Minimisation de la somme des retards dans un jobshop flexible

Dimension: px
Commencer à balayer dès la page:

Download "Minimisation de la somme des retards dans un jobshop flexible"

Transcription

1 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 Université de Technologie de Troyes, BP 6, Troyes Cedex, France {nozha.zribi, abdelkader.elkamel, Résumé Dans cet article nous considérons le problème d ordonnancement d un job-shop flexible avec dates de disponibilité et dates dues. Nous proposons une méthode heuristique en deux phases pour la minimisation de la somme des retards. La première consiste à affecter les tâches selon une heuristique de la littérature et à améliorer le résultat avec une recherche Tabou. La deuxième étape permet d optimiser les solutions données par les heuristiques classiques (EDD, MOD, LRPT...) par le biais d un algorithme évolutionniste. Mots-clés Job-shop flexible, affectation, ordonnancement, somme des retards, recherche Tabou, algorithme génétique, règles de priorité. I. Introduction Le problème des job-shops flexibles est une extension du problème classique connu sous le nom de job shop. Il s agit de planifier et d organiser des tâches à réaliser sur un ensemble de machines selon des durées d exécution variables [7], [8], [], [7], []. Dans la littérature, la plupart des approches cherchent à optimiser le critère du makespan (la date de fin d exécution de la dernière tâche). Elles considèrent deux étapes dans la résolution d un tel problème [], [], [8]. La première consiste à construire une affectation pour les différentes tâches sur les machines adéquates. La deuxième est l ordonnancement des tâches et la détermination des dates de début d exécution en tenant compte de différentes contraintes conjonctives (précédence) et disjonctives (capacités des machines). Néanmoins, Dauzère-Pérès et ses co-auteurs ont construit une approche intégrée qui traite conjointement l affectation et le séquencement [7]. Mastrolilli a également repris cette approche intégrée pour améliorer ces résultats [7]. Récemment, Kacem a proposé une étude de plusieurs modèles de résolution et des bornes inférieures pour quelques critères pour l évaluation des solutions [4]. Dans nos travaux précédents, nous avons mis en place une approche hiérarchique pour résoudre le problème du job-shop flexible afin de minimiser le makespan []. Dans cet article, nous proposons d adapter cette méthode pour la minimisation de la somme des retards dans un jobshop flexible. Cet article est organisé comme suit. Après la formulation du problème traité, nous présentons dans Fig.. Exemple d un P F JSP la section III l algorithme proposé pour la résolution du sous-problème d affectation. La quatrième section décrit l approche évolutionniste proposée pour résoudre le sousproblème de séquencement. Des résultats numériques sont ensuite présentés, et nous terminons cet article par quelques conclusions sur ce travail de recherche. II. Formulation du problème du job-shop flexible avec dates de disponibilité et dates dues imposées Le problème est d organiser la réalisation de N jobs sur M machines. Chaque job J j représente un nombre n j d opérations ordonnées (contraintes de précédence). Chaque opération i d un job J j (notée O i,j ) peut être réalisée sur n importe quelle machine disponible. La durée d exécution p i,j,k de l opération O i,j dépend de la machine M k affectée à cette opération. Pour chaque problème de job-shop flexible, on peut associer un tableau des durées opératoires tel que : P F JSP = {p i,j,k IN j N; i n j ; k M,Un exemple est représenté dans Fig.. Dans ce problème, nous faisons les hypothèses suivantes : Toutes les machines sont disponibles à la date t = ; Chaque job J j peut commencer à la date t = r j ; Pour chaque job, l ordre des opérations est fixé dès le départ et ne peut être modifié (contraintes de précédences dans la gamme) ;

2 Chaque job possède une date échue d i ; Une machine ne peut exécuter qu une seule opération à la fois ; La préemption n est pas autorisée. Le problème considéré présente deux sous-problèmes. Le premier est l affectation de chaque opération O i,j sur une machine M k. Le deuxième est la détermination d un ordonnancement qui minimise la somme totale des retards. Par la suite nous proposons un algorithme en deux phases pour la résolution du problème d ordonnancement d un job-shop flexible avec minimisation de la somme des retards. Fig.. Exemple d un P JSP III. Le problème d affectation Il existe différents critères associés à l affectation des opérations sur les machines. Par exemple, on doit équilibrer la charge des différentes machines, minimiser la charge totale de toutes les machines, minimiser la charge de la machine critique (la machine la plus chargée)... Dans [4], l auteur a proposé une heuristique appelée approche par localisation permettant d affecter les opérations sur les machines tout en équilibrant la charge des différentes machines. En effet, cette heuristique affecte les opérations d une manière itérative tout en tenant compte des durées opératoires et des charges des machines sur lesquelles nous avons deja affecté des opérations. On se propose d améliorer la solution donnée par l approche par localisation par une recherche Tabou qui minimise le critère suivant : Crit = α Cr + ( α) Cr () tel que : Cr est la charge de la machine critique : Cr = max k {W k, W k est la charge de la machine k, Cr est la charge totale de toutes les machines Cr = k {W k, α est une variable appartenant à l intervalle [, ]. Les deux critères choisis ont beaucoup d influence sur la valeur de la somme des retards et aussi sur la difficulté du problème. Considérons le coefficient A j = d j r j P j (P j est la durée totale du job j). Ce coefficient mesure la sévérité de la contrainte de la date d échéance imposée (d j est indépendant de l affectation) du job j et par conséquent la difficulté du problème. La charge totale des machines peut être interprétée aussi comme la durée totale de tous les jobs. Il est clair que ce critère affecte la valeur des A j (A j et P j sont inversement proportionnelles) et ainsi de la valeur du retard de chaque job. Il est évident aussi que la répartition des charges sur les différentes machines ainsi que la charge de la machine critique affectent la difficulté du problème et la somme des retards. La recherche Tabou est une méthode itérative générale d optimisation combinatoire, elle est très performante sur un nombre considérable de problèmes d ordonnancement. Elle consiste à se déplacer de solution en solution en s interdisant de revenir en une configuration déjà rencontrée []. A. Paramètres de la recherche Tabou A. La solution initiale La solution initiale est calculée en utilisant l approche par localisation A. Mouvement Le mouvement consiste à réaffecter une opération à différentes machines. Toutes les possibilités sont testées et le meilleur mouvement minimisant le critère Crit est sélectionné. A. Restriction Tabou La liste Tabou est constituée des paires {op, m o, où op désigne l opération initialement affectée à la machine m o et ayant été réaffectée à une autre. A.4 Critère d aspiration Dans cette application, nous avons utilisé le critère d aspiration le plus connu et le plus utilisé dans la littérature qui est le critère d aspiration globale. Ce critère permet à un mouvement Tabou d être candidat pour la sélection, s il conduit à une nouvelle meilleure solution. A.5 Critère d arrêt L algorithme s arrête si un nombre donné d itérations est atteint. Le nombre d itérations est fixé à. Après avoir résolu le sous problème d affectation, le problème du job-shop flexible se réduit à un problème de job shop classique. A chaque opération O i,j, on définit M k comme la machine sur laquelle O i,j va être exécutée (M k est la machine affectée à O i,j pendant la première phase du programme), et une durée opératoire p i,j égale à p i,jk. Pour chaque problème de job-shop, on peut associer un tableau D des durées opératoires tel que : P JSP = {p i,j IN, j N; i n j ;. Un exemple est representé dans Fig.. Dans la section suivante nous proposons un algorithme génétique permettant d optimiser le séquencement des opérations. Le critère choisi est la minimisation de la somme totale des retards exprimé par la formule suivante :

3 T T... T z T NT (,, ) (,, ) (i, j, k) (,, 4) Fig.. Codage proposé = { = { { ( ) = = + = + = + Fig. 4. Procédure d ordonnancement T = N j= max(c j d j, ) () j avec C j la date de fin d exécution du job j. IV. Algorithme génétique pour la minimisation de la somme des retards dans un job-shop De nombreux travaux dans la littérature ont été dédiés au problème d ordonnancement avec minimisation de la somme des retards notamment pour les problèmes à une machine [],[6] et les problèmes à machines parallèles []. Certains travaux ont concerné la minimisation de ce critère dans un atelier de type job-shop [9], [], []. Les règles de priorité ont été fréquemment utilisées pour résoudre ce problème [5]. D autres approches heuristiques basées sur la recherche Tabou ont été récemment développées []. Le problème d ordonnancement dans un job-shop est NP-difficile [4], []. Les problèmes de minimisation de la somme des retards sur une machine est aussi NP-difficile [9]. Nous proposons alors dans ce qui suit une metaheuristique basée sur les algorithmes génétiques [8], [], [5] pour la minimisation de la somme des retards dans un job-shop. A. Codage : Liste des opérations Nous choisissons d utiliser un codage linéaire simple. Il consiste à représenter le séquencement par une liste de NT opérations (NT = j=n j= n j). Chaque chromosome représente une liste de N T cellules. Chaque cellule représente une tâche T z ( z NT ) codée de la manière suivante : (i, j, k). Le calcul de la date de début et de la date de fin (t i,j, tf i,j ) se fait en appliquant la procédure décrite dans Fig.4 selon l ordre z de chaque tâche dans la liste (Fig.). Cette procédure permet de calculer les dates de début d exécution de la tâche (i, j) en prenant en compte la date de disponibilité DM[k] de la machine M k et la date de disponibilité DJ[j] du job J j. B. Solutions initiales Différentes règles de priorité adaptées au problème de minimisation de la somme des retards ont été utilisées pour créer la population initiale :. EDD (earliest due date), la tâche la plus prioritaire est celle qui appartient au job dont la date due est la plus petite.. EOD (earliest operation due date), on trie les tâches selon les d ij croissants. La date due de chaque opération est calculée grâce à la formule (). Le calcul de la date de début et de la date de fin (t i,j, tf i,j ) se fait en appliquant la procédure décrite dans Fig.4 selon l ordre de chaque tâche.. On trie les tâches selon les (d j n j i=k p ij) croissants, avec k l indice de l opération considérée. Le calcul de la date de début et de la date de fin (t i,j, tf i,j ) se fait en appliquant la procédure décrite dans Fig.4 selon l ordre de chaque tâche. 4. MDD (modified due date) : cette règle combine la règle EDD et LRPT (the least remaining processing time). La date due modifiée d un job est définie de la manière suivante : d j = max{d j, t + n j i=k p ij, avec k l indice de l opération du job j en attente pour exécution. 5. MOD (modified operation due date) : la date due de chaque opération est modifiée de la manière suivante : d kj = max{d j, t + p kj, avec k l indice de l opération à ordonnancer. A cette série de solutions créées à partir des règles de priorité nous ajoutons d autres solutions réalisables construites de manière aléatoire pour compléter la population initiale. Définition : On associe à chaque opération une date due d ij qui dépend de la durée de l opération et de la marge totale d un job : { p dij = d i,j + (d j r j ) ij n j, d j = r j k= p kj () i n j, j N. C. Opérateurs Dans notre cas, nous avons à respecter les contraintes de précédence entre les opérations d un job. Nous avons donc proposé d utiliser quelques opérateurs développés par Lee et Kawa permettant de respecter les contraintes de précédence : l opérateur POX (Precedence Preserving order based crossover) pour le croisement et l opérateur PPS (Precedence Preserving Shift mutation) pour la mutation [6]. D. Paramètres Les probabilités de mutation et de croisement sont fixées d une manière classique (P crossover =.95, P mutation =.5). En effet, ce choix a été motivé par les résultats donnés par quelques simulations préliminaires qui ont montré que ces grandeurs doivent être judicieusement choisies. Les figures 5, 6 et 7 montrent des tests de réglage de ces probabilités sur un exemple de taille 5x45x7 et une population de individus. De telles simulations prouvent qu un taux élevé de mutation conduit à une difficulté de convergence traduite par l obtention d un extrémum local. Par contre, un choix de taux de mutation faible permet de réaliser un bon compromis entre exploration et optimisation. Le mécanisme de sélection donne la priorité aux meilleurs individus selon leur évaluation définie par l équation () pour la phase de reproduction.

4 critère,5,5 Fig. 5. Courbe de convergence avec P c =.95 et P m =.5 critère,5,5 Fig. 6. Courbe de convergence avec P c =.6 et P m =.4 Critères d arrêt le nombre maximal d itérations est atteint, aucun job n est en retard. V. Résultats expérimentaux Les instances utilisées pour tester la méthode sont créées d une manière aléatoire. Les paramètres sont générés de la manière suivante : Le nombre de jobs N varie dans {5,, 5,,, 5, le nombre d opérations par job varie dans {,,, 4, le nombre de machines varie dans [4, ]. Les dureés opératoires sont dans [, ]. Les dates de disponibilité des jobs sont choisies entre et i,j p ij, p ij étant la moyenne des durées opératoires d une opération sur les différentes machines. Le paramètre α de la recherche Tabou est fixé à.5 pour donner plus d importance au critère Cr (charge totale de toutes les machines), en effet les simulations montrent que ce dernier critère a plus d influence sur la somme des retards que Cr (charge de la machine critique). La date due de chaque job dépend du facteur de retard β et de la moyenne des durées opératoires d une opération sur les différentes machines p ij, elle se calcule selon la formule (4). critère,5,5 Fig. 7. Courbe de convergence avec P c =.8 et P m =. Fig. 8. Performances des heuristiques Le facteur de retard β est généré selon la formule (5) permettant de générer des dates dues étroites[]. d j n j = r j + β p ij ) (4) β = N M i= +.5 (5) Les simulations montrent que la règle de priorité MDD donne dans la plupart des cas le meilleur résultat. En effet, le tableau 8 montre une comparaison entre cinq stratégies S, S, S, S 4 et S 5 : S : EDD, S : EOD, S : MDD, S 4 : MOD, S 5 : trie selon (d j n j i=k p ij). On se propose alors de comparer le résultat donné par l algorithme génétique avec celui donné par la MDD (Tableau 9). On calcule le taux d amélioration A GA MDD de la manière suivante : A GA MDD = T MDD T GA T MDD, avec T MDD, T GA représentant respectivement la somme des retards calculée à partir de la règle de priorité MDD et la somme des retards donnée par l algorithme génétique. Le tableau 9 montre que le taux d amélioration varie de % à % mais aussi que l amélioration est d autant plus importante que la valeur de la somme des retards est petite. VI. Conclusion Dans cet article nous avons traité le problème d ordonnancement dans un job-shop flexible. Il s agit d une extension du problème classique du job-shop. Dans une telle extension, nous avons considéré la propriété flexible des ressources. Nous nous sommes intéressés au critère de la somme des retards. Notre approche a été basée sur une approche hériarchique : une étape d affectation suivie d une étape de séquencement. Pour assurer l efficacité du résultat, nous avons fait coopérer plusieurs techniques

5 Fig. 9. Performance de l algorithme génétique d optimisation (heuristiques, recherche Tabou, algorithmes génétiques, etc...). Les résultats préliminaires sont encourageants et prometteurs. Les principales directions futures vont être la comparaison de notre méthode avec d autres approches et aussi le développement d une borne inférieure pour la somme des retards pour mieux évaluer les solutions. [4] I. Kacem. Ordonnancement multicritère des job-shops flexibles : formulation, bornes inférieures et approche évolutionniste coopérative, Thèse de doctorat, Ecole Centrale de Lille, 6 janvier. [5] J.J. Kanet and J.C Hayya. Priority dispatching with operation dues datas in job-shop. Journal of operations Management, :67-65,98. [6] KM. Lee and T. Yama Kawa A Genetic algorithm for general machine scheduling problems. Journal of knowlege-based Electronics Systems, :6-66, 996 Australia. [7] M. Mastrolilli and L.M. Gambardella. Effective neighborhood functions for the flexible job-shop problem. Journal of Scheduling, () :-,. [8] K. Mesghouni. Application des algorithmes évolutionnistes dans les problèmes d optimisation en ordonnancement de production. hèse de doctorat, Ecole Centrale de Lille, 5 janvier 999. [9] M. Pinedo and M. Singer. A Shifting Bottleneck heuristic for minimizing the total wheighted tardiness in job-shop. Naval Research Logistics, 46() :-7, 999. [] A. Vinicius and R. Cintia. Tabu search for minimizing total tardiness in a job-shop. International journal of Production Economics,6 :-4,. [] F. Yalaoui and C. Chu. Parallel machine scheduling to minimize total tardiness. International journal of Production Economics,76 :65-79,. [] N. Zribi, I. Kacem and A. EL Kamel. Hierarchical Optimization for the Flexible Job-shops Scheduling Problem. INCOM 4, Brazil 5-7 April 4. Références [] P. Baptiste, J. Carlier and A. Jouglet. Minimiser la somme des retards sur une machine avec dates de disponibilité. MOSIM, 5-7 avril, Troyes (France). [] W. Banzhaf, P. Nordin, R.E. Keller and F.D. Francone. Genetic programming An introduction on the Automatic evolution of computer programs and its application. Morgan Kaufmann publishers, Inc. San Francisco, California, USA. [] P. Brandimarte. Routing and scheduling in flexible job-shop by tabu search. Annals of Operations Research, 4 :57-8, 99. [4] J. Carlier and P. Chretienne. Problèmes d Ordonnancement : Modélisation / Complexité / Algorithmes. Editions Masson, FRANCE. [5] C. Caux, H. Pierreval and MC. Portmann. Les algorithmes génétiques et leur application aux problèmes d ordonnancement, Kevie A.P.I.I (Automatique Productique et Informatique Industrielle), 9(4-5) :49-44, 995. [6] C. Chu. A Branch and Bound algorithm to minimize total tardiness with different release dates. Naval Research Logistics, 9 :65-8, 99. [7] S. Dauzère-Pérès and J. Paulli. An integrated approach for modelling and solving the general multiprocessor job-shop scheduling problem using tabu search. Annals of Operational Research, 7 :8-6, 997. [8] L. Davis. Handbook of Genetic Algorithms, Van Nostrand Reinhold, New-York, 99, USA. [9] J. Du and J.Y. -T. Leung. Minimizing Total Tardiness on one Machine is NP-Hard. Mathematics of Operations Research, 5 : , 99. [] M.R. Garey and D.S. Johnson. Computers and intractability : A guide to theory of NP-Completeness. W.H. Freeman and Co., New York. [] F. Glover, E. Taillard. E and D. De werre, A users guide to Tabou search. Vol 4, P -8, 99 [] Z. He., T. Yang and D.E. Deal. A multiple-pass heuristic rule for job-shop scheduling with due dates. International journal of Production Research, :87-99, 99. [] I. Hurink, B. Jurisch and M. Thole. Tabu search for the job-shop scheduling problem with multi-purpose machines. OR-Spektrum, 5 :5-5, 994.

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

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

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

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

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

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

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

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

The Current State and Future of Search Based Software Engineering

The Current State and Future of Search Based Software Engineering The Current State and Future of Search Based Software Engineering Mark Harman 1 IEEE International Conference on Software Engineering FoSE 07: Future of Software Engineering 1 King's College, LONDON, UK

Plus en détail

Un Algorithme génétique pour le problème de ramassage et de livraison avec fenêtres de temps à plusieurs véhicules

Un Algorithme génétique pour le problème de ramassage et de livraison avec fenêtres de temps à plusieurs véhicules Un Algorithme génétique pour le problème de ramassage et de livraison avec fenêtres de temps à plusieurs véhicules I. Harbaoui Dridi (1),(2) R. Kammarti (1),(2) P. Borne (1) M. Ksouri (2) imenharbaoui@gmail.com

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

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

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

Chapitre 1. L algorithme génétique

Chapitre 1. L algorithme génétique Chapitre 1 L algorithme génétique L algorithme génétique (AG) est un algorithme de recherche basé sur les mécanismes de la sélection naturelle et de la génétique. Il combine une stratégie de survie des

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

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

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

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

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

OPTIMISATION MULTICRITERE STOCHASTIQUE

OPTIMISATION MULTICRITERE STOCHASTIQUE OPTIMISATION MULTICRITERE STOCHASTIQUE Michel DUMAS, Gilles ARNAUD, Fabrice GAUDIER CEA/DEN/DMS/SFME/LETR michel.dumas@cea.r gilles.arnaud@cea.r abrice.gaudier @cea.r Introduction L optimisation multicritère

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

Modélisation coalescente pour la détection précoce d un cancer

Modélisation coalescente pour la détection précoce d un cancer Modélisation coalescente pour la détection précoce d un cancer Mathieu Emily 27 Novembre 2007 Bioinformatics Research Center - Université d Aarhus Danemark Mathieu Emily Coalescence et cancer 1 Introduction

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

Cours Systèmes d exploitation 1

Cours Systèmes d exploitation 1 Cours Systèmes d exploitation 1 Achraf Othman Support du cours : www.achrafothman.net 1 Plan du cours Chapitre 1 : Gestion des processus Chapitre 2 : Ordonnancement des processus Chapitre 3 : La communication

Plus en détail

Optimisation Combinatoire (Méthodes approchées) VI. Algorithmes à Population (Les bases)

Optimisation Combinatoire (Méthodes approchées) VI. Algorithmes à Population (Les bases) Optimisation Combinatoire (Méthodes approchées) VI. Algorithmes à Population (Les bases) Algorithmes à Population Idée principale 'Amélioration' d'un ensemble de solutions Recombiner des solutions Orienté

Plus en détail

MATRICE DE COMPETENCES POUR L ORDONNANCEMENT DES TÂCHES DE MAINTENANCE

MATRICE DE COMPETENCES POUR L ORDONNANCEMENT DES TÂCHES DE MAINTENANCE 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» MATRICE

Plus en détail

Une application des algorithmes génétiques à l ordonnancement d atelier

Une application des algorithmes génétiques à l ordonnancement d atelier Une application des algorithmes génétiques à l ordonnancement d atelier VACHER Jean-Philippe - GALINHO Thierry - MAMMERI Zoubir Laboratoire d Informatique du Havre Université du Havre 25, Rue Philippe

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

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

Nouvelles propositions pour la résolution exacte du problème de sac à dos bi-objectif unidimensionnel en variables binaires Nouvelles propositions pour la résolution exacte du problème de sac à dos bi-objectif unidimensionnel en variables binaires Julien Jorge, Xavier Gandibleux Laboratoire d Informatique de Nantes Atlantique

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

En vue de l'obtention du. Présentée et soutenue par Abir BEN HMIDA SAKLY Le 12/12/2009

En vue de l'obtention du. Présentée et soutenue par Abir BEN HMIDA SAKLY Le 12/12/2009 THÈSE En vue de l'obtention du DOCTORAT DE L UNIVERSITÉ DE TOULOUSE Délivré par l'institut National des Sciences Appliquées de Toulouse Discipline ou spécialité : Systèmes Informatiques Présentée et soutenue

Plus en détail

Les méthodes d optimisation appliquées à la conception de convertisseurs électromécaniques. Elec 2311 : S7

Les méthodes d optimisation appliquées à la conception de convertisseurs électromécaniques. Elec 2311 : S7 Les méthodes d optimisation appliquées à la conception de convertisseurs électromécaniques Elec 2311 : S7 1 Plan du cours Qu est-ce l optimisation? Comment l optimisation s intègre dans la conception?

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

AVERTISSEMENT. D'autre part, toute contrefaçon, plagiat, reproduction encourt une poursuite pénale. LIENS

AVERTISSEMENT. D'autre part, toute contrefaçon, plagiat, reproduction encourt une poursuite pénale. LIENS AVERTISSEMENT Ce document est le fruit d'un long travail approuvé par le jury de soutenance et mis à disposition de l'ensemble de la communauté universitaire élargie. Il est soumis à la propriété intellectuelle

Plus en détail

Modèles et algorithmes pour la reconfiguration de systèmes répartis utilisés en téléphonie mobile

Modèles et algorithmes pour la reconfiguration de systèmes répartis utilisés en téléphonie mobile Modèles et algorithmes pour la reconfiguration de systèmes répartis utilisés en téléphonie mobile Renaud Sirdey Chercheur au CEA / Ex-architecte système Nortel Journée du prix de thèse Guy Deniélou, 4

Plus en détail

Ordonnancement : entre théorie et applications

Ordonnancement : entre théorie et applications Christophe RAPINE Laboratoire LGIPM, université de Lorraine Ecole des Jeunes Chercheurs du GDR-RO 1 Qu est-ce que l ordonnancement? Organiser la réalisation d un ensemble de tâches Planification dans le

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

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

Etude d un cas industriel : Optimisation de la modélisation de paramètre de production

Etude d un cas industriel : Optimisation de la modélisation de paramètre de production Revue des Sciences et de la Technologie RST- Volume 4 N 1 /janvier 2013 Etude d un cas industriel : Optimisation de la modélisation de paramètre de production A.F. Bernate Lara 1, F. Entzmann 2, F. Yalaoui

Plus en détail

Ordonnancement d un atelier flow-shop avec écart de performance entre les operateurs

Ordonnancement d un atelier flow-shop avec écart de performance entre les operateurs Ordonnancement d un atelier flow-shop avec écart de performance entre les operateurs H. Benferroudj Laboratoire LAP / Dpt génie industriel / Université de Batna Avenu Chahid Boukhlouf 05000 Batna, Algérie

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

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

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

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

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

Optimisation du trafic au sol sur les grands aéroportsa

Optimisation du trafic au sol sur les grands aéroportsa Optimisation du trafic au sol sur les grands aéroportsa Plan Contexte Simulations accélérées du trafic au sol Optimisation des séquences d'avions sur les pistes Résolution des conflits au roulage Applications

Plus en détail

Chapitre IV : La gestion du processeur Mécanismes d ordonnancement

Chapitre IV : La gestion du processeur Mécanismes d ordonnancement Chapitre IV : La gestion du processeur Mécanismes d ordonnancement Eric.Leclercq@u-bourgogne.fr Département IEM http://ufrsciencestech.u-bourgogne.fr http://ludique.u-bourgogne.fr/~leclercq 1 er mars 2007

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

PLAN DE COURS. GPA750 Ordonnancement des systèmes de production aéronautique

PLAN DE COURS. GPA750 Ordonnancement des systèmes de production aéronautique Département de génie de la production automatisée Programme de baccalauréat Professeur Pontien Mbaraga, Ph.D. Session/année Automne 2004 Groupe(s) 01 PLAN DE COURS GPA750 Ordonnancement des systèmes de

Plus en détail

Résolution d équations non linéaires

Résolution d équations non linéaires Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique

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

Ordonnancement Temps Réel. Emmanuel GROLLEAU & Pascal RICHARD LISI/ENSMA {grolleau,richardp}@ensma.fr

Ordonnancement Temps Réel. Emmanuel GROLLEAU & Pascal RICHARD LISI/ENSMA {grolleau,richardp}@ensma.fr Ordonnancement Temps Réel Emmanuel GROLLEAU & Pascal RICHARD LISI/ENSMA {grolleau,richardp}@ensma.fr 2 Plan de la présentation 1. Introduction aux systèmes temps réel 1.1 Différents modèles de tâches 1.2

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

Hela Boukef. To cite this version: HAL Id: tel-00577101 https://tel.archives-ouvertes.fr/tel-00577101

Hela Boukef. To cite this version: HAL Id: tel-00577101 https://tel.archives-ouvertes.fr/tel-00577101 Sur l ordonnancement d ateliers job-shop flexibles et flow-shop en industries pharmaceutiques : optimisation par algorithmes génétiques et essaims particulaires Hela Boukef To cite this version: Hela Boukef.

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

Développement itératif, évolutif et agile

Développement itératif, évolutif et agile Document Développement itératif, évolutif et agile Auteur Nicoleta SERGI Version 1.0 Date de sortie 23/11/2007 1. Processus Unifié Développement itératif, évolutif et agile Contrairement au cycle de vie

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

Ordonnancement sous contraintes de Qualité de Service dans les Clouds

Ordonnancement sous contraintes de Qualité de Service dans les Clouds Ordonnancement sous contraintes de Qualité de Service dans les Clouds GUÉROUT Tom DA COSTA Georges (SEPIA) MONTEIL Thierry (SARA) 14/9/215 1 Profil Profil Parcours : Laboratoires LAAS et IRIT à Toulouse

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

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

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

Optimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie

Optimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie Optimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie 1 Présenté par: Yacine KESSACI Encadrement : N. MELAB E-G. TALBI 31/05/2011 Plan 2 Motivation

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

Modélisation et Optimisation de la Planification de Réseaux Sans Fil

Modélisation et Optimisation de la Planification de Réseaux Sans Fil Modélisation et Optimisation de la Planification de Réseaux Sans Fil Thèse soutenue le 8 décembre 2008 par Alexandre GONDRAN Devant le Jury : M. Jean-Marie GORCE rapporteur Pr, INSA Lyon M. Olivier HUDRY

Plus en détail

SCI03 - Analyse de données expérimentales

SCI03 - Analyse de données expérimentales SCI03 - Analyse de données expérimentales Introduction à la statistique Thierry Denœux 1 1 Université de Technologie de Compiègne tél : 44 96 tdenoeux@hds.utc.fr Automne 2014 Qu est ce que la statistique?

Plus en détail

Problème de chargement de camions-citernes Tank Truck Loading Problem

Problème de chargement de camions-citernes Tank Truck Loading Problem Problème de chargement de camions-citernes Tank Truck Loading Problem Fabien Cornillier CENTOR, Université Laval fabien.cornillier@centor.ulaval.ca Fayez F. Boctor CENTOR, Université Laval Gilbert Laporte

Plus en détail

Gestion réactive des opérations de maintien et d actualisation réglementaire et technologique des systèmes complexes.

Gestion réactive des opérations de maintien et d actualisation réglementaire et technologique des systèmes complexes. Gestion réactive des opérations de maintien et d actualisation réglementaire et technologique des systèmes complexes. LE QUERE Yann, SEVAUX Marc, TRENTESAUX Damien, TAHON Christian Equipe Systèmes de Production

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

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

Les outils de gestion

Les outils de gestion Beida Mohammed Ferhat Taleb mar Ingénieurs d état en informatique Option : Systèmes d Information (SI) Tel: +1 () 76 17 6 6 Fax: +1 () 1 58 Email: mohamed@mtoolkit.com bilal_ini@yahoo.fr Site Web: http://www.mtoolkit.com

Plus en détail

Programmation Linéaire Cours 1 : programmes linéaires, modélisation et résolution graphique

Programmation Linéaire Cours 1 : programmes linéaires, modélisation et résolution graphique Programmation Linéaire Cours 1 : programmes linéaires, modélisation et résolution graphique F. Clautiaux francois.clautiaux@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 Motivation et objectif du cours

Plus en détail

Méthodes d optimisation pour les tournées et gestion des temps des conducteurs eu égard à la législation européenne

Méthodes d optimisation pour les tournées et gestion des temps des conducteurs eu égard à la législation européenne Méthodes d optimisation pour les tournées et gestion des temps des conducteurs eu égard à la législation européenne Naima Belakbir, Ahcène Bounceur, Stéphane Croguennec, Reinhardt Euler, Marc Lepouliquen,

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

Algorithmique distribuée d exclusion mutuelle : vers une gestion efficace des ressources

Algorithmique distribuée d exclusion mutuelle : vers une gestion efficace des ressources Algorithmique distribuée d exclusion mutuelle : vers une gestion efficace des ressources Jonathan Lejeune LIP6-UPMC/CNRS, Inria 19 septembre 2014 Directeur : Pierre Sens Encadrants : Luciana Arantes et

Plus en détail

Exercices théoriques

Exercices théoriques École normale supérieure 2008-2009 Département d informatique Algorithmique et Programmation TD n 9 : Programmation Linéaire Avec Solutions Exercices théoriques Rappel : Dual d un programme linéaire cf.

Plus en détail

Contribution à l ordonnancement des activités de maintenance dans les systèmes de production.

Contribution à l ordonnancement des activités de maintenance dans les systèmes de production. Contribution à l ordonnancement des activités de maintenance dans les systèmes de production. Jihène Kaabi-Harrath To cite this version: Jihène Kaabi-Harrath. Contribution à l ordonnancement des activités

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 DE LA RECHERCHE OPÉRATIONNELLE DANS DES APPLICATIONS OPÉRATIONNELLES FRANCIS SOURD SNCF INNOVATION & RECHERCHE

APPLICATION DE LA RECHERCHE OPÉRATIONNELLE DANS DES APPLICATIONS OPÉRATIONNELLES FRANCIS SOURD SNCF INNOVATION & RECHERCHE APPLICATION DE LA RECHERCHE OPÉRATIONNELLE DANS DES APPLICATIONS OPÉRATIONNELLES FRANCIS SOURD SNCF INNOVATION & RECHERCHE INAUGURATION DE L INSTITUT HENRI FAYOL 17/05/2013 DE L OPTIMISATION MATHEMATIQUE

Plus en détail

ORDONNANCEMENT ET RÈGLES DE SÉLECTION DE ROUTAGES ALTERNATIFS EN TEMPS RÉEL D UN JOB SHOP

ORDONNANCEMENT ET RÈGLES DE SÉLECTION DE ROUTAGES ALTERNATIFS EN TEMPS RÉEL D UN JOB SHOP ORDONNANCEMENT ET RÈGLES DE SÉLECTION DE ROUTAGES ALTERNATIFS EN TEMPS RÉEL D UN JOB SHOP A. HASSAM, M. MOSTEFFA, I. MOUSSA, et Z. SARI a_hassam@mail.univ-tlemcen.dz,( hassam.ahmed@yahoo.fr), moussamostefa@yahoo.fr,

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

Programmation avancée

Programmation avancée Programmation avancée Chapitre 1 : Complexité et les ABR (arbres binaires de recherche) 1 1 IFSIC Université de Rennes-1 M2Crypto, octobre 2011 Plan du cours 1 2 3 4 5 6 7 8 9 10 Algorithmes Définition

Plus en détail

Gestion de production et ressources humaines. Méthodes de planification dans les systèmes productifs

Gestion de production et ressources humaines. Méthodes de planification dans les systèmes productifs Gestion de production et ressources humaines Méthodes de planification dans les systèmes productifs 18 mars 2005 Table des matières I Modèles de planification et d ordonnancement 6 1 RH et décisions à

Plus en détail

Plan du cours. Métaheuristiques pour l optimisation combinatoire. Quelques problèmes classiques (2/3) Quelques problèmes classiques (1/3)

Plan du cours. Métaheuristiques pour l optimisation combinatoire. Quelques problèmes classiques (2/3) Quelques problèmes classiques (1/3) Plan du cours Quelques problèmes classiques Quelques algorithmes classiques Métaheuristiques pour l optimisation combinatoire un peu de vocabulaire codage des solutions taxinomie méthodes complètes méthodes

Plus en détail

LES FONCTIONS : GENERALITES ET VARIATIONS

LES FONCTIONS : GENERALITES ET VARIATIONS 1 sur 10 LES FONCTIONS : GENERALITES ET VARIATIONS Activité conseillée p42 n 1 : Évolution du climat Activité conseillée p22 n 1 : Évolution du climat p61 n 5 p74 n 82 p61 n 7 p43 n 19 p44 n 20 p44 n 21

Plus en détail

NOTE SUR LA MODELISATION DU RISQUE D INFLATION

NOTE SUR LA MODELISATION DU RISQUE D INFLATION NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui

Plus en détail

Recherche opérationnelle. Programmation linéaire et recherche opérationnelle. Programmation linéaire. Des problèmes de RO que vous savez résoudre

Recherche opérationnelle. Programmation linéaire et recherche opérationnelle. Programmation linéaire. Des problèmes de RO que vous savez résoudre Recherche opérationnelle Programmation linéaire et recherche opérationnelle Ioan Todinca Ioan.Todinca@univ-orleans.fr tél. 0 38 41 7 93 bureau : en bas à gauche Tentative de définition Ensemble de méthodes

Plus en détail

INFO-F-425 Modèles mathématiques et algorithmes pour l ordonnancement. Bernard Fortz

INFO-F-425 Modèles mathématiques et algorithmes pour l ordonnancement. Bernard Fortz INFO-F-425 Modèles mathématiques et algorithmes pour l ordonnancement Bernard Fortz 2008-2009 Table des matières 1 Définition et classification des problèmes d ordonnancement 2 1.1 Introduction....................................

Plus en détail

Séparation et Evaluation pour le problème d ordonnancement avec blocage.

Séparation et Evaluation pour le problème d ordonnancement avec blocage. Séparation et Evaluation pour le problème d ordonnancement avec blocage. Abdelhakim Ait Zai 1, Abdelkader Bentahar 1, Hamza Bennoui 1, Mourad Boudhar 2 et Yazid Mati 3 1 Faculté d Electronique et d Informatique,

Plus en détail

Soutien illimité 7j/7 en maths: Coach, profs, exercices & annales, cours. Sujet de Bac 2013 Maths S Obligatoire & Spécialité - Amérique du Nord

Soutien illimité 7j/7 en maths: Coach, profs, exercices & annales, cours. Sujet de Bac 2013 Maths S Obligatoire & Spécialité - Amérique du Nord Sujet de Bac 2013 Maths S Obligatoire & Spécialité - Amérique du Nord EXERCICE 1 : 5 points On se place dans l espace muni d un repère orthonormé. On considère les points,, et. 1. Démontrer que les points,

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 16 heures de cours 1 - Introduction

Plus en détail

Ordonnancement avec exclusion mutuelle par un graphe d intervalles ou d une classe apparentée : complexité et algorithmes ~ Frédéric Gardi

Ordonnancement avec exclusion mutuelle par un graphe d intervalles ou d une classe apparentée : complexité et algorithmes ~ Frédéric Gardi Ordonnancement avec exclusion mutuelle par un graphe d intervalles ou d une classe apparentée : complexité et algorithmes ~ Frédéric Gardi - 14 Juin 2005 - - Faculté des Sciences de Luminy - 1. Introduction

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

Pratique de logiciels de planification

Pratique de logiciels de planification Pratique de logiciels de planification MASTER TECHNOLOGIE & HANDICAP Université Paris 8 Sommaire Introduction Organisation d un projet Les principaux axes de la planification Gestion des tâches Gestion

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

Méthodes d apprentissage :

Méthodes d apprentissage : Méthodes d apprentissage : application au tri de complexes protéines-protéines Jérôme Azé Apprentissage: tâches Apprentissage non supervisé (Eisen, ) Apprentissage supervisé (arbres de décision, k-ppv,

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

Mlle Yasmin A. RÍOS SOLÍS

Mlle Yasmin A. RÍOS SOLÍS Thèse de DOCTORAT de l UNIVERSITÉ PARIS VI - PIERRE ET MARIE CURIE Spécialité : INFORMATIQUE présentée par : Mlle Yasmin A. RÍOS SOLÍS pour obtenir le grade de DOCTEUR de l UNIVERSITÉ PARIS VI Sujet de

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