Académique Documents
Professionnel Documents
Culture Documents
c
e
p
t
i
o
n
Z
o
n
e
d
`
e
x
p
d
i
t
i
o
n
Rserve
Zone de picking
rapide
Flux 2
Flux 3
Flux 1Cross-Docking
Flux 4
Z
o
n
e
d
e
r
c
e
p
t
i
o
n
Z
o
n
e
d
`
e
x
p
d
i
t
i
o
n
Rserve
Zone de picking
rapide
Flux 2
Flux 3
Flux 1Cross-Docking
Flux 4
Figure 1.3 Zones et ux dans une plateforme
Dans cette thse nous abordons seulement les problmes de planication et dordonnance-
ment des plateformes logistiques. Cest pourquoi dans ce qui suit nous parlons des aspects moyen
et court terme des problmatiques prsentes dans les entrepts. Nous envoyons le lecteur vers
Van Den Berg [148], et Mocellin [107] pour une description complte de la problmatique des
entrepts et pour avoir plus de dtail sur la prise des dcisions stratgiques.
Organisation interne des entrepts
Lorganisation interne des plateformes logistiques est dtermine par ses zones fonctionnelles
et les interactions entre ces zones. Ces interactions sont reprsentes par des ux de produits
dans lentrept. Bien que le choix de lorganisation interne soit une dcision stratgique, nous
introduisons les principaux ux et zones de stockage que lon peut retrouver dans les entrepts
car les autres problmatiques dpendent fortement de la conguration physique choisie.
Selon la structure de la plateforme, plusieurs types de ux et zones fonctionnelles peuvent
exister au sein dune plateforme logistique, voir Heragu et al. [83]. En gnral, nous pouvons
distinguer cinq zones et quatre types de ux (Figure 1.3). Dans la zone de rception, les produits
sont reus et mis dans le quai de dchargement. La zone de transit, aussi appel zone de cross-
docking, permet de transfrer les produits depuis la zone de rception vers la zone dexpdition
directement. La rserve est une zone de stockage pour des produits, emballs ou pas, qui resteront
dans lentrept pour une longue priode. La zone de picking rapide est rserve au stockage
de produits qui doivent tre expdis rapidement ; cette zone a une capacit assez limite et
gnralement contient les produits les plus courants. Finalement, derrire la zone dexpdition
on trouve les quais de chargement.
Les ux dcrits peuvent exister ou non dans les plateformes. Le ux 1, cross-docking, est
utilis quand les produits doivent traverser la plateforme directement de la zone de rception
jusqu la zone dexpdition sans subir dopration de conditionnement. Le ux 2 concerne les
produits qui passent de la zone de rception la rserve pour tre livrs au del de lhorizon
considr. Quant au ux 3, les produits sont dabord stocks dans la rserve et par la suite
transfrs (avec ou sans conditionnement) la zone de picking rapide. Finalement, le ux 4 est
18
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
1.1. Chane logistique
une variante du ux 1 ; dans ce cas, les produits reus vont directement la zone de picking
rapide pour des oprations dassemblage et pour la consolidation de commandes.
Pour diminuer les cots de manutention, il peut tre intressant de transformer du ux 3
en ux 4, mais les contraintes de stockage, de scurit et dorganisation limitent lampleur de
cette modication. Nos modles doivent permettre dtudier partiellement cette possibilit en
particulier en ce qui concerne les contraintes de stockage.
Il existe des travaux dans la littrature qui tudient le problme dorganisation des plate-
formes logistiques, Heragu et al. [83] et Bartholdi et Gue [9] traitent des problmes de dimen-
sionnement et de structure physique optimales selon dirents critres de performance.
Allocation des produits aux zones de stockage
Cette problmatique concerne lorganisation des biens dans les zones de stockage pour at-
teindre une occupation optimale de lespace et faciliter la manipulation des outils, des produits
et des ressources matrielles. Les critres dorganisation des stocks peuvent tre physiques ou
peuvent aussi prendre en compte des facilits de gestion telles que lemplacement des direntes
zones de stockage, limpact du placement des biens dans lecience du picking, etc.
Van den Berg [147], De Koster et al. [49] distinguent direntes politiques daectation des
produits aux zones de stockage : stockage bas sur la classication des produits, stockage ala-
toire, stockage ddi, stockage dans le premier emplacement vide et stockage selon le niveau de
demande. Nous ne donnons pas plus de dtail sur ces politiques car ce problme ne constitue
pas le cur de notre recherche. Heragu et al. [83] proposent une approche doptimisation pour
ce problme. Les auteurs tudient le problme dallocation des produits aux zones fonctionnelles
tout en minimisant le temps de traitement des produits et un cot qui dpend des ux suivis par
les produits. Dans Strack et Pochet [142], les auteurs intgrent la prise de dcisions concernant
lallocation des produits aux direntes zones et le choix des politiques de rapprovisionnement,
les auteurs font une revue des travaux rcents sur lallocation des produits aux zones de stockage.
Picking et batching
Le picking, se trouve au cur du fonctionnement dun entrept. Des tudes ont montr que
le cot li au picking peut atteindre jusqu 50% du cot total de gestion des entrepts. Aussi
est-il important de rduire ce cot.
Dun point de vue tactique les dcisions consistent constituer des regroupements astucieux
de commandes et planier les tournes de picking avec lobjectif de minimiser les trajets
vide (cest--dire les distances inutiles franchies par le prparateur de commandes lors de ses
tournes de picking). Pendant les dernires annes, et dans le but dtre plus ractif vis--vis
des consommateurs, les entreprises ont adopt une stratgie o lon reporte, au plus tard dans
la chane logistique, des activits qui donnent de la valeur ajoute ou qui personnalisent les
produits. Par rapport cela, les entrepts et centres de distribution se voient chargs des tches
dtiquetage, dassemblage de produits, de personnalisation de paquets ou de constitution de
pallettes. En pratique, ces tches sont intgres aux processus de planication et dordonnance-
ment du picking (Van Hoek [150]).
Il existe plusieurs mthodes pour faire le picking et le choix dune dentre elles est une dcision
tactique. Lecacit du picking est troitement lie la planication des tournes de picking. Le
problme de planication des tournes de picking peut tre assimil au problme de voyageur
de commerce avec certaines spcicits. Lobjectif reste celui de trouver le chemin le plus court
qui permettra au prparateur dextraire du stock tous les produits demands, sauf quil peut
passer plusieurs fois par le mme endroit. Plusieurs approches ont t proposes pour traiter ce
19
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 1. Contexte du Travail
problme : des mthodes exactes aboutissant une solution optimale ainsi que des mthodes
approches beaucoup plus simples implmenter et largement utilises. Les systmes spcialiss
dans la gestion des entrepts utilisent gnralement des heuristiques simples.
Ratli et Rosenthal [124] et De Koster et al. [49] proposent des algorithmes permettant de
rsoudre le problme de tournes de picking de faon optimale pour des entrepts ayant des ca-
ractristiques bien prcises. Les algorithmes dpendent fortement de lagencement de lentrept,
sil y a des alles transversales, si les alles sont troites ou larges par exemple.
Les heuristiques sont dusage courant dans la planication des tournes de picking. A titre
dexemple, la plus simple des heuristiques est la politique de traverse : toute alle contenant au
moins un produit de la commande doit tre traverse entirement. Nous pouvons citer encore les
politiques de demi tour, de point intermdiaire, le plus grand vide, etc. Les heuristiques tant
trs nombreuses, nous nallons pas faire ici une prsentation exhaustive. Le lecteur intress peut
se rfrer Roodbergen et De Koster [126] et De Koster et al. [49] pour une description dtaille.
Le batching (ou regroupement) des commandes est une mthode o lon regroupe des com-
mandes, relativement petites, dans un certain nombre de sous-ensembles, chaque sous-ensemble
sera par la suite prpar dans la mme tourne. Cest--dire que les activits de picking, tri,
emballage et expdition se font en mme temps pour toutes les commandes dun mme batch.
Le gain de temps potentiel du batching nest pas ngligeable puisque cette solution minimise
le temps moyen de prparation par commande, mais il peut tre augment par le tri qui doit
seectuer la n de la prparation dun batch. Lopration de tri consiste trier les produits
par commandes quand plusieurs commandes sont collectes ensemble. Gadelmann et al. [61] ont
dmontr que le problme de minimisation des dlais du picking est NP-dicile. De mme Gadel-
man et Van de Velde [60] montrent que le problme de batching supposant connu le temps total
du picking minimal pour tout batch est NP-dicile au sens fort quand le nombre de commandes
par batch est plus grand que deux.
Il existe plusieurs politiques pour faire le batching dans les entrepts. Le lecteur intress
peut se rfrer Le Duc et De Koster [95] pour la prsentation et lvaluation de quelques unes
des politiques de batching. Par ailleurs, le batching tant un problme dicile, il nest pas rare
de trouver dans la littrature de nombreux articles qui dveloppent des mthodes heuristiques
pour le rsoudre. Dans ltat de lart propos par De Koster et al. [49], plusieurs types dheuris-
tiques sont identis, elles sont bases sur des techniques de tournes de vhicule o lon cherche
minimiser les distances ou le temps de parcours. Une valuation des performances de deux de
ces heuristiques est donne dans De Koster et al. [50].
Pour plus dinformation sur le picking et le batching, De Koster et al. [49] font une revue des
travaux sur le dveloppement et le contrle du processus de picking manuel. Les auteurs analysent
le problme ds la prise des dcisions stratgiques jusqu la prise des dcisions oprationnelles :
choix optimal dagencement, mthodes dallocation des produits aux zones, techniques de rou-
tage, batching et tri. De mme, Petersen et Aase [117] valuent simultanment par une mthode
de simulation plusieurs politiques de picking, tournes et allocation de stockage. Leur objectif
est de dterminer quelle combinaison de politiques a le plus grand eet dans la performance du
systme.
Quelles que soient les techniques de routing ou de batching choisies, il faut quelles ne soient
pas trs compliques mettre en uvre. Notamment, les mthodes de rsolution exactes four-
nissent assez souvent des rsultats qui ne sont pas facilement interprtables par les employs de
la plateforme. Dans ce cas, les erreurs des employs sont nombreuses car la logique des tournes
leur chappe et ils prfrent agir leur faon quand ils ne comprennent pas.
20
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
1.1. Chane logistique
Loutil le plus utilis dans les tudes des entrepts, pour les problmes que nous venons de
dcrire, est la simulation. Cest un lment puissant, car il permet dvaluer les performances
sans changer eectivement les agencements ou politiques, voir Petersen et Aase [117], Ascheuer
et al. [3]. On trouve des mthodes exactes pour la rsolution de petites instances pour le bat-
ching Gademann et al. [61] et Gademann et Van de Velde [60] mais, en gnral, on voit que
lutilisation des mthodes heuristiques pour le picking est une pratique rpandue.
Autres problmes tactiques et oprationnels
Rcemment, Gu et al. [72], Rouwenhorst et al. [127] et van den Berg [147] ont prsent
des revues des tudes sur les problmes de planication et dordonnancement rencontrs dans
les entrepts. Parmi les problmes que les auteurs identient on trouve : la gestion de stocks,
lordonnancement des oprations de la plateforme (autres que le picking), et la conception du
systme de distribution.
Le problme de gestion des stocks dans les plateformes logistiques consiste dnir quels
produits sont stocker dans lentrept et en quelles quantits. Van den Berg et Zijm [149] in-
diquent que la plupart des modles de la littrature, concernant la gestion des stocks, ont comme
objectif la rduction des niveaux de stock. En gnral, la rduction des stocks se fait en ordon-
nanant soigneusement les livraisons des fournisseurs et des clients, en rduisant les quantits
des commandes ou en faisant les livraisons plus souvent. Les modles classiques de gestion de
stocks dterminent des politiques pour un seul produit, en gnral avec une demande constante
mais, assez souvent, avec des capacits de stockage limites.
En ce qui concerne loptimisation de processus des plateformes logistiques et notamment
lordonnancement des oprations, nous trouvons beaucoup de travaux sur ltude des ux de
produits qui traversent la plateforme aux direntes phases : la rception, le stockage, le picking
et lexpdition. Ici, les dcisions de base consistent dterminer les ux internes la plate-
forme, lutilisation des ressources internes en connaissant les dates et les quantits des livraisons
entrantes et sortantes avec des contraintes de ressources, temps, dbit, rendements, etc. Nous
avons dj fait une analyse sur les processus de stockage et de picking, maintenant nous abor-
dons les processus de rception et dexpdition. Dans la littrature, la recherche sur le processus
de rception et dexpdition est trs rduite et elle sest surtout concentre sur laectation et
le squencement des camions aux quais et des quais aux destinations (Baptiste et Maknoon [7],
Yu et Egbelu [159], Boysen et al. [19]).
On retrouve aussi des travaux sur lordonnancement des activits de dchargement et de trans-
bordement dans les plateformes qui font du cross-docking, et qui minimisent les cots opra-
tionnels et de stockage intermdiaire (Kon [90], Yu [158], Larbi et al. [91], Song et Chen [137],
Larbi et al. [92], Sadykov [128]), ou la dure totale de lordonnancement (Chen et Lee [37] d-
montrent que ce problme est NP-dicile), ou encore la somme des pnalits de retard (Chen
et al. [38]). Les travaux dordonnancement se centrent sur ce type de plateformes car les activits
des plateformes qui pratiquent le cross-docking sont les plus simples modliser car elles ne sont
pas associes au picking et au stockage. Par ailleurs, lintrt du cross-docking est de plus en
plus grand car il permet de rduire les cots de stockage. Il existe tout de mme des travaux
o lon traite des activits externes (notamment le transport) aux plateformes qui pratiquent
le cross-docking ; ces travaux consistent principalement minimiser des cots de transport, du
nombre de camions ncessaires et de la planication de leur trajet (Lee et al. [96], Chen et al.
[38]).
21
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 1. Contexte du Travail
Dans la littrature, nous trouvons des tudes de systmes qui incluent des entrepts. Ces
systmes sont, la plupart du temps, de type fournisseurs-entrepts-magasins et les tudes se
concentrent sur les dcisions de distribution et de stockage qui, dans ce cas, sont prises ensemble
(un exemple de coordination). Il sagit dun problme de coordination entre lentrept et ses
partenaires en amont et en aval. Dans les systmes de distribution plusieurs tages, on peut
toujours trouver des moyens de rduire les cots et damliorer lecience, do lintrt dtudier
les dirents systmes ensemble. Nous donnons par la suite quelques exemples des problmes de
coordination qui incluent des plateformes logistiques.
Chandra [33], par exemple, dveloppe un modle intgr deux tages (entrept-dtaillants) qui
dtermine les politiques de rapprovisionnement (gestion des stocks) dun entrept en suppo-
sant que celui-ci est aussi responsable de fournir des programmes ecients de distribution des
biens aux clients. Le problme consiste dterminer la politique de rapprovisionnement et le
calcul de tournes de distribution (deux problmes NP-diciles) simultanment dans le but de
minimiser les cots de distribution et de stockage.
Viswanathan et Mathur [151] traitent, pour leur part, un problme similaire de prise de dci-
sion intgr de tournes de vhicule et de politique de stockage. Il sagit dun mcanisme de
coordination entre lentrept et ses clients directs, les dtaillants. Ici, les auteurs dterminent
les quantits livrer ( des instants xs par un planning prvisionnel) chaque tourne et les
tournes de vhicule pour satisfaire une demande connue. Lentrept joue le rle de point de
transbordement et ne garde pas de stock, le stock est ainsi cumul chez les clients. Lobjectif est
de minimiser les cots de stockage chez les clients et les cots de transport. Les auteurs utilisent
des mthodes heuristiques pour rsoudre le problme.
Ganeshan [63] prsente une politique de gestion de stocks pour une chane logistique trois
tages (fournisseurs, entrept, dtaillants). Il considre un environnement mono produit, avec
une demande et des temps de transport stochastiques, et o il y a plusieurs entits qui peuvent
fournir un mme client et o aucun centre de production nest considr. Lobjectif est de mini-
miser le cot de stockage, le modle est bas sur les interactions entre le cycle des fournisseurs
et les demandes des clients. Le modle est test par simulation et lauteur a pu constater que les
retards des commandes taient rduits. Lauteur assure que les rsultats obtenus avec le modle
peuvent servir de base pour dterminer les stocks de scurit et les stocks en dplacement par
la suite.
Voir aussi les travaux de Lim et al. [100], Sindhuchao et al. [135], Cagri et al. [24], Che et Leon
[36] pour dautres mcanismes de coordination et mthodes de rsolution, et Williams et Tokar
[153] pour une revue des travaux sur la gestion des stocks et des modles coopratifs.
Pour notre part, dans notre travail sur les plateformes logistiques, au niveau tactique nous
nous concentrons sur la partie de coordination entre les entrepts et ses partenaires pour ce
qui est de la gestion des stocks, et de la planication des oprations et de la main duvre
lintrieur de la plateforme pour ce qui est la rception, le stockage, et lexpdition (chapitre
2) ; au niveau oprationnel nous travaillons sur lordonnancement des activits de prparation
de commandes (chapitre 3).
1.2 Outils daide la dcision
La gestion de la chane logistique et notamment la gestion de la production manipulent nor-
mment de donnes et sont troitement lies aux systmes dinformation des entreprises. Depuis
22
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
1.2. Outils daide la dcision
lidentication de ces problmatiques, des logiciels informatiques, pour fournir de lassistance
aux managers, sont apparus. Cette assistance se manifeste par lutilisation doutils daide la
dcision, lesquels, en gnral, se concentrent sur des fonctions bien prcises de la gestion de la
chane logistique : gestion des matires premires, gestion des moyens de production, gestion
administrative de la production.
Les dcideurs veulent des outils daide la dcision qui fournissent des solutions ralisables.
La complexit des chanes logistiques induit de nombreuses contraintes et la combinatoire des
problmes rsoudre est souvent trs grande, do la dicult de trouver des mthodes sa-
tisfaisantes quant au temps de calcul et la qualit des solutions obtenues. Par ailleurs, les
particularits associes chaque domaine industriel font quil est pratiquement impossible de
crer des outils assez gnriques pour pouvoir rpondre aux besoins dcisionnels de chaque do-
maine. Cest pour cette raison que le plus souvent les outils daide la dcision sont ddis
un certain domaine dapplication. Un lment cl est la base de la conception de ces outils, la
modlisation de la dynamique de la structure de la chane sur laquelle les logiciels agissent.
Dans cette section nous commenons par prsenter rapidement les direntes manires de mo-
dliser et dvaluer les chanes logistiques que lon peut trouver dans la littrature. Ensuite, nous
prsentons les principaux systmes dinformation dvelopps depuis lidentication du problme
de la gestion de production. Enn, nous dcrivons les mthodes de rsolution qui constituent la
base des outils daide la dcision.
1.2.1 Modlisation et valuation des chanes logistiques
Modlisation
La modlisation est au cur de la conception des outils daide la dcision. Un modle nest
quune reprsentation externe et explicite dune part de la ralit comme elle est perue par les
personnes qui souhaitent utiliser ce modle pour comprendre, changer, grer, et contrler cette
partie de la ralit dune faon ou dune autre (Pidd [118]).
La modlisation de la chane logistique peut prendre en compte les ux de matires et dinfor-
mation, des rgles de comportement, les particularits des donnes, etc. Beamon [10] classie les
approches de modlisation de la chane logistique en quatre catgories selon le type de donnes
et lobjectif de ltude : modles dterministes, modles stochastiques, modles conomiques et
modles de simulation.
Les modles dterministes ne font intervenir aucune variable alatoire. Dans ce cas, les re-
lations entre les variables sont strictement fonctionnelles. Ce type de modle a lavantage de
permettre dinclure des relations complexes, mais a aussi le dsavantage de faire des hypothses
non ralistes quant lincertitude de certaines variables ou paramtres comme la demande ou
le temps de transport, par exemple.
Les modles stochastiques, au contraire, incluent au moins une variable alatoire.
Les modles conomiques considrent les entits du systme comme des agents qui prennent
des dcisions dans le but doptimiser un indicateur de performance conomique. La modlisation
de linteraction vendeur-acheteur par la thorie des jeux est un exemple de modle conomique.
Ce type de modle est trs limit car il ne prend pas en compte des mesures qui ne soient pas
dordre nancier.
Les modles de simulation sont trs rpandus dans la modlisation des chanes logistiques.
Ces modles essaient dimiter le comportement des composants du systme. Ils ont lavantage
de permettre aux dcideurs dexplorer les consquences possibles des actions sans avoir les
23
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 1. Contexte du Travail
excuter en ralit, aussi ils peuvent capturer les incertitudes et traiter laspect dynamique des
systmes complexes et des systmes grandes chelles. (Taylor [144])
Taylor [144] identie encore deux types de modles : les modles conceptuels et les modles
mathmatiques. Lintersection entre ces deux types et ceux dcrits avant nest pas vide. Par
exemple, beaucoup de modles dterministes de la littrature sont aussi des modles mathma-
tiques.
Les modles conceptuels sont les plus simples. Ils regroupent les lments de base qui devraient
tre prsents dans une situation idale du systme a modliser, il peut sagir de diagrammes ou
dexplications verbales. Ces modles servent de base pour dbattre sur les dirences entre le
systme tel quil est et ce quil serait dans une situation hypothtique. Ces modles sont trs
diciles mettre en uvre pour les systmes complexes tels que les chanes logistiques et leur
utilit se limite la comprhension du systme modlis.
Les modles mathmatiques pour leur part sont les plus utiliss dans la gestion des chanes
logistiques. Ils consistent modliser des contraintes et des mesures de performance par des
quations. La programmation linaire en nombres entiers (PLNE), introduite par Fisher [56],
est la plus utilise. Linconvnient de ce type de modles est que bien quils reprsentent assez
prcisment la ralit ils font appel des techniques de rsolution complexes et induisent des
temps de calcul importants pour des instances de taille relle.
Evaluation
Toutes les tudes faites sur la gestion de la chane logistique et de la production nauraient
aucun intrt si lon ne pouvait pas valuer limpact quelle a sur lecacit du systme. La
premire ide qui vient lesprit du manager est de mesurer cette inuence dun point de vue
conomique. Le problme qui survient avec ce type de mesure est que des conomies peuvent se
faire de plusieurs manires : une meilleure stratgie de distribution par exemple ou tout simple-
ment une baisse de la qualit du service fourni. Avec cet exemple, on peut voir quil y a dautres
aspects surveiller, cest--dire, dautres mesures prendre. Dans ce cas, ce sera lensemble
dvaluations qui permettront de faire un diagnostique global de la gestion.
Un indicateur de performance peut tre dni comme une donne quantie qui mesure
lecacit de tout ou une partie dun processus ou dun systme, par rapport une norme, un
plan ou un objectif qui aura t dtermin et accept, dans le cadre dune stratgie densemble
(Courtois et al. [46]).
Gunasekaran et Kobu [73] prsentent une revue des indicateurs de performances des ni-
veaux stratgique, tactique et oprationnel dune chane logistique. Dans leur recherche biblio-
graphique, les auteurs ont trouv peu prs 90 indicateurs de performance de la chane logis-
tique ; aprs limination des doublons ils nont retenu que 27 indicateurs (ceci rvle le besoin de
standardisation des indicateurs de performance, ne serait-ce que pour avoir un langage commun
entre partenaires) parmi lesquels on compte : utilisation de la capacit de production, prcision
de lordonnancement, abilit de livraison, cots de stockage, satisfaction des employs, satis-
faction du client, ... Un indicateur de performance peut donner des informations sur plusieurs
aspects.
Ltude de Gunasekaran et al. indique que environ 38% des indicateurs de la littrature restent
des indicateurs conomiques, et cela malgr le fait que les indicateurs oprationnels soient tout
24
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
1.2. Outils daide la dcision
aussi importants pour vrier la bonne sant du rseau. Des indicateurs de temps et de produc-
tivit concernent 40% des mesures prises. Lutilisation des ressources et la exibilit concernent
35% et 27% des indicateurs respectivement ; les auteurs remarquent, cependant quil sagit das-
pects trs diciles mesurer mais quils jouent un rle trs important dans la gestion. Les
indicateurs concernant les performances de : la planication, les fournisseurs, la production,
les livraisons et la satisfaction du client, constituent 50%, 15%, 35%, 12% et 27% des mesures
prises respectivement. Les auteurs donnent aussi une classication des indicateurs selon le niveau
temporel et ltage considr dans la chane logistique.
Nous renvoyons le lecteur intress vers Gunasekaran et al. [75] et Beamon [10] pour plus de
dtail sur les mesures quantitatives et qualitatives concernant les indicateurs dvaluation de la
performance de la planication de commandes, des fournisseurs, de la production, des livraisons,
de la qualit de service, des cots de la logistique.
1.2.2 Systmes dinformation
La gestion de la chane logistique consiste intgrer les fonctions du rseau logistique et
coordonner les partenaires. Vue la complexit des tches dintgration et de coordination, les
systmes dinformation, qui prennent en compte tous les paramtres qui interviennent dans le
processus dcisionnel, sont indispensables. Cest pourquoi des outils informatiques sont apparus
pour grer la chane logistique aux niveaux tactique et oprationnel ds lidentication de ces
problmatiques.
Les systmes dinformation concerns regroupent tout ce qui implique : la production, les
stocks, le transport et lentreposage, les moyens de production (machines, personnel), la qualit,
etc. Pour que ces outils deviennent vraiment oprationnels et ecaces, il a t ncessaire de les
intgrer dans des plateformes de communication et dchange de donnes informatises.
En gnral, ces outils informatiques considrent la chane logistique comme un ensemble
dagents informatiques, o chacun est responsable dune ou plusieurs activits de la gestion de
la chane et o chaque agent interagit avec les autres dans la planication et lexcution de
leurs responsabilits. Fox et al. [58] prsentent tout un cadre pour la construction de ce type de
structures de gestion par agents. Les modules des outils daide la dcision sont implments de
manire progressive et organisationnelle de faon ce que les activits de lentreprise puissent tre
suivies et contrles plusieurs niveaux de granularit temporelle. De plus, les logiciels de gestion
possdent de plus en plus une intgration de fonctionnalits verticale, mais aussi horizontale par
la prise en compte des contraintes multi-sites et des relations clients-fournisseurs.
Nous prsentons ici les fonctionnalits de trois des familles de progiciels de gestion qui
semblent tre les plus rpandus : les Entreprise Resource Planning (ERP), les Advanced Planning
Systems (APS) et les Manufacturing Execution Systems (MES).
Entreprise Resource Planning
Ces progiciels de gestion sont destins la gestion globale des dirents ux dune entreprise
aux trois niveaux temporels. Au dpart les ERP ont t conus pour le pilotage de la gestion
de production dans les ateliers et les usines aprs lapparition du MRP II. Laccroissement de
la complexit des systmes a fait que dautres domaines de comptence ont t intgrs aux
ERP : la gestion des stocks ; la gestion dapprovisionnement et des achats ; gestion commerciale ;
gestion des ressources humaines ; gestion comptable et nancire. Ainsi, les ERP permettent la
hirarchisation temporelle et conceptuelle des problmatiques concernant la gestion de ux de
tout type dentreprise et pas seulement aux industries manufacturires.
25
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 1. Contexte du Travail
LERP ajoute encore un degr de hirarchisation en dcoupant lentreprise en multiples
entits, toutes dotes de leur propre systme de gestion mais communiquant entre elles. Le
principal avantage des ERP est quils possdent une unique base de donnes, cela facilite le
partage dinformations entre les direntes entits et entre les niveaux oprationnel et tactique.
En revanche, le champ daction des ERP reste celui de la gestion dune entreprise et ils ne
peuvent pas grer la totalit de la chane logistique. Cependant, les ERP favorisent lintgration
de la gestion de plusieurs entreprises qui ont leur propre systme de gestion.
Les ERP sont bass sur le MRP I et le MRP II qui nont pas de bases thoriques dopti-
misation, mais qui sont plutt des mthodes de gestion ou de contrle. De manire gnrale,
les ERP prennent en charge la dtermination des prvisions de vente et de production, lqui-
librage entre la charge et la capacit relle de lentreprise, la planication de la production, et
lordonnancement et la gestion datelier.
Advanced Planning Systems
Les APS, comme les ERP, peuvent prendre en compte toutes les fonctions de gestion dune
entreprise : les achats, les approvisionnements, la production, le stockage, le transport et la
distribution. La dirence des APS par rapport aux ERP est que les APS utilisent les donnes
des ERP (de demandes et de ressources) et orent des rponses optimises en temps rel. Ils
sont capables, par exemple, de proposer un planning de production optimal selon la demande,
la capacit des ressources et les contraintes de production.
Erschler et Grabot [54] dnissent les APS comme des systmes daide la dcision qui sap-
puient sur des algorithmes puissants, capables dapporter des propositions de solutions ralistes
des problmes de planication et de programmation complexes. Dans lobjectif de rendre la
chane logistique la plus ractive possible, les systmes dinformation doivent tre capables de
prendre en compte, en temps rel, la rpercussion des contraintes de lun des maillons sur les
autres. Cest le cas des APS. En plus ils sont capables de connecter en temps rel loprationnel
et la planication et de faire ventuellement la coordination entre ces deux niveaux.
A la dirence des ERP, dans les APS aucune rgle nest dnie a priori, toute la procdure
est base sur la prise de dcisions. Pour prendre des dcisions, lhomme modlise ses problmes
et cherche la meilleure solution par optimisation ou simulation. LAPS permet de modliser des
contraintes, dexprimer des fonctions de cot et de chercher des valeurs des variables de dcision
qui optimisent ces critres. Loptimisation est faite grce des moteurs de rsolution bass sur
des techniques doptimisation telles que la programmation linaire par exemple.
Les APS peuvent tre consacrs quelques fonctions de la gestion des chanes logistiques,
nous pouvons identier trois familles dAPS : logistique, transport avec gestion des entrepts,
ordonnancement, gestion de production.
Manufacturing Execution Systems
Les MES sont des systmes daide la dcision qui agissent au niveau oprationnel de latelier
de production. Etant donn que les contraintes associs la production dpendent fortement
du secteur industriel, les MES sont, en gnral, trs spcialiss. Dun point de vue fonction-
nel, ils sont en mesure de positionner dans le temps des oprations sur des ressources avec des
contraintes. Autrement dit ils peuvent eectuer lordonnancement capacit nie, la gestion
des ressources de production, la traabilit des produits, lanalyse des performances, la gestion
du travail au sein de latelier, etc. La plupart des MES sont des systmes doptimisation qui
assurent la continuit du ux logistique avec des plannings donns en entre.
26
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
1.2. Outils daide la dcision
Ordonnancement
Liste de priorits
PIanification Stratgique
Planification des ressources
Budget, plan de vente, plan de production
PIanification oprationneIIe ou programmation directrice
Planification globale des capacits
Programme directeur de production
Programmation
Planification dtaille des capacits
Programme de fabrication, programme d'achat
Supervision
Suivi
MES
APS
M
o
d
u
l
e
d
e
p
l
a
n
i
f
i
c
a
t
i
o
n
d
'
u
n
E
R
P
c
l
a
s
s
i
q
u
e
Ordonnancement
Liste de priorits
PIanification Stratgique
Planification des ressources
Budget, plan de vente, plan de production
PIanification oprationneIIe ou programmation directrice
Planification globale des capacits
Programme directeur de production
Programmation
Planification dtaille des capacits
Programme de fabrication, programme d'achat
Supervision
Suivi
MES
APS
M
o
d
u
l
e
d
e
p
l
a
n
i
f
i
c
a
t
i
o
n
d
'
u
n
E
R
P
c
l
a
s
s
i
q
u
e
Figure 1.4 Positionnement des outils (Erschler et Grabot [54])
La position par rapport la hirarchie fonctionnelle, des trois familles doutils daide la
dcision prsentes ci-dessus, est donne dans la Figure 1.4.
Limportance des outils daide la dcision est quils permettent doprer simplement len-
semble des fonctions dune entreprise, et aussi ils orent la capacit de grer leurs problmes et
de prendre leurs propres dcisions. En plus, ces outils permettent dautomatiser le processus de
prise de dcisions.
Notre travail se situe au niveau des APS pour la partie planication (Chapitre 2) et au
niveau des MES pour la partie ordonnancement (Chapitre 3).
1.2.3 Mthodes de rsolution
Dans cette partie nous nous intressons aux mthodes utilises dans la littrature pour
rsoudre les problmes dcisionnels des chanes logistiques, et doptimisation en gnral, et qui
constituent le support thorique des outils daide la dcision que nous venons dintroduire.
De manire gnrale, les approches daide la dcision peuvent faire appel des techniques de
simulation, de recherche oprationnelle, de thorie organisationnelle, ..., ou a des combinaisons
de celles-ci. Pour notre part, ici nous nous concentrons sur les mthodes issues de la recherche
oprationnelle pour la rsolution de problmes doptimisation.
Rsoudre un problme doptimisation consiste trouver, parmi un ensemble de solutions,
celle qui minimise ou maximise un critre donn. Trouver la meilleure solution est le but des
mthodes exactes comme les procdures par sparation et valuation (PSE) ou la programmation
dynamique. Malheureusement, dans le domaine dapplication de la gestion des chanes logistiques
et notamment de la gestion de production, les problmes sont NP-diciles (pas dalgorithme
de rsolution polynomiaux si P = NP, Gary et Johnson [64]), la taille des problmes industriels
est importante et utilisent des variables de dcision binaires ou entires (temps discrtis, par
exemple). En consquence, lexploration du grand nombre de solutions possibles pour extraire
une solution optimale est impossible en des temps raisonnables. Ainsi, les mthodes exactes
sont rserves des problmes de petite taille et ne sont donc pas adapts la rsolution de
27
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 1. Contexte du Travail
problmes diciles de taille industrielle. Nanmoins, les rsolutions exactes peuvent tre utilises
pour des sous-problmes ou des problmes simplis, par exemple, agrgation des donnes au
moyen terme ou limitation de lhorizon considr court terme.
Lalternative pour ces problmes de planication et dordonnancement de grande taille sont les
mthodes approches. Ces mthodes sont trs utilises dans le milieu industriel (souvent dans les
progiciels dordonnancement) car elles fournissent gnralement de bonnes solutions. Bien que
la plupart du temps les solutions fournies ne soient pas optimales, les mthodes approches sont
conues pour fournir un bon compromis entre la qualit dune solution et son temps de calcul.
Dans cette partie, notre objectif nest pas de faire une description exhaustive des mthodes de
rsolution de la littrature mais de citer les grandes familles. Nous reprenons ici la classication
fournie par Portmann [121].
Familles de mthodes
Par la suite nous donnons une explication rapide des familles de mthodes de rsolution
et donnons, dans la mesure du possible, quelques exemples dutilisation des mthodes dans les
problmes doptimisation de la gestion des chanes logistiques.
Programmation linaire
La programmation linaire est une formulation mathmatique du problme doptimisation
o le critre et les contraintes sont des fonctions linaires des variables du problme. Pour des
variables entires, en absence de bonnes proprits dunimodularit, les problmes associs aux
modles linaires sont NP-diciles. Nanmoins, grce lexpertise des chercheurs et laugmen-
tation de la rapidit des ordinateurs, les progiciels commercialiss permettent actuellement de
rsourdre, de manire exacte, des problmes de taille intressante.
La programmation linaire est la mthode la plus rpandue (pour son adaptabilit) dans les
problmes de planication o les variantes les plus simples (en gnral les cas un seul produit,
avec capacit innie, constante ou nie), mnent des problmes qui restent polynomiaux ou
NP-diciles au sens faible. Cest le cas du modle propos par Wirojanagud et al. [154] pour
la planication de la main duvre dans un centre de production. Cependant, pour certains
problmes il existe des contraintes (ou la fonction objectif) qui ne peuvent pas tre linarises de
manire satisfaisante (obtention dun modle de taille peu raisonnable). Dans ces cas, dautres
mthodes peuvent tre labores pour la rsolution des problmes, des mthodes bases sur la
relaxation lagrangienne ou des heuristiques de dcomposition peuvent tre appliques.
Par contre, pour les problmes dordonnancement, la programmation linaire devient trs vite
inapplicable cause des problmes de taille car la combinatoire associe est beaucoup plus im-
portante et alors les performances de la programmation linaire se rvlent encore inssusantes
actuellement.
Mthodes par construction
Il sagit de mthodes itratives qui consistent construire une solution, en partant dune
solution vide, en appliquant certaines rgles qui dterminent les choix, jusqu lobtention dune
solution complte. Cest le cas des algorithmes de listes pour lordonnancement o lon dtermine
un ordre au fur et mesure que lon parcourt une liste de jobs pr-ordonne selon un certain
critre.
Une mthode de construction est dite gloutonne si lors de la construction on ne remet pas en
cause une dcision prise, cest le cas de lalgorithme dordonnancement NEH (Nawaz et al. [111]).
Si on considre des heuristiques par construction non gloutones alors avec cette dnition trs
28
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
1.2. Outils daide la dcision
large les procdures par sparation et valuation (PSE) et la programmation par contraintes
(PPC) sont des mthodes par construction.
Pour les PSE, qui sont aussi des mthodes exactes, la solution est construite avec lexploration
dun arbre de recherche dans lequel chaque nud correspond un sous-problme, et on a loption
de retourner en arrire lorsque lon ne peut plus complter la solution par des choix valides. Les
procdures par sparation et valuation sont utilises dans la rsolution exacte de problmes o
la combinatoire est importante comme les problmes dordonnancement, un exemple est donn
dans Baptiste et al. [6] pour lordonnancement juste--temps dans un jobshop. Nous faisons
une prsentation approfondie des procdures par sparation et valuation dans la section 3.7 du
chapitre 3.
Mthodes par dcomposition
Ce type de mthodes consistent diviser le problme initial en plusieurs sous-problmes,
qui, en pratique, sont plus simples rsoudre. Ensuite, les solutions des deux problmes sont
fusionnes pour obtenir une solution globale. Selon le type de dcomposition du problme initial,
cette combinaison de solutions peut tre trs complique mettre en uvre, on retrouve assez
souvent des procdures itratives. Selon Portmann [120] cette dcomposition peut tre hirar-
chique (par exemple la dcomposition dcisionnelle long, moyen et court terme de la gestion de
la production), structurelle, spatiale, temporelle. Chandra [33] utilise une dcomposition struc-
turelle de deux problmes diciles pour dterminer les politiques de rapprovisionnement et de
distribution ensemble.
Il est noter que les procdures par sparation et valuation, ainsi que la programmation dyna-
mique sont galement des mthodes par dcomposition, dcomposition de lespace des solutions
et/ou de lespace des dcisions. Cette classication, ne conduit donc pas des sous-ensembles
disjoints, mais permet de dcrire les mthodes en utilisant les caractristiques de chaque famille.
Mthodes par voisinage/recherche locale
Les mthodes de recherche locale sont des mthodes amliorantes. A partir dune solution
initiale, ces mthodes explorent les solutions voisines de la solution initiale jusqu ce quune
condition darrt soit satisfaite. Les dnitions de voisinage et les techniques de choix dune
solution du voisinage sont trs diverses, parmi les algorithmes de recherche locale on trouve
lalgorithme de plus forte pente, la recherche tabou (Glover [68]), le recuit simul, ...
Chen et al. [38] et Wan et Yen [152] prsentent des exemples dapplication de la recherche tabou
sur des problmes dordonnancement avec des fentres de temps. Heragu et al. [83] utilisent
le recuit simul pour un problme daectation de dimensionnement des zones de stockage et
aectation de produits ces zones.
Mthodes base de populations
Comme pour le cas prcdent, ces mthodes sont aussi des mthodes amliorantes. Dans ce
cas, on commence par gnrer une population initiale de solutions, cette population volue avec
les itrations et les meilleurs lments ont plus de chance dtre conservs, jusqu ce que la
condition darrt soit atteinte. Lexemple le plus connu de ce type de mthodes sont les algo-
rithmes gntiques pour lesquels lvolution de la population se fait par un oprateur de mutation
et le croisement de solutions. Kim et al. [89] et Gen et Syarif [65] ont conu des algorithmes
gntiques pour rsoudre des problmes dquilibrage de charge dans des lignes dassemblage et
pour la planication conjointe de la production et la distribution respectivement.
Comme on peut le voir, les champs dapplication des direntes familles dapproches de
29
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 1. Contexte du Travail
rsolution est trs vaste et pas exclusif, cest pourquoi dans la littrature nous pouvons trouver
des combinaisons dalgorithmes de ces familles, ces nouvelles procdures sont des mthodes
hybrides qui ont souvent des performances meilleures que les mthodes simples.
En pratique, dans lindustrie lutilisation des algorithmes dvelopps par les chercheurs est
trs limite. Notamment, dans la gestion de la production, lutilisation de progiciels inclus dans
les APS, les ERP est la plus rpandue sans que lon connaisse les qualits relles des algo-
rithmes internes, pour cause de condentialit ; les recherches dans ce domaine se concentrent
dans lintgration dapproches de rsolution plus ecaces aux logiciels dj existants, cest le
but de la thse de Robert [125]. Dans dautres domaines dapplication qui font appel aux mmes
techniques de rsolution, des solveurs commercialiss sont de plus en plus utiliss. La rsolution
de programmes linaires par ces progiciels (CPLEX de ILOG ou GLPK) est de plus en plus
ecace, lutilisation de mthodes hybrides (combinaison de PSE avec des mthodes de coupes,
heuristiques, recherche locale) permet de rendre ces logiciels de plus en plus robustes. Pour les
problmes quelconques, la programmation par contraintes (PPC) est une mthode trs rpandue.
Dans cette thse nous nous concentrons sur les approches de rsolution exactes pour nos
problmes de planication et dordonnancement. Pour la planication, nous avons choisi la
programmation linaire et sa rsolution avec un progiciel (CPLEX). Pour le problme dordon-
nancement notre choix a t une procdure par sparation et valuation.
1.3 Positionnement du travail de la thse et ses objectifs
Lenvironnement dans lequel nos travaux se situent est celui de la gestion des plateformes
logistiques et des entrepts, bien que la plupart de nos rsultats soient gnralisables des en-
vironnements de production. Dans cette thse, nous avons cherch intgrer des particularits
caractrisant le travail dans les plateformes et les entrepts. Plus particulirement nous nous
concentrons sur les fonctions de distribution/organisation du travail et de prparation de com-
mandes pour la rsolution de problmes de planication et dordonnancement respectivement.
Le type de produits utiliss par les plateformes de distribution et de prparation de com-
mande que nous tudions sont des produits nis dure de vie limite, qui ont des dlais de
livraison dans des intervalles de temps limits d au caractre saisonnier de la demande. Au
niveau tactique (distribution/organisation du travail), le dlai eectif de livraison peut encore
rsulter dune ultime ngociation sur un intervalle trs limit entre la plateforme et ses parte-
naires en amont et en aval, tandis quau niveau oprationnel (prparation de commande), nous
supposons que les dlais sont dtermins par les priorits propres chaque commande. Dans nos
travaux, nous supposons que la demande est connue et est calcule dans les niveaux temporels
suprieurs.
Dans nos travaux moyen terme nous intgrons la plateforme logistique dans un systme
trois tages fournisseur-plateforme-dtaillants. Nous dterminons un planning des livraisons
en amont et en aval en prenant en compte linteraction de la plateforme avec ses partenaires.
Nous dterminons galement la planication du travail dans la plateforme en considrant les
caractristiques physiques, oprationnelles et techniques de la plateforme. Lune des particula-
rits de notre plateforme est quil est possible de considrer des oprations de dsassemblage et
dassemblage de produits, oprations pour lesquelles il est ncessaire de considrer des nomencla-
tures. Au niveau oprationnel, nous avons restreint les oprations de la plateforme lopration
30
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
1.3. Positionnement du travail de la thse et ses objectifs
dassemblage que nous assimilons la prparation de commandes, chaque commande utilise
(consomme) des quantits connues des produits arrivant la plateforme des instants dtermi-
ns dans la phase de planication.
Par rapport au type de ressources considres, en planication, la principale ressource de
notre plateforme logistique est le personnel. Cette ressource, dans notre cas, est critiques. Nous
acceptons des heures supplmentaires et du personnel intrimaire, nous prenons en compte leurs
comptences.
En ordonnancement, nous supposons que les ressources humaines seront disponibles grce
la planication de la plateforme. En outre, nous assimilons le travail de la plateforme au
travail eectu par une machine (mais une lgre extension nous permettrait de considrer des
machines en parallle). Nous rsolvons un problme dordonnancement une machine avec les
caractristiques des livraisons amont hrites du niveau planication de la plateforme logistique
et avec direntes hypothses pour les livraisons aval.
Lobjectif gnral de cette thse est de proposer des outils daide la dcision pour les
problmes moyen et court terme des plateformes logistiques qui ont les caractristiques
que nous venons dintroduire. De manire gnrale, dans ce chapitre nous avons fait une brve
description du cadre dans lequel se place notre tude. En outre, nous avons pu mettre en vidence
limportance conomique et stratgique des plateformes logistiques et des entrepts dans les
chanes logistiques. Ainsi, ltude de problmes doptimisation de ces structures est ncessaire.
31
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 1. Contexte du Travail
32
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 2
Lissage de charge moyen terme
Nous abordons dans ce chapitre le problme de planication de la production dans les pla-
teformes logistiques. En particulier, nous tudions le lissage de charge dans les plateformes qui
doivent satisfaire une demande saisonnire. Ce mme problme peut tre identi dans des struc-
tures telles que les ateliers de production, pour cette raison nous avons essay dadopter une
approche gnrique. La caractristique principale de notre travail est de jouer, lgrement, sur
la exibilit donne par la ngociation des dates et des quantits des livraisons en amont et en
aval de la plateforme de distribution avec comme objectif essentiel de rduire les cots de main
duvre.
Le caractre moyen terme de cette problmatique nous a conduit proposer des modles
linaires pour les dirents types de ngociations que nous envisageons comme recours possibles
au problme de lissage de charge.
Dans ce chapitre, nous commenons par donner la description prcise du problme industriel
qui a motiv notre recherche et du problme de planication que nous tudions. Ensuite, nous
analysons les travaux existant dans la littrature concernant les problmes de lissage de charge
dans la production incluant ou pas des contraintes de personnel et/ou qui font appel des
ngociations, et nous positionnons notre problme par rapport la littrature rapporte.
Enn, nous dcrivons les approches de modlisation et de rsolution retenues pour notre
problme et nous enchanons avec la prsentation des exprimentations et lanalyse des rsultats.
Les travaux prsents dans ce chapitre ont fait lobjet de deux communications dans des
confrences internationales Carrera et al. [29] et Carrera et al. [30].
Contents
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.2 Motivation industrielle . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.3 Etat de lart . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.3.1 Gestion de personnel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.4 Formalisation du problme et hypothses spciques . . . . . . . . . 41
2.5 Modles Linaires proposs . . . . . . . . . . . . . . . . . . . . . . . . 42
2.5.1 Elments du modle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.5.2 Modle avec les ngociations des dates de livraison . . . . . . . . . . . . 46
2.5.3 Modle avec ngociations des dlais et des quantits . . . . . . . . . . . 53
2.6 Exprimentations et Rsultats . . . . . . . . . . . . . . . . . . . . . . 55
2.6.1 Agencements de plateforme tests . . . . . . . . . . . . . . . . . . . . . 55
2.6.2 Mise en uvre et donnes utilises . . . . . . . . . . . . . . . . . . . . . 57
2.6.3 Expriences numriques . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
33
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 2. Lissage de charge moyen terme
2.6.4 Rsultats obtenus avec les ngociations des dlais . . . . . . . . . . . . . 61
2.6.5 Rsultats obtenus avec les ngociations des dlais et des quantits . . . 69
2.7 Conclusion du chapitre . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
34
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
2.1. Introduction
2.1 Introduction
Dans nimporte quelle industrie, dterminer de manire prcise la capacit de production
nest pas un problme facile. Puisque notre tude se place dans un contexte o la demande est
saisonnire, on peut se demander si la dtermination de la capacit de production doit tre base
sur la demande que le centre de production aronte pendant les priodes de pointe. Si oui, ceci
impliquerait que la plupart du temps, le fabricant a des ressources chres inactives. Ou alors,
la capacit de production doit se baser sur la demande moyenne, auquel cas il y a besoin dune
capacit supplmentaire, et chre, pendant les priodes de pointe, Simchi et al. [134]. Le mme
problme se prsente lorsquon veut planier la capacit de transport ou la capacit de stockage,
par exemple.
Chopra et Meindl [43] identient plusieurs mcanismes pour assurer la satisfaction de la
demande pendant les priodes de pointe. Ces mcanismes touchent aux domaines de la gestion
de la capacit de production et de la gestion des stocks. Les auteurs proposent de :
Jouer sur la exibilit temporelle de la main duvre, en ayant des horaires de travail
particuliers (3 8) ou des heures supplmentaires par exemple ;
Utiliser de la main duvre temporelle, laquelle est, en gnral, embauche pendant toute
la priode de pointe ;
Sous-traiter la production excdante ;
Avoir des centres de production spcialiss et dautres exibles. Les centres de production
spcialiss produisent de manire ecace des quantits stables, dune gamme limite de
produits, tout instant. Les centres exibles peuvent produire des volumes variables et une
varit plus grande de produits un cot plus lev. Ainsi les uctuations sont absorbes
par les installations exibles ;
Avoir des lignes de production exibles avec des taux de production qui peuvent varier
facilement. La production est ainsi change pour satisfaire la demande. Les lignes de
production sont conues pour que le fait de changer le nombre de ressources alloues
une ligne varie signicativement le taux de production. Cette approche ne marche que si
la variation de la demande, sur les direntes lignes de production, est complmentaire (la
demande augmente pour certains produits et diminue pour dautres) pour ne pas avoir
augmenter les ressources ; une autre condition est que les ressources sadaptent facilement
aux lignes de production;
Avoir des stocks de produits trs demands et dautres de demande prvisible. Les pro-
duits de demande prvisible doivent tre produits avant la priode de pointe, ainsi, la plus
grande partie de la capacit de production sera rserve pour la production des produits
trs demands.
Dans tous les cas, la coordination entre la production et la distribution est ncessaire (Chen et
Pundoor [41]). Les procdures dcrites pour faire face la demande peuvent aussi tre appliques
au contexte des plateformes logistiques. Lapproche adopte par les plateformes logistiques que
nous tudions est celle de lutilisation de la exibilit de la main duvre et du personnel
intrimaire. Cette dernire, en particulier, est une pratique qui cote trs chre, do lintrt de
la rduire le plus possible. Le problme que nous tudions dans ce chapitre est celui du lissage
de charge pendant les priodes de pointe pour minimiser les cots de personnel.
Lobjectif de ce chapitre est de proposer une approche daide la dcision base sur des
mthodes doptimisation et de recherche oprationnelle pour le lissage de charge dans les plate-
formes logistiques dans le but de rduire les cots de main duvre supplmentaire engags. Les
35
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 2. Lissage de charge moyen terme
moyens que nous utilisons pour lisser la charge sont les ngociations des ux avec les partenaires
en amont et en aval de la plateforme et ltude de la structure physique des zones de stockage.
Les ngociations concernent les dates de livraison et les quantits eectivement livres chaque
tourne des fournisseurs et des clients (magasins). Notre travail analyse des contraintes ralistes
qui ne sont pas souvent considres dans la littrature concernant les plateformes logistiques.
Note : Par analogie aux plateformes logistiques, le problme que nous traitons correspond
au problme de planication dans les ateliers de production. Ce dernier est pris en charge par
les logiciels de MRP (MRP3 pour la prise en compte des contraintes de capacit). La grande
dirence entre la planication en atelier ou dans une plateforme logistique se situe au niveau
des ressources. En eet, MRP gre principalement les ressources matrielles (machines) alors que
dans une plateforme logistique (surtout dans les moins automatises dentre elles) la ressource
essentielle est la ressource humaine.
Nous proposons un modle de programmation linaire en nombres entiers, le plus gnral pos-
sible, pour le lissage de charge des plateforme logistiques et la planication de la main doeuvre.
Dans le cadre des chanes logistiques en gnral, nous modlisons plusieurs types de ngociations
avec les partenaires en amont et en aval. On peut utiliser du personnel intrimaire et on dispose
dun nombre limit dheures supplmentaires pour chaque catgorie de personnel. Dans ce mo-
dle, nous considrons quelques unes des fonctions les plus importantes dun entrept, telles que
la prise en compte de nomenclatures pour ce qui concerne lassemblage et le dsassemblage de
produits. Lanalyse exprimentale de plusieurs agencements physiques de plateforme, complt
par des organisations direntes des ux et du travail, nous permet de comparer les agencements
de plateforme et de montrer limportance des ngociations.
La suite de ce chapitre est organise comme suit : dans 2.2 nous prsentons le cadre industriel
de nos recherches. Dans 2.3, nous analysons ltat de lart concernant les dirents aspects de
notre problme. En suite, dans 2.4, nous dtaillons le problme tudi ainsi que les contraintes
industrielles qui peuvent tre intgres la problmatique de lissage de charge et les critres
considrs ; puis, dans 2.5 nous dcrivons les modles de programmation linaire qui ont t
conus. Dans 2.6, les modles proposs sont tests sur une varit de structures de plateforme,
aussi ces modles sont tests avec des donnes gnres alatoirement, les rsultats sont prsents
et comments. Enn, la section 2.7 donne la conclusion du chapitre.
2.2 Motivation industrielle
Dans le cadre de contacts entre lquipe Orchids et des entreprises grant des plateformes
logistiques, plusieurs problmes reviennent de faon rcurrente et, en particulier, les problmes
de lissage de la charge de ces plateformes. En eet, les entreprises perdent de largent car il y a
des priodes de lanne o la charge de travail augmente et o elles sont obliges de recruter du
personnel intrimaire, alors qu dautres priodes leur personnel est sous-employ.
Plusieurs mcanismes daction peuvent tre identis pour pallier ce problme de lissage de
charge : ngociations de contrats avec les clients et les fournisseurs, rgles de fonctionnement
rgissant les ux amont et aval ainsi quune meilleure organisation interne de la plateforme
(agencement, organisation des activits, aectation optimale des produits aux emplacements de
stockage).
En particulier, le problme de lissage de charge nous a t inspir suite un audit dun cas in-
dustriel qui est celui de lentreprise de distribution de chaussures, que nous appelons dans cette
thse SAVAT. Nous prsentons dans ce qui suit notre cas de rfrence, les problmes rencontrs
36
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
2.2. Motivation industriel le
par cette entreprise et lapproche que nous proposons pour la rsolution de ce problme. Une
approche qui se veut gnrique et qui permettrait de traiter ce type de problmes sur dautres
cas de plateformes logistiques et de certaines structures de production comme les ateliers.
Figure 2.1 Plateforme du problme industriel
Lentreprise SAVAT a t cre en Lorraine en 1936. Cest une entreprise de distribution,
sans fabrication. Elle possde ou gre environ 100 magasins en France, une otte de vhicules et
possde une plateforme logistique en Champagne. Son chire daaires est de 60 millions deuros
par an pour environ 2 millions de paires de chaussures vendues.
Lentrept en Champagne joue le rle dintermdiaire entre les fournisseurs et les magasins (les
clients), mais aussi entre les magasins eux-mmes.
Si on observe la charge de la plateforme, deux fois par an il y a des pics de charge dus au dbut
de saison printemps/t et automne/hiver. Les magasins reoivent une premire livraison avec
les nouveaux produits de saison. Plus tard, pour rapprovisionner des pointures manquantes
(rassortiment), les magasins peuvent demander des livraisons complmentaires la plateforme
ou aux autres magasins. Pendant plusieurs semaines, correspondant aux premires livraisons, la
plateforme subit une charge importante de travail, lentreprise se voit contrainte de recruter du
37
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 2. Lissage de charge moyen terme
personnel intrimaire, ce qui augmente ses cots oprationnels.
Le schma des ux externes la plateforme est prsent dans la gure 2.1. La structure des ux
lintrieur de lentrept, en dbut dtude, est la suivante. Les livraisons fournisseurs arrivent
dans des camions, qui sont dchargs et les produits dposs dans la zone de rception. Les
produits sont ensuite transfrs vers les tables de dballage o ils sont dballs (lopration de
dballage comprend aussi une vrication). Des caristes mettent ensuite les produits en rayon,
lendroit qui leur est ddi, 20% des produits sont stocks pour une priode plus longue que le
pic de charge considr et 80% repartent des rayons pour tre envoys aux magasins (qui sont
les clients de la plateforme). Le picking consiste prlever les produits du stock (les rayons)
an de constituer les commandes clients, et lorsque le picking est concentr sur certains rayons
ou certaines tagres, le packing (dnomination propre lentreprise) intervient pour diminuer
les vides entre les botes et rduire ainsi le temps de travail des agents de picking. Enn, les
produits sont dposs dans la zone de chargement o ils sont chargs dans les camions pour les
livrer aux clients.
Les quantits et les dates des livraisons des fournisseurs sont ngocies avec eux dans un niveau
de granularit plus grand, ces livraisons peuvent ventuellement tre modies dans la pratique
selon les niveaux de tolrance des fournisseurs et des clients, et les besoins de la plateforme. Par
ailleurs, cette entreprise supervise lorganisation des tournes de livraison vers les magasins.
Lobjectif associ cette problmatique est de proposer un outil pour lisser la charge de la
plateforme, de faon minimiser les cots de main duvre et faire en sorte que le personnel
permanent suse assurer le bon fonctionnement de celle-ci. Et ce en tenant compte de toutes
les contraintes au niveaux des ux, des ressources et de la demande de la plateforme. Loutil
daide la dcision peut aussi tre utilis pour comparer plusieurs agencements et organisations
de travail de la plateforme, car laudit a suggr que dautres agencements pourraient rduire le
nombre de fois o un produit est manipul pendant son passage par la plateforme.
2.3 Etat de lart
La littrature concerne par notre problme de planication touche dirents sujets.
Dabord celui de loptimisation des entrepts que nous avons analys lors de la prsenta-
tion des entrepts dans la section 1.1.3 du chapitre 1. Par ailleurs, nous nous sommes aussi
intresses aux mcanismes de coordination et aux types de ngociations entre les entrepts et
leurs partenaires (section 1.1.3).
Lanalyse faite sur loptimisation des entrepts nous a permis de constater que la plupart
des travaux sintressent la minimisation du dbit de la plateforme selon sa structure et ses
politiques de picking pour prparer les expditions. Le problme de loptimisation de la capacit
de dbit est trs rarement considr de faon globale. En eet, les articles traitent soit des
politiques de picking ou de rangement des produits ou encore de lagencement de lentrept,
mais sans se proccuper de linteraction entre ces dirents facteurs sauf dans quelques modles
de simulation. De plus les phnomnes tudis sont dans la plupart des cas considrs comme
stationnaires (auquel cas les ngociations avec les partenaires en amont et en aval pour lisser la
charge deviennent inutiles), et des contraintes telles que la date de livraison au plus tard date
due, ou encore les pnalits de retard de livraison dune commande, ne sont que trs rarement
prises en considration alors que la ralit du march imposerait le contraire.
Par ailleurs, la littrature concernant les problmes de coordination incluant les entrepts
et les plateformes logistiques sest concentre en gnral sur le calcul de stratgies de rappro-
38
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
2.3. Etat de lart
visionnement et la gestion des stocks au sein des chanes logistiques plusieurs tages de type :
fournisseurs (ou producteurs)-entrepts-dtaillants. Les problmes traits prennent surtout en
compte des caractristiques associes la distribution comme les temps de transport, parfois
des caractristiques associes la production comme le temps et la capacit de production, et
considrent la capacit de stockage. Les modles proposs dans la littrature pour ce type de
problme prennent rarement en compte lorganisation du travail dans les entrepts, leur orga-
nisation physique et la gestion de leurs ressources.
2.3.1 Gestion de personnel
Les ressources humaines sont la principale ressource des plateformes logistiques que nous
tudions ; en particulier, la conception doutils de lissage de charge pour la minimisation des
cots associs au personnel est lobjectif des travaux de ce chapitre. Pour cette raison, dans
cette partie, nous prsentons quelques travaux qui montrent la faon dont les ressources hu-
maines sont traites dans la littrature ainsi que les direntes contraintes et modes de gestion
qui sont souvent considrs.
Pour la gestion de personnel court terme, Billionet [13], par exemple, tudie un problme
o lon prend en compte les comptences des dirents ouvriers qui sont classs en catgories
(un ouvrier plus quali peut remplacer un ouvrier moins quali, mais pas linverse), et des
contraintes sociales o chaque ouvrier doit avoir un nombre minimal de jours libres par semaine.
Lauteur suppose que la charge de travail peut changer pendant lhorizon temporel considr,
le nombre de tches excuter chaque jour est connu et est donn par la planication de la
production prvisionnelle. Lauteur propose un modle en nombres entiers pour ce problme o
lobjectif est de minimiser le cot de personnel et de calculer lordonnancement qui satisfait les
exigences de travail, un solveur de programmation linaire est utilis pour la rsolution de ce
problme. Lauteur propose quelques extensions son modle, le modle peut tre adapt pour
minimiser aussi le nombre douvriers qui doivent eectuer des tches pour lesquelles ils ont une
qualication suprieure celle exige, ou pour trouver un planning dans lequel les jours libres
de chaque ouvrier soient conscutifs.
Sekiner et al. [132] pour sa part, reprend le problme tudi par Billionnet et suppose que les
ouvriers sont en travail post (du type 3/8 ou autre organisation) et peuvent tre aects durant
la mme semaine dirents postes, que nous dsignerons par la notation anglaise de shift car
le mot poste a trop de signications en franais. Lide de ce article est dutiliser des semaines
de travail condenses pour rduire les cots. Les entreprises peuvent adopter une varit de
politiques dordonnancement exible pour les heures de travail dune journe ouvrable. Lauteur
suppose quune semaine de travail condense est une semaine qui a moins de jours ouvrables
avec des journes de travail plus longues. Le fait davoir des shifts variables, peut permettre de
rduire les cots de personnel car les ouvriers peuvent travailler moins de jours par semaine mais
plus de temps par jour ou vice-versa. Les rsultats exprimentaux de ce travail nous permettent
de constater que les cots sont rduits par rapport ceux trouvs lorsquon considre un seul
shift (Hung [85], Narasimhan [110]), la raison est quon peut trouver une solution pour satisfaire
la demande avec moins de personnel.
Le problme dembaucher du personnel pour des priodes indtermines est abord dans
Wirojanagud et al. [154]. Ici les auteurs considrent un atelier avec dirents groupes de ma-
chines, o chaque ouvrier possde au moins un domaine de comptences et o ils peuvent tre
forms pour utiliser dautres machines. Lobjectif de cet article est de calculer combien douvriers
faut-il embaucher, former et licencier chaque priode pour satisfaire une demande donne. Les
39
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 2. Lissage de charge moyen terme
auteurs proposent un modle en nombres entiers dont lobjectif est de minimiser les cots de
personnel sur lensemble des priodes. La rsolution du modle linaire nest pas envisageable
sur des donnes de taille relle, en consquence, une mthode de dcomposition densembles de
comptences est propose.
Franchini et al. [59] expliquent que, dans le milieu industriel, la charge par groupe de com-
ptences est calcule selon lordonnancement des ressources techniques (ressources critiques).
Le problme trait est daecter les ressources humaines tout en respectant les exigences de
comptences par priode et les contraintes propres aux ressources humaines. Pour ce faire, il
faut prendre en compte le cadre lgal de lentreprise. En gnral, les approches de planication
et dallocation des ressources humaines sont bases sur un inventaire de comptences et sont
rsolus en utilisant une approche multi objectif et de la programmation sous contraintes. Les
auteurs de ce travail proposent une revue des techniques de gestion des ressources humaines. Il
faut considrer les exigences de travail, les rgles sociales ou les rgles de lentreprise, les rgle-
mentations lgales et oprationnelles, la disponibilit et les congs des employs. Lapproche de
cet article considre les ressources techniques comme critiques, la principale donne dentre est
lensemble des ordonnancements des ressources techniques, partir desquels on calcule la charge
par ressource et par priode et la charge ncessaire par comptence. Selon les comptences des
oprateurs, on les aecte (selon leurs disponibilits) aux ressources et on adapte leur charge
selon les lois. Lobjectif est de minimiser les cots de personnel (ou le personnel externe). On
considre que lon peut lisser la charge du personnel pour que les conditions de travail soient
plus agrables mais pas pour rduire les cots.
De manire gnrale, les documents trouvs traitent la gestion de personnel comme un pro-
blme dordonnancement (ou de planication) avec lordonnancement (ou la planication) dac-
tivits prx, cest--dire que la planication et ordonnancement du personnel est trait comme
un problme part. De ce fait, le problme de planication et dordonnancement de personnel
nest pas souvent inclut dans des modles de prise de dcisions intgrs comme par exemple, la
planication de la production et la gestion de personnel. Nous conseillons les travaux de Gresh
et al. [71] et Ernst et al. [53], en particulier ce dernier pour un tat de lart de la littrature
concernant la planication et lordonnancement de la main duvre dans dirents secteurs
dactivit.
Dans ce chapitre nous proposons de lisser la charge dans les plateformes, pour cela nous
utilisons les ngociations avec les partenaires de lentreprise situs en amont et en aval de la
plateforme et nous prenons en compte les ressources humaines de la plateforme. A notre connais-
sance, ce problme est nouveau et na pas t considr auparavant. Vu le caractre moyen terme
des dcisions, nous avons dvelopp un modle de programmation linaire pour rsoudre ce pro-
blme. Dans ce chapitre nous proposons un modle le plus gnrique possible an de pouvoir
lappliquer direntes congurations de plateformes logistiques, et direntes organisations
de ux, tout en prenant en compte plusieurs types de ngociations, dans le but de fournir une
solution gnrique du lissage de charge.
40
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
2.4. Formalisation du problme et hypothses spciques
2.4 Formalisation du problme et hypothses spciques
Lhorizon de temps que nous considrons correspond lune des deux priodes o un pic de
charge est constat, cest--dire entre 6 et 8 semaines. Lobjectif est de grer toutes les livraisons
pendant cet horizon et de trouver une planication prvisionnelle des ressources de la plateforme
(ou dun centre de production).
Les produits de notre application industrielle sont des chaussures, ce sont des produits semi-
prissables, cest--dire des produits dure dexistence limite avec une date limite de consom-
mation, dans notre cas cette date limite est donne par la saisonnalit des chaussures. Nous
avons rencontr dautres gestions de plateformes correspondant des produits semi-prissables
(produits froids ou congels, brochures distribuer) pour lesquels les modles proposs ici pour-
raient tre adapts.
Quant aux livraisons, pour chaque magasin et pour chaque fournisseur, il pourrait y avoir plus
dune livraison planie sur lhorizon temporel. Pour notre problme industriel, les quantits et
les dates de ces livraisons sont prvues en avance, dans le but de satisfaire tous les partenaires
(fournisseurs, transporteurs, plateforme et magasins) aussi bien que possible aprs ngociations.
Notre outil daide la dcision a pour but daider les ngociations pour rduire les cots de per-
sonnel. Dans notre modle, nous considrons que les quantits et les dates de livraison choisies,
dans la phase de planication prliminaire avant lutilisation de notre outil daide la dcision,
constituent des dates idales pour lensemble des partenaires, mais pas pour les plateformes.
Nous supposons que les fournisseurs et les clients autorisent des avances et des retards limits
pour les livraisons (par rapport la position idale et par rapport aux dates limites de consom-
mation des produits transports), ce qui donne une lgre exibilit la planication de la main
doeuvre de la plateforme.
Les avances et les retards, par rapport la date idale, pnalisent les fournisseurs car ils doivent
modier leurs propres productions, et aussi les magasins car ils pourraient perdre des ventes.
Dans notre modle, ces pnalits sont reprsentes par des cots ctifs. Ces cots sont supposs
tre proportionnels la longueur de lcart entre les dates relles des livraison et les dates idales
prxes. Ils sont calculs tout en prenant en compte les quantits prvues de chaque livraison
et les perturbations que ces carts sont senss produire.
En plus des dcalages temporels des livraisons, pour ajouter un degr de libert pour le lissage
de charge, nous supposons que les quantits associes chaque livraison peuvent tre galement
ngocies. Tout comme dans la ngociation des dates, pour chaque livraison et pour chaque
fournisseur (ou magasin), il y a des pnalits associes pour les raisons dcrites auparavant. Ces
pnalits sont associes aux quantits qui sont en avance ou en retard par rapport aux courbes
cumules idales, voir 2.5.1 et gure 2.2.
Quand laudit de lentreprise de chaussures a t men, il a t constat que dans la plate-
forme il y avait peu prs 20% de ux 1 (cross-docking) et 80% de ux 3, voir gure 1.3. Tous
les produits qui ne sont pas traits par le cross-docking passent par la rserve. Il est noter que
le cross-docking, sans traitement sur la plateforme, o les colis destins chaque magasin sont
prpars en amont par les fournisseurs, semble idal, mais il augmente les cots chez les fournis-
seurs et les volumes transports. En outre, il diminue la exibilit de la gestion de lentreprise
de chaussures.
Au dpart, une des motivations de notre tude tait de dterminer les pourcentages optimaux
de chaque ux dans la plateforme pour minimiser les cots en diminuant les passages par la
rserve et non pas en augmentant le cross-docking, considr son optimum compte tenu des
cots.
41
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 2. Lissage de charge moyen terme
Dans la plateforme de notre application, la principale ressource dexcution doprations
est constitue par la main duvre. La plateforme est compose de personnel permanent, avec
un contrat dure dtermine ou indtermin. Mais, comme nous lavons dj expliqu, pour
assurer la satisfaction de la charge de travail pendant les priodes de pointe, la plateforme peut
faire appel du personnel intrimaire qui, dans notre modle, sont embauchs par priode et
leur emploi du temps est prx (en dehors des limites de notre modle) pour avoir assez de
personnel chaque priode. La main doeuvre est classe en catgories selon leurs ecacits
moyennes et leurs comptences pour excuter les oprations. Lecacit dune catgorie est
donne par un pourcentage qui reprsente un niveau de performance par rapport la meilleure
performance possible. Evidemment, les cots dembauche dpendent des ecacits du personnel
vis. Par ailleurs, dans notre modle, chaque ouvrier peut travailler une quantit maximale
dheures supplmentaires par priode ; le nombre dheures supplmentaires et le cot de ces
heures dpendent de chaque catgorie. Les heures supplmentaires cotent plus cher lentreprise
que les heures de travail normales.
An de rendre notre modle susamment gnrique pour quil puisse sadapter aussi des
structures de production, nous avons considr lexistence doprations dassemblage et de dsas-
semblage et des nomenclatures associes
1
. Pour cette raison, les familles de produits contiennent
des produits simples et des produits composs qui sont le rsultat de nomenclatures. Les activits
dassemblage, de dsassemblage et de transformation sont direncies dans le modle. Quelques
activits ncessitent un pourcentage minimal de travail excut par une personne plus qualie
ou un expert chaque priode.
2.5 Modles Linaires proposs
Nous avons choisi la programmation linaire plutt que la simulation (comme souvent retrou-
ve dans la littrature sur des problmes lis aux entrepts et plateformes) en raison de notre
choix dlibr de nous placer, dans ce chapitre, au niveau de la planication (moyen terme) et
non pas au niveau oprationnel. Dans cette section, nous introduisons les modles linaires que
nous proposons, ils sont susamment gnriques pour tre appliqus plusieurs types dentre-
pts, pour reprsenter les direntes contraintes lies ces derniers, et pour tenter de trouver
une solution au problme de lissage de charge. Nous avons initi notre rexion grce au cas de
SAVAT, entreprise de commercialisation de chaussures, et nous avons essay de le gnraliser
tous les entrepts, voir mme aux ateliers de production.
Dans cette section nous commenons par donner une description des direntes entits du
modle avec les hypothses qui concernent chaque famille dentits. Ensuite, dans la section
2.5.2, nous introduisons le premier modle qui admet seulement des ngociations sur les dates
des livraisons. Enn, dans 2.5.3, le deuxime modle avec des ngociations des dates et des
quantits est prsent.
2.5.1 Elments du modle
Paramtres temporels : En raison du caractre moyen terme de notre modle, nous avons
choisi une unit de temps note . Selon la granularit temporelle du modle, peut tre gal
une heure, une demi-journe ou une journe, voir Belvaux et Wosley [11]. Lhorizon temporel,
1. Si une commande magasin doit tre livre en totalit de manire groupe dans la mme livraison, on peut
la considrer comme un assemblage, cest notre hypothse au chapitre 3 qui concerne le niveau oprationnel
(ordonnancement). Par contre dans ce chapitre, certains lments dune commande pourraient tre livrs en
retard, ce qui relaxe la contrainte dassemblage.
42
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
2.5. Modles Linaires proposs
qui correspond aux priodes de pointe, est not H et est dni par un nombre entier de priodes
de dure . Notre modle value les niveaux de stock seulement au dbut et la n de chaque
priode. Nous supposons que est assez petit pour que les variations de stocks ne soient pas
trs grandes lintrieur dune priode. Autrement, les capacits des zones de stockage devraient
tre sous-estimes dans le modle pour viter le sur-stockage.
Activits de la plateforme : Comme dans tout systme de gestion moyen terme,
nous distinguons deux groupes dentits : les zones de stockage et les activits qui dplacent
les produits dune zone de stockage une autre. Des activits, comme le contrle, le dballage,
lassemblage, le dsassemblage, ..., donnent de la valeur ajoute aux produits dplaces. Dans
ce chapitre, nous considrons que toutes les livraisons des fournisseurs qui arrivent la mme
priode, reprsentent un seul stock de produits dans un seul camion; ce camion doit tre pris en
charge par une seule activit ctive de dchargement dans le modle.La mme situation apparat
avec les livraisons vers les clients.
Dans nos expriences numriques la capacit de la plateforme logistique est illimite car, tout
instant, elle peut stocker tous les produits arrivant pendant les priodes de pointe. Nanmoins,
la capacit de chaque zone de stockage lintrieur de lentrept est limite, exception de la
rserve.
Pour certains cas de notre tude, parmi les activits de la plateforme, nous ajoutons une activit
appele mise en rserve qui absorbe le pourcentage de ux 3 (voir gure 1.3) qui doit aller la
rserve. Les produits dans la rserve nabandonnent pas la plateforme avant la n de lhorizon
du modle, car en ralit les magasins demandent encore des rassortiments aprs la n de la
priode o le pic de charge est constat. Nous supposons que lactivit mise en rserve est
excute obligatoirement juste avant la n de lhorizon.
Familles de produits : Rouwenhorst et al. [127] remarquent que le nombre de produits
dirents peut tre trs grand dans un entrept de distribution, alors que les commandes des
clients sont typiquement composes de plusieurs produits dirents mais en trs petite quantit
pour chacun, ce qui rend la logistique interne complexe. Au niveau tactique, en gnral, la
planication agrge les produits similaires en familles, cest pourquoi nous avons choisi davoir
des familles de produits sans direncier les produits lintrieur de chacune (travailler au niveau
des produits augmenterait considrablement le nombre de variables, mais ne modierait pas notre
modle). Pour notre application industrielle, par exemple, nous ne faisons pas la dirence entre
les pointures des chaussures dune mme famille. Pour simplier la rdaction, par la suite les
direntes familles seront appeles simplement produits. La quantit de chaque produit dans un
camion qui arrive ou dans un camion qui part est dnie en units de produit et non pas en
paquets ou palettes (la remarque de Rouwenhorst et al. [127] le justie), mme si lon manipule
des groupes de produits. Nous distinguons les produits selon les caractristiques physiques des
produits ; pour nous il sagit des poids et des tailles des paquets de chaque produit. Selon ces
caractristiques physiques, nous sommes en mesure de dterminer des dlais de traitement pour
les activits de chargement, dchargement, assemblage ou dsassemblage de la plateforme.
Dans notre modle, nous supposons quil y a des produits simples et des produits composs
(SP et CP dans la gure 2.2). Les produits simples sont obtenus en dsassemblant un produit
compos, comme montr dans la gure 2.2. De la mme faon, les produits composs peuvent
tre obtenus par une opration dassemblage qui prendra plusieurs produits simples pour former
un produit compos, par exemple, une commande dun magasin. Dans la gure 2.2, les op-
rations de dsassemblage, assemblage et transformation (tel que le contrle) sont reprsentes
avec des ches continues, gras et pointilles respectivement. Dans un atelier de production, nous
43
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 2. Lissage de charge moyen terme
Zone de stockage
Zone de stockage
Figure 2.2 Diagramme des oprations dassemblage et de dsassemblage
pouvons assimiler lactivit dassemblage lactivit de production o on utilise des composants
pour obtenir un nouveau produit semi-ni. Par ailleurs, il nest pas illogique de considrer des
activits dassemblage dans un entrept car dans certains cas industriels, lassemblage nal est
fait dans les entrepts et cela doit tre pris en compte par le modle.
Organisation des ux : La modlisation de lorganisation des ux est ncessaire quand
plus dun chemin possible existe dans la plateforme. Par exemple, une fois quune livraison des
fournisseurs arrive et que le camion est dcharg, selon lagencement de la plateforme, les pro-
duits peuvent aller deux endroits : un pourcentage des produits va directement la zone de
cross-docking et le pourcentage restant va la rserve. Pour modliser lorganisation des ux,
nous prsentons deux possibilits. La premire consiste utiliser des contraintes de ux qui font
quun pourcentage de produits aille la zone que lon souhaite dans la plateforme sur lhorizon
temporel ; ces contraintes sont souvent redondantes avec les commandes des clients qui sont cal-
cules en prenant en compte ces pourcentages et qui assurent lquilibre des ux. La deuxime
possibilit est dintroduire des contraintes pour modliser le fait que certains stocks doivent tre
vides certaines priodes, spcialement la n de lhorizon temporel. Ainsi, tous les produits
qui restent dans la plateforme seront dans la rserve la n de lhorizon. Dans ce chapitre, nous
proposons dutiliser les deux types de modlisation des ux.
Ngociations : Dans le but de donner de la exibilit pour lisser la charge dans la plateforme
et pour viter, si possible, la main duvre supplmentaire, nous autorisons des modications
limites (que lon appelle ngociations) des dates darrive et de dpart des livraisons des fournis-
seurs et des clients. Les quantits prvues pour ces livraisons peuvent tre modies lgrement
galement.
Pour les ngociations des dlais prvus, les retards et les avances tolrs des livraisons et les
pnalits associes (relles ou virtuelles), correspondant aux fournisseurs ou aux magasins sont
supposs connues. Par ailleurs, pour grer la ngociation des quantits, nous dnissons des
courbes cumules, par client (ou fournisseur) et par produit. Ces courbes seront utilises soit
comme des bornes suprieures et infrieures obligatoires ou comme des courbes cumules idales
qui permettent de calculer des pnalits davance et de retard de lcart entre ces courbes idales
et les courbes cumules associes une solution de planication, voir gure 2.3. Une courbe cu-
44
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
2.5. Modles Linaires proposs
d
1
d`
1
d
2
d
3
d`
2
d`
3
d
4
d`
4
temps
quantit
Courbes cumulees au plus tt
et au plus tard en amont
Courbe cumulee ideale
en amont
Courbe cumulee calculee
en amont
Livraisons des Iournisseurs
arrivees trop tt
Livraisons des Iournisseurs
arrivees trop tard
d
i
Date souhaitee pour la livraison i
d`
i
Date eIIective de la livraison i
d
1
d`
1
d
2
d
3
d`
2
d`
3
d
4
d`
4
temps
quantit
Courbes cumulees au plus tt
et au plus tard en amont
Courbe cumulee ideale
en amont
Courbe cumulee calculee
en amont
Livraisons des Iournisseurs
arrivees trop tt
Livraisons des Iournisseurs
arrivees trop tard
d
i
Date souhaitee pour la livraison i
d`
i
Date eIIective de la livraison i
Figure 2.3 Courbes cumules en amont pour un produit
mule, pour un produit, en amont (resp. en aval) est dnie comme la somme cumule des
quantits livres par les fournisseurs (resp. aux magasins).
Contrairement aux pnalits davance et de retard des livraisons, la pnalit de variation de
quantits est plus directement associe des cots de production (et de stockage) en amont
et en aval de la plateforme. Leur calcul peut nanmoins tre dicile car il ncessite dtudier
les consquences de ces avances/retards en utilisant, par exemple, des modles doptimisation
moyen terme. Le cot associ chaque unit de surface en avance ou et en retard de la courbe
calcule par rapport la courbe idale, voir gure 2.3, est aussi suppos connu.
Ressources humaines : La plateforme logistique fonctionne essentiellement avec des
ressources humaines. Il est ncessaire de prendre en compte leur savoir-faire dans lecacit
avec laquelle chaque personne excute les tches qui lui sont attribues. Ainsi, dans nos modles,
nous avons choisi de dnir des catgories de personnel. Les personnes dans la mme catgorie
sont capables dexcuter des activits avec la mme ecacit. Selon la granularit du modle,
pour chaque produit et pour chaque activit, des temps de traitement minimaux sont dnis.
Ces temps de traitement correspondent au temps quun expert mettrait excuter la tche sur
la famille de produits considre. Pour calculer le temps pass par les autres catgories, nous
avons introduit une matrice decience par activit, par famille de produit et par catgorie de
personnel. Les valeurs de cette matrice correspondent des taux decience qui sont infrieurs
ou gaux 1. Nous prenons en compte dautres contraintes relatives aux ressources humaines,
telles que la possibilit de faire des heures supplmentaires ou dimposer des niveaux dexpertise
pour certaines activits.
45
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 2. Lissage de charge moyen terme
2.5.2 Modle avec les ngociations des dates de livraison
Dans cette section, nous prsentons le premier modle qui permet les ngociations des dates,
dans la section suivante nous montrons comment tendre ce premier modle pour quil prenne
en compte les ngociations des quantits.
Paramtres et Variables
Ce premier modle a plusieurs paramtres. Aussi souvent que possible, nous utilisons la
premire lettre du nom de chaque famille de paramtres pour la caractriser ; nous donnons
aussi le symbole qui identie lensemble dindices correspondant. Dans le tableau 2.1, la premire
colonne contient la notation la plus utilise pour les indices, la deuxime colonne contient un
sigle dsignant une famille dindices et la dernire colonne la description de cette famille.
Table 2.1 Ensembles dindices et notations
Indice Ensemble Description
dure dune priode donne en heures (granularit temporelle)
H horizon temporel (entre 6 et 8 semaines)
t NT indice du temps
nth nombre de priodes dans lhorizon temporel
z NZ zones de stockage
w NW catgories de personnel
p NP familles de produits
NOA oprations dassemblage
o NOD oprations de dsassemblage
NOT oprations de transformation : contrle, dplacement ou production en
gnral
NO ensemble de toutes les oprations de la plateforme (NO = NOA
NOD NOT)
OC oprations de chargement des camions (OC NO)
o OD oprations de dchargement des camions (OD NO)
dans le modle les ensembles OC et OD ont seulement un lment car
nous avons considr un seul quai de chargement et de dchargement
d
u
NDU livraisons amont/fournisseurs
d
d
NDD livraisons aval/clients
d ND ensemble dindices de toutes les livraisons (ND = NDU NDD)
a NA ensemble de toutes les activits de la plateforme. Chaque activit mo-
die ltat des zones de stockage (NA = NO ND)
Les paramtres (connus) les plus importants sont donnes dans le tableau 2.2. Ces para-
mtres sont regroups par familles de paramtres, les descriptions des variables et les familles
de contraintes sont prsentes par la suite.
Puisque dans cette sous-section nous ngocions seulement les avances et les retards des
livraisons, nous supposons que les quantits de tous les produits dans une livraison ont dj t
ngocis et ne peuvent pas tre changes. Elles font donc partie des paramtres connus.
46
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
2.5. Modles Linaires proposs
Table 2.2 Notations des Paramtres
Notation Description
Paramtres associs aux stocks et aux produits
V P
p
volume dune unit de produit p
V Z
z
capacit en volume de la zone de stockage z
SI
p,z
stock initial du produit p dans la zone de stockage z (le stock est donn en
units de produit)
LZE
a,z
matrice qui dnit les relations entre les oprations et les variations des
stocks, selon que lactivit a NA augmente (ou diminue) le stock z (0
sil ny a pas de relation entre a et la zone de stockage z, 1 si a augmente le
stock et 1 si a rduit le stock)
PC ensemble des produits composs
Paramtres associs aux nomenclatures
Pa(o) ensemble de produits qui sont assembls par lopration dassemblage o
Pd(o) ensemble de produits qui sont dsassembls par lopration de dsassemblage
o
A
o,p
ensemble des produits ncessaires pour obtenir p Pa(o) en appliquant
lopration o NOA
D
o,p
ensemble des produits obtenus en appliquant lopration o NOD sur le
produit p Pd(o)
o,p,p
i
matrice qui indique la quantit de produit p
i
utilise par lopration o pour
obtenir une unit de produit p
o,p,p
i
matrice qui indique la quantit de produit p
i
que lon obtient par lapplication
de lopration o sur le produit p
Paramtres associs aux avances et aux retards
QP
d,p
quantit de produit p prsent dans la livraison d
TS
d
date idale pour la livraison d
MAXE
d
valeur maximale autorise pour lavance de la livraison d
MAXT
d
valeur maximale autorise pour le retard de la livraison d
EC
d
pnalit davance par unit de temps de la livraison d
TC
d
pnalit de retard par unit de temps de la livraison d
Paramtres sur lorganisation des ux : premire possibilit
nd(z) nombre de destinations possibles partir de la zone de stockage z dans la
plateforme
Zd(z) ensemble des destinations directes depuis la zone de stockage z si nd(z) > 1
Per
z,z
pourcentage de produit allant de z z
Zd(z)
O
z,z
ensemble doprations qui dplacent les produits de la zone z la zone z
Pd(o)
D
o,p
, t
Q
o,p,t
= 0 (2)
o NOA, p / Pa(o)
p
Pa(o)
A
o,p
, t
Q
o,p,t
= 0 (3)
w, o, p, t TW
w,o,p,t
0 (4)
z, p, t S
z,p,t
0 (5)
d 0 T
d
nth (6)
w, t NORMnrh
w,t
nrh
w,t
MAXnrh
w,t
(7)
w, t 0 HS
w,t
HSD
w,t
(8)
t MaxCh
t
0 (9)
t MinCh
t
0 (10)
d 0 DE
d
MAXE
d
(11)
d 0 DT
d
MAXT
d
(12)
Les familles de contraintes (1), (4), (5), (9) et (10) assurent la positivit des variables. Les fa-
milles (2) et (3) indiquent que seulement les produits qui doivent tre assembls ou dsassembls
et leurs composants peuvent tre traits par une opration dassemblage ou de dsassemblage.
Les contraintes (6) tablissent que les livraisons doivent tre livres dans lhorizon temporel ; (7)
dit que le nombre de personnes dans chaque catgorie doit tre suprieur au nombre de personnel
xe et infrieur au nombre maximal de personnel autoris (y compris le personnel temporaire).
La famille de contraintes (8) exprime le fait que les heures supplmentaires par catgorie et par
priode ne peuvent pas dpasser la quantit autorise dans la plateforme. Les familles (11) et
(12) contraignent les avances et les retards des livraisons au nombre de priodes davance et de
retard tolr pour chaque livraison.
Variations des stocks et contraintes de capacit :
z NZ, p NP
S
z,p,0
= SI
z,p
(13)
z NZ, p PC, t NT
S
z,p,t
= S
z,p,t1
+
d
LZE
d,z
Q
d,p,t
+
oNOT
LZE
o,z
Q
o,p,t
+
oNOD:LZE
o,z
=1
LZE
o,z
Q
o,p,t
+
oNOA:LZE
o,z
=1
LZE
o,z
Q
o,p,t
(14)
z NZ, p NP\PC, t NT
S
z,p,t
= S
z,p,t1
+
d
LZE
d,z
Q
d,p,t
+
oNOT
LZE
o,z
Q
o,p,t
49
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 2. Lissage de charge moyen terme
+
oNOD:LZE
o,z
=1
LZE
o,z
Q
o,p,t
+
oNOA:LZE
o,z
=1
LZE
o,z
Q
o,p,t
(15)
z, t
pNP
S
z,p,t
V P
p
V Z
z
(16)
La famille de contraintes (13) donne aux stocks leurs valeurs initiales connues. Les familles
(14) et (15) sont des contraintes de conservation des ux pour les produits composs PC et pour
les produits simples respectivement (gure 2.2). Ces contraintes reprsentent le fait que le stock
dun produit dans une zone de stockage, la n dune priode donne, est gal au stock la n
de la priode prcdente plus (ou moins) les quantits traites par les oprations de transforma-
tion (ches pointilles dans la gure 2.2), oprations dassemblage (ches continues en gras)
et oprations de dsassemblage (ches continues simples) qui modient cette zone de stockage.
La famille (16) assure que la capacit physique dune zone de stockage nest pas dpasse.
Avance et retard des livraisons :
d
tNT
Move
d,t
= 1 (17)
T
d
=
tNT
t Move
d,t
(18)
DE
d
TS
d
T
d
(19)
DT
d
T
d
TS
d
(20)
La famille (17) garantie que la livraison d est livre en une seule fois pendant une seule p-
riode. Les contraintes (18) calculent la date de livraison retenue par la solution du programme
linaire ; les familles (19) et (20) dterminent lavance et le retard eectif de chaque livraison.
Lien entre les livraisons et le ux :
p, d, t Q
d,p,t
= QP
d,p
Move
d,t
(21)
p, t
oOD
Q
o,p,t
=
dNDU
Q
d,p,t
(22)
p, t
oOC
Q
o,p,t
=
dNDD
Q
d,p,t
(23)
La famille (21) fait le lien entre les livraisons et les ux manipuls dans la plateforme. Les
contraintes (22) et (23) indiquent que les camions des livraisons sont chargs et dchargs pen-
dant une seule priode.
Satisfaction de la charge :
o, t, p TU
o,p
Q
o,p,t
=
w:E
w,o,p
=0
TW
w,o,p,t
E
w,o,p
(24)
w, t
o
p
TW
w,o,p,t
nrh
w,t
MAXTW+HS
w,t
(25)
Les contraintes (24) tablissent que, pour toute priode t et pour tout produit p, le temps
total pass par toutes les catgories de personnel sur une opration doit tre suprieur ou gale
la charge associe cette opration pour la priode et pour le produit donns. La famille de
contraintes (25) est une manire simple de grer les heures supplmentaires par catgorie de
personnel : pour toute catgorie et pour toute priode, la charge doit tre infrieure ou gale
au temps maximum travaill par tout le personnel prsent sur la plateforme plus les heures
supplmentaires maximales autorises du personnel permanent (de cette catgorie).
Contraintes de personnel :
w, o, t, p TW
w,o,p,t
E
w,o,p
M (26)
o, t
p
TW
w
,o,p,t
PES
o
100
p
TW
w,o,p,t
(27)
o w
argmax
wNW
E
w,o,p
50
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
2.5. Modles Linaires proposs
Si lecacit dune catgorie de personnel est nulle pour une opration, la famille de contraintes
(26) interdit laectation dune personne de cette catgorie lopration en question. La famille
(27) (qui est optionnelle) dit que le temps pass par un expert sur une opration doit tre su-
prieur ou gal au pourcentage de temps dexpert souhait pour cette opration.
Calcul de la charge :
t Ch
t
=
w
p
TW
w,o,p,t
(28)
MoyCh =
1
nth
tNT
Ch
t
(29)
MaxCh
t
Ch
t
MoyCh (30)
MinCh
t
MoyCh Ch
t
(31)
Peak Ch
t
(32)
Les contraintes de la famille (28) calculent la charge totale par priode ; la famille (29) calcule
la charge moyenne tandis que (30) et (31) calculent lcart entre la charge de travail de chaque
priode par rapport la charge moyenne. La famille (32) nous permet de calculer la charge
maximale sur lhorizon temporel.
Contraintes dorganisation des ux :
- Premire possibilit :
p NP\PC, z NZ : nd(z) > 1, z
Z
d
(z)
oK
1
Q
o,p,t
=
Per
z,z
100
NOTA:LZE
o
,z
=1
Q
o
,p,t
(33)
o K
1
= O
z,z
(NOT NOA) et NOTA = NOT NOA
p PC, z NZ : nd(z) > 1, z
Z
d
(z)
oK
2
Q
o,p,t
=
Per
z,z
100
NOTD:LZE
o
,z
=1
Q
o
,p,t
(34)
o K
2
= O
z,z
(NOT NOD) et NOTD = NOT NOD
- Deuxime possibilit :
z SZ, t TZ
z
, p S
z,p,t
= 0 (33)
Les contraintes dorganisation des ux tablissent que la quantit de produits sortant de la
zone de stockage z et allant vers z
D
o,p
, t
Q
o,p
,t
=
p
i
Pd(o)
o,p
i
,p
Q
o,p
i
,t
(35)
o NOA, p Pa(o), p
A
o,p
, t
Q
o,p
,t
=
p
i
Pa(o)
o,p
i
,p
Q
o,p
i
,t
(36)
Finalement, les contraintes associes aux nomenclatures sont donnes par les familles (35)
51
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 2. Lissage de charge moyen terme
et (36), ces contraintes calculent les quantits de produits simples traites par une opration
dassemblage ou une opration de dsassemblage selon les quantits de produits assembler ou
dsassembler.
Indicateurs de performance
Toute entreprise concerne se voit contrainte prendre des dcisions multi-critres, pour cela
elles utilisent des indicateurs de performance. Nous avons conu des mesures de performance
pour aider lentreprise dans son processus de prise de dcision. Comme le lissage de charge tait
lorigine de notre travail de recherche, nous proposons une premire mesure de performance
(A), laquelle calcule lcart entre la charge moyenne et la charge maximale et minimale.
t
(MaxCh
t
+MinCh
t
) (A)
Cette mesure permet de comparer le lissage global de deux solutions. Nanmoins, nous ver-
rons dans les expriences numriques que minimiser cet indicateur de performance peut rduire
les performances dautres mesures importantes dcrites plus bas, car pour amliorer ce critre, la
charge moyenne (qui est exprime en heures de travail quelles que soient les eciences utilises)
est gnralement augmente.
Comme autre indicateur, nous considrons la minimisation de la variable Peak
(dnie
dans (32)) comme un indicateur de performance alternatif de la charge.
Avant de proposer notre modle, les dates de livraison taient totalement imposes la plate-
forme. Nous supposons que des modications lgres peuvent tre ngocies avec les fournisseurs
et que des petites modications peuvent tre tolres dans les livraisons vers les magasins. Il
nest pas possible de modliser prcisment les vraies consquences de ces modications lgres.
Nous proposons donc des pnalits ctives pour reprsenter le niveau dimpact des ngociations.
Ici nous utilisons une pnalit proportionnelle la dviation de temps (en nombre de priodes).
Nimporte quelle fonction linaire de pnalit peut remplacer la fonction (B).
d
[(DE
d
EC
d
) + (DT
d
TC
d
)] (B)
Beaucoup dindicateurs de performance peuvent tre associs au cot de la main duvre.
Dans (C), nous nous intressons la quantit de personnel de chaque catgorie disponible
chaque priode. Dans (D), nous considrons le cot des heures supplmentaires par priode et
par catgorie. Ces cots reprsentent des dpenses directes pour lentreprise.
w
(nrh
w,t
NORMnrh
w,t
) CUnrh
w,t
(C)
w
HS
w,t
CUHS
w
(D)
A part les deux dernires mesures, les autres mesures sont seulement des indicateurs de ten-
dance, en consquence, dterminer le front de Pareto na pas de sens. Aussi, pour donner de
la exibilit aux dcideurs et pour quils puissent donner plus ou moins dimportance chaque
indicateur, nous utilisons lapproche traditionnelle dagrgation. Pour construire la fonction ob-
jectif (OBJ), lutilisateur doit choisir cinq paramtres : , , , et .
(A) + (B) + (C) + (D) + (Peak) (OBJ)
52
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
2.5. Modles Linaires proposs
Pour chaque recherche de solutions, les cinq indicateurs de performance prsents ci-dessus
seront fournis par les dcideurs.
2.5.3 Modle avec ngociations des dlais et des quantits
Paramtres et Variables
Pour intgrer les ngociations des quantits au modle que nous venons dintroduire 2.5.2,
nous devons ajouter de nouveaux paramtres et variables. Le tableau 2.4 contient ces variables
et paramtres. La srie de paramtres associe aux livraisons reprsente les consquences que les
modications des dates ont sur les courbes cumules des quantits livres et les modications
des quantits de chaque livraison. Il est ncessaire dajouter quelques variables dtat au modle,
elles sont introduites dans le tableau 2.5.
Table 2.4 Paramtres associs aux ngociations des quantits
Notation Description
Paramtres associs aux produits
QPU
p
quantit totale de produit p livre par les fournisseurs dans lhorizon de temps
QPD
p
quantit totale de produit p livre aux clients dans lhorizon de temps
QLL
d,p
borne infrieure pour la quantit de produit p prsente dans la livraison d
QUL
d,p
borne suprieure pour la quantit de produit p prsente dans la livraison d
Paramtres associs aux livraisons
EUCC
p,t
courbe cumule au plus tt en amont (fournisseurs) pour le produit p
EDCC
p,t
courbe cumule au plus tt en aval (clients) pour le produit p
LUCC
p,t
courbe cumule au plus tard en amont pour le produit p
LDCC
p,t
courbe cumule au plus tard en aval pour le produit p
NUCC
p,t
courbe cumule idale en amont ngocie pour le produit p
NDCC
p,t
courbe cumule idale en aval ngocie pour le produit p
MC
p
cot associ chaque unit de surface en avance entre la courbe cumule idale
pour le produit p et la courbe cumule associe aux livraisons prvisionnelles
LC
p
cot associ chaque unit de surface en retard entre la courbe cumule idale
pour le produit p et la courbe cumule associe aux livraisons prvisionnelles
Table 2.5 Variables associes la ngociation des quantits
Variable Description
Variables Auxiliaires
UDCC
p,t
courbe cumule des livraisons en amont pour le produit p
DDCC
p,t
courbe cumule des livraisons en aval pour le produit p
NUE
p,t
quantit de produit p livre en avance la priode t pour les livraisons des
fournisseurs
53
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 2. Lissage de charge moyen terme
NUT
p,t
quantit de produit p livre en retard la priode t pour les livraisons des
fournisseurs
NDE
p,t
quantit de produit p livre en avance la priode t pour les livraisons aux
clients
NDT
p,t
quantit de produit p livre en retard la priode t pour les livraisons aux
clients
Formalisation et indicateurs de performance
Quelques modications doivent tre apportes au modle avec les ngociations des dlais, et
quelques contraintes doivent tre ajoutes pour avoir le cas gnral avec les deux ngociations.
Toutes les contraintes de (1) (36) sont utilises dans le modle des ngociations des quantits,
lexception de la famille de contraintes (21) qui doit tre gnralise comme suit :
p, d, t QLL
d,p
Move
d,t
Q
d,p,t
QUL
d,p
Move
d,t
(21)
On remarque que si le produit p nest pas concern par la livraison d, alors les bornes
QLL
d,p
= QUL
d,p
= 0. Ces bornes peuvent prendre la mme valeur seulement si les dates
peuvent tre ngocies et non les quantits. Notamment, si lon xe QLL
d,p
= QUL
d,p
= QP
d,p
on retrouve lensemble de contraintes (21).
Les familles de contraintes (37) (46) doivent tre ajoutes au modle. Les contraintes (37)
et (42) nous permettent de calculer les courbes cumules en amont et en aval respectivement. Les
quantits de produit arrives en avance ou en retard avec une livraison en amont (respectivement
en aval) sont calcules par (39 et 40)(respectivement (44 et 45)). Les contraintes (38) et (43)
sont des contraintes de respect des bornes pour les quantits en avance et en retard chaque
priode pour chaque produit. Finalement, les familles de contraintes (41) et (46) tablissent que,
pour chaque produit, la quantit totale planie de produit doit tre livre sur lhorizon temporel.
Pour les fournisseurs :
p, t UDCC
p,t
=
t
=1
d
u
NDU
Q
d
u
,p,
(37)
EUCC
p,t
UDCC
p,t
LUCC
p,t
(38)
NUE
p,t
UDCC
p,t
NUCC
p,t
(39)
NUT
p,t
NUCC
p,t
UDCC
p,t
(40)
dNDU
tNT
Q
d,p,t
= QPU
p
(41)
Pour les clients :
p, t DDCC
p,t
=
t
=1
d
d
NDD
Q
d
d
,p,
(42)
EDCC
p,t
DDCC
p,t
LDCC
p,t
(43)
NDE
p,t
DDCC
p,t
NDCC
p,t
(44)
NDT
p,t
NDCC
p,t
DDCC
p,t
(45)
dNDD
tNT
Q
d,p,t
= QPD
p
(46)
En plus, on peut remarquer que QPU
p
=
dNDU
QP
d,p
et QPD
p
=
dNDD
QP
d,p
. Nous
pouvons dire que le modle avec les ngociations des dates est un cas particulier du modle avec
les deux ngociations que nous venons de voir. Par ailleurs, puisque les quantits en avance et en
retard des produits livrs sont pnalises, nous intgrons un dernier indicateur de performance
lobjectif. Les pnalit associes aux quantits livres en avance et en retard sont calcules dans
le critre (E) qui est ajout aux autres critres proposs pour le modle de la section 2.5.2. Dans
ce modle nous voulons minimiser (OBJ).
54
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
2.6. Exprimentations et Rsultats
pNP
tNT
MC
p
(NUE
p,t
+NDE
p,t
) +LC
p
(NUT
p,t
+NDT
p,t
) (E)
(A) + (B) + (C) + (D) + (E) + (Peak) (OBJ)
2.6 Exprimentations et Rsultats
Dans ce qui suit, nous commenons par introduire, dans 2.6.1, les agencements de plateforme
simplis que nous avons utilis pour notre tude. Dans 2.6.2, nous prsentons les caractristiques
des donnes utilises pour les expriences. Ensuite, dans 2.6.3 nous expliquons la mthodologie
dvaluation utilise. Finalement, les rsultats, pour les modles avec ngociation des dates de
livraisons et avec les ngociations des dates et des quantits, sont prsents dans les sections
2.6.4 et 2.6.5 respectivement.
2.6.1 Agencements de plateforme tests
Aprs laudit de lentreprise, on sest rendu compte que des gains plus importants sur le
cot de la main duvre pouvaient tre faits si lagencement de la plateforme tait modi. Au
dpart, notre objectif tait de construire un outil daide la dcision qui permette de comparer
les performances de dirents agencements de plateforme avec ou sans ngociations des dates de
livraison. La compagnie de chaussures nous a fourni les donnes correspondant lagencement
de plateforme existant. Il faut remarquer que la modication de la conguration physique et
des processus de la plateforme induit aussi des changements importants sur une partie des
activits que les employs excutent. Ainsi, il ntait pas possible de modliser un gnrateur
valide des temps de traitement pour les nouveaux agencements. En consquence, nous avons
choisi de prsenter dans ce travail des agencements simplis et de nous concentrer sur lintrt
des ngociations pour chaque agencement de manire indpendante, sachant que la modication
inconnue des temps de traitement rendait la comparaison impossible.
Dans cette section, nous dcrivons les trois agencements de plateforme que nous avons consi-
dr pour nos exprimentations, ils reprsentent la situation actuelle de la plateforme et deux
autres situations hypothtiques. Nous les prsentons dans lordre croissant de leur complexit.
Premier agencement
Le premier agencement test correspond une plateforme o les camions arrivent avec les
livraisons, ensuite les produits sont dchargs dans la zone de rception. Le seul ux possible
pour les produits est le cross-docking (ux de type 1 dans la Figure 1.3). Ainsi, les produits
passent travers la plateforme directement vers la zone dexpdition o ils sont chargs dans
des camions et sont livrs aux clients. Cest lagencement le plus intressant en termes de cot
de transport et de stockage pour la plateforme. En fait, il dplace les cots de prparation des
commandes chez les fournisseurs qui ne sont pas forcment quips pour cela. Il faut en outre leur
transmettre les informations associes et, par ailleurs, le remplissage des camions fournisseurs
peut tre sous-optimis.
Cet agencement est reprsent dans la gure 2.4(a). Cest le cas le plus simple au niveau
des ux, puisquil y a un seul parcours de ux possible dans la plateforme, la modlisation de
lorganisation de lclatement des ux nest donc pas ncessaire. Par ailleurs, nous ne considrons
que des oprations de dplacement des colis qui sont tris pour tre envoys vers les clients
concerns.
55
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 2. Lissage de charge moyen terme
chargement
dplacement
contrle
dchargement
Z1
Z2
camion
camion
chargement
dplacement
contrle
dchargement
Z1
Z2
camion
camion
chargement
dplacement
contrle
dchargement
Z1
Z2
camion
camion
(a) Agencement 1
prparation
dballage, contrle,
mise en reserve
chargement
dplacement
contrle
dchargement
Z1
Z2
Z3
camion
camion
20
80
prparation
dballage, contrle,
mise en reserve
chargement
dplacement
contrle
dchargement
Z1
Z2
Z3
camion
camion
20
80
(b) Agencement 2
prparation
dballage, contrle,
mise en reserve
chargement
dplacement
contrle
dechargement
Z1
Z2
Z3
camion
camion
20 Z4
60
20
prparation
dballage, contrle,
mise en reserve
chargement
dplacement
contrle
dechargement
Z1
Z2
Z3
camion
camion
20 Z4
60
20
(c) Agencement 3
Figure 2.4 Agencements de plateforme
Deuxime agencement
Le deuxime agencement test, reprsent dans la gure 2.4(b), sapproche plus de lagence-
ment de la plateforme de notre application industrielle au moment de laudit. Il prend en compte
deux possibilits de ux dans la plateforme. La premire possibilit des ux est le cross-docking
comme dans la gure 1.3. La deuxime possibilit, consiste stocker les produits dans la rserve
(Z3 dans la gure 2.4(b)) une fois quils ont t dchargs. Nous supposons que la capacit de
la rserve est illimite car elle peut stocker la totalit des produits arrivant la plateforme
nimporte quel instant. Les ux observs dans cet agencement correspondent aux ux 1 et 2 de
56
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
2.6. Exprimentations et Rsultats
la gure 1.3. Dans ce cas, des contraintes dorganisation des ux ((33) et (34) ou (33)) sont
ncessaires. Nous supposons encore quil ny a ni assemblages, ni dsassemblages possibles dans
cette conguration de plateforme.
Troisime agencement
Ce troisime agencement est reprsent dans la gure 2.4(c). Dans ce cas, en plus des ux
considrs dans le deuxime agencement, il y a une troisime possibilit de ux de produits, cette
possibilit consiste faire passer les produits de la zone de rception vers une zone de stockage
(Z4 dans la gure) qui peut avoir une capacit limite ou illimite. Dans ce cas, les produits ne
quittent la zone Z4 quaprs la n de lhorizon temporel de notre tude pour des raisons que nous
avons dj expos. La principale caractristique de cet agencement est lexistence doprations de
type assemblage ou dsassemblage (reprsentes par les ches continues dans la gure 2.4(c)).
Cette fois-ci, il est ncessaire dajouter au modle des contraintes dorganisation des ux (comme
pour le cas prcdent) mais aussi des contraintes des nomenclatures ((35) et (36)) associes aux
produits. Cet agencement reprsente des situations relles dans la plateforme de SAVAT, comme
le fait quune partie des produits arrivs ne sorte quaprs la n de lhorizon et le fait quil y ait
des oprations de constitution de commandes (assemblage et dsassemblage).
2.6.2 Mise en uvre et donnes utilises
Nous avons gnr de manire alatoire 44 instances pour le modle avec des ngociations de
dates (gnrateur alatoire programm en Visual C++). Avec quelques modications, ces ins-
tances ont t gnralises dans la section 2.6.5 pour tre utilises avec le modle de ngociations
des dates et des quantits. Plus de dtail sur la gnration des donnes peut tre trouv dans
lannexe 1. Dans le tableau 2.6, nous prsentons : le code choisi pour dnommer chaque famille
dinstances, le type dagencement de plateforme associ, la dure (en journes) dune priode
de planication (correspondant au paramtre ) et le nombre dinstances gnres dans chaque
famille.
Table 2.6 Paramtres considrs
Code de Agencement Nombre
famille de plateforme (jours) dinstances
C1 1 random (1, 1/2) 10
C2 2 random (1, 1/2) 18
C3 3 random (1, 1/2) 16
Nous considrons un horizon temporel de 6 semaines (correspondant 30 priodes dune
journe ou 60 priodes dune demi-journe). Cette dure correspond la dure du pic de charge
de la plateforme que nous tudions. Le nombre de familles de produits est gnr de manire
alatoire entre 6 et 10.
Les instances sont gnres en deux tapes. Dans la premire tape, toutes les donnes sont
gnres de manire homogne (alatoirement choisies dans un intervalle rel connu pour chaque
paramtre). Par exemple, les caractristiques des produits (poids, volume) sont gnres ala-
toirement entre 0.2 et 1 (units de poids ou de volume), par exemple 0.2 m
3
pour le volume du
57
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 2. Lissage de charge moyen terme
paquet dun produit o m
3
est lunit de volume choisie. Ensuite, la deuxime tape consiste
transformer les donnes dj gnres dans le but dobtenir des instances htrognes. Nous avons
fait le choix de travailler sur des instances htrognes car dans la ralit les caractristiques des
produits, et dautres donnes, peuvent avoir des carts types importants qui sont souvent mal
rets par la gnration alatoire, uniforme dans un intervalle. Nous procdons comme suit :
pour les caractristiques des produits, nous calculons lcart type de chaque caractristique, et
nous modions, de manire alatoire, quelques unes dentre elles pour intensier lcart type.
Toutes les donnes qui dpendent des caractristiques des produits, comme les temps de trai-
tement et les ecacits, sont gnres seulement quand la deuxime tape de consolidation est
nie.
Pour le troisime agencement de plateforme, quand il y a des oprations dassemblage et de
dsassemblage, les produits qui sont assembls ou dsassembls sont crs lors de la deuxime
tape de traitement. Les livraisons sont gnres seulement aprs que les caractristiques des
produits sont xes. Pour tous les produits, le gnrateur assure lquilibre global des ux entre
les entres, les sorties et le stockage dans la rserve. Les livraisons des fournisseurs arrivent
principalement pendant la premire partie de lhorizon temporel H, tandis que les livraisons
aux clients sont expdies pendant tout lhorizon temporel.
Table 2.7 Catgories de personnel
Niveau dexprience
Dbutant (D) Moyen (M) Expert (E)
Habilet
nh Force
f nh.f.D nh.f.M nh.f.E
nf nh.nf.D nh.nf.M nh.nf.E
h F = rand(f, nf) h.F.D h.F.M h.F.E
Le nombre de catgories de personnel est 6 ou 9 selon les caractristiques de personnel
considres. La premire caractristique que nous prenons en compte est le niveau dexprience ;
il y a trois niveaux dexprience : dbutant, moyen et expert. La deuxime caractristique est la
force physique, la raison est que, dans lapplication dune plateforme logistique, la force est un
facteur prendre en compte pour lexcution de certaines oprations non automatises. Ainsi,
les hommes sont plus ecaces pour le chargement et le dchargement de camions par exemple.
La troisime caractristique considre est lhabilet, cette caractristique est ncessaire pour
des oprations qui doivent tre excutes soigneusement, comme la prparation de commandes
ou le picking. Dans les entrepts, il a t constat que les femmes font moins derreurs dans ce
type de tches.
Les catgories de personnel que nous considrons sont prsentes dans le tableau 2.7. Les
niveaux dexprience sont reprsents dans les trois dernires colonnes du tableau (D, M et E
pour dbutant, moyen et expert respectivement), la force (f et nf pour fort et non fort respecti-
vement) et lhabilet (h et nh pour habile et non habile respectivement) sont reprsentes dans
les lignes.
Quand nous avons 6 catgories de personnel, nous prenons en compte seulement deux ca-
ractristiques du personnel : la force et le niveau dexprience, alors toutes les catgories sont
considres non habiles (nh). Nous gnrons donc deux catgories pour chaque niveau dex-
prience (avec et sans force), par exemple des dbutants forts et des dbutants faibles, nots
respectivement nh.f.D et nh.nf.D dans la table 2.7. Nous procdons de la mme manire pour
58
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
2.6. Exprimentations et Rsultats
les travailleurs dexprience moyenne (nh.f.M et nh.nf.M) et les experts (nh.f.E et nh.nf.E) pour
obtenir 6 catgories.
Pour avoir 9 catgories, nous considrons, en plus de lexprience et de la force, lhabilet. Il
est clair que si nous considrions toutes les combinaisons possibles des trois caractristiques nous
aurions 12 catgories de personnel, mais comme le nombre de catgories a un impact important
sur la taille des modles linaires, nous avons choisi de rduire articiellement 9 le nombre de
catgories. Pour ce faire, nous avons une seule catgorie habile par niveau dexpertise en plus
des deux non habiles dcrites ci-dessus. Cette nouvelle catgorie peut tre forte ou pas forte et
cela est dtermin de manire alatoire. Par exemple, pour les dbutants nous avions dj les
nh.f.D (dbutants forts et non habiles) et les nh.nf.D (dbutants non forts et non habiles), la
nouvelle catgorie peut tre soit h.f.D ou h.nf.D (dbutants forts et habiles ou dbutants non
forts et habiles). La mme procdure est applique pour les autres niveaux dexprience pour
obtenir 9 catgories.
Les temps de traitement, par opration et par produit, sont gnrs alatoirement selon les
caractristiques des produits. Quant aux ecacits de chaque niveau dexprience, elles sont
gnres alatoirement dans un intervalle [a, b] (a 0, b 1). Selon les caractristiques sup-
plmentaires de chaque niveau dexprience, force et habilet, les ecacits sont gnres dans
[
1
a,
2
b] o
1
et
2
sont des paramtres qui dpendent du niveau dexprience. Ceci est
fait pour sassurer que, par exemple, pour le mme niveau dexprience (disons moyen), pour
une opration qui ncessite un eort physique important, la catgorie qui a la force est plus
ecace que celle qui est plutt faible.
Le modle a t implment en Visual C++; notre programme utilise le solveur de program-
mation linaire CPLEX pour rsoudre le problme. Pour les agencements deux et trois, le temps
de calcul a t limit 900 secondes, la raison est que nous avons not quaprs ce temps, le
solveur narrive plus amliorer la meilleure solution trouve. Nous supposons que la meilleure
solution connue est probablement prs de loptimum et que le solveur essaie de prouver son
optimalit.
Taille des modles linaires
La taille des modles que nous cherchons rsoudre dpend des valeurs de paramtres
des instances de donnes que nous gnrons. Ces paramtres sont : le nombre de familles de
produits, le nombre de priodes, le nombre de livraisons et le nombre de catgories de personnel.
Dautres paramtres comme le nombre dactivits et le nombre de zones de stockage dpendent
de lagencement de la plateforme que nous considrons lors de lapplication des modles. Dans
le tableau 2.8, nous donnons le nombre de variables de dcision et le nombre de contraintes pour
chaque agencement (indiqu dans la premire colonne du tableau) et pour les deux modles :
Ngociation des dates et Ngociation des dates et des quantits.
Deux valeurs sont indiqus dans chaque case du tableau 2.8. Ces valeurs (calcules thori-
quement partir des valeurs de gnration des instances) correspondent aux nombres minimaux
et maximaux des variables de dcision et des contraintes pour chaque famille dinstances et pour
chaque modle. Les valeurs minimales sont calcules avec les plus petites valeurs de gnration
pour tous les paramtres mentionns prcdemment. Par exemple, le nombre de produits est
gnr entre 6 et 10, le nombre de livraisons entre 30 et 40 ; le calcul du nombre minimal de
contraintes et de variables suppose quil y a 6 familles de produits et 30 livraisons. La mme
procdure est applique pour le calcul du nombre maximal mais avec les valeurs maximales des
59
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 2. Lissage de charge moyen terme
Table 2.8 Taille des modles (min - max)
Ng. Dates Ng. Dates et Quantits
Agencement Variables Contraintes Variables Contraintes
1 5040 - 21480 16404 - 69820 10440 - 45480 29364 - 125020
2 7560 - 33480 21912 - 95390 12960 - 57480 34872 - 150590
3 12240 - 56760 32397 - 147070 18000 - 80760 45417 - 202270
paramtres.
2.6.3 Expriences numriques
Nous avons ralis des expriences de manire indpendante pour les trois agencements de
plateforme prsents dans 2.6.1. Pour chaque agencement, 4 (resp.6) hypothses de fonction-
nement de la plateforme sont considres selon que les heures supplmentaires sont autorises
ou non (o ou n) et selon que le nombre maximal de priodes davance ou de retard associs
aux livraisons est 0 ou 1 (resp. 0, 1 ou 2) pour le tableau 2.9 (resp. 2.10). Chaque hypothse
correspond une ligne pour chaque agencement dans les tableaux. Pour quelques expriences
prsentes ultrieurement, plus dhypothses sont considres.
Les tableaux 2.9 2.14 sont composs de trois familles de colonnes spares par des traits
doubles. La premire famille, appele Paramtres, indique les 4 (ou 6) hypothses de fonction-
nement considres (indices par u dans les formules de calcul). La deuxime famille, appele
Lissage de Charge, contient les colonnes mesures de charge, cot de personnel et pnalits.
La troisime famille de colonnes est consacre des mesures dcart constat sur les dates de
livraison (Ecart des livraisons).
Les valeurs prsentes dans les colonnes de Lissage de Charge correspondent des moyennes
des valeurs de mesures de performance. Les moyennes sont calcules lintrieur de chaque en-
semble dinstances C1, C2 ou C3. Ici, les moyennes ne sont pas appliques directement sur les
mesures elles-mmes, mais sur lcart entre la meilleure performance obtenue parmi toutes les
hypothses de fonctionnement et la performance de lhypothse en question. Plus prcisment,
pour chaque famille dinstances C
j
(j {1, 2, 3}), pour chaque hypothse (u {1, . . . , 6}) ; si
V AL
i,u
est la valeur obtenue pour une colonne pour la mesure correspondante note VAL
pour linstance i avec lhypothse de fonctionnement u, la valeur dans le tableau correspond :
V AL
u
=
1
|C
j
|
iC
j
V AL
i,u
BV AL
i
max(1,BV AL
i
)
100% (F)
o BV AL
i
= min
u
V AL
i,u
est la meilleure performance, nous divisons par max(1, BV AL
i
)
pour viter une division par zro si jamais BV AL
i
est gal 0. Nous rappelons que notre objectif
est de tester les 4 (ou 6) possibilits et danalyser leur impact sur les mesures considres.
Lorsque lhypothse de fonctionnement interdit lutilisation des heures supplmentaires ou des
ngociations des dlais, alors les cots des heures supplmentaires et les pnalits davance et
de retard sont nuls ; dans ces cas il ny a pas de sens de les valuer par rapport aux autres
hypothses de fonctionnement ni de les considrer dans lvaluation des autres hypothses de
fonctionnement. Nous reprsentons cela en mettant dans les cases concernes dans les ta-
bleaux. Autrement dit, si VAL gal aux mesures Heures Sup. (resp. Pnalits de dlai)
alors BV AL
i
= min
u
V AL
i,u
pour les hypothses de fonctionnement u qui ninterdissent pas les
60
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
2.6. Exprimentations et Rsultats
heures supplmentaires (resp. les ngociations des dlais).
Pour les mesures dvaluation de la charge (Mesures de Charge) les critres que nous analy-
sons sont : Moyenne qui reprsente la charge moyenne sur lhorizon temporel (correspond la
valeur de la variable MoyCh dans le modle, nous rappelons que la charge moyenne, exprime
en heures varie en fonction de lecacit des personnes qui excutent les oprations) ; Peak
qui est la charge maximale atteinte sur lhorizon temporel et qui correspond : max
tNT
Ch
t
;
Ecart qui est lcart maximal par rapport la moyenne (critre (A) dans la section 2.5.2).
Pour les colonnes du cot de personnel les critres sont : Intrimaires qui reprsente le
cot total de personnel embauch (critre (C)) ; Heures Sup. qui est le cot total dheures
supplmentaires (critre (D)) ; et Total gal au cot total associ la main duvre. Des
colonnes correspondant aux pnalits de Dlai et des Quantits (critres (B) et (E)) sont ajouts
cet ensemble de colonnes selon le modle (ngociations des dates ou ngociation des dates et
des quantits) que nous valuons.
Pour la dernire famille de colonnes appele Ecart des livraisons, on ne compare plus les
hypothses entre elles, mais on fournit des statistiques sur lutilisation ou non de la potentialit
de dcaler les livraisons de 1 ou 2 priodes. Les moyennes sont calcules sur des pourcentages ;
ces pourcentages reprsentent le nombre de livraisons dcales (avec dcalage dune ou deux
priodes) par rapport au nombre total de livraisons considres pour les fournisseurs et pour les
clients.
2.6.4 Rsultats obtenus avec les ngociations des dlais
Dans cette partie nous analysons les expriences ralises pour tester le modle de lissage de
charge avec des ngociations des dates prsent dans la section 2.5.2.
Nous commenons par faire une remarque sur limpact que lutilisation du critre de lissage
de charge (A), avec un poids non ngligeable dans la fonction objectif globale (OBJ), a sur
les autres indicateurs de performance tablis pour ce premier modle. Ensuite, nous analysons
limpact des six hypothses de fonctionnement de la plateforme (dcrites dans 2.6.3) sur les
autres indicateurs, savoir : les critres (B) les cots davance et de retard; et (C) et (D)
reprsentant les cots de personnel. Enn, dans le but dvaluer leet des ngociations, nous
regardons comment varient les rsultats quand nous donnons plus ou moins dimportance (en
augmentant ou en diminuant le poids () du critre (B)) aux pnalits davance et de retard
dans la fonction objectif (OBJ).
Remarque sur le critre de Lissage de Charge
Des expriences prliminaires, o lon avait compar les rsultats obtenus avec et sans le
critre de lissage de charge dans la fonction objectif (OBJ), ont montr que le fait de considrer
le critre de lissage de charge explicitement dans la fonction objectif pnalise les valeurs des
autres critres qui mesurent le vrai intrt conomique de lentreprise et de ses partenaires.
Premirement, ce critre va lencontre des pratiques classiques face aux priodes de pointe, si
lon connat lavance les variations de la charge pendant lhorizon temporel, les gestionnaires
de la plateforme peuvent utiliser des ordonnancements dynamiques pour avoir plus de personnel
ou des heures supplmentaires pendant les priodes de pointe.
Deuximement, le critre de lissage de charge est redondant avec lutilisation des ngociations
et le fait de considrer le cot de personnel dans la fonction objectif. En eet, lorsquon introduit
de la exibilit dans le modle, quelle soit au niveau de lutilisation des ressources (heures
61
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 2. Lissage de charge moyen terme
supplmentaires, main duvre temporelle) ou au niveau des ngociations des dates, la charge
est automatiquement lisse en utilisant au maximum cette exibilit grce la minimisation des
cots rels de lentreprise. Il nest donc pas ncessaire dajouter un terme de lissage de charge
dans lobjectif.
Puisque notre objectif est de lisser la charge pour rduire les cots de main duvre nous
concluons que le critre de lissage de charge est inutile quand on autorise les ngociations des
dates. Pour cette raison, dornavant, nous avons choisi daecter un petit poids ce critre de
lissage de charge dans la fonction objectif, et tout autre critre qui ne reprsente pas des cots
rels pour la plateforme. Nous xons = 0.01 et = 0.02 (respectivement les poids du critre
de lissage de charge (A) et de la variable Peak dans les fonctions objectifs (section 2.5.2))
dans (OBJ) et (OBJ) pour toutes les expriences partir de maintenant.
Critres de Pnalits de dlai et de Cot de personnel
Ici nous voulons valuer linuence que les ngociations ont sur les critres conomiques
de la fonction objectif (OBJ). Nous prsentons les rsultats obtenus pour le modle avec des
pnalits de dlai (critre (B)) et le cot de personnel (critres (C) et (D)) quand le paramtre
, associ aux avances/retards, est gal 1 dans la fonction objectif (OBJ). Pour chaque famille
dinstances C1, C2 et C3, nous testons 4 ou 6 hypothses de fonctionnement de la plateforme
(Tableau 2.9 et 2.10 respectivement) : heures supplmentaires autorises ou non (o/n dans la
colonne Heures supplmentaires) et 1 priode de ngociation maximum dans le tableau 2.9 et
2 priodes de ngociation maximum dans le tableau 2.10. Nous avons spar les rsultats en deux
tableaux, un avec 1 priode de ngociation maximum (tableau 2.9) et lautre avec 2 priodes
de ngociation maximum (tableau 2.10) pour pouvoir observer lvolution des rsultats quand
on passe daucune exibilit 1 priode de ngociation, et daucune exibilit ou 1 priode 2
priodes.
Nous analysons leet des ngociations des dates, ensuite celui de la possibilit dutilisation
des heures supplmentaires dans les cots de lentreprise et sur la charge de la plateforme.
Nous terminons par lanalyse de lutilisation eective des ngociations sur les livraisons des
fournisseurs et celles allant vers les clients.
Les valeurs prsentes dans les tableaux 2.9 et 2.10 correspondent, comme nous lavons ex-
pliqu dans 2.6.3, la relation donne par (F). De manire gnrale, pour la famille de colonnes
Lissage de Charge, les valeurs prsentes dans les tableaux 2.9 et 2.10 sont meilleures quand
elles sont plus petites.
Inuence des ngociations des dates
Les ngociations des dates ont un impact trs positif sur les cots de main duvre. Nous
pouvons voir que la valeur du cot total de main duvre dcrot quand les priodes de n-
gociation autorises augmentent. Dans les tableaux 2.9 et 2.10, ceci est ret par les grands
pourcentages dcart observs dans les colonnes Total du cot de personnel. Les meilleures
valeurs sont obtenues lorsque le nombre maximal de priodes de ngociation est autoris. Cest le
cas dans le tableau 2.9, le meilleur rsultat apparat lorsquon autorise 1 priode de ngociation;
titre dexemple pour la famille C1 la valeur obtenue pour le cot total (sans ngociation) est
27.9% plus grand que la valeur minimale (obtenue avec 1 priode de ngociation et quand les
heures supplmentaires sont autoris). De mme, lutilisation de 2 priodes de ngociation donne
le meilleur rsultat dans le tableau 2.10. Par exemple, le cot total obtenu sans ngociation, pour
la famille C1, est 47.2% plus grand que le cot minimal obtenu avec une ngociation de deux
priodes. Ces dirences sont moins importantes pour les autres deux familles. La dirence est
62
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
2.6. Exprimentations et Rsultats
peut-tre due la complexit des agencements des familles C2 et C3 o lorganisation des ux,
et donc du travail, limite les rductions de charge.
63
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 2. Lissage de charge moyen terme
T
a
b
l
e
2
.
9
s
u
l
t
a
t
s
d
e
s
N
g
o
c
i
a
t
i
o
n
s
d
e
s
D
a
t
e
s
(
d
M
A
X
E
d
=
M
A
X
T
d
=
1
,
=
1
)
L
i
s
s
a
g
e
d
e
C
h
a
r
g
e
E
c
a
r
t
d
e
s
l
i
v
r
a
i
s
o
n
s
P
a
r
a
m
t
r
e
s
M
e
s
u
r
e
s
d
e
C
h
a
r
g
e
C
o
t
d
e
P
e
r
s
o
n
n
e
l
F
o
u
r
n
i
s
s
e
u
r
s
C
l
i
e
n
t
s
Agencemments
Ngociations
Heures Sup.
Moyenne
Peak
Ecart
Total
Temporaire
Heures Sup.
Pnalit de dlai
0 priodes
1 priode
0 priodes
1 priode
0
n
1
.
7
5
2
2
.
7
3
7
.
6
2
7
.
9
4
5
.
1
1
0
0
1
0
0
o
1
.
6
6
2
2
.
2
3
3
.
7
2
6
.
7
2
9
.
9
5
.
5
5
1
0
0
1
0
0
C
1
1
n
0
.
3
0
0
.
5
0
4
.
5
3
1
.
2
2
1
5
.
7
0
.
8
2
7
7
.
4
2
2
.
6
5
3
.
3
4
6
.
7
o
0
.
1
9
0
.
3
1
0
.
1
3
0
0
5
.
3
9
0
.
9
7
7
6
.
8
2
3
.
2
5
3
.
8
4
6
.
2
0
n
1
.
3
5
3
3
.
1
4
2
.
8
2
1
.
3
4
9
.
6
1
0
0
1
0
0
o
1
.
1
1
3
2
.
7
3
4
.
2
1
9
.
7
2
5
.
8
1
.
7
8
1
0
0
1
0
0
C
2
1
n
0
.
4
2
2
.
1
9
6
.
6
4
1
.
7
1
2
6
.
2
1
.
1
5
8
1
.
7
1
8
.
3
6
2
.
5
3
7
.
5
o
0
.
1
1
1
.
1
9
0
.
3
9
0
0
1
2
.
0
3
6
.
2
7
9
.
8
2
0
.
2
6
2
.
2
3
7
.
8
0
n
1
.
1
8
3
3
.
1
8
2
.
3
2
0
.
9
8
9
.
3
1
0
0
1
0
0
o
1
.
0
1
3
2
.
2
5
1
.
4
1
8
.
2
3
5
.
1
0
.
5
1
1
0
0
1
0
0
C
3
1
n
0
.
4
6
3
.
0
6
3
3
.
7
4
.
1
2
6
5
.
5
1
9
.
6
7
9
.
8
2
0
.
2
6
6
.
1
3
3
.
9
o
0
.
3
7
2
.
6
4
2
.
7
8
0
0
1
8
.
2
1
4
.
8
8
0
.
4
1
9
.
6
6
2
.
4
3
7
.
6
64
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
2.6. Exprimentations et Rsultats
T
a
b
l
e
2
.
1
0
s
u
l
t
a
t
s
d
e
s
N
g
o
c
i
a
t
i
o
n
s
d
e
s
D
a
t
e
s
(
d
M
A
X
E
d
=
M
A
X
T
d
=
2
,
=
1
)
L
i
s
s
a
g
e
d
e
C
h
a
r
g
e
E
c
a
r
t
d
e
s
l
i
v
r
a
i
s
o
n
s
P
a
r
a
m
t
r
e
s
M
e
s
u
r
e
s
d
e
C
h
a
r
g
e
C
o
t
d
e
p
e
r
s
o
n
n
e
l
F
o
u
r
n
i
s
s
e
u
r
s
C
l
i
e
n
t
s
A g e n c e m m e n t s
N g o c i a t i o n s
H e u r e s S u p .
M o y e n n e
P e a k
E c a r t
T o t a l
T e m p o r a i r e
H e u r e s S u p .
P n a l i t d e d l a i
0 p r i o d e s
1 p r i o d e
2 p r i o d e s
0 p r i o d e s
1 p r i o d e
2 p r i o d e s
0
n
2
.
3
6
3
5
.
7
6
5
4
7
.
2
7
0
.
9
1
0
0
1
0
0
o
2
.
2
7
3
5
.
2
6
0
.
5
4
5
.
9
5
3
.
4
1
1
.
6
1
0
0
1
0
0
C
1
1
n
0
.
8
9
9
.
3
2
2
4
.
3
1
5
.
4
3
4
.
9
2
.
0
5
7
7
.
4
2
2
.
6
5
3
.
3
4
6
.
7
o
0
.
7
8
9
.
0
4
1
9
.
2
1
3
.
9
1
7
1
0
.
1
2
.
1
9
7
6
.
8
2
3
.
2
5
3
.
8
4
6
.
2
2
n
0
.
2
2
2
.
5
6
4
.
1
9
1
.
4
4
1
8
.
9
8
7
.
2
7
2
.
1
1
5
.
6
1
2
.
3
4
3
.
1
3
1
.
3
2
5
.
6
o
0
.
1
2
0
.
1
9
0
.
1
2
0
0
1
4
.
8
8
8
.
5
7
4
.
4
1
1
.
7
1
3
.
9
4
0
.
3
3
7
.
1
2
2
.
6
0
n
1
.
8
7
4
6
.
6
7
5
.
7
3
7
.
6
7
5
.
6
1
0
0
1
0
0
o
1
.
6
3
4
6
.
1
6
4
.
9
3
5
.
8
4
8
.
2
2
.
9
2
1
0
0
1
0
0
C
2
1
n
0
.
9
3
1
1
.
2
3
0
.
9
1
4
.
8
4
7
.
2
1
.
1
5
8
1
.
7
1
8
.
3
6
2
.
5
3
7
.
5
o
0
.
6
2
1
0
2
3
.
1
1
2
.
9
1
6
.
9
1
3
.
2
3
6
.
2
7
9
.
8
2
0
.
2
6
2
.
2
3
7
.
8
2
n
0
.
4
4
1
.
7
9
9
.
1
1
1
.
9
7
3
1
.
3
9
4
.
2
7
7
.
4
1
6
.
9
5
.
7
5
5
.
7
2
4
.
4
1
9
.
9
o
0
.
0
4
0
.
5
6
0
.
1
2
0
0
1
5
.
1
7
4
.
4
7
7
.
6
1
7
5
.
4
5
0
.
9
2
8
.
4
2
0
.
7
0
n
1
.
4
3
4
3
.
5
1
2
6
3
7
.
3
1
3
2
1
0
0
1
0
0
o
1
.
2
6
4
2
.
7
9
0
3
4
.
4
6
7
.
3
0
.
7
9
1
0
0
1
0
0
C
3
1
n
0
.
7
0
1
0
.
4
6
0
.
7
1
6
.
6
1
0
1
1
9
.
7
7
9
.
8
2
0
.
2
6
6
.
1
3
3
.
9
o
0
.
6
1
9
.
9
4
2
3
.
9
1
2
.
2
2
2
.
2
1
8
.
4
1
4
.
9
8
0
.
4
1
9
.
6
6
2
.
4
3
7
.
6
2
n
0
.
3
6
6
.
2
4
5
.
3
3
.
6
9
8
2
.
8
9
4
.
1
7
5
.
5
1
7
.
3
7
.
2
6
0
.
7
2
0
.
6
1
8
.
7
o
0
.
3
1
3
.
0
6
1
.
2
6
0
0
.
4
9
2
3
.
1
1
1
0
7
6
.
8
1
4
.
6
8
.
6
5
3
.
2
2
1
.
5
2
5
.
3
65
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 2. Lissage de charge moyen terme
Une autre remarque intressante est que le pourcentage de rduction des cots de personnel
(par rapport la situation sans ngociation) sont situes entre 20% et 30% quand il y a 1 priode
de ngociation et entre 37% et 47% quand il y a 2 priodes. Cest dire, que selon lagencement
de la plateforme, lamlioration potentielle avec les ngociations des dlais peut aller jusqu
47% quand on autorise 2 priodes de ngociation.
Nous pouvons voir aussi que le cot minimal est obtenu, pour toutes les instances de C1,
C2 et C3, quand les heures supplmentaires sont autorises et avec 1 priode de ngociation
dans le tableau 2.9 ; et avec 2 priodes de ngociation pour les expriences du tableau 2.10 pour
toutes les instances. Ainsi, les rsultats obtenus quand nous autorisons les ngociations nous
permettent de quantier lintrt conomique des ngociations des dates des livraisons.
Par ailleurs, nous voyons que pour tous les problmes tudis, quand les ngociations sont
autorises, le lissage de charge, reprsent par la colonne Ecart, samliore. Par exemple, pour
la famille dinstances C2, la meilleure valeur pour le lissage de charge est donne par la valeur
minimale de la colonne cart : 0.39 (resp. 0.12) dans le tableau 2.9 (resp. tableau 2.10). Cette
valeur correspond lapproche de rsolution qui permet les ngociations les plus grandes dans
les deux cas (1 (resp. 2) priodes de ngociation et avec heures supplmentaires). Nous observons
la mme situation pour les familles C1 et C3. Les rsultats pour le lissage de charge, conrment
que la charge ne fait que se lisser quand les ngociations sont introduites au modle. De plus,
avec les ngociations la charge moyenne naugmente pas, ce qui tait le cas quand le poids de
(A) ntait pas ngligeable.
Inuence des heures supplmentaires
Lintrt conomique dutiliser les heures supplmentaires est troitement li aux valeurs
numriques utilises dans les instances gnres pour les cots unitaires des heures supplmen-
taires, dembauche des intrims et des pnalits davance et de retard. Cest pour cette raison,
quessayer de quantier limpact conomique de lutilisation des heures supplmentaires nest
pas vraiment pertinent dans ce contexte.
Nanmoins, nous pouvons faire quelques remarques sur le comportement group des mesures
de cot de personnel quand les heures supplmentaires sont autoriss et quand elles ne le sont
pas. De manire gnrale, lutilisation dheures supplmentaires entrane une diminution du cot
de personnel temporaire et donc des cots totaux de personnel. Ce comportement est observ
quel quil soit le nombre de priodes de ngociation maximal autoris, dans les tableaux 2.9 et
2.10. Et ce malgr le fait quune heure supplmentaire soit plus chre quune heure de travail
dun intrimaire, une explication possible est que quand on embauche un intrimaire il faut le
payer pour une priode complte mme sil ne travaille quune heure, ce qui nest pas le cas
pour lutilisation des heures supplmentaires. Ou alors, les heures supplmentaires changent la
distribution des catgories de personnel embauch (moins dexperts et plus de dbutants par
exemple) et ainsi le cot total.
Nous ne pouvons pas tirer de conclusion concernant la relation entre le nombre de ngo-
ciation et lutilisation des heures supplmentaires, il ny a pas de raison pour quil y ait une
tendance. Avec nos jeux dessais, cependant, il semblerait que la plus grande utilisation dheures
supplmentaires se fasse quand le nombre maximal de priodes de ngociation est autoris.
Ecart des livraisons
Ici nous voulons constater la faon dont les ngociations sont utilises pour les livraisons
en amont et en aval selon les priodes de ngociation autorises. Les rsultats associs aux
livraisons en avance ou en retard (prsent dans les colonnes Ecart des livraisons), compte
tenu des valeurs choisies pour les pnalits ctives davance/retard, montrent que les avances et
66
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
2.6. Exprimentations et Rsultats
les retards sont utiliss de manire limite par le modle, voir tableau 2.10 : entre 18.3% (cas de
la famille dinstances C2 sans heures supplmentaires et avec 1 priode de ngociation) et 27.9%
(cas de la famille C1 sans heures supplmentaires et avec 2 priodes de ngociation) pour les
fournisseurs et entre 33.9% (cas de la famille C3 sans heures supplmentaires et avec 1 priode
de ngociation) et 59.7% (cas de la famille C1 avec heures supplmentaires et 2 priodes de
ngociation) pour les clients.
Si nous observons ce qui se passe lorsquon passe de 1 priode de ngociation maximum
2 priodes, on peut voir que le pourcentage de livraisons dcales dune priode (dans le
tableau 2.9) est redistribu entre les livraisons dcales dune priode et de deux priodes (dans
le tableau 2.10). Cest--dire quil ny a presque pas de nouvelles livraisons dcales, part celles
qui ltaient dj, ce qui veut dire quil existe des livraisons qui sont planies des moments trs
contraignants pour la charge ce qui induit les cots de personnel : des heures supplmentaires
ou des intrimaires.
Logiquement, les pnalits davance et de retard (rsultats de la colonne Pnalit de dlai)
sont plus grandes quand le pourcentage de livraisons dcales est plus grand.
Autres valeurs pour (poids des pnalits davance/retard)
Les rsultats que nous venons de prsenter dpendent du poids du critre de pnalits
davance et de retard dans la fonction objectif, critre (B). Ce poids est donn par le para-
mtre que nous avons x 1 au dbut de cette section. Pour cette raison, nous avons voulu
vrier linuence de la valeur de sur lutilisation des avances et des retards autoriss et aussi
sur les autres mesures de performance.
Comme nous lavons dj expliqu, le choix dautoriser les heures supplmentaires est un
mode de fonctionnement de la plateforme toujours gagnant, car il sagit dune relaxation. Par
simplicit, nous avons dcid de comparer les rsultats obtenus quand = 0.5, = 1 et = 1.5
quand les heures supplmentaires sont toujours permises et avec toutes les familles dinstances
confondues. Le tableau 2.11 montre lvolution des livraisons dcales pour les trois valeurs de
. Les valeurs prsentes dans la famille de colonnes Lissage de charge correspondent la
relation donne par (F) dans la section 2.6.3, ici les approches de rsolution u sont dtermines
par la valeur de (0.5, 1 ou 1.5) et le nombre maximal de priodes de ngociation autorises
0, 1 or 2. Nous pouvons voir que quand la ngociation de dlai nest pas autoris nimporte
quelle valeur de donne le mme rsultat car il ny a pas davance ni de retard possible si les
ngociations ne sont pas autorises. Nous comptons donc 7 hypothses de fonctionnement que
nous allons valuer.
Comme attendu, les rsultats du tableau 2.11 montrent que, en moyenne, les meilleures so-
lutions, pour le cot de personnel et pour les mesures de charge, sont obtenues avec lhypothse
de fonctionnement avec 2 priodes de ngociation et quand le poids des pnalits dans lobjectif
(OBJ) est le moins important ( = 0.5). Cependant, pour le mme nombre de priodes de ngo-
ciation, laugmentation attendue du cot total de personnel lorsque lon donne plus dimportance
au critre avance/retard (en augmentant ) est peu important. Nous pouvons aussi voir que la
dirence entre le pourcentage de livraisons dcales quand = 0.5 et = 1.5 est infrieur
10%. Plus prcisment, quand 1 priode de ngociation est autorise, 25.2% des livraisons
venant des fournisseurs sont dcales dune priode pour = 0.5 tandis que 18% le sont pour
= 1.5 et limpact sur le cot total de personnel est quasiment ngligeable, tout comme pour
les autres mesures de charge.
67
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 2. Lissage de charge moyen terme
T
a
b
l
e
2
.
1
1
s
u
l
t
a
t
s
d
e
N
g
o
c
i
a
t
i
o
n
d
e
s
d
l
a
i
s
t
o
u
t
e
s
i
n
s
t
a
n
c
e
s
c
o
n
f
o
n
d
u
e
s
L
i
s
s
a
g
e
d
e
c
h
a
r
g
e
E
c
a
r
t
d
e
l
i
v
r
a
i
s
o
n
P
a
r
a
m
t
r
e
s
M
e
s
u
r
e
s
d
e
c
h
a
r
g
e
C
o
t
d
e
p
e
r
s
o
n
n
e
l
F
o
u
r
n
i
s
s
e
u
r
s
C
l
i
e
n
t
s
Beta
Ngociations
Moyenne
Peak
Ecart
Total
Temporaire
Heures Sup.
Pnalit de dlai
0 priodes
1 priode
2 priodes
0 priodes
1 priode
2 priodes
0
1
.
6
1
4
6
.
1
7
8
3
7
.
8
5
6
.
9
4
.
4
4
1
0
0
1
0
0
0
.
5
1
0
.
5
9
9
.
3
9
2
3
.
7
1
3
1
9
.
4
1
3
.
5
5
8
.
7
7
4
.
8
2
5
.
2
5
5
.
4
4
4
.
6
2
0
.
1
5
2
.
4
9
2
.
2
9
0
0
.
5
3
1
8
.
4
1
6
9
7
0
.
7
1
7
.
3
1
2
4
5
.
8
2
6
.
7
2
7
.
5
1
1
0
.
6
4
1
2
.
5
2
5
.
7
1
3
.
1
1
9
.
3
1
4
.
7
2
7
.
9
7
9
.
3
2
0
.
7
6
0
.
4
3
9
.
6
2
0
.
1
1
4
.
8
8
3
.
1
7
0
.
1
8
0
.
5
9
1
8
.
3
1
0
3
7
6
.
6
1
4
.
9
8
.
5
4
9
.
3
2
7
.
9
2
2
.
8
1
.
5
1
0
.
6
6
1
4
.
6
2
6
.
1
1
3
.
2
1
9
.
7
1
4
1
.
5
4
8
2
1
8
6
3
.
7
3
6
.
3
2
0
.
1
5
8
.
0
5
6
.
3
5
0
.
2
6
1
.
3
5
1
7
8
4
.
9
7
9
.
1
1
3
.
4
7
.
5
5
4
.
2
2
4
.
8
2
1
68
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
2.6. Exprimentations et Rsultats
2.6.5 Rsultats obtenus avec les ngociations des dlais et des quantits
Dans cette section nous analysons les rsultats obtenus pour le modle de lissage de charge
avec deux types de ngociations, dlais et quantits, prsent dans la section 2.5.3.
Nous commenons la prsentation en expliquant comment nous avons gnralis les donnes,
initialement gnres dans 2.6.2, pour pouvoir les utiliser dans cette srie dexpriences. Nous
introduisons aussi les nouveaux indicateurs prsents dans les tableaux de rsultats concernant
cette partie. Ensuite, nous valuons limpact de la prise en compte des ngociations des quantits
en plus de celle des dates de livraison en analysant les rsultats des exprimentations.
Remarques prliminaires
Donnes
Pour eectuer les expriences du modle 2.5.3, nous avons gnralis les instances utilises
pour le premire modle avec les ngociations des dlais seulement. La gnralisation consiste
calculer des courbes cumules en amont et en aval des quantits livres de chaque famille
de produits partir des donnes initialement gnres. Ainsi, nous avons calcul des courbes
cumules idales des livraisons en amont et en aval avec les quantits idales pr-ngocies.
Ensuite, nous donnons de la exibilit pour les quantits livres (pour chaque livraison pr-
ngocie) en introduisant des carts autoriss par rapport aux quantits idales de livraison. En
prenant en compte les carts maximaux et minimaux des quantits de livraison et la exibilit
sur les dates de livraison, nous sommes en mesure de calculer des courbes cumules des livraisons
au plus tt et au plus tard en amont et en aval. Plus de dtail sur la gnralisation des instances
est donn dans lannexe 1.2.
Quantits
livres pour p
temps
Quantits
livres pour p
temps
QLL
d2
QUL
d2
EUCC
Livraisons pr-ngocies
gnralisation
Avances et retards des
dates autoriss
QUL
d2
QLL
d2
LUCC
NUCC
Quantits
livres pour p
temps
Quantits
livres pour p
temps
QLL
d2
QUL
d2
EUCC
Livraisons pr-ngocies
gnralisation
Avances et retards des
dates autoriss
QUL
d2
QLL
d2
LUCC
NUCC
Figure 2.5 Construction des courbes cumules en amont pour un produit p
Indicateurs
69
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 2. Lissage de charge moyen terme
Pour mieux valuer le modle avec les ngociations des quantits, nous avons ajout de
nouveaux indicateurs aux tableaux 2.12 2.14. Dans ces tableaux nous prsentons les rsultats
associs aux mmes ensembles de critres que dans les sections prcdentes, nous trouvons les
mmes familles de colonnes introduites dans la section 2.6.3. Cependant, nous avons ajout une
colonne Pnalit des quantits associe aux quantits de produits qui arrivent tt ou tard
par rapport aux quantits idales qui sont donnes par la courbe cumule idale pour chaque
produit. Cette pnalit est donne par la relation (E) de la section 2.5. Dans les tableaux 2.12
2.14, nous avons aussi ajout deux colonnes la famille de colonnes Ecart des livraisons.
La colonne Taux de quantit (une pour les fournisseurs et une deuxime pour les clients)
donne le pourcentage moyen (sur lensemble de produits) de produits arrives en avance et en
retard par rapport aux courbes cumules idales de chaque produit, pour les 6 hypothses de
fonctionnement de la plateforme dcrites dans 2.6.3.
Rsultats
Il est noter que les ngociations de dates changent les courbes cumules idales darrive et
de dpart des produits, mme si on ne ngocie pas les quantits. Cela peut tre observ dans la
gure 2.5, si une livraison est avance ou retarde alors la courbe cumule obtenue sera dirente
de la courbe cumule idale (NUCC dans la gure).
Lcart entre les courbes idales et les courbes obtenues par une solution, est pnalise dans
la fonction (OBJ) du modle avec les ngociations des dates et des quantits, mais pas dans
lobjectif (OBJ) du modle avec les ngociations des dates seulement. De ce fait, nous ne pouvons
pas comparer les rsultats obtenus quand nous autorisons les deux types de ngociations 2.5.3
avec les rsultats du modle avec la ngociation des dlais seulement 2.5.2.
Ainsi, pour pouvoir valuer limpact que la ngociation des quantits a sur les dirents
critres conomiques et sur le lissage de charge, il faut comparer le modle avec des ngociations
des quantits avec le mme modle sans ngociations des quantits. Pour ce faire, nous avons fait
deux sries dexpriences avec les mmes familles dinstances et avec le modle de ngociation
des dlais et des quantits 2.5.3.
Dans la premire srie dexpriences, voir tableau 2.12, nous xons zro les ngociations des
quantits, pour cela nous avons x QLL
d,p
= QUL
d,p
= QP
d,p
d, p (bornes suprieures des
quantits livres gales aux bornes infrieures pour tout produit et pour toute livraison), mais
nous avons toujours les courbes cumules au plus tt, au plus tard et idales pour les fournisseurs
et les clients. Quand une livraison arrive en avance ou en retard, la courbe cumule ngocie est
dirente de la courbe cumule idale et cela induit des pnalits dcart des quantits livres
dans la fonction objectif (OBJ). Dans la deuxime srie dexpriences, voir tableau 2.13, nous
introduisons les ngociations des quantits en vriant lingalit suivante pour au moins un
produit et une livraison : QLL
d,p
< QP
d,p
< QUL
d,p
.
Ngociation des quantits non autorise (QLL
d,p
= QUL
d,p
= QP
d,p
)
Les rsultats du tableau 2.12 (avec zro ngociation de quantits) montrent que pour nim-
porte quel agencement la meilleure hypothse de fonctionnement de la plateforme est celle avec
deux priodes de ngociation de dlai et avec les heures supplmentaires, pour les cots de per-
sonnel et pour les indicateurs de charge. Dans ce cas, les pourcentages donns dans la colonne
Taux de quantits sont seulement associs aux dcalages des livraisons dans le temps. Cela
veut dire que plus de livraisons sont dcales, plus grand est le pourcentage de dcalage des
quantits par rapport aux courbes cumules idales.
70
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
2.6. Exprimentations et Rsultats
T
a
b
l
e
2
.
1
2
s
u
l
t
a
t
s
d
e
s
n
g
o
c
i
a
t
i
o
n
s
d
e
d
l
a
i
s
e
t
d
e
q
u
a
n
t
i
t
s
(
d
,
p
Q
L
L
d
,
p
=
Q
U
L
d
,
p
=
Q
P
d
,
p
,
=
1
,
=
1
)
L
i
s
s
a
g
e
d
e
c
h
a
r
g
e
E
c
a
r
t
d
e
s
l
i
v
r
a
i
s
o
n
s
P
a
r
a
m
t
r
e
s
M
e
s
u
r
e
s
d
e
c
h
a
r
g
e
C
o
t
d
e
p
e
r
s
o
n
n
e
l
F
o
u
r
n
i
s
s
e
u
r
s
C
l
i
e
n
t
s
A g e n c e m e n t s
N g o c i a t i o n s
H e u r e s S u p .
M o y e n n e
P e a k
E c a r t
T o t a l
T e m p o r a i r e
H e u r e s S u p .
P n a l i t d e d l a i
P n a l i t d e q u a n t i t
0 p r i o d e s
1 p r i o d e
2 p r i o d e s
T a u x d e q u a n t i t
0 p r i o d e s
1 p r i o d e
2 p r i o d e s
T a u x d e q u a n t i t
0
n
2
.
5
2
2
2
.
9
6
1
.
9
4
6
.
4
6
8
.
9
1
0
0
1
0
0
o
2
.
4
1
2
2
.
4
5
7
.
3
4
5
.
0
5
1
.
5
9
.
5
0
1
0
0
1
0
0
C
1
1
n
0
.
8
6
5
.
3
9
2
3
.
5
1
5
.
8
3
4
.
6
5
.
2
2
5
.
4
9
7
6
.
9
2
3
.
1
0
.
7
5
6
5
.
3
3
4
.
7
1
.
4
2
o
0
.
7
6
5
.
3
1
1
8
.
5
1
4
.
4
1
6
.
6
1
0
.
1
2
.
4
8
3
.
4
9
7
7
.
5
2
2
.
5
0
.
7
4
6
4
.
5
3
5
.
5
1
1
.
4
5
2
n
0
.
3
0
3
.
7
6
4
.
4
6
1
.
4
7
1
8
.
3
1
3
3
1
3
8
7
1
.
6
1
2
.
9
1
5
.
5
1
.
3
5
4
8
.
7
2
9
.
2
2
2
.
1
3
.
1
7
o
0
.
2
1
0
.
6
4
0
.
1
9
0
.
0
1
0
8
.
6
2
8
6
.
5
1
0
3
7
4
.
7
1
3
.
4
1
1
.
9
1
.
1
9
5
4
.
8
2
5
.
6
1
9
.
6
2
.
9
9
0
n
1
.
9
5
3
3
.
0
6
4
.
3
3
6
.
4
7
0
.
9
1
0
0
1
0
0
o
1
.
6
8
3
2
.
9
5
3
.
9
3
4
.
6
4
4
.
4
4
.
2
4
1
0
0
1
0
0
C
2
1
n
1
.
0
4
1
0
.
3
2
6
.
3
1
4
.
6
4
4
.
5
2
6
.
1
1
1
.
3
8
3
.
9
1
6
.
1
0
.
4
1
7
4
.
8
2
5
.
2
1
.
1
3
o
0
.
6
6
9
.
5
5
1
7
.
1
1
3
.
1
1
5
.
8
1
4
.
7
7
.
3
1
6
.
9
9
8
4
.
5
1
5
.
5
0
.
3
9
7
6
2
4
1
.
0
9
2
n
0
.
6
7
7
.
5
8
1
1
.
5
4
.
5
1
3
2
.
4
1
9
9
1
4
7
7
7
.
2
1
7
.
1
5
.
7
0
.
7
4
6
5
.
6
1
8
.
5
1
5
.
9
2
.
1
1
o
0
.
1
4
4
.
4
9
1
.
3
9
0
.
3
1
0
1
2
.
3
8
3
.
7
7
9
.
6
8
2
.
4
1
2
.
3
5
.
3
0
.
6
1
7
0
.
9
1
6
.
2
1
2
.
9
1
.
9
9
0
n
1
.
3
9
2
0
.
7
8
9
.
6
2
8
.
2
1
1
1
1
0
0
1
0
0
o
1
.
1
4
1
9
.
9
5
6
.
5
2
5
.
3
4
8
.
3
8
.
5
6
1
0
0
1
0
0
C
3
1
n
0
.
7
3
4
.
3
7
6
0
.
9
1
2
.
8
8
9
.
6
6
8
.
8
1
4
.
7
8
6
.
3
1
3
.
7
0
.
3
6
8
0
.
1
1
9
.
9
0
.
7
4
o
0
.
4
8
4
.
1
4
1
3
.
9
7
.
8
5
1
3
.
2
2
4
.
7
9
6
.
0
4
1
.
6
8
4
.
3
1
5
.
7
0
.
4
2
7
5
.
6
2
4
.
4
0
.
8
6
2
n
0
.
3
4
3
.
3
6
4
6
.
6
5
.
3
7
9
.
6
9
6
.
5
1
0
7
8
1
.
4
1
3
.
4
5
.
2
0
.
6
7
7
1
.
8
1
3
.
3
1
4
.
9
1
.
5
6
o
0
.
2
6
2
.
8
9
1
.
0
7
0
.
8
3
2
.
2
2
1
8
.
8
1
8
1
1
4
3
.
8
7
9
.
1
1
6
.
4
4
.
5
0
.
6
8
6
7
.
1
1
8
.
4
1
4
.
5
1
.
7
3
71
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 2. Lissage de charge moyen terme
Nous pouvons aussi observer que, comme dans les rsultats prcdents avec ngociation
des dates seulement, les pourcentages de livraisons dcales est plus grand pour les clients que
pour les fournisseurs, mais cela est srement associ aux pnalits davance/retard. Quand nous
nautorisons pas la ngociation des quantits livres, nous pouvons voir que lcart des quantits
par rapport aux courbes cumules idales, est infrieur 1.35% pour les fournisseurs et 3.17%
pour les clients, les deux valeurs sont obtenues pour le premier agencement et avec lapproche de
rsolution avec ngociation de dlais de deux priodes maximum et sans heures supplmentaires.
Les ngociations de dlais sont utilises entre 13.7% (cas de la famille dinstances C3 avec une
priode de ngociation de dlai maximum et sans heures supplmentaires) et 28.4% (famille C1
avec deux priodes de ngociation de dlai et sans heures supplmentaires) pour les fournisseurs
et entre 19.9% (famille C3 avec une priode de ngociation de dlai et sans heures supplmen-
taires) et 51.3% (famille C1 avec deux priodes de ngociation et sans heures supplmentaires)
pour les clients. Le fait de pnaliser les avances et les retards des livraisons non seulement en
temps de retard mais aussi en quantits, provoque une chute de lutilisation des ngociations
des dlais si on la compare aux taux dutilisation du tableau 2.10.
Ngociation des quantits autorise (QLL
d,p
< QP
d,p
< QUL
d,p
)
Quand la ngociation des quantits est autorise, rsultats du tableau 2.13, nous pouvons
toujours dire que la meilleure hypothse de fonctionnement, pour les mesures de charge et pour
les cots de personnel, est celle avec 2 priodes de ngociation de dlais maximum et avec heures
supplmentaires, et ce pour toutes les familles dinstances.
Le pourcentage (colonne taux de quantits) dcart des produits par rapport aux courbes
cumules idales reste trs limit, 3.47% (famille C1 pas de ngociation de dlai et avec heures
supplmentaires) pour les fournisseurs et 8.58% (famille C1 avec une priode de ngociation
de dlai maximum et avec heures supplmentaires) pour les clients, mais ces pourcentages sont
plus grands que ceux obtenus quand les ngociations des quantits ne sont pas permises,
savoir 1.35% et 3.17% (voir tableau 2.12) ; nous pouvons conclure que des variations limites
des quantits en plus des variations des dlais peuvent induire des rductions importantes des
cots.
Le pourcentage dutilisation des ngociations de dlais est situ entre 7.3% (famille C3 avec
deux priodes de ngociation et avec heures supplmentaires) et 24.7% (famille C1 avec une
priode de ngociation et avec heures supplmentaires) pour les fournisseurs et entre 16.2% (fa-
mille C3 avec deux priodes de ngociation et avec heures supplmentaires) et 51.1% (famille
C1 avec deux priodes de ngociation et avec heures supplmentaire) pour les clients. Ces pour-
centages ne varient pas beaucoup par rapport ceux obtenus avec les ngociations des dlais
seulement, voir tableau 2.12. la exibilit apporte par les ngociations des quantits ne vient
pas remplacer celle donne par la ngociation des dlais, notre modle utilise tous les moyens
mis sa disposition pour rduire les cots.
Impact des ngociations des quantits
Puisque les approches de rsolution quand les heures supplmentaires sont permises donnent
toujours les meilleurs rsultats, nous avons dcid de xer le paramtre Heures supplmentai-
res oui (o) pour les rsultats prsents dans le tableau 2.14. A lieu du paramtre Heures
Supplmentaires nous ajoutons le paramtre Quantits la famille de colonnes Paramtres.
Ici nos 6 hypothses de fonctionnement sont donnes par les valeurs des ngociations des dlais
0, 1 ou 2 et par les ngociations des quantits qui sont autorises ou non.
72
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
2.6. Exprimentations et Rsultats
T
a
b
l
e
2
.
1
3
s
u
l
t
a
t
s
d
e
s
n
g
o
c
i
a
t
i
o
n
s
d
e
d
l
a
i
e
t
d
e
q
u
a
n
t
i
t
s
(
d
,
p
Q
L
L
d
,
p
Q
P
d
,
p
Q
U
L
d
,
p
,
=
1
,
=
1
)
L
i
s
s
a
g
e
d
e
c
h
a
r
g
e
E
c
a
r
t
d
e
s
l
i
v
r
a
i
s
o
n
s
P
a
r
a
m
t
r
e
s
M
e
s
u
r
e
s
d
e
c
h
a
r
g
e
C
o
t
d
e
p
e
r
s
o
n
n
e
l
F
o
u
r
n
i
s
s
e
u
r
s
C
l
i
e
n
t
s
A g e n c e m e n t s
N g o c i a t i o n s
H e u r e s S u p .
M o y e n n e
P e a k
E c a r t
T o t a l
T e m p o r a i r e
H e u r e s S u p .
P n a l i t d e d l a i
P n a l i t d e q u a n t i t
0 p r i o d e s
1 p r i o d e
2 p r i o d e s
T a u x d e q u a n t i t
0 p r i o d e s
1 p r i o d e
2 p r i o d e s
T a u x d e q u a n t i t
0
n
1
.
5
6
2
3
.
1
8
1
.
1
3
7
.
8
9
2
.
9
2
1
.
9
1
0
0
3
.
3
7
1
0
0
7
.
3
1
o
1
.
4
2
2
1
.
7
6
5
.
4
3
5
.
7
5
8
.
1
1
5
.
3
3
9
.
2
1
0
0
3
.
4
7
1
0
0
7
.
6
8
C
1
1
n
0
.
5
9
8
.
2
7
3
8
.
3
1
3
.
8
5
5
.
7
5
.
3
3
6
6
.
9
8
0
.
1
1
9
.
9
2
.
8
2
5
9
.
2
4
0
.
8
7
.
8
5
o
0
.
4
9
5
.
7
4
1
8
.
8
1
1
.
3
1
9
.
4
2
4
.
6
1
2
.
5
9
8
.
4
7
5
.
3
2
4
.
7
3
.
0
2
5
6
.
6
4
3
.
4
8
.
5
8
2
n
0
.
3
4
4
.
5
5
2
4
.
2
5
.
9
3
4
3
.
9
7
5
.
6
1
7
8
7
4
.
4
1
5
.
9
9
.
7
3
.
1
6
5
8
.
7
2
5
.
3
1
6
.
0
8
.
8
2
o
0
.
1
7
1
.
9
6
1
.
8
4
1
.
1
9
3
.
6
6
1
5
.
2
1
0
2
2
6
9
7
7
.
2
1
2
.
6
1
0
.
2
3
.
4
4
4
9
.
9
2
7
.
4
2
2
.
7
9
.
6
9
0
n
1
.
3
4
2
6
.
2
1
0
2
3
0
.
4
1
1
3
9
.
8
5
1
0
0
1
.
3
9
1
0
0
2
.
2
0
o
1
.
0
4
2
2
.
3
6
7
.
1
2
7
.
7
5
2
.
4
3
.
3
6
2
1
.
7
1
0
0
1
.
4
7
1
0
0
2
.
4
8
C
2
1
n
0
.
7
9
1
0
.
9
4
7
.
3
1
6
.
2
8
4
.
5
2
5
5
9
6
.
5
7
7
.
7
2
2
.
3
1
.
4
5
7
0
.
5
2
9
.
5
3
.
5
8
o
0
.
4
8
3
.
9
9
1
3
.
4
8
.
3
7
1
1
.
0
1
2
.
2
3
5
.
4
1
1
7
8
5
.
9
1
4
.
1
1
.
7
0
7
8
2
2
3
.
9
4
2
n
0
.
5
0
7
.
3
9
3
1
.
2
2
.
6
4
6
6
.
4
2
0
9
1
0
9
8
1
.
8
1
2
.
3
5
.
9
1
.
5
5
7
0
.
8
1
6
.
7
1
2
.
5
3
.
7
2
o
0
.
2
1
3
.
4
8
3
.
7
2
2
.
6
3
1
.
9
6
1
9
.
4
5
8
.
5
1
7
6
8
7
.
6
1
0
.
2
2
.
2
1
.
8
5
7
8
.
1
1
3
8
.
9
4
.
3
8
0
n
0
.
6
2
3
1
.
4
1
0
5
1
7
.
2
1
6
0
9
.
5
3
1
0
0
0
.
5
1
1
0
0
2
.
5
6
o
0
.
6
1
2
5
.
1
2
9
.
0
1
2
.
9
2
5
.
3
6
.
5
6
9
8
.
8
1
0
0
0
.
6
6
1
0
0
3
.
0
8
C
3
1
n
0
.
5
0
1
5
.
6
8
0
.
7
1
0
.
8
1
5
3
1
4
2
5
6
.
7
8
1
.
6
1
8
.
4
0
.
8
2
8
1
1
9
2
.
7
1
o
0
.
2
8
6
.
7
1
1
0
.
9
5
.
3
2
1
0
.
2
1
0
.
8
3
4
.
4
1
0
7
8
9
.
7
1
0
.
3
0
.
7
8
8
2
.
5
1
7
.
5
3
.
2
1
2
n
0
.
3
9
1
2
.
9
7
2
.
8
4
.
0
2
1
4
4
1
7
1
7
1
.
9
8
7
.
9
7
.
8
3
4
.
2
9
0
.
9
0
7
8
.
2
1
3
.
4
8
.
3
9
3
.
1
0
o
0
.
2
7
0
.
7
9
0
.
2
5
0
.
2
6
0
1
6
.
8
1
3
2
1
1
7
9
2
.
7
6
.
4
0
.
9
0
.
8
5
8
3
.
8
1
1
.
6
4
.
6
3
.
6
9
73
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 2. Lissage de charge moyen terme
T
a
b
l
e
2
.
1
4
s
u
l
t
a
t
s
d
e
s
n
g
o
c
i
a
t
i
o
n
s
d
e
d
l
a
i
e
t
d
e
q
u
a
n
t
i
t
s
(
=
1
,
=
1
)
L
i
s
s
a
g
e
d
e
c
h
a
r
g
e
E
c
a
r
t
d
e
s
l
i
v
r
a
i
s
o
n
s
P
a
r
a
m
t
r
e
s
M
e
s
u
r
e
s
d
e
c
h
a
r
g
e
C
o
t
d
e
p
e
r
s
o
n
n
e
l
F
o
u
r
n
i
s
s
e
u
r
s
C
l
i
e
n
t
s
Agencements
Ngociations
Quantits
Moyenne
Peak
Ecart
Total
Temporaire
Heures Sup.
Pnalit de dlai
Pnalit de quantit
0 priodes
1 priode
2 priodes
Taux de quantit
0 priodes
1 priode
2 priodes
Taux de quantit
0
n
3
.
1
8
6
1
.
9
2
0
0
1
2
0
1
8
4
2
0
.
2
1
0
0
1
0
0
o
1
.
4
8
1
9
.
5
6
5
.
4
3
5
.
7
5
8
.
1
2
7
.
3
5
1
3
1
0
0
3
.
4
7
1
0
0
7
.
6
8
C
1
1
n
1
.
4
2
4
1
.
3
1
2
6
7
3
.
8
1
1
7
2
2
.
2
1
9
.
2
2
.
6
5
7
7
.
5
2
2
.
5
0
.
7
4
6
4
.
5
3
5
.
5
1
.
4
6
o
0
.
5
5
3
.
8
1
1
8
.
8
1
1
.
4
1
9
.
4
3
6
.
4
2
7
.
5
5
1
0
7
5
.
3
2
4
.
7
3
.
0
2
5
6
.
6
4
3
.
4
8
.
5
8
2
n
0
.
8
7
3
6
.
1
8
7
.
5
5
0
.
9
8
3
.
2
2
1
.
7
1
1
2
1
0
2
7
4
.
7
1
3
.
4
1
1
.
9
1
.
1
9
5
4
.
8
2
5
.
6
1
9
.
6
2
.
9
9
o
0
.
2
3
0
.
1
1
1
.
8
4
1
.
2
2
3
.
6
6
2
6
.
9
1
4
1
6
4
4
7
7
.
2
1
2
.
6
1
0
.
1
3
.
4
4
4
9
.
9
2
7
.
4
2
2
.
7
9
.
6
9
0
n
2
.
3
7
5
5
.
7
2
0
6
8
4
.
2
1
9
9
6
.
6
5
1
0
0
1
0
0
o
0
.
9
9
2
3
.
3
6
6
.
1
2
7
.
6
5
2
.
4
3
4
.
6
2
7
5
1
0
0
1
.
4
7
1
0
0
2
.
4
8
C
2
1
n
1
.
3
4
3
0
.
8
1
3
5
5
3
.
0
1
3
5
1
7
.
4
1
2
5
2
0
.
5
8
4
.
5
1
5
.
5
0
.
3
9
7
6
2
4
1
.
0
9
o
0
.
4
3
4
.
8
9
1
2
.
6
8
.
2
9
1
1
.
0
4
5
.
3
5
7
.
1
3
9
8
8
5
.
9
1
4
.
1
1
.
7
0
7
8
2
2
3
.
9
4
2
n
0
.
8
2
2
4
.
5
9
0
.
8
3
2
.
8
8
9
.
2
1
5
.
0
2
4
1
9
4
.
4
8
2
.
4
1
2
.
3
5
.
3
0
.
6
1
7
0
.
9
1
6
.
2
1
2
.
9
1
.
9
9
o
0
.
1
5
4
.
4
1
2
.
9
6
2
.
5
6
1
.
9
6
5
3
.
9
9
3
.
5
4
7
1
8
7
.
6
1
0
.
2
2
.
2
1
.
8
5
7
8
.
1
1
3
8
.
9
4
.
3
8
0
n
1
.
7
2
5
3
.
5
1
1
6
5
0
.
1
1
1
7
1
2
.
1
1
0
0
1
0
0
o
0
.
4
3
2
7
.
3
2
9
.
0
1
2
.
9
2
5
.
3
3
6
.
0
2
5
0
1
0
0
0
.
6
6
1
0
0
3
.
0
8
C
3
1
n
1
.
0
6
3
5
.
1
5
7
.
9
2
8
.
6
6
6
.
6
2
8
.
3
2
9
3
5
.
0
3
8
4
.
3
1
5
.
7
0
.
4
2
7
5
.
6
2
4
.
4
0
.
8
6
o
0
.
1
0
8
.
9
6
1
0
.
9
5
.
3
4
1
0
.
2
4
1
.
9
2
9
.
2
2
6
4
8
9
.
7
1
0
.
3
0
.
7
8
8
2
.
5
1
7
.
5
3
.
2
1
2
n
0
.
8
4
3
3
.
2
3
8
.
4
1
7
.
9
4
6
.
3
2
2
.
5
5
1
6
9
8
.
0
7
9
.
2
1
6
.
3
4
.
5
0
.
6
8
6
7
.
1
1
8
.
4
1
4
.
5
1
.
7
4
o
0
.
0
9
3
.
0
5
0
.
2
5
0
.
2
9
0
5
0
.
4
8
6
.
3
3
0
5
9
2
.
7
6
.
4
0
.
9
0
.
8
5
8
3
.
8
1
1
.
6
4
.
6
3
.
6
9
74
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
2.7. Conclusion du chapitre
Nous notons que lhypothse de fonctionnement avec deux priodes de ngociation de dlai
et avec des ngociations des quantits donne les meilleurs rsultats pour les mesures de charge et
les cots de personnel pour les trois agencements de plateforme. La ngociation des quantits a
un impact non ngligeable sur le cot de personnel. Par exemple, pour la famille dinstances C2,
quand aucun type de ngociation nest permis, lcart entre la valeur du cot total et la valeur
minimale obtenue entre les 6 hypothses de fonctionnement est gal 84.2%. Cette valeur dcrot
27.6% quand la ngociation des quantits est autorise, ce qui veut dire que le fait dautoriser
la ngociation des quantits rduit considrablement le cot total de personnel. Par ailleurs, le
pourcentage dcart des volumes des produits (entre les courbes cumules) est relativement petit
(1.47% pour les fournisseurs et 2.48% pour les clients). Pour les familles C2 et C3, quand la
ngociation des quantits est autorise, le pourcentage de livraisons dcales diminue ainsi que
la pnalit de dlai. Par exemple, pour la famille C2 avec une priode de ngociation de dlai
et quand la ngociation des quantits nest pas permise, pour les fournisseurs le pourcentage de
livraisons non dcales est 84.5% et il est 85.9% quand la ngociation des quantits est autorise.
Par ailleurs, quand les ngociations des quantits sont permises, le taux de quantits dcales
ainsi que leur pnalit augmente en considrant les mmes modles. En conclusion, la ngociation
des quantits a un eet trs positif dans le lissage de charge et sur le cot de personnel, ceci est
intressant quand on constate que seulement un petit pourcentage de produits est dcal (moins
de 8.58%).
2.7 Conclusion du chapitre
Ltude dun problme industriel, qui consiste mieux organiser le travail pendant les p-
riodes de pointe pour rduire les cots de personnel, nous a permis de mettre en place des
approches de rsolutions gnriques pour des structures de production et de plateformes logis-
tiques o le lissage de charge savre ncessaire. D au caractre moyen terme de notre problme
dcisionnel, ces approches de rsolution sont des modles linaires gnriques qui peuvent tre
rsolues avec des solveurs de programmation linaire du march comme CPLEX.
Nos modles linaires admettent des ngociations des dates et des quantits des livraisons
en amont et en aval de la plateforme, et ils ont t valus avec direntes hypothses de fonc-
tionnement de la plateforme. Pour lensemble dinstances que nous avons gnr, lvaluation
exprimentale montre lintrt des ngociations dans lamlioration du lissage de charge et dans
la rduction du cot de personnel. Les rsultats ont aussi montr que dans les solutions, les
ngociations taient utilises de manire limite (i.e. des variations raisonnables des dates de
livraison et des quantits livres sont utilises par le modle). Les hypothses de fonctionnement
de la plateforme incluent direntes hypothses sur le type de ngociations qui sont admises par
les partenaires et des hypothses sur la manire de grer le travail des ressources humaines.
Lanalyse de la littrature, concernant loptimisation des plateformes logistiques (dans la
section 1.1.3 du chapitre 1) et le lissage de charge dans des centres de production, montre que
ce type de problme, qui combine le lissage de charge avec des ngociations et la gestion de
lorganisations du travail, na pas t trait auparavant notre connaissance.
Nos modles peuvent tre considrs comme des outils daide la dcision ecaces pour les
managers des plateformes logistiques qui peuvent comparer dirents agencements et organisa-
tions du travail dans la plateforme. Ils peuvent aussi valuer la rduction potentielle des cots
associs direntes valeurs des paramtres comme le nombre maximal de priodes davance
75
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 2. Lissage de charge moyen terme
et de retard pour les livraisons. Malheureusement, pour lentreprise de chaussures considre,
SAVAT, il na pas t possible de faire une comparaison convenable des agencements de pla-
teforme, la raison est quune modication dagencement entrane la modication des dures de
traitement des oprations ainsi que des cots et des niveaux decience associs et nous navons
pas les connaissances ncessaires pour gnrer des dures opratoires ralistes pour les dirents
agencements associs notre plateforme dapplication soumise aux mmes contraintes de charge.
Finalement, nous pouvons noter que nos modles pour le lissage de charge peuvent aussi
tre utiliss pour des sites de production, ventuellement des versions simplies. Ainsi, notre
modle peut tre adapt pour les ngociations de dates et des quantits lintrieur de la chane
logistique avec des nuds productifs et des plateformes logistiques.
76
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 3
Ordonnancement pour plateforme de
prparation de commandes
Dans ce chapitre nous tudions un problme dordonnancement qui nous a t inspir par
la plateforme de lentreprise SAVAT mais aussi par une plateforme de prparation dexpdition
de magazines. Au niveau de la chane logistique, ce problme se trouve dans les plateformes
de prparation de commandes o des arrives de produits sont prvues des dates connues et
o de nombreuses faons deectuer les livraisons sont identies. Dans cette partie dordon-
nancement, nous faisons plusieurs hypothses pour les dparts des livraisons aux clients et nous
cherchons minimiser des critres associs chacune de ces hypothses ; notre problme consiste
ordonnancer les activits de prparation de commandes en respectant les contraintes induites
par les arrives de produits et les dparts des camions.
Ce problme dordonnancement combine deux hypothses qui ont dj t tudies dans
la littrature et qui sont NP-diciles : lordonnancement avec des ressources consommables et
lordonnancement avec des dates de livraison xes. A notre connaissance, la combinaison de ces
deux hypothses na pas t traite auparavant. Cela constitue loriginalit de notre problme.
Nous dveloppons une Procdure par Sparation et Evaluation utilisant un schma de bran-
chement classique pour rsoudre ces nouveaux problmes. Des bornes infrieures ainsi que des
mthodes approches polynomiales sont conues.
Dans ce chapitre, nous commenons par donner la description du problme dordonnan-
cement que nous tudions. Ensuite, nous analysons les travaux de la littrature concernant les
problmes dordonnancement avec des ressources consommables et/ou avec des dates de livraison
xes. Nos approches de rsolution sont donnes ensuite. Enn, les rsultats de nos exprimen-
tations sont prsents.
Les travaux de ce chapitre ont t prsents deux confrences internationales Carrera et al.
[32] et Carrera et al. [31]
Contents
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
3.2 Motivation industrielle . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
3.3 Etat de lart . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
3.3.1 Ordonnancement sous contrainte de ressources consommables . . . . . . 81
3.3.2 Ordonnancement avec des dates de livraison xes . . . . . . . . . . . . . 82
3.4 Dnition du problme . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
3.5 Mthodes de rsolution . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
3.6 Modle de programmation linaire mixte . . . . . . . . . . . . . . . . 84
77
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 3. Ordonnancement pour plateforme de prparation de commandes
3.7 Procdure par Sparation et Evaluation (PSE) . . . . . . . . . . . . 87
3.7.1 Prsentation gnrale des Procdures par Sparation et Evaluation . . . 87
3.7.2 Mthodes approches polynomiales . . . . . . . . . . . . . . . . . . . . . 88
3.7.3 Bornes infrieures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
3.7.4 Schma des Procdures par Sparation et Evaluation proposes . . . . . 110
3.7.5 Rgles de dominance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
3.8 Expriences . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
3.8.1 Gnration de donnes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
3.8.2 Etude comparative des bornes infrieures et des mthodes approches
rapides . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
3.8.3 Rsultats des mthodes de rsolution exactes . . . . . . . . . . . . . . . 119
3.9 Conclusion du chapitre . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
78
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
3.1. Introduction
3.1 Introduction
Ltude bibliographique concernant les plateformes logistiques dans la section 1.1.3 du Cha-
pitre 1, montre que la plupart de problmes dcisionnels, traits dans la littrature, concernant
les plateformes logistiques et les entrepts se centrent autour de quatre problmatiques : lorga-
nisation interne de lentrept, la politique de rangement, la politique de picking et la politique de
regroupement des commandes ou batching. Cependant, dautres problmes peuvent tre traits
dans ces structures. Dans le chapitre 2, nous avons tudi des problmes de planication ren-
contrs dans les plateformes logistiques, ces problmes concernent la planication de lutilisation
des ressources humaines dans les entrepts, les ngociations avec les partenaires en amont et en
aval, et le lissage de charge.
Dans les entrepts, au niveau oprationnel, en gnral les problmes dordonnancement
consistent dterminer les politiques optimales de picking (des fois combin la dtermina-
tion de politiques de rapprovisionnement) et le regroupement de commandes selon dirents
critres. On pourrait penser ce qui se passe une fois que le batching de commandes et le picking
respectif a t fait, il faut trier et regrouper les produits pour chaque commande et organiser la
livraison des commandes dans les dlais. Pour ce dernier problme, il est ncessaire de prendre
en compte la disponibilit des ressources (humaines ou matrielles) qui sont charges de prparer
les commandes quand les produits (composants) sont disponibles.
Dans ce chapitre, nous nous plaons dans le contexte dune plateforme de prparation de
commandes, cette plateforme a des arrives de composant dj prvues au niveau de la pla-
nication. La manire de travailler de la plateforme, quant au personnel et aux machines de
prparation des commandes, est connue. Les politiques de distribution de la plateforme ainsi
que les demandes des magasins (en termes de quantits de chaque composant, des dures de
prparation et des pnalits de retard), sont aussi connues. Le problme que nous tudions dans
ce chapitre est celui de lordonnancement de la prparation des commandes, tout en prenant
en compte la disponibilit des composants, les caractristiques techniques de la plateforme et la
faon dont la distribution est organise. Ce problme combine deux caractristiques qui nont
pas t traites conjointement dans la littrature pour des problmes dordonnancement.
Nous imaginons direntes faons dorganiser la distribution dans la plateforme, les critres
que nous cherchons optimiser dpendent de la politique de livraison adopte dans chaque cas.
Nous proposons et testons des mthodes approches et exactes pour ces problmes dordonnan-
cement.
3.2 Motivation industrielle
Notre tude a t motive par une plateforme logistique de distribution. Il sagit de lentre-
prise de distribution de chaussures SAVAT qui a inspir nos travaux de planication prvision-
nelle dans le chapitre 2 et dont la structure a dj t dcrite dans la section 2.2.
Dans le niveau tactique, nous avons considr les ux en amont (livraisons des fournisseurs)
comme tant lgrement exibles, mais au niveau oprationnel, les ux en amont sont xs et les
arrives des produits peuvent tre reprsentes par des courbes cumules en forme descalier qui
sont connues, voir gure 3.1. Par ailleurs, lentreprise de chaussures possde les magasins et gre
compltement lorganisation des tournes de distribution entre la plateforme et les magasins.
Dans le but doptimiser le cot des tournes de vhicule associes la distribution, des tournes
optimises peuvent tre calcules pour des sous-ensembles de magasins (regroups par rgions,
par exemple), des dates et des quantits idales, supposes connues, peuvent tre associs aux
79
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 3. Ordonnancement pour plateforme de prparation de commandes
tournes planies.
Notre problme concerne la prparation des commandes des magasins. Dans la plateforme
de notre application, nous distinguons deux types doprations associes la prparation dune
commande : le premier type est le cross-docking quand les produits passent par la plateforme
sans aucun conditionnement ; le deuxime type correspond lassemblage qui consiste regrou-
per dirents produits avant de les livrer ensemble au mme magasin. Les commandes prpares
doivent tre livres selon les dates de livraison prxes qui correspondent aux tournes optimi-
ses.
Dans notre problme dordonnancement, chaque commande reprsente un job ordonnancer.
Une commande contient une liste de produits. Une liste de paramtres est associe chaque
type de produit, par exemple la quantit du produit contenue dans la commande. Lobjectif
est dordonnancer la prparation des commandes des magasins sous contraintes en amont et en
aval. En amont, on doit considrer la contrainte de disponibilit des composants, cest--dire
que les courbes cumules darrive de composants ne doivent pas tre dpasses par lutilisation
des composants pour constituer les commandes. En aval, les dates idales des tournes imposent
des instants de livraison de commandes bien prcis.
On peut trouver dautres applications industrielles qui induisent des problmes dordonnan-
cement similaires celui que nous venons de dcrire. Par exemple, un petit atelier, localis prs
de Nancy, reoit des magazines et des documents de publicit ; ces articles doivent tre regroups
et envelopps dans du plastique, ventuellement complts avec des gadgets et des tiquettes
avec les adresses de destination (magasins ou consommateurs privs) avant dtre livrs par des
camions. Chaque jour, un camion de la poste eectue une livraison une heure xe (16h00) ; une
deuxime livraison est eectue par un camion priv pour les commandes qui nont pas pu partir
16h00, ce deuxime camion quitte latelier une heure exible qui dpend de la date de n du
dernier job urgent de la journe. Quelques jobs associs seulement des documents de publicit
ont un dlai relativement long entre larrive des composants ncessaires pour sa constitution
et leurs dates dues, tandis que dautres jobs, associs aux magazines ont des dates de livraison
optimales bien dtermines. Cet atelier possde quatre machines parallles trs complexes qui
excutent de manire synchronise une srie doprations sur des lots de produits.
3.3 Etat de lart
La littrature associe notre problme concerne les tudes au niveau de lordonnancement
dans les plateformes logistiques et les entrepts, en particulier les plateformes qui prennent
en compte les activits de prparation de commandes ou dassemblage. Nous nous intressons
aussi aux tudes dordonnancement menes avec les hypothses que nous tudions dans notre
problme, savoir lordonnancement avec des ressources consommables ou non-renouvelables et
lordonnancement avec des dates de livraison xes.
Dans cette section, nous ne parlons pas des problmes dordonnancement des plateformes
logistiques en gnral car cela a dj t rappel dans le premier chapitre de cette thse 1.1.3.
Nous avons vu que cela concerne surtout lordonnancement des activits de picking et batching,
mais aussi lordonnancement des tches de plateformes qui pratiquent le cross-docking mais qui
ne prennent pas en compte des activits de composition de commandes ni les caractristiques
des arrives et ni celles concernant les dparts des tournes dexpdition.
Dans cette partie, nous prsentons dans un premier temps les aspects tudis dans la litt-
80
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
3.3. Etat de lart
rature concernant le type de plateformes auxquelles nous nous intressons. Puis, nous analysons
les travaux de la littrature qui intgrent les hypothses de nos problmes dordonnancement.
3.3.1 Ordonnancement sous contrainte de ressources consommables
Dans la plupart de problmes dordonnancement avec des contraintes de ressources, deux
types de ressources sont distingues : ressources renouvelables et non-renouvelables (ou consom-
mables). Puisque les composants dans le nud de la chane logistique sont considrs comme
consommables, nous nous concentrons sur ce type de ressources dans notre analyse bibliogra-
phique. Blazewicz et al. [14] et Blazewicz et al. [16] ont identi deux problmes o lallocation
de ressources contraignantes a t considre, ces problmes sont : lordonnancement de projet
avec des contraintes associes aux ressources (RCPSP, Brucker et al. [23]) et lordonnancement
de machine.
Les travaux de Carlier et Rinnooy Kan [28] et Carlier [26] associent les ressources consom-
mables aux ressources nancires en raison des similarits observes dans les contraintes de
disponibilit que ces deux types de ressources induisent. Carlier [26] prouve que le problme
dordonnancement de projet (RCPSP) avec des ressources nancires et avec des contraintes de
prcdence arbitraires est polynomial si lon ne considre pas de machine (ou autre ressource
renouvelable) ; Carlier [26] dmontre que ce problme devient NP-dicile si lon admet la pro-
duction et la consommation de ressources. Patterson et al. [116] proposent une procdure exacte
pour rsoudre le problme dordonnancement de projet avec des hypothses dinterruptibilit
des oprations, des contraintes de prcdence et de ressources qui peuvent tre produites et
consommes. Carlier et al. [27] ont tudi le problme dordonnancement de projet o des units
de ressource peuvent tre produites et consommes lors de lexcution de certains vnements.
Les auteurs proposent un algorithme de liste pour minimiser la dure totale dordonnancement
(makespan).
Carlier [26] fournit plusieurs rsultats de complexit pour le problme dordonnancement
non interruptible dune machine avec des contraintes nancires. Il montre que ce problme
est NP-dicile quand les temps de traitement des jobs ne sont pas tous gaux 1. Slowinski
[136] traite lordonnancement interruptible dans un environnement de machines parallles avec
des contraintes nancires. Dans ce papier, lauteur suppose que le taux de consommation des
ressources nancires est constant pendant le traitement des jobs ; lauteur propose une proc-
dure exacte deux phases utilisant la programmation linaire pour minimiser la dure totale de
lordonnancement (note Cmax).
Cochand et al. [44] considrent des ressources consommables dont lapprovisionnement varie
avec le temps (i.e. en escalier ou linaire par morceaux), les auteurs gnralisent lalgorithme
deux-phases pour machines parallles, avec lhypothse de splitting et pour ce type de res-
sources. Toker et al. [146] tudient lordonnancement dune machine avec une seule ressource
nancire dont lapprovisionnement est continu un taux constant. Toker et al. montrent que
ce problme est quivalent un owshop deux machines sans ressources nancires, ils r-
solvent le problme avec lalgorithme de Johnson [86]. Xie [156] gnralise le rsultat prcdent
au problme dordonnancement une machine avec plusieurs ressources nancires, o chaque
ressource arrive de manire continue avec un taux darrive dirent.
Gafarov et Lazarev [62] tudient le problme dordonnancement de machine avec une res-
source consommable dans le cadre de la minimisation de la somme des retards. Ils fournissent
des rsultats de complexit pour direntes variantes de ce problme.
81
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 3. Ordonnancement pour plateforme de prparation de commandes
3.3.2 Ordonnancement avec des dates de livraison xes
Matsuo [104] a introduit un environnement o les dates de livraison sont xes et donnes
a priori et ne dpendent pas des jobs ordonnancer. Matsuo a montr que les problmes dor-
donnancement qui minimisent la somme pondre des retards et le retard total, avec des dates
dexpdition xes, sont NP-diciles. Dans Hall et al. [77], pour toute une varit dobjectifs, les
auteurs fournissent soit un algorithme polynomial ou une preuve de complexit de problmes
NP-diciles au sens fort, des problmes avec des dates de livraison xes. Chhajed [42] tudie le
problme o il y a deux dates de livraison xes qui sont donnes des intervalles gaux. Chhajed
montre que ce problme est NP-dicile quand lobjectif est de minimiser la somme des pna-
lits davance ou lavance maximale. Des bornes infrieures et suprieures sont dveloppes et
testes pour ce problme. Yang [157], pour sa part, tudie le problme o des dates de livraison
de batches sont xes a priori. Les batches sont constitus des jobs qui sont dj nis et qui
attendent dtre livrs la prochaine tourne. Lauteur minimise la somme pondre des temps
couls entre la n dexcution des jobs et linstant o ils sont livrs. Il montre que ce problme
est NP-dicile au sens fort.
Notre travail propose de combiner ces trois problmes dordonnancement : ordonnancement
avec des contraintes de ressources nancires, ordonnancement de prparation de commande et
ordonnancement avec des dates de livraison xes. A notre connaissance, ce problme na pas t
trait auparavant. Une synthse des rsultats de complexit pour ces problmes est prsente
dans lannexe 2.
3.4 Dnition du problme
Un ensemble N de n jobs indpendants, qui correspondent des prparations de commandes,
doit tre trait par la plateforme. Nous supposons que linterruptibilit des jobs nest pas permise.
Toutes les ressources de la plateforme, humaines ou matrielles comme les machines, peuvent
grer seulement un job la fois. Chaque job est considr comme prt pour tre trait quand
tous les composants ncessaires pour lexcution du job sont disponibles. Ces composants sont
alors consomms par lexcution du job. Nous notons p
j
(> 0) le temps de traitement du job j.
Chaque job j N consomme a
j,k
( 0) units de composant k au dbut de lexcution du job j.
Les composants arrivent des dates direntes avec les livraisons des fournisseurs, nous notons
T
h,k
la h-ime arrive du composant k. Larrive de chaque composant peut tre reprsente
comme une courbe cumule en forme descalier note CCA
k
et o CCA
t,k
indique la quantit
totale de composant k arrive jusqu linstant t, incluant les ventuelles arrives de composant
en t. Dans la notation // (c.f. Graham et al. [70]), nous dsignons cette contrainte par
Stairs(nc), o nc ressources consommables sont dnies par des courbes cumules darrives en
forme descalier, voir gure 3.1.
Dans ce chapitre, nous faisons plusieurs hypothses pour les livraisons des commandes. Dans
le cas le plus gnral, nous avons des dates de livraison xes D
1
, D
2
, . . . , D
f
, chacune de ces dates
correspond une tourne optimise associe un sous-ensemble de consommateurs (clients).
Eventuellement, une dernire date (exible) de livraison, aprs D
f
, les jobs restants pourraient
tre distribus la n de lordonnancement (Cmax). A chaque date de livraison D
d
, toute
commande dj prpare, et qui est destine au sous-ensemble de clients desservis par la tourne
de livraison, est charge dans les camions qui font la livraison cet instant. Nous ne considrons
pas de limite de capacit pour chaque livraison, ceci sera discut dans les perspectives de cette
thse. Comme dans Hall et al. [77], nous notons
C
j
la date laquelle le job j est livr. Cette
82
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
3.4. Dnition du problme
Figure 3.1 Flux externes dun nud de la chane logistique
date correspond la premire date de livraison qui suit la n de lexcution du job, C
j
. Une
pnalit w
j
est associe chaque job j, elle reprsente une estimation de la perte de ventes par
unit de temps quand la commande arrive en retard chez le magasin.
Dans ce chapitre, nous supposons que chaque tourne visite tous les clients et nous consid-
rons trois hypothses pour les dates de livraison, voir gure 3.1.
Avec lhypothse (A), il y a une seule date de livraison exible la n de lexcution du
dernier job (alors le nombre de tournes xes, f est gal 0). En fait, cette date correspond au
critre Cmax (ici,
C
j
= Cmax pour tout j). Ainsi, tous les jobs sont considrs en retard et le
cot total de retard est proportionnel au Cmax. Le critre minimiser est alors le Cmax.
Avec lhypothse (B), il y a deux livraisons de commandes, la premire une date xe
note D
1
(f = 1) et la deuxime la n de lordonnancement (Cmax). La date D
1
peut tre
considre comme une date due xe et commune pour tous les jobs. Ainsi, tous les jobs qui ne
sont pas envoys la date D
1
sont considrs en retard (cela correspond au problme industriel
des magazines, par exemple). Pour chaque job j, nous dnissons la variable u
j
, u
j
= 1 si le
job j est en retard et u
j
= 0 sinon. Le critre utilis pour lhypothse (B) est proportionnel
la pnalit w
j
et Cmax D
1
, qui correspond au retard des jobs qui ne sont pas livrs avec la
premire livraison. Puisque D
1
est une constante, le terme Cmax D
1
peut tre remplac par
Cmax dans le critre. En plus,
C
j
= D
1
si C
j
D
1
et
C
j
= Cmax sinon.
Pour lhypothse (C), f 2 et nous supposons que D
f
est susamment grand pour que la
dernire livraison soit aprs la n de lexcution de tous les jobs (D
f
Cmax). Ici,
C
j
= D
d
o D
d
est la premire livraison aprs la n dexcution de j, C
j
. Sous cette hypothse, tous les
jobs sont considrs en retard, nous voulons minimiser le retard des jobs, ils doivent donc tre
livrs aussi tt que possible.
Dans la suite du chapitre nous allons travailler sur ces problmes dordonnancement une
machine. Les notations || (voir Graham et al. [70]) correspondantes, pour nos problmes
dordonnancement NP-diciles, sont :
(A) : 1/Stairs(nc), a
j,k
/Cmax
83
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 3. Ordonnancement pour plateforme de prparation de commandes
(B) : 1/Stairs(nc), a
j,k
, D
1
/(1 +
w
j
u
j
)Cmax
(C) : 1/Stairs(nc), a
j,k
, D
1
, . . . , D
f
/
w
j
C
j
Lobjectif est de dterminer, pour chaque problme, la squence des jobs = (j
1
, j
2
, . . . , j
n
)
qui minimise lobjectif. A notre connaissance, exception de lhypothse (A), ces problmes
dordonnancement nont pas t considrs dans la littrature.
3.5 Mthodes de rsolution
Pour rsoudre des problmes NP-diciles dordonnancement, comme les ntres, il y a le
choix entre deux possibilits. La premire est de les rsoudre avec des mthodes approches
(aussi appeles heuristiques) qui fournissent des bonnes solutions, pas forcment optimales. La
deuxime possibilit est de chercher rsoudre les problmes loptimalit, avec des mthodes
exactes de complexit exponentielle. Ces mthodes exactes peuvent avoir des temps de calcul
importants et dpendent fortement de la taille des problmes traits, principalement du nombre
de jobs ordonnancer. Les mthodes exactes comme la procdure par sparation et valuation
sont, en gnral, consacres la rsolution dinstances de petite taille. Tandis que pour des
instances de taille industrielle, les mthodes approches sont le plus souvent utilises en raison
de leur facilit dimplmentation et de leurs temps de calcul rduits. Cependant, il est toujours
ncessaire dvaluer la qualit des solutions que les mthodes approches fournissent. Pour cela,
souvent on compare les solution soit avec des bornes infrieures, soit avec la solution optimale
(pour des instances de taille raisonnable pour lesquels le calcul de la solution optimale peut se
faire rapidement), soit avec des solutions obtenues avec des algorithmes performance garantie,
comme les procdures par sparation et valuation tronques. Ce qui montre que la conception
de mthodes exactes nest pas inintressante.
Puisque nos problmes dordonnancement, exception de lhypothse (A), nont pas t
tudis auparavant dans la littrature, dans ce chapitre nous avons choisi de fournir une premire
approche de rsolution exacte pour ces problmes dordonnancement. Lutilisation de proprits
de dominance laisse esprer que pour certaines familles dinstances, intressantes pour notre
application industrielle, on pourrait rsoudre des problmes de taille suprieure (en particulier
pour les hypothses (A) et (B)). Dans un premier temps nous avons conu une procdure par
sparation et valuation. Ensuite nous avons voulu comparer les performances de notre PSE
avec celles des solveurs commercialiss pour lhypothse (A).
Dans la suite du chapitre, nous commenons par prsenter le modle de programmation
linaire en nombres entiers pour lhypothse (A) dans la section 3.6. Les procdure par sparation
et valuation sont dtailles dans la section 3.7. Les rsultats exprimentaux sont prsents dans
la section 3.8.
3.6 Modle de programmation linaire mixte
Dans cette partie, nous proposons un modle linaire en nombres entiers pour la minimisation
du Cmax. Il ntait pas possible de formuler un modle linaire pour (B), car son critre est par
nature quadratique. Par ailleurs, pour lhypothse (C), les modles essays nous ont toujours
galement conduit une formule quadratique de lobjectif.
Il existe direntes faons de modliser un problme dordonnancement (Blazewicz et al. [15],
Hateld et Pierce [81]) une machine : avec des variables de position indiquant si un job est
une position v dans lordonnancement ou pas ; avec des variables de prcdence qui indiquent si
84
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
3.6. Modle de programmation linaire mixte
j4 j3 j1 jn j2 n jobs jn-1 .
1 2 3 4 n-1 n
n positions
t
1
t
4
t
8
t
10
t
16
t
19
t
k+3
T
Discrtisation temporelle
VariabIes de
position:
Z
j4,1
= 1 , Z
j3,n
= 0
nxn variabIes
VariabIes de
prcdence:
Z
j4,j1
= 1 , Z
j3,jn-1
= 0
nxn variabIes
VariabIes
temporeIIes:
Z
j4,t1
= 1 , Z
j4,t8
= 0
nxT variabIes
priodes
.
t
k
j4 j3 j1 jn j2 n jobs jn-1 .
1 2 3 4 n-1 n
n positions
t
1
t
4
t
8
t
10
t
16
t
19
t
k+3
T
Discrtisation temporelle
VariabIes de
position:
Z
j4,1
= 1 , Z
j3,n
= 0
nxn variabIes
VariabIes de
prcdence:
Z
j4,j1
= 1 , Z
j3,jn-1
= 0
nxn variabIes
VariabIes
temporeIIes:
Z
j4,t1
= 1 , Z
j4,t8
= 0
nxT variabIes
priodes
.
t
k
Figure 3.2 Types de modlisation en ordonnancement avec exemples de valeurs pour les
variables
un job j est avant un job i dans lordonnancement ; ou avec des variables associes une discrti-
sation du temps, indiquant si un job j est en train dtre excut un instant t, voir la gure 3.2.
Pour viter la grande quantit de variables et de contraintes indexes par le temps, nous
avons choisi dutiliser des variables de position. Ces variables indiquent si un job j est une
position v dans lordonnancement ou non. Le tableau 3.1 prsente les variables, qui sont toutes
positives. Il est noter que les variables auxiliaires Y
v,t
sont lies au temps, cest ncessaire pour
vrier la faisabilit de la consommation des ressources, nanmoins un nombre restreint dindices
de temps est considr, ceux lis aux vnements correspondant aux arrives de composants.
Table 3.1 Variables de dcision et variables auxiliaires
Variable Description
Variables de dcision
Z
j,v
variable de positionnement des jobs, gale 1 si le job j est en position v et 0
sinon
cp
v
date de n de traitement du job en position v
Variables auxiliaires entires
pp
v
temps de traitement du job en position v
ap
v,k
quantit de ressource k que le job en position v consomme
sp
v
date de dbut de traitement du job en position v
Y
v,t
variable boolenne gale 1 ou 0 si sp
v
t et 0 sinon
85
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 3. Ordonnancement pour plateforme de prparation de commandes
Minimisation de la dure totale (Cmax)
La formulation mathmatique du problme sans livraison xe (f = 0) et une seule livraison
exible la n de lordonnancement (hypothse (A)), est la suivante :
Contraintes daectation
v
j
Z
j,v
= 1 (1)
j
v
Z
j,v
= 1 (2)
Les familles de contraintes (1) et (2) indiquent quun job doit tre aect une seule position
de lordonnancement et que chaque position nest aecte qu un job.
Calcul des temps de traitement
cp
0
= 0 (3)
v cp
v1
+pp
v
cp
v
(4)
Cmax cp
n
(5)
La famille de contraintes (3) dit que le dbut de lordonnancement est linstant 0, la famille
(4), permet de calculer les temps de n de traitement des jobs chaque position v. La famille de
contraintes (5) tablit que le Cmax doit tre plus grand ou gal la date de n de traitement
du dernier job de lordonnancement.
Calcul des variables auxiliaires
v
j
p
j
Z
j,v
= pp
v
(6)
v, k
j
a
j,k
Z
j,v
= ap
v,k
(7)
v sp
v
= cp
v
pp
v
(8)
Les familles de contraintes (6) et (7) permettent de faire le lien entre les caractristiques des
jobs, dure de traitement et consommation de chaque composant respectivement, et les positions
quils occupent dans lordonnancement. La famille (8) calcule la date de dbut du job en position
v.
Contraintes de ressources
k, u = 1, . . . , n
u
v=1
ap
v,k
T
h
t=T
1
CCA
t,k
(Y
u,t
Y
u,t+1
) (9)
v, t = T
1
, . . . , T
h
, T
max
M (Y
v,t
1) sp
v
t (10)
v, t = T
1
, . . . , T
h
Y
v,t
Y
v,t+1
0 (11)
T
max
= T
h+1
est un instant susamment grand o tous les composants sont dj arrivs
et lordonnancement est dj ni et M est un nombre positif trs grand. T
max
peut tre par
exemple la date de la dernire arrive sur lensemble de composants plus la somme des dures
de traitement de tous les jobs (T
max
= max
p
T
h,p
+
p
j
).
La famille de contraintes (9) vrie, pour chaque composant k et pour chaque position de
lordonnancement u, que la consommation totale du composant linstant de dbut dexcution
du job en position u ne dpasse pas ce qui est arriv la plateforme jusqu cet instant sp
u
.
Cette vrication est ncessaire seulement aux instants o les jobs commencent tre excuts,
nous vitons ainsi lexplosion du nombre de variables de la discrtisation temporelle. Les familles
de contraintes (10) et (11) permettent de faire le lien entre la variable Y
v,t
et linstants de dbut
dexcution du job en position v.
86
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
3.7. Procdure par Sparation et Evaluation (PSE)
Fonction objectif
Min (Cmax)
Dans le problme sans date de livraison xe, tous les jobs sont supposs en retard. Ainsi,
nous voulons minimiser la pnalit totale de retard qui est proportionnelle la date eective de
livraison Cmax.
3.7 Procdure par Sparation et Evaluation (PSE)
Dans cette partie nous dtaillons la procdure par sparation et valuation que nous avons
conue pour rsoudre de manire exacte les problmes des hypothses (A), (B) et (C).
Nous commenons la section en faisant une prsentation des PSE en gnral. Ensuite nous
introduisons un un les lments ncessaires pour notre PSE, nous commenons par les m-
thodes approches pour obtenir des bornes suprieures dans 3.7.2, puis par les bornes infrieures
obtenues pour les trois problmes, dans 3.7.3. Le schma gnral de la procdure ainsi que les
rgles de dominance sont prsents dans 3.7.4 et 3.7.5 respectivement.
3.7.1 Prsentation gnrale des Procdures par Sparation et Evaluation
Nous donnons ici une description gnrale de lobjectif et du fonctionnement des PSE.
Comme nous lavons dit dans la section 1.2.3 du chapitre 1, les Procdures par Sparation et
Evaluation font partie des mthodes par construction exactes pour des problmes doptimisation
combinatoire. Il sagit dune mthode qui numre toutes les solutions et garde la meilleure pour
le critre que lon minimise (resp. maximise). Lnumration faite par les PSE ne consiste pas
numrer explicitement toutes les solutions ralisables et les valuer une une pour en choisir la
meilleure. Il faut noter que les PSE sont aussi une mthode qui est capable de dcomposer lespace
de solutions et dliminer les sous-espaces qui ne fournissent pas des solutions potentiellement
meilleures que la meilleure solution connue. Ainsi, lnumration faite par une PSE est implicite.
La procdure de dcomposition de lespace de solutions est une procdure arborescente qui
dcompose lensemble de solutions S considr chaque nud en sous-ensembles, les ls du
nud en question, S
1
, S
2
, . . . S
p
j
k
k
a
j,k
.
Nous notons cet ordre LPT SCD (quand les poids sont gaux) ou LPT WSCD. Nous
prsentons dans ce qui suit, quelques cas polynomiaux issus de lapplication de cet ordre.
Lemme 3.7.1 Quand tous les jobs ncessitent exactement la mme quantit a
k
de composant
pour chaque composant k, alors placer les jobs dans lordre LPT (ordre dcroissant des dures
de traitement) minimise Cmax.
1
Disponibilit
2
Cmax
CCA
3
S(o)
1
Disponibilit
2
Cmax
CCA
3
S'(o)
1
Disponibilit
2
Cmax
CCA
3
S'(o)
1
Disponibilit
2
Cmax
CCA
3
S''(o)
1
Disponibilit
2
Cmax
CCA
3
S(o)
1
Disponibilit
2
Cmax
CCA
3
S'(o)
1
Disponibilit
2
Cmax
CCA
3
S'(o)
1
Disponibilit
2
Cmax
CCA
3
S''(o)
est videmment un ordonnancement ralisable, car les courbes cumules dutilisation associes
S
sont plus petites ou gales aux courbes cumules dutilisation de composants associes
S(). La n de lordonnancement ne change pas et Cmax(S
) Cmax(S()) (potentiellement
Cmax(S
) peut tre strictement plus petit en dcalant gauche i et tous les autres jobs qui
92
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
3.7. Procdure par Sparation et Evaluation (PSE)
suivent). En appliquant cet change deux deux sans dtriorer la valeur du Cmax on nit par
obtenir lordonnancement quon obtiendrait avec lordre CC. Dans la gure 3.4, nous montrons
un exemple trois jobs qui ont la mme dure mais des consommations direntes, on constate
quen eectuant des changements deux deux et en plaant les jobs au plus tt chaque fois,
on trouve une squence qui minimise le Cmax.
Lemme 3.7.3 Si pour un problme dordonnancement lordre dcroissant des temps de trai-
tement LPT est identique lordre croissant des consommations de composant CC, alors les
ordres sont agrables et minimisent le Cmax.
Preuve Ce lemme est une consquence des lemmes 3.7.1 et 3.7.2.
Lemme 3.7.4 Pour un problme dordonnancement avec un seul composant, si les ordres ne
sont pas agrables, la rgle de priorit correspondant placer les jobs selon lordre dcroissant
des temps de traitement diviss par la consommation de composant (
p
j
a
j
) ne minimise pas le
Cmax.
Preuve Comme on peut le voir dans le contre-exemple de la gure 3.5 avec un composant et
deux jobs. Les deux jobs ont des caractristiques telles quen suivant la rgle (
p
j
a
j
), il faudrait
placer 1 avant 2, mais cette squence est sous-optimale pour la minimisation du Cmax.
CCA
t0
= 3
Disponibilit
1
2
Temps
Disponibilit
1
2
Temps
Cmax t
1
+ p
1
+ p
2
CCA
t0
= 3
CCA
t1
= 8
CCA
t1
= 8
CCA
t2
= 10
CCA
t2
= 10
Cmax t
1
+ p
1
CCA
t0
= 3
Disponibilit
1
2
Temps
Disponibilit
1
2
Temps
Cmax t
1
+ p
1
+ p
2
CCA
t0
= 3
CCA
t1
= 8
CCA
t1
= 8
CCA
t2
= 10
CCA
t2
= 10
Cmax t
1
+ p
1
Figure 3.5 Contre exemple doptimalit de lordre LPT SCD pour minimiser le Cmax
Ordre dcroissant des pnalits de retard
Ces ordres sont intressants essentiellement pour les hypothses (B) et (C). Pour minimiser
la somme des pnalits des jobs en retard, il est prfrable de placer en priorit les jobs les
93
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 3. Ordonnancement pour plateforme de prparation de commandes
plus courts ayant les plus grandes pnalits
w
j
p
j
, il se pour-
rait que lon donne priorit un job plus long et qui est en retard (cest le cas de j dans le
contre-exemple) et empcher un job plus court (j +1 dans la gure), et qui pourrait partir avec
la livraison D
1
, d tre plac avant. Le principe est le mme pour la minimisation de la somme
pondre des dates de livraison des jobs (critre de lhypothse (C)).
Ce rsultat a t dmontr dans Hall et al. [77], pour le cas avec des dates de livraison xes.
Construction des mthodes approches rapides
Nous insrons, au sein des algorithmes 1 et 2, les ordres que nous venons de dcrire. Nous les
utilisons de manire individuelle Ordre, ou hirarchique Ordre
1
/Ordre
2
(le deuxime ordre est
utilis pour dcider du job placer en cas dgalit pour le premier), ou encore dynamiquement
(Ordre
1
Ordre
2
) :
Lutilisation dynamique des rgles de priorit consiste commencer par un ordre donn
et continuer avec un autre lorsquune condition est vrie. La raison est que aprs certaines
conditions, lempirisme qui conduit choisir un ordre peut disparatre. Par exemple quand
t D
1
pour le problme (B), ou quand t est plus grand que la date de la dernire arrive de
composant pour tous les problmes. Nous avons distingu trois cas :
94
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
3.7. Procdure par Sparation et Evaluation (PSE)
Disponibilit
CCA
w
1
/p
1
D
1
w
2
/p
2
w
3
/p
3 w
j
/p
j
w
j+1
/
p
j+1
w
j
= 7, p
j
= 5
w
j+1
= 2, p
j+1
= 3
Disponibilit
CCA
w
1
/p
1
D
1
w
2
/p
2
w
3
/p
3 w
j
/p
j
w
j+1
/
p
j+1
4 . 1
p
w
f
f
= 67 . 0
p
w
1 f
1 f
=
+
+
|
|
.
|
\
|
+
i
i
p
w
en retard en retard
1 f f i i
w w u w
+
+ =
1 f i i
w u w
+
=
Disponibilit
CCA
w
1
/p
1
D
1
w
2
/p
2
w
3
/p
3 w
j
/p
j
w
j+1
/
p
j+1
w
j
= 7, p
j
= 5
w
j+1
= 2, p
j+1
= 3
Disponibilit
CCA
w
1
/p
1
D
1
w
2
/p
2
w
3
/p
3 w
j
/p
j
w
j+1
/
p
j+1
4 . 1
p
w
f
f
= 67 . 0
p
w
1 f
1 f
=
+
+
|
|
.
|
\
|
+
i
i
p
w
en retard en retard
1 f f i i
w w u w
+
+ =
1 f i i
w u w
+
=
Figure 3.6 Contre exemple doptimalit de lordre WSPT pour minimiser la somme des
pnalits des jobs en retard
1. lordre LPT WSCD ou LPT SCD devient inutile (pour les hypothses (A) et (B))
aprs la date de la dernire arrive de composant, car cet instant tous les jobs peuvent
tre placs dans nimporte quel ordre sans modier la dure totale de lordonnancement, on
utilise alors lordre WSPT (cette rgle dynamique est note LPT WSCD WSPT) ;
2. lordre WSPT est inutile (pour les hypothses (B) et (C)) quand t D
1
ou D
f1
car tous les jobs qui nont pas t livrs cet instant sont en retard et alors il nest
plus ncessaire de continuer de chercher minimiser les pnalits, on utilise alors lordre
LPT WSCD (cette rgle dynamique est note WSPT LPT WSCD) ;
3. il faut remarquer que si les deux conditions t D
1
(ou D
f1
pour lhypothse (C)) et
t plus grand que la date de la dernire arrive de composant alors nimporte quel ordre
des jobs peut tre utilis pour complter lordonnancement sans plus de contrle pour
nimporte quel hypothse. Cette rgle est applique lors de la construction des ordonnan-
cements actifs et sans dlai dcrits prcdemment, et ce pour nimporte quel ordre.
Nous construisons des ordonnancements actifs et sans dlai avec les ordres (intressants pour
minimiser les critres de nos trois problmes (A), (B) et (C)) suivants :
= 1 : LPT WSCD/WSPT,
= 2 : WSPT/LPT WSCD,
= 3 : DY N(LPT WSCD WSPT)/WSPT,
= 4 : DY N(WSPT LPT WSCD)/LPT WSCD
Les ordres = 1, 2 sont des ordres hirarchiques. Les ordres 3 et 4 sont des ordres dyna-
miques correspondant aux conditions darrt 1 et 2 respectivement. Dans nos expriences, nous
95
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 3. Ordonnancement pour plateforme de prparation de commandes
travaillons avec ces 4 ordres, lesquels combins avec les deux gnrateurs dordonnancement
nous fournissent 8 mthodes approches polynomiales (on pourrait obtenir plus si lon utilisait
des ensembles de poids non unitaires pour les consommations des composants dans WSCD).
Puisque le calcul des ordonnancements avec chaque mthode se fait rapidement, nous appliquons
toutes les heuristiques au dpart pour trouver des solutions pour nos problmes et nous appelons
BESTH lheuristique globale qui consiste appliquer successivement toutes les mthodes et
garder la meilleure solution obtenue.
Il faut remarquer que les ordres = 2 et = 4 ainsi que = 1 et = 3 sont identiques
pour la minimisation du Cmax (hypothse (A)). Pour les ordres 2 et 4, il ny pas de tourne de
livraison prvue, dans ce cas, le changement dynamique prvu t = D
1
na pas lieu. Pour les
ordres 1 et 3 le changement dynamique devrait arriver aprs la date de la dernire livraison de
composant, mais cet instant placer les jobs dans nimporte quel ordre fournit le mme rsultat
pour la minimisation du Cmax. Nous avons donc 4 mthodes approches pour la minimisation
du Cmax.
3.7.3 Bornes infrieures
Pour pouvoir concevoir notre procdure de sparation et valuation, il est ncessaire davoir
des bonnes bornes infrieures de nos problmes. Les trois problmes (A), (B) et (C) que nous
tudions ont pour critres Cmax, (1 +
w
j
u
j
)Cmax et
w
j
C
j
respectivement.
Nous sommes capables dobtenir des bornes infrieures pour les problmes (A) et (C) en
travaillant directement sur leurs critres. Par contre, pour obtenir des bornes infrieures pour le
problme (B) nous dcomposons le critre (1 +
w
j
u
j
)Cmax en deux parties, nous calculons
des bornes infrieures pour le Cmax dune part, et des bornes infrieures pour la somme des
pnalits des jobs en retard
w
j
u
j
dautre part.
Dans cette section nous dcrivons les trois techniques que nous avons utilis pour concevoir
des bornes infrieures pour nos dirents critres : Cmax,
w
j
u
j
et
w
j
C
j
. Nous introduisons
une une les techniques et expliquons comment elles sont utilises pour chaque critre.
Bornes infrieures utilisant des ordres agrables
La technique des ordres agrables est une technique trs utilise pour obtenir des bornes en
ordonnancement. Lide de base est de construire la meilleure instance possible avec les donnes
du problme original (caractristiques des jobs, capacits des machines, etc.) et de rsoudre
le problme doptimisation avec cette instance. Toute autre instance, obtenue avec une autre
combinaison des mmes donnes, incluant linstance originale, donne des solutions moins bonnes
pour le mme problme doptimisation.
Nous appliquons la technique des ordres agrables en construisant des pseudo-jobs avec les
caractristiques des jobs rels et en rsolvant le problme dordonnancement avec ces pseudo-
jobs. Par exemple, pour un problme de sac dos, il serait idale que les jobs avec les plus
grands cots (c
1
c
2
c
3
c
n
) aient les plus petits poids (w
1
w
2
w
3
w
n
),
si ctait le cas, placer les jobs dans cet ordre dans le sac maximiserait le cot total. Si ce nest
pas le cas, on peut construire des pseudo-jobs de telle faon que le premier pseudo-job ait le
plus grand cot et le plus petit poids (de tous les cots et poids des jobs rels), le deuxime
pseudo job aura le deuxime plus grand cot et le deuxime plus petit poids et ainsi de suite
pour le reste de pseudo-jobs et des caractristiques. Ainsi, avec cette nouvelle pseudo-instance
il est facile de rsoudre le problme loptimalit, cette solution constitue une borne suprieure
pour le problme original, qui est ici un problme de maximisation.
96
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
3.7. Procdure par Sparation et Evaluation (PSE)
Dans ce qui suit nous prsentons des bornes infrieures obtenues en appliquant la technique
des ordres agrables pour le Cmax, pour le temps mort total, pour la somme des pnalits des
jobs en retard
w
j
u
j
et pour la somme pondre des dates de livraison des jobs
w
j
C
j
. La
borne infrieure pour les temps morts est utilise pour amliorer les bornes pour
w
j
u
j
et
w
j
C
j
.
Borne infrieure pour le Cmax
Nous dcrivons ici la borne obtenue pour la minimisation du Cmax (concernant les hypo-
thses (A) et (B)) avec lutilisation des ordres agrables. Nous avons vu dans le lemme 3.7.3
que si lordre dcroissant des temps de traitement et lordre croissant des consommations de
composant sont gaux alors placer les jobs dans cet ordre minimise le Cmax. En consquence, il
est pertinent dutiliser la technique des ordres agrables, dcrite avant, pour trouver une borne
infrieure pour le Cmax.
Sil y a plusieurs composants, nous utilisons la technique des ordres agrables de manire
indpendante pour chaque composant et nous retenons la plus grande valeur obtenue. Pour
minimiser le makespan, la technique des ordres agrables doit tre applique comme suit :
Pour chaque composant o, soit le problme de minimisation du Cmax tudi dans ce cha-
pitre, et soit
(o)
se voit aect le plus grand temps de traitement et la plus petite consommation de composant
o, le deuxime job de
i
) et dans lordre croissant des consommations du composant o (a
i,o
) dans ce
cas, le lemme 3.7.3 peut tre appliqu.
En appliquant les ordres agrables chaque composant, nous avons une valeur dirente du
Cmax pour chaque composant, la valeur que lon retient est la valeur maximale parmi celles de
tous les composants (max
k
Cmax(
Disponibilit
D
1
Cmax
Disponibilit
D
1
Cmax
Cmax
D
1
Disponibilit
Cmax
D
1
(b) Avec relaxation
Figure 3.8 Impact de la relaxation des contraintes de disponibilit des composants
En obtenant une borne suprieure du problme de la maximisation de la somme des pnalits
des jobs temps, on obtient automatiquement une borne infrieure de la somme des pnalits
des jobs en retard. Pour obtenir une borne suprieure de la somme des pnalits des jobs
temps, nous devons placer dans lintervalle [0, D
1
] un sous-ensemble de jobs (dont la dure
totale est infrieure D
1
) qui maximise la somme des pnalits. Ce problme est quivalent
un problme de sac dos, dans lequel les valeurs de satisfaction sont les pnalits de retard w
j
,
les poids correspondent aux temps de traitement des jobs p
j
et la capacit du sac est gale
D
1
.
98
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
3.7. Procdure par Sparation et Evaluation (PSE)
w
1
/p
1
w
2
/p
2
w
3
/p
3
w
s-1
/p
s-1
w
s
/p
s
w
s+1
/p
s+1
Borne suprieure de Dantzig
w
1
/p
1
w
2
/p
2
w
3
/p
3
w
s-1
/p
s-1
w
s
/p
s
w
s+1
/p
s+1
Premire partie de la borne suprieure de
Martello et Toth (U
0
)
w
1
/p
1
w
2
/p
2
w
3
/p
3
w
s-1
/p
s-1
w
s
/p
s
w
s+1
/p
s+1
Deuxime partie de la borne suprieure de
Martello et Toth (U
1
)
Borne suprieure de Martello et Toth : Max (U
0
, U
1
)
w
1
/p
1
w
2
/p
2
w
3
/p
3
w
s-1
/p
s-1
w
s
/p
s
w
s+1
/p
s+1
Borne suprieure de Dantzig
w
1
/p
1
w
2
/p
2
w
3
/p
3
w
s-1
/p
s-1
w
s
/p
s
w
s+1
/p
s+1
Premire partie de la borne suprieure de
Martello et Toth (U
0
)
w
1
/p
1
w
2
/p
2
w
3
/p
3
w
s-1
/p
s-1
w
s
/p
s
w
s+1
/p
s+1
Deuxime partie de la borne suprieure de
Martello et Toth (U
1
)
Borne suprieure de Martello et Toth : Max (U
0
, U
1
)
Figure 3.9 Schma de construction de la borne suprieure (Martello et Toth [102]) du problme
de sac dos
Pour obtenir une borne suprieure de ce problme, nous utilisons la borne suprieure propose
par Martello et Toth [102] (qui amliore celle de Dantzig [47]) pour le sac dos. Cette borne
consiste trier les jobs dans lordre (w
j
/p
j
), les placer dans cet ordre dans le sac jusquau job
s qui nentre pas compltement. Les auteurs valuent les bornes obtenues quand des changes
des positions, entre les jobs s et s 1 et entre s et s + 1 dans lordonnancement, sont faits et
prennent la plus grande valeur. Voir le schma de la gure 3.9.
Les premiers rsultats exprimentaux nous ont montr que la relaxation des contraintes de
disponibilit de composant est trop forte, et donc que la borne du sac dos sous-jacent de
capacit D
1
nest pas bonne. En eet, cette relaxation limine tout le temps mort associ aux
ruptures de composant, les jobs peuvent aller dans le sac sans aucune contrainte (gure 3.8(b)),
de ce fait, les pnalits des jobs en retard sont sous-estimes considrablement.
Pour pallier ce problme, nous utilisons la borne suprieure des temps morts induits par les
ruptures de composant dans lintervalle [0, D
1
]. Nous utilisons la borne infrieure LB|AGO|IT(D
1
)
du temps mort et nous rsolvons un nouveau problme de sac dos de capacit UP/H en prenant
H = D
1
, comme montr dans la gure 3.10.
La borne infrieure pour la somme des pnalits des jobs en retard, note LB|AGOK|ST
(borne infrieure de la somme des pnalits des jobs en retard en utilisant les ordres agrables et
le problme de sac dos relax), est gale la dirence entre la somme totale des pnalits de
retard
w
j
, et la borne suprieure du sac dos de capacit UP/D
1
obtenue avec lalgorithme
de Martello et Toth [102], note UP/SW
1
.
99
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 3. Ordonnancement pour plateforme de prparation de commandes
Disponibilit
Cmax
D
1
LB
IT(D
1
)
UP/D
1
Disponibilit
Cmax
D
1
LB
IT(D
1
)
UP/D
1
Figure 3.10 Problme de sac dos sous-jacent avec une borne suprieure de sa capacit
Borne infrieure pour la somme pondre des dates de livraison des jobs
w
j
C
j
La procdure utilise pour
w
j
u
j
(hypothse (B)) peut tre adapte facilement pour le
critre de lhypothse (C), en rsolvant f problmes de sac dos, un pour chaque date de
livraison xe, voir gure 3.11.
Disponibilit
CCA
w
1
w
2
w
j w
n
D
1
D
f
D
d
W
n-1
D
2
0
Temps morts
UP/D
1
UP/D
2
UP/D
d
UP/D
f
Disponibilit
CCA
w
1
w
2
w
j w
n
D
1
D
f
D
d
W
n-1
D
2
0
Temps morts
UP/D
1
UP/D
2
UP/D
d
UP/D
f
Figure 3.11 Calcul de borne infrieure avec des ordres agrables et f sac dos pour
w
j
C
j
Pour chaque intervalle [0, D
d
] nous pouvons calculer UP/D
d
correspondant la borne su-
prieure du temps utilisable dans cet intervalle en retirant la borne infrieure du temps mort
de la dure de lintervalle. Ensuite, nous pouvons calculer UP/SW
d
, une borne suprieure de la
somme des pnalits des jobs qui peuvent tre placs dans lintervalle [0, UP/D
d
] en utilisant la
borne suprieure propose par Martello et Toth [102] et dj utilise pour lhypothse (B). Ces
bornes suprieures permettent de calculer la borne infrieure de
w
j
C
j
en appliquant le lemme
3.7.8.
100
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
3.7. Procdure par Sparation et Evaluation (PSE)
Lemme 3.7.8 La somme
f
d=1
(UP/SW
d
UP/SW
d1
) D
d
est une borne infrieure de la
somme pondre des dates de livraison des jobs
w
j
C
j
. Avec UP/SW
0
= 0 et UP/SW
f
=
j
w
j
.
Preuve Pour un ordonnancement quelconque, soit n
d
la somme des pnalits des jobs dont
la date de livraison est D
d
. La valeur de la somme pondre des dates de livraison des jobs,
S(), est donne par :
S() = (n
f
n
f1
)D
f
+(n
f1
n
f2
)D
f1
+ +(n
d
n
d1
)D
d
+ +(n
2
n
1
)D
2
+n
1
D
1
qui peut tre rcrit comme suit :
S() = n
f
D
f
n
f1
(D
f
D
f1
) n
d
(D
d+1
D
d
) n
2
(D
3
D
2
) n
1
(D
2
D
1
)
puisque n
d
UP/SW
d
pour tout d et D
d
D
d1
0 d, on en dduit
S() UP/SW
f
D
f
UP/SW
f1
(D
f
D
f1
) UP/SW
d
(D
d+1
D
d
) UP/SW
2
(D
3
D
2
)
UP/SW
1
(D
2
D
1
)
ou encore
S() (UP/SW
f
UP/SW
f1
)D
f
+ (UP/SW
f1
UP/SW
f2
)D
f1
+ +
+(UP/SW
d
UP/SW
d1
)D
d
+ + (UP/SW
2
UP/SW
1
)D
2
+UP/SW
1
D
1
S()
f
d=1
(UP/SW
d
UP/SW
d1
)D
d
et ce pour nimporte quel ordonnancement . Ainsi,
f
d=1
(UP/SW
d
UP/SW
d1
)D
d
est une
borne infrieure de la somme pondre des dates de livraison des jobs.
Cette borne a t obtenue en utilisant les ordres agrables pour calculer une borne infrieure
des temps morts et la borne suprieure de Martello et Toth [102] pour les problmes induits de
sac dos. Nous la notons LB|AGOK|
CT.
Bornes infrieures base de relaxation entire
Une relaxation de nos problmes peut tre obtenue en acceptant linterruptibilit des jobs
et en supposant que la consommation des composants se fait de manire continue et uniforme
pendant le traitement des jobs et pas au dbut de lexcution comme nous lavons suppos
jusqu maintenant.
Nous prsentons ici des bornes infrieures pour les trois critres Cmax (pour les hypothses
(A) et pour (B)),
w
j
u
j
(pour lhypothse (B)) et
w
j
C
j
(pour lhypothse (C)).
Borne infrieure pour le Cmax
Le problme obtenu en utilisant cette relaxation est un cas particulier du problme considr
par Cochand et al. [44], qui cherchent minimiser la dure totale de lordonnancement avec des
arrives de composant en forme descalier. Les auteurs utilisent la programmation linaire pour
rsoudre ce problme.
101
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 3. Ordonnancement pour plateforme de prparation de commandes
Disponibilit
E
5
E
3
E
1
E
2
E
4
E
t
E
t+1
Cmax
Disponibilit
E
5
E
3
E
1
E
2
E
4
E
t
E
t+1
Cmax
Figure 3.12 Discrtisation du temps par vnements, minimisation du Cmax
Dans Cochand et al. [44], laxe du temps est divis en g priodes, le dbut et la n de chaque
priode correspondent des vnements E
t
. Pour la minimisation du Cmax, un vnement
correspond une arrive de composants (tous composants confondus), la premire arrive dun
des composants a toujours lieu linstant 0 (dbut de laxe des temps si tout job ncessite au
moins un composant). Le dernier vnement, E
g+1
, correspond la n de traitement du dernier
job, sa date est inconnue. Aucun vnement ne peut survenir dans une priode, comme indiqu
dans la gure 3.12.
Les auteurs ont conu une procdure deux phases, la premire phase consiste dterminer
combien de chaque job est trait dans chaque priode (en rsolvant un programme linaire),
la deuxime phase consiste trouver un ordonnancement ralisable dans chaque priode avec
lalgorithme de De Werra [51]. Seulement la premire phase est utilise ici car obtenir un ordon-
nancement ralisable pour leur problme est inutile pour calculer notre borne infrieure.
Le programme linaire pour la premire phase, correspondant nos hypothses, utilise les
paramtres de la table 3.2.
Table 3.2 Paramtres
Paramtre Description
t
dure de la priode t, qui correspond E
t+1
E
t
Q
k,t
quantit de composant k arrive E
t
a
j,k
consommation de composant k par unit de temps du job j. Pour chaque job
j et chaque composant k, a
j,k
est gal au rapport entre la consommation a
j,k
et la dure p
j
.
Il y a deux ensembles de variables. La variable X
j,t
qui dtermine la quantit de temps pen-
dant laquelle le job j est traite pendant la priode t. Puis, E
g+1
qui correspond la date du
dernier vnement et donc Cmax. Le modle linaire est formalis comme suit :
102
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
3.7. Procdure par Sparation et Evaluation (PSE)
Contraintes temporelles et dexcution des jobs
t
j
X
j,t
t
(1)
j
g
t=1
X
j,t
= p
j
(2)
La famille de contraintes (1) limite la somme des temps de traitement associs une priode
la dure donne de cette priode ; la famille (2) assure que les jobs sont compltement excuts.
Contraintes de composants
= 1, . . . , g, k
t=1
j
X
j,t
a
,
j,k
t=1
Q
k,t
(3)
La famille (3) implique que les courbes cumules des consommations de composants sont
toujours plus petites que les courbes des arrives. Lobjectif est de minimiser E
g+1
=
t
t
. Ce
problme est rsolu par programmation linaire.
La borne infrieure pour le Cmax, obtenue en appliquant la mthode propose par Cochand
et al. [44] sur ce problme relax, est note LB|IR|CT (borne infrieure en utilisant la relaxation
entire pour le Cmax).
On peut noter que, comme dans le cas des ordres agrables, la longueur de chaque intervalle
[0, E
t
] peut tre corrige en prenant en compte une borne infrieure des temps morts dans cet
intervalle. Il faut alors ajouter la famille de contraintes suivante qui limite lutilisation des temps
la dure utilisable de lintervalle (sans les temps morts).
Contraintes de temps morts
= 1, . . . , g
t=1
j
X
j,t
E
LB|AGO|IT(E
) (4)
En faisant cela, nous nous retrouvons avec des contraintes plus strictes pour la somme des
temps de traitement dans chaque intervalle. La borne infrieure pour le Cmax obtenue en
introduisant la contrainte des temps morts, est note LB|IT IR|CT.
Lemme 3.7.9 La borne LB|IT IR|CT domine la borne infrieure LB|AGO|CT et la borne
LB|IR|CT.
Preuve En eet, la famille de contraintes (4) impose que le temps mort total du programme
linaire est suprieur ou gal la borne infrieure du temps mort obtenue avec les ordres agrables
LB|IT IR|IT(Cmax) LB|AGO|IT(Cmax).
Nous supposons prsent que la borne LB|IT IR|CT ne domine pas LB|AGO|CT. Donc
il existe au moins une instance pour laquelle :
LB|AGO|CT > LB|IT IR|CT
hors LB|AGO|CT =
p
j
+ LB|AGO|IT(Cmax) et LB|IT IR|CT =
p
j
+ LB|IT
IR|IT(Cmax), do
p
j
+LB|AGO|IT(Cmax) >
p
j
+LB|IT IR|IT(Cmax)
il sen suit que
LB|AGO|IT(Cmax) > LB|IT IR|IT(Cmax)
103
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 3. Ordonnancement pour plateforme de prparation de commandes
ce qui est une contradiction. On en conclut que LB|IT IR|CT LB|AGO|CT pour toute
instance.
Par ailleurs, LB|IT IR|CT domine LB|IR|CT car on ajoute une famille de contraintes
qui ne peut quaugmenter les temps morts et donc la valeur de Cmax.
Lemme 3.7.10 La borne LB|IT IR|CT = Max(LB|AGO|CT, LB|IR|CT).
Preuve Si LB|AGO|CT est infrieure LB|IR|CT, ceci implique que la borne LB|AGO|IT(Cmax)
pour les temps morts (obtenue avec les ordres agrables) est infrieure la borne LB|IR|IT(Cmax)
(obtenue avec la relaxation entire), alors la famille de contraintes (4) na aucun eet et LB|IT
IR|CT = LB|IR|CT.
Si, LB|AGO|CT est suprieure LB|IR|CT alors la borne des temps morts LB|AGO|IT(Cmax)
(obtenue avec les ordres agrables) est suprieure la borne LB|IR|IT(Cmax) (obtenue avec
la relaxation entire) et la famille de contraintes (4) implique que :
LB|IT IR|IT(Cmax) = LB|AGO|IT(Cmax)
et donc LB|IT IR|CT = LB|AGO|CT.
Nous pouvons conclure que LB|IT IR|CT = Max(LB|AGO|CT, LB|IR|CT).
Borne infrieure pour la somme des pnalits des jobs en retard
w
j
u
j
En utilisant la mme relaxation entire que pour le Cmax, nous pouvons adapter le pro-
gramme linaire pour obtenir une borne suprieure de la somme des pnalits des jobs temps.
Nous ajoutons un vnement pour la discrtisation du temps, la date D
1
, comme dans la
gure 3.13. Dans cette partie, nous supposons quil y a g +1 vnements (et g priodes) o E
g+1
correspond linstant D
1
, le dpart du camion de livraison aux magasins.
Disponibilit
E
5
E
3
E
1
E
2
E
4
D
1
E
t
Disponibilit
E
5
E
3
E
1
E
2
E
4
D
1
E
t
Figure 3.13 Discrtisation du temps par vnements, hypothse (B)
Nous conservons ici les mmes paramtres que pour la borne du Cmax, ainsi que la variable
X
j,t
et les familles de contraintes (1) et (3). La famille de contraintes (2) doit tre modie
comme suit :
104
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
3.7. Procdure par Sparation et Evaluation (PSE)
Contraintes dexcution des jobs
j
g
t=1
X
j,t
p
j
(2)
car en acceptant linterruptibilit des jobs, les jobs peuvent trs bien ne pas tre termins
avant D
1
. Il est aussi ncessaire de modier la fonction objectif, celle-ci consiste maintenant
maximiser les pnalits associes aux proportions des morceaux de jobs ordonnancs avant la
date D
1
:
Max
j
g
t=1
X
j,t
p
j
w
j
Comme pour les ordres agrables, cette borne suprieure des pnalits des jobs temps est
transforme en une borne infrieure des pnalits des jobs en retard. La borne infrieure pour
w
j
u
j
est note LB|IR|ST.
On peut remarquer que, comme nous lavons fait pour le Cmax, il est possible dajuster
les temps utilisables de chaque intervalle [0, E
t
] laide des bornes infrieures des temps morts
obtenues avec les ordres agrables. Il faudrait ajouter la famille de contraintes (4). On obtient
alors autre nouvelle borne suprieure pour les pnalits des jobs temps et ainsi une borne
infrieure des pnalits des jobs en retard, que nous notons LB|IT IR|ST et qui est au moins
aussi bonne que LB|IR|ST.
Borne infrieure pour la somme pondre des dates de livraison des jobs
w
j
C
j
Pour appliquer la relaxation entire pour la somme pondre des dates de livraison des jobs
(hypothse (C)), nous sommes dans le cas gnral o les vnements correspondent des arrives
de composant ou des dparts de livraisons, voir gure 3.14. Ici aussi il y a g + 1 vnements et
g priodes, le dernier vnement correspond au dernier dpart de livraison D
f
.
E
6
E
4
E
1
E
2
E
5
E
t
Disponibilit
D
1
D
2
D
f
E
t+1
E
6
E
4
E
1
E
2
E
5
E
t
Disponibilit
D
1
D
2
D
f
E
t+1
Figure 3.14 Discrtisation du temps par vnements, cas gnral
Avec les mmes paramtres et les mmes notations que pour les deux problmes prcdents,
nous supposons que si lvnement E
t
ne correspond pas une arrive de composant, alors la
quantit de composant arrive avec lvnement t, Q
k,t
est gale 0 pour tout composant k.
Les familles de contraintes (1), (2) et (3) sont conserves pour ce cas. La fonction objectif
105
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 3. Ordonnancement pour plateforme de prparation de commandes
correspond maintenant la minimisation de la somme pondre des portions de job livres
chaque date de livraison, qui sexprime comme suit :
Min
f
d=1
1tg:D
d1
<E
t+1
D
d
X
j,t
p
j
w
j
D
d
La borne obtenue avec cette relaxation entire pour la minimisation de la somme pondre
des dates de livraison des jobs est note LB|IR|
CT.
Il faut remarquer quil ny a pas de dominance entre les bornes infrieures LB|IT IR|ST et
LB|AGOK|ST ni entre LB|IT IR|
CT et LB|AGOK|
CCA
k,t0
Disponibilit
CCA
k
Courbe relaxee
avec taux
d`arrivee
k
temps
CCA
k,t0
Disponibilit
CCA
k
Courbe relaxee
avec taux
d`arrivee
k
Figure 3.15 Relaxation TKEX pour une ressource
De manire gnrale, sil existe plusieurs composants, le mme procd de relaxation sera
excut pour nimporte quel composant, nous prendrons la plus grande borne infrieure obtenue
106
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
3.7. Procdure par Sparation et Evaluation (PSE)
pour tous les composants. Pour simplier les explications nous considrons de manire arbi-
traire un composant k. Nous relaxons larrive en escalier du composant en prenant une courbe
linaire, qui commence la coordonne (t
0
, CCA
k,t
0
), qui est toujours au dessus de la courbe
en escalier CCA et qui est tangente au moins un point de CCA
k
, voir la gure 3.15.
Le problme dordonnancement une machine avec des arrives continues de composant
a t rsolu de manire polynomiale par Toker et al. [146] quand il y a un seul composant k
et par Xie [156] pour plusieurs composants. Si
k
est le taux darrive du composant k par
unit de temps (la pente de la courbe relaxe), les auteurs montrent que le problme not
1/Cont(1) :
k
, a
j,k
/Cmax, selon la notation //, est quivalent un problme de owshop
deux machines sans contrainte de composant o les temps de traitement sur les machines 1 et
2, p
j,1
et p
j,2
, sont gaux
a
j,k
k
et p
j
respectivement. Les temps morts dans le problme original
correspondent des temps morts sur la deuxime machine dans le problme du owshop. Ainsi,
le problme avec une ressource k, que nous notons 1/Cont(1) :
k
, a
j,k
/Cmax, peut tre rsolu
en utilisant la rgle de Johnson (Johnson [86]) pour le problme du owshop deux machines.
La rgle de Johnson pour le problme du owshop deux machines consiste partitionner
les jobs en deux sous-ensembles : lensemble 1 contient les jobs pour lesquels p
j,1
p
j,2
et
lensembles 2 contient les jobs pour lesquels p
j,1
> p
j,2
. la solution est obtenue en commenant
par les jobs de lensemble 1 tris dans lordres SPT et en terminant par les jobs de lensemble
2 tris dans lordre LPT ; lordre utilis est le mme sur les deux machines (owshop de
permutation). Cette rgle minimise le Cmax. En utilisant les rsultats de Toker et al. [146] et
de Xie [156], dans lordonnancement optimal qui minimise le Cmax pour le composant k, le job
j prcde le job i si :
Min
a
j,k
k
, p
i
Min
a
i,k
k
, p
j
Il est noter que la rgle de Johnson nest pas optimale dans le cas gnral o les arrives de
composant sont en forme descalier. Le lemme 3.7.11 donne un contre-exemple de non optimalit.
Lemme 3.7.11 Mme pour le cas le plus simple, quand les consommations et les dures des jobs
sont quelconques, et o il y a un seul composant k qui arrive en escalier de manire rgulire, V
units de composant toutes les V priodes, comme il lustre la gure 3.16(a), la rgle de Johnson
ne minimise pas le Cmax.
Disponibilit
temps
V
V
CCA
2V
2V
1
3
2
Disponibilit
temps
V
V
CCA
2V
2V
1
3
2
(a) Solution de Johnson
Disponibilit
temps
V
V
CCA
2V
2V
1
3
2
Disponibilit
temps
V
V
CCA
2V
2V
1
3
2
temps
V
V
CCA
2V
2V
1
3
2
(b) Solution Optimale
Figure 3.16 Courbe darrive uniforme en escalier pour un composant
107
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 3. Ordonnancement pour plateforme de prparation de commandes
Preuve Soient les jobs j = 1, 2, 3 qui consomment a
1,k
=
V
2
, a
2,k
=
V
2
+ 2 et a
3,k
=
V
2
+
de composant k, et dont les dures de traitement sont p
1
=
V
2
+ 2, p
2
=
V
2
+ 3 et p
3
=
V
2
respectivement.
En appliquant la rgle de Johnson entre les jobs deux deux on obtient :
Le job 1 est ordonnanc avant le job 2 si :
Min(
V
2
,
V
2
+ 3) Min(
V
2
+ 2,
V
2
+ 2)
V
2
V
2
+ 2 vrai
Le job 1 est ordonnanc avant le job 3 si :
Min(
V
2
,
V
2
) Min(
V
2
+ ,
V
2
+ 2)
V
2
V
2
+ vrai
Le job 2 est ordonnanc avant le job 3 si :
Min(
V
2
+ 2,
V
2
) Min(
V
2
+ ,
V
2
+ 3)
V
2
V
2
+ vrai
alors la rgle de Johnson donne lordonnancement : 1, 2, 3 de dure 2V +2 (gure 3.16(a))
tandis que lordonnancement optimal est donn par la squence : 1, 3, 2 de dure 1.5V + 4
(gure 3.16(b)) qui est plus petit ds que est strictement infrieur 0.25V .
Nous concluons que la rgle de Johnson nest pas optimale pour les problmes avec des
arrives en composant en forme descalier.
temps
CCA
k,t0
Disponibilit
CCA
k
Courbe reIaxe
de pente
t0
temps
CCA
k,t0
Disponibilit
CCA
k
Courbe reIaxe
de pente
t0
temps t
0
c
j[2]
CCA
k,t0
Disponibilit
CCA
k,cj2]
Courbe reIaxe
de pente
cj[2]
J2
J1
Disponibilit
temps t
0
c
j[2]
CCA
k,t0
Disponibilit
CCA
k,cj2]
Courbe reIaxe
de pente
cj[2]
J2
J1
Disponibilit
(b) Solution Optimale
Figure 3.17 Deux relaxations TKEX successives pour une ressource
Comme cette relaxation peut tre trop forte, particulirement au dbut de lordonnancement,
nous avons conu une procdure itrative qui amliore la borne.
Soit
JH(t
0
)
lordonnancement obtenu en appliquant la rgle de Johnson avec la courbe
relaxe partir de linstant t
0
, la procdure itrative consiste analyser le nouveau problme
obtenu en relaxant la courbe cumule des arrives en escalier actualise aprs la n de chaque
job (c
j
[i]
) de lordonnancement
JH(t
0
)
, en commenant par le premier job i = 1. Nous rsolvons
un nouveau problme si la pente de la nouvelle relaxation est strictement plus petite que la
pente de la relaxation en cours.
108
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
3.7. Procdure par Sparation et Evaluation (PSE)
Cette procdure est explicite dans lalgorithme 3. Soient t = t
0
, =
JH(t
0
))
, q = 0 la
quantit de jobs placs avant t = t
0
et =
t
la pente de la courbe relaxe partir de linstant
t.
si i n q alors
actualiser la courbe cumule en escalier des arrives (CCA
k
) avec la consommation
du job j
[i]
de
JH(t)
, CCA
k
= CCA
k
a
j
[i]
,k
;
si CCA
k,c
j
[i]
0 et
c
j
[i]
< alors
calculer lordonnancement
JH(c
j
[i]
)
avec la courbe de pente
c
j
[i]
et les jobs qui
nont pas t placs avant c
j
[i]
;
i = 1, t = c
j
[i]
, q = q + 1;
appliquer lalgorithme 3;
sinon
i = i + 1, q = q + 1;
appliquer algorithme 3
n
n
Algorithm 3: Procdure itrative de relaxation continue des arrives des composants
Nous pouvons voir un exemple de la procdure itrative, pour un composant et pour deux
itrations dans les gures 3.17(a) et 3.17(b). Lamlioration considre peut tre applique pour
chaque composant de manire indpendante, nous garderons la plus grande valeur de Cmax
parmi tous les composants.
La borne infrieure pour le Cmax obtenue avec cette relaxation est note LB|UCA|CT
(borne infrieure avec relaxation des arrives uniformes et continues pour le Cmax).
Rcapitulatif des bornes infrieures
Le tableau 3.3 rsume les bornes conues pour les dirents critres, Cmax (hypothses (A)
et (B)),
w
j
u
j
(hypothse (B)) et
w
j
C
j
(hypothse (C)), avec les trois techniques : ordres
agrables des caractristiques des jobs, relaxation entire de traitement des jobs et relaxation
continue des arrives de composant.
Table 3.3 Tableau rcapitulatif des bornes infrieures
Ordres Relaxation Entire Relaxation
Critre Agrables Interrup. + Temps Morts continue
Cmax LB|AGO|CT LB|IR|CT LB|IT IR|CT LB|UCA|CT
w
j
u
j
LB|AGOK|ST LB|IR|ST LB|IT IR|ST
w
j
C
j
LB|AGOK|
CT LB|IR|
CT LB|IT IR|
CT
Pour chaque critre, nous prendrons la meilleure borne infrieure trouve, en liminant des
calculs les bornes domines. La borne infrieure pour le critre gnral de lhypothse (B) :
(1 +
w
j
u
j
)Cmax est calcule avec les meilleures bornes infrieures pour le Cmax et pour
w
j
u
j
.
109
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 3. Ordonnancement pour plateforme de prparation de commandes
3.7.4 Schma des Procdures par Sparation et Evaluation proposes
Nous prsentons ici le schma de sparation et la stratgie dexploration que nous avons
utilis dans les procdures par sparation et valuation pour chaque problme correspondant
aux hypothses (A), (B) et (C). Ensuite, nous donnons le schma de fonctionnement gnral de
nos PSE.
Schma de sparation
Pour les hypothses (A), (B) et (C), les critres sont toujours rguliers. Pour les critres
rguliers, les ordonnancements, semi-actifs (cals gauche ou au plus tt en respectant les
contraintes) sont des ensembles dominants (Baker [5]), cest--dire quils contiennent au moins
une solution optimale. Si lobjectif est de fournir une solution optimale, il sut donc dexplorer
lensemble des ordonnancements semi-actifs. Pour les problmes de n jobs une machine, cet
ensemble est en correspondance biunivoque avec lensemble des n! permutations. Nous allons
donc utiliser la technique de sparation la plus classique pour les problmes de permutation.
Il existe en particulier, trois grandes familles de schmas : ordonnancements partiels en par-
tant du dbut, ordonnancements partiels en partant de la n (Brown et Lomnicki [21], McMahon
and Burton [105]) et ordonnancements partiels en partant simultanment du dbut et de la n
(Potts [122]). Dans le cas o il y a des temps morts, les schmas les plus intressants (ou au
moins les plus faciles mettre en uvre) sont gnralement ceux qui partent du dbut.
Pour les permutations, le schma de sparation le plus classique consiste chaque niveau de
larbre, complter une squence partielle avec lun des jobs non encore placs. De manire
gnrale, la racine de larbre reprsente la squence vide = ; chaque nud du niveau i
de larbre, une squence partielle, () de i lments est associe, cette squence correspond aux
i jobs qui sont dans les i premires positions dun ordonnancement partiel. Chaque nud de
larbre de recherche a n i ls, chacun correspond une nouvelle squence de i +1 lments,
composes des i lments de leur pre suivis dun job j non encore considr, comme illustr
dans la gure 3.18. Suivant cette logique de dcomposition, chaque feuille de larbre correspond
une squence de n lments et donc un ordonnancement complet.
o = {1} o = {2} o = {n}
o = {1,2} o = {2.3} o = {2,n}
o = {}
o = {1} o = {2} o = {n}
o = {1,2} o = {2.3} o = {2,n}
o = {}
Figure 3.18 Exemple de la construction de larbre de recherche pour nos PSE
110
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
3.7. Procdure par Sparation et Evaluation (PSE)
Stratgie dexploration
Tout comme la qualit des bornes infrieures et suprieures, le choix dune stratgie dex-
ploration de larbre de recherche a un impact dterminant sur lecacit de la procdure par
sparation et valuation. En gnral, lobjectif de lexploration est de trouver le plus rapidement
possible des solutions de bonne qualit qui nous permettent de couper les branches de larbre le
plus tt possible et ainsi viter leur exploration et donc les pertes de temps faire des recherches
infructueuses.
Pour eectuer lexploration dans un arbre dune PSE, il existe deux types de stratgies
dexploration : en profondeur dabord et en largeur dabord. Les stratgies en profondeur dve-
loppent un nud par niveau la fois. Tandis que les stratgies en largeur dveloppent tous les
nuds dun mme niveau de manire conscutive, dans ce cas il est ncessaire de stocker en m-
moire les nuds dun mme niveau qui sont dj dvelopps et cela entrane souvent lexplosion
de lutilisation de la mmoire. Cependant les stratgies dexploration en largeur ont un intrt
lorsque lon transforme les PSE, en mthodes exactes, en mthodes arborescentes approches
comme le beam search qui nexplore que les f
i
meilleurs nuds supposs du niveau i.
Dans le but de minimiser lutilisation de mmoire, nous utilisons une stratgie dexploration
en profondeur dabord. Lors de la sparation dun nud A, le nouveau nud traiter est le
premier de la liste des ls de A si celui-ci a une borne infrieure qui montre quil a potentiellement
une solution meilleure que la meilleure solution connue ou quune borne suprieure, sinon la
branche correspondante est coupe et on passe au ls suivant de A; sil ne reste plus de ls
explorer, on remonte dans la branche de larbre et on explore un frre de A. Lexploration
consiste donc se dplacer vers le bas et vers le haut de larbre, en ajoutant ou en enlevant un
job de la squence partielle la fois.
Nous notons que puisque nos critres sont rguliers, et que lensemble dordonnancements
actifs est dominant pour ce type de critres (Baker [5]), nous construisons seulement des ordon-
nancements partiels actifs (sous-ensembles plus petits que les ordonnancements semi-actifs), i.e.
les jobs ajouts ne crent jamais de temps mort dans lequel un job non encore plac pourrait
tre compltement ordonnanc. Ainsi, lors de la sparation dun nud du niveau i, les jobs qui
peuvent tre placs aprs lordonnancement partiel sont seulement les jobs qui construisent des
ordonnancements actifs et pas tous les n i ls quil aurait selon le schma de sparation.
Fonctionnement gnral de nos Procdures par Sparation et Evaluation
Comme nous venons de le dire, nos PSE ne construisent que des ordonnancements actifs en
raison du caractre rgulier des critres : Cmax, (1+
w
j
u
j
)Cmax et
w
j
C
j
, des problmes
(A), (B) et (C) respectivement. Nous rappelons aussi que des temps morts peuvent tre cres
dans nos problmes en cas de rupture des composants ncessaires lexcution des jobs. Nous
utilisons les bornes infrieures et les mthodes dapproximation polynomiales, prsentes dans
les sections 3.7.2 et 3.7.3 respectivement, pour dcrire la procdure par sparation et valuation
gnrique pour les trois hypothses (A), (B) et (C). Pour les trois problmes dordonnancement,
la procdure que nous dcrivons ici est applique.
Avant le dbut de notre PSE, une srie de mthodes dapproximation polynomiales (dcrites
dans 3.7.2) sont appliques pour trouver une bonne valeur, note BEST, pour le critre consi-
dr, la solution associe tant note (BEST). En outre, un niveau quelconque de larbre
dexploration (par exemple, quand le niveau est gal
1
modulo
2
avec
1
= 3 et
2
= 6), et
dans le but damliorer la valeur de la meilleure solution connue BEST, ces mthodes rapides
111
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 3. Ordonnancement pour plateforme de prparation de commandes
sont utilises pour complter lordonnancement partiel du nud considr. La solution BEST
est galement amliore quand un ordonnancement strictement meilleur est construit, i.e. lors-
quon arrive une feuille de larbre de recherche.
Puisquil y a plusieurs bornes infrieures, et pour limiter raisonnablement le cot dvaluation
de chaque nud, pour chaque critre, nous intercalons leur utilisation un niveau sur deux ou
sur trois (selon le nombre de bornes infrieures quil y a pour le critre en cours) pour couper
des branches.
Par ailleurs, nimporte quel niveau de larbre dexploration, lordonnancement partiel est op-
timalement complt quand le sous-problme associ devient polynomial. Par exemple, aprs la
dernire arrive de composant pour la minimisation du Cmax pour lhypothse (A).
Une fonction appele SELECTACTIV E est capable de choisir dune liste L
a
(cette liste
contient seulement les jobs qui donnent des ordonnancements actifs) un job qui sera ajout
lordonnancement partiel considr P tout en prenant en compte les rgles de priorit statiques
et dynamiques et les proprits agrables prsents en section 3.7.2. Par ailleurs, une fonction
appele FOLLOWINGACTIV E a exactement le mme rsultat sauf que les jobs qui ont dj
t considrs pour complter le mme ordonnancement partiel P sont limins et le rsultat de
la fonction est gal 1 quand tous les jobs intressants ont t considrs pour complter P.
Un nud quelconque de larbre est caractris par : lordonnancement partiel P quil reprsente ;
linstant de n dexcution t de cet ordonnancement partiel compte tenu des contraintes de res-
sources ; la liste L
a
des jobs qui peuvent tre ajouts lordonnancement partiel P ; la liste L
c
des jobs qui ont dj t considrs ; la borne infrieure des ordonnancements ayant la squence
partielle P au dbut.
Avant le dbut de la PSE : lordonnancement partiel P initial est vide ; le temps t est gal
0 ; la liste L
c
des jobs dj considrs pour complter P est vide ; A
0
dnote le nud qui est
la racine de larbre de recherche correspondant ces paramtres et la pile S dordonnancements
partiels construits ne contient que A
0
. Avec ces paramtres, lalgorithme 4 met en uvre nos
procdures par sparation et valuation.
3.7.5 Rgles de dominance
Les rgles de dominance et autres rgles de priorit sont trs utiles pour limiter lexploration
de larbre de recherche. En eet, comme nous lavons dit avant, lorsque lon sait quun type de
solutions est dominant alors on peut ne pas explorer les sous-ensembles qui ne contiennent pas de
solution de ce type. Nous dcrivons ici les rgles que nous avons dnies pour nos trois problmes.
En rgle gnrale, quand deux jobs (i, j) vrient une proprit agrable soit intrinsque-
ment soit parce que le temps courant t est plus grand que la dernire arrive de composant (pour
le Cmax) ou aprs la date de livraison xe D
1
(pour la minimisation la somme des pnalits des
jobs en retard), alors le job i est ordonnanc avant le job j, un cas particulier apparat quand
deux jobs ont exactement les mmes caractristiques.
Les proprits de dominance globales deviennent de plus en plus riches au fur et mesure que
la squence partielle grandit et que lon approche de la n de livraison des dirents composants.
Lemme 3.7.12 de dominance (dynamique) globale pour lhypothse (A) :
Pour tout ordonnancement ralisable qui commence par la squence partiel le se terminant
linstant t :
112
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
3.7. Procdure par Sparation et Evaluation (PSE)
P = ; t = 0 ; L
c
= ;
BEST = la meilleure valeur du critre correspondant la meilleure solution obtenue;
LB = la meilleure valeur dune borne infrieure du critre pour lordonnancement partiel
P vide;
si LB == BEST alors
BEST est optimale et on arrte lexploration;
sinon
A
0
= {P, t, L
a
, L
c
, LB};
S = A
0
;
tant que S = faire
A = {P, t, L
a
, L
c
, LB}, le haut de la pile S;
si L
c
== alors
i = SELECTACTIV E(A);
sinon
i = FOLLOWINGACTIV E(A);
n
si i == - 1 alors
Eacer le haut de la pile S;
sinon
i est ordonnanc aussi tt que possible aprs P;
P
= P i;
t
= C
i
;
L
c
= L
c
i;
LB
= max(LB, LB
);
si le niveau de A dans larbre modulo k
2
est gal 0 alors
BESTnew = la meilleure valeur du critre correspondant des solutions
ralisables obtenues avec les mthodes rapides, qui compltent
lordonnancement partiel P;
si BESTnew < BEST alors
BEST = BESTnew ;
n
n
si LB
c
= ;
A
= {P
, t
, L
c
, LB
w
j
u
j
et (1+
w
j
u
j
)Cmax (le critre gnral de lhypothse (B), not CG dans le tableau).
La colonne GAP correspond au pourcentage derreur moyen entre la meilleure borne suprieure
et la meilleure borne infrieure pour chaque famille dinstances. En outre, la colonne BESTH in-
dique le pourcentage de fois o une mthode approche rapide fournit la meilleure solution pour
le critre global. Dans ce tableau seulement le nom des trois meilleures heuristiques (HND ou
HA, comme dnies dans la section 3.7.2) est donn, pour les critres de lhypothse (A) et
(B), avec les pourcentages correspondants.
Lvaluation des performances des mthodes approches compares avec les bornes infrieures
montre que lcart pour le Cmax est petit pour la famille dinstances avec des arrives de com-
posant regroupes et moins bon pour les familles dinstances avec des arrives disperses. Une
explication possible est que les temps morts associs aux contraintes de ressources disparaissent
aprs la dernire arrive de composant et lerreur potentielle des mthodes approches sont faits
seulement pour les sous-ensembles de jobs placs dans la premire moiti de lhorizon (avec les
instances darrives regroupes RA). Pour la somme des pnalits des jobs en retard, mme en
prenant en compte les contraintes de ressources, en utilisant une borne infrieure des temps
117
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 3. Ordonnancement pour plateforme de prparation de commandes
Table 3.7 Comparaison des bornes suprieures et infrieures pour les critres des
hypothses (A) et (B)
Ensemble GAP BESTH Cmax BESTH CG
dinstances Cmax
w
j
u
j
CG Heuristique %BEST Heuristique %BEST
0.84
HND
1
19.1
HND
2
27.9
RA/GD 15.2 16.2 HND
4
27.9
HND
2
16.6
HND
3
14.2
HND
2
32.5
RA/MD 9.18 10.9
HA
1
10.8
HND
4
32.5
HA
2
17.5
3.71
HA
1
28.8
HA
1
15
DA/GD 31.8 39.5 HA
3
15
HND
1
9.6
HND
3
13.8
HA
4
22.5
DA/MD 14.1 20.6
HA
2
5.8
HND
2
20
HND
4
20
morts dans lintervalle [0, D
1
], lcart (GAP) restent assez grands, ce qui induit naturellement
des grands carts pour le critre global. Deux solutions pour rduire ces carts consistent
concevoir des meilleures bornes infrieures ou amliorer les mthodes approches. La premire
possibilit est certainement plus dicile.
Pour lhypothse (C) la comparaison entre les bornes infrieures est prsente dans le tableau
3.8. La performance est donne dans chaque colonne correspond au pourcentage derreur moyen.
Table 3.8 Comparaison des bornes infrieures pour le critre
w
j
C
j
Ensemble LB|AGOK|
CT LB|IR|
CT LB|IT IR|
CT
dinstances GAP CPU GAP CPU GAP CPU
RAD 0.67 0.02 0.51 0.04 0.51 0.09
DAD 13.7 0.02 0.04 0.07 0.04 0.08
En moyenne la borne LB|IT IR|
w
i
u
i
+ 1) Cmax
Dans cette partie, nous valuons les performances de la procdure par sparation et valuation
pour le problme dordonnancement de lhypothse (B). Contrairement au cas de la minimisation
du Cmax, ici nous navons pas la possibilit de comparer les performances de la PSE avec des
approches plus ou moins performantes. Pour cette raison, le tableau 3.12 fournit uniquement
les carts relatifs de la meilleure borne suprieure ou la meilleure borne infrieure et la solution
obtenue avec la procdure par sparation et valuation. Dans la troisime colonne du tableau,
nous indiquons les pourcentages dinstances de chaque groupe rsolues loptimalit. Puis,
comme pour lhypothse (A), les colonnes %Proximit indiquent, pour chaque groupe de
donnes, le pourcentage de fois o la meilleure solution connue SOL est plus proche de la borne
infrieure ou de la borne suprieure.
121
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 3. Ordonnancement pour plateforme de prparation de commandes
Table 3.12 Evaluation des bornes infrieures et des mthodes approches par
rapport la meilleure solution obtenue pour la minimisation de (
w
i
u
i
+ 1)Cmax
Ensemble Nombre % %Ecart/SOL % Proximit
dinstances de jobs OPT LB UB LB UB
10 100 23.9 4.93 0 100
RA/GD 20 14.3 5.73 4.21 42.9 57.1
50 0 5.66 4.31 28.6 71.4
10 100 12.8 7.08 42.9 57.1
RA/MD 20 14.3 6.98 0.97 0 100
50 33.3 1.72 0.70 0 100
10 85.7 33.32 12.38 14.3 85.7
DA/GD 20 0 23.04 7.06 14.3 85.7
50 0 34.11 1.86 0 100
10 100 13.32 3.25 16.7 83.3
DA/MD 20 14.3 12.2 6.08 42.9 57.1
50 0 21.95 3.08 0 100
Nous pouvons constater que la PSE a des dicults pour rsoudre loptimalit les ins-
tances de 50 jobs (en un temps limit 1000 secondes), aucune instance de cette taille na t
rsolue loptimalit. Nanmoins, on observe quen moyenne la meilleure solution obtenue par
les mthodes approches est amliore jusqu 12.38% par la PSE pour des petites instances (c.f.
colonne %Ecart/SOL (UB)). De mme, les colonnes %Proximit indiquent que les solutions
obtenues par la PSE sont toujours plus proches des bornes suprieures.
Puisque pour ce problme, exception des instances 10 jobs, nous navons pas avec certitude
la solution optimale, nous ne pouvons pas juger la qualit des bornes infrieures et suprieures.
Nous pouvons dire, par exemple, que la meilleure borne infrieure se situe au plus un pour-
centage de la solution optimale 33.3% pour les jobs 10 instances, 23.01% pour les jobs 20
instances et 34.1% pour les jobs 50 instances.
C. Rsultats de la minimisation du
w
i
C
i
Tout comme pour lhypothse (B), pour la minimisation de la somme pondre des dates des
livraisons, nous ne pouvons pas comparer les solutions obtenues par la PSE avec des mthodes
autres que les mthodes approches et les bornes infrieures. Nous retrouvons dans le tableau
3.13 les mmes lments que dans le tableau 3.12.
122
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
3.9. Conclusion du chapitre
Table 3.13 Evaluation des bornes infrieures et des mthodes approches par
rapport la meilleure solution obtenue pour la minimisation de
w
i
C
i
Ensemble Nombre % %Ecart/SOL % Proximit
dinstances de jobs OPT LB UB LB UB
10 100 9.25 3.15 7.7 92.3
RAD 20 21.4 4.11 1.31 14.3 85.7
50 0 2.11 0.47 15.4 84.6
10 100 14.1 5.17 23.1 76.9
DAD 20 35.7 7.64 5.17 42.9 57.1
50 0 11.24 1.51 7.7 92.3
Les conclusions sont peu prs les mmes que pour les deux autres hypothses. A lexception
des instances 10 jobs, les rsultats nous indiquent seulement que la solution fournie par la
procdure par sparation et valuation aprs 1000 secondes est meilleure que la meilleure solution
obtenue par les mthodes approches. Pour les groupes o toutes les instances ont t rsolues
loptimalit (i.e. instances avec 10 jobs) nous savons certainement que la solution optimale
est 9.25% (en moyenne) de la borne infrieure pour les familles avec des arrives regroupes
et 14.1% pour les familles avec des arrives disperses, ce qui nous conrme que les bornes
infrieures ne sont pas trs bonnes. Par ailleurs, de manire gnrale, les solutions obtenues sont
plus proches des bornes suprieures que des bornes infrieures. Cela est peut-tre d au temps
dexcution de la PSE qui est plutt court pour la rsolution dinstances 50 jobs, et o la
solution nest pas beaucoup amliore.
3.9 Conclusion du chapitre
Nous tudions dans ce chapitre de nouveaux problmes dordonnancement qui peuvent ap-
paratre dans des nuds de la chane logistique tels que les plateformes de distribution et les
entrepts. Ces problmes combinent deux familles de problmes dordonnancement connus mais
(notre tude bibliographique le montre) pas excessivement tudis, des problmes avec des arri-
ves de ressources consommables et des problmes avec des dates xes de tournes dexpdition
et mme potentiellement une tourne exible la n de lordonnancement. Nous considrons
trois problmes dont les caractristiques dpendent de la manire dont les livraisons aux clients
seectuent. On a suppos par exemple quil y a une seule livraison exible la n de lordon-
nancement, ce qui nous conduit minimiser la dure totale dordonnancement (Cmax). En nous
basant sur lapplication industrielle dune plateforme de prparation de magazines, nous avons
conu un deuxime problme o une livraison xe et une livraison exible sont considres. Fi-
nalement, nous avons gnralis le problme plusieurs livraisons xes et minimisons la somme
pondre des dates de livraison.
Comme la montr notre tude bibliographique, aucune mthode de rsolution navait t
propose jusqu maintenant pour ces problmes particuliers qui sont NP-diciles. Nous avons
choisi de concevoir des algorithmes de rsolution exacts, des procdures par sparation et va-
luation, pour chaque problme pour rsoudre des instances de taille rduite, mais qui nous
permettraient dvaluer les solutions obtenues par les mthodes approches souvent utilises
pour des problmes de taille industrielle.
123
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 3. Ordonnancement pour plateforme de prparation de commandes
Plusieurs mthodes approches rapides base dalgorithmes de listes pour obtenir des bonnes
solutions initiales pour les PSE ont t conues. Par ailleurs, nous proposons des bornes inf-
rieures pour les trois problmes, elles sont obtenues base de dirents types de relaxations :
ordres agrables, relaxation entire. Finalement, quelques rgles de dominance ont t dga-
ges et utilises dans des procdures par sparation et valuation avec un schma de sparation
classique. Nous avons aussi propos un modle linaire en nombres entiers pour le problme le
plus simple qui minimise le Cmax.
Les bornes infrieures et les mthodes approches sont values dans une srie dexpriences
eectues sur des familles dinstances gnres alatoirement. Les procdures par sparation et
valuation ont t testes sur lensemble dinstances. De mme, le modle linaire en nombres
entiers propos pour la minimisation du Cmax. En conclusion, pour le problme de minimi-
sation du Cmax le modle linaire se rvle plus ecace que la procdure par sparation et
valuation. De manire gnrale les PSE ont des dicults pour rsoudre des instances de taille
suprieure 10, nous pensons que le cot des bornes infrieures qui rsolvent des programmes li-
naires avec CPLEX, est trs pnalisant pour les performances des PSE pour les trois problmes
dordonnancement.
Les familles dinstances gnres sont direnties par les valeurs des paramtres choisis pour
leur gnration, savoir la faon dont les arrives de composants sont faites et la date de li-
vraison xe pour lhypothse (B), ces paramtres nous permettent de distinguer les instances en
fonction de leur dicult et dinterprter les rsultats selon leurs caractristiques.
Plusieurs extensions nos problmes sont discutes dans les perspectives de cette thse.
124
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 4
Conclusion Gnrale et Perspectives
Nous commenons cette partie par donner une synthse gnrale des travaux dvelopps
dans cette thse. Plusieurs perspectives nos travaux sont donnes par la suite.
Contents
4.1 Synthse des travaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
4.2 Perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
4.2.1 Perspectives concernant la planication des plateformes . . . . . . . . . 128
4.2.2 Perspectives concernant lordonnancement de plateforme . . . . . . . . . 129
4.2.3 Perspectives concernant lintgration des deux niveaux temporels . . . . 130
125
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 4. Conclusion Gnrale et Perspectives
4.1 Synthse des travaux
Les travaux que nous venons de prsenter nous permettent dtudier les plateformes logis-
tiques sous un nouveau point de vue. Nous avons abord deux problmes, un au niveau de
la planication, lautre au niveau de lordonnancement, qui ont t ngligs dans ce type de
structure et qui rpondent des applications industrielles. Le premier problme est celui du
lissage de charge pendant les priodes de pointe dans les plateformes logistiques ; le deuxime
problme, motiv par les caractristiques de la plateforme de notre application industrielle,
consiste ordonnancer les travaux au sein dune plateforme de prparation de commande qui a
des contraintes de ressources consommables (ou non renouvelables) et des contraintes lies aux
tournes dexpdition, et qui induisent des problmes trs particuliers.
Puisque le problme de lissage de charge est susceptible dapparatre aussi dans des systmes
tels que les centres de production, et dans le but de positionner notre problme et didentier
les ventuelles solutions proposes dans la littrature ce problme, dans le premier chapitre
nous avons dress un panorama des problmes de dcision dans la gestion de production et
dans le contrle des ux dans un systme de production en gnral, et sur les problmes dop-
timisation abords dans la littrature pour les entrepts et plateformes logistiques en particulier.
Dans le deuxime chapitre, nous avons trait le problme de lissage de charge dans une pla-
teforme logistique dans un cadre industriel o des variations saisonnires importantes des ux
induisent des cots supplmentaires importants. Dans un premier temps, nous avons valu les
mcanismes daction face cette problmatique et avons choisi ceux qui taient le plus en accord
avec notre application industrielle, savoir : accepter des ngociations avec les partenaires en
amont et en aval de la plateforme, et utiliser au maximum la exibilit des ressources humaines
de la plateforme, ou embaucher du personnel intrimaire, et ce dans lobjectif premier de lisser
la charge pour rduire les cots de personnel. Ensuite, nous avons fait un bilan de ltat de
lart concernant le lissage de charge, les mcanismes de ngociation et la gestion des ressources
humaines dans les centres de production et les entrepts. Cette tude bibliographique, compl-
mentaire celle du chapitre 1, nous a permis de constater que le problme de lissage de charge na
pas fait lobjet de recherches concernant les plateformes logistiques tout en prenant en compte les
contraintes et les caractristiques particulires de lorganisation interne du travail (par rapport
au type doprations qui y sont excutes, assemblage, dballage, contrle, etc.) et les spci-
cits de la main duvre. Nous avons propos deux modles linaires, agrgs au niveau de la
planication, (assez gnriques pour tre appliqus des centres de production par exemple) qui
considrent deux types de ngociations direntes concernant les dates et les quantits prvision-
nelles des livraisons des fournisseurs et des clients, avec des pnalits davance et de retard. Nos
modles sont capables de considrer direntes catgories de personnel, de prendre en compte
dirents agencements physiques (une plateforme qui ne fait que du cross-docking par exemple)
tout en intgrant plusieurs hypothses de fonctionnement de la plateforme, comme par exemple
autoriser des heures supplmentaires et limiter les avances et les retards. Finalement, nous avons
test nos modles avec des ensembles dinstances gnres alatoirement, mais qui sont bases
sur des scnarios de lapplication industrielle de notre problme. Nos rsultats montrent lintrt
des deux types de ngociations pour le lissage de charge. Cependant il est dicile de tirer des
conclusions catgoriques sur nos comparaisons exprimentales car les rsultats dpendent for-
tement des donnes utilises pour gnrer les instances. Les travaux prsents dans ce chapitre,
on fait lobjet de deux communications des confrences internationales Carrera et al. [29] et
Carrera et al. [30].
126
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
4.2. Perspectives
Le troisime chapitre se positionne au niveau oprationnel. Nous nous intressons aux pro-
blmes dordonnancement plus particulirement associs aux plateformes logistiques. Spci-
quement nous y avons tudi le problme dordonnancement de prparation de commandes
pour dirents clients avec des contraintes darrive de composants en forme descalier (notes
Stair(nc)) et des tournes de camion dexpdition aux clients des dates xes (D
d
) ou non
xe (Cmax). Nous avons commenc en identiant les direntes particularits de ce problme
en nous basant sur des applications industrielles, la premire application correspond la pla-
teforme de distribution de chaussures SAVAT qui a motiv notre travail au niveau tactique, la
deuxime application correspond une plateforme de distribution de magazines. Ensuite, nous
avons fait une analyse de ltat de lart concernant lordonnancement qui prend en compte les
ressources consommables (correspondant aux arrives en escalier des composants) et les dates
de livraison xes. Suite cette analyse nous avons observ que ces deux hypothses navaient
pas t tudies simultanment, au moins pour des problmes dordonnancement. La synthse
des rsultats de complexit pour lordonnancement avec ces deux caractristiques montre que
les deux problmes sont NP-diciles (ds quil y a une machine pour lordonnancement avec des
ressources consommables), avec lexistence de quelques cas particuliers polynomiaux. Selon la
manire dont lexpdition se fait (une livraison exible, deux livraisons : une xe et une exible,
plusieurs livraisons xes et pas de livraison exible), nous avons dgag trois problmes (NP-
diciles) dordonnancement de prparation de commande, tous avec des arrives de composant
en forme descalier. Nous nous sommes volontairement limits des problmes dordonnance-
ment une machine car notre objectif tait de fournir une premire base thorique pour notre
tude, qui peut prsenter de nombreuses variantes et applications. Nous montrons dans les pers-
pectives comment quelques extensions pourraient facilement tre introduites dans notre modle
gnrique.
Nous avons propos un modle linaire en nombres entiers pour le cas le plus simple, il est rsolu
avec un logiciel de programmation linaire (ILOG CPLEX). Nous avons propos des mthodes
de rsolution exactes de type procdure par sparation et valuation (PSE) avec des schmas de
sparation classiques. Des mthodes approches rapides base de listes construisant des ordon-
nancements actifs et sans dlais ont t conues pour obtenir des bornes suprieures pour nos
problmes. Nous avons galement conu des bornes infrieures laide de trois types de relaxa-
tions : ordres agrables, relaxation entire (interruptibilit autorise) et relaxation continue
pour les arrives des composants. En outre, des rgles de dominance principalement bases sur
des proprits agrables des jobs ont t dgages. Dans la partie exprimentale, tous les l-
ments de nos PSE ont fait lobjet dtudes comparatives sur des familles dinstances gnres
alatoirement qui cherchent reprsenter des situations ralistes. Les travaux prsents dans ce
chapitre ont fait lobjet de deux communications des confrences internationales Carrera et al.
[32] et Carrera et al. [31].
4.2 Perspectives
Dans cette section nous prsentons des ides dextensions possibles nos problmes de pla-
nication et dordonnancement de plateformes. Nous distinguons les pistes de recherche pour les
niveaux tactique et oprationnel, mais aussi pour les techniques de rsolution comme pour les
extensions des problmes traits. Nous dcrivons une une les pistes et nous essayons de donner
quelques premiers lments de rponse
127
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 4. Conclusion Gnrale et Perspectives
4.2.1 Perspectives concernant la planication des plateformes
Extensions des problmes de planication
Un certain nombre dextensions immdiates nos modles linaires, pour les rendre plus
ralistes, peuvent tre dgages, mais elles entraneraient la rsolution de problmes sous-jacents
qui rendraient trs complexes nos modles de rsolution, par exemples :
dterminer laectation dtaille des ressources humaines aux oprations ou encore em-
baucher le personnel temporaire uniquement pour des priodes contigus minimales ou
gales des multiples de priodes, ce qui inclut des contraintes qui peuvent tre consid-
res comme plus ralistes. Pour la premire proposition, il faudrait intgrer un problme
dordonnancement de personnel au sein de la mthode de rsolution du problme de pla-
nication,
avoir plusieurs quais de chargement et de dchargement (avec un problme daectation
des quais aux camions, Baptiste et Maknoon [7], Yu et Egbelu [159], Boysen et al. [19]),
prendre en compte les problmes de transport associs la distribution en amont et en
aval : constitution de tournes de vhicule dont les contraintes sont prendre en compte
explicitement dans les modles (Viswanathan et Mathur [151], Chandra [33]),
donner de la exibilit quant au nombre de livraisons (pour linstant ce nombre est xe),
on pourrait faire cela en autorisant lclatement de livraisons ou en permettant quune
livraison soit supprime, dans ce cas il faudrait prendre en compte le cot de transport
dans la fonction objectif (ce qui serait le cas si jamais on dcidait dintgrer la planication
de tournes, Lee et al. [96], Chen et al. [38]).
Cependant, les modles obtenus seraient trs compliqus et probablement pas vidents uti-
liser. Une piste intressante serait que des mthodes de dcomposition itratives qui combinent
nos modles de planication avec des procdures ecaces pour les problmes sous-jacents, et qui
amliorent de manire alternative, par exemple le calcul de tournes de vhicule et le planning
des livraisons et la planication des travaux sur les plateformes.
Dans le chapitre traitant le problme de planication nous avons utilis une approche de
ngociations o la plateforme logistique prend les dcisions de manire unilatrale (approche
distribue), nous avons essay nanmoins de prendre en compte les contraintes imposes par les
partenaires en amont et en aval de la plateforme en intgrant des intervalles o les livraisons
pouvaient tre eectues, et en utilisant des pnalits pour tout type de dcalage par rapport
la planication prvisionnelle. Cependant, nous ne pouvons pas modliser rellement les cons-
quences du planning obtenu chez les partenaires. Une premire ide dextension de notre tude
est dintgrer les outils dvelopps ici dans une chane logistique plusieurs niveaux (ventuel-
lement avec plusieurs lments par niveau) de manire simuler des scnarios de ngociation
entre partenaires dans le cadre de prises de dcision semi-distribues ou distribues. La thse de
Latifa Ouzizi [113] considrait dj des modles de ngociation partiellement centraliss pour le
niveau tactique mais en considrant seulement des centres de production avec des modles li-
naires plus simples. Il serait intressant dintgrer ses modles de simulation dautres lments
de la chane logistique, autres que les centres de production, avec toutes leurs spcicits. Cela
pourrait fournir de puissants outils daide la dcision pour la prise de dcisions totalement
distribues ou semi-distribues.
128
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
4.2. Perspectives
4.2.2 Perspectives concernant lordonnancement de plateforme
Extension des problmes dordonnancement
Plusieurs extensions immdiates peuvent tre faites aux problmes dordonnancement de
plateforme de prparation de commandes, prsents dans le chapitres 3. Dans ce qui suit, nous
les numrons une une et nous expliquons comment les lments de la PSE (bornes infrieures,
mthodes rapides approches et schma dexploration) doivent tre modis pour prendre en
compte ces extensions.
La premire extension laquelle nous avons pens, est dintgrer des dates, pour chaque job,
partir desquelles les jobs peuvent tre excuts (ready dates en anglais, et notes r
i
pour
le job i). Avant cette date, mme si les composants ncessaires lexcution du job sont dispo-
nibles, le job i ne pourra pas tre trait. Lutilisation de nos modles dordonnancement pour les
trois problmes avec ces dates est quasi immdiate. Pour les bornes infrieures, aussi bien celles
construites avec des ordres agrables (les r
i
sont tris dans lordre croissant) que celles obtenues
avec les relaxations entires (les r
i
sont intgrs lensemble dvnements). Pour les bornes
suprieures et pour la procdure par sparation et valuation, il sut dintgrer lexistence des
r
i
dans le sous-programme de construction dordonnancement sans dlai (resp. actif) en ajoutant
la squence partielle sans dlai (resp. active) un job dont la date r
i
est infrieure la date cou-
rante (resp. la date de n au plus tt dun job non encore place). Par ailleurs, il faut aussi prvoir
la gnration des r
i
pour les instances, plus ces dates seront disperses et plus la PSE aura de
chance dtre rapide car le nombre de possibilits chaque tage de larbre de recherche diminue.
La deuxime extension consiste utiliser des machines identiques en parallle (ce qui est
intressant, par exemple, pour lapplication de la plateforme de prparation de paquets de ma-
gazines). Pour cette extension, il ny a pas vraiment de dicult technique. Pour les bornes
infrieures avec les ordres agrables nous pourrions utiliser une macro-machine ctive o les
dures seraient divises par le nombre de machines. Pour les bornes infrieures calcules avec les
relaxations entires il faudrait introduire des variables qui dpendent aussi de la machine o les
portions de jobs sont excutes. En outre, pour la relaxation entire on peut mme considrer des
machines vitesses proportionnelles ou des machines non relies. Pour ladaptation des bornes
suprieures au cas avec des machines parallles, on pourrait, par exemple placer toujours les jobs
sur la premire machine disponible. Adapter le schma dexploration de la procdure par spa-
ration et valuation, est plus compliqu, il faudrait considrer des ordonnancements partiels sur
chaque machine et bien sr la taille de larbre dexploration augmente de manire combinatoire.
Finalement, pour les rgles de dominance, nous avons montr que selon les caractristiques des
jobs il est intressant de placer certains jobs avant dautres dans lordonnancement pour le cas
une machine. Pour le cas plusieurs machines, ces rgles devraient tre toujours respectes dans
les squences partielles de chaque machine, et aussi si par exemple selon une rgle de dominance
i prcde j, alors on devrait sassurer que le temps de dbut de i est infrieur au temps de dbut
de j mme sils ne sont pas traits sur la mme machine.
La troisime perspective dextension de nos modles peut tre daccepter linterruptibilit de
lexcution des jobs. Pour le cas o il y a seulement une livraison exible la n de lordonnan-
cement (hypothse (A), minimisation du Cmax), le problme a dj t tudi par Slowinski
[136] et il devient polynomial (c.f. de Werra [51]). Pour les problmes des hypothses (B) et (C)
cette extension est intressante, car, notre connaissance la complexit du problme dordon-
129
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Chapitre 4. Conclusion Gnrale et Perspectives
nancement avec des dates de livraison xes et avec interruptibilit na pas t tudie par Hall
et al. [77].
4.2.3 Perspectives concernant lintgration des deux niveaux temporels
Dans le cadre de la thse, une autre perspective, pourrait tre de proposer des simulations
qui intgreraient la rsolution des problmes dordonnancement sur des sous-horizons et sur des
donnes plus prcises de manire vrier la faisabilit des solutions de planication. Cela na
pas t possible dans la thse pour deux raisons. Le passage de donnes agrges des don-
nes dtailles et rciproquement est un problme dicile pour lequel il nexiste pas, notre
connaissance, de solutions pertinentes et utilisables. En outre, les problmes dordonnancement
de plateforme que nous avons considrs prennent bien en compte les caractristiques amont
et aval des plateformes ainsi que la prparation de commandes, comme notre modle de pla-
nication, mais nous ny avons pas intgr de contraintes cumulatives associes aux ressources
humaines et leur ecience. Nous aurions pu le faire en abandonnant la piste des PSE et en
nous tournant vers, par exemple, des mtaheuristiques, piste trs dirente complmentaire de
ce qui a t dvelopp dans cette thse.
130
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Annexes
1 Gnration des donnes pour le problme de planication
Dans cet annexe, nous expliquons comment nous avons gnr les paramtres ncessaires
pour lvaluation des modles linaires pour la ngociation des dlais et pour la ngociation des
dlais et des quantits dcrits dans les sections 2.5.2 et 2.5.3 respectivement.
La gnration de donnes se fait en trois tapes. Pour une instance quelconque, nous commen-
ons par gnrer une premire srie de paramtres de manire alatoire (i.e. dans un intervalle
selon une loi uniforme ou entre les direntes valeurs que le paramtre peut prendre). Ensuite,
nous vrions la conformit des paramtres gnrs et les modions pour obtenir des produits
plus htrognes. Enn, nous gnrons les donnes associes aux caractristiques des produits
comme les temps de traitement et les ecacits des direntes catgories de personnel.
Dans les sections qui suivent, des tableaux rcapitulatifs indiquant si les paramtres sont
gnrs (g), lus dun chier contenant les caractristiques de lagencement de plateforme choisi
() ou calculs partir dautres paramtres (c).
1.1 Gnration des donnes pour la ngociation des dlais
Pour commencer, les principales entits telles que les nombres doprations, de livraisons, de
produits, de zones de stockage, etc. sont prsentes. Ensuite, nous expliquons la gnration des
autres paramtres.
g//c Indice Ensemble Caractristiques
g dure dune priode, elle peut tre une journe (8-10 heures) ou
une demi-journe (4-5 heures)
H horizon de temps gal six semaines
c nth dduit de et de H
z NZ donn par lagencement de plateforme choisi
g w NW six ou neuf catgories
g p NP entier dans [6, 10]
o NO donne par lagencement de plateforme choisi
g d
u
NDU entier dans [15, 20]
g d
d
NDD entier dans [15, 20]
c a NA dduit du nombre doprations de la plateforme et du nombre
de livraisons
131
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Annexes
g//c Paramtre Caractristiques
Stocks et Produits
g V P
p
dans (0,1] pour chaque p
c V Z
z
calculs sur le volume moyen de produits qui passe par la plateforme
sur H
SI
p,z
les stocks initiaux sont xs zro pour toute zone de stockage z
LZE
a,z
donne par lagencement de plateforme choisi
c PC dtermin selon les caractristiques des produits
Nomenclatures
c Pa(o), Pd(o) dduits selon PC
c A
o,p
, D
o,p
calculs selon les caractristiques des produits
c
o,p,p
i
,
o,p,p
i
dduits des caractristiques de p et de p
i
Avances et Retards
g TS
d
dans lintervalle [0, H/2] pour les livraisons fournisseurs et dans [0, H]
pour les livraisons aux clients
g QP
d,p
gnres alatoirement sachant quil doit y avoir environ 1000000 de
produits passant par la plateforme sur H.
MAXE
d
zro, une ou deux priodes selon lhypothse de fonctionnement de la
plateforme
MAXT
d
zro, une ou deux priodes
g EC
d
dans lintervalle des cots dembauche de personnel, cette pnalit est
plus grande pour les fournisseurs que pour les clients
c TC
d
dduit partir des pnalits davance
Organisation des ux : premire possibilit
nd(z), Zd(z) donn par lagencement choisi
Per
z,z
, O
z,z
donn par lagencement choisi
Organisation des ux : deuxime possibilit
TZ
z
correspond la dernire priode de lhorizon temporel
SZ donn par lagencement de plateforme choisi
Main duvre
g E
w,o,p,
les intervalles dpendent des catgories dans [0.4
1
, 0.6
2
) pour
les dbutants, dans [0.6
1
, 0.8
2
) pour les moyens et dans
[0.8
1
, 1
2
] pour les experts.
1
et
2
dpendent des caractris-
tiques supplmentaires des catgories (force, astuce)
PES
o
zro par dfaut pour toute opration o
c MAXTW gal
c NORMnrh
w,t
calcul sur une estimation de la charge journalire de la plateforme,
qui est satisfaite par une seule catgorie de personnel w avec une
matrice decacit gale la moyenne des ecacits de toutes les
catgories par produit et par opration. Nous estimons la quantit de
personnes par priode. Cette quantit est ensuite divis alatoirement
entre les six ou neuf catgories.
c HSD
w,t
dduit de NORMnrh
w,t
et dun pourcentage dheures supplmen-
taires par individu qui dpend de (dans la thse nous avons utilis
0.1 ).
c CUHS
w
calcul avec la fonction croissante CUHS
w
= 10 + 15 (w 1) pour
w {1, . . . , nw}
132
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
2. Synthse des rsultats de complexit des problmes dordonnancement
Main duvre (suite)
c MAXnrh
w,t
correspond 1.8 NORMnrh
w,t
c CUnrh
w,t
plus cher que de faire travailler une personne de la catgorie immdiatement
suprieure travaillant toute une priode au prix des heures supplmentaires
CUnrh
w,t
= CUHS
w+1
MAXTW
Autres :
g TU
o,p
gnr de manire alatoire entre 1 et 5 minutes, une fois que les caract-
ristiques des produits sont xes.
1.2 Gnration des donnes pour la ngociation des dlais et des quantits
Tous les paramtres supplmentaires pour le modle avec des ngociations des dates et des
dlais, prsent dans la section 2.5, sont calculs partir des paramtres gnrs pour le modle
de lissage de charge avec des ngociations des dates. Nous donnons quelques prcisions sur la
manire dont nous avons eectu les calculs.
g//c Notation Description
Paramtres associs aux famil les de produits
c QPU
p
gale
dNDU
QP
p,d
c QPD
p
gale
dNDD
QP
p,d
c QLL
d,p
correspond un pourcentage de la quantit pr-ngocie de p dans la
livraison d, ici QLL
d,p
est gal 0.4 QP
d,p
c QUL
d,p
gal 1.6 QP
d,p
Paramtres associs aux livraisons en amont et en aval
c EUCC
p,t
(resp.
EDCC
p,t
)
gale la courbe cumule des arrives (resp. dpart) de produit p o les
dates des livraisons d NDU (resp. d NDD) des fournisseurs (resp.
clients) ont t avances de MAXE
d
priodes (par rapport leurs dates
souhaites TS
d
) et les quantits livres avec d sont gales aux bornes
suprieures QUL
d,p
c LUCC
p,t
(resp.
LDCC
p,t
)
gale la courbe cumule des arrives (resp. dpart) de produit p o les
dates des livraisons d NDU (resp. d NDD) des fournisseurs (resp.
clients) ont t retardes de MAXE
d
priodes (par rapport leurs dates
souhaites TS
d
) et les quantits livres avec d sont gales aux bornes
infrieures QLL
d,p
c NUCC
p,t
(resp.
NDCC
p,t
)
gale la courbe cumule obtenue avec les dates et quantits pr-
ngocies
t
=1
dNDU:TS
d
=
QP
d,p
(resp.
t
=1
dNDD:TS
d
=
QP
d,p
)
c MC
p
(resp.
LC
p
)
gal au cot moyen associ une unit de produit p quand il arrive une
priode en avance (resp. en retard) par rapport la date pr-ngocie
2 Synthse des rsultats de complexit des problmes dordon-
nancement
Nous prsentons dans cette annexe une synthse des rsultats de complexit connus pour le
problme dordonnancement avec des ressources consommables et pour le problme dordonnan-
cement avec des dates de livraison xes.
133
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Annexes
2.1 Complexit des problmes dordonnancement avec des ressources consom-
mables
Nous commenons par analyser les problmes qui minimisent le Cmax, puis le nombre de
tches en retard
u
i
et la somme des retards
T
i
, nous terminons par parler rapidement de
la complexit de la minimisation dautres critres dans ce contexte.
Minimisation du Cmax
La gure 1 rsume les rsultats de complexit du problme dordonnancement tches non
interruptibles avec des ressources consommables (Stairs(nc)) pour minimiser la dure totale
de lordonnancement (Cmax), obtenus par Carlier et Rinnooy Kan [28], ainsi que quelques cas
polynomiaux que nous avons dgag. De manire gnrale, les problmes deviennent NP-diciles
au sens fort quand les dures des jobs sont quelconques.
Un cas particulier apparat lorsque la (ou les) ressources consommables arrivent de manire
continue (Cont(nc)) un taux
k
pour la ressource k. Ce cas a t tudi par Toker et al. [146]
et par Xie [156]. Les rsultats de complexit pour ces problmes sont prsents dans la table 1.
Nous donnons les notations des problmes dordonnancement (selon la classication de Graham
et al. [70]) et leurs complexits.
Table 1 Complexit des problmes avec des ressources consommables arrivant de
manire continue pour la minimisation du Cmax
Problme Complexit
1/Cont(1) :
1
= 1, p
i
, a
i
/Cmax O(nlog(n))
1/Cont(nc) :
k
= 1, p
i
, a
i,k
/Cmax O(nc nlog(n))
1/Cont(nc) :
k
= 1, p
i
, a
i,k
= a
k
/Cmax O(nlog(n)), ordre lpt optimal
Ces rsultats peuvent tre gnraliss au cas o les taux darrive sont dirents de 1,
k
= 1
et dirents pour chaque composant. Les problmes obtenus restent polynomiaux.
Minimisation de
u
i
et de
w
i
u
i
Dans cette partie, nous prsentons la complexit de problmes dordonnancement, tches
non interruptibles, du nombre de tches en retard avec une ressource consommable (Carlier et
Rinnooy Kan [28] et Gafarov et Lazarev [62]). Ici, on suppose que chaque job i a une date due
d
i
laquelle son excution devrait tre nie, ventuellement des ready dates peuvent tre
considres. Dans la table 2, nous indiquons les problmes tudis ainsi que leur complexit.
Pour la somme pondre des tches en retard, Carlier et Rinnooy Kan [28] montrent que
mme pour le cas sans ressource renouvelable (i.e. sans machine) et o les dures p
i
sont gales
1, ce problme est NP-dicile au sens faible. Par ailleurs, ils dmontrent que le problme
Pm/p
i
= 1, d
i
, a
i
= 1/
w
i
u
i
peut tre rsolu avec des mthodes de ot cot minimum.
Minimisation de
T
i
Rcemment, Gafarov et Lazarev [62] ont tudi le problme de minimisation de la somme
totale des retards avec une ressource consommable arrivant en forme descalier. Le tableau 3
synthtise les principaux rsultats.
134
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
2. Synthse des rsultats de complexit des problmes dordonnancement
1
m
a
c
h
i
n
e
m
m
a
c
h
i
n
e
s
e
n
p
a
r
a
I
I
I
e
1
r
e
s
s
o
u
r
c
e
c
o
n
s
o
m
m
a
b
I
e
p
i
q
u
e
I
c
o
n
q
u
e
s
p
i
=
p
k
r
e
s
s
o
u
r
c
e
s
c
o
n
s
o
m
m
a
b
I
e
s
a
i
=
1
a
i
=
A
a
i
q
u
e
I
c
o
n
q
u
e
s
p
i
=
p
p
i
q
u
e
I
c
o
n
q
u
e
s
a
i
,
k
=
V
k
a
i
,
k
=
1
a
i
,
k
q
u
e
I
c
o
n
q
u
e
s
R
e
s
s
o
u
r
c
e
s
c
o
n
s
o
m
m
a
b
I
e
s
m
i
n
i
m
i
s
a
t
i
o
n
C
m
a
x
O
(
n
l
o
g
n
)
o
r
d
r
e
l
p
t
o
p
t
i
m
a
l
e
C
a
r
l
i
e
r
O
(
n
l
o
g
n
)
o
r
d
r
e
a
i
c
r
o
i
s
s
a
n
t
o
p
t
i
m
a
l
e
L
e
m
m
e
3
.
7
.
2
O
(
n
l
o
g
n
)
o
r
d
r
e
l
p
t
o
p
t
i
m
a
l
e
L
e
m
m
e
3
.
7
.
1
O
(
n
l
o
g
n
)
o
r
d
r
e
l
p
t
o
p
t
i
m
a
l
e
L
e
m
m
e
3
.
7
.
1
H
y
p
o
t
h
s
e
s
:
R
e
s
s
o
u
r
c
e
s
c
o
n
s
o
m
m
a
b
l
e
s
a
r
r
i
v
a
n
t
e
n
e
s
c
a
l
i
e
r
p
a
s
d
'
i
n
t
e
r
r
u
p
t
i
b
i
l
i
t
c
h
e
s
i
n
d
p
e
n
d
a
n
t
e
s
1
r
e
s
s
o
u
r
c
e
c
o
n
s
o
m
m
a
b
I
e
a
i
=
1
a
i
e
t
r
i
q
u
e
I
c
o
n
q
u
e
s
N
P
-
d
i
f
f
i
c
i
l
e
a
u
s
e
n
s
f
o
r
t
C
a
r
l
i
e
r
N
P
-
d
i
f
f
i
c
i
l
e
a
u
s
e
n
s
f
a
i
b
l
e
C
a
r
l
i
e
r
N
P
-
d
i
i
f
f
i
c
i
l
e
a
u
s
e
n
s
f
o
r
t
C
a
r
l
i
e
r
p
i
q
u
e
I
c
o
n
q
u
e
s
p
i
=
1
O
(
n
+
q
)
C
a
r
l
i
e
r
q
a
r
r
i
v
e
s
r
i
=
0
q
a
r
r
i
v
e
s
p
i
=
p
p
o
l
y
n
m
i
a
l
C
a
r
l
i
e
r
r
i
=
0
r
i
=
0
1
m
a
c
h
i
n
e
m
m
a
c
h
i
n
e
s
e
n
p
a
r
a
I
I
I
e
1
r
e
s
s
o
u
r
c
e
c
o
n
s
o
m
m
a
b
I
e
p
i
q
u
e
I
c
o
n
q
u
e
s
p
i
=
p
k
r
e
s
s
o
u
r
c
e
s
c
o
n
s
o
m
m
a
b
I
e
s
a
i
=
1
a
i
=
A
a
i
q
u
e
I
c
o
n
q
u
e
s
p
i
=
p
p
i
q
u
e
I
c
o
n
q
u
e
s
a
i
,
k
=
V
k
a
i
,
k
=
1
a
i
,
k
q
u
e
I
c
o
n
q
u
e
s
R
e
s
s
o
u
r
c
e
s
c
o
n
s
o
m
m
a
b
I
e
s
m
i
n
i
m
i
s
a
t
i
o
n
C
m
a
x
O
(
n
l
o
g
n
)
o
r
d
r
e
l
p
t
o
p
t
i
m
a
l
e
C
a
r
l
i
e
r
O
(
n
l
o
g
n
)
o
r
d
r
e
a
i
c
r
o
i
s
s
a
n
t
o
p
t
i
m
a
l
e
L
e
m
m
e
3
.
7
.
2
O
(
n
l
o
g
n
)
o
r
d
r
e
l
p
t
o
p
t
i
m
a
l
e
L
e
m
m
e
3
.
7
.
1
O
(
n
l
o
g
n
)
o
r
d
r
e
l
p
t
o
p
t
i
m
a
l
e
L
e
m
m
e
3
.
7
.
1
H
y
p
o
t
h
s
e
s
:
R
e
s
s
o
u
r
c
e
s
c
o
n
s
o
m
m
a
b
l
e
s
a
r
r
i
v
a
n
t
e
n
e
s
c
a
l
i
e
r
p
a
s
d
'
i
n
t
e
r
r
u
p
t
i
b
i
l
i
t
c
h
e
s
i
n
d
p
e
n
d
a
n
t
e
s
1
r
e
s
s
o
u
r
c
e
c
o
n
s
o
m
m
a
b
I
e
a
i
=
1
a
i
e
t
r
i
q
u
e
I
c
o
n
q
u
e
s
N
P
-
d
i
f
f
i
c
i
l
e
a
u
s
e
n
s
f
o
r
t
C
a
r
l
i
e
r
N
P
-
d
i
f
f
i
c
i
l
e
a
u
s
e
n
s
f
a
i
b
l
e
C
a
r
l
i
e
r
N
P
-
d
i
i
f
f
i
c
i
l
e
a
u
s
e
n
s
f
o
r
t
C
a
r
l
i
e
r
p
i
q
u
e
I
c
o
n
q
u
e
s
p
i
=
1
O
(
n
+
q
)
C
a
r
l
i
e
r
q
a
r
r
i
v
e
s
r
i
=
0
q
a
r
r
i
v
e
s
p
i
=
p
p
o
l
y
n
m
i
a
l
C
a
r
l
i
e
r
r
i
=
0
r
i
=
0
Figure 1 Complexit des problmes avec des ressources consommables pour minimiser le
Cmax
135
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Annexes
Table 2 Complexit des problmes avec une ressource consommable pour la
minimisation du nombre de tches en retard
Problme avec Stairs(1) Complexit
1/p
i
, d
i
, a
i
/
u
i
NP-dicile au sens fort
1 ouPm/p
i
= 1, d
i
, a
i
/
u
i
ouvert
1 ouPm/p
i
, d
i
= d, r
i
, a
i
/
u
i
NP-dicile au sens fort
1/p
i
, d
i
, r
i
= 0, a
i
/
u
i
NP-dicile
1 ouPm/p
i
= 1, d
i
, r
i
, a
i
/
u
i
NP-dicile
1/p
i
= 1, d
i
, r
i
= 0, a
i
/
u
i
O(nlog(n))
1/p
i
, d
i
, a
i
/
w
i
u
i
NP-dicile au sens fort
Table 3 Complexit des problmes avec une ressource consommable pour la
minimisation de la somme des retards
Problme avec Stairs(1) Complexit
1/p
i
, d
i
= d, a
i
/
T
i
NP-dicile au sens fort
1/p
i
, d
i
, a
i
= a/
T
i
NP-dicile
1/p
i
= p, d
i
, a
i
/
T
i
NP-dicile
1/p
i
, d
i
= d, a
i
= a/
T
i
NP-dicile
Les auteurs ont tudi deux cas particuliers. Le premier est un cas o les jobs satisfont des
ordres agrables o lordre croissant des consommations (a
i
) est gal lordre croissant
des dates dues (d
i
), dans ce cas, il sut de placer les jobs dans cet ordre pour minimiser la
somme des retards (algorithme en O(nlog(n))).
Le deuxime cas suppose que une unit de ressource arrive chaque instant, les auteurs
notent ce problme 1/Stair(1) :
1
= 1, p
i
, d
i
, a
i
/
T
i
et montrent que ce problme est NP-
dicile. En fait, si les consommations sont supposes entires ce problme est quivalent
1/Cont(1) :
1
= 1, p
i
, d
i
, a
i
/
T
i
.
Autres problmes
Carlier [26] et Gafarov et Lazarev [62] ont tudi la complexit dautres problmes avec
des ressources consommables pour la minimisation de la somme des temps de n dexcution
C
i
, du retard maximal Lmax, de la dure moyenne
t
i
. Ils montrent que ces problmes sont
NP-diciles au sens fort dans le cas gnral.
2.2 Complexit des problmes dordonnancement avec des dates de livraison
xes
Nous prsentons ici la complexit des problmes dordonnancement, sans interruptibilit des
tches, avec des dates de livraison xes, ces problmes ont t tudis par Matsuo [104] et Hall
et al. [77]. Les auteurs supposent quil y a f livraison aux instants D
d
(d = 1, . . . , f). Nous
analysons la complexit des problmes o f est arbitraire et non xe.
Puisque les jobs ne sont livrs quaux instants o des livraisons sont prvues, les critres
136
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
2. Synthse des rsultats de complexit des problmes dordonnancement
minimiser sont calculs par rapport aux dates de livraison eectives des jobs et pas par rapport
aux dates de n dexcution des jobs. Ainsi, par exemple, le Cmax correspond la premire
date de livraison D
d
suprieure la date de n dexcution du dernier job c
n
. Le critre est alors
not
Cmax. Dans le tableau 4, nous donnons quelques rsultats de complexit pour dirents
critres.
Table 4 Complexit des problmes avec des dates de livraison xes
Problme avec D
1
, . . . , D
f
Complexit
1/p
i
/
Cmax O(n)
1/p
i
/
C
i
O(min{nlog(n), nf})
1/p
i
/
w
i
C
i
NP-dicile au sens fort
1/p
i
, d
i
/
u
i
O(nlog(n))
1/p
i
, d
i
/
w
i
u
i
NP-dicile
1/p
i
, d
i
/
T
i
NP-dicile
1/p
i
, d
i
/
w
i
T
i
NP-dicile au sens fort
Pm/p
i
/
Cmaxou
C
i
NP-dicile
Pm/p
i
/ u
i
ou
w
i
u
i
NP-dicile
Pm/p
i
, d
i
/
T
i
ouvert
Pm/p
i
, d
i
/
w
i
C
i
ou
w
i
T
i
NP-dicile au sens fort
Selon les notations et les problmes introduits dans la section 3.4, nous nous intressons aux
problmes dordonnancement avec des dates de livraison xes pour la minimisation de la somme
pondre des dates de livraison
w
i
C
i
, et pour la minimisation de la somme des pnalits des
jobs en retard
w
i
u
i
. Le tableau 4 montre que ces problmes (sans ressource consommable)
sont NP-diciles.
137
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Annexes
138
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Bibliographie
[1] N. Absi : Modlisation et rsolution de problmes de lot-sizing capacit nie. Thse de
doctorat, Universit Pierre et Marie Curie, 2005.
[2] A. Amiri : Designing a distribution network in a supply chain system : Formulation and
ecient solution procedure. European Journal of Operational Research, 171:567576, 2006.
[3] N. Ascheuer, M. Grtschel et A.A.A. Abdel-Hamid : Order picking in an auto-
matic warehouse : solving online asymmetric tsps. Mathematical Methods of Operational
Research, 49:501515, 1999.
[4] S. Axster et W.-F. Zhang : A joint replenishment policy for multi-echelon inventory
control. International Journal of Production Economics, 59:243250, 1999.
[5] K.R. Baker : Introduction to sequencing and scheduling. John Willey & Sons, Inc., 1974.
[6] P. Baptiste, M. Flamini et F. Sourd : Lagrangian bounds for just in time job shop
scheduling. Computers & Operations Research, 35:906915, 2008.
[7] P. Baptiste et M.Y. Maknoon : Cross-docking : scheduling of incoming and outgoing
semi trailers. In 19th International Conference on Production Research, ICPR 2009, Val-
paraiso, Chile. Proceedings, page 6p, 2009.
[8] J. F. Bard et N. Nananukul : The integrated production-inventory-distribution-routing
problem. Journal of Scheduling, 12:257280, 2009.
[9] J.J. Bartholdi et K.R. Gue : The best shape for a crossdock. Transportation Science,
38(2):235244, 2004.
[10] B.B. Beamon : Supply chain design and analysis : Models and methods. International
Journal of production economics, 55:281294, 1998.
[11] G. Belvaux et L.A. Wolsey : Modelling practical lot-sizing problems as mixed integer
programs. Management Science, 37(7):9931007, 2001.
[12] P.J. Billington, J.O. McClain et L.J. Thomas : Heuristics for multilevel lot-sizing
with a bottleneck. Management Science, 32(8):9891006, 1986.
[13] A. Billionnet : Integer programming to schedule a hierarchical workforce with variable
demands. European Journal of Operational Research, 114(1):105114, 1999.
[14] J. Blazewicz, W. Cellary, R. Slowinski et J. Weglarz : Scheduling under resource
constraints deterministic models. In Annals of Operations Research, volume 7, pages
9891006. Kluwer Academic Publishers, The Netherlands, 1986.
[15] J. Blazewicz, M. Dror et J. Weglarz : Mathematical programming formulations for
machine scheduling : A survey. European Journal of Operational Research, 51(3):283300,
1991.
[16] J. Blazewicz, J.K. Lenstra et A.H.G. Rinnooy Kan : Scheduling subject to resource
constraints : classication and complexity. Discrete Applied Mathematics, 5(1):1124, 1983.
139
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Bibliographie
[17] K. Blbl, P. Kaminsky et C. Yano : Flow shop scheduling with earliness, tardiness,
and intermediate inventory holding costs. Naval Research Logistics, 51:407444, 2004.
[18] K. Blbl, P. Kaminsky et C. Yano : Preemption in single machine earliness/tardiness
scheduling. Journal of Scheduling, 10:271292, 2007.
[19] N. Boysen, M. Fliedner et A. Scholl : Scheduling inbound and outbound trucks at
cross docking terminals. OR Spectrum, 32:135161, 2010.
[20] P. Brandimarte et M. Calderini : A heuristic bi-criterion approach to integrated pro-
cess plan selection and job shop scheduling. International Journal of Production Research,
66:161181, 1995.
[21] A.P.G. Brown et Z.A. Lomnicki : Some applications of the branch and bound algorithm
to the machine scheduling problem. Operational Research Quarterly, 17:173186, 1966.
[22] P. Brucker : Scheduling Algorithms. Springer Lehrbuch, Inc., 1995.
[23] P. Brucker, A. Drexl, R. M
1
2
hring, K. Neumann et E. Pesch : Resource constrained
project scheduling : Notations, classication, models and methods. European Journal of
Operational Research, 112:341, 1999.
[24] M. Cagri, K. Moinzadeh et Y.-P. Zhou : Coordinated replenishment strategies in
inventory/distribution systems. Management Science, 57(2):293307, 2007.
[25] L. E. Crdenas-Barrn : Optimizing inventory decisions in a multi-stage multi-
customer supply chain : A note. Transportation Research Part E : Logistics and Trans-
portation Review, 43(5):647654, 2007.
[26] J. Carlier : Problmes dordonnancement contraintes de ressources : Algorithmes et
complexit. Thse dtat. Thse de doctorat, Universit Pierre et Marie Curie (Paris VI),
1984.
[27] J. Carlier, A. Moukrim et H. Xu : The project scheduling problem with production
and consumption of resources : A list-scheduling based algorithm. Discrete Applied Ma-
thematics, 157(17):36313642, 2009.
[28] J. Carlier et A.H.G Rinnooy Kan : Scheduling subject to nonrenewable resource
constraints. Operations Research Letters, 1:5255, 1982.
[29] S. Carrera, K. Chami, R. Guimaraes, M.C. Portmann et W. Ramdane Cherif :
Negotiation models for logistic platform planning and scheduling. In Eleventh Internatio-
nal Workshop on Project Management and Scheduling, PMS 2008, Turquie. Proceedings,
pages 4346, 2008.
[30] S. Carrera, M.C. Portmann et W. Ramdane Cherif : Outils daide la dcision
pour le lissage de charges des plateformes logistiques. In Congrs International de Gnie
Industriel, CIGI 2009, Tarbes, France. Proceedings, page 8p, 2009.
[31] S. Carrera, M.C. Portmann et W. Ramdane Cherif : Scheduling problems for logistic
platforms with xed staircase component arrivals and various deliveries hypotheses. In
Lecture Notes in Management Science, Proceedings of the 2th International Conference on
Applied Operational Research - ICAOR, Turku, Finlande, pages 517528, 2010.
[32] S. Carrera, M.C. Portmann et W. Ramdane Cherif : Scheduling supply chain node
with xed components arrivals and two partially exible deliveries. In 5th International
Conference on Management and Control of Production and Logistics - MCPL, Coimbra,
Portugal. Proceedings, page 6p, 2010.
140
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
[33] P. Chandra : A dynamic distribution model with warehouse and customer replenishment
requirements. The Journal of the Operational Research Society, 44(7):681692, 1993.
[34] P. Chandra et M. L. Fisher : Coordination of production and distribution planning.
European Journal of Operational Research, 72:503517, 1994.
[35] Y-C. Chang et C-Y. Lee : Machine scheduling with job delivery coordination. European
Journal of Operational Research, 158:470487, 2004.
[36] L. Che et V.J. Leon : Power-of-two single-warehouse multi-buyer inventory coordination
with private information. International Journal of Production Economics, 111(2):562574,
2008.
[37] F. Chen et C.-Y. Lee : Minimizing the makespan in a two-machine cross-docking ow
shop problem. European Journal of Operational Research, 193:5972, 2009.
[38] P. Chen, Y. Guo, A. Lim et B. Rodrigues : Multiple crossdocks with inventory and
time windows. Computers & Operations Research, 33(1):4363, 2006.
[39] Z.-L. Chen : Integrated production and distribution operations : Taxonomy, models, and
review. In D. Simchi-Levi, S. D. Wu et Z.-J. Shen, diteurs : Handbook of Quantitative
Supply Chain analysis : Model ling in the E-Business Era. Kluwer Academic Publishers,
2004.
[40] Z.-L. Chen et G. L. Vairaktarakis : Integrated scheduling or production and distribu-
tion operations. Management Science, 51:614628, 2005.
[41] Z.L. Chen et G. Pundoor : Order assignment and scheduling in a supply chain. Opera-
tions Research, 54(3):555572, 2006.
[42] D. Chhajed : A xed interval due-date scheduling problem with earliness and due-date
costs. European Journal of Operational Research, 84:385401, 1995.
[43] S. Chopra et P. Meindl : Supply Chain Management : strategy, planning and operations.
Pearson Education, New Jersey, 2007.
[44] M. Cochand, D. de Werra et R. Slowinski : Preemptive scheduling with staircase
and piecewise linear resource availability. Methods and Models of Operations Research,
33:297313, 1989.
[45] R.W. Conway, W.L. Maxwell et L.W. Miller : Theory of scheduling. Addison-Wesley,
Inc., 1967.
[46] A. Courtois, M. Pillet et C. Martin-Bonnefous : Gestion de Production. Eyrolles,
Paris, 2003.
[47] G.B. Dantzig : Discrete variable extremum problems. Operations Research, 5:266277,
1957.
[48] S. Dauzre-Prs et J.B. Lasserre : On the importance of sequencing decision in
production planning and scheduling. International Transactions in Operational Research,
9(6):779793, 2002.
[49] R. de Koster, T. Le-Duc et K. J. Roodbergen : Design and control of warehouse order
picking : a literature review. European Journal of Operational Research, 182:481501, 2007.
[50] R. de Koster, E.S. Van der Poort et M. Wolters : Ecient orderbatching methods
in warehouses. International Journal of Production Research, 37(7):14791504, 1999.
[51] D. de Werra : A decomposition property of polyhedra. Mathematical Programming,
30:261266, 1984.
141
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Bibliographie
[52] A. Drexl et A. Kimms : Lot sizing and scheduling - survey and extensions. European
Journal of Operational Research, 99:221235, 1997.
[53] A.T. Ernst, H. Jiang, M.K. Moorthy, B. Owens et D. Sier : An annotated biblio-
graphy of personnel scheduling and rostering. In Annals of Operations Research, volume
127, pages 21144. Kluwer Academic Publishers, The Netherlands, 2004.
[54] J. Erschler et B. Grabot : Gestion de production. Hermes, Paris, 2001.
[55] B. Esteve, C. Aubijous, A. Chartier et V. Tkindt : A recovering beam search
algorithm for the single machine just-in-time scheduling problem. European Journal of
Operational Research, 172:798813, 2006.
[56] M. Fisher : Optimal solution of scheduling problem using lagrange multipliers : Part i.
Operations Research, 21:11141127, 1973.
[57] J. Fondrevelle : Rsolution exacte de problmes dordonnancement de type owshops
de permutation en prsence de contraintes dcarts temporels entre oprations. Thse de
doctorat, Institut National Polytechnique de Lorraine, 2005.
[58] M.S. Fox, M. Barbuceanu et R. Teigen : Agent-oriented supply chain management.
International Journal of Flexible Manufacturing Systems, 12:165188, 2000.
[59] L. Franchini, E. Caillaud, P. Nguyen et G. Lacoste : Workload control of human
resources to improve production management. International Journal of Production Re-
search, 39(7):13851403, 2001.
[60] A.J.R.N. Gademann et S. Van de Velde : Batching to minimize total travel time in a
parallel-aisle warehouse. IIE Transactions, 37(1):6375, 2005.
[61] A.J.R.N. Gademann, J.P. Van den Berg et H.H. Van der Hoff : An order batching
algorithm for wave picking in a parallel-aisle warehouse. IIE Transactions, 33:385398,
2001.
[62] E.R. Gafarov et A.A. Lazarev : Single machine scheduling with a non-renewable
nancial resource. Working paper, 2010.
[63] R. Ganeshan : Managing supply chain inventories : a multiple retailer, one warehouse,
multiple supplier model. International Journal of Production Economics, 59:341354, 1999.
[64] M.R. Gary et S.S. Johnson : Computers and Intractability, A guide to the Theory of
NP-Completeness. Freeman, San Francisco, 1979.
[65] M. Gen et A. Syarif : Hybrid genetic algorithm for multi-time period produc-
tion/distribution planning. Computers & Industrial Engineering, 48(4):799809, 2005.
[66] I. Giannoccaro, P. Pontrandolfo et B. Scozzi : A fuzzy echelon approach for inven-
tory management in supply chains. European Journal of Operational Research, 149:185
196, 2003.
[67] V. Giard et G. Mendy : Scheduling coordination in a supply chain using and advance
demand information. Production Planning & Control, 19(7):655667, 2008.
[68] F. Glover : Tabu search : a tutorial. Interfaces, 20(4):7494, 1990.
[69] M. Govil et J.M. Proth : Supply Chain Design and Management. J.D. Irwin, Academic
Presse, London, 2002.
[70] R.L. Graham, E.L. Lawler, J.K. Lenstra et A.H.G. Rinnooy Kan : Optimization
and approximation in deterministic sequencing and scheduling theory : a survey. Annals
of Discrete Mathematics, 5:287326, 1979.
142
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
[71] D. L. Gresh, D. P. Connors, J. P. Fasano et R. J. Wittrock : Applying supply chain
optimization techniques to workforce planning problems. IBM Journal of Research and
Development, 51(3-4):251261, 2007.
[72] J. Gu, M. Goetschalckx et L.F. McGinnis : Research on warehouse operation : A
comprehensive review. European Journal of operational Research, 177:121, 2007.
[73] A. Gunasekaran et B. Kobu : Performance measurements and metrics in logistics and
supply chain management : a review of recent literature for research and applications.
International Journal of Production Research, 45(12):28192840, 2007.
[74] A. Gunasekaran, D.K. Macbeth et R. Lamming : Modelling and analysis of supply
chain management systems : an editorial overview. Journal of the Operational Research
Society, 51:11121115, 2000.
[75] A. Gunasekaran, C. Patel et R.E. McGaughey : A framework for supply chain
performance measurement. International Journal of production Economics, 87:333347,
2004.
[76] J.N.D. Gupta et Jr E.F. Stafford : Flowshop scheduling research after ve decades.
European Journal of Operational Research, 169(3):669711, 2006.
[77] N.G. Hall, M. Lesaoana et C.N. Potts : Scheduling with xed delivery dates. Opera-
tions Research, 49(1):134144, 2001.
[78] N.G. Hall et C.N. Potts : Supply chain scheduling : Batching and delivery. Operations
Research, 51(4):566584, 2003.
[79] N.G. Hall et C.N. Potts : The coordination of scheduling and batch deliveries. In
Annals of Operations Research, volume 135, pages 4164. Kluwer Academic Publishers,
The Netherlands, 2005.
[80] R. Hassin et M. Shani : Machine scheduling with earliness, tardiness and non-execution
penalties. Computers & Operations Research, 32:683705, 2005.
[81] D.J. Hatfield et J.F. Pierce : On the application of combinatorial programming to a
class of single stage sequencing problems. Working paper, 1966.
[82] Y. Hendel et F. Sourd : An improved earliness-tardiness timing algorithm. Computers
& Operations Research, 34:29312938, 2007.
[83] S.S. Heragu, L. Du, R.J. Mantel et P.C. Shuur : Mathematical model for warehouse
design and product allocation. International Journal of Production Research, 43(2):327
338, 2005.
[84] F. Hnaien : Gestion des stocks dans des chanes logistiques face aux alas des dlais
dapprovisionnements. Thse de doctorat, Ecole Nationale Suprieure des Mines de Saint-
Etienne, 2008.
[85] R. Hung : Single-shift o-day scheduling of a hierarchical workforce with variable de-
mands. European Journal of Operational Research, 78(1):4957, 1994.
[86] S.M. Johnson : Optimal two and three stage production schedules with setup time
included. Naval Research Logistic Quarterly, 1:6168, 1954.
[87] P. Kaminsky et O. Kaya : Inventory positioning, scheduling and lead-time quotation in
supply chains. International Journal of Production Economics, 114(1):276293, 2008.
[88] M. Khouja : Optimizing inventory decisions in a multi-stage multi-customer supply chain.
Transportation Research, 39:193208, 2003.
143
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Bibliographie
[89] Y.J. Kim, Y.K. Kim et Y. Cho : A heuristic-based genetic algorithm for workload smoo-
thing in assembly lines. Computers & Operations Research, 25(2):99111, 1998.
[90] O. Kon : Nouvel les approches pour la rsolution du problme dordonnancement de projet
moyens limits. Thse de doctorat, Universit de Toulouse, 2009.
[91] R. Larbi, G. Alpan, P. Baptiste et B. Penz : Scheduling of transshipment operations in
a single strip and stack doors crossdock. In 19th International Conference on Production
Research, ICPR 2009, Valparaiso, Chile. Proceedings, page 6p, 2007.
[92] R. Larbi, G. Alpan et B. Penz : Scheduling transshipment operations in a multiple
inbound and outbound door crossdock. In International Conference on Computers &
Industrial Engineering, CIE 2009. Troyes, France. Proceedings, page 6p, 2009.
[93] V. Lauff et F. Werner : On the complexity and some properties of multi-stage schedu-
ling problems with earliness and tardiness penalties. Computers and Operations Research,
31:317345, 2004.
[94] E.L. Lawler et D.E. Wood : Branch and bound methods : a survey. Operations Research,
14:699719, 1966.
[95] T. Le-duc et R. de Koster : Travel time estimation and order batching in a 2-block
warehouse. European Journal of Operational Research, 176(1):374388, 2007.
[96] Y. H. Lee, J. W. Jung et K. M. Lee : Vehicle routing scheduling for cross-docking in the
supply chain. Computers & Industrial Engineering, 51:247256, 2006.
[97] L. Lei, S. Liu, A. Ruszczynski et S. Park : On the integrated production, inventory,
and distribution routing problem. IIE Transactions, 38(11):955970, 2006.
[98] C.-L. Li, G. Vairaktarakis et C.-Y. Lee : Machine scheduling with deliveries to multiple
customer locations. Discrete Optimization, 164:3951, 2005.
[99] X. Li et Q. Wang : Coordination mechanisms of supply chain systems. European Journal
of Operational Research, 179:116, 2007.
[100] A. Lim, Z. Miao, B. Rodrigues et Z. Xu : Transshipment through crossdocks with
inventory and time windows. In K.-Y. Chwa et J.I. Munro, diteurs : COCOON 2004,
LNCS 3106, Springer-Verlag, pages 122131, Berlin, 2004.
[101] R. Manzini, M. Gamberi, E. Gebennini et A. Regattieri : An integrated approach to
the design and management of a supply chain system. International Journal of Advanced
Manufacturing Technology, 37:625640, 2008.
[102] S. Martello et P. Toth : Knapsack Problems. John Wiley & Sons, New York, 1990.
[103] C.H. Martin, D.C. Dent et J.C Eckhart : Integrated production, distribution, and
inventory planning at libbey-owens-ford. Interfaces, 23:6878, 1993.
[104] H. Matsuo : The weighted total tardiness problem with xed shipping times and overtime
utilization. Operations Research, 36(2):293307, 1988.
[105] G.B. McMahon et P.G. Burton : Flow-shop scheduling with the branch-and-bound
method. Operations Research, 15:473481, 1967.
[106] H. Meyr, M. Wagner et J. Rohde : Structure of advanced planning systems. In
H. Stadtler et C. Kilger, diteurs : Supply Chain Management and Advanced Planning
Concepts, Models Software and Case Studies, pages 99104, Berlin, 2002.
[107] F. Mocellin : Gestion des entrepts et plates-formes. Dunod, Paris, France, 2006.
144
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
[108] C. Moon, Y. H. Lee, C. S. Jeong et Y. Yun : Integrated process planning and scheduling
in a supply chain. Computers & Industrial Engineering, 54:10481061, 2008.
[109] Z. Mouloua : Ordonnancements coopratifs pour les chanes logistiques. Thse de doc-
torat, Institut National Polytechnique de Lorraine, 2007.
[110] R. Narasimhan : An algorithm for single shift scheduling of hierarchical workforce.
European Journal of Operational Research, 96(1):113121, 1997.
[111] M. Nawaz, E.E. Enscore et I. Ham : A heuristic algorithm for the m-machine, n-job
ow shop sequencing problem. Omega, 1:9195, 1983.
[112] J. Orlicky : The successful Computer Systems : Its Planning, development, and mana-
gement in a business enterprise. McGraw-Hill, 1968.
[113] L. Ouzizi : Planication par ngociation dans un systme de dcision semi-distribu pour
une entreprise en rseau. Thse de doctorat, Universit de Metz, 2005.
[114] L. Ozdamar et T. Yazga : A hierarchical planning approach for a production-
distribution system. International Journal of Production Research, 37(16):37593772,
1999.
[115] Y.B. Park : An integrated approach for production and distribution planning in supply
chain management. International Journal of Production Research, 43(6):12051224, 2005.
[116] J.H. Patterson, R. Slowinski, F.B. Talbot et J. Weglarz : An algorithm for a
general class of precedence and resource constrained scheduling problems. In Advances in
Project Scheduling, pages 328, Amsterdam, 1989. Elsevier Science Publishers B.V.
[117] C.G. Petersen et G. Aase : A comparison of picking, storage, and routing policies in
manual order picking. International Journal of Production Economics, 92(1):1119, 2004.
[118] M. Pidd : Just modelling through : a rough guide to modelling. Interfaces, 19(2):118132,
1999.
[119] M. L. Pinedo : Scheduling : Theory, Algorithms, and Systems. Prentice Hall, New York,
2008.
[120] M.-C. Portmann : Mthodes de dcomposition spatiales et temporel les en ordonnancement
de la prodution. Thse dtat. Thse de doctorat, Universit de Nancy 1, 1987.
[121] M.-C. Portmann : Scheduling methodology : optimization and compu-search approaches
I. In A. Artiba et S.E. Elmaghraby, diteur : The planning and scheduling of production
systems, pages 271300. Chapman et Hall edition, 1997.
[122] C.N. Potts : An adaptive branching rule for the permutation ow-shop problem. European
Journal of Operational Research, 5:1925, 1980.
[123] G. Pundoor et Z.-L. Chen : Scheduling a production-distribution system to optimize
the tradeo between delivery tardiness and distribution cost. Naval Research Logistics,
52(6):571589, 2005.
[124] H.D. Ratliff et A.S. Rosenthal : Order-picking in a rectangular warehouse : A solvable
case of the travelling salesman problem. Operations Research, 31(3):507521, 1983.
[125] A. Robert : Optimisation des batches de production. Thse de doctorat, Universit Pierre
et Marie Curie, 2007.
[126] K.J. Roodbergen et R. De Koster : Routing methods for warehouses with multiple
cross aisles. International Journal of Production Research, 39(9):18651883, 2001.
145
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
Bibliographie
[127] B. Rouwenhorst, B. Reuter, V. Stockrahm, G.J. van Houtum, R.J. Mantel et
W.H.M Zijm : Warehouse design and control : Framework and literature review. European
Journal of operational Research, 122:515533, 2000.
[128] R. Sadykov : A polynomial algorithm for a simple scheduling problem at cross docking
terminals. INRIA Research Report, 2009.
[129] F. Sahin et E. P. Robinson : Flow coordination and information sharing in supply chains :
review, implications, and directions for future research. Decision Sciences, 33(4):505536,
2002.
[130] G. J. Salegna et P. S. Park : Workload smoothing in a bottleneck job-shop. International
Journal of Operations & Production Management, 16(1):91110, 1996.
[131] A.M. Sarmiento et R. Nagi : A review of integrated analysis of production distribution
systems. IIE Transactions, 31:10611074, 1999.
[132] S.U. Sekiner, H. Gken et M. Kurt : An integer programming model for hierarchical
workforce scheduling problem. European Journal of Operational Research, 183(2):694699,
2007.
[133] E. A. Silver : Operations research in inventory management : a review and critique.
Operations Research, 29(4):628644, 1981.
[134] D. Simchi-Levi, P. Kaminsky et E. Simchi-Levi : Designing and Managing the Supply
Chain. McGraw Hill, New York, 2003.
[135] S. Sindhuchao, H. E. Romeijn, E. Akali et R. Boondiskulchok : An integrated
inventory routing system for multi item joint replenishment with limited vehicle capacity.
Journal of Global Optimization, 32:93118, 2005.
[136] R. Slowinski : Preemptive scheduling of independent jobs on parallel machines subject
to nancial constraints. European Journal of Operational Research, 15:366373, 1984.
[137] K. Song et F. Chen : Scheduling cross docking logistic optimization problem with mul-
tiple inbound vehicles and one outbound vehicle. In IEEE International Conference on
Automation and Logistics. Jinan, China. Proceedings, pages 30893094, 2007.
[138] F. Sourd : Ordonnancer Juste temps. Mmoire dhabilitation diriger des recherches.
Thse de doctorat, Universit Pierre et Marie Curie, 2008.
[139] F. Sourd et S. Kedad-Sidhoum : A faster branch-and-bound algorithm for the earliness-
tardiness scheduling problem. Journal of Scheduling, 11:533549, 2003.
[140] F. Sourd et S. Kedad-Sidhoum : The one machine problem with earliness and tardiness
penalties. Journal of Scheduling, 6:533549, 2003.
[141] H. Stadtler : Supply chain management and advanced planning basics overview and
challenges. European Journal of Operational Research, 163:575588, 2005.
[142] G. Strack et Y. Pochet : An integrated model for warehouse and inventory planning.
European Journal of Operational Research, 204:3550, 2010.
[143] W. Tan : Integration of process planning and scheduling - a review. Journal of Intel ligent
Manufacturing, 11:5163, 2000.
[144] D.A. Taylor : Supply Chains : A Managers Guide. Adisson Wesley, USA, 2003.
[145] D.J. Thomas et P.M. Griffin : Coordinated supply chain management. European Journal
of Operational Research, 94(1):115, 1996.
146
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
[146] A. Toker, S. Kondakci et N. Erkip : Scheduling under a non-renewable resource
constraint. Journal of the Operational Research Society, 42(9):811814, 1991.
[147] J. P. van den Berg : A literature survey on planning and control of warehousing systems.
IIE Transactions, 31:751762, 1999.
[148] J.P. Van Den Berg : Integral Warehouse Management. Management Outlook, Nether-
lands, 2007.
[149] J.P. Van Den Berg et W.H.M. Zijm : Models for warehouse management : classication
and examples. International Journal Production Economics, 59(1-3):519528, 1999.
[150] R. I. Van Hoek : The rediscovery of postponement a literature review and directions for
research. Journal of Operations Management, 19(2):161184, 2001.
[151] S. Viswanathan et K. Mathur : Integrating routing and inventory decisions in one-
warehouse multi-retailer multi-product distribution system. Management Science, 43(3):
294312, 1997.
[152] G. Wan et B. P.-C. Yen : Tabu search for single machine scheduling with distinct due
windows and weighted earliness/tardiness penalties. European Journal of Operational
Research, 142:271281, 2002.
[153] B. D. Williams et T. Tokar : A review of inventory management research in ma-
jor logistics journals : Themes and future directions. International Journal of Logistics
Management, 19(2):212232, 2008.
[154] P. Wirojanagud, S.E. Gel, J.W. Fowler et R. Cardy : Modelling inherent worker
dierences for workforce planning. International Journal Production Research, 45(3):525
553, 2007.
[155] C. Wolosewicz : Approche intgre en planication et ordonnancement de la production.
Thse de doctorat, Ecole Nationale Suprieure des Mines de Saint-Etienne, 2008.
[156] J. Xie : Polynomial algorithms for a single machine scheduling problems with nancial
constraints. Operations Research Letters, 21:3942, 1997.
[157] X. Yang : Scheduling with generalized batch delivery dates and earliness penalties. IIE
Transactions, 32:735741, 2000.
[158] W. Yu : Operational Strategies for cross-docking systems. Thse de doctorat, Iowa State
University, 2002.
[159] W. Yu et P.J. Egbelu : Scheduling of inbound and outbound trucks in cross docking
systems with temporary storage. European Journal of Operational Research, 184:377396,
2008.
147
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1
PLANIFICATION ET ORDONNANCEMENT DE PLATEFORMES LOGISTIQUES
Rsum : L'objectif de cette thse est de fournir des outils d'aide la dcision pour piloter les
plateformes logistiques court et moyen terme. La premire partie dcrit la problmatique
concerne et les notions essentielles dans le cadre des chanes logistiques. Dans la deuxime
partie, le problme de la planification est tudi, nous proposons des modles linaires pour
minimiser les cots de personnel, qui prennent en compte les flux : leurs variations saisonnires, la
possibilit de les ngocier localement en amont et en aval, ainsi que leur organisation et celle du
travail. Ainsi, l'outil peut tre utilis dans la coordination des flux entres les partenaires de la chane
logistique; deux types de ngociations sont envisags : la ngociation des quantits de produits
livres en amont et en aval de la plateforme et la ngociation des dates de livraison. Ces modles
sont tests et valids sur des instances gnres alatoirement, sur des configurations inspires de
problmes rels. Dans la troisime partie, nous travaillons sur l'ordonnancement des activits de
prparation de commandes. ci, nous combinons deux familles de contraintes difficiles : l'arrive de
composants (ressources consommables) des dates et en quantits connues l'amont de la
plateforme, et des tournes de livraison dates fixes l'aval. Trois cas particuliers sont tudis,
selon la faon dont les tournes sont organises. Nous proposons des procdures par sparation et
valuation pour ces problmes, et un modle linaire en nombres entiers pour le cas le plus simple.
Des expriences sont faites sur des familles d'instances gnres alatoirement et de manire
partiellement htrogne. Plusieurs perspectives de gnralisation sont proposes.
Mots-cIs : planification, ordonnancement, plateformes logistiques, outils d'aide la dcision
LOGISTIC PLATFORM PLANNING AND SCHEDULING
Abstract : The aim of this thesis is to provide decision support systems to control logistic platforms
at the mid-term and short-term levels. Several problems and main notions concerning logistic
platform context are described in the first part. n the second part, planning problems are studied.
Two linear programming models are proposed to minimize the workforce costs. These models take
into account several characteristics: seasonal flow variations, work and flow organization in the
platform, and local negotiations of the upstream and downstream flows. n consequence, our
decision support system can be used in the flow coordination between supply chain partners. Two
types of negotiations are considered: negotiations of upstream and downstream delivered quantities
and negotiation of delivery dates. These models have been tested on pertinent randomly generated
instances inspired from concrete problems. n the third part of the thesis, the external flows of the
platform are assumed to be fixed. Orders preparation scheduling problem inside the platform is
considered. Two families of strong constraints are combined: staircase availability of components
(consumable resources) and fixed delivery dates. According to the way the downstream deliveries
are organized and penalized, three different cases (based on industrial applications) have been
studied. We proposed three branch and bound procedures for these problems, and an integer linear
program for the easiest problem. Experimental analysis has been done over heterogeneous
randomly generated instance families. n the last part, a series of perspectives for this work are
proposed.
Keywords: planning, scheduling, logistic platforms, decision support systems
t
e
l
-
0
0
6
0
6
4
1
1
,
v
e
r
s
i
o
n
1
-
7
J
u
l
2
0
1
1