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.

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

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

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

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

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

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

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

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

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

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

OÙ EN EST-ON? ABANDONNER L IDÉE D AVOIR UN ALGORITHME

OÙ EN EST-ON? ABANDONNER L IDÉE D AVOIR UN ALGORITHME OÙ EN EST-ON? Que faire face à un problème dur? AAC S.Tison Université Lille1 Master1 Informatique Quelques schémas d algorithmes Un peu de complexité de problèmes Un peu d algorithmique avancée ou Que

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Ordonnancement en temps réel d un jobshop par métaheuristique hybride : étude comparative

Ordonnancement en temps réel d un jobshop par métaheuristique hybride : étude comparative Ordonnancement en temps réel d un jobshop par métaheuristique hybride : étude comparative Y. Houbad, M. Souier, A. Hassam, Z.Sari Laboratoire d automatique Tlemcen Faculté de technologie, Université Abou

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

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

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

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

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

Sujets de stage. Sciences de la Fabrication et Logistique. Génie Industriel. Optimisation. Recherche opérationnelle. Simulation

Sujets de stage. Sciences de la Fabrication et Logistique. Génie Industriel. Optimisation. Recherche opérationnelle. Simulation 2011 2012 Sujets de stage Génie Industriel Optimisation Recherche opérationnelle Simulation Sciences de la Fabrication et Logistique Table des matières Problème de planification de production avec des

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

Pourquoi l apprentissage?

Pourquoi l apprentissage? Pourquoi l apprentissage? Les SE sont basés sur la possibilité d extraire la connaissance d un expert sous forme de règles. Dépend fortement de la capacité à extraire et formaliser ces connaissances. Apprentissage

Plus en détail

Rappel du plan du cours

Rappel du plan du cours Rappel du plan du cours 1 - Introduction Qu est-ce qu un problème «complexe»? Exemples de problèmes «complexes» 2 - Approches complètes Structuration de l espace de recherche en Arbre Application à la

Plus en détail

Système Immunitaire Artificiel Parallèle appliqué aux Flow Shop Hybride (FSH)

Système Immunitaire Artificiel Parallèle appliqué aux Flow Shop Hybride (FSH) République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieur et de la Recherche Scientifique Université des Sciences et de la Technologie d Oran -Mohamed Boudiaf USTO-MB Faculté

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

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

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

Université de Valenciennes et du Hainaut-Cambrésis

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

Plus en détail

Simulation d un Système Automatisé de Stockage\Déstockage à Convoyeur Gravitationnel par Arena

Simulation d un Système Automatisé de Stockage\Déstockage à Convoyeur Gravitationnel par Arena Simulation d un Système Automatisé de Stockage\Déstockage à Convoyeur Gravitationnel par Arena L.Triqui, F.Kherbouche, Z.Sari Laboratoire d Automatique de Tlemcen (L. A.T), Université de Aboubekr Belkaid,

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

CONCEPTION D UNE METAHEURISTIQUE ET APPLICATION AU PROBLÈME D ORDONNANCEMENT DE PROJET À MOYENS

CONCEPTION D UNE METAHEURISTIQUE ET APPLICATION AU PROBLÈME D ORDONNANCEMENT DE PROJET À MOYENS 12 CONCEPTION D UNE METAHEURISTIQUE ET APPLICATION AU PROBLÈME D ORDONNANCEMENT DE PROJET À MOYENS LIMITÉS Mireille Palpant Sous la direction de Christian Artigues et de Philippe Michelon Laboratoire d

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

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

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

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

RÉPUBLIQUE ALGERIÉNNE DÉMOCRATIQUE ET POPULAIRE MINISTÉRE DE L ENSEIGNEMENT SUPÉRIEUR ET DE LA RECHERCHE SCIENTIFIQUE

RÉPUBLIQUE ALGERIÉNNE DÉMOCRATIQUE ET POPULAIRE MINISTÉRE DE L ENSEIGNEMENT SUPÉRIEUR ET DE LA RECHERCHE SCIENTIFIQUE RÉPUBLIQUE ALGERIÉNNE DÉMOCRATIQUE ET POPULAIRE MINISTÉRE DE L ENSEIGNEMENT SUPÉRIEUR ET DE LA RECHERCHE SCIENTIFIQUE Université des sciences et de la technologie Houari Boumediene USTHB Faculté d'électronique

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

Algorithmique P2. La complexité Ulg, 2009-2010 R.Dumont

Algorithmique P2. La complexité Ulg, 2009-2010 R.Dumont Algorithmique P2 La complexité Ulg, 2009-2010 R.Dumont Sources supplémentaires Ouvrages Data Structures in Java, T. Standish, 1998 Data Structures and Algorithms in Java (4th ed), Michael T. Goodrich &

Plus en détail

ALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE

ALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE ALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE P. Baudet, C. Azzaro-Pantel, S. Domenech et L. Pibouleau Laboratoire de Génie Chimique - URA 192 du

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

OPTIMISATION DE QUESTIONS

OPTIMISATION DE QUESTIONS OPTIMISATION DE QUESTIONS Luc Bouganim Luc.Bouganim@prism.uvsq.fr Page 2 Architecture en couche d un SGBD Gestion de Mémoire Interface Analyseur sémantique Optimiseur Moteur d exécution Opérations relationnelles

Plus en détail

Métaheuristique. Jérémy CHANUT Charles BALLARINI

Métaheuristique. Jérémy CHANUT Charles BALLARINI Métaheuristique Jérémy CHANUT Charles BALLARINI 15 octobre 2012 CHAPITRE 1 INTRODUCTION Ce projet consiste en la résolution du problème des composants électroniques par deux méthodes : Recuit simulé Algorithme

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

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

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

Sauvegarder ses données avec Syncback

Sauvegarder ses données avec Syncback Sauvegarder ses données avec Syncback D.Mouchené, ATICE Tarentaise - nov. 2015 Une fausse manœuvre, un virus, un incident matériel peuvent causer la destruction de fichiers informatiques et donc la perte

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

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

Ordonnancement robuste et décision dans l'incertain

Ordonnancement robuste et décision dans l'incertain Ordonnancement robuste et décision dans l'incertain 4 ème Conférence Annuelle d Ingénierie Système «Efficacité des entreprises et satisfaction des clients» Centre de Congrès Pierre Baudis,TOULOUSE, 2-4

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

UNE APPROCHE HYBRIDE PAR SIMULATION ET OPTIMISATION POUR UN PROBLEME DE PRODUCTION

UNE APPROCHE HYBRIDE PAR SIMULATION ET OPTIMISATION POUR UN PROBLEME DE PRODUCTION 8 e Conférence Internationale de MOdélisation et SIMulation - MOSIM 10-10 au 12 mai 2010 - Hammamet - Tunisie «Evaluation et optimisation des systèmes innovants de production de biens et de services» UNE

Plus en détail

TEPZZ 88_8 9A_T EP 2 881 839 A1 (19) (11) EP 2 881 839 A1 (12) DEMANDE DE BREVET EUROPEEN. (51) Int Cl.: G06F 1/32 (2006.01) G06F 9/48 (2006.

TEPZZ 88_8 9A_T EP 2 881 839 A1 (19) (11) EP 2 881 839 A1 (12) DEMANDE DE BREVET EUROPEEN. (51) Int Cl.: G06F 1/32 (2006.01) G06F 9/48 (2006. (19) TEPZZ 88_8 9A_T (11) EP 2 881 839 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication:.06.1 Bulletin 1/24 (1) Int Cl.: G06F 1/32 (06.01) G06F 9/48 (06.01) (21) Numéro de dépôt: 1419809.0 (22)

Plus en détail

Algorithme fourmi avec différentes stratégies phéromonales pour le sac à dos multidimensionnel

Algorithme fourmi avec différentes stratégies phéromonales pour le sac à dos multidimensionnel Algorithme fourmi avec différentes stratégies phéromonales pour le sac à dos multidimensionnel Inès Alaya * Christine Solnon ** Khaled Ghédira * * SOIE, Institut Supérieur de Gestion de Tunis 41 Rue de

Plus en détail

Programmation en VBA

Programmation en VBA Programmation en VBA Présentation de Visual Basic Visual Basic : Basic : dérivé du langage Basic (Biginner s All purpose Symbolic Instruction Code) des années 60 Visual : dessin et aperçu de l interface

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

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

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

Approche d'évaluation pour les problèmes d'ordonnancement multicritères : Méthode d'agrégation avec direction de recherche dynamique

Approche d'évaluation pour les problèmes d'ordonnancement multicritères : Méthode d'agrégation avec direction de recherche dynamique Approche d'évaluation pour les problèmes d'ordonnancement multicritères : Méthode d'agrégation avec direction de recherche dynamiue D. BERKOUNE 2, K. MESGHOUNI, B. RABENASOLO 2 LAGIS UMR CNRS 846, Ecole

Plus en détail

CHAPITRE VIII : Les circuits avec résistances ohmiques

CHAPITRE VIII : Les circuits avec résistances ohmiques CHAPITRE VIII : Les circuits avec résistances ohmiques VIII. 1 Ce chapitre porte sur les courants et les différences de potentiel dans les circuits. VIII.1 : Les résistances en série et en parallèle On

Plus en détail

Programmation en VBA

Programmation en VBA Programmation en VBA Présentation de Visual Basic Visual Basic : Basic : dérivé du langage Basic (Biginner s All purpose Symbolic Instruction Code) des années 60 Visual : dessin et aperçu de l interface

Plus en détail

CONDUITE D'UNE CELLULE DE PRODUCTION FLEXIBLE PAR UNE MÉTA-HEURISTIQUE BASÉE SUR LA RECHERCHE TABOU

CONDUITE D'UNE CELLULE DE PRODUCTION FLEXIBLE PAR UNE MÉTA-HEURISTIQUE BASÉE SUR LA RECHERCHE TABOU CONDUITE D'UNE CELLULE DE PRODUCTION FLEXIBLE PAR UNE ÉTA-HEURISTIQUE BASÉE SUR LA RECHERCHE TABOU Khaldouna Zahia, Djeghaba essaoud Laboratoire d automatique et de signaux de Annaba (LASA), Université

Plus en détail

INSERTION TECHNIQUES FOR JOB SHOP SCHEDULING

INSERTION TECHNIQUES FOR JOB SHOP SCHEDULING INSERTION TECHNIQUES FOR JOB SHOP SCHEDULING ÉCOLE POLYTECHNIQUE FÉDÉRALE DE LAUSANNE POUR L'OBTENTION DU GRADE DE DOCTEUR ES SCIENCES PAR Tamas KIS Informaticien mathématicien diplômé de l'université

Plus en détail

ENTREPÔTS ET MAGASINS

ENTREPÔTS ET MAGASINS Michel Roux ENTREPÔTS ET MAGASINS Tout ce qu il faut savoir pour concevoir une unité de stockage Cinquième édition, 1995, 2001, 2003, 2008, 2011 ISBN : 978-2-212-55189-1 2 LES PHASES DE SIMULATION DE VALIDATION

Plus en détail

Complément C7 Infodauphine.com

Complément C7 Infodauphine.com Complément C7 Infodauphine.com Pourquoi se soucier des performances? L'utilisateur n'aime pas attendre Le timing peut-être critique Trading VBA est un outil de productivité La notion de temps d'exécution

Plus en détail

Un propagateur basé sur les positions pour le problème d Open-Shop.

Un propagateur basé sur les positions pour le problème d Open-Shop. Actes JFPC 2007 Un propagateur basé sur les positions pour le problème d Open-Shop. Jean-Noël Monette Yves Deville Pierre Dupont Département d Ingénierie Informatique Université catholique de Louvain {jmonette,yde,pdupont}@info.ucl.ac.be

Plus en détail

Langage dédié pour le pilotage de solveurs de contraintes

Langage dédié pour le pilotage de solveurs de contraintes LABORATOIRE D INFORMATIQUE DE NANTES-ATLANTIQUE UMR 6241 ÉCOLE DOCTORALE STIM, N. 503 «Sciences et technologies de l information et des mathématiques» Sujet de thèse pour 2010 Langage dédié pour le pilotage

Plus en détail

Un framework organisationnel pour la conception et l implantation multi-agent de métaheuristiques

Un framework organisationnel pour la conception et l implantation multi-agent de métaheuristiques Un framework organisationnel pour la conception et l implantation multi-agent de métaheuristiques D. Meignan david.meignan@utbm.fr J.-C. Créput jean-charles.creput@utbm.fr A. Koukam abder.koukam@utbm.fr

Plus en détail

LE PROBLEME DU PLUS COURT CHEMIN

LE PROBLEME DU PLUS COURT CHEMIN LE PROBLEME DU PLUS COURT CHEMIN Dans cette leçon nous définissons le modèle de plus court chemin, présentons des exemples d'application et proposons un algorithme de résolution dans le cas où les longueurs

Plus en détail

Algorithme Algorigramme page 1/10 Algorithmique Algorigramme

Algorithme Algorigramme page 1/10 Algorithmique Algorigramme Algorithme Algorigramme page 1/10 Algorithmique Algorigramme Centre d'interêt : Analyser les constituants d'un système réel d'un point de vue structurel et comportemental Objectifs A la fin de la séquence,

Plus en détail

Equilibre de charge. Equilibre de charge statique Equilibre de charge dynamique

Equilibre de charge. Equilibre de charge statique Equilibre de charge dynamique Equilibre de charge Equilibre de charge statique Equilibre de charge dynamique Approches centralisées Approches distribuées Approches semi-distribuées Jaillet Info53 - L3 Informatique - 2006 1 Equilibre

Plus en détail

Driving Down Costs* - Gerbage et stockage

Driving Down Costs* - Gerbage et stockage * Réduire les coûts Driving Down Costs* - Gerbage et stockage www.bt-forklifts.fr www.toyota-forklifts.fr stronger together* Réduire les coûts de gerbage et de stockage Les activités de stockage et les

Plus en détail

Réseaux de Petri. E.N.S.E.E.I.H.T. Automatique Informatique Industrielle 22 Novembre 2000

Réseaux de Petri. E.N.S.E.E.I.H.T. Automatique Informatique Industrielle 22 Novembre 2000 E.N.S.E.E.I.H.T. Automatique Informatique Industrielle 22 Novembre 2000 Réseaux de Petri Documents autorisés: cours polycopié, notes de cours, examens des 2 années antérieures 1) Analyse (10 points) On

Plus en détail

Évaluation de Performances par Simulation : introduction générale et présentation du logiciel QNAP2

Évaluation de Performances par Simulation : introduction générale et présentation du logiciel QNAP2 Évaluation de Performances par Simulation : introduction générale et présentation du logiciel QNAP2 Nicolas NAVET INRIA/TRIO http://www.loria.fr/~nnavet La simulation? Simuler, c est expérimenter sur un

Plus en détail

Oracle Database 10g: Les fondamentaux du langage SQL I

Oracle Database 10g: Les fondamentaux du langage SQL I Oracle University Appelez-nous: +33 (0) 1 57 60 20 81 Oracle Database 10g: Les fondamentaux du langage SQL I Durée: 3 Jours Description Ce cours offre aux étudiants une introduction à la technologie de

Plus en détail

Leçon 3. Ordonnancement : planification

Leçon 3. Ordonnancement : planification Leçon 3 Ordonnancement : planification Objectif : A l'issue de la leçon l'étudiant doit être capable : de planifier tout ou partie d'une production à partir d'un dossier de gestion des flux décrivant le

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

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

Mathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans

Mathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Mathématique et Automatique : de la boucle ouverte à la boucle fermée Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Maitine.Bergounioux@labomath.univ-orleans.fr Plan 1. Un peu de

Plus en détail

Optimisation combinatoire Métaheuristiques

Optimisation combinatoire Métaheuristiques Optimisation combinatoire Métaheuristiques Original Pierre Brezellec Laboratoire Génome et Informatique, Evry (modifié par Joël Pothier) OPTIMISATION COMBINATOIRE METAHEURISTIQUES...1 PRESENTATION INFORMELLE

Plus en détail

Test des systèmes domotiques de gestion des ressources

Test des systèmes domotiques de gestion des ressources Test des systèmes domotiques de gestion des ressources Sous la direction de I. Parissis et R. Groz, avec l'assistance de L. du Bousquet LCIS (équipe CTSYS) - LIG (équipe VASCO) 19 octobre 2010 Plan de

Plus en détail

Que faire en algorithmique en classe de seconde? ElHassan FADILI Lycée Salvador Allende

Que faire en algorithmique en classe de seconde? ElHassan FADILI Lycée Salvador Allende Que faire en algorithmique en classe de seconde? BEGIN Que dit le programme? Algorithmique (objectifs pour le lycée) La démarche algorithmique est, depuis les origines, une composante essentielle de l

Plus en détail

DES ALGORITHMES BASEES SUR LES PRINCIPES DES METAHEURISTIQUES POUR LE RE-ORDONNANCEMENT TEMPS REEL DANS UN FMS AVEC FLEXIBILITE DE ROUTAGE

DES ALGORITHMES BASEES SUR LES PRINCIPES DES METAHEURISTIQUES POUR LE RE-ORDONNANCEMENT TEMPS REEL DANS UN FMS AVEC FLEXIBILITE DE ROUTAGE 8 e Conférence Internationale de MOdélisation et SIMulation - MOSIM 10-10 au 12 mai 2010 - Hammamet - Tunisie «Evaluation et optimisation des systèmes innovants de production de biens et de services» DES

Plus en détail

Recherche locale pour un problème d optimisation de tournées de véhicules avec gestion des stocks

Recherche locale pour un problème d optimisation de tournées de véhicules avec gestion des stocks 8 e Conférence Internationale de MOdélisation et SIMulation - MOSIM 10-10 au 12 mai 2010 - Hammamet - Tunisie «Évaluation et optimisation des systèmes innovants de production de biens et de services» Recherche

Plus en détail

OrdoNet, un outil de modélisation et d analyse des graphes potentiel-tâche sous Matlab

OrdoNet, un outil de modélisation et d analyse des graphes potentiel-tâche sous Matlab OrdoNet, un outil de modélisation et d analyse des graphes potentiel-tâche sous Matlab Bruno Sareni, Gérard Fontan,, Elodie Chanthery, Stéphane Caux {Gerard.Fontan, Bruno.Sareni, Stephane.Caux}@enseeiht.fr

Plus en détail