Un couplage métaheuristique / simulation appliqué au problème du job shop avec transport

Dimension: px
Commencer à balayer dès la page:

Download "Un couplage métaheuristique / simulation appliqué au problème du job shop avec transport"

Transcription

1 Un couplage métaheuristique / simulation appliqué au problème du job shop avec transport LAURENT DEROUSSI 1, ICHEL GOURGAND 2 LIOS CNRS UR IUT de ontluçon, Avenue Aristide Briand B.P. 2235, ontluçon 2 ISIA, Campus des Cézeaux B.P , Aubière Résumé Le problème auquel nous nous intéressons dans ce papier est une extension du problème du job shop, dans lequel les moyens de transport sont intégrés dans la planification. Ce problème a d'importantes applications dans les systèmes flexibles de production. Dans de tels systèmes, les pièces sont transportées d'une machine vers une autre par des véhicules (généralement des véhicules automatiquement guidés. Ce problème possède à la fois une complexité algorithmique et une complexité structurelle. Pour prendre en compte cette double complexité, nous proposons d'appliquer une démarche globale qui consiste à coupler une méthode d'optimisation (dans notre cas une métaheuristique avec un modèle d'évaluation des performances (ici basé sur la simulation à événements discrets. La mise en œuvre de cette démarche sur un espace de solutions judicieusement construit s avère très efficace. Onze nouvelles bornes supérieures sont proposées sur les quarante instances qui composent notre jeu d'essai. ots-clé Systèmes flexibles de production, étaheuristiques, Simulation à événements discrets, Véhicules automatiquement guidés. I. INTRODUCTION Le problème considéré est issu des systèmes flexibles de production (SFP. Il s'agit d'un job shop académique, dans lequel le transport des pièces d'une machine vers une autre nécessite l'utilisation d'une ressource : un véhicule automatiquement guidé (VAG. Nous proposons dans ce papier d intégrer la gestion du système de transport dans le processus d optimisation afin de minimiser le temps total de production (makespan. Nous ne nous plaçons dans ce papier que dans un cadre prédictif. Cela signifie en particulier que toutes les données sont supposées connues et déterministes, et que nous ne prenons pas en compte certaines contraintes concernant la gestion du trafic des véhicules ou les collisions. algré ces hypothèses simplificatrices, ce problème se formalise comme un programme non linéaire en nombres entiers, et il s'avère très difficile à résoudre, même pour des instances de petite taille. Par ailleurs, et au contraire des autres travaux de la littérature, nous proposons d'utiliser une représentation de l'espace des solutions basée sur les véhicules, plutôt que sur les machines. Ce choix offre de nombreuses possibilités pour définir des systèmes de voisinage, et donc des métaheuristiques. En contrepartie, cette représentation introduit des blocages (i.e. des solutions non admissibles, et nécessite d'évaluer les solutions avec soin. C'est cet aspect que nous désignons par complexité structurelle du problème, et qui se rajoute à la complexité algorithmique du problème. Afin de tenir compte au mieux de la double complexité algorithmique et structurelle, nous proposons d'utiliser des méthodes d'optimisation pour explorer l'espace des solutions, couplées avec des méthodes d'évaluation pour déterminer les performances de ces solutions. Notre objectif principal est de montrer l'efficacité de ce couplage appliqué aux SFP. Pour cela, ce papier s'articule comme suit. La section 2 est consacrée à la présentation du problème. Un état de l'art est également proposé. Dans la section 3, nous reprenons les principaux fondements du couplage méthodes d'optimisation / méthodes d'évaluation des performances et nous présentons les méthodes mises en œuvre pour la résolution de notre problème. Les résultats, ainsi qu'une comparaison avec les principales méthodes de la littérature, sont résumés dans la section 4 avant de conclure et de donner quelques perspectives à nos travaux. II. LE PROBLEE DU JOB SHOP AVEC TRANSPORT Cette section est consacrée à la présentation du problème et à un bilan des principales approches rencontrées dans la littérature. A. Présentation du problème Le problème du job shop peut être décrit comme suit : soit n pièces, chacune composée de plusieurs opérations qui doivent être effectuées sur m machines. Chaque opération requiert une machine donnée pendant une période donnée. Chaque machine ne peut usiner qu'une seule pièce à la fois et dès lors que le traitement d'une opération est commencé, celui-ci ne peut pas être interrompu. Les opérations d'une pièce donnée doivent être effectuées suivant l'ordre spécifié dans la gamme opératoire de cette pièce. Le problème du job shop consiste à déterminer dans quel ordre les opérations doivent être effectuées sur les machines, de manière à minimiser le makespan, c'est-à-dire le temps total de production. Le problème étudié est un job shop, mais qui est soumis de plus à des contraintes de transport. Plus précisément, un nombre déterminé de véhicules automatiquement guidés (ou plus simplement véhicules doivent transportées les pièces de la machine courante vers la prochaine machine désignée dans sa gamme. Chaque véhicule ne peut transporter qu'une pièce à la fois. Le problème consiste alors à planifier les déplacements des véhicules, parallèlement aux opérations sur les machines. Nous proposons de considérer les déplacements des véhicules comme une part importante du processus de planification global. Le problème étudié consiste donc à planifier simultanément les déplacements des véhicules et les opérations

2 des pièces sur les machines. Ce problème peut être divisé en deux sous-problèmes : 1. Le Job Shop Scheduling Problem (JSP, 2. Le Vehicle Scheduling Problem (VSP. Ces deux sous-problèmes sont répertoriés dans la classe des problèmes NP-complets. Le problème maître, obtenu en les considérant simultanément, est lui aussi un problème NPcomplet [1]. En pratique, ce problème s'avère très difficile à résoudre. Il n'existe pas, à notre connaissance, de méthodes exactes efficaces permettant de le résoudre, même pour des instances de petite taille. Dans ce contexte, l'apport des méthodes approchées, et plus particulièrement des métaheuristiques, est indéniable. Ce problème intervenant essentiellement dans les SFP, nous considèrerons que les pièces entrent et quittent le système par une machine spécifique que nous appellerons machine de chargement / déchargement (souvent désignée par station LU dans la littérature anglo-saxonne. B. Principales approches de la littérature Plusieurs approches sont utilisées pour la résolution de ce problème suivant le contexte de l'étude : les méthodes exactes, les méthodes approchées ou la simulation. Les méthodes exactes sont utilisées essentiellement pour l'étude de SFP simples, ou possédant une topologie particulière, avec des hypothèses simplificatrices très fortes. Les méthodes approchées sont parfaitement adaptées pour étudier la plupart des SFP, mais dans un cadre prédictif. Pour une approche réactive sur de tels systèmes, la simulation à événements discrets est souvent la seule démarche envisageable. Pour de plus amples informations sur les SFP, nous suggérons les travaux récents de [2]. Les problèmes pouvant être résolus par les méthodes exactes nécessitent des contraintes très fortes limitant leur utilisation à des systèmes très particuliers. Ainsi, [3] étudient un SFP dans lequel des machines parallèles identiques sont disposées en boucle. [4] présentent une formalisation IP (ixed Integer Programming du problème mais avec l'hypothèse très forte que les véhicules retournent à la station LU (load/unload après chaque transport effectué. [5] proposent une formalisation IP du problème en levant cette contrainte sur les véhicules. Selon les auteurs, le modèle qui en résulte n'est pas utilisable en pratique, en raison de sa non-linéarité et de sa taille. Enfin, [6] proposent une méthode de séparation / évaluation couplée avec un modèle de simulation à événements discrets, afin de pouvoir prendre en compte des contraintes de fonctionnement. Cette approche est appliquée dans les SFP ne comportant qu'un seul chariot filoguidé piloté par des règles de gestion. ême si les heuristiques disposent d'un champ d'application suffisamment élargi pour pouvoir traiter des SFP complexes, beaucoup de travaux sont dédiés à des formes simplifiées du problème. Ces simplifications portent essentiellement sur les deux aspects suivants. La première simplification est l'utilisation de règles de gestion des VAGs, comme celles décrites et étudiées par exemple dans [7]. L'utilisation de telles règles permet de décrire les mouvements des VAGs en fonction d'un ordonnancement des pièces en entrée du système et facilite notablement le problème. A ce propos, plusieurs auteurs précisent que les moyens de transport sont une des composantes essentielles des SFP, et qu'une planification efficace des VAGs est cruciale pour le fonctionnement global du SFP [4], [8]. La deuxième simplification souvent appliquée aux SFP est la restriction du système de manutention à un seul VAG. A ce propos, nous pouvons par exemple mentionner les travaux de [9] et [10], qui utilisent respectivement des réseaux de neurones et un algorithme tabou. Finalement, les travaux menés sur l'étude conjointe du JSP et du VSP sont peu nombreux. [5] et [8] proposent une méthode itérative basée sur la décomposition du problème en deux sousproblèmes. Enfin, [11] utilisent un algorithme génétique performant pour ce problème. Plus récemment, [12] décrivent une méthode hybride avec un algorithme génétique qui travaille uniquement sur l'ordonnancement des opérations (i.e. le job shop, couplé avec une heuristique qui détermine la planification des déplacements des véhicules (assimilable en fait à une règle de gestion. La simulation à événements discrets est utilisée à de multiples fins. Par exemple, pour étudier des problèmes de conception de SFP [13], pour tester des règles de gestion [7] ou encore des problèmes de collision entre les véhicules [14]. III. DEARCHE DE RESOLUTION Nous décrivons dans un premier temps la démarche générale que nous préconisons pour répondre à la double complexité : complexité algorithmique et complexité du système. Cette démarche est ensuite appliquée au problème étudié en présentant la méthode d'optimisation et la méthode d'évaluation que nous avons implémentées. A. Principes généraux Comme nous l'avons déjà mentionné, le problème du job shop avec transport se caractérise par une double complexité. La complexité algorithmique nécessite l'utilisation de méthodes d'optimisation, destinées à parcourir efficacement l'espace des solutions à la recherche d'une solution optimale, ou, à défaut, d'une solution de bonne qualité. La complexité du système provient généralement de la définition de nombreuses règles de gestion qui régissent le fonctionnement du système. Il en résulte que, pour une solution donnée, l'évaluation du critère de performance de cette solution peut s'avérer délicate. éthode d optimisation évalue les solutions génération de nouvelles solutions Entrée: Solution initiale (heuristique de construction odèle d évaluation des performances Sortie: eilleure solution trouvée Figure 1 : Illustration du couplage méthode d optimisation / méthode d évaluation.

3 La méthode d'optimisation et le modèle d'évaluation peuvent être vus comme deux modules indépendants et communicants comme le montre la figure 1. La méthode d'optimisation génère de nouvelles solutions qui sont transmises au modèle d'évaluation. Celui-ci les évalue et retourne le résultat à la méthode d'optimisation, afin de la guider dans ses choix futurs. Avant de décrire plus précisément le modèle d'évaluation et la méthode d'optimisation que nous avons choisis, nous proposons une représentation de l'espace des solutions basée sur les véhicules. B. Représentation des solutions Le choix d'une bonne représentation de l'espace des solutions joue souvent un rôle déterminant dans la qualité d'une méthode. De lui va dépendre à la fois la qualité du module d'optimisation et du module d'évaluation. La représentation pour laquelle nous avons opté a ceci de particulier qu'elle est basée sur les véhicules, plutôt que sur les machines comme il est d'usage dans la littérature. L'ensemble des opérations à planifier est connu. Une opération peut être représentée par un triplet (machine d'origine, machine de destination, temps de traitement. La machine d'origine est la machine qui doit traiter l'opération précédente dans la gamme de la pièce (ou la machine de chargement s'il s'agit d'une opération de début de gamme. La machine de destination est la machine qui doit traiter l'opération avec le temps de traitement indiqué. Pour chaque opération, un véhicule est nécessaire pour transporter la pièce de la machine d'origine vers la machine destination. Un transport peut ainsi être associé à chaque opération. Par ailleurs, lorsque le traitement d'une pièce est terminé, un transport est nécessaire pour faire sortir la pièce du système. Ce transport acheminera la pièce de la machine destination de la dernière opération de la gamme vers la machine de déchargement. Afin d'avoir une bijection entre l'ensemble des opérations et l'ensemble des transports à effectuer, nous proposons de définir une opération fictive de fin de gamme, qui aura comme machine origine la dernière machine visitée par la pièce, comme machine destination la machine de déchargement et un temps de traitement nul. L'ensemble des transports (i.e. des opérations à effectuer étant parfaitement identifié, nous proposons de planifier ces transports sur les véhicules. Chaque véhicule reçoit ainsi une liste de transports qu'il effectuera dans l'ordre établi. Cette représentation est illustrée sur un exemple dans la table 1. Table 1. Une planification possible des déplacements des véhicules : chaque lettre représente une pièce, et le numéro indique l'ordre des opérations dans la gamme. Véhicule Liste des opérations (ou transports VAG1 A1 C1 B2 B3 C3 VAG2 B1 A2 C2 A3 C4 En utilisant cette représentation, il est très facile de perturber une solution en appliquant des mouvements du type permutation de deux opérations, ou insertion d'une opération (ces mouvements peuvent être indifféremment intra véhicule ou inter véhicule. Nous pouvons, à titre d'exemples, permuter les opérations C1 et A3 pour obtenir la solution [A1,A3,B2,B3,C3] pour VAG1 et [B1,A2,C2,C1,C4] ou insérer A3 après C1 pour obtenir la solution [A1,C1,A3,B2,B3,C3] pour VAG1 et [B1,A2,C2,C4] pour VAG2. Remarquons enfin que la solution obtenue avec le mouvement de permutation n'est pas admissible car les contraintes de précédence entre les opérations C1 et C2 ne sont pas respectées sur le véhicule VAG2. Après avoir décrit la représentation de l'espace des solutions, nous allons maintenant préciser le modèle d'évaluation, qui est un modèle de simulation à événements discrets. C. Evaluation des solutions Nous donnons dans cette partie les détails d'implémentation du modèle de simulation à événements discrets qui est destiné à évaluer les solutions. 1 Notations Les notations suivantes sont utilisées pour décrire le modèle : : l'ensemble des machines. : l'ensemble des véhicules. J : l'ensemble des pièces. n j J : le nombre d'opérations de la pièce j., j ok, k : le nombre de transports (opérations effectués par le véhicule k. n = n = o j k : le nombre total d'opérations à j J k ordonnancer. I = 1,..., n : l'ensemble des opérations. { } I j, j J : le sous-ensemble de I des opérations de la pièce j, construit de la manière suivante par convention { 1, 2,..., } I = N + N + N + n avec N j j j j j j = 0 si j = 1 l = j 1. nl si j > 1 l = 1 { /, 1} I = i I j J i = N j + : l'ensemble des opérations de début de gamme (la machine origine est la machine de chargement. I = { i I / j J, i = N j + 1 } : l'ensemble des opérations fictives de fin de gamme (la machine destination est la machine de déchargement. O i, D i, d i, i I : respectivement la machine ( ( ( origine, la machine destination et le temps de traitement de l'opération i ( O ( i = LU, i I, D( i = LU, i I et d ( i = 0, i I (,, (,, (, TC m m TV m m m m : respectivement le temps de déplacement à charge et à vide des véhicules entre les machines m 1 and m 2. Les temps de transport à charge incluent les temps de chargement, les temps de déplacement et les temps de déchargement. t i, t i, i I : respectivement le temps de fin de ( ( traitement du transport i sur le véhicule ou de l'opération i sur la machine. ème σ ( k, o, k, o { 1,..., ok } : le o transport effectué par le véhicule k. busy ( m, m : la date de libération de la ressource machine m (les stocks d'entrée des machines sont supposés suivre une politique FIFO. ind ( k, k donne l'indice du prochain transport à effectuer avec le véhicule k. 2 Description du modèle de simulation à événements discrets Le modèle de simulation, tel qu'il est implémenté, est décrit sur la figure 2. Cette description est orientée approche

4 événementielle. Des événements sont créés par la procédure create _ event k, i, t qui indique que le véhicule k terminera ( le transport de l'opération i à la date t. Une exécution de la boucle principale consiste à récupérer le prochain événement (selon l'ordre chronologique par next _ event. Les dates de l'intermédiaire de la procédure ( fin de transport et de fin de traitement du transport (de l'opération i sont alors mises à jour et au plus deux nouveaux événements sont produits. Le premier ("transport suivant" correspond au prochain transport i ordonnancé sur le véhicule k (s'il existe. Pour ce faire, son opération précédente i 1 (si elle existe doit avoir été effectuée. Le second événement potentiel ("opération suivante" doit être crée dans le cas ou l'opération i + 1 (le successeur de l'opération i, si elle existe est également le prochain transport d'un véhicule k k (le cas k = k est déjà traité dans le cas de l'événement transport suivant. For k For m For i ind k = End For Do ( 1 busy m = End For Do ( 0 I Do t ( For k Do i = + End For i = k ind k I Then If σ, ( ( ( ( create _ event k, i, TC O i, D i End For While it exists some events Do k, i, t next _ event ( ( // data updates t i = t [ ] If i I Then t i = t i Else [ ] [ ] (ain loop [ ] = max ( (, ( + ( t i busy D i t i d i ( = ( busy D i t i // Creation of the event "next transport" ind k < o Then If ( k ind ( k = ind ( k + 1 If i = σ k, ind ( k I Then create _ event ( k, i, t + TV D( i, O ( i + TC O ( i, D ( i Else If tt ( i 1 < + then create _ event ( k, i,max t + TV D( i, O( i, t ( i 1 + TC O( i, D( i // Creation of the event "next task" If ( i I ( k, k k / σ k, ind ( k = i + 1 Then If ind [ k ] = 1 Then create _ event ( k, i + 1,max ( TV LU, D( i, t ( (, ( 1 i + TC D i D i + Else iprec ( = σ k, ind k 1 ( ( prec ( ( 1 D i, D i, create _ event k, i + 1,max tt iprec + TV, t ( i + TC O ( i + 1 D i + End While Figure 2 : Pseudo-code du modèle d'évaluation des solutions avec une approche par événements discrets.

5 D. Description de la métaheuristique Parmi l'ensemble des métaheuristiques que nous avons implémentées, celle qui a donné les meilleurs résultats est une méthode hybride entre une méthode de recherche locale itérée et un recuit simulé. Cette méthode peut être décrite en utilisant le formalisme proposé par [15] et qui est donné dans la figure 3. Iterated Local Search methods (ILS s 0 = GenerateInitialSolution * s = LocalSearch ( s 0 Repeat s = Perturbation ( s *,history *' s = LocalSearch ( s * s = AcceptanceCriterion ( s * *', s,history Until termination condition met Figure 3 : Pseudo-algorithme pour les méthodes de recherche locale itérée. Une solution initiale est générée avec une heuristique de construction (que nous ne détaillerons pas ici. Cette heuristique gloutonne consiste à choisir successivement et dans un ordre préétabli les transports, et à les affecter à un véhicule. La procédure de recherche locale est en fait une descente à voisinage variable (Variable Neighborhood Descent ou VND [16], [17] basée sur les mouvements de permutation et d'insertion de transports. La perturbation consiste à appliquer successivement trois mouvements de permutation (à la condition que la solution reste admissible. Le critère d'acceptation d'un nouveau minimum local est défini d'après la loi du recuit simulé. Le paramètre T qui simule la variation de température est fixé arbitrairement à 5. La température d'arrêt 3 est fixée à 10. La température suit une loi géométrique dont la raison est calculée de manière à effectuer le nombre d'itérations (i.e. de recherches locales souhaité. Dans notre cas, 1000 itérations sont effectuées. Ce nombre relativement faible d'itérations (surtout dans le contexte du recuit simulé implique que les réglages des différents paramètres de recuit n'ont pas à être très fins. En fait, des expérimentations semblent montrer qu'il est meilleur que le critère d'acceptation permette d'accepter de temps en temps des minima locaux de moins bonne qualité [18]. Nous allons maintenant présenter les résultats obtenus avec le couplage métaheuristique / modèle de simulation sur le problème étudié. IV. LES RESULTATS OBTENUS Les modules d'optimisation et d'évaluation que nous avons présentés ont été implémentés en langage C-ANSI. Les tests ont été effectués sur un jeu d'essai composé de 40 instances, et proposé par [8]. Chacune de ces instances est composée d'une station LU, de quatre machines et de deux véhicules. Les temps de chargement / déchargement sont supposés négligeables, et les temps de transport à vide et à charge sont identiques. Ces instances sont générées suivant 10 jeux de données pour les pièces, et quatre topologies pour les SFP (autrement dit quatre matrices de temps de transport entre les différentes machines. Les jeux de données comprennent entre 5 et 8 pièces, et de 13 à 21 opérations à planifier. Les résultats obtenus sont résumés dans le tableau 2. La colonne B&U donne le meilleur résultat publié dans [8], [5], [11]. Les résultats obtenus par [12] avec un algorithme génétique sont reportés dans la colonne GAA. Les résultats obtenus avec notre méthode sont présentés dans la colonne SALS (Simulated Annealing Local Search. Pour chacun des résultats, nous indiquons également l'écart relatif (en pourcent de chaque méthode avec la meilleure solution publiée (une valeur négative signifie que nous avons trouvé une nouvelle borne supérieure. Les tests ont été réalisés sur un Pentium 4, 3.4 GHz avec 1 Go de RA. 10 réplications ont été effectuées pour chaque instance, et nous présentons ici le résultat fourni par la meilleure d'entre elles (une réplication est en moyenne à 0.34% de la meilleure solution trouvée, ce qui signifie que la plupart des réplications trouvent cette solution. Les temps de calcul sont de l'ordre de la seconde pour les instances les plus difficiles. Table 2. Présentation des résultats et comparaison avec la littérature. Inst. B&U GAA SALS Inst. B&U GAA SALS Ex Ex Ex Ex Ex Ex * Ex Ex Ex * Ex * Ex Ex Ex Ex * Ex Ex * Ex Ex Ex Ex Ex Ex Ex Ex Ex Ex * Ex * Ex Ex Ex Ex * Ex Ex Ex Ex Ex * Ex Ex Ex Ex

6 Les résultats obtenus montrent que de nouvelles bornes supérieures sont proposées pour 11 des 40 instances. Cela dénote d'une part de la difficulté du problème étudié (puisque les instances considérées sont de taille relativement faibles, et pourtant les méthodes de la littérature n'ont pas obtenu la solution optimale sur plus d'un quart de ces instances, et d autre part de l efficacité de SALS. Pour toutes les autres instances, SALS retrouve les meilleures solutions publiées. V. CONCLUSION ET PERSPECTIVES Nous proposons dans ce papier de combiner une méthode d'optimisation et une méthode d'évaluation des performances pour répondre à la double complexité algorithmique et structurelle de certains problèmes. La démarche proposée est mise en œuvre sur un problème difficile, qui intervient dans les systèmes flexibles de production. Les résultats obtenus montrent clairement l'intérêt de l'approche présentée : onze nouvelles bornes supérieures sont obtenues sur les quarante instances qui composent le jeu d'essai provenant de la littérature. D'autre part, l'approche présentée offre un avantage important puisqu'elle permet de poursuivre le développement du modèle d'évaluation indépendamment de tout processus d'optimisation. Cela doit permettre en particulier de pouvoir prendre en compte un certain nombre de contraintes additionnelles, aujourd'hui encore écartées. De ce point de vue, des développements intéressants de ce couplage pourraient concerner le passage d'une approche déterministe vers une approche dynamique, par l'intégration de certaines contraintes opérationnelles ou de règles de fonctionnement complexes. VI. REFERENCES [1] nust, S., 1999, "Shop-Scheduling Problems with transportation", PhD Thesis, Universität Osnabrück, Fachbereich athematik/informatik. [2] Le-Anh, T., 2005, "Intelligent Control of Vehicle-Based Internal Transport Systems", PhD Thesis, Erasmus University Rotterdam, The Netherlands. [3] Blazewicz, J., Eiselt, H.A., Finke, G., Laporte, G., Weglarz, J., 1991, "Scheduling tasks and vehicles in a flexible manufacturing system", International Journal of Flexible anufacturing System, 4, [4] Raman, N., Talbot, F.B., Rachamadgu, R.V., 1986, "Simultaneous scheduling of machines and material handling devices in automated manufacturing", In Proceedings of the 2nd ORSA/TIS Conference on Flexible anufacturing Systems, [5] Bilge, Ü., and Ülusoy, G., 1995 "A time window approach to simultaneous scheduling of machines and material handling system in a FS". Operations Research, 43, [6] Espinouse,.L., P. Lacomme, A. oukrim et N. Tchernev, (2001, "Bornes Inférieures pour l'ordonnancement intégré de la Production et du Transport dans les SFP avec un seul Chariot Filoguidé", 3ème Conférence Francophone de Odélisation et SIulation (OSI'01, Troyes, France. [7] Egbelu, P.J., and Tanchoco, J..A., 1984, "Characterisation of automated guided vehicle dispatching rules", International Journal of Production Research, 22, [8] Ülusoy, G., and Bilge, Ü., 1993, "Simultaneous scheduling of machines and automated guided vehicles", International Journal of Production Research, 31, [9] Soylu,., Özdemirel, N.E., ayaligil, S., 2000, "A self-organising neural network approach for the single AGV routing problem", European Journal of Operational Research, 121, [10] Hurink, J.L., and nust, S., 2001, "Tabu search algorithms for job shop problems with a single transport robot", Available at hurink01tabu.html. [11] Ülusoy, G., Sivrikaya-Serifoglu, F., Bilge, Ü., 1997, "A genetic algorithm approach to the simultaneous scheduling of stations and automated guided vehicles", Computers and Operations Research, 24, [12] Abdelmaguid, T.F., Nassef, O.N., amal, B.A., Hassan,.F., 2004, "A hybrid GA/heuristic approach to the simultaneous scheduling of machines and automated guided vehicles", International Journal of Production Research, 42, [13] Gobal, S.L., and asilingam, R.G., 1991, "A simulation model for estimating vehicle requirements in automated guided vehicle systems", Computers Industrial Engg, 21, [14] Revielotis, S.A., 2000, "Conflict resolution in AGV systems", IIE Transactions, [15] Lourenço, H.R., artin, O.C., Stützle, T., 2003, "Iterated local search", In F. Glover and G. ochenberger (eds., Handbook of etaheuristics, luwers Academic Publishers, chapter 11, pp [16] Hansen, P. and N. ladenovic, (1997 "Variable Neighborhood Search", Computers and Operations Research 24, [17] Hansen, P. and N. ladenovic, (2001 "Variable Neighborhood Search: Principles and Applications", European Journal of Operational Research 130, [18] Stützle, T. (1998, "Applying Iterated Local Search to the Permutation Flow Shop Problem", Technical Report, TU Darmstadt, AIDA-98-04, FG Intellektik.

Un algorithme génétique hybride pour des problèmes de tournées de véhicules multi-attributs

Un algorithme génétique hybride pour des problèmes de tournées de véhicules multi-attributs Un algorithme génétique hybride pour des problèmes de tournées de véhicules multi-attributs Thibaut Vidal, Teodor Gabriel Crainic, Michel Gendreau Nadia Lahrichi, Walter Rei ROADEF 2010 Plan de la présentation

Plus en détail

Heuristique et métaheuristique. 8. Optimisation combinatoire et métaheuristiques. Optimisation combinatoire. Problème du voyageur de commerce

Heuristique et métaheuristique. 8. Optimisation combinatoire et métaheuristiques. Optimisation combinatoire. Problème du voyageur de commerce Heuristique et métaheuristique IFT1575 Modèles de recherche opérationnelle (RO) 8. Optimisation combinatoire et métaheuristiques Un algorithme heuristique permet d identifier au moins une solution réalisable

Plus en détail

Des outils pour l optimisation et la robustesse. Marc Sevaux

Des outils pour l optimisation et la robustesse. Marc Sevaux Des outils pour l optimisation et la sse Marc Sevaux Université de Valenciennes et du Hainaut-Cambrésis Laboratoire d Automatique, de Mécanique et d Informatique Industrielles et Humaines (UMR CNRS 8530)

Plus en détail

METHODES A BASE DE DIVERGENCES POUR LES PROBLEMES D ORDONNANCEMENT FLEXIBLE

METHODES A BASE DE DIVERGENCES POUR LES PROBLEMES D ORDONNANCEMENT FLEXIBLE Abir Ben Hmida 1/6 METHODES A BASE DE DIVERGENCES POUR LES PROBLEMES D ORDONNANCEMENT FLEXIBLE Abir BEN HMIDA 1 Directeur(s) de thèse: Pierre LOPEZ*, Marie-José HUGUET* et Mohamed HAOUARI ** Laboratoire

Plus en détail

Introduction à la programmation en variables entières Cours 3

Introduction à la programmation en variables entières Cours 3 Introduction à la programmation en variables entières Cours 3 F. Clautiaux francois.clautiaux@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 272 Sommaire Notion d heuristique Les algorithmes gloutons

Plus en détail

Groupe. Chapter 1. Félix Abecassis (CSI) Christopher Chedeau (CSI) Gauthier Lemoine (SCIA) Julien Marquegnies (CSI)

Groupe. Chapter 1. Félix Abecassis (CSI) Christopher Chedeau (CSI) Gauthier Lemoine (SCIA) Julien Marquegnies (CSI) Chapter 1 Groupe Félix Abecassis (CSI) Christopher Chedeau (CSI) Gauthier Lemoine (SCIA) Julien Marquegnies (CSI) Nous avons choisi d implémenter le projet avec le langage Javascript. L avantage offert

Plus en détail

Problèmes d ordonnancement dans les systèmes de production. Journée Automatique et Optimisation Université de Paris 12 20 Mars 2003

Problèmes d ordonnancement dans les systèmes de production. Journée Automatique et Optimisation Université de Paris 12 20 Mars 2003 Problèmes d ordonnancement dans les systèmes de production Michel Gourgand Université Blaise Pascal Clermont Ferrand LIMOS CNRS UMR 6158 1 Le LIMOS Laboratoire d Informatique, de Modélisation et d Optimisation

Plus en détail

UNIVERSITE SAAD DAHLAB DE BLIDA

UNIVERSITE SAAD DAHLAB DE BLIDA Chapitre 5 :. Introduction aux méthodes par séparation et évaluation Les méthodes arborescentes ( Branch and Bound Methods ) sont des méthodes exactes d'optimisation qui pratiquent une énumération intelligente

Plus en détail

Parallel Tree-based Exact Algorithms using Heterogeneous Many and Multi-core Computing for Solving Challenging Problems in Combinatorial Optimization

Parallel Tree-based Exact Algorithms using Heterogeneous Many and Multi-core Computing for Solving Challenging Problems in Combinatorial Optimization Parallel Tree-based Exact Algorithms using Heterogeneous Many and Multi-core Computing for Solving Challenging Problems in Combinatorial Optimization Rudi Leroy Encadrement : N. Melab (Univ. Lille 1),

Plus en détail

Rapport. TME2 - Problème d affectation multi-agents

Rapport. TME2 - Problème d affectation multi-agents Rapport TME2 - Problème d affectation multi-agents Auteurs : Encadrant : Lan Zhou Safia Kedad-Sidhoum Minh Viet Le Plan I. Problème :... 2 II. Question 1 - Formulation linéaire du problème :... 2 III.

Plus en détail

Table des matières I La programmation linéaire en variables continues 1 Présentation 3 1 Les bases de la programmation linéaire 5 1.1 Formulation d'un problème de programmation linéaire........... 5 1.2

Plus en détail

La recherche locale. INF6953 La recherche locale 1

La recherche locale. INF6953 La recherche locale 1 La recherche locale INF6953 La recherche locale 1 Sommaire Recherche locale et voisinage. Fonction de voisinage, optimum local Fonction de voisinage et mouvements Fonction de voisinage et mouvements Exemples

Plus en détail

Machine de Turing. Informatique II Algorithmique 1

Machine de Turing. Informatique II Algorithmique 1 Machine de Turing Nous avons vu qu un programme peut être considéré comme la décomposition de la tâche à réaliser en une séquence d instructions élémentaires (manipulant des données élémentaires) compréhensibles

Plus en détail

Résolution d un problème de Job-Shop intégrant des contraintes de Ressources Humaines

Résolution d un problème de Job-Shop intégrant des contraintes de Ressources Humaines Résolution d un problème de Job-Shop intégrant des contraintes de Ressources Humaines ROADEF 09, 10-12 février 2009, Nancy (France) O. Guyon 1.2, P. Lemaire 2, É. Pinson 1 et D. Rivreau 1 1 LISA - Institut

Plus en détail

Variable Neighborhood Search

Variable Neighborhood Search Variable Neighborhood Search () Universite de Montreal 6 avril 2010 Plan Motivations 1 Motivations 2 3 skewed variable neighborhood search variable neighborhood decomposition search 4 Le probleme d optimisation.

Plus en détail

Un algorithme génétique à diversité augmentée pour des problèmes de tournées de véhicules multi-dépôts multi-périodes

Un algorithme génétique à diversité augmentée pour des problèmes de tournées de véhicules multi-dépôts multi-périodes Un algorithme génétique à diversité augmentée pour des problèmes de tournées de véhicules multi-dépôts multi-périodes Thibaut Vidal, Teodor Gabriel Crainic, Michel Gendreau Nadia Lahrichi, Walter Rei 2009

Plus en détail

Optimisation des tournées de ramassage scolaire de la commune de Seneffe

Optimisation des tournées de ramassage scolaire de la commune de Seneffe Optimisation des tournées de ramassage scolaire de la commune de Seneffe Laurie Hollaert Séminaire GRT 7 novembre Laurie Hollaert Optimisation des tournées de ramassage scolaire de la commune de Seneffe

Plus en détail

Routes de collecte du lait de la Fédération des producteurs de lait du Québec

Routes de collecte du lait de la Fédération des producteurs de lait du Québec Routes de collecte du lait de la Fédération des producteurs de lait du Québec Louis-Martin Rousseau Coordonnateur, CIRRELT et École Polytechnique de Montréal Réjean Robitaille Représentant industriel,

Plus en détail

LES MÉTA-HEURISTIQUES : quelques conseils pour en faire bon usage

LES MÉTA-HEURISTIQUES : quelques conseils pour en faire bon usage LES MÉTA-HEURISTIQUES : quelques conseils pour en faire bon usage Alain HERTZ Ecole Polytechnique - GERAD Département de mathématiques et de génie industriel CP 679, succ. Centre-ville, Montréal (QC) H3C

Plus en détail

PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES

PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES Leçon 11 PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES Dans cette leçon, nous retrouvons le problème d ordonnancement déjà vu mais en ajoutant la prise en compte de contraintes portant sur les ressources.

Plus en détail

Enveloppes convexes dans le plan

Enveloppes convexes dans le plan ÉCOLE POLYTECHNIQUE ÉCOLES NORMALES SUPÉRIEURES ÉCOLE SUPÉRIEURE DE PHYSIQUE ET DE CHIMIE INDUSTRIELLES CONCOURS D ADMISSION FILIÈRE MP HORS SPÉCIALITÉ INFO FILIÈRE PC COMPOSITION D INFORMATIQUE B (XECLR)

Plus en détail

Planifica(on du stockage intermédiaire dans l industrie du shampoing

Planifica(on du stockage intermédiaire dans l industrie du shampoing dans l industrie du shampoing R. Belaid, V. T kindt, C. Esswein, rabah.belaid@etu.univ-tours.fr Université François Rabelais Tours Laboratoire d Informatique 64 avenue Jean Portalis, 37200, Tours Journées

Plus en détail

Chapitre 6. Modélisation en P.L.I. 6.1 Lien entre PL et PLI. 6.1.1 Approximation de la PLI

Chapitre 6. Modélisation en P.L.I. 6.1 Lien entre PL et PLI. 6.1.1 Approximation de la PLI Chapitre 6 Modélisation en P.L.I. 6.1 Lien entre PL et PLI (P) problème de PL. On restreint les variables à être entières : on a un problème de PLI (ILP en anglais). On restreint certaines variables à

Plus en détail

MODELISATION INTEGREE DES ACTIVITES DE MAINTENANCE ET DE PRODUCTION

MODELISATION INTEGREE DES ACTIVITES DE MAINTENANCE ET DE PRODUCTION 3 e Conférence Francophone de MOdélisation et SIMulation Conception, Analyse et Gestion des Systèmes Industriels MOSIM 01 du 25 au 27 avril 2001 - Troyes (France) MODELISATION INTEGREE DES ACTIVITES DE

Plus en détail

Définitions. Numéro à préciser. (Durée : )

Définitions. Numéro à préciser. (Durée : ) Numéro à préciser (Durée : ) On étudie dans ce problème l ordre lexicographique pour les mots sur un alphabet fini et plusieurs constructions des cycles de De Bruijn. Les trois parties sont largement indépendantes.

Plus en détail

Introduction à Windows Workflow Foundation

Introduction à Windows Workflow Foundation Introduction à Windows Workflow Foundation Version 1.1 Auteur : Mathieu HOLLEBECQ Co-auteur : James RAVAILLE http://blogs.dotnet-france.com/jamesr 2 Introduction à Windows Workflow Foundation [07/01/2009]

Plus en détail

Minimisation de la somme des retards dans un jobshop flexible

Minimisation de la somme des retards dans un jobshop flexible Minimisation de la somme des retards dans un jobshop flexible Nozha ZRIBI, Imed KACEM, Abdelkader EL KAMEL, Pierre BORNE LAGIS Ecole Centrale de Lille, BP 48, 5965 Villeneuve d Ascq Cedex, France ISTIT

Plus en détail

La sélection des règles de priorité en fonction des critères de performances d un FMS

La sélection des règles de priorité en fonction des critères de performances d un FMS La sélection des règles de priorité en fonction des critères de performances d un FMS Ahmed HASSAM, Talib Hicham BETAOUAF, Abdellah BENGHALEM et Zaki SARI Université Aboubekr belkaîd TLEMCEN, PoBox 230,

Plus en détail

Annexe 6. Notions d ordonnancement.

Annexe 6. Notions d ordonnancement. Annexe 6. Notions d ordonnancement. APP3 Optimisation Combinatoire: problèmes sur-contraints et ordonnancement. Mines-Nantes, option GIPAD, 2011-2012. Sophie.Demassey@mines-nantes.fr Résumé Ce document

Plus en détail

Projet informatique «Voyageur de commerce» Résolution approchée par algorithme génétique du problème du voyageur de commerce

Projet informatique «Voyageur de commerce» Résolution approchée par algorithme génétique du problème du voyageur de commerce Année 2007-2008 Projet informatique «Voyageur de commerce» Résolution approchée par algorithme génétique du problème du voyageur de commerce B. Monsuez Projet informatique «Voyageur de commerce» Résolution

Plus en détail

Routage de camions dans le secteur du BTP

Routage de camions dans le secteur du BTP Routage de camions dans le secteur du BTP 1 / 25 Routage de camions dans le secteur du BTP Projet Orlogès Sylvain Rosembly 1 Nathalie Bostel 2 Pierre Dejax 3 1 Master ORO - Ecole des Mines de Nantes 2

Plus en détail

Exploration informée

Exploration informée Exploration informée Jerôme Champavère jerome.champavere @ lifl.fr http://www.grappa.univ-lille3.fr/~champavere/?page=enseignement Stratégies d'exploration informée Exploration «meilleur d'abord» Best-first

Plus en détail

Anne-lise HUYET- Jean-Luc PARIS LIMOS équipe Recherche en Systèmes de Production IFMA Mail: huyet@ifma.fr, paris@ifma.fr

Anne-lise HUYET- Jean-Luc PARIS LIMOS équipe Recherche en Systèmes de Production IFMA Mail: huyet@ifma.fr, paris@ifma.fr Extraction de Connaissances pertinentes sur le comportement des systèmes de production: une approche conjointe par Optimisation Évolutionniste via Simulation et Apprentissage Anne-lise HUYET- Jean-Luc

Plus en détail

Info0804. Cours 6. Optimisation combinatoire : Applications et compléments

Info0804. Cours 6. Optimisation combinatoire : Applications et compléments Recherche Opérationnelle Optimisation combinatoire : Applications et compléments Pierre Delisle Université de Reims Champagne-Ardenne Département de Mathématiques et Informatique 17 février 2014 Plan de

Plus en détail

Algorithmique et programmation. Cours d'algorithmique illustré par des exemples pour le picbasic

Algorithmique et programmation. Cours d'algorithmique illustré par des exemples pour le picbasic Algorithmique et programmation Cours d'algorithmique illustré par des exemples pour le picbasic Même s'il est possible d'écrire un programme petit à petit par touches successives, le résultat est souvent

Plus en détail

Cours de Master Recherche

Cours de Master Recherche Cours de Master Recherche Spécialité CODE : Résolution de problèmes combinatoires Christine Solnon LIRIS, UMR 5205 CNRS / Université Lyon 1 2007 Rappel du plan du cours 1 - Introduction Qu est-ce qu un

Plus en détail

A GRASPxELS approach for the Job Shop with generic time-lags and new statistical determination of the parameters

A GRASPxELS approach for the Job Shop with generic time-lags and new statistical determination of the parameters A GRASPxELS approach for the Job Shop with generic time-lags and new statistical determination of the parameters Présenté par : Equipe de travail : Laboratoire : Maxime CHASSAING Philippe LACOMME, Nikolay

Plus en détail

Application 1- VBA : Test de comportements d'investissements

Application 1- VBA : Test de comportements d'investissements Application 1- VBA : Test de comportements d'investissements Notions mobilisées Chapitres 1 à 5 du cours - Exemple de récupération de cours en ligne 1ère approche des objets (feuilles et classeurs). Corps

Plus en détail

Sauvegarde des bases SQL Express

Sauvegarde des bases SQL Express Sauvegarde des bases SQL Express Sauvegarder les bases de données avec SQL Express Dans les différents articles concernant SQL Server 2005 Express Edition, une problématique revient régulièrement : Comment

Plus en détail

Optimisation en nombres entiers

Optimisation en nombres entiers Optimisation en nombres entiers p. 1/83 Optimisation en nombres entiers Michel Bierlaire michel.bierlaire@epfl.ch EPFL - Laboratoire Transport et Mobilité - ENAC Optimisation en nombres entiers p. 2/83

Plus en détail

Impact du chevauchement d activités sur la diminution de la durée de projet

Impact du chevauchement d activités sur la diminution de la durée de projet Colloque sur les enjeux et outils modernes de gestion de projet Impact du chevauchement d activités sur la diminution de la durée de projet Francois Berthaut, Ing. Jr., M.Sc.A., École Polytechnique francois.berthaut@polymtl.ca

Plus en détail

Description du logiciel Smart-MED-Parks Article technique

Description du logiciel Smart-MED-Parks Article technique Introduction Description du logiciel Smart-MED-Parks Article technique Depuis le lancement du projet en février 2013, différentes actions ont été effectuées dans le but d'accroître la sensibilisation et

Plus en détail

LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION

LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION Dans les leçons précédentes, nous avons modélisé des problèmes en utilisant des graphes. Nous abordons dans cette leçon un autre type de modélisation.

Plus en détail

Partie I : Automates et langages

Partie I : Automates et langages 2 Les calculatrices sont interdites. N.B. : Le candidat attachera la plus grande importance à la clarté, à la précision et à la concision de la rédaction. Si un candidat est amené à repérer ce qui peut

Plus en détail

Recherche opérationnelle dans le secteur de la construction (3/5)

Recherche opérationnelle dans le secteur de la construction (3/5) Recherche opérationnelle dans le secteur de la construction (3/5) Antoine Jeanjean Ingénieur de recherche Ecole des Mines de Nantes Amphi Georges Besse 14h30-16h30 Plan de la présentation Le Groupe Bouygues

Plus en détail

Problème d ordonnancement de véhicules en variables booléennes

Problème d ordonnancement de véhicules en variables booléennes Problème d ordonnancement de véhicules en variables booléennes Freddy Hetman 2 juillet 2013 Faculté des sciences Jean Perrin Freddy Hetman () 2 juillet 2013 1 / 22 Sommaire 1 Introduction 2 Le problème

Plus en détail

Les plans de maintenance et SQL Server 2000

Les plans de maintenance et SQL Server 2000 Les plans de maintenance et SQL Server 2000 Installer un plan de maintenance sous SQL Server Dans le cadre de la gestion d'instances SQL Server 2000 hébergeant SharePoint, il est intéressant de bien comprendre

Plus en détail

Algorithmes de tri. 1 Introduction

Algorithmes de tri. 1 Introduction Algorithmes de tri L objectif de ce document est de présenter plusieurs algorithmes classiques de tri. On commence par présenter chaque méthode de manière intuitive, puis on détaille un exemple d exécution

Plus en détail

M2 MPRO. Optimisation dans les Graphes 2014-2015

M2 MPRO. Optimisation dans les Graphes 2014-2015 M2 MPRO Optimisation dans les Graphes 2014-2015 Programmation linéaire et problèmes d'optimisation dans les graphes 1 Problèmes d'optimisation dans les graphes : quelles méthodes pour les résoudre? Théorie

Plus en détail

Algorithme de recherche locale pour la résolution d un problème réel de tournées d inventaires

Algorithme de recherche locale pour la résolution d un problème réel de tournées d inventaires Algorithme de recherche locale pour la résolution d un problème réel de tournées d inventaires Thierry Benoist Frédéric Gardi Antoine Jeanjean Bouygues e-lab, Paris { tbenoist, fgardi, ajeanjean }@bouygues.com

Plus en détail

Planification et ordonnancement sous incertitudes Application à la gestion de projet

Planification et ordonnancement sous incertitudes Application à la gestion de projet Toulouse, 14 mai 2003 Planification et ordonnancement sous incertitudes Application à la gestion de projet Julien Bidot Plan Séminaire au LAAS Planification de tâches et ordonnancement Domaine d application

Plus en détail

MTH8442 Ordonnancement de Plan production. (3-0-6) 3 cr

MTH8442 Ordonnancement de Plan production. (3-0-6) 3 cr MTH8442 Ordonnancement de Plan production de cours Automne 2008 (3-0-6) 3 cr Michel Gamache Local A-305.29 340-4711 poste 5920 michel.gamache@polymtl.ca François Soumis Local A-520.15 340-4711 poste 6044

Plus en détail

Table des matières. Coopération homme-machine pour l ordonnancement sous incertitudes. L atelier de production. Introduction.

Table des matières. Coopération homme-machine pour l ordonnancement sous incertitudes. L atelier de production. Introduction. Coopération homme-machine pour l ordonnancement sous incertitudes Guillaume Pinot IRCCyN, équipes ACSED et PsyCoTec Christian Artigues CR, CNRS, Toulouse Rapporteur Jacques Carlier Pr., UTC, Compiègne

Plus en détail

Nouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires

Nouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires Nouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires Julien Jorge julien.jorge@univ-nantes.fr Laboratoire d Informatique de Nantes Atlantique,

Plus en détail

La gestion des files d'attente par les règles de priorité

La gestion des files d'attente par les règles de priorité La gestion des files d'attente par les règles de priorité Zoheir KARAOUZENE, Zaki SARI. LAT : Laboratoire d Automatique de Tlemcen Faculté des sciences de l ingénieur Université ABOU-BEKR BELKAÎD BP 230

Plus en détail

Placement de centres logistiques

Placement de centres logistiques Master 1 - Spécialité Androide Année 2014/2015 Module RP Résolution de Problèmes Projet Placement de centres logistiques On considère dans ce projet la résolution du problème de placement de centres logistiques

Plus en détail

des réapprovisionnements pour système d assemblage à deux niveaux quand les délais d approvisionnement sont aléatoires

des réapprovisionnements pour système d assemblage à deux niveaux quand les délais d approvisionnement sont aléatoires Planification des réapprovisionnements pour système d assemblage à deux niveaux quand les délais d approvisionnement sont aléatoires Oussama Ben Ammar, Faicel Hnaien, Hélène Marian, Alexandre Dolgui To

Plus en détail

Chapitre IV : La gestion des flux de production Section I : La méthode MRP (Material Requirements Plannig)

Chapitre IV : La gestion des flux de production Section I : La méthode MRP (Material Requirements Plannig) Chapitre IV : La gestion des flux de production Section I : La méthode MRP (Material Requirements Plannig) I.1. DEFINITION : Le MRP est un système de gestion prévisionnelle de la production permettant

Plus en détail

Algorithmes de recherche locale

Algorithmes de recherche locale Algorithmes de recherche locale Recherche Opérationnelle et Optimisation Master 1 Sébastien Verel verel@lisic.univ-littoral.fr http://www-lisic.univ-littoral.fr/~verel Université du Littoral Côte d Opale

Plus en détail

Intégration de la flotte privée et du transport sous traité

Intégration de la flotte privée et du transport sous traité Intégration de la flotte privée et du transport sous traité Des coûts réduits et un service de meilleure qualité grâce à l'intégration dynamique et multimode de la flotte privée et du transport sous traité

Plus en détail

Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes

Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes Loris MARCHAL Laboratoire de l Informatique du Parallélisme Équipe Graal Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes Thèse réalisée sous la direction

Plus en détail

Sommaire. Introduction.2. 1. Définition..2. 2. Historique.2. 3. Domaine d application.2. 4.Les Travaux réalisés sur les domaines d application.

Sommaire. Introduction.2. 1. Définition..2. 2. Historique.2. 3. Domaine d application.2. 4.Les Travaux réalisés sur les domaines d application. Sommaire Introduction.2 1. Définition..2 2. Historique.2 3. Domaine d application.2 4.Les Travaux réalisés sur les domaines d application.3 5.Algorithme 4 6.Exemple d application 5 7. Avantage et inconvénient..6

Plus en détail

Use Cases. Introduction

Use Cases. Introduction Use Cases Introduction Avant d aborder la définition et la conception des UC il est bon de positionner le concept du UC au sein du processus de développement. Le Processus de développement utilisé ici

Plus en détail

Nous trouvons là les deux thématiques abordées par les deux parties de l ouvrage.

Nous trouvons là les deux thématiques abordées par les deux parties de l ouvrage. $YDQWSURSRV La mise en œuvre du pilotage des systèmes de production constitue un enjeu sensible en raison, d une part, de l accroissement du niveau d automatisation de ceux-ci et, d autre part, de la multiplication

Plus en détail

PROGRAMME DETAILLE. Parcours en première année en apprentissage. Travail personnel. 4 24 12 24 CC + ET réseaux

PROGRAMME DETAILLE. Parcours en première année en apprentissage. Travail personnel. 4 24 12 24 CC + ET réseaux PROGRAMME DETAILLE du Master IRS Parcours en première année en apprentissage Unités d Enseignement (UE) 1 er semestre ECTS Charge de travail de l'étudiant Travail personnel Modalités de contrôle des connaissances

Plus en détail

LA GESTION DES OPÉRATIONS EN TEMPS RÉEL D UNE COMPAGNIE DE COURRIER RAPIDE. Introduction

LA GESTION DES OPÉRATIONS EN TEMPS RÉEL D UNE COMPAGNIE DE COURRIER RAPIDE. Introduction Congrès ASAC 2002 M hamed Moussaoui Winnipeg, Canada Fayez F. Boctor Jacques Renaud Centre de recherche sur les technologies de l organisation réseau (CENTOR) Université Laval LA GESTION DES OPÉRATIONS

Plus en détail

Optimisation de requêtes. I3009 Licence d informatique 2015/2016. Traitement des requêtes

Optimisation de requêtes. I3009 Licence d informatique 2015/2016. Traitement des requêtes Optimisation de requêtes I3009 Licence d informatique 2015/2016 Cours 5 - Optimisation de requêtes Stéphane.Gançarski Stephane.Gancarski@lip6.fr Traitement et exécution de requêtes Implémentation des opérateurs

Plus en détail

Optimisation Combinatoire (Méthodes approchées) II. Recherche Locale simple (Les bases)

Optimisation Combinatoire (Méthodes approchées) II. Recherche Locale simple (Les bases) Optimisation Combinatoire (Méthodes approchées) II. Recherche Locale simple (Les bases) Heuristique Constructive Itérativement, ajoute de nouvelles composantes à une solution partielle candidate Espace

Plus en détail

Le MRP. 1. DéfinitionsD. 2. Architecture d un d. 3. La Planification des besoins en composant. 4. Le Plan Directeur. 5. Processus d actualisationd

Le MRP. 1. DéfinitionsD. 2. Architecture d un d. 3. La Planification des besoins en composant. 4. Le Plan Directeur. 5. Processus d actualisationd 1. DéfinitionsD Le MRP 2. Architecture d un d système MRP 2 3. La Planification des besoins en composant 4. Le Plan Directeur 5. Processus d actualisationd 6. La prise en compte des contraintes de capacité

Plus en détail

Analyse abstraite de missions sous PILOT

Analyse abstraite de missions sous PILOT Analyse abstraite de missions sous PILOT Damien Massé EA 3883, Université de Bretagne Occidentale, Brest damien.masse@univ-brest.fr Résumé Nous étudions la possibilité de réaliser un analyseur par interprétation

Plus en détail

GÉNÉRATION DE PLAN PAR EXPLORATION SELECTIVE D UN ARBRE DE COUVERT 2. EXPLORATION ET SELECTION DANS L ARBRE DE COUVERTURE

GÉNÉRATION DE PLAN PAR EXPLORATION SELECTIVE D UN ARBRE DE COUVERT 2. EXPLORATION ET SELECTION DANS L ARBRE DE COUVERTURE GÉNÉRATION DE PLAN PAR EXPLORATION SELECTIVE D UN ARBRE DE COUVERT Mercedes E. Narciso, Miquel A. Piera Dept Computer Science, Univ. Autonoma de Barcelona Bellaterra, 0819 Barcelona, Espagne mnarciso (miquel)@sunaut.uab.es

Plus en détail

Comparaison de modèles mathématiques et implémentation d une métaheuristique pour le Master Surgical Scheduling Problem

Comparaison de modèles mathématiques et implémentation d une métaheuristique pour le Master Surgical Scheduling Problem École Polytechnique de l Université de Tours 64, Avenue Jean Portalis 37200 TOURS, FRANCE Tél. +33 (0)2 47 36 14 14 www.polytech.univ-tours.fr Département Informatique 5 e année 2013-2014 Rapport de Projet

Plus en détail

Raisonnement symbolique et géométrique pour la robotique mobile

Raisonnement symbolique et géométrique pour la robotique mobile Introduction à la réunion finale Raisonnement symbolique et géométrique pour la robotique mobile J. Guitton, J.L. Farges Control Architectures of Robots - Bourges - 30 mai 2008 1 Plan Introduction Vers

Plus en détail

Plus courts et plus longs chemins

Plus courts et plus longs chemins Plus courts et plus longs chemins Complément au chapitre 8 «Une voiture nous attend» Soit I={1,2,,n} un ensemble de tâches à ordonnancer. La durée d exécution de chaque tâche i est connue et égale à p

Plus en détail

Optimisation par essaim particulaire pour un problème d ordonnancement et d affectation de ressources

Optimisation par essaim particulaire pour un problème d ordonnancement et d affectation de ressources INSTITUT SUPERIEUR D INFORMATIQUE DE MODELISATION ET DE LEURS APPLICATIONS COMPLEXE DES CEZEAUX BP 125 63173 AUBIERE CEDEX Rapport de Projet 3ème année Modélisation et Calcul Scientifique Optimisation

Plus en détail

Gestion d'un entrepôt

Gestion d'un entrepôt Gestion d'un entrepôt Épreuve pratique d'algorithmique et de programmation Concours commun des écoles normales supérieures Durée de l'épreuve: 3 heures 30 minutes Juin/Juillet 2010 ATTENTION! N oubliez

Plus en détail

La Recherche Tabou. Par Joseph Ayas Marc André Viau. 16 novembre, 2004 Recherche Tabou J. Ayas & M.A. Viau

La Recherche Tabou. Par Joseph Ayas Marc André Viau. 16 novembre, 2004 Recherche Tabou J. Ayas & M.A. Viau La Recherche Tabou Par Joseph Ayas Marc André Viau 1 Plan de la présentation Introduction Explication détaillée de la Recherche Tabou (RT) Exemples Domaines d application Ressources disponibles Conclusion

Plus en détail

Programmation C++ (débutant)/les tableaux statiques

Programmation C++ (débutant)/les tableaux statiques Programmation C++ (débutant)/les tableaux statiques 1 Programmation C++ (débutant)/les tableaux statiques Le cours du chapitre 6 : les tableaux statiques Les tableaux Une variable entière de type int ne

Plus en détail

ENSEIRB-MATMECA PG-113 2014. TP6: Optimisation au sens des moindres carrés

ENSEIRB-MATMECA PG-113 2014. TP6: Optimisation au sens des moindres carrés ENSEIRB-MATMECA PG-113 014 TP6: Optimisation au sens des moindres carrés Le but de ce TP est d implémenter une technique de recalage d images qui utilise une méthode vue en cours d analyse numérique :

Plus en détail

Cours Magistral de Comptabilité de gestion ( Analytique) L3 Economie Gestion. Année Universitaire: 2011-2012. L3 Economie et gestion

Cours Magistral de Comptabilité de gestion ( Analytique) L3 Economie Gestion. Année Universitaire: 2011-2012. L3 Economie et gestion Cours Magistral de Comptabilité de gestion ( Analytique) L3 Economie Gestion Année Universitaire: 2011-2012 L3 Economie et gestion 1 SEANCE 1 Introduction : Comptabilité de gestion : historique, définitions

Plus en détail

Sujet 6: MRP/ERP v. optimisation: modélisation et algorithmes

Sujet 6: MRP/ERP v. optimisation: modélisation et algorithmes Sujet 6: MRP/ERP v. optimisation: modélisation et algorithmes MSE3312: Planification de production et gestion des opérations Andrew J. Miller Dernière mise au jour: December 12, 2011 Dans ce sujet... 1

Plus en détail

Introduction à l étude des Corps Finis

Introduction à l étude des Corps Finis Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur

Plus en détail

TABLEAU DE BORD : SYSTEME D INFORMATION ET OUTIL DE PILOTAGE DE LA PERFOMANCE

TABLEAU DE BORD : SYSTEME D INFORMATION ET OUTIL DE PILOTAGE DE LA PERFOMANCE TABLEAU DE BORD : SYSTEME D INFORMATION ET OUTIL DE PILOTAGE DE LA PERFOMANCE INTRODUCTION GENERALE La situation concurrentielle des dernières années a confronté les entreprises à des problèmes économiques.

Plus en détail

TP : commande awk. D'après le cours en ligne de Isabelle Vollant http://www.shellunix.com/awk.html

TP : commande awk. D'après le cours en ligne de Isabelle Vollant http://www.shellunix.com/awk.html TP : commande awk D'après le cours en ligne de Isabelle Vollant http://www.shellunix.com/awk.html Nous reprenons dans ce TP une grande partie du cours de Isabelle Vollant en simplifiant quelques informations.

Plus en détail

Minimisation des distances dans un réseau de transports publics urbains avec demande élastique

Minimisation des distances dans un réseau de transports publics urbains avec demande élastique Minimisation des distances dans un réseau de transports publics urbains avec demande élastique Loïc YON LIMOS UMR 6158, Université Blaise Pascal Résumé Dans un contexte économique toujours plus exigeant,

Plus en détail

Didacticiel - Etudes de cas. Montrer l utilisation de la macro complémentaire TANAGRA.XLA dans le tableur EXCEL.

Didacticiel - Etudes de cas. Montrer l utilisation de la macro complémentaire TANAGRA.XLA dans le tableur EXCEL. Objectif Montrer l utilisation de la macro complémentaire TANAGRA.XLA dans le tableur EXCEL. De nombreux utilisateurs s appuient sur EXCEL pour la gestion de leurs données. C est un outil relativement

Plus en détail

Problème combinatoire sur le réseau de transport de gaz. Nicolas Derhy, Aurélie Le Maitre, Nga Thanh CRIGEN Manuel Ruiz, Sylvain Mouret ARTELYS

Problème combinatoire sur le réseau de transport de gaz. Nicolas Derhy, Aurélie Le Maitre, Nga Thanh CRIGEN Manuel Ruiz, Sylvain Mouret ARTELYS Problème combinatoire sur le réseau de transport de gaz Nicolas Derhy, Aurélie Le Maitre, Nga Thanh CRIGEN Manuel Ruiz, Sylvain Mouret ARTELYS Au programme Présentation du problème Un problème d optimisation

Plus en détail

Optimisation linéaire

Optimisation linéaire Optimisation linéaire Recherche opérationnelle GC-SIE Algorithme du simplexe Phase I 1 Introduction Algorithme du simplexe : Soit x 0 une solution de base admissible Comment déterminer x 0? Comment déterminer

Plus en détail

Version default Titre : Opérateur RECU_PARA_YACS Date : 15/06/2011 Page : 1/5 Responsable : Nicolas GREFFET Clé : U7.06.

Version default Titre : Opérateur RECU_PARA_YACS Date : 15/06/2011 Page : 1/5 Responsable : Nicolas GREFFET Clé : U7.06. Titre : Opérateur RECU_PARA_YACS Date : 15/06/2011 Page : 1/5 Opérateur RECU_PARA_YACS 1 But L'objet de cette commande est de gérer certains échanges de paramètres pour le couplage IFS par des appels YACS.

Plus en détail

La programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique

La programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation

Plus en détail

Aspects théoriques et algorithmiques du calcul réparti Le placement

Aspects théoriques et algorithmiques du calcul réparti Le placement Aspects théoriques et algorithmiques du calcul réparti Le placement Patrick CIARLET Enseignant-Chercheur UMA patrick.ciarlet@ensta-paristech.fr Françoise LAMOUR franc.lamour@gmail.com Aspects théoriques

Plus en détail

Conventions communes aux profils UML

Conventions communes aux profils UML Conventions communes aux profils UML Auteur : Projet ACCORD (Assemblage de composants par contrats en environnement ouvert et réparti)* Référence : Livrable 2.1 Date : Juin 2002 * : Les partenaires du

Plus en détail

M2 TIIR (2013-2014) Bilel Derbel

M2 TIIR (2013-2014) Bilel Derbel M2 TIIR (2013-2014) Bilel Derbel Notre but est de concevoir une application générique sur grid5000 qui permet de déployer des calculs parallèles de façon transparente Plus précisément, nous nous plaçons

Plus en détail

Aspects théoriques et algorithmiques du calcul réparti Le placement

Aspects théoriques et algorithmiques du calcul réparti Le placement Aspects théoriques et algorithmiques du calcul réparti Le placement Patrick CIARLET Enseignant-Chercheur UMA patrick.ciarlet@ensta-paristech.fr Françoise LAMOUR franc.lamour@gmail.com Aspects théoriques

Plus en détail

0- Le langage C++ 1- Du langage C au langage C++ 2- Quelques éléments sur le langage. 3- Organisation du cours

0- Le langage C++ 1- Du langage C au langage C++ 2- Quelques éléments sur le langage. 3- Organisation du cours 0- Le langage C++ 1- Du langage C au langage C++ 2- Quelques éléments sur le langage 3- Organisation du cours Le présent cours constitue une introduction pour situer le langage C++, beaucoup des concepts

Plus en détail

Recherche opérationnelle dans le secteur de la construction (4/5)

Recherche opérationnelle dans le secteur de la construction (4/5) Recherche opérationnelle dans le secteur de la construction (4/5) Antoine Jeanjean Ingénieur de recherche Ecole des Mines de Nantes Amphi Georges Besse 14h30-16h30 Plan de la présentation Le Groupe Bouygues

Plus en détail

Développement du bois énergie : quel impact à terme sur le marché du bois en France?

Développement du bois énergie : quel impact à terme sur le marché du bois en France? Développement du bois énergie : quel impact à terme sur le marché du bois en France? Le développement du bois énergie va se traduire par une situation de concurrence entre les différents acteurs économiques

Plus en détail

Une heuristique hybride pour le problème de set packing biobjectif p.1/19

Une heuristique hybride pour le problème de set packing biobjectif p.1/19 Une heuristique hybride pour le problème de set packing biobjectif Xavier Delorme 1,2, Xavier Gandibleux 2,3 et Fabien DEGOUTIN 2,4 1. Ecole Nationale Supérieure des Mines de Saint-Etienne Centre : Génie

Plus en détail

INF130 - Ordinateurs et programmation. Semaine 08. Document présenté par Frédérick Henri et conçu par les enseignants en informatique du SEG

INF130 - Ordinateurs et programmation. Semaine 08. Document présenté par Frédérick Henri et conçu par les enseignants en informatique du SEG INF130 - Ordinateurs et programmation Semaine 08 Document présenté par Frédérick Henri et conçu par les enseignants en informatique du SEG Retour sur l'examen intra Objectifs Tableaux à deux dimensions

Plus en détail

Tri en Python. # on cherche k tel que a k = min(a j ) ji

Tri en Python. # on cherche k tel que a k = min(a j ) ji Tri en Python On considère ici des tableaux ou listes d entiers ou de ottants. En Python, on peut trier une liste à l aide de la méthode sort : si a est une liste d entiers ou de ottants, a.sort() modi

Plus en détail