche i prc`de la tche j, on ne peut commencer e e a e e a lexcution de j avant la n de lexcution de la tche i. Ces contraintes de prcdence sont e e a e e ce quon appelle des contraintes de potentiels dans le sens o` elles tablissent des relations u e entre dates de dbut (ou de n) de tches. e a Pour les probl`mes nintgrant que des contraintes de potentiels, le calcul des dates de e e dbut au plus tt et dun ordonnancement de dure minimale est de rsolution aise, par e o e e e lutilisation de mthodes comme PERT (Program Evaluation and Review Technique) ou e MPM (Mthode des Potentiels-Metra). En termes mathmatiques, il sagit de calculer le e e plus long chemin dans le graphe de contraintes de prcdence. Ce type de probl`me peut e e e tre rsolu avec un algorithme de complexit polynomiale (algorithme de Bellman-Ford). e e e Contraintes sur les ressources Les contraintes sur les ressources sont de nature dirente : e Contraintes dallocation de ressources Une ressource disponible doit tre alloue ` chaque tche ` excuter. e e a a a e Contraintes de partage de ressources disjonctives 133

` ` ` VI.3. PROBLEME A MACHINES PARALLELES

Une ressource disjonctive, une machine, ne peut excuter deux tches en parall`le. Dans e a e le probl`me que nous traitons dans le cadre de ce chapitre, nous allons nous intresser e e particuli`rement aux probl`mes prsentant de telles contraintes de disjonction, ainsi que e e e des temps de prparation entre lexcution de deux tches. e e a Contraintes de partage de ressources cumulatives Dans le cas o` les ressources sont disponibles en quantit limite, le nombre de ressources u e e en train dexcuter une tche ` un instant donn ne doit pas tre suprieur au nombre e a a e e e de ressources disponibles. Ce type de contraintes nest pas considr dans le probl`me ee e trait. e

VI.3
tel-00554205, version 1 - 10 Jan 2011

Probl`me ` machines parall`les avec contraintes de e a e prcdence et temps de prparation e e e

Le probl`me tudi est lordonnancement de tches sur machines parall`les avec contraintes e e e a e de prcdence et temps de prparation des machines entre lexcution des direntes tches. Nous e e e e e a considrons loptimisation de deux crit`res dirents : la minimisation de la somme des dates de e e e n de chaque tche et la minimisation du retard algbrique maximal sur lensemble des tches. a e a Ces fonctions objectif prsentent un intrt particulier en ordonnancement de la production. La e ee somme des dates de n est un objectif qui maximise le dbit de production et qui permet de e minimiser les stocks des produits intermdiaires ou den-cours, produits non termins, prsents e e e dans latelier. Dans la minimisation du retard algbrique maximal, les dates dchance peuvent e e e correspondre aux dates de livraison des produits. Cest donc un objectif de respect des dlais qui e vise ` pnaliser le moins possible le client livr le plus en retard. Ces probl`mes sont NP-diciles a e e e au sens fort (Graham et al., 1979). Le probl`me ` machines parall`les a t largement tudi (Cheng and Sin, 1990), notamment e a e ee e e parce quil appara comme une relaxation de probl`mes plus complexes comme le ow-shop t e hybride ou le RCPSP (Resource-Constrained Projet Scheduling Problem). Dans la littrature, e plusieurs mthodes ont t proposes pour la rsolution de ce probl`me. Chen and Powell (1999) e ee e e e rsolvent le probl`me par une mthode de gnration de colonnes. Pearn et al. (2007) proposent un e e e e e programme linaire et une heuristique ecace pour la rsolution du probl`me avec considration e e e e de contraintes de priorit et de temps de prparation par familles doprations. Salem et al. (2000) e e e 134

` ` ` VI.3. PROBLEME A MACHINES PARALLELES

proposent des mthodes bases sur la recherche arborescente. Dans ce mme contexte et plus e e e rcemment, Nron et al. (2008) comparent deux schmas de branchement dirents et plusieurs e e e e stratgies de branchement pour le probl`me de la minimisation du makespan avec considration e e e de fentres temporelles pour les tches ` excuter. e a a e Baev et al. (2002) et van den Akker et al. (2005) traitent le probl`me ` machines parall`les e a e avec contraintes de prcdence pour la minimisation de la somme des dates de n dexcution des e e e tches et la minimisation du retard algbrique maximal, respectivement. Le probl`me avec temps a e e de prparation est considr dans Schutten and Leussink (1996) et dans Ovacik and Uzsoy (1995) e ee pour le probl`me de minimisation du retard algbrique maximal. Uzsoy and Velasquez (2008) e e traitent ce crit`re pour le probl`me ` une machine avec considration de temps de prparation e e a e e par familles de tches. Finalement, Nessah et al. (2005) proposent une borne infrieure et une a e

tel-00554205, version 1 - 10 Jan 2011

mthode arborescente pour le probl`me de minimisation de la somme des dates de n dexcution e e e des tches. a Cependant, le probl`me combinant contraintes de prcdence et temps de prparation a t e e e e ee beaucoup moins tudi. La prsence simultane des deux types de contraintes augmente de faon e e e e c sensible la complexit du probl`me. Les probl`mes intgrant une seule de ces deux limitations e e e e peuvent tre rsolus par un algorithme de liste, cest-`-dire quil existe une combinaison des e e a tches, qui, lorsquon suit une certaine r`gle daectation et dordonnancement, aboutit ` une a e a solution optimale (Schutten, 1994). Pour les crit`res rguliers, la r`gle ` suivre est Earliest Come e e a pletion Time (ECT), qui consiste ` aecter la tche ` la machine qui permet de la nir au plus a a a tt. Malheureusement, ce raisonnement nest plus valide lorsque des contraintes de prcdence et o e e de temps de prparation entre les tches sont considres, comme cela est dmontr dans Hurink e a ee e e and Knust (2001). Cela oblige ` modier la faon de traiter le probl`me. Nous devons notamment a c e considrer non seulement les dcisions sur lordre des tches ` excuter, mais aussi les dcisions e e a a e e sur laectation des tches aux machines. a

VI.3.1

Relation avec les probl`mes dordonnancement des transports e

Compte tenu du th`me majeur abord dans la th`se, cette partie a pour but de souligner le e e e lien entre le probl`me particulier dordonnancement tudi dans ce chapitre et le probl`me global e e e e dordonnancement des transports. Le probl`me dordonnancement considr peut tre vu comme un probl`me de tournes de e ee e e e 135

` ` ` VI.3. PROBLEME A MACHINES PARALLELES

vhicules ou Vehicle Routing Problem (VRP) (cf. paragraphe I.2). Les ressources du probl`me ` e e a machines parall`les peuvent tre considres comme des vhicules identiques de la otte dans un e e ee e probl`me de tournes de vhicules. Les tches correspondent aux clients quil est prvu de servir e e e a e par les vhicules. Les temps dexcution de chaque tche correspondent aux temps de service e e a pour chaque client visit et les temps de prparation sont associs aux temps de trajet entre les e e e dirents clients (tches). La considration des fentres de temps des clients est aussi une des e a e e contraintes typiquement considre dans les probl`mes de tournes de vhicules (VRPTW) pour ee e e e dnir lintervalle de temps pendant lequel le client peut tre servi. Finalement, les contraintes e e de prcdence entre les clients peuvent aussi appara e e tre dans certains types de probl`mes de e tournes de vhicules o` certains clients doivent tre servis avant dautres. e e u e Le probl`me ` machine parall`les avec contraintes de prcdence et temps de prparation e a e e e e

tel-00554205, version 1 - 10 Jan 2011

peut tre donc considr comme un sous-probl`me du probl`me global trait dans les chapitres e ee e e e antrieurs. e

VI.3.2

Dnition du probl`me e e

Il sagit de raliser laectation de n tches sur lensemble de m machines disponibles. Les e a relations de prcdence entre les direntes tches doivent tre respectes, ainsi que les temps de e e e a e e prparation rencontrs lorsque les tches sont aectes de faon conscutive sur la mme machine. e e a e c e e Chaque machine excute au maximum une tche simultanment et chaque tche ne peut pas e a e a tre excute par plus dune machine ` un instant de temps donn. Dans notre probl`me, la e e e a e e premption nest pas autorise, cest-`-dire que chaque tche i doit sexcuter durant pi units e e a a e e de temps conscutives sur la mme machine. Les variables de dcision du probl`me sont les dates e e e e de dbut des tches {Si }i=1..n , . Ainsi, la date de n dexcution de la tche i peut se dnir e a e a e comme Ci = Si + pi . Pour toute tche i, nous dnissons une fentre de temps [ri , di ], o` ri et di correspondent a e e u a ` la date de disponibilit (date de dbut au plus tt) et ` la date dchance (date maximale e e o a e e idale de n dexcution) de la tche i, respectivement. Les dates dchance sont seulement e e a e e considres pour le calcul du retard algbrique maximal. Nous notons E lensemble modlisant ee e e les contraintes de prcdence entre les tches. La relation (i, j) E signie que la tche i prc`de e e a a e e la tche j (ce qui se note formellement i a j), la tche j doit dbuter apr`s la n de la tche i a e e a

(Sj Ci ). Finalement, nous dnissons sij comme le temps de prparation ncessaire lorsque la e e e 136

` ` ` VI.3. PROBLEME A MACHINES PARALLELES

tche j est excute par la mme machine immdiatement apr`s la tche i. Pour deux tches i a e e e e e a a et j excutes de faon conscutive sur la mme machine, alors Sj Ci + sij , si i prc`de j, ou e e c e e e e Si Cj + sji , si j prc`de i. e e Pour la minimisation de la somme des dates de n dexcution de lensemble des tches, la e a fonction objectif se dnit comme min( e
n i=1

Ci ). On saperoit que, dans ce cas-l`, les di des c a

direntes tches naectent pas la rsolution du probl`me. Par contre, pour la minimisation du e a e e retard algbrique maximal sur lensemble des tches, ces dates limites di occupent un rle impore a o tant, car la fonction objectif se dnit comme min Lmax , o` Lmax = maxin Li et Li = Ci di . e u En utilisant la notation classique (Graham et al., 1979), les deux probl`mes sont respectivement e nots P |prec, sij | e Exemple Ci et P |prec, sij |Lmax .

tel-00554205, version 1 - 10 Jan 2011

Un ensemble de 5 tches (n = 5) doit tre excut sur 2 machines direntes (m = 2). Pour a e e e e chaque tche i, on donne dans le tableau VI.1 la valeur des direntes grandeurs pi , ri , di et sij . a e De plus, pour cet exemple, nous avons les contraintes de prcdence suivantes : 1 e e
(a) (b)

4 et 2

5.

n 1 2 3 4 5

pi 4 3 4 3 2

ri 1 0 3 3 1

di 7 5 8 10 5

sij 1 2 3 4 5

1 0 7 2 4 3

2 2 0 4 4 4

3 3 6 0 8 8

4 4 1 7 0 5

5 5 3 1 1 0

Tab. VI.1 Donnes de lexemple illustratif e

La gure VI.1 reprsente une des solutions possibles pour ce probl`me. Lensemble de cone e traintes de prcdence est respect : S5 = 13 3 = C2 et S4 = 5 5 = C1 . Remarquons que e e e la tche 4 se voit force ` retarder son dbut dune unit de temps ` cause de la contrainte de a e a e e a prcdence. Dun autre ct, il faut vrier que, pour chaque tche, ri Si et que les temps e e oe e a de prparation entre tches conscutives sur une mme machine sont aussi respects. En ce qui e a e e e concerne la fonction objectif, notre crit`re dvaluation de la qualit de la solution, observons e e e que pour la minimisation de la somme des dates de n des tches la fonction vaut z = a et pour le cas de la minimisation du retard algbrique maximal, z = Lmax = L5 = 10. e Ci = 43

137

` ` ` VI.3. PROBLEME A MACHINES PARALLELES

r1 M1

s13

s35

1
s24

M2

0 1

12 13 15

Fig. VI.1 Exemple dun ordonnancement ralisable e

VI.3.3

Analyse des solutions

Dans Schutten (1994), les auteurs prouvent que le probl`me ` machines parall`les avec e a e

tel-00554205, version 1 - 10 Jan 2011

considration de contraintes de prcdence ou de temps de prparation peuvent tre rsolus e e e e e e optimalement par un algorithme de liste. Un algorithme de liste permet de reprsenter un ore donnancement uniquement sous la forme dune liste de tches sachant quil existe une r`gle a e dominante daectation des ressources aux tches et dordonnancement des tches dans lordre a a de la liste. La r`gle est dominante au sens o` il existe une liste de tches telle quune solution e u a optimale est obtenue en suivant la r`gle. Schutten (1994) dmontre que les ordonnancements e e produits par un algorithme de liste bas sur la r`gle daectation ECT (Earliest Completion e e Time) sont dominants. Malheureusement, les probl`mes dordonnancement qui prsentent conjointement des cone e traintes de prcdence et des temps de prparation ne peuvent pas systmatiquement tre rsolus e e e e e e ecacement par un algorithme de liste (Hurink and Knust, 2001). Cest-`-dire quil peut ne pas a exister de r`gle daectation des ressources aux tches qui aboutisse ` une solution optimale e a a lorsquon num`re toutes les listes de tches existantes. Ce fait est illustr ` partir de lexemple e e a ea suivant : Considrons la minimisation de la somme des dates de n dexcution pour un probl`me ` 2 e e e a machines avec 4 tches ` ordonnancer. Le tableau VI.2 indique les donnes du probl`me. a a e e

138

` ` ` VI.3. PROBLEME A MACHINES PARALLELES

(a)

(b)

n 1 2 3 4

pi 1 1 1 1

ri 0 0 2 2

sij 1 2 3 4

1 0 10 10 10

2 10 0 10 10

3 2 1 0 10

4 10 1 10 0

Tab. VI.2 Donnes pour le deuxi`me exemple e e

Nous considrons tout dabord le probl`me sans contraintes de prcdence. Les listes de tches e e e e a {1, 2, 4, 3} et {2, 1, 4, 3} atteignent deux solutions optimales ( Ci = 9) lorsque les ressources sont

aectes avec la r`gle Earliest Completion Time (voir gure VI.2a). Toutes les autres squences e e e de tches aboutissent ` des ordonnancements sous-optimaux. Considrons ` prsent le mme a a e a e e probl`me auquel on ajoute la contrainte de prcdence 3 e e e 4. Dans ce cas, il nexiste pas de r`gle e

tel-00554205, version 1 - 10 Jan 2011

daectation qui aboutisse ` une solution optimale pour les listes de tches qui respectent les a a contraintes de prcdence. La solution optimale ( e e Ci = 11) est atteinte pour la liste {1, 2, 3, 4}

lorsque la tche 3 nest pas excute par la machine qui permet de la nir le plus tt (gure VI.2b). a e e o Dans le mme travail, les auteurs prouvent que mme si un ordre total est impos sur lene e e semble de dates de dbut des tches, i.e. S1 S2 . . . Sn , le probl`me reste NP-dicile au e a e sens fort. Donc, dterminer la meilleure allocation de ressources sav`re ncessaire, en plus de e e e trouver la meilleure liste de tches. a

s13 M1

s13

1
s24

M1

1
s24

M2
0

M2
3 4 0

(a) Ordonnancement optimal sans considration de la contrainte de e prcdence e e

(b) Ordonnancement considration de la e prcdence e e

optimal avec contrainte de

Fig. VI.2 Exemple daectation de tches a

139

` ` ` VI.3. PROBLEME A MACHINES PARALLELES

Neumann et al. (2002) dmontrent que la ralisabilit dun ordonnancement peut tre prouve e e e e e en temps polynomial (O(n3 )) si lon dispose de lensemble des dates de dbut des tches. Lide e a e est de reprsenter lordonnancement par un graphe, puis de vrier, ` partir dun calcul de ot e e a maximum, lexcution des tches et la satisfaction des contraintes de ressource. e a Le graphe est constitu de deux sommets par tche, le premier reprsente la date de dbut it e a e e et le second la date de n dexcution is de la tche. Pour reprsenter le transfert des units de e a e e ressource entre les tches, des arcs ` capacit unitaire sont dnis entre les sommets is -jt . Si la a a e e tche j peut tre excute apr`s la tche i par la mme machine (Sj Si + pi + sij ), alors un arc a e e e e a e direct is jt est cr. Finalement, quatre sommets ctifs sont dnis. Deux sommets (0s , 0t ), le ee e sommet source S (origine du ot) et le sommet puits T (destination du ot). Les arcs S-0s et 0t -T sont des arcs avec m units de capacit. Ces arcs assurent la satisfaction de la contrainte e e

tel-00554205, version 1 - 10 Jan 2011

due au nombre limit de ressources disponibles. Des arcs de capacit unitaire sont considrs e e ee entre S-is et it -T avec la nalit dassurer que toutes les tches sont excutes. e a e e La gure VI.3 montre le graphe qui correspondent ` lordonnancement du paragraphe VI.3.2, a avec les dates de dbut des tches (S1 = 1, S2 = 0, S3 = 8, S4 = 5, S5 = 13). Le calcul du ot e a maximum dtermine la ralisabilit de lordonnancement et propose une aectation des tches e e e a aux machines qui respecte les dates de dbut des tches. Nous observons quun ot de m + p e a units est ncessaire pour assurer lexcution des tches et satisfaire les contraintes de ressource. e e e a
0s 1t 2t 3t

2 1 1

1s 2s

1 1 1 1
T

1 1 1
4s 5s 5t 0t 3s 4t

1 2

Fig. VI.3 Graphe pour dterminer la ralisabilit dun ordonnancement e e e

De cette analyse, nous pouvons dduire que les solutions peuvent tre spcies par un couple e e e e (liste de tches, aectation tche/machine) ou directement par un vecteur de dates de dbut dont a a e 140

` ` ` VI.3. PROBLEME A MACHINES PARALLELES

la ralisabilit de laectation aux machines peut tre calcule en temps polynomial. e e e e

Les ordonnancements semi-actifs Un ordonnancement ralisable reprsent par un vecteur S de dates de dbut est semi-actif sil e e e e nexiste pas un ordonnancement ralisable lorsquon fait avancer dune unit de temps lexcution e e e dune des tches (Sprecher et al., 1995). Les ordonnancements semi-actifs sont dominants pour a les probl`mes que lon traite ici. Il existe toujours un ordonnancement optimal qui est semi-actif ; e en consquence, lespace de recherche peut tre limit ` lensemble des ordonnancements semie e ea actifs. Ce principe de dominance des ordonnancements semi-actifs est utilis pour la proposition e de nouvelles r`gles de dominance intgres dans des schmas de recherche arborescente et locale e e e e (cf. paragraphes VI.4.3 et VI.5.4).

tel-00554205, version 1 - 10 Jan 2011

Le calcul de ot maximum propos dans le paragraphe VI.3.3 peut tre utilis pour vrier e e e e en temps polynomial si un ordonnancement est semi-actif ou non. Pour un ordonnancement de n tches, il sagit de vrier quil nexiste pas un ordonnancement ralisable lorsquon avance a e e dune unit la date de dbut de chaque tche (voir algorithme 8). e e a Algorithme 8: Procdure de vrication de la proprit de semi-activit pour un ordonnane e ee e cement S = {S0 , S1 , . . . , Sn } Pas 1 : Construire le graphe qui correspond ` lordonnancement S. a pour (i=1...n) faire Pas 2 : Etablir Si := Si 1. Pas 3 : Actualiser le graphe en supprimant les arcs js it tels que Si < Sj + pj + sji . Pas 4 : Si lordonnancement est ralisable alors S nest pas un ordonnancement e semi-actif, retourner faux. Pas 5 : Etablir Si := Si + 1 et ajouter les arcs supprims au Pas 3. e Pas 6 : S est un ordonnancement semi-actif, retourner vrai.

Implications sur les mthodes de rsolution e e Nous proposons une mthode de rsolution exacte base sur la recherche arborescente pour e e e rsoudre les instances de petite taille et une mthode de recherche locale qui sav`re ecace pour e e e les instances de grande taille. Les mthodes se fondent sur la reprsentation des solutions ; une e e liste de tches et laectation des tches aux machines. Lalgorithme pour vrier si un ordona a e nancement est semi-actif (algorithme 8) est utilis comme r`gle de dominance pour supprimer e e les ordonnancements partiels non semi-actifs. 141

VI.4. RECHERCHE ARBORESCENTE

Dans le paragraphe VI.4, nous prsentons une mthode de sparation et valuation qui utie e e e lise conjointement cette r`gle de dominance, le calcul de bornes infrieures et des techniques de e e coupe fondes sur la propagation de contraintes. En ce qui concerne la recherche locale, plutt e o que dutiliser les oprateurs de voisinage classiques pour lallocation des machines (permutation e de tches, re-allocations, etc.), nous proposons de les intgrer dans le schma de recherche arboa e e rescente. Ceci permet de restreindre les voisinages explors avec lutilisation de bornes infrieures, e e de techniques de propagation de contraintes et de r`gles de dominance. Le schma de rsolution e e e de la mthode CDS (Climbing Discrepancy Search) propose par Milano and Roli (2002) est e e tr`s pratique pour atteindre ce but. Cependant, nous devons toujours envisager des mthodes e e qui permettent de supprimer les solutions domines seulement lorsque la solution dominante fait e partie du voisinage explor. Dans le paragraphe VI.5, nous prsentons les variantes de la mthode e e e

tel-00554205, version 1 - 10 Jan 2011

CDS proposes pour rsoudre les probl`mes. e e e

VI.4

Recherche arborescente

Une structure arborescente ` deux niveaux de dcision (ordre des tches et allocation de a e a ressources) est propose dans le paragraphe VI.4.1. Les bornes infrieures et les mcanismes de e e e propagation de contraintes sont prsents dans le paragraphe VI.4.2. Les r`gles de dominance e e e sont prsentes dans le paragraphe VI.4.3. e e

VI.4.1

Structure arborescente

Nous dnissons un nud comme un ordonnancement partiel (p) de p tches. Chaque nud e a entra au plus m (n p) nuds ls. Le terme n p correspond ` la slection de la prone a e chaine tche ` ordonnancer. Seules sont candidates ` tre ordonnances les tches dont les tches a a ae e a a prcdentes ont dj` t ordonnances (i.e., font partie de lordonnancement (p)). A tout moe e eaee e ment, la liste construite respecte les contraintes de prcdence entre tches. Lorsquune tche est e e a a slectionne, nous devons considrer les m aectations possibles aux machines. En pratique, pour e e e homogniser le concept de nud, les deux types de dcision ont t intgrs : un branchement e e e ee e e correspond ` la slection de la prochaine tche ` ordonnancer et au choix de la ressource alloue. a e a a e Ainsi, une solution est atteinte lorsque le nud reprsente un ordonnancement complet, i.e., e lorsque p = n. 142

VI.4. RECHERCHE ARBORESCENTE

VI.4.2

Evaluation dun nud

Lvaluation dun nud est dirente selon la fonction objectif traite. Nous proposons le e e e calcul de bornes infrieures et suprieures pour les deux crit`res tudis. Des mcanismes de e e e e e e propagation de contraintes sont utilises comme techniques de coupe dans le probl`me de minie e misation du retard algbrique maximal. e

Bornes Dabord, nous proposons un calcul simple de bornes infrieures. Pour chaque nud (ordone nancement partiel), nous actualisons la date de dbut au plus tt des tches non ordonnances e o a e en prenant en compte les dcisions de branchement drives des contraintes de prcdence entre e e e e e

tel-00554205, version 1 - 10 Jan 2011

tches. Le temps de n dexcution minimal (pour le crit`re min a e e

Ci ) et du retard algbrique e

minimal (pour le crit`re min Lmax ) est calcul pour chaque tche non ordonnance. La borne e e a e infrieure est compare avec la meilleure solution courante. e e Pour le crit`re min e Ci , nous proposons lune calcul de la borne spcique prsente dans Nese e e

sah et al. (2005). La borne a t propose pour le probl`me ` machines parall`les, avec temps de ee e e a e prparation et la considration de dates de dbut au plus tt (P m|sij , ri | e e e o Ci ). Le probl`me est e

une relaxation du probl`me avec contraintes de prcdence ; la borne infrieure est donc valide e e e e pour le probl`me tudi. Nous prsentons ci-dessous la borne infrieure base sur la relaxation e e e e e e de la contrainte de premption. e Nous dnissons S comme lordonnancement obtenu avec la r`gle SRPT (Shortest Remaining e e Processing Time) pour le probl`me relch 1|ri , ( pi +s ), pmtn| e a e i m minj=i sij et s = i
si m. max(Ci s , ri + pi ), o` si = u i

C[i] (S ) est le temps de n dexcution de la tche i avec considration e a e

dun temps dexcution pi + s pour chaque tche i. Nous dnissons (a[1] , a[2] , . . . , a[n] ) comme e a e i la suite obtenue si lon ordonne (a1 , a2 , . . . , an ) dans lordre dcroissant, o` ai = pi +ri +s . On a e u i alors BI =
max[C[i] (S ), a[i] ]

s une borne infrieure du probl`me P m|prec, sij , ri | e e i

Ci .

La complexit de lalgorithme pour le calcul de la borne infrieure est O(n log n), la mme que e e e pour la r`gle SRPT. e Nous proposons aussi le calcul dune borne suprieure. La borne est calcule ` partir dun e e a algorithme de liste qui slectionne la combinaison tche non ordonnance / machine qui permet e a e de la dbuter au plus tt (EST, Earliest Completion Time). Le choix de ce crit`re est d au fait e o e u 143

VI.4. RECHERCHE ARBORESCENTE

quil est intuitivement compatible avec la minimisation de la somme des temps de prparation, e crit`re qui a globalement un impact positif pour la minimisation de crit`res rguliers (Artigues e e e et al., 2005). Dans le cas o` plusieurs paires tche/machine sont slectionnes par la r`gle, u a e e e nous proposons comme deuxi`me crit`re pour la slection lutilisation de la r`gle SPT (Shortest e e e e Processing Time) pour le crit`re min e Raisonnement nergtique e e Le raisonnement nergtique entre dans le cadre de la propagation de contraintes, ensemble de e e techniques de rcriture des contraintes qui facilitent lexploration de lensemble des solutions. Ce ee type de raisonnement est li au concept dnergie ; celui-ci permet deectuer des raisonnements e e quantitatifs intgrant les contraintes de temps et de ressources (Lopez and Esquirol, 1996). e Ci et EDD (Earliest Due Date) pour le crit`re min Lmax . e

tel-00554205, version 1 - 10 Jan 2011

Nous proposons un test de ralisabilit bas sur le raisonnement nergtique comme technique e e e e e de coupe pour le crit`re min Lmax . Lextension du raisonnement pour les probl`mes avec temps e e de prparation est propose. Nous appliquons le test de ralisabilit pour vrier si la meilleure e e e e e solution atteinte ` partir du nud valu peut parvenir ` tre au moins aussi bonne que la a e e a e meilleure solution courante. Lnergie est produite par les ressources disponibles et consomme par les oprations. Nous e e e dterminons lnergie consomme par les tches (Erequise ) dans un intervalle = [t1 , t2 ], puis e e e a nous la comparons avec lnergie disponible (Eproduite = m (t2 t1 )). Nous devons aussi e considrer lnergie requise pour les temps de prparation (Esetup ). Si Erequise + Esetup > e e e Eproduite le nud peut tre coup. e e Pour un intervalle de temps o` un ensemble F de k tches peuvent consommer de lnergie, u a e nous pouvons facilement dmontrer que la quantit minimale dintervalles de temps entre tches e e a (ou de temps de prparation) est de = max(0, k m). On a alors que la somme des plus e petits temps de prparation de lensemble {sij }, i, j F est une borne infrieure de lnergie e e e requise pour les temps de prparation. e Lnergie consomme dans un intervalle est Erequise = e e t1 , t2 di +pi ))+
l s[l] , i

max(0, min(pi , t2 t1 , ri + pi

o` s[l] sont les temps de prparation de lensemble {sij }, i, j F ordonns u e e

dans lordre dcroissant et les fentres de temps [ri , di ] pour chaque tche i non ordonnance sont e e a e dduites des ajustements des bornes des fentres temporelles, suivant : e e ri = max{ri , rj + pj ; j } et di = min{Zmeilleure + di , dj pj ; j + }, i i 144

VI.4. RECHERCHE ARBORESCENTE

o` et + sont respectivement les ensembles de tches prdcesseurs et de tches successeurs u i a e e a i pour la tche i et Zmeilleure est la valeur du crit`re Lmax pour la meilleure solution courante. a e Nous illustrons sur la gure VI.4 la procdure pour le calcul de lnergie requise pour les e e tches non ordonnances (les tches 1 ` 5 dans lexemple) pour un probl`me avec 3 machines a e a a e parall`les. Pour chaque tche, nous dterminons la fentre de temps et la quantit minimale e a e e e dnergie requise dans lintervalle de temps = [t1 , t2 ]. Pour lnergie requise par les temps e e de prparation Esetup , nous considrons les plus petits temps de prparation. Dans lexemple, e e e k = 4 (la consommation de la tche 1 est nulle) et m = 3 ; nous devons donc considrer seulement a e le plus petit des temps de prparation (Esetup = s35 = 2). e
sij 2 3 4 5

tel-00554205, version 1 - 10 Jan 2011

2 0 10 10 10

3 10 0 10 10

4 4 6 0 10

5 10 2 6 0 3 2 1

5 4

M1 M2 M3 t1 t2

Fig. VI.4 Energie minimale requise pour un ordonnancement partiel

Lintervalle de temps = [t1 , t2 ] considr pour le calcul de lnergie est t1 = min ri , i F et ee e t2 = dj , o` j est la tche non ordonnance avec la plus petite fentre de temps min (dj rj ), j u a e e F . La limitation de ne considrer quun unique intervalle de temps (lalgorithme nest donc pas e complet) permet de rduire la complexit du test nergtique ` O(n2 ). e e e e a

VI.4.3

R`gles de dominance e

Nous proposons une r`gle de dominance pour restreindre lespace de solutions. Cette r`gle e e consiste ` tenter de prouver lexistence dun ordonnancement dominant qui permet de couper a lexploration ` partir du nud valu. La r`gle exploite le fait que les ordonnancements semi-actifs a e e e sont dominants (cf. paragraphe VI.3.3). Nous dnissons J ((p)) comme lensemble de tches e a 145

VI.4. RECHERCHE ARBORESCENTE

dun ordonnancement partiel (p). Nous dnissons galement le front F ((p)) J ((p)) de e e lordonnancement partiel (p) comme lensemble des derni`res tches aectes sur chaque mae a e chine. Sur la gure VI.5, F ((p)) = {4, 5}.

R`gle de dominance 1 : Un ordonnancement partiel (p) est domin sil existe un autre e e ordonnancement partiel (p) compos du mme ensemble de tches J ( (p)) = J ((p)), de e e a mme front F ( (p)) = F ((p)) = F et avec une date de dbut dexcution des tches qui font e e e a partie du front plus petite ou gale que dans lordonnancement (p), Si Si , i F . e

tel-00554205, version 1 - 10 Jan 2011

Pour vrier si un ordonnancement partiel (p) est domin nous proposons lalgorithme 8 e e (vrication de la proprit de semi-activit pour un ordonnancement) avec les modications e ee e suivantes : Au Pas 1, lors de la construction du graphe de lordonnancement (p) (comme dans le paragraphe VI.3.3), les arcs qui sortent des tches qui font partie du front F ne sont pas a crs de faon ` toujours conserver le mme front. En eet, sur la gure VI.5, la tche ee c a e a 5 (S5 = 18) peut tre excute apr`s la tche 4, si larc 4s 5t est cr, avec un temps e e e e a ee de dbut dexcution plus petit (S5 = 17). Cependant, le nouvel ordonnancement (p) est e e non-dominant (voir le contre-exemple du paragraphe VI.3.3). Au Pas 2, seules les tches du front F sont slectionnes pour la vrication de lexistence a e e e dun ordonnancement ralisable (lorsque leur date de dbut dexcution est rduite dune e e e e unit de temps). e Si lalgorithme retourne faux, cest-`-dire que lordonnancement (p) nest pas un ordonnancea ment semi-actif, le nud est coup. e Dans Demeulemeester and Herroelen (1997) des r`gles de dominance similaires ont dj` t e eaee proposes pour le probl`me dordonnancement de projet avec contraintes de ressources (qui e e est une extension du probl`me ` machines parall`les avec contraintes de prcdence, mais sans e a e e e considration de temps de prparation). Toutefois, dans Demeulemeester and Herroelen (1997), e e les ensembles de coupes du graphe sont stocks entra e nant des besoins importants de mmoire. e 146

 VI.5. RECHERCHE ARBORESCENTE BASEE SUR LES DIVERGENCES

s13 M1 s24 M2
0

s35

34

13

16 18 20

Fig. VI.5 Ordonnancement partiel du nud valu e e

VI.5
VI.5.1

Recherche arborescente base sur les divergences e

Recherche arborescente ` divergences limites a e

tel-00554205, version 1 - 10 Jan 2011

Les mthodes standard de recherche arborescente sav`rent inecaces pour rsoudre les e e e probl`mes de grande taille. Pour surmonter lexplosion combinatoire lors de lexploration de e lespace de recherche, nous utilisons une recherche arborescente base sur des divergences par e rapport aux choix eectus initialement par une heuristique de rfrence. Ces mthodes sont e ee e fondes sur la bonne performance de lheuristique choisie. De la solution donne par cette heurise e tique, une recherche locale est ralise de mani`re ordonne, en examinant dabord les solutions e e e e avec le moins de divergences par rapport ` cette solution de rfrence, puis en sen loignant a ee e jusqu` couvrir tout lespace de recherche autoris. a e La mthode LDS (Limited Discrepancy Search ou recherche ` divergences limites) (Harvey e a e and Ginsberg, 1996) a t conue initialement comme une mthode itrative pour la rsolution ee c e e e de probl`mes ` variables binaires par recherche arborescente, o` chaque nud de larbre a deux e a u nuds ls reprsentant respectivement les dcisions daecter une variable aux valeurs 0 (non) e e ou 1 (oui). Lautre principe de base de cette mthode est dexplorer dabord les solutions qui e prsentent des divergences dans les niveaux les plus hauts de larbre. En eet, les erreurs les plus e importantes de lheuristique sont celles ralises dans les premiers niveaux o` peu de dcisions e e u e ont encore t prises. ee La gure VI.6 montre le comportement de la mthode LDS pour un arbre binaire en indiquant e le nombre de divergences associes ` chaque nud. Nous considrons la branche de gauche comme e a e la dcision donne par lheuristique de rfrence. A litration 0, lexploration atteint la solution de e e ee e lheuristique, puis ` litration 1 les solutions qui di`rent au plus dune dcision (une divergence) a e e e 147

 VI.5. RECHERCHE ARBORESCENTE BASEE SUR LES DIVERGENCES

par rapport ` lheuristique sont explores. Lexploration continue jusqu` ce que toutes les feuilles a e a (solutions) soient explores. e
LDS 0 0 0 0 0 0 0 0 1 1 1 0 1 1 0 1 1 1 LDS 1 0 1

Fig. VI.6 Recherche arborescente base sur les divergences pour un arbre binaire e

tel-00554205, version 1 - 10 Jan 2011

LDS peut tre utilise comme une mthode exacte pour les instances de petite taille (lorsque e e e le nombre de divergences autorises ` explorer est gal au nombre maximal de divergences du e a e probl`me). Nous pouvons aussi lutiliser, si lexploration est limite ` un nombre de divergences e e a plus petit que le nombre maximal, comme une mthode approche. e e Plusieurs mthodes bases sur LDS ont t proposes an damliorer son ecacit. La e e ee e e e mthode ILDS (Improved LDS ) (Korf, 1996) cherche ` viter la redondance (observe sur la e a e e gure VI.6) o` la solution sans divergence est aussi explore dans litration 1. DDS (Depthu e e bounded Discrepancy Search) (Walsh, 1997) ou DBDFS (Discrepancy-Bounded Depth First Search) (Beck and Perron, 2000) proposent de modier lordre de la recherche. DDS limite les
e niveaux de profondeur o` les divergences sont considres, cest-`-dire que dans la k i`me itration u ee a e

les divergences sont autorises uniquement dans les premiers k niveaux de larbre. DBDFS est e une recherche en profondeur o` les divergences limitent les nuds explors. Plus rcemment, u e e dans la mthode YIELDS (Karoui et al., 2007), des notions dapprentissage ont t intgres. e ee e e Dans ce qui suit, nous proposons plusieurs versions de LDS adaptes au probl`me ` machines e e a parall`les. e

VI.5.2

Stratgie dexploration e

Deux niveaux de dcisions doivent t considrs pour la rsolution du probl`me : lordre e ee ee e e des tches ` ordonnancer et laectation des tches aux machines. Nous devons donc dnir a a a e 148

 VI.5. RECHERCHE ARBORESCENTE BASEE SUR LES DIVERGENCES

deux heuristiques de branchement. En ce qui concerne lheuristique de slection de la tche ` e a a ordonnancer, le choix est de slectionner la tche qui peut dbuter le plus tt (r`gle EST ou e a e o e Earliest Start Time). En cas dgalit de date de dbut dexcution, nous dcidons de donner e e e e e la priorit ` la tche avec une dure dexcution plus petite (r`gle SPT ou Shortest Processing ea a e e e Time) pour le crit`re min e Ci et de donner la priorit ` la tche avec une date dchance di ea a e e

la plus petite (r`gle EDD ou Earliest Due Date) pour le crit`re min Lmax . Le choix respectif e e de ces r`gles est d au fait que ces r`gles sont optimales pour le probl`me ` une machine pour e u e e a les crit`res considrs. Nous utilisons une heuristique statique pour la slection de la tche ` e ee e a a excuter, cest-`-dire que lordre des tches est dtermin au dbut de la recherche arborescente. e a a e e e En revanche, lheuristique daectation des tches aux machines est dynamique (la tche est a a aecte ` la machine qui permet de la nir au plus tt). e a o

tel-00554205, version 1 - 10 Jan 2011

Pour chaque type de dcisions, nous considrons deux types de divergences : une divergence e e pour la slection de la tche et une divergence pour laectation ` la machine. Dans le cas e a a des arbres non-binaires, les divergences peuvent tre considres de mani`re dirente (voir la e ee e e gure VI.7). Le mode de comptage binaire consid`re que suivre la dcision de lheuristique e e correspond ` 0 divergence, et toutes les autres dcisions sont comptabilises comme 1 divergence. a e e Le mode de comptage non-binaire consid`re que, plus la dcision scarte par rapport ` la dcision e e e a e propose par lheuristique, plus le nombre de divergences augmente. Nous proposons lvaluation e e des deux modes de comptage pour la dcision de la tche ` ordonnancer. La prise en compte de e a a temps de prparation entre les tches peut entra e a ner que lordre des tches dtermin par la r`gle a e e e EST (Earliest Start Time) ` partir dun certain nombre de divergences ne soit plus une bonne a heuristique. Nous proposons donc lutilisation du comptage binaire pour amliorer la stratgie de e e branchement. Dun autre ct, nous utilisons le mode non-binaire pour le choix de la machine, oe car nous supposons que lheuristique daectation commet tr`s peu derreurs. En eet, lecacit e e de lheuristique daectation est montre dans le paragraphe VI.6.2. e

149

 VI.5. RECHERCHE ARBORESCENTE BASEE SUR LES DIVERGENCES

Ordre de tches donn par lheuristique

12345

Ordre de tches donn par lheuristique

12345

1 divergences 12 divergences 0 0 13 1 14 1

2 1 15 1

3 1

4 1

5 1 divergences 12 divergences 0

1 0 13 1 14 2

2 1 15 3

3 2

4 3

5 4

(a) binaire

(b) non-binaire

Fig. VI.7 Exemple des modes de comptage de divergences pour la slection de la tche ` e a a ordonnancer

Nous proposons de tester trois schmas de branchement dirents. Le DBDFS (Beck and e e Perron, 2000) correspond ` une recherche en profondeur classique o` les nuds explors sont a u e

tel-00554205, version 1 - 10 Jan 2011

limits par le nombre de divergences. Nous proposons en plus deux autres stratgies, LDS-haut e e et LDS-bas, qui consid`rent le nombre de divergences pour dterminer lordre dexploration des e e solutions. Le nud explor est le nud avec le plus petit nombre de divergences. Pour un nombre e de divergences donn, LDS-haut explore dabord les nuds avec un niveau de profondeur plus e petit. LDS-bas contrairement ` LDS-haut donne dabord la priorit aux nuds plus profonds a e dans larbre. La gure VI.8 montre, pour une recherche ` 2 divergences, que les trois schmas a e explorent les mmes solutions mais avec un ordre dirent. e e

LDStop LDSlow DBDFS

1 1 1

5 2 2

4 11 3 10 9 3 6 4 3 4 5 7 6 8 7

2 8

6 11 11

5 9 10 8 9 10

Fig. VI.8 Ordre dexploration des feuilles pour dirent schmas de branchement e e

150

 VI.5. RECHERCHE ARBORESCENTE BASEE SUR LES DIVERGENCES

VI.5.3

Recherche locale ` grands voisinages base sur les divergences a e

La mthode LDS a t prsente comme une mthode de recherche arborescente compl`te e ee e e e e ou tronque. Dans ce paragraphe, nous proposons dintgrer la mthode dans un schma de e e e e recherche locale. Dans une mthode de recherche locale, nous dnissons un voisinage Nk (x) e e dune solution x (o` k spcie les variations admissibles par rapport ` la solution x). Si une u e a solution x meilleure que x est trouv dans Nk (x), alors le voisinage Nk (x ) de cette nouvelle e solution est explor. Pour les probl`mes de grande taille, les voisinages ` explorer deviennent e e a trop vastes. Nous pouvons considrer lexploration du voisinage Nk (x) (o` k est de grande taille) e u comme un sous-probl`me doptimisation (Shaw, 1998). Dans ce contexte, une mthode base sur e e e les divergences pour dnir le voisinage ` explorer est envisageable. La mthode LDS permet e a e de guider lexploration du voisinage de faon ordonne ; cet ordre doit normalement favoriser la c e

tel-00554205, version 1 - 10 Jan 2011

recherche de meilleures solutions. Lautre avantage de LDS est que la mthode est compatible e avec les techniques de coupe qui permettent de rejeter le plus rapidement possible les solutions non intressantes (cf. paragraphe VI.3.3). e CDS (Climbing Discrepancy Search) (Milano and Roli, 2002) est la premi`re mthode de e e recherche locale ` grands voisinages base sur LDS (voir algorithme 9). A chaque itration, une a e e recherche avec k divergences autorises par rapport ` la meilleure solution courante est ralise. e a e e Si une meilleure solution est trouve, alors CDS explore le voisinage de cette nouvelle solution. e Dans le cas o` lexploration sach`ve sans trouver une meilleure solution, le nombre de divergences u e autorises k est augment dune unit. e e e Algorithme 9: Algorithme CDS Pas 0 : Initialiser le compteur de divergences autorises (k := 1) et le nombre maximal e de divergences (kmax := n, pour un comptage binaire) Pas 1 : Dterminer la Solref avec Heuristique Initiale() e tant que k kmax faire Pas 2 : Explorer lensemble de solutions S avec k divergences de Solref Pas 3 : Trouver la meilleure solution (Sol) de lensemble de solutions S si Sol est meilleure que Solref alors Pas 4 : Remplacer Solref par Sol et rinitialiser le compteur de divergences e autorises (k := 1) e sinon Pas 5 : Augmenter le compteur de divergences autorises dune unit (k := k + 1) e e

Le principal inconvnient de CDS est laccroissement rapide des voisinages explors pour e e 151

 VI.5. RECHERCHE ARBORESCENTE BASEE SUR LES DIVERGENCES

les probl`mes de grande taille. Pour surmonter ce fait, Hmida et al. (2007) proposent CDDS e (Climbing Depth-bounded Discrepancy Search) qui mlange les principes de CDS et de DDS. Le e voisinage de la meilleure solution est limit non seulement par le nombre de divergences mais e aussi par le niveau de profondeur dans larbre. Cette mthode retarde lexplosion en taille du e voisinage explor et renforce lide que les erreurs les plus importantes de lheuristique sont celles e e ralises dans les premiers niveaux de dcision. e e e Nous proposons deux variantes de CDS et CDDS pour les probl`mes traits. Les mthodes e e e sont fortement lies au concept de voisinages variables ou Variable Neighborhood Search (Hansen e and Mladenovic, 2001), car la taille et la structure des voisinages explors varient ` mesure que e a la recherche avance. HD-CDDS (Hybrid Discrepancy CDDS ) (voir algorithme 10) est aussi un mlange entre les principes de CDS et CDDS. La recherche dbute avec un schma de recherche e e e

tel-00554205, version 1 - 10 Jan 2011

CDS, mais si pour un nombre de divergences klimit dni au pralable une meilleure solution e e na pas t trouve, alors le nombre de divergences est incrment mais ces divergences sont ee e e e autorises seulement pour un certain nombre x de niveaux de profondeur, o` x = dmax dmin e u (voir le Pas 6 de lalgorithme 10). Lorsque cette recherche limite par les divergences et par e les niveaux est acheve, nous proposons soit dincrmenter le nombre de divergences autorises e e e tout en gardant le mme nombre de niveaux o` les divergences sont autorises (Pas 8A dans e u e lalgorithme 10), soit dincrmenter le nombre de niveaux x et le nombre de divergences nest e pas modi (Pas 8B de lalgorithme). e Cette mthode empche lexplosion en taille du voisinage explor et augmente la mobilit des e e e e tches par rapport ` CDDS (fait qui est particuli`rement intressant pour les probl`mes avec a a e e e considration de temps de prparation entre tches). Lautre avantage est que les niveaux qui e e a limitent le voisinage peuvent tre slectionns en prenant en compte la structure des solutions. Par e e e exemple, pour le probl`me de la minimisation du retard algbrique maximal, nous proposons de e e dbuter avec les niveaux [dmin ,dmax ] autour de la tche critique de sorte ` amliorer rapidement e a a e la solution. En contrepartie, les valeurs des param`tres de la recherche (klimit , x) doivent tre e e dtermins au pralable. e e e La deuxi`me mthode propose, MC-CDS (Mix Counting CDS ), consiste ` appliquer la ree e e a cherche CDS mais avec une modication au niveau du comptage de divergences. Nous proposons de considrer un comptage binaire pour les divergences des niveaux situs au plus haut de larbre e e et un comptage non-binaire pour le reste des niveaux. De cette faon, lexploration des branches c 152

 VI.5. RECHERCHE ARBORESCENTE BASEE SUR LES DIVERGENCES

tel-00554205, version 1 - 10 Jan 2011

Algorithme 10: Algorithme HD-CDDS Pas 0 : Initialiser le compteur de divergences (k := 1), le nombre maximal de divergences autorises (klimit ) et les niveaux autoriss (dmin := 0, dmax := n) e e Pas 1 : Dterminer la Solref avec Heuristique Initiale(). e tant que conditions de n de recherche faire Pas 2 : Explorer lensemble de solutions S avec k divergences (entre les niveaux [dmin ,dmax ]) de Solref Pas 3 : Trouver la meilleure solution (Sol) de lensemble de solutions S. si Sol est meilleure que Solref alors Pas 4 : Remplacer Solref par Sol, rinitialiser le compteur de divergences e (k := 1) et les niveaux autoriss pour les divergences (dmin := 0, dmax := n) e sinon si k < klimit alors Pas 5 : Augmenter le compteur de divergences autorises dune unit e e (k := k + 1) sinon si dmax dmin = n alors Pas 6 : Rinitialiser les niveaux autoriss (dmin := 0, dmax := x). e e sinon Pas 7 : Actualiser les niveaux (dmin := dmax , dmax := dmin + x). si dmin > n alors Pas 8A : Augmenter le compteur de divergences dune unit e (k := k + 1) et rinitialiser les niveaux autoriss (dmin := 0, dmax := x) e e Pas 8B : Rinitialiser et augmenter les niveaux autoriss (dmin := 0, e e dmax := x + 1)

des niveaux les plus hauts de larbre est favorise, et, dun autre ct, les divergences sont autoe oe rises pour tous les niveaux sans que la taille du voisinage devienne trop vaste. e

VI.5.4

R`gles de dominance adaptes aux divergences e e

Nous proposons dadapter la r`gle de dominance prsente dans le paragraphe VI.4.3 au e e e principe de la recherche locale. Lapplication directe de la r`gle dans les schmas de recherche e e locale proposs peut tre tr`s inecace. En eet, les meilleures solutions du voisinage peuvent ne e e e pas tre explores ` cause de lexistence dun ordonnancement partiel dominant dont dcoulent e e a e des coupes pour lexploration de ces solutions. Malgr lexistence dune solution meilleure que les e solutions obtenues ` partir de lordonnancement domin, il est donc possible que cette solution a e ne soit pas considre dans le voisinage explor. ee e A cet eet, nous proposons une variante de la r`gle de dominance adapte au voisinage explor e e e 153

 VI.5. RECHERCHE ARBORESCENTE BASEE SUR LES DIVERGENCES

(dtermin par le nombre de divergences autorises). Une fois connu le crit`re qui spcie le e e e e e voisinage (par exemple, k divergences autorises par rapport ` lordre de tches L), nous navons e a a qu` vrier que le nouvel ordre de tches L qui permet dobtenir lordonnancement dominant a e a fait partie des nuds visits lors de lexploration du voisinage (L G, o` G est lensemble e u dordres de tches avec k divergences de distance par rapport ` lordre L). a a La r`gle de calcul du ot maximum prsente dans le paragraphe VI.4.3 nest pas adaptable e e e a ` lexistence de divergences. La vrication que lordonnancement partiel dominant (p) fait e partie du voisinage explor nest pas possible, car la r`gle permet de montrer lexistence de (p) e e mais lordonnancement nest pas spci. e e Ainsi, nous proposons une nouvelle r`gle de dominance base sur la position des tches qui e e a font partie du front.

tel-00554205, version 1 - 10 Jan 2011

R`gle de dominance 2 : Pour un ordonnancement partiel (p) li ` un ordre de tches L, sil e ea a existe une permutation de tches dans F ((p)) de sorte que lordonnancement rsultant (p) a e et son ordre de tches L satisfont : L G et Si Si , i F ((p)), alors lordonnancement a partiel (p) est domin et le nud associ peut tre supprim de lexploration. e e e e La gure VI.9 montre que lordonnancement partiel conserve le mme front (F ( (p)) = e {1, 2, 3}) que lordonnancement du nud valu, une des tches dbute plus tt (S1 < S1 ) et e e a e o pour le reste des tches qui font partie du front les dates de dbut ne sont pas retardes (S2 = S2 a e e a e et S3 = S3 ). Si lordre des tches ordonnances qui font partie du front est 1 2 3, toutes les permutations possibles qui satisfont les contraintes de prcdence et qui respectent le nombre e e de divergences sont testes an de trouver un ordonnancement partiel dominant qui permet de e couper le nud associ ` lordonnancement valu. ea e e Cette r`gle peut tre applique par un algorithme de complexit O(m!). Malgr la complexit e e e e e e exponentielle dans le pire des cas, lutilisation de la r`gle de dominance sav`re intressante e e e lorsquon lapplique dans un schma de recherche arborescente base sur les divergences. La e e r`gle reste ecace pour un petit nombre de machines (cf. paragraphe VI.6.2). Si le nombre de e machines m devient tr`s grand, une numration partielle peut tre propose an de rduire le e e e e e e temps de calcul requis.

154

 VI.6. RESULTATS EXPERIMENTAUX

M1

M1

M2

M2

M3
S2 S3 S1

M3
S1

1
S2 S3

(a) Ordonnancement valu e e

(b) Ordonnancement dominant

Fig. VI.9 Exemple dordonnancement dominant

VI.6
tel-00554205, version 1 - 10 Jan 2011

Rsultats exprimentaux e e

VI.6.1

Gnrateur dinstances e e

Les mthodes et techniques prsentes dans ce chapitre ont t testes sur des instances e e e ee e gnres alatoirement. Ce choix est justi par le manque dinstances proposes en benchmarking e ee e e e dans la littrature pour ce type de probl`me. Tout dabord, les contraintes de prcdence ont t e e e e ee gnres par le logiciel RanGen (Demeulemeester et al., 2003) qui permet de crer des instances e ee e avec la possibilit de faire varier la densit du graphe de prcdences. Ce logiciel a t conu e e e e ee c pour la gnration dinstances pour le probl`me dordonnancement de projet ` moyens limits e e e a e (RCPSP ). Les temps de prparation entre tches et les fentres de temps ne peuvent pas tre e a e e gnres par le logiciel. Nous avons donc dvelopp un gnrateur de temps de prparation e ee e e e e e et de fentres de temps pour les tches. Les temps de prparation ont t gnrs ` partir des e a e ee e ee a distributions uniformes U [1, 10] et U [20, 40]. La seule condition impose aux temps de prparation e e est que lingalit triangulaire faible entre temps de prparation doit tre respecte : sij e e e e e sik + pk + skj , i, j, k. Pour les fentres de temps, nous avons utilis la mthode habituelle propose dans la littrature e e e e e (Sourd, 2005). Les dates dchance di suivent une distribution uniforme [max(0, P (1 e e /2)), P (1 + /2)], avec P = (pi + minj (sij )), [0, 1], [0, 1]. Les dates de dbut au e

plus tt ri sont gnres ` partir des di et dun param`tre qui permet de faire varier la largeur o e ee a e des fentres de temps, ri = di (pi (2 + )) o` [0.5, +1.5]. e u 155

 VI.6. RESULTATS EXPERIMENTAUX

VI.6.2

Tests et rsultats e

Dans ce paragraphe, nous dcrivons les tests proposs pour lvaluation des mthodes et nous e e e e analysons les rsultats obtenus. Les algorithmes ont t implments en C++ et les exprimene ee e e e tations ont t ralises sur un ordinateur de 2 GHz sous le syst`me dexploitation Linux Fedora ee e e e 8 et avec 2 Go de mmoire RAM. e Un ensemble de 120 instances de petite taille (60 instances pour chaque crit`re) ont t e ee gnres (n = 10, m = 3 et n = 15, m = 2) pour lvaluation de la r`gle daectation ECT et des e ee e e r`gles de dominance. Puis, nous avons test sur un ensemble de 120 instances de taille moyenne e e (n = 40, m [2, 4]) les r`gles de branchement (LDS-haut, LDS-bas et DBDFS ) et les modes e de comptage (binaire et non-binaire) an de dterminer les meilleures options en vue de leur e intgration dans la structure LDS pour la recherche locale. Lecacit des bornes infrieures, des e e e

tel-00554205, version 1 - 10 Jan 2011

r`gles de dominance et du raisonnement nergtique proposs dans les paragraphes VI.3.3, VI.4.2 e e e e et VI.5.4 a t prouve sur les instances de moyenne et grande taille (n = 100, m [2, 4]). ee e Nous avons aussi compar la mthode CDS et la mthode HD-CDDS avec les rsultats obtenus e e e e dans Nron et al. (2008) sur ses instances diciles du probl`me P m|ri , qi |Cmax (probl`me sans e e e contraintes de prcdence et sans temps de prparation). Finalement, nous avons compar et e e e e valu sur lensemble dinstances de grande taille les rsultats obtenus avec IBM ILOG CP e e e Optimizer 6.0, un logiciel commercial de rsolution avec un algorithme de rsolution spcique e e e pour les probl`mes dordonnancement (Laborie and Godard, 2007; Laborie, 2009). e Les instances de petite taille sont rsolues optimalement. Le tableau VI.3 montre les rsultats e e pour le crit`re de minimisation de e Ci et le tableau VI.4 montre ceux obtenus pour la mi-

nimisation de Lmax . Pour lvaluation des r`gles de dominance, nous comparons la recherche e e arborescente avec les bornes infrieures proposes et le raisonnement nergtique sans les r`gles e e e e e de dominance (Optimale), avec la recherche arborescente lorsque la r`gle de dominance base sur e e la permutation des tches du front est intgre (R`gle Front) et avec la recherche arborescente a e e e lorsque la r`gle de dominance base sur le calcul du ot maximum est intgre (R`gle Flot). La e e e e e ligne ECT illustre les rsultats quand on limite lallocation des tches ` la machine qui permet e a a de les nir au plus tt (Earliest Completion Time). o

156

 VI.6. RESULTATS EXPERIMENTAUX

60 Instances
n = 10, m = 3

Optimale R`gle Front e R`gle Flot e ECT 60 Instances

n = 15, m = 2

Nb Meilleure 60 (100.0 %) 60 (100.0 %) 60 (100.0 %) 53 (88.3 %) Nb Meilleure 60 (100.0 %) 60 (100.0 %) 60 (100.0 %) 54 (90.0 %)

Moy nuds 484925 480444 339541 61684 Moy nuds 10126793 9480313 7530154 1747416

Moy TCPU 10.6 12.3 27.7 0.07 Moy TCPU 641.9 626.4 454.6 2.5

Optimale R`gle Front e R`gle Flot e ECT

tel-00554205, version 1 - 10 Jan 2011

Tab. VI.3 Rsultats de la r`gle daectation ECT et des r`gles de dominance pour le probl`me e e e e min Ci

60 Instances
n = 10, m = 3

Optimale R`gle Front e R`gle Flot e ECT 60 Instances

n = 15, m = 2

Nb Meilleure 60 (100.0%) 60 (100.0%) 60 (100.0%) 52 (86.7%) Nb Meilleure 60 (100.0%) 60 (100.0%) 60 (100.0%) 54 (90.0%)

Moy nuds 281896 263474 219557 69141 Moy nuds 11936385 10503767 8945948 4681104

Moy TCPU 5.6 7.9 19.7 0.07 Moy TCPU 884.8 778.7 628.4 7.27

Optimale R`gle Front e R`gle Flot e ECT

Tab. VI.4 Rsultats de la r`gle daectation ECT et des r`gles de dominance pour le probl`me e e e e min Lmax

157

 VI.6. RESULTATS EXPERIMENTAUX

Nous observons dans les tableaux VI.3 et VI.4 que la r`gle ECT est tr`s ecace pour les e e deux probl`mes. Lapplication de la r`gle permet en eet datteindre la solution optimale pour e e la plupart des instances (pr`s de 90%) et permet aussi de rduire tr`s sensiblement le temps e e e moyen de calcul (Moy TCPU ). Pour les mthodes de recherche locale, nous allons considrer e e uniquement le probl`me de squencement des tches ; les tches seront aectes aux machines e e a a e selon la r`gle ECT. La r`gle de dominance base sur la permutation des tches du front est e e e a galement ecace. En r`gle gnrale, cette r`gle permet de rduire le nombre de nuds explors e e e e e e e (Moy nuds) et le temps moyen de calcul. Nous observons que la r`gle du calcul du ot maximum e permet de rduire grandement le nombre de nuds explors et le temps de calcul, sauf pour les e e instances de tr`s petite taille. e Les deux modes de comptage de divergences (binaire et non-binaire) ont aussi t valus ee e e

tel-00554205, version 1 - 10 Jan 2011

(uniquement pour la dcision de squencement des tches). Nous avons test, pour les instances de e e a e taille moyenne, le nombre de fois o` le mode arrive ` trouver la meilleure solution (Nb Meilleure). u a Les modes ont t intgrs dans un schma standard de LDS. Le temps de calcul est limit ` 100 ee e e e ea secondes. Les divergences ne sont pas autorises pour la r`gle daectation des machines. e e Nous avons enn compar les trois stratgies de branchement prsentes dans le paragrae e e e phe VI.5.2 : DBDFS, LDS-haut et LDS-bas. Le tableau VI.5 montre que le mode binaire est plus performant que le mode non-binaire. Pour un ensemble de 120 instances (60 instances par crit`re), le mode binaire trouve une meilleure solution pour 75 % des instances, indpendamment e e de la stratgie de branchement choisie. Dans ce qui suit, nous retiendrons le mode de comptage e binaire pour la structure de LDS pour la recherche locale. 120 Instances
n = 40, m [2, 4]

DBDFS LDS-haut LDS-bas

Nb Meilleure mode binaire mode non-binaire 90 (75.0 %) 48 (40.0 %) 93 (77.5 %) 49 (40.8 %) 98 (81.7 %) 31 (25.8 %)

Tab. VI.5 Rsultats de la comparaison entre modes de comptage de divergences e

Le tableau VI.6 montre les rsultats pour la comparaison entre les stratgies dexploration. e e Dev Moy indique la dviation moyenne par rapport ` la meilleure solution trouve. Le temps de e a e calcul est limit ` 100 secondes. ea

158

 VI.6. RESULTATS EXPERIMENTAUX

Mode binaire
n = 40, m [2, 4]

DBDFS LDS-haut LDS-bas

min Ci (60 instances) Nb Meilleure Dev Moy 43 (71.7 %) 0.91 % 29 (48.3 %) 0.43 % 50 (83.3 %) 0.71 %

min Lmax (60 instances) Nb Meilleure Dev Moy 47 (78.3 %) 1.86 % 17 (28.3 %) 2.33 % 59 (98.3 %) 0.75 %

Tab. VI.6 Rsultats pour la comparaison des stratgies de branchement e e

LDS-bas sav`re la stratgie plus ecace, car elle trouve la meilleure solution pour un plus e e grand nombre dinstances et lcart moyen, lorsque la meilleure solution est trouve par une autre e e des stratgies, est le plus petit. LDS-bas trouve la meilleure solution pour toutes les instances e sauf pour une lie ` la minimisation du retard algbrique et pour 50 instances sur 60 pour le e a e crit`re de minimisation de la somme des dates de n dexcution des tches. La stratgie LDS-bas e e a e est donc conserve pour le reste des tests ` raliser. e a e

tel-00554205, version 1 - 10 Jan 2011

Les bornes infrieures, le raisonnement nergtique et la r`gle de dominance adapte aux e e e e e divergences sont compars dans les tableaux VI.7 et VI.8. Une recherche LDS avec direntes e e congurations pour lvaluation des nuds a t lance pour les instances de taille moyenne ` e ee e a grande. Dans la premi`re conguration, nous considrons uniquement la borne infrieure cale e e cule par propagation (BIPC ). Dans la seconde conguration nous ajoutons le calcul de la borne e infrieure (BIN CY ) propose dans Nessah et al. (2005) pour le probl`me de min e e e Ci et le

raisonnement nergtique (NRJ ) pour le probl`me de min Lmax . Finalement, dans la troisi`me e e e e conguration, nous ajoutons la r`gle de dominance adapte aux divergences (RDaD). Nous come e parons le nombre de fois o` chaque conguration trouve la meilleure solution (Nb Meilleure), le u nombre de nuds explors en moyenne (Moy nuds), et le temps de calcul moyen pour atteindre e la meilleure solution (TMeilleure), seulement pour les instances dont toutes les congurations ont trouv la meilleure solution. Le temps de calcul est limit ` 30 secondes. e ea

159

 VI.6. RESULTATS EXPERIMENTAUX

60 Instances
n = 40, m [2, 4]

BIPC BIN CY RDaD 60 Instances

n = 100, m [2, 4]

Nb Meilleure 36 (60.0 %) 38 (63.3 %) 35 (58.3 %) Nb Meilleure 26 (43.3 %) 34 (56.7 %) 38 (63.3 %)

Moy nuds 62007 61742 53373 Moy nuds 9259 7813 7606

TMeilleure 4.52 4.47 1.69 TMeilleure 17.55 15.63 8.71

BIPC BIN CY RDaD

Tab. VI.7 Rsultats sur lecacit de la borne infrieure et de la r`gle de dominance pour le e e e e Ci probl`me de minimisation de e

Les tableaux VI.7 et VI.8 montrent lecacit de la borne infrieure spcique BILCY et e e e

tel-00554205, version 1 - 10 Jan 2011

du raisonnement nergtique avec le calcul de la consommation des temps de prparation. De e e e plus, la r`gle de dominance adapte aux divergences est tr`s ecace, notamment pour les inse e e tances de grande taille et pour la minimisation de Ci . En outre, le temps de calcul ncessaire e

pour atteindre la meilleure solution est rduit pour la plupart des instances lorsque la r`gle de e e dominance est utilise. e 60 Instances
n = 40, m [2, 4]

BIPC NRJ RDaD 60 Instances

n = 100, m [2, 4]

Nb Meilleure 47 (78.3 %) 48 (80.0 %) 44 (73.3 %) Nb Meilleure 44 (3.3 %) 48 (80.0 %) 55 (91.7 %)

Moy nuds 93737 99856 71737 Moy nuds 11474 12961 9462

TMeilleure 4.81 4.24 4.59 TMeilleure 4.29 3.58 3.17

BIPC NRJ RDaD

Tab. VI.8 Rsultats sur lecacit de la borne infrieure, du raisonnement nergtique et de e e e e e la r`gle de dominance pour le probl`me de minimisation de Lmax e e

Nous comparons la mthode CDS et la mthode HD-CDDS avec dautres mthodes de ree e e cherche arborescente prsentes dans Nron et al. (2008). Dans Nron et al. (2008), les auteurs e e e e comparent deux schmas de branchement dirents, lun bas sur les fentres de temps (tw ) et un e e e e schma chronologique (chr ), et plusieurs techniques de branchement (branch-and-bound tronqu, e e 160

 VI.6. RESULTATS EXPERIMENTAUX

LDS, beam search et branch-and-greed ) pour le probl`me P m|ri , qi |Cmax . Nous avons adapt les e e mthodes proposes ` ce probl`me et nous utilisons la mme heuristique pour dterminer la e e a e e e solution initiale et la mme borne suprieure que dans leur travail. Dans le tableau VI.9, nous e e comparons les rsultats de LDS (o` z est le nombre de divergences autorises) et de la Beam e u e Search (BS, o` est le nombre de nuds ls explors), qui est la mthode obtenant les meilleurs u e e rsultats dans leur travail, avec les rsultats obtenus par CDS et HD-CDDS. Nous avons valu, e e e e pour un ensemble de 50 instances (n = 100 et m = 10), le nombre de fois o` la meilleure solution u est trouve par chaque mthode (Nb Meilleure) et le nombre de fois o` la mthode est la seule e e u e mthode ` trouver cette meilleure solution (Nb Meilleure Stricte). Le temps de calcul est limit e a e a ` 30 secondes comme dans Nron et al. (2008). e 50 instances Nb Meilleure 1 (2.0 %) 7 (14.0 %) 25 (50.0 %) 22 (44.0 %) 35 (70.0 %) 38 (76.0 %) Nb Meilleure Stricte 0 0 3 0 6 9

tel-00554205, version 1 - 10 Jan 2011

tw LDSz=1 chr LDSz=2 tw BS=3 chr BS=4

CDS HD-CDDS

Tab. VI.9 Rsultats pour la comparaison avec dautres mthodes de recherche arborescente e e tronque e

Les rsultats des mthodes que nous avons proposes sont tr`s bons, mme si les contraintes e e e e e de prcdence et les temps de prparation ne son pas considres dans le probl`me. En eet, e e e ee e pour un ensemble de 50 instances, CDS et HD-CDDS trouvent la meilleure solution pour le plus grand nombre dinstances et une nouvelle meilleure solution est trouve pour 6 et 9 instances, e respectivement. Les rsultats illustrent ainsi lecacit des mthodes de recherche locale ` grands e e e a voisinages bases sur LDS pour ce probl`me. e e Finalement, nous comparons les rsultats obtenus par les mthodes de recherche locale avec les e e rsultats obtenus par le logiciel IBM ILOG CP Optimizer 6.0 pour les probl`mes e e P m|ri , prec, sij |Lmax et P m|ri , prec, sij | Ci .

Les quatre variantes de recherche locale hybrides (CDS, CDDS, HD-CDDS, MC-CDS ) ont t implmentes avec la stratgie dexploration LDS-bas, la r`gle de dominance adapte aux ee e e e e e divergences et un comptage binaire des divergences (sauf pour MC-CDS qui utilise un comptage mixte des divergences). Les divergences ne sont pas autorises pour laectation de la tche ` e a a 161

 VI.6. RESULTATS EXPERIMENTAUX

la machine, la r`gle daectation est la r`gle ECT (Earliest Completion Time). Les instances ` e e a grande taille (n = 100, m [2, 4]) ont t rsolues. Nous avons choisi de xer deux temps de ee e rsolution limites ` 30 et 300 secondes. Nous comparons le nombre de fois o` la meilleure solution e a u a t trouve par chaque mthode et la dviation moyenne par rapport ` la meilleure solution ee e e e a trouve. e 30 instances
p U [1, 5], sij U [1, 10]

T CP U = 30s

T CP U = 300s

CDS CDDS HD-CDDS MC-CDS CP Optimizer 30 instances

p U [1, 5], sij U [20, 40]

Nb Meilleure 17 (56.6 %) 7 (23.3 %) 16 (53.3 %) 17 (56.6 %) 4 (13.3 %) Nb Meilleure 9 (30.0 %) 7 (23.3 %) 12 (40.0 %) 11 (36.7 %) 10 (33.3 %)

Dev Moy 0.64 % 0.75 % 0.60 % 0.64 % 1.51 % Dev Moy 0.23 % 0.35 % 0.26 % 0.25 % 0.70 %

Nb Meilleure 7 (23.3 %) 7 (23.3 %) 14 (46.7 %) 10 (33.3 %) 2 (6.7 %) Nb Meilleure 6 (20.0 %) 6 (20.0 %) 11 (36.6 %) 13 (43.3 %) 5 (16.6 %)

Dev Moy 0.51 % 0.82 % 0.43 % 0.45 % 1.47 % Dev Moy 0.18 % 0.38 % 0.17 % 0.26 % 0.63 %

T CP U = 30s

T CP U = 300s

tel-00554205, version 1 - 10 Jan 2011

CDS CDDS HD-CDDS MC-CDS CP Optimizer

Tab. VI.10 Rsultats pour la comparaison des variantes hybrides pour le probl`me de minimie e sation de Ci

Dans le tableau VI.10, nous observons que les mthodes hybrides proposes amliorent la e e e meilleure solution trouve par CP Optimizer. Toutes les mthodes, sauf CDDS, trouvent la e e meilleure solution pour un nombre plus lev dinstances et une dviation moyenne plus petite e e e par rapport ` la meilleure solution obtenue par CP Optimizer. Nous observons que le calcul dune a borne suprieure augmente grandement lecacit de la recherche arborescente tronque. e e e Le tableau VI.11 montre les rsultats pour le probl`me de minimisation du retard algbrique e e e maximal. Dans ce cas, CP Optimizer obtient les meilleurs rsultats. Cependant, les mthodes e e proposes restent toujours comptitives. La dviation moyenne est acceptable et la meilleure e e e solution est trouve par les mthodes hybrides pour 50 % et 37 % des instances, pour un temps e e de calcul de 30 et 300 secondes respectivement.

162

VI.7. CONCLUSION

30 instances
p U [1, 5], sij U [1, 10]

T CP U = 30s

T CP U = 300s

CDS CDDS HD-CDDS MC-CDS CP Optimizer 30 instances

p U [1, 5], sij U [20, 40]

Nb Meilleure 10 (33.3 %) 9 (30.0 %) 13 (43.3 %) 13 (43.3 %) 15 (50.0 %) Nb Meilleure 3 (10.0 %) 3 (10.0 %) 13 (43.3 %) 12 (40.0 %) 15 (50.0 %)

Dev Moy 2.75 % 2.65 % 1.92 % 1.75 % 2.07 % Dev Moy 2.76 % 2.71 % 2.12 % 2.08 % 0.91 %

Nb Meilleure 7 (23.3 %) 8 (26.7 %) 10 (33.3 %) 11 (30.0 %) 18 (60.0 %) Nb Meilleure 2 (6.0 %) 2 (6.0 %) 7 (23.3 %) 8 (26.7 %) 19 (63.3 %)

Dev Moy 3.06 % 3.28 % 2.56 % 2.29 % 1.55 % Dev Moy 2.89 % 2.88 % 1.55 % 1.83 % 0.90 %

T CP U = 30s

T CP U = 300s

CDS CDDS HD-CDDS MC-CDS CP Optimizer

Tab. VI.11 Rsultats pour la comparaison des variantes hybrides pour le probl`me de minimie e sation du Lmax

tel-00554205, version 1 - 10 Jan 2011

VI.7

Conclusion

Dans ce chapitre, nous avons propos une mthode de recherche arborescente base sur les e e e divergences pour rsoudre le probl`me ` machines parall`les avec contraintes de prcdence et e e a e e e temps de prparation. Nous avons test et compar direntes modalits pour les lments cae e e e e ee ractristiques de la mthode LDS. Plusieurs modes de comptage de divergences et plusieurs e e schmas de branchement ont t tests. e ee e Des nouvelles mthodes de recherche locale bases sur la mthode LDS ont t proposes et e e e ee e compares avec des mthodes semblables. Les rsultats exprimentaux montrent que les mthodes e e e e e sont ecaces pour la rsolution des probl`mes ` machines parall`les en gnral et prouvent aussi, e e a e e e au moins pour le probl`me tudi, lintrt dincorporer la mthode LDS dans un schma de e e e ee e e recherche locale ` grands voisinages. Les rsultats obtenus dans Nron et al. (2008) pour le a e e probl`me standard ` machines parall`les ont t amliors. Nous avons aussi obtenu de bons e a e ee e e rsultats, notamment pour le crit`re de minimisation de la somme des dates de n dexcution e e e des tches, lors de comparaisons entre nos propositions et la recherche locale ` grands voisinages a a implmente dans le solveur IBM-ILOG CP Optimizer 6.0 (Laborie and Godard, 2007). e e Enn, dun point de vue plus thorique, nous avons propos une extension du raisonnement e e nergtique pour intgrer les temps de prparation dans le raisonnement. De nouvelles r`gles de e e e e e dominance adaptes pour tre intgres dans un schma de recherche locale ont galement t e e e e e e ee 163

VI.7. CONCLUSION

proposes. Les rsultats exprimentaux ont montr que ces propositions permettent de rduire e e e e e de mani`re tr`s sensible le nombre de nuds explors, ainsi que le temps dexcution. e e e e

tel-00554205, version 1 - 10 Jan 2011

164

Conclusion et perspectives
Dans ce manuscrit, nous avons prsent le travail ralis pendant cette th`se. Deux sujets e e e e e clairement direncis ont t traits. Dans la premi`re, et plus importante, partie du manuse e ee e e crit, la problmatique lie ` lordonnancement des transports a t aborde dun point de vue e e a ee e

tel-00554205, version 1 - 10 Jan 2011

interdisciplinaire. Nous nous sommes focalis sur la conception dun syst`me daide ` la dcision e e a e ddi ` la rsolution de ce type de probl`mes. Dans lapproche que nous avons propose, des e e a e e e mthodes issues de lingnierie cognitive comme lanalyse du domaine de travail et la conception e e dinterfaces cologiques ont t combines ` des mcanismes de rsolution. La deuxi`me partie e ee e a e e e consiste en une analyse focalise sur la rsolution de probl`mes thoriques dordonnancement ` e e e e a machines parall`les avec contraintes de prcdence et temps de prparation des machines entre e e e e oprations. e En ce qui concerne la conception du syst`me daide ` la dcision, nous avons dabord prsent e a e e e une analyse du domaine de travail pour lordonnancement des transports. Pour cela, nous avons suivi une dmarche fonde sur lnumration des direntes variantes du probl`me (acadmiques e e e e e e e ou relles) dcrites dans la littrature. Ceci nous a permis didentier les objets, les contraintes e e e et les objectifs qui interviennent dans la rsolution de ce type de probl`mes. Lavantage dune e e telle approche est que lanalyse du domaine propose reste indpendante vis-`-vis des moyens et e e a des vnements. Cette analyse a t ralise ` travers une hirarchie dabstraction. Elle permet e e ee e e a e de dcrire le syst`me sous dirents angles selon les besoins de loprateur. De plus, les liens e e e e entre les dirents niveaux de la hirarchie ont t galement tablis. Ces deux caractristiques e e eee e e permettent aux interfaces conues ` partir dune telle analyse dtre pertinentes pour loprateur c a e e dun point psychologique. Lanalyse du domaine ralise est la base dune architecture gnrique dun syst`me daide ` e e e e e a la dcision de rsolution de probl`mes dordonnancement des transports. Dans ce contexte, nous e e e 165

CONCLUSION

avons propos un mcanisme de rsolution fond sur des mthodes doptimisation issues de la ree e e e e cherche oprationnelle et un ensemble dinterfaces homme-machine. Les deux lments partagent e ee une vision commune du probl`me, ce qui fait que le mcanisme de rsolution et loprateur hue e e e main interagissant au moyen des interfaces manipulent les mmes objets physiques et les mmes e e contraintes. Une analyse des tches ` raliser pour rsoudre le probl`me a permis de dnir la a a e e e e structure de ce mcanisme de rsolution. La dmarche propose permet de concevoir un syst`me e e e e e homme-machine capable daider loprateur humain dans la ralisation de chacune des tches qui e e a doivent ou peuvent tre ralises. Loprateur humain dispose, dun ct, dalgorithmes perfore e e e oe mants capables de rsoudre automatiquement tous les aspects bien formalisables et prvisibles du e e probl`me et, de lautre ct, doutils qui facilitent la coopration homme-machine en autorisant e oe e la prise en compte daspects peu ou pas formaliss ou non prvus ` lavance. Enn, dans cette e e a

tel-00554205, version 1 - 10 Jan 2011

mme logique dintgration de loprateur humain dans le processus de rsolution, une autre e e e e originalit du syst`me propos est quil permet ` loprateur de choisir entre dirents modes de e e e a e e contrle. En eet, ces probl`mes sont classiquement rsolus soit avec une approche compl`tement o e e e manuelle, soit avec une approche enti`rement informatise. Lintgration dun mode de contrle e e e o hybride ou interactif permet ` loprateur humain de prendre les dcisions lis aux aspects nona e e e formalisables ou non-prvus pour apr`s laisser la main aux algorithmes doptimisation pour le e e reste des dcisions ` prendre. e a Des algorithmes spciques pour chaque sous-tche ont t proposs. Lecacit de ces algoe a ee e e rithmes a t teste sur des instances de la littrature. Ces propositions peuvent cependant tre ee e e e amliores. Dans ce contexte, deux pistes intressantes ` court terme sont, en premier lieu, de e e e a travailler sur de nouveaux algorithmes mieux adapts ` chaque sous-tche du probl`me. Nous e a a e pensons que lintgration dalgorithmes plus complexes peut en eet aider ` amliorer la qualit e a e e des solutions. Le deuxi`me aspect qui mrite aussi dtre dvelopp concerne les mcanismes de e e e e e e propagation de contraintes intgrs dans le syst`me. Les mcanismes actuels sont tr`s lgers, ce e e e e e e qui ne permet pas une dtection rapide des inconsistances lors de la rsolution du probl`me. e e e Nous croyons donc que la performance du mcanisme de rsolution peut tre encore fortement e e e amliore. e e Les interfaces homme-machine du syst`me daide ` la dcision ont t conues ` partir des e a e ee c a principes dnis par la mthode de conception dinterfaces cologiques. Nous avons propos des e e e e interfaces pour faciliter la coopration homme-machine pour chacune des tches ` raliser. Les ine a a e 166

CONCLUSION

terfaces proposes achent linformation ncessaire pour assister loprateur dans le processus de e e e prise de dcision. Cette information est ache de mani`re ` stimuler une rsolution du probl`me e e e a e e bas sur le couplage perception-action. La performance et lecacit des outils dinteraction e e homme-machine dune des interfaces proposes ont t values au travers dune exprience. Les e eee e e rsultats de celle-ci nous ont permis dextraire des conclusions intressantes pour la conception e e des interfaces. En premier lieu, nous avons pu corroborer un incrment de lecience (rduction e e de la charge mentale, acclration du processus de prise de dcision et incrment de lecacit) ee e e e de la coopration homme-machine lorsque les interfaces favorisent une rsolution fonde sur la e e e perception plutt que sur lanalyse. Ceci est en accord avec les avantages anticips par les auo e teurs de la mthode de conception. La deuxi`me conclusion issue des rsultats de lexprience est e e e e quil faut trier linformation ` acher sur linterface pour chaque tche ` raliser. Nous avons pu a a a e

tel-00554205, version 1 - 10 Jan 2011

vrier que lexc`s dinformation peut pnaliser la coopration homme-machine. Pour arriver ` e e e e a une conception dun syst`me ecace, il est alors ncessaire de mener une phase dexpriences ou e e e dentretiens avec les oprateurs, de mani`re ` dterminer les modes dachage les plus ecaces e e a e et linformation ncessaire ` acher pour favoriser le processus de rsolution. Dans ce contexte, e a e nous observons quune validation des autres interfaces et des mcanismes dinteraction proposs e e dans le syst`me simpose. e Une autre originalit apporte dans ce travail rside en la proposition dune nouvelle approche e e e pour assister loprateur dans la tche de relaxation de contraintes lorsque le probl`me est ou dee a e vient non-ralisable. Nous avons dni la structure du mcanisme pour la conception de cet outil e e e daide ` loprateur. Lapproche est fonde sur le principe dinversion de mod`le. Le mcanisme a e e e e a t appliqu pour un cas simple de probl`me non-ralisable. Nous avons valu lhybridation de ee e e e e e linversion de mod`le avec les mthodes de classication issues de lanalyse de donnes. Bien que e e e les rsultats obtenus soient assez prometteurs, il est ncessaire de mieux valuer cette approche, e e e dune part sur des instances plus ralistes et, dautre part, dans un contexte de coopration e e homme-machine. Ce nouveau cadre de travail peut tre, en eet, une piste tr`s intressante ` e e e a suivre dans lavenir. Enn, dans la deuxi`me partie du document nous avons propos de nouvelles mthodes e e e de rsolution pour un probl`me dordonnancement ` machines parall`les avec considration e e a e e de contraintes de prcdence et temps de prparation. Les techniques proposes sont des vae e e e riantes des algorithmes hybrides de recherche locale et de recherche arborescente dcrits dans la e 167

CONCLUSION

littrature. Ces algorithmes ont t valus sur des instances de la littrature. Les performances e eee e e obtenues sont bonnes, ce qui nous a encourag ` utiliser ces algorithmes pour la rsolution des ea e probl`mes de tournes de vhicules. Une perspective de recherche ` court terme est dtendre les e e e a e mcanismes proposs pour rsoudre des probl`mes plus complexes comme le ow-shop hybride e e e e ou le probl`me dordonnancement de projet ` moyens limits (RCPSP). e a e

tel-00554205, version 1 - 10 Jan 2011

168

BIBLIOGRAPHIE

Bibliographie
C. Artigues, P. Lopez, and P-D. Ayache. Schedule generation schemes and priority rules for the job-shop problem with sequence-dependent setup times: dominance properties and computational analysis. Annals of Operations Research, 138(1):2152, 2005. B. De Backer, V. Furnon, P. Kilby, P. Prosser, and P. Shaw. Solving Vehicle Routing Problems using Constraint Programming and Metaheuristics. Journal of Heuristics, 6:501523, 2000. I. D. Baev, W. M. Meleis, and A. Eichenberger. An experimental study of algorithms for weighted completion time scheduling. Algorithmica, 22:3451, 2002. K. Baker. Introduction to sequencing and scheduling. John Wiley & Sons, New York (USA),

tel-00554205, version 1 - 10 Jan 2011

1974. M. Balinski and R. Quandt. On an integer program for a delivery problem. Operations Research, 12:300304, 1964. C. Barnhart and G. Laporte, editors. Handbooks in operational research and management science: Transportation, volume 14. North-Holland, 2007. C. Basnet, L. Foulds, and M. Igbaria. FleetManager: a microcomputer-based decision support system for vehicle routing. Decision Support systems, 16(3):195207, 1996. J. C. Beck and L. Perron. Discrepancy-Bounded Depth First Search. In Second International Workshop on Integration of AI and OR Technologies for Combinatorial Optimization Problems (CP-AI-OR00), Paderborn (Germany), 2000. M. Bellmore and S. Hong. Transformation of multisalesman problem to the standard traveling salesman problem. Journal of the ACM, 21(3):500504, 1974. E. Beltrami and L. Bodin. Networks and vehicle routing for municipal waste collection. Networks, pages 568581, 1974. C. Blanche. Contribution ` lIngnierie Cognitive pour lvaluation et la conception de Syst`mes a e e e dInformation: Application au livre lectronique et ` une base de donnes darchive. PhD e a e thesis, Universit de Bretagne Sud, 2010. e 169

BIBLIOGRAPHIE

L. Bodin, B. Golden, A. Assad, and M. Ball. Routing and Scheduling of Vehicles and Crews The State of the Art. volume 10, pages 63212. Computers & Opertions Research, 1983. C. M. Burns. Navigation strategies with ecological displays. International Journal of HumanComputer Studies, 1(52):111129, 2000. C. M. Burns and J. R. Hajdukiewicz. Ecological Interface Design. Taylor and Francis Group, CRC Press, 2004. C. M. Burns, G. Skraaning, G. A. Jamieson, N. Lau, J. Kwok, R. Welch, and G. Andresen. Evaluation of Ecological Interface Design for Nuclear Process Control: Situation Awareness Eects. Human Factors: The Journal of the Human Factors and Ergonomics Society, 50(17): 663679, 2008.

tel-00554205, version 1 - 10 Jan 2011

R. G. Busacker and P. J. Gowen. A procedure for determining minimal-cost network ow patterns. Technical report, ORO Technical Rep. 15, Operational Research Oce, John Hopkins University, Baltimore, 1961. Y. Caseau, F. Laburthe, and G. Silverstein. A meta-heuristic factory for vehicle routing problems (meta-programming for meta-heuristics). In J. Jaar, editor, Lecture Notes in Computer Science, volume 1713, pages 144158. Springer, 1999. Principles and Practice of Constraint Programming (CP99). J. Cegarra. A cognitive typology of scheduling situations: A contribution to laboratory and eld studies. Theoretical Issues in Ergonomics Science, 9(3):201222, 2008. J. Cegarra and J.-M. Hoc. The role of algorithm and result comprehensibility of automated scheduling on complacency. Human Factors and Ergonomics in Manufacturing, 28(6):603 620, 2008. J. Cegarra and W. van Wezel. A comparison of task analysis methods for planning and scheduling. In Jan C. Fransoo, Toni Waeer, and John R. Wilson, editors, Behavioral Operations in Planning and Scheduling. Springer, 2010. J. Cegarra, B. Gacias, and P. Lopez. Implications of technological changes in vehicle routing systems for planners constraint processing. Submitted to Human Factors and Ergonomics in Manufacturing & Service Industries, 2010. 170

BIBLIOGRAPHIE

C. Chauvin and J.-M. Hoc. In P. Millot, editor, Ergonomie des syst`mes homme machine, chapter e Intgration de lergonomie dans la conception des syst`mes homme-machine. Paris: Herm`s, e e e sous presse, 2010. Z.-L. Chen and W. B. Powell. Solving Parallel Machine Scheduling Problems by Column Generation. INFORMS Journal on Computing, 11(1):7894, 1999. T. Cheng and C. Sin. A State-of-the-Art Review of Parallel-Machine Scheduling Research. European Journal of Operational Research, 47:271292, 1990. G. Clarke and J. V. Wright. Scheduling of vehicles from a central depot to a number of delivery points. Operations Research, 12(4):568581, 1964.

tel-00554205, version 1 - 10 Jan 2011

J. Cohen. Statistics a power primer. Psychology Bulletin, pages 155159, 1992. J-F Cordeau, M. Gendreau, A. Hertz, G. Laporte, and J-S. Sormany. In Logistics Systems: Design and Optimization, chapter New Heuristics for the Vehicle Routing Problem, pages 279297. Springer US, 2005. G. B. Dantzig and J. H. Ramser. The truck dispatching problem. Management Science, 6(1): 8091, 1959. F. D. Davis and J. E. Kottemann. Determinants of decision rule use in a production planning task. Organizational Behavior and Human Decision Processes, 63(2):145157, 1995. C. de Snoo, M. Hoogenraad, and J.C. Wortmann. Opportunities for collaborative planning in freight transport planning. In 15th International Annual EurOMA Conference (EurOMA08), pages 1518, Groningen (The Netherlands), 2008. R. Dechter. Constraint Processing. Morgan Kaufmann, San Francisco, USA, 2003. E. L. Demeulemeester and W. S. Herroelen. New benchmark results for the resource-constrained project scheduling problem. Management Science, 43(11):14851492, 1997. E. L. Demeulemeester, M. Vanhoucke, and W. Herroelen. Rangen: A random network generator for activity-on-the-node networks. Journal of Scheduling, (6):1738, 2003. 171

BIBLIOGRAPHIE

M. Desrochers, J. K. Lenstra, M. W. P. Savelsbergh, and F. Soumis. In B. L. Golden and A. A. Assad, editors, Vehicle Routing: Methods and Studies, chapter Vehicle routing with time windows: Optimization and approximation, pages 6584. North-Holland, Amsterdam, 1988. M. Desrochers, J. K. Lenstra, and M. W. P. Savelsbergh. A classications scheme for vehicle routing and scheduling problems. European Journal of Operations research, 46:322332, 1990. M. Desrochers, C. V. Jones, J. K. Lenstra, M. W. P. Savelsbergh, and L. Stougie. Towards a model and algorithm management system for vehicle routing and scheduling problems. Decision Support Systems, 25(2):109133, 1999. D. Diaper. In D. Diaper and N. Stanton, editors, The Handbook of Task Analysis for HumanComputer, chapter Undertanding Task Analysis for Human-Computer Interaction, pages

tel-00554205, version 1 - 10 Jan 2011

547. Mahwah, NJ: Lawrence Erlbaum Associates, 2004. E. Diday. Une nouvelle mthode en classication automatique et reconnaissance des formes : la e mthode des nues dynamiques. Revue de Statistique Applique, 19(2):1933, 1971. e e e C. Dimopoulos and A. Ioannides. Designing support for the human scheduler: a case study and a systematic evaluation of the conventional production research perspective. sous presse, 2010. M. L. Fisher and R. Jaikumar. A generalized assgnment heuristic for the vehicle routing problem. Networks, 11:109124, 1981. E. W. Forgy. Cluster analysis of multivariate data: eciency versus interpretability of classications. Biometrics, (3):768, 1965. B. Gacias, J. Cegarra, and P. Lopez. An interdisciplinary method for a generic vehicle routing problem decision support system. In International Conference on Industrial Engineering and Systems Management (IESM 2009), Montreal (Canada), 2009. B. Gacias, C. Artigues, and P. Lopez. Parallel machine scheduling with precedence constraints and setup times. Computers & Operations Research, 37(12):21412151, 2010a. B. Gacias, J. Cegarra, and P. Lopez. Work domain analysis and ecological interface for the vehicle routing problem. In 11th IFAC/IFIP/IFORS/IEA Symposium on Analysis, Design and Evaluation of Human-Machine System, Valenciennes (France), 2010b. 172

BIBLIOGRAPHIE

B. Gacias, P. Lopez, and J. Cegarra. A decision support system for vehicle routing based on model inversion and data analysis. In International Conference of Modeling and Simulation (MOSIM 2010), Hammamet (Tunisie), 2010c. H. Gehring and J. Homberger. A parallel hybrid evolutionary metaheuristic for the vehicle routing problem with time windows. In K. Miettinen, M. Mkel, and J. Toivanen, editors, a a Proceedings of EUROGEN99, Finland, 1999. E. Gelle and B. Faltings. Solving mixed and conditional constraint satisfaction problems. Constraints, 8(2):107141, 2003. M. Gendreau and C. D. Tarantilis. Solving large-scale vehicle routing problems with time windows: The state-of-the-art. CIRRELT, CIRRELT-2010-04, 2010.

tel-00554205, version 1 - 10 Jan 2011

J. J. Gibson. The ecological approach to visual perception. Boston: Houghton Miin, 1979. B. E. Gillet and L. R. Miller. A heuristic algorithm for the vehicle dispatch problem. Operations Research, 22(2):340349, 1974. M. Goetshalckx and C. Jacobs-Blecha. The vehicle routing problem with backhauls. European Journal of Operational Research, 42:3951, 1989. B. Golden, S. Raghavan, and E. Wasil, editors. The Vehicle Routing Problem: Latest Advances and New Challenges, volume 43. Springer, 2008. B. L. Golden, J. DeArmon, and E. K Baker. Computational experiments with algorithms for a class of routing problems. Computers & Operations Research, 10(1):4759, 1983. B. L. Golden, E. Baker, J. Alfaro, and J. Schaer. The vehicle routing problem with backhauling: Two approaches. In Proceedings of the XXI Annual Meeting of S.E TIMS, pages 9092, Myrtle Beach (SC), 1985. B. L. Golden, A. A. Assad, and E. A. Wasil. Routing vehicles in the real world: Applications in the solid waste, beverage, food, dairly, and newspaper industries. In P. Toth and D. Vigo, editors, The Vehicle Rouring Problem. SIAM Monographs on Discrete Mathematics and Applications, pages 245286, 2002. 173

BIBLIOGRAPHIE

R.L Graham, E.L Lawler, J.K Lenstra, and A. Rinnooy Kan. Optimization and approximation in deterministic sequencing and scheduling: a survey. Annals of Discrete Mathematics, pages 287326, 1979. G. Gutin and A. P. Punnen. The Traveling Salesman Problem and Its Variations. Kluwer Academic Publishers, 2002. J. R. Hajdukiewicz, C. M. Burns, K. J. Vicente, and R. G. Eggleston. Work domain analysis for intentional systems. In 43rd Annual Meeting Human Factors and Ergonomics Society, pages 333337, 1999. P. Hansen and N. Mladenovic. Variable neighborhood search: Principes and applications. European Journal of Operational Research, (130):449467, 2001.

tel-00554205, version 1 - 10 Jan 2011

S. G. Hart and L. E. Staveland. In P. A. Hancock and N. Meshkati, editors, Human Mental Workload, chapter Development of NASA-TLX (Task Load Index): Results of empirical and theoretical research, pages 139184. Elsevier Science Publishers, North-Holland, 1988. W. D. Harvey and M. L. Ginsberg. Limited discrepancy search. In 14th International Joint Conference on Artical Inteligence (IJCAI96), 1996. P. G. Higgins. In Human performance in planning and scheduling: eldwork studies, methodologies and research issues, chapter Architecture and Interface Aspects of Scheduling Decision Support, pages 245279. Taylor and Francis, London, 2001. P. G. Higgins. Interaction in hybrid intelligent scheduling. International Journal of Human Factors in Manufacturing, 6:185203, 1996. P. G. Higgins. Job Shop Scheduling: Hybrid Intelligent Human-Computer Paradigm. PhD thesis, University of Melbourne, Australia, 1999. F. L. Hitchcock. The distribution of a product from several sources to numerous localities. Journal of Mathematics and Physics, 20:224230, 1941. A. Hmida, M. J. Huguet, P. Lopez, and M. Haouari. Climbing depth-bounded discrepancy search for solving hybrid ow shop scheduling problems. European Journal of Industrial Engineering, 1(2):223243, 2007. 174

BIBLIOGRAPHIE

J.-M. Hoc. In P. Millot, editor, Ergonomie des syst`mes homme machine, chapter Coopration e e homme-machine. Une approche fonctionnelle. Paris: Herm`s, sous presse, 2010. e J.-M. Hoc, N. Mebarki, and J. Cegarra. Lassistance ` loprateur humain pour lordonnancement a e dans les ateliers manufacturiers. Le travail humain, 67:181208, 2004. J. Hurink and S. Knust. List scheduling in a parallel machine environment with precedence constraints and setup times. Operations Research Letters, (29):231239, 2001. E. L Hutchins, J. D. Hollan, and D. A. Norman. In D. A. Norman and S. W. Draper, editors, User Centered System Design: New Perspectives on Human Computer Interaction, chapter Direct manipulation interfaces, pages 87124. NJ: Erlbaun, 1986. J. Itoh, A. Sakuma, and K. Monta. An ecological interface for supervisory control of BWR

tel-00554205, version 1 - 10 Jan 2011

nuclear power plants. Control Engineering Practice, 3:231239, 1995. F. J. Jngen and W. Kowalczyk. An intelligent interactive project management support system. u European Journal of Operational Research, pages 6081, 1995. N. Jussien. e-constraints: explanation-based constraint programming. In Workshop on UserInteraction in Constraint Satisfaction (CP01), Paphos (Cyprus), 2001. W. Karoui, M.-J. Huguet, P. Lopez, and W. Naanaa. YIELDS: A Yet Improved Limited Discrepancy Search for CSPs. In 4th International Conference on Integration of AI and OR Techniques in Constraint Programming for Combinatorial Optimization Problems (CP-AI-OR07), LNCS 4510, pages 99111, Brussels (Belgium), 2007. Springer. P. Kilby, P. Prosser, and P. Shaw. A comparison of traditional and constraint-based heuristic methods on vehicle routing problems with side constraints. Constraints, 5(4):389414, 2000. B. Kim, S. Kim, and S. Sahoo. Waste collection vehicle routing problem with time windows. Computers & Operations Research, 33(12):36243642, 2006. A. M. Kinsley, L. Sharit, and K. J. Vicente. In P. T. Kidd & W. Karwowski, editor, Advances in Agile Manufacturing, chapter Abstraction hierarchy representation of manufacturing: towards ecological interfaces for advanced manufacturing systems, pages 297300. IOS Press, Amsterdam (The Netherlands), 1994. 175

BIBLIOGRAPHIE

C. Kolski and H. Ezzedine.

Conception et valuation des IHM de supervision: lments e ee

mthodologiques. Revue Gnie Logiciel, 65:211, 2003. e e R. Korf. Improved limited discrepancy search. In 13th AAAI, 1996. S. P. Krosner, C. M. Mitchell, and T. Govindaraj. Design of an FMS operator workstation using the Rasmussen abstraction hierarchy. In IEEE: International Conference on Systems, Man, and Cybernetics, pages 959964, New York (USA), 1989. P. Laborie. IBM ILOG CP Optimizer for Detailed Scheduling Illustrated on Three Problems. In Willem Jan van Hoeve and John N. Hooker, editors, 6th International Conference on Integration of AI and OR Techniques in Constraint Programming for Combinatorial Optimization Problems (CP-AI-OR09). Lecture Notes in Computer Science, number 5547, pages 148162,

tel-00554205, version 1 - 10 Jan 2011

Pittsburgh (USA), 2009. P. Laborie and D. Godard. Self-adapting large neighborhood search: Application to single-mode scheduling problems. In P. Baptiste, G. Kendall, A. Munier-Kordon, and F. Sourd, editors, 3rd Multidisciplinary International Conference on Scheduling: Theory and Applications (MISTA07), pages 276284, Paris (France), 2007. P. Lacomme, C. Prins, and M. Sevaux. Algorithmes de graphes. EYROLLES, 2003. G. Laporte and Y. Nobert. Exact algorithms for the vehicle routing problem. Annals of Discrete Mathematics, 31:147184, 1987. G. Laporte, Y. Nobert, and M. Desrochers. Optimal routing under capacity and distance restrictions. Operations Research, 33:10501073, 1985. E. L. Lawler, J. K. Lenstra, A. H. G. Rinnooy Khan, and D. B. Shmoys. The Traveling Salesman Problem: A Guided Tour of Combinatorial Optimization. John Wiley & Sons, 1985. J. K. Lenstra and A. H. G. Rinnooy Kan. Complexity of vehicle routing and scheduling problems. Networks, 11(2):221227, 1981. M.-L. Levy. Methodes par decomposition temporelle et probl`mes dordonnancement. PhD thesis, e Institut National Polytechnique de Toulouse, 1996. 176

BIBLIOGRAPHIE

F.-H. F. Liu and S.-Y. Shen. A route-neighborhood-based metaheuristic for vehicle routing problem with time windows. European Journal of Operational Research, 118(3):485504, 1999. S. P. Lloyd. Least square quantization in PCM. IEEE Transactions on Information Theory, 28 (2):129137, 1982. P. Lopez. Approche par contraintes des probl`mes dordonnancement et daectation: structures e temporelles et mcanismes de propagation. HDR, INP, Toulouse, 2003. e P. Lopez and P. Esquirol. Consistency enforcing in scheduling: A general formulation based on energetic reasoning. In 5th International Workshop on Projet Management and Scheduling (PMS96), pages 155158, Poznan (Poland), 1996.

tel-00554205, version 1 - 10 Jan 2011

N. F. Matsatsinis. Towards a decision support system for the ready concrete distribution system: A case of a Greek company. European Journal of Operational Research, 152(2):487499, 2004. J. E. Mendoza, A. L. Medaglia, and N. Velasco. An evolutionary-based decision support system for vehicle routing: The case of a public utility. Decision Support Systems, 46(3):730742, 2009. M. D. Mesarovic, D. Macko, and Y. Takahara. Theory of hierarchical, multilevel, systems. Academic Press, New York, 1970. D. M. Mietus. Understanding planning for eective decision support. PhD thesis, University of Groningen, 1994. M. Milano and A. Roli. On the relation between complete and incomplete search: an informal discussion. In Forth International Workshop on Integration of AI and OR Techniques in Constraint Programming for Combinatorial Optimization Problems (CP-AI-OR02), Le Croisic (France), 2002. C. E. Miller, A.W. Tucker, and R.A. Zemlin. Integer programming formulations and traveling salesman problems. Journal of the ACM, 7:326329, 1960. S. Mittal and B. Falkenhainer. Dynamic constraint satisfaction problems. In Proceedings of AAAI-90, Boston , MA, pages 2532, 1990. 177

BIBLIOGRAPHIE

N. Moray. The cognitive psychology and cognitive engineering of industrial systems. In F.T. Durso, R.S. Nickerson, R.W. Schvaneveldt, S.T. Dumais, D.S. Lindsay, and M.T.H. Chi, editors, Handbook of Applied Cognition, pages 209245. New York: John Wiley & Sons Ltd, 1999. N. Moray, M. I. Dessouky, and R. Adapathya. Strategic behavior, workload, and performance in task scheduling. Human Factors, 33:607629, 1991. N. Moray, D. Hiskes, J. Lee, and B. Muir. In J. M. Hoc, P. C. Cacciabue, and E. Hollnagel, editors, Expertise and Technology:Cognition and Human-Computer Interaction, chapter Trust and human intervention in automated systems. NJ: Lawrence Erlbaum, 1995. T. Morineau, C. Blanche, L. Tobin, and N. Guguen. The emergence of the contextual role of e

tel-00554205, version 1 - 10 Jan 2011

the e-book in cognitive processes through an ecological and functional analysis. International Journal of Human-Computer Studies, 62(3):329348, 2005. Y. Nagata, O. Brysy, and W. Dullaert. A penalty-based edge assembly memetic algorithm for a the vehicle routing problem with time windows. Computers & Operations Research, 37(4): 724737, 2010. G. L. Nemhauser and L. A. Wosley. Integer and Combinatorial Optimization. John Wiley & Sons, 1999. E. Nron, F. Tercinet, and F. Sourd. Search tree based approches for parallel machine scheduling. e Computers & Operations Research, 35(4):11271137, 2008. R. Nessah, Ch. Chu, and F. Yalaoui. An exact method for P m/sds, ri / & Operations Research, (34):28402848, 2005. K. Neumann, C. Schwindt, and J. Zimmermann. Project Scheduling with Time Windows and Scarce Resources. Springer, 2002. I. Or. Traveling salesman-type combinatorial problems and their relation to the logistics of the regional blood banking. PhD thesis, Northwerstern university, Evanstan IL (USA), 1976. C. Orlo. Routing a eet of m vehicles to/from a central facility. Networks, 4(2):147162, 1974. 178 Ci problem. Computers

BIBLIOGRAPHIE

T. C. Ormerod and E. P. Chronicle. Global perceptual processing in problem solving: The case of the travelling salesperson. Perception & Psychohpysics, 61(6):12271238, 1996. I. Osman. Metastrategy simulated annealing and tabu search algorithms for the vehicle routing problem. Annals of Operations Research, 41(4):421451, 1993. I. M. Ovacik and R. Uzsoy. Rolling horizon procedures for dynamic parallel machine scheduling with sequence-dependent setup times. International journal of production research, 33(11): 31733192, 1995. W. L. Pearn, S. H. Chung, and C .M. Lai. Scheduling Integrated Circuit Assembly Operations on Die Bonder. IEEE Transactions on electronics packaging manufacturing, 30(2), 2007.

tel-00554205, version 1 - 10 Jan 2011

G. Pesant and M. Gendreau. A constraint programming framework for local search methods. Journal of Heuristics, 5:255279, 1999. E. Prescott-Gagnon, G. Desaulniers, and L.-M. Rousseau. A branch-and-price-based large neighborhood search algorithm for the vehicle routing problem with time windows. Networks, 54 (4):190204, 2009. C. Prins. A simple and eective evolutionary algorithm for the vehicle routing problem. Computers & Operations Research, 31(12):19852002, 2004. J. Rasmussen. Information processing and human-machine interaction. North-Holland: Elsevier, 1986a. J. Rasmussen. In r. in and e. salas and m. strub and l. martin (eds.) merging Paradigms: Decision Making, Management, and Cognitive Control, 1997. J. Rasmussen. The role of hierarchical knowledge representation in decision making and system management. In IEEE: International Conference on Systems, Man, and Cybernetics, number SMC-15, pages 234243, 1985. J. Rasmussen. Skills, rules, knowledge; signals, signs, and symbols, and other distinctions in human performance models. IEEE Transactions on Systems, Man and Cybernetics, 13:257 266, 1983. 179

BIBLIOGRAPHIE

J. Rasmussen. Information processing and human-machine interaction : an approach to cognitive engineering. New York : North-Holland, 1986b. J. Rasmussen and L. P. Goodstein. Decision support in supervisory control of high-risk industrial systems. Automatica, 23(5):663671, 1987. J. Rasmussen and K. J. Vicente. Coping with human errors through system design: Implications for ecological interface design. International Journal of Man-Machine Studies, 31:517534, 1989. J. Rasmussen, A. M. Pejtersen, and L. P. Goodstein. Cognitive Systems Engineering. Wiley, New York, 1994. J. J. Ray. A web-based spatial decision support system optimizes routes oversize/overweight

tel-00554205, version 1 - 10 Jan 2011

vehicles in Delaware. Decision Support Systems, 43:11711185, 2007. F. Rossi, P. van Beek, and T. Walsh. Handbook of Constraint Programming (Foundations of Articial Intelligence). Elsevier Science Inc., New York, NY, USA, 2006. E. M. Roth, E. S. Patterson, and R. J. Mumaw. In J. J. Marciniak, editor, Encyclopedia of Software Engineering, 2 Edition, chapter Cognitive Engineering: Issues in User-Centered System Design, pages 110123. John Wiley & Sons, New York: Wiley-Interscience, 1994. R. Ruiz, C. Maroto, and J. Alcaraz. A Decision Support System for a Real Vehicle Routing Problem. European Journal of Operational research, 153(3):593606, 2004. A. Salem, G. C. Anagnostopoulos, and G. Rabadi. A branch-and-bound algorithm for parallel machine scheduling problems. Society for Computer Simulation International (SCS), pages 8893, 2000. L. Santos, J. Coutinho-Rodrigues, and J. R Current. Implementing a multi-vehicle multi-route spatial decision support system for ecient trash collection in Portugal. Transportation Research, 42 ( Part A):922934, 2008. G. Saporta. Probabilit, analyse des donnes et statistique. Technip, Paris, 1990. e e M. W. P. Savelsbergh. The Vehicle Routing Problem with Time Windows: Minimizing Route Duration. INFORMS JOURNAL ON COMPUTING, 4(2):146154, 1992. 180

BIBLIOGRAPHIE

G. Schrimpf, J. Schneider, H. Stamm-Wilbrandt, and G. Dueck. Record breaking optimization results using the ruin and recreate principle. Journal of Computational Physics, 159:139171, 2000. J. M. J. Schutten. List scheduling revisited. Operations Research Letters, (18):167170, 1994. J. M. J. Schutten and R. A. M. Leussink. Parallel machine scheduling with release dates, due dates and family setup times. International journal of production economics, 46-47(1):119125, 1996. P. Shaw. Using Constraint Programming and Local Search Methods to Solve Vehicle Routing Problems. In Principles and Practice of Constraint Programming (CP98), 1998. B. Shneiderman. Direct manipulation: a step beyond programming languages. IEEE Computer,

tel-00554205, version 1 - 10 Jan 2011

16(8):5769, 1983. M. M. Solomon. Algorithms for the vehicle routing and scheduling problem with time window constraints. Operations Research, 35:254265, 1987. M. M. Solomon. Vehicle Routing and Scheduling with Time Window Constraints: Models and Algorithms. PhD thesis, University of Pennsylvania, USA, 1983. F. Sourd. Earliness-tardiness scheduling with setup considerations. Computers & Operations Research, 32(7):18491865, 2005. A. Sprecher, R. Kolisch, and A. Drexl. Semi-active, active, and non-delay schedules for the resource-constrained project scheduling problem. European Journal of Operational Research, 80(1):94102, 1995. J. Sveska and V. Huckfeldt. Computational experience with an m-salesman traveling salesman algorithm. Management Science, 19(7):790799, 1973. M. M. Syslo, N. Deo, and J. S. Kowalik, editors. Discrete Optimization Algorithms. Prentice-Hall, Englewood Clis, NJ (USA), 1983. E. Taillard, P. Badeau, M. Gendreau, F. Guertin, and J.-Y. Potvin. A tabu search heuristic for the vehicle routing problem with soft time windows. Transportation Science, 31(2):170186, 1997. 181

BIBLIOGRAPHIE

C. D. Tarantilis and C. T. Kiranoudis. Using a spatial decision support system for solving the vehicle routing problem. Information & Management, 39(5):359375, 2002. P. Terrier and J. M. Cellier. Depth of processing and design-assessment of ecological interfaces: task analysis. International Journal of Human-Computer Studies, pages 287307, 1999. P. Toth and D. Vigo. An exact algorithm for the vehicle routing problem with backhauls. Transportation Science, 31:372385, 1997. P. Toth and D. Vigo, editors. The Vehicle Routing Problem. Society for Industrial and Applied Mathematics, Philadelphia (USA), 2001. R. Uzsoy and J. D. Velasquez. Heuristics for minimizing maximum lateness on a single machine with family-dependent set-up times. Computers & Operations Research, (35):20182033, 2008.

tel-00554205, version 1 - 10 Jan 2011

M. van den Akker, J. Hoogeven, and J. Kempen. Parallel machine scheduling through column generation: minimax objective functions, release dates, deadlines and/or generalized precedence constraints. Technical report, Utrech university, 2005. R. van Paassen. New visualisation techniques for industrial process control. In 6th

IFAC/IFIP/IFORS/IEA Symposium on Analysis, Design and Evaluation of Man-Machine Systems, pages 457462, Cambridge, MA (USA), 1995. Pergamon Press, Oxford. W. van Wezel, J. Cegarra, and J.-M. Hoc. Allocating function to humans and algorithms in scheduling. In Jan C. Fransoo, Toni Waeer, and John R. Wilson, editors, Behavioral Operations in Planning and Scheduling. Springer, 2010. K. J. Vicente. Ecological Interface Design: Supporting operator adaptation, continuous learning, distributed, collaborative work. pages 9397, 1999a. K. J. Vicente. Cognitive Work Analysis: Toward Safe, Productive, and Healthy Computer-Based Work. Lawrence Erlbaum Associates, Inc., Mahwah, NJ (USA), 1999b. K. J. Vicente. Wanted: psychologically relevant, device- and event-independent work analysis techniques. Interacting with Computers, 11:237254, 1999c. K. J. Vicente and J. Rasmussen. Ecological Interface Design: Theorical Foundations. IEEE Transactions on Systems, Man, and Cybernetics, 22(4):589606, 1992. 182

BIBLIOGRAPHIE

T. Walsh. Depth-bounded Discrepancy Search. APES Group, Department of Computer Science, 1997. O. Watanabe, K. Takaura, Y. Fujita, and Y. Hayashi. Evaluation of ecological interface design. In Y. Anzai, K. Ogawa, and H. Mori, editors, Symbiosis of Human and Artifact - Future Computing and Design for Human-Computer Interaction, volume 20, Part 1 of Advances in Human Factors/Ergonomics, pages 977982. Elsevier, 1995. Proceedings of the Sixth International Conference on Human-Computer Interaction (HCI95). W. B. L. Wong, P. J. Sallis, and D. OHare. The Ecological Approach to Interface Design: Applying the Abstraction Hierarchy to Intentional Domains. In P. Calder & B. Thomas, editor, 8th Australian Conference on Computer-Human Interaction (OzCHI98), pages 144

tel-00554205, version 1 - 10 Jan 2011

151, Adelaide (Australia), 1998. IEEE Computer Society Press. X. Yu and K. Liu. A spatial decision support system for large scale vehicle routing. In Proceedings of the 2009 International Conference on Measuring Technology and Mechatronics Automation (ICMTMA09), pages 444449, Washington, DC, USA, 2009. IEEE Computer Society.

183

tel-00554205, version 1 - 10 Jan 2011

Table des mati`res e

Introduction I Syst`mes daide ` la dcision pour lordonnancement des transports e a e I.1 I.2 Probl`mes de dcision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e e Lordonnancement des transports . . . . . . . . . . . . . . . . . . . . . . . . . . . I.2.1 I.2.2 Dnition du probl`me de transport . . . . . . . . . . . . . . . . . . . . . e e Dnition du probl`me de tournes de vhicules (Vehicle Routing Problem e e e e - VRP) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . I.2.3 I.2.4 I.3 Variantes du probl`me de tournes de vhicules . . . . . . . . . . . . . . . e e e Syst`mes daide ` la dcision pour les probl`mes de tournes de vhicules e a e e e e

1 5 5 6 7

tel-00554205, version 1 - 10 Jan 2011

9 10 15 17 17 18 22 25 27 27 27 31 34 35 42

Conception de syst`mes interactifs . . . . . . . . . . . . . . . . . . . . . . . . . . e I.3.1 I.3.2 Le syst`me homme-machine . . . . . . . . . . . . . . . . . . . . . . . . . . e Les approches existantes pour la conception de syst`mes . . . . . . . . . . e

I.4 I.5

Une approche interdisciplinaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

II Le domaine de travail II.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . II.2 Analyse du domaine de travail . . . . . . . . . . . . . . . . . . . . . . . . . . . . II.2.1 Analyse du domaine de travail dans les probl`mes dordonnancement . . . e II.3 Approche propose pour lanalyse du domaine . . . . . . . . . . . . . . . . . . . . e II.3.1 Hirarchie dabstraction . . . . . . . . . . . . . . . . . . . . . . . . . . . . e II.3.2 Analyse du domaine de validit de la dcomposition . . . . . . . . . . . . e e

` TABLE DES MATIERES

II.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . III Architecture dcisionnelle pour lordonnancement des transports e III.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . III.2 Synoptique de larchitecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . III.3 Analyse des tches pour la rsolution du probl`me . . . . . . . . . . . . . . . . . a e e III.3.1 Identication des tches pour la rsolution du probl`me . . . . . . . . . . a e e III.3.2 Rpartition des fonctions entre lhomme et la machine . . . . . . . . . . . e III.4 Mcanisme de rsolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e e III.4.1 Programmation par contraintes . . . . . . . . . . . . . . . . . . . . . . . . III.4.2 Algorithmes spciques pour la rsolution du probl`me e e e . . . . . . . . . .

47 49 49 50 51 51 55 59 59 60 61 63 68 71 77 80 83 83 83 86 86 89 95 98 99 99

III.4.3 Dnition formelle du probl`me . . . . . . . . . . . . . . . . . . . . . . . . e e

tel-00554205, version 1 - 10 Jan 2011

III.4.4 Algorithmes pour la slection de vhicules . . . . . . . . . . . . . . . . . . e e III.4.5 Algorithmes pour laectation des clients aux vhicules . . . . . . . . . . e III.4.6 Algorithmes pour la slection des itinraires . . . . . . . . . . . . . . . . . e e III.5 Rsultats exprimentaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e e III.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . IV Les interfaces homme-machine IV.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . IV.2 Interfaces cologiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e IV.3 Les interfaces du syst`me . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e IV.3.1 Interfaces pour la modlisation du probl`me . . . . . . . . . . . . . . . . . e e IV.3.2 Interfaces pour la rsolution du probl`me . . . . . . . . . . . . . . . . . . e e IV.3.3 Interface pour la slection de la solution nale e . . . . . . . . . . . . . . .

IV.3.4 Interface pour la poursuite en temps-rel des tournes . . . . . . . . . . . e e e IV.4 Evaluation de linterface pour la slection des solutions . . . . . . . . . . . . . . . IV.4.1 Description du probl`me . . . . . . . . . . . . . . . . . . . . . . . . . . . . e

IV.4.2 Rsolution du probl`me . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100 e e IV.4.3 Prsentation de lexprience . . . . . . . . . . . . . . . . . . . . . . . . . . 101 e e IV.4.4 Rsultats exprimentaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103 e e IV.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109 186

` TABLE DES MATIERES

V Assistance ` loprateur dans la phase de rsolution a e e

111

V.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 V.2 Probl`mes non-ralisables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 e e V.3 Inversion de mod`le . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114 e V.3.1 Mthodes de classication de donnes . . . . . . . . . . . . . . . . . . . . 120 e e V.4 Rsultats exprimentaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127 e e V.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130 VI Rsolution dun probl`me dordonnancement e e 131

VI.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131 VI.2 Probl`mes dordonnancement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131 e

tel-00554205, version 1 - 10 Jan 2011

VI.2.1 Dnitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132 e VI.3 Probl`me ` machines parall`les . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134 e a e VI.3.1 Relation avec les probl`mes dordonnancement des transports . . . . . . . 135 e VI.3.2 Dnition du probl`me . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136 e e VI.3.3 Analyse des solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138

VI.4 Recherche arborescente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142 VI.4.1 Structure arborescente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142 VI.4.2 Evaluation dun nud . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143 VI.4.3 R`gles de dominance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145 e VI.5 Recherche arborescente base sur les divergences . . . . . . . . . . . . . . . . . . 147 e VI.5.1 Recherche arborescente ` divergences limites . . . . . . . . . . . . . . . . 147 a e VI.5.2 Stratgie dexploration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148 e VI.5.3 Recherche locale ` grands voisinages base sur les divergences . . . . . . . 151 a e VI.5.4 R`gles de dominance adaptes aux divergences . . . . . . . . . . . . . . . 153 e e VI.6 Rsultats exprimentaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155 e e VI.6.1 Gnrateur dinstances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155 e e VI.6.2 Tests et rsultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156 e VI.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163 Conclusion et perspectives 187 165

` TABLE DES MATIERES

Bibliographie

169

tel-00554205, version 1 - 10 Jan 2011

188

Table des gures

I.1

Tournes de vhicules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e e

II.1 Analyse du domaine de travail a travers une hirarchie dabstraction pour le ` e

tel-00554205, version 1 - 10 Jan 2011

probl`me dordonnancement des transports . . . . . . . . . . . . . . . . . . . . . e III.1 Architecture du syst`me daide ` la dcision . . . . . . . . . . . . . . . . . . . . . e a e III.2 Schma des tches ` raliser pour la rsolution du probl`me . . . . . . . . . . . . e a a e e e III.3 Dirents modes de contrle proposs par van Wezel et al. (2010) . . . . . . . . . e o e III.4 Programmation par contraintes . . . . . . . . . . . . . . . . . . . . . . . . . . . . III.5 Comparaison des voisinages explors par CDS-V1 et CDS-V2 . . . . . . . . . . . e IV.1 Ensemble dinterfaces pour la modlisation des objets physiques du probl`me . . e e

42 50 55 56 59 74 87

IV.2 Interface de support pour la modlisation des contraintes entre les objets physiques 88 e IV.3 Interface de support ` loprateur humain pour la slection des vhicules . . . . . a e e e IV.4 Interface de support ` loprateur humain pour laectation des clients . . . . . . a e IV.5 Interfaces de support ` loprateur humain pour la construction des itinraires a e e . 91 93 94 97

IV.6 Interface ddie au support ` loprateur pour la slection de la solution nale . . e e a e e

IV.7 Graphe quivalent au probl`me de transbordement de lexprience . . . . . . . . 101 e e e IV.8 Comparaison entre linterface analytique et linterface perceptive Rsultats du e temps (secondes) ncessaire pour la slection dune solution . . . . . . . . . . . . 104 e e IV.9 Comparaison entre linterface analytique et linterface perceptive Rsultats de e la charge mentale (NASA-TLX) requise pour la slection dune solution pour la e IV.10 Comparaison entre linterface analytique et linterface perceptive Rsultats de e performance (pourcentage de russite) pour la slection dune solution . . . . . . 106 e e 189 105

TABLE DES FIGURES

IV.11 Comparaison entre linterface intgrale et linterface abrge Rsultats du temps e e e e (secondes) ncessaire pour la slection dune solution . . . . . . . . . . . . . . . . 107 e e IV.12 Comparaison entre linterface intgrale et linterface abrge Rsultats de la e e e e charge mentale (NASA-TLX) requise pour la slection dune solution . . . . . . . 108 e IV.13 Comparaison entre linterface intgrale et linterface abrge Rsultats de pere e e e formance (pourcentage de russite) pour la slection dune solution . . . . . . . . 108 e e V.1 Exemple de dirents types de probl`mes . . . . . . . . . . . . . . . . . . . . . . 112 e e V.2 Analyse des options proposes dans Higgins (1996) pour surmonter un probl`me e e non-ralisable e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113

V.3 Localisation gographique des clients ` servir . . . . . . . . . . . . . . . . . . . . 117 e a V.4 Illustration du fonctionnement de lalgorithme des centres mobiles pour la classi-

tel-00554205, version 1 - 10 Jan 2011

cation gographique des clients . . . . . . . . . . . . . . . . . . . . . . . . . . . 122 e V.5 Principales relations entre deux fentres de temps . . . . . . . . . . . . . . . . . . 123 e V.6 Distribution normale standard ou distribution z . . . . . . . . . . . . . . . . . . . 127 VI.1 Exemple dun ordonnancement ralisable . . . . . . . . . . . . . . . . . . . . . . . 138 e VI.2 Exemple daectation de tches . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139 a VI.3 Graphe pour dterminer la ralisabilit dun ordonnancement . . . . . . . . . . . 140 e e e VI.4 Energie minimale requise pour un ordonnancement partiel . . . . . . . . . . . . . 145 VI.5 Ordonnancement partiel du nud valu . . . . . . . . . . . . . . . . . . . . . . . 147 e e VI.6 Recherche arborescente base sur les divergences pour un arbre binaire . . . . . . 148 e VI.7 Exemple des modes de comptage de divergences pour la slection de la tche ` e a a ordonnancer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150 VI.8 Ordre dexploration des feuilles pour dirent schmas de branchement . . . . . . 150 e e VI.9 Exemple dordonnancement dominant . . . . . . . . . . . . . . . . . . . . . . . . 155

190