Lot streaming et pegging pour l intégration de la planification et de l ordonnancement de production

Dimension: px
Commencer à balayer dès la page:

Download "Lot streaming et pegging pour l intégration de la planification et de l ordonnancement de production"

Transcription

1 Lot streaming et pegging pour l intégration de la planification et de l ordonnancement de production A. Robert 1,2, C. Le Pape 1, and F. Sourd 2 1 ILOG S.A., 9 rue de Verdun, Gentilly cedex 2 Laboratoire d Informatique de Paris 6, 8 rue du Capitaine Scott, Paris Résumé Dans l industrie de transformation, les décisions liées à la planification de la production d une part, et à l ordonnancement d autre part, sont déterminantes pour une exploitation efficace de la chaîne de production. En vue d une bonne intégration de ces deux problèmes, nous proposons un modèle de résolution séquentielle en trois phases. Un problème intermédiaire entre la planification et l ordonnancement est résolu. Il consiste à prendre des décisions sur la taille des lots (lot streaming) et les flux de matériaux (pegging) tout au long de la chaîne de production. Nous formulons ce problème par un programme linéaire en nombres entiers que nous résolvons par branch and bound et analysons ses performances par rapport à une résolution heuristique. Mots-Clefs. Lot streaming ; Planification de production ; Ordonnancement. 1 Introduction L optimisation du plan de production d une usine et de l ordonnancement détaillé des activités de production est devenue une problématique d importance dans le milieu de l industrie de transformation (industrie dite de process où des matières premières sont transformées en matériaux intermédiaires ou en produits finis, selon des recettes prédéterminées). Une résolution indépendante de ces deux problèmes entraîne des incohérences entre plan et ordonnancement, rendant, dans la pratique, les solutions mises en œuvre sous-optimales. En effet, la production doit satisfaire la demande, en évitant le stockage de matériaux et l anticipation des livraisons (entraînant des pénalités d avance), ainsi que la pénurie ou le retard de la distribution. Ces enjeux concernent à la fois la planification et l ordonnancement. L identification de ces problèmes a induit la nécessité de les formaliser et l émergence de systèmes MRP (Material Requirements Planning, [12] et [8] par exemple) témoigne des premières méthodes de résolution employées par les industriels. La planification de production ou lot sizing (définition et classification dans [18]) se situant à un niveau de forte granularité du temps prend des décisions à

2 2 Robert, Le Pape et Sourd moyen terme (quelques mois), avec des contraintes généralement agrégées. L ordonnancement, pour sa part, a une vue à court terme de la chaîne de production (quelques jours) et prend en compte des contraintes plus précises. Des modèles intégrés ont été formulés, J. Kallrath, dans [9], présente une synthèse des problèmes, modèles et techniques relatifs à cette problématique. Ces modèles se décomposent généralement en deux phases : la planification (souvent modélisée et résolue par la programmation linéaire) et l ordonnancement (utilisant la programmation par contraintes). Les deux problèmes sont résolus de manière coopérative pour atteindre effectivement une compatiblité et une bonne qualité des solutions. Il s agit en général d une résolution alternée de chacun des problèmes, la solution courante de l un étant utilisée pour poser le second [14] [21]. Ce type d architectures à modèles hybrides coopératifs est efficacement employé pour résoudre des problèmes de petite taille et dont le système de contraintes est réduit ([4], [5], [11], [23], [2], [13], [15],...). Malgré l existence de tels modèles, les logiciels commerciaux, manipulant des données réelles, utilisent le plus souvent des heuristiques, en particulier pour résoudre les problèmes de lot sizing (Lot for lot, Fixed lot size, Economical lot size, [7, Chapitre 9]). L approche présentée ici ne possède pas une telle structure coopérative complexe mais permet de traiter des problèmes plus variés. Le modèle à architecture séquentielle permet d atteindre de bonnes solutions tout en conservant un certain degré de compatibilité. Après avoir résolu un problème de planification à longues périodes ([20], [19], [10],...), les quantités de production planifiées sont découpées en lots ordonnançables (lot streaming), et simultanément, le flot des matériaux circulant entre les entités composant la chaîne opérationnelle de production (stocks, lots et demandes) est décidé (pegging). Le problème d ordonnancement peut alors être à son tour posé et résolu. Nous avons déjà présenté dans [16] un travail préliminaire concernant ce problème. Nous modifions ici notre modèle de manière à mieux prendre en compte certains aspects de la problématique générale, ce qui permet de résoudre un plus grand nombre d instances et d améliorer les résultats précédemment obtenus. Dans la Section 2, nous définissons le problème de lot streaming-pegging, et présentons son intégration dans la problématique globale de la gestion de production. Nous proposons en Section 3 une formulation mathématique de ce problème. Un jeu de données en cours d élaboration est décrit dans la Section 4 et la résolution du programme linéaire en nombres entiers par branch and bound est comparée à une procédure heuristique sur ce benchmark. Enfin, dans la Section 5, nous donnons des extensions possibles du modèle mathématique. 2 Architecture globale et définitions 2.1 Intégration du problème de lot streaming-pegging L architecture proposée se découpe en trois phases : la planification de la production, le lot streaming-pegging et l ordonnancement. Ces problèmes sont résolus séquentiellement, la solution de l un permettant de poser le problème de niveau inférieur. Nous nous intéressons ici à la seconde étape qui prend en

3 Lot Streaming et Pegging 3 entrée un plan de production calculé sur de longues périodes, et dont la solution entraîne l énoncé du problème d ordonnancement. Le plan consiste en la donnée, pour chaque période de temps, des informations suivantes : - les quantités d exécution de chacun des procédés de transformation, - les portions de demandes à satisfaire (une demande pouvant être planifiée sur plusieurs périodes). Le lot streaming consiste alors à former des lots de production ordonnançables respectant les quantités planifiées. Le pegging détermine le transfert des matériaux entre les stocks, les lots de production et les demandes (voir Fig. 1). Ces deux problèmes sont précisément définis dans la sous-section suivante. Période 1 stocks Période 2 Période 3 lot streaming + pegging quantité planifiée d exécution demandes lots de production arcs de pegging ordonnancement Fig. 1. Lot streaming-pegging : entre plan et ordonnancement 2.2 Lot streaming et pegging : définitions et intérêts Lot streaming. Comme nous l avons écrit ci-dessus, le lot streaming consiste à définir un ensemble de lots réalisant la production totale planifiée. Ce problème se pose en général dans les contextes de flow-shop [3] ou de job-shop [6], afin de diminuer le temps total d exécution. Diverses techniques de résolutions ont été étudiées ([22] ou [1], par exemple), mais l optimalité d une solution est étroitement liée au contexte dans lequel le lot streaming est réalisé.

4 4 Robert, Le Pape et Sourd Pegging. Ce problème n est pas clairement identifié dans la littérature. La terminologie provient de [7, Chapitre 3, Section 6] qui emploie ce terme pour décrire le transfert de matériaux entre les lots de production et les demandes. En étendant ce concept à toutes les entités de la chaîne de production, le problème de pegging revient à déterminer les flots de matériaux entre les stocks, les lots de production (qui sont consommateurs et producteurs) et les demandes. Nous identifions donc 5 types d arcs de pegging : - Les Stock2Lot : entre stocks et lots consommateurs. - Les Lot2Lot : entre lots producteurs et lots consommateurs. - Les Lot2Stock : entre lots producteurs et stocks. - Les Stock2Dem : entre stocks et demandes. - Les Lot2Dem : entre lots producteurs et demandes. Aspect combinatoire. Le pegging peut donc être conceptualisé comme un flot circulant entre les nœuds du graphe induit par les stocks, les lots et les demandes. En supposant que la production est déjà divisée en lots, les seules décisions de pegging ne sont pas triviales. En effet, un bon pegging doit tenir compte des contraintes temporelles et des échéances associées aux différents lots et demandes. Le lot streaming vient ajouter de la combinatoire au problème puisqu il décide de l existence et de la capacité de certains nœuds (création et taille des lots de production). Intérêts de l approche. Le lot streaming est une étape indispensable entre la planification et l ordonnancement puisqu en effet, il détermine les lots de production dont on infère les activités à ordonnancer. Le pegging, quant à lui, ne paraît pas nécessaire. Néanmoins, il présente des intérêts opérationnels nonnégligeables pour la résolution de l ordonnancement, qui utilise une méthode de programmation par contraintes : - il permet d introduire entre les lots des relations de précédences temporelles (du fait des rapports producteurs/consommateurs), celles-ci sont ajoutées au problème d ordonnancement, qui est ainsi renforcé ; - ces contraintes assurent que la production précède toujours la consommation, évitant ainsi l ajout d autres contraintes contrôlant les stocks, qui présentent une mauvaise propagation. 3 Modélisation mathématique du lot streaming-pegging Nous proposons une formulation de ce problème par un programme linéaire en nombres entiers P, qui est résolu par ILOG CPLEX 9.1. Cette technique de résolution opère de la façon suivante : pour chaque période associée au plan de production, un tel programme est formulé et résolu. Une étape de fusion des solutions est ensuite réalisée afin d obtenir une solution complète de pegging (et non-pas un ensemble de solutions indépendantes). Le modèle décrit se place donc au niveau d une seule période de temps. Cependant, afin de conserver la visibilité temporelle du plan de production, le problème posé pour la période

5 Lot Streaming et Pegging 5 courante (notée ˆT ) considère les demandes planifiées dans ˆT et dans les périodes suivantes. Comme nous l avons mentionné en introduction de cet article, un premier modèle, présenté dans [16], est ici étendu et modifié, améliorant ainsi les performances de résolution (voir Section 4.3 pour les résultats numériques). En particulier, nous redéfinissons la fonction objectif et ajoutons des contraintes. Cette nouvelle fonction objectif est tout d abord présentée, puis, dans un second temps, le programme lui-même est détaillé. Fonction objectif. Notre choix a été de considérer qu une bonne solution de lot streaming-pegging est une solution qui mène à une bonne solution d ordonnancement. En effet, aucune fonction objectif n a été définie, de manière générale, pour ce problème. Nous introduisons dans le programme mathématique de nouvelles variables qui permettent d établir une fonction d optimisation pertinente, relativement à celle de l ordonnancement, cette dernière minimisant les coûts de production et d avance-retard. Les pénalités liées à la production sont aisément prises en compte puisqu elles sont directement liées à l existence et à la taille de chaque lot. En revanche, les pénalités d avance-retard sont difficiles à estimer sans l introduction de nouvelles informations dans le modèle. Nous affectons donc à chaque lot créé une date de fin a priori. Ces décisions, prises en considérant le temps d exécution d un lot et les dates d échéances des demandes, ne peuvent être considérées comme réalisables du point de vue de l ordonnancement dont certaines contraintes sont ici approchées ou omises. Cependant, elles permettent de calculer un pseudo-délai interne (positif ou nul) entre deux lots liés par un arc Lot2Lot, qui modélise un temps de stockage, et un pseudo-délai externe (positif ou négatif) entre un lot et une demande liés par un arc Lot2Dem, qui modélise l avance-retard. Le tableau 1 contient les notations employées par la suite. 3.1 Contraintes Afin de limiter la longueur de cet article, nous ne présentons pas en détail les contraintes décrites dans [16] auquel le lecteur est invité à se référer pour plus d informations ; signalées par, nous les citons donc ici sans les commenter. En revanche, les contraintes qui ont été modifiées ou ajoutées sont présentées de manière détaillée. Consommation et production : Les contraintes (1) et (2) de conservation des matériaux sont décrites dans [16]. Par contre, les contraintes concernant la satisfaction des demandes ((3) et (4)) et le respect des niveaux d inventaire ((5) et (6)) ont été modifiées afin de prendre en compte l extension de la visibilité à l horizon complet. Ainsi les équations (3) concernent la satisfaction des demandes de la période courante ˆT, elles doivent donc être entièrement satisfaites (la notation q d désigne la quantité résiduelle de la demande, puisque celle-ci peut avoir été partiellement satisfaite dans une période précédente), tandis que

6 6 Robert, Le Pape et Sourd 1 indice ensemble concept désigné res Res ressource r Rec recette (procédé de transformation) j {1,..., N r} j e lot de la recette r m M matériau m C r/p r matériau consommé/produit par r d D demande d D T demande planifiée dans la période T N r désigne le nombre maximal de lots possibles pour r constante domaine concept désigné θr m R + proportion de consommation ou production de m par r q d R + quantité planifiée de matériau à délivrer pour d Ii,T m /If,T m R + quantité planifiée de m en stock au début/à la fin de T LS r /LS r R + taille minimale/maximale d un lot pour r Q r R + quantité d exécution de r pour la période courante ˆT τ proc f r /τr procv N/R + capacité fixe/variable requise pour un lot de r κ proc f r /κ procv r R + /R + coût fixe/variable d exécution d un lot de r t d N date d échéance de d T d - période où d est planifiée κ earli d R + coût unitaire variable d avance pour d κ tardi d R + coût unitaire variable de retard pour d κ store m R + coût unitaire variable de stockage pour m γt res R + capa. moyenne par unité de tps. de res dans la période T S T /E T N date de début/fin de la période T S/E N date de début/fin de l horizon global variable domaine concept désigné x rj {0, 1} 1 le j e lot de r est créé, 0 sinon q rj R + taille du j e lot de r XIrj/Q m m Irj {0, 1}/R + 1 un Stock2Lot entre le stock de m et le j e lot de r/qté associée X Id /Q Id {0, 1}/R + 1 un Stock2Dem entre le stock du mat. req. par d et d/qté associée X m rjr j /Qm rjr j {0, 1}/R+ un Lot2Lot entre le j e lot de r et le j e lot de r, pour m/qté associée X rjd /Q rjd {0, 1}/R + 1 un Lot2Dem entre le j e lot de r et d/qté associée XrjI/Q m m rji {0, 1}/R + 1 un Lot2Stock entre le j e lot de r et le stock de m/qté associée t rj R date de fin d exécution du j e lot de r p rj R capa. requise pour le j e lot de r (τ proc f r x rj + τr procv q rj) Z rjd R t rj un Lot2Dem entre le j e lot de r et d, 0 sinon ZP m rjr j R trj un Lot2Lot entre le je lot de r et le j e lot de r, 0 sinon ZC m rjr j R t r j un Lot2Lot entre le je lot de r et le j e lot de r, 0 sinon Tab. 1. Programme P : indices, ensembles, constantes, variables de décision

7 Lot Streaming et Pegging 7 les contraintes (4) induisent que la satisfaction des demandes des périodes futures ne dépasse pas leur quantité résiduelle. Par ailleurs, les équations (5) et (6) forcent le respect des niveaux d inventaire établis par le plan de production aux bornes de chaque période. r Rec, j = 1... N r, m C r, Q m Irj + N r r j Rec\ =1 Q m r j rj = θ m r q rj (1) r Rec, j = 1... N r, m P r, Q m rji + r j Rec\ =1 m C r N r m P r Q m rjr j + d D\ m requis par d d D ˆT, Q Id + r Rec\ m, req. par d, P r Q rjd = θ m r q rj (2) N r Q m rjd = q d (3) d D\D ˆT, r Rec\ m, req. par d, P r N r Q m rjd q d (4) + m M, I m i, ˆT N r Q m rji = I m f, ˆT N r Q m Irj r Rec\ d D ˆT \ m C r m req. par d N r r Rec\ d/ D ˆT r Rec\ m P r m, req. par d, P r Q Id Q m rjd (5) m M, T strictement après ˆT, d \ T d ne précède pas T r Rec\ m, req. par d, P r N r Q m rjd I m i,t(6)

8 8 Robert, Le Pape et Sourd Taille des lots : r Rec, j = 1... N r, q rj LS r x rj (7) q rj LS r x rj (8) Précédences temporelles (1) : Nous n imposons pas que l exécution des lots soit prévue dans la période courante, du fait d une modélisation optimiste de la capacité des ressources lors de la planification. Leurs dates de fin doivent simplement se trouver dans l horizon global du problème complet. r Rec, j = 1... N r t rj S (9) t rj E (10) Précédences temporelles (2) : Lorsque deux lots sont reliés par un arc de type Lot2Lot, il existe nécessairement une précédence temporelle entre leur exécution. Nous distinguons deux cas, du fait de l existence de deux modes d exécution possibles. Une production (ou consommation) discrète signifie que le matériau n est disponible qu à la fin de l exécution du lot (ou que la quantité de matériau nécessaire à l exécution du lot doit être intégralement disponible au début de son exécution). Une production (ou consommation) continue signifie au contraire que le matériau produit devient disponible dès le début de l exécution du lot (ou que l exécution du lot peut commencer dès que les premières unités du matériau nécessaire sont disponibles). En cas de production ou consommation discrète, le lot consommateur doit commencer après la fin du lot producteur (voir Fig. 2(a)). En cas de production et consommation continues, le lot consommateur doit commencer après le début et s achever après la fin du lot producteur (voir Fig. 2(b)). On note res r Res, la ressource utilisée par la recette r équation (11) (a) mode discret équation(12) (b) mode continu équation (13) Fig. 2. Production/consommation discrètes et continues r Rec, j = 1... N r, r Rec, j = 1... N r, m P r C r, si X m rjr j =1, cas discret : t rj t r j p r j γ res r ˆT + (E S) (1 Xrjr m j ) (11)

9 cas continu : t rj p rj γ resr ˆT t r j p r j γ res r ˆT Lot Streaming et Pegging 9 + (E S) (1 Xrjr m j ) (12) t rj t r j + (E S) (1 Xm rjr j ) (13) Approximation des contraintes de capacité des ressources : Afin de mesurer le temps de stockage (entre deux lots) et les délais d avance ou de retard (entre un lot et une demande), nous avons formulé des contraintes linéaires permettant d approximer les contraintes (non-linéaires) de disjonction de ressource présentes dans le problème d ordonnancement. En effet, la relaxation complète de ces contraintes aboutit à un modèle trop éloigné de la réalité, ce qui conduit à de mauvaises solutions. Nous calculons donc un intervalle de temps heuristique t rj, pour chaque lot j de chaque recette r modélisant le temps moyen s écoulant entre l exécution des lots j et j + 1. Cet intervalle prend en considération la capacité requise p r j de chaque lot en compétition et la capacité totale de la ressource conflictuelle (nous ne détaillons pas le calcul complexe de t rj ). L approximation des contraintes disjonctives est alors modélisée par les équations : r Rec, j = 1... N r 1, t rj+1 t rj + p rj+1 + t rj γ resr ˆT (14) Respect des décisions de planification : N r r Rec, Q r = q rj (15) Rupture de symétries : Deux types de symétries induites par la formulation mathématique sont rompues par l introduction de contraintes artificielles. Tout d abord un lot d indice donné ne peut être créé que si le lot d indice inférieur l est aussi (équation (16)). En outre, on impose que dans une solution réalisable, les dates de fin d exécution des lots soient triées par ordre croissant d indice (équation (17)). Liaison des variables (1) : r Rec, j = 1... N r 1, x rj+1 x rj (16) t rj+1 t rj (17) r Rec, j = 1... N r, r Rec, j = 1... N r, m P r C r, Q m rjr j min(θm r LS r, θr m LS r ) Xm rjr j (18) r Rec, j = 1... N r, m C r, Q m Irj min(i m i, ˆT, θm r LS r ) XIrj m (19)

10 10 Robert, Le Pape et Sourd d D\d requiert m, Q Id min(i m i, ˆT, q d) X Id (20) d D, r Rec\r produit m requis par d, j = 1... N r, Q rjd min( q d, θr m LS r ) X rjd (21) r Rec, j = 1... N r, m P r, Q m rji min(i m f, ˆT, θm r LS r ) XrjI m (22) Liaison des variables (2) : Ces trois ensembles de contraintes relient les variables artificielles Z rjd, ZPrjr m j et ZCm rjr j aux variables de décision t rj et t r j, d une part, X rjd et Xrjr m j, d autre part. Elles impliquent que si l arc associé à X rjd (respectivement Xrjr m j ) est créé, alors Z rjd (respectivement ZPrjr m j et ZCm rjr j ) prend la valeur de t rj (respectivement de t rj et t r j ). d D, r Rec\r produit m requis par d, j = 1... N r, Z rjd S X rjd Z rjd E X rjd Z rjd t rj E (1 X rjd ) Z rjd t rj S (1 X rjd ) (23a) (23b) (23c) (23d) r Rec, j = 1... N r, r Rec, j = 1... N r, m P r C r, ZP m rjr j S X rjr j (24a) ZPrjr m j E X rjr j (24b) ZPrjr m j t rj E (1 X rjr j ) (24c) ZPrjr m j t rj S (1 X rjr j ) (24d) r Rec, j = 1... N r, r Rec, j = 1... N r, m P r C r, ZC m rjr j S X rjr j (25a) ZCrjr m j E X rjr j (25b) ZCrjr m j t r j E (1 X rjr j ) (25c) ZCrjr m j t r j S (1 X rjr j ) (25d) 3.2 Fonction objectif On peut alors exprimer la fonction objectif définie en introduction de cette section, prenant en compte les coûts de production, de stockage, d avance et de retard :

11 Lot Streaming et Pegging 11 Min X XN r r Rec + X d D + X d D + X κ proc f r X r Rec\ m requis X par d, P r r Rec\ m requis XN r X par d, P r x rj + κ procv r q rj XN r XN r r Rec r Rec j =1 m P r C r (X rjd t d Z rjd ) + κ earli d min( q d, θ m r LS r) (Z rjd X rjd t d ) + κ tardi d min( q d, θ m r LS r) N r X X ZC m rjr j ZP m rjr j κ store m min(θ m r LS r, θ m r LS r ) Notons que les coûts d avance et de retard sont approchés. En effet, une modélisation exacte supposerait de multiplier les variables temporelles par les tailles de lot choisies, ce qui conduirant à un programme quadratique. 4 Benchmark et résultats expérimentaux 4.1 Evaluation : comparaison et jeu de données Indicateur d évaluation. Nous comparons l approche basée sur la programmation linéaire en nombres entiers présentée ci-dessus à une procédure de résolution heuristique H qui calcule une solution au problème de lot streaming-pegging de la façon suivante : - les lots de production sont déterminés pour l horizon complet du problème en maximisant la taille des lots, - le pegging est alors établi récursivement entre stocks, lots et demandes, par une procédure gloutonne basée sur un algorithme de tri. Comme la solution fournie par H ne peut être évaluée relativement à l objectif défini pour P (aucune date de fin n est attribuée aux lots de production), nous utilisons comme critère de comparaison la valeur de l ordonnancement final. Jeu de données. Nous testons ces deux procédures sur 92 instances issues d un benchmark en cours d élaboration permettant de tester les étapes de planification, lot streaming-pegging et ordonnancement. Une description détaillée en est faite dans [17] 3. Ces instances se répartissent en 4 classes, selon le type de chaîne 3 Document et instances disponibles auprès des auteurs.

12 12 Robert, Le Pape et Sourd de production considérée (mono ou multi niveau(x), mono ou multi ressource(s), variations de capacité des ressources au cours du temps). Dix chaînes de production sont décrites et les instances comptent jusqu à 14 recettes, 90 demandes et 30 ressources. Nous rappelons que la fonction d optimisation de l ordonnancement est une combinaison linéaire des coûts de production, d avance et de retard. 4.2 Résultats numériques Deux tableaux permettent d analyser les performances du MIP P vis-à-vis de l heuristique H. On note S P (respectivement S H ) la valeur de la solution d ordonnancement obtenue à partir du lot streaming-pegging déterminé par P (respectivement par H). Le tableau 2 présente les principaux résultats permettant d analyser globalement ces performances. Il montre que dans plus de 85% des cas, P mène à un ordonnancement de qualité supérieure ou égale à celui obtenu en utilisant H. Bien que la meilleure amélioration soit très bonne (42.1%), la plus mauvaise dégradation est aussi considérable (46.6%), ce qui révèle l existence d imperfections dans P. Néanmoins, d un point de vue général, ces résultats permettent de valider une telle approche. Précisons que parmi les 13 instances dégradées, seulement 3 présentent une dégradation supérieure à 5% et la dégradation moyenne est faible (7.8%), par opposition à l amélioration moyenne (13.4%). Nombre d instances S P < S H 47/92 (51.1%) % meilleure amélioration 42.1% S P = S H 32/92 (34.8%) % plus mauvaise dégradation 46.6% S P > S H 13/92 (14.1%) % déviation moyenne 6.0% % amélioration moyenne 13.4 % % dégradation moyenne 7.8 % Tab. 2. P VS H : résultats globaux sur 92 instances Le tableau 3 fournit des détails concernant les critères de l objectif de l ordonnancement. On note P P, R P et A P (respectivement P H, R H et A H ) les valeurs des coûts de production, de retard et d avance d un ordonnancement obtenu à partir du lot streaming-pegging déterminé par P (respectivement par H). Des pénalités d avance n étant définies que pour la moitié des instances, seules 46 d entre elles sont considérées pour l étude de ce critère. Tout d abord on constate que le coût de production ne peut être diminué par la méthode mathématique P. En effet, la politique heuristique minimisant le nombre de lots atteint la valeur optimale pour ce critère. Cependant, on constate que dans 55.3% des cas d amélioration globale de l ordonnancement, une aug-

13 Lot Streaming et Pegging 13 mentation des coûts de production est compensée par une réduction des coûts d avance-retard. En cas d égalité globale, l égalité pour chacun des trois critères est elle-aussi vérifiée, les solutions sont, dans ce cas, étroitement équivalentes. Dans le cas où P mène à une moins bonne solution pour l ordonnancment final que H, on remarque principalement que ce sont les coûts de production et de retard qui sont dégradés (11 instances sur 13), alors que l avance reste stable. Cela révèle que le modèle mathématique peut présenter, dans certains cas, une mauvaise approximation du retard. Production Retard Avance P P < P H : 0/47 (0%) R P < R H : 43/47 (91.5%) A P < A H : 19/24 (79.2%) S P < S H P P = P H : 21/47 (44.7%) R P = R H : 0/47 (0%) A P = A H : 1/24 (4.1%) P P > P H : 26/47 (55.3%) R P > R H : 4/47 (8.5%) A P > A H : 4/24 (16.7%) P P < P H : 0/32 (0%) R P < R H : 0/32 (0%) A P < A H : 0/16 (0%) S P = S H P P = P H : 32/32 (100%) R P = R H : 32/32 (100%) A P = A H : 16/16 (100%) P P > P H : 0/32 (0%) R P > R H : 0/32 (0%) A P > A H : 0/16 (0%) P P < P H : 0/13 (0%) R P < R H : 2/13 (15.4%) A P < A H : 4/6 (66.7%) S P > S H P P = P H : 2/13 (65.0%) R P = R H : 0/13 (0%) A P = A H : 0/6 (0%) P P > P H : 11/13 (35.0%) R P > R H : 11/13 (84.6%) A P > A H : 2/6 (33.3%) P P < P H : 0/92 (0%) R P < R H : 45/92 (48.9%) A P < A H : 23/46 (50.0%) Total P P = P H : 55/92 (59.8%) R P = R H : 32/92 (34.8%) A P = A H : 17/46 (37.0%) P P > P H : 37/92 (40.2%) R P > R H : 15/92 (16.3%) A P > A H : 6/46 (13.0%) Tab. 3. P et H : termes de la fonction objectif 4.3 Amélioration des résultats antérieurs Nous annoncions en introduction que les modifications apportées au modèle mathématique ont permis d obtenir de meilleurs résultats sur le jeu de données testé. Effectivement, 38 nouvelles instances ont pu être résolues et sur les 54 précédemment résolues, 8 ont pu être améliorées. 4.4 Cohérence entre plan et ordonnancement Nous avons signalé en section 3.1 qu il n était pas raisonnable d imposer qu un lot de production soit ordonnancé strictement dans la période de temps où la production relative à ce lot a été planifiée, du fait de l agrégation des contraintes de capacité faite au cours de la planification. Néanmoins, les contraintes de pegging et les dates d échéance définies sur les demandes ont tendance à faire tendre l ordonnancement final vers une solution cohérente avec le plan de production. Afin d évaluer l incohérence résultant de la relaxation des contraintes de périodes,

14 14 Robert, Le Pape et Sourd nous calculons un ratio d incompatibilité à partir de la solution d ordonnancement. Ce ratio est calculé comme la somme de la capacité utilisée par chaque lot de production à l extérieur de la période où il a été planifié rapportée à la capacité totale requise. Ainsi, un ratio faible exprime une bonne cohérence entre les solutions de planification et d ordonnancement. Nous ne calculons ce ratio que pour les instances sur lesquelles plusieurs périodes ont été définies lors de la planification. En effet, la taille de certaines instances ne nécessitant pas la décomposition du problème sur plusieurs périodes, la cohérence telle qu on l a définie sera, dans ces cas, toujours optimale (ratio nul). Le tableau 4 présente des statistiques sur le ratio d incompatibilité calculé sur les 24 instances pertinentes. Il révèle que la cohérence moyenne est relativement mauvaise, dans le cas de l heuristique comme dans celui du MIP. En effet, cela est dû au fait qu une translation dans le temps d un lot peut impliquer le décalage de tout un ensemble de lots reliés au premier. Par ailleurs on constate que les solutions au problème global obtenues par résolution de P présentent une meilleure cohérence (du point de vue de notre ratio) que lorsque qu on utilise la procédure heuristique. H P ratio moyen 29.07% 24.53% ratio minimal 17.26% 9.85% ratio maximal 47.64% 38.82% Tab. 4. Ratio d incompatibilité entre plans et ordonnancements 5 Conclusion et extensions Ce papier présente une approche nouvelle de l intégration de la planification de production et de l ordonnancement, dans le contexte de l industrie de transformation. L architecture se découpe en trois étapes résolvant en séquence trois problèmes : planification, lot streaming-pegging puis ordonnancement. Nous nous sommes intéressés à l étape intermédiaire qui consiste à dimensionner les lots de production en respectant le plan de production et à établir les flux de matériaux entre stocks, lots et demandes, le long de la chaîne de production. Nous proposons pour ce problème une formulation en programmation linéaire en nombres entiers. Les solutions obtenues après résolution de ce programme (par ILOG CPLEX 9.1) ont été comparées à une procédure heuristique sur un jeu de données élaboré pour évaluer les performances d algorithmes conçus pour ce type de problèmes. Les résultats numériques ont permis de valider ce nouveau problème ainsi que l approche mathématique proposée. Le modèle mathématique présenté peut être facilement enrichi de contraintes additionnelles pouvant répondre aux exigences des industriels. En effet, les va-

15 Lot Streaming et Pegging 15 riables définies permettent d exprimer des exigence relatives aux délais entre l exécution des lots (un matériau nécessitant parfois un temps de maturation ou au contraire, un délai au-delà duquel il devient inutilisable). Il est aussi possible de contraindre un lot à n être approvisionné qu à partir d un nombre fini de lots producteurs, et vice-versa. Cette flexibilité présente un grand intérêt dans la perspective d une utilisation industrielle de ce modèle. Références 1. Baker Kenneth R. and Jia D. : A comparative study of lot streaming procedures, OMEGA International Journal of Management Science, 21(5) : (1993) 2. Blömer Ferdinand and Günther Hans-Otto : LP-based heuristics for scheduling chemical batch processes, International Journal of Production Research 38(5) : (2000) 3. Chen Jiang and Steiner George : Approximation Methods for Discrete Lot Streaming in Flow Shop, Operations Research Letters, 21(3) : (1997) 4. Dauzère-Pérès Stéphane and Lasserre Jean Bernard : An Integrated Approach in Production Planning and Scheduling, Springer (1994) 5. Dauzère-Pérès Stéphane and Lasserre Jean Bernard : Integration of lotsizing and scheduling decisions in a job-shop, European Journal of Operational Research, 75(2) : (1994) 6. Dauzère-Pérès Stéphane and Lasserre Jean Bernard : Lot Streaming in Job-Shop Scheduling, Operations Research 45(4) : (1997) 7. Dickersbach Jörg Thomas : Supply Chain Management with APO, Springer (2004) 8. Hopp Wallace J. and Spearman Mark L. : Factory Physics, Mc Graw-Hill/Irwin (2000) 9. Kallrath Josef : Planning and scheduling in the process industry, OR Spectrum, 24 : (2002) 10. Karimi B., Fatemi Ghomi S.M. and Wilson J.M. : The Capacitated Lot Sizing Problem : a Review of Models and Algorithms, OMEGA International Journal of Management Science 31(5) : (2003) 11. Kimms A. : A Genetic algorithm for multi-level, multi-machine lot sizing and scheduling, Computers & Operations Research 26 : (1999) 12. Lunn Terry and Neff Susan A. : MRP, Integrating Material Requirements Planning and Modern Business, Irwin (1992) 13. Maravelias C.T. and Grossmann I.E. : An Hybrid MILP/CP Decomposition Approach for the Scheduling of Batch Plants, CPAIOR 03 (2003) 14. Maravelias C.T. and Grossmann I.E. : An Hybrid MILP/CP Decomposition Approach for the Continuous Time Scheduling of Multipurpose Batch Plants, Computers and Chemical Engineering, 28(10) : (2004) 15. Rajaram Kumar and Karmarkar Uday S. : Campaign Planning and Scheduling for Multiproduct Batch Operations with Applications to the Food-Processing Industry, Manufacturing & Service Operations Management 6(3) : (2004)

16 16 Robert, Le Pape et Sourd 16. Robert Anna, Le Pape Claude, Paulin Frédéric et Sourd Francis : Une Nouvelle approche de l Intégration de la Planification de Production et de l Ordonnancement, RJCIA 2005 (2005) 17. Robert Anna and Le Pape Claude : Benchmark for Integrated Mid-term Planning and Detailed Scheduling, Technical specifications document, ILOG S.A., France (2005) 18. Staggemeier A.T. and Clark A.R. : A Survey of Lot-Sizing and Scheduling Models, 23rd Symposium of the Brazilian Operational Research Society (SOBRAPO) (2001) 19. Sürie Christopher and Stadtler Hartmut : The Capacitated Lot Sizing Problem with Linked Lot Sizes, Management Science 49(9) : (2003) 20. Sürie Christopher : Campaign Planning in Time-indexed Model Formulations, International Journal of Production Research 43(1) :49-66 (2005) 21. Timpe Christian : Solving Planning and Scheduling Problems with Combined Integer and Constraint Programming, OR Spectrum, 24(4) : (2002) 22. Trietsch Dan and Baker Kenneth R. : Basic techniques for lot streaming, Operations Research, 41(6) : (1993) 23. Wolsey Laurence A. : Integer Programming for Production Planning and Scheduling, Chapter based on a Lecture at the Chorin Summer School, Germany (1999)

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

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

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

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

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

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

lot-sizing à capacité finie

lot-sizing à capacité finie Thèse de doctorat de l UNIVERSITE PARIS VI Spécialité : INFORMATIQUE Présentée par : Nabil ABSI pour obtenir le grade de DOCTEUR de l UNIVERSITE PARIS VI Sujet de thèse : Modélisation et résolution de

Plus en détail

Notice biographique Repères biographiques communs. Nom : BOTTA Prénom : VALERIE Section : 61

Notice biographique Repères biographiques communs. Nom : BOTTA Prénom : VALERIE Section : 61 Notice biographique Repères biographiques communs Nom : BOTTA Prénom : VALERIE Section : 61 Corps : Professeur Grade : 1ere classe Equipe de recherche DISP, EA 4570 Ecole doctorale InfoMaths, EA 512 Directeur

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

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

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

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

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

Gestion scientifique des stocks

Gestion scientifique des stocks Gestion scientifique des stocks Boualem RABTA Université de Béjaia (Algérie) 13/03/2007 Table des matières 1 Gestion des stocks 2 1.1 Définition...................................... 2 1.2 La fonction

Plus en détail

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

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

Plus en détail

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

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

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

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

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

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

Plus en détail

Gestion des stocks. quantité économique de commande recomplétement calendaire gestion à point de commande. Gestion de production

Gestion des stocks. quantité économique de commande recomplétement calendaire gestion à point de commande. Gestion de production GESTION DES STOCKS Gestion des stocks Le stock et ses fonctions les politiques de gestion des stocks : objectifs, contraintes et décisions quelques modèles classiques de gestion des stocks quantité économique

Plus en détail

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

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

Plus en détail

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

Sujet 6: MRP/ERP v. optimisation: modélisation et algorithmes Sujet 6: MRP/ERP v. optimisation: modélisation et algorithmes MSE3312: Planification de production et gestion des opérations Andrew J. Miller Dernière mise au jour: December 6, 2010 Dans ce sujet... 1

Plus en détail

Alain Martinez alain martinez Page 1 19/07/2004

Alain Martinez alain martinez Page 1 19/07/2004 Alain Martinez alain martinez Page 1 19/07/2004 BIBLIOGRAPHIE SOMMAIRE : GESTION DE LA PRODUCTION V.GIARD ECONOMICA GESTION DE PROJET V.GIARD ECONOMICA CLASSE A ISERPA LA GESTION DE LA PRODUCTION J.BENASSY

Plus en détail

Rapport du Jury du Concours 2010 Épreuve Pratique d Algorithmique et de Programmation (EPAP)

Rapport du Jury du Concours 2010 Épreuve Pratique d Algorithmique et de Programmation (EPAP) Rapport du Jury du Concours 2010 Épreuve Pratique d Algorithmique et de Programmation (EPAP) Loris Marchal, Guillaume Melquion, Frédéric Tronel 21 juin 2011 Remarques générales à propos de l épreuve Organisation

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

Mettre en œuvre les processus

Mettre en œuvre les processus Plan du chapitre 1 Introduction Master Informatique et Systèmes Urbanisation des Systèmes d Information Architecture d Entreprise 03 Définition et modélisation de l entreprise 2 Les motivations et la stratégie

Plus en détail

La planification tactique

La planification tactique La planification tactique État de l art 20/03/2014 David Lemoine David.lemoine@mines-nantes.fr Plan de la présentation Contexte et problématique Détermination de plans tactiques Capacité, délai d obtention

Plus en détail

INTRODUCTION AUX PROBLEMES COMBINATOIRES "DIFFICILES" : LE PROBLEME DU VOYAGEUR DE COMMERCE ET LE PROBLEME DE COLORATION D'UN GRAPHE

INTRODUCTION AUX PROBLEMES COMBINATOIRES DIFFICILES : LE PROBLEME DU VOYAGEUR DE COMMERCE ET LE PROBLEME DE COLORATION D'UN GRAPHE Leçon 10 INTRODUCTION AUX PROBLEMES COMBINATOIRES "DIFFICILES" : LE PROBLEME DU VOYAGEUR DE COMMERCE ET LE PROBLEME DE COLORATION D'UN GRAPHE Dans cette leçon, nous présentons deux problèmes très célèbres,

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

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

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

Un algorithme de programmation par contraintes pour la recherche d allocations leximin-optimales.

Un algorithme de programmation par contraintes pour la recherche d allocations leximin-optimales. Un algorithme de programmation par contraintes pour la recherche d allocations leximin-optimales. Sylvain Bouveret et Michel Lemaître Office National d Études et de Recherches Aérospatiales Centre National

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

OPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT)

OPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT) OPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT) LAGGOUNE Radouane 1 et HADDAD Cherifa 2 1,2: Dépt. de G. Mécanique, université de Bejaia, Targa-Ouzemour

Plus en détail

TABLE DES MATIÈRES CHAPITRE

TABLE DES MATIÈRES CHAPITRE TABLE DES MATIÈRES CHAPITRE 1 Le pilotage de la performance... 17 I. Du contrôle au pilotage de la performance... 17 A. Le contrôle de gestion traditionnel... 17 B. Le pilotage de la performance... 19

Plus en détail

Outil de gestion de production mis au point aux Etats-Unis dans les années 1965, par Joseph Orlicky Limites des méthodes de gestion des stocks

Outil de gestion de production mis au point aux Etats-Unis dans les années 1965, par Joseph Orlicky Limites des méthodes de gestion des stocks MRP Outil de gestion de production mis au point aux Etats-Unis dans les années 1965, par Joseph Orlicky Limites des méthodes de gestion des stocks Articles gérés indépendamment les uns des autres On suppose

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

Présentation livre Simulation for Supply Chain Management. Chapitre 1 - Supply Chain simulation: An Overview

Présentation livre Simulation for Supply Chain Management. Chapitre 1 - Supply Chain simulation: An Overview Présentation livre Simulation for Supply Chain Management Chapitre 1 - Supply Chain simulation: An Overview G. Bel, C. Thierry et A. Thomas 1 Plan Gestion de chaînes logistiques et simulation Points de

Plus en détail

Prévision de la demande

Prévision de la demande But : Pour prendre des décisions relatives à la structure et au fonctionnement opérationnel de tout système logistique; il faut s appuyer sur un système de prévision fiable. Concerne le long, moyen et

Plus en détail

Séance 9. Planification globale Planification détaillée 4-530-03. Gestion des opérations et de la production

Séance 9. Planification globale Planification détaillée 4-530-03. Gestion des opérations et de la production Gestion des opérations et de la production Séance 9 4-530-03 Planification globale Planification détaillée Plan de la présentation La planification globale : Objectifs et principes de base; Stratégies

Plus en détail

Annexe A. Glossaire. 2015 Pearson France Gestion de projet, 5e édition - 9782326000971 ANNEXE A

Annexe A. Glossaire. 2015 Pearson France Gestion de projet, 5e édition - 9782326000971 ANNEXE A Annexe A Glossaire Activité Élément de travail devant être entrepris pour achever les étapes d un projet. Chaque activité comprend une date de début, une date de fin ainsi qu une personne chargée de l

Plus en détail

Processus et Outils S&OP

Processus et Outils S&OP Technical paper Processus et Outils S&OP 1. Processus et Outils S&OP 1.1 Vocabulaire S&OP désigne «Sales and Operations Planning» en anglais. L équivalent Français est le PIC «Plan Industriel et Commercial».

Plus en détail

Exemples de problèmes et d applications. INF6953 Exemples de problèmes 1

Exemples de problèmes et d applications. INF6953 Exemples de problèmes 1 Exemples de problèmes et d applications INF6953 Exemples de problèmes Sommaire Quelques domaines d application Quelques problèmes réels Allocation de fréquences dans les réseaux radio-mobiles Affectation

Plus en détail

Francis BISSON (06 794 819) Kenny CÔTÉ (06 836 427) Pierre-Luc ROGER (06 801 883) IFT702 Planification en intelligence artificielle

Francis BISSON (06 794 819) Kenny CÔTÉ (06 836 427) Pierre-Luc ROGER (06 801 883) IFT702 Planification en intelligence artificielle Francis BISSON (06 794 819) Kenny CÔTÉ (06 836 427) Pierre-Luc ROGER (06 801 883) PLANIFICATION DE TÂCHES DANS MS PROJECT IFT702 Planification en intelligence artificielle Présenté à M. Froduald KABANZA

Plus en détail

Intérêt énergétique de l utilisation de matériaux à changement de phase (MCP) dans un chauffe-eau utilisant une source d énergie électrique

Intérêt énergétique de l utilisation de matériaux à changement de phase (MCP) dans un chauffe-eau utilisant une source d énergie électrique Intérêt énergétique de l utilisation de matériaux à changement de phase (MCP) dans un chauffe-eau utilisant une source d énergie électrique Stéphane GIBOUT*, Erwin FRANQUET, Jean CASTAING-LASVIGNOTTES,

Plus en détail

Stéphane SIRJEAN Licence. Gestion des flux

Stéphane SIRJEAN Licence. Gestion des flux Stéphane SIRJEAN Licence Gestion des flux 1 Pilotage des flux Plan du Cours Chapitre 1: Introduction Définition des flux Les différents types de flux Notion de processus Notion d opération et d opérations

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

WHITEPAPER. Quatre indices pour identifier une intégration ERP inefficace

WHITEPAPER. Quatre indices pour identifier une intégration ERP inefficace Quatre indices pour identifier une intégration ERP inefficace 1 Table of Contents 3 Manque de centralisation 4 Manque de données en temps réel 6 Implémentations fastidieuses et manquant de souplesse 7

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

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

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

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

LE SUPPLY CHAIN MANAGEMENT

LE SUPPLY CHAIN MANAGEMENT LE SUPPLY CHAIN MANAGEMENT DEFINITION DE LA LOGISTIQUE La logistique est une fonction «dont la finalité est la satisfaction des besoins exprimés ou latents, aux meilleures conditions économiques pour l'entreprise

Plus en détail

Josée St-Pierre, Ph. D. Directrice Laboratoire de recherche sur la performance des entreprises

Josée St-Pierre, Ph. D. Directrice Laboratoire de recherche sur la performance des entreprises PME, réseautage et optimisation de la chaîne logistique Éditorial InfoPME est publié par le Laboratoire de recherche sur la performance des entreprises (LaRePE) Institut de recherche sur les PME Université

Plus en détail

1. L évolution de la compétitivité de l entreprise... 1. 2. Le contexte de la nouvelle gestion de production... 4

1. L évolution de la compétitivité de l entreprise... 1. 2. Le contexte de la nouvelle gestion de production... 4 Sommaire Chapitre 1 Introduction 1. L évolution de la compétitivité de l entreprise... 1 2. Le contexte de la nouvelle gestion de production... 4 3. La gestion de production et les flux... 5 4. Gestion

Plus en détail

GESTION DE PROJETS Coûts délais. 05/09/2007 V2.0 Gestion de Projets T. Fricheteau 1

GESTION DE PROJETS Coûts délais. 05/09/2007 V2.0 Gestion de Projets T. Fricheteau 1 GESTION DE PROJETS Coûts délais 05/09/2007 V2.0 Gestion de Projets T. Fricheteau 1 GESTION DE PROJETS Plan du cours: - Définitions, - Maîtrise des coûts et délais, - Gestion de l équipe projet, - Comité

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

1. Les méthodes Lexique des termes CBP,CRP,DRP, ECR, MRP, SOP, VMI

1. Les méthodes Lexique des termes CBP,CRP,DRP, ECR, MRP, SOP, VMI 1. Les méthodes Lexique des termes CBP,CRP,DRP, ECR, MRP, SOP, VMI CBP Constraint Based Planning Planification sous contraintes Méthode et techniques permettant de planifier, à capacités finies et réalistes

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

PLANIFICATION DES LIVRAISON JOINTES DE DIFFERENTS PRODUITS A DIFFERENTS SITES

PLANIFICATION DES LIVRAISON JOINTES DE DIFFERENTS PRODUITS A DIFFERENTS SITES 0ème Conférence Francophone de Modélisation, Optimisation et Simulation- MOSIM 5 au 7 novembre 0 - Nancy France «de l économie linéaire à l économie circulaire» PLANIFICATION DES LIVRAISON JOINTES DE DIFFERENTS

Plus en détail

Objectifs du cours d aujourd hui. Informatique I : Cours d introduction à l informatique et à la programmation Structures de Données Abstraites & Tris

Objectifs du cours d aujourd hui. Informatique I : Cours d introduction à l informatique et à la programmation Structures de Données Abstraites & Tris Objectifs du cours d aujourd hui Informatique I : Cours d introduction à l informatique et à la programmation Structures de Données Abstraites & Tris Continuer l approfondissement de la programmation de

Plus en détail

Chapitre V ORDONNANCEMENT EN ATELIERS

Chapitre V ORDONNANCEMENT EN ATELIERS Chapitre V ORDONNANCEMENT EN ATELIERS SPÉCIALISÉS La version CD-Rom de ce chapitre permet d accéder directement à des logiciels exploitant les principales techniques ou approches décrites dans ce chapitre.

Plus en détail

MAITRISE DE LA CHAINE LOGISTIQUE GLOBALE (SUPPLY CHAIN MANAGEMENT) Dimensionnement et pilotage des flux de produits

MAITRISE DE LA CHAINE LOGISTIQUE GLOBALE (SUPPLY CHAIN MANAGEMENT) Dimensionnement et pilotage des flux de produits MAITRISE DE LA CHAINE LOGISTIQUE GLOBALE (SUPPLY CHAIN MANAGEMENT) Dimensionnement et pilotage des flux de produits Préambule La performance flux, quel que soit le vocable sous lequel on la désigne ( Juste

Plus en détail

Supply chain collaborative sous incertitude. Romain Guillaume et Caroline Thierry

Supply chain collaborative sous incertitude. Romain Guillaume et Caroline Thierry Supply chain collaborative sous incertitude Romain Guillaume et Caroline Thierry Plan de la présentation Gestion des chaines logistiques Simulation des processus logistiques Modèles de comportement des

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

Gestion des opérations. et de la production. Séance 10 4-530-03. La planification des besoins matières

Gestion des opérations. et de la production. Séance 10 4-530-03. La planification des besoins matières Gestion des opérations et de la production Séance 10 4-530-03 La planification des besoins matières 1 9, 9, Service Service d enseignement d enseignement de la de Gestion la Gestion des Opérations des

Plus en détail

RETRO-INGENIERIE DES BASES DE DONNEES

RETRO-INGENIERIE DES BASES DE DONNEES RETRO-INGENIERIE DES BASES DE DONNEES Les contenus de ce document sont la propriété exclusive de la société REVER. Ils ne sont transmis qu à titre d information et ne peuvent en aucun cas être considérés

Plus en détail

CALCUL SCIENTIFIQUE. 1 Erreur absolue et erreur relative 2. 2 Représentation des nombres sur ordinateur 3

CALCUL SCIENTIFIQUE. 1 Erreur absolue et erreur relative 2. 2 Représentation des nombres sur ordinateur 3 MTH1504 2011-2012 CALCUL SCIENTIFIQUE Table des matières 1 Erreur absolue et erreur relative 2 2 Représentation des nombres sur ordinateur 3 3 Arithmétique flottante 4 3.1 Absorption........................................

Plus en détail

Numérisation et constitution d une bibliothèque numérique

Numérisation et constitution d une bibliothèque numérique Numérisation et constitution d une bibliothèque numérique 28 janvier 2013 Yohann Le Tallec yohann.le-tallec@bnf.fr Service numérisation Introduction Brève présentation des projets de numérisation en cours

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

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

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

Gestion de chaînes logistiques Aide à la décision à moyen terme

Gestion de chaînes logistiques Aide à la décision à moyen terme Université Toulouse 2 Le Mirail Habilitation à diriger des recherches Gestion de chaînes logistiques Aide à la décision à moyen terme Caroline Thierry 25 Juin 2003 1/44 Sommaire Parcours et chronologie

Plus en détail

Programme «Responsable en logistique de Distribution» Titre de l ISLT inscrit au RNCP de niveau 2

Programme «Responsable en logistique de Distribution» Titre de l ISLT inscrit au RNCP de niveau 2 Programme «Responsable en logistique de Distribution» Titre de l ISLT inscrit au RNCP de niveau 2 INSTITUT NEMO 36-38 AVENUE PIERRE BROSSOLETTE 92240 MALAKOFF 1 Public visé Tout public, titulaire d un

Plus en détail

Programmation Linéaire - Cours 1

Programmation Linéaire - Cours 1 Programmation Linéaire - Cours 1 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Ouvrages de référence V. Chvátal - Linear Programming, W.H.Freeman, New York, 1983.

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

Paramétrage d une Gestion de Production

Paramétrage d une Gestion de Production Prélude 7 ERP Paramétrage d une Gestion de Production Jeu compétitif de gestion de flux sur un horizon fixé Christian van DELFT - Groupe HEC Ce jeu nécessite de disposer de la licence au niveau intermédiaire.

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

HORIZON Pop Suite Logicielle de P ilotage Opérationnel de la Performance Rendre vos processus compétitifs plus légers, plus réactifs, plus agiles et plus sûrs www.concept-pop.com Process Mapping Process

Plus en détail

Applications #2 Problème du voyageur de commerce (TSP)

Applications #2 Problème du voyageur de commerce (TSP) Applications #2 Problème du voyageur de commerce (TSP) MTH6311 S. Le Digabel, École Polytechnique de Montréal H2014 (v2) MTH6311: Heuristiques pour le TSP 1/34 Plan 1. Introduction 2. Formulations MIP

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

RECHERCHE OPERATIONNELLE

RECHERCHE OPERATIONNELLE RECHERCHE OPERATIONNELLE PROBLEME DE L ARBRE RECOUVRANT MINIMAL I - INTRODUCTION (1) Définitions (2) Propriétés, Conditions d existence II ALGORITHMES (1) Algorithme de KRUSKAL (2) Algorithme de PRIM I

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

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

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

Plus en détail

SOMMAIRE. II L organisation du projet. 15 II.1 La place du projet dans la structure de l entreprise. 15 II.2 Les acteurs. 18

SOMMAIRE. II L organisation du projet. 15 II.1 La place du projet dans la structure de l entreprise. 15 II.2 Les acteurs. 18 SOMMAIRE CHAPITRE 1 INTRODUCTION I Définition du projet et de la gestion de projets. 7 I.1 Définition du projet. 7 I.2 Définition de la gestion des projets. 10 I.3 Interaction formulation - résolution

Plus en détail

Résolution du RCPSP avec production et consommation de ressources : modèles PLNE basés sur les événements

Résolution du RCPSP avec production et consommation de ressources : modèles PLNE basés sur les événements «Évaluation et optimisation des systèmes innovants de production de biens et de services» Résolution du RCPSP avec production et consommation de ressources : modèles PLNE basés sur les événements Oumar

Plus en détail

La dynamique d évolution des marchés

La dynamique d évolution des marchés R e n d e z - v o u s d E x p e r t PEA Consulting Aligner sa Supply Chain sur la stratégie de l entreprise Depuis plusieurs années, les entreprises ont consenti d importants efforts pour améliorer la

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

Fondements de l informatique: Examen Durée: 3h

Fondements de l informatique: Examen Durée: 3h École polytechnique X2013 INF412 Fondements de l informatique Fondements de l informatique: Examen Durée: 3h Sujet proposé par Olivier Bournez Version 3 (corrigé) L énoncé comporte 4 parties (sections),

Plus en détail

Résumé du document «Programmes des classes préparatoires aux Grandes Écoles ; Discipline : Informatique ; Première et seconde années - 2013»

Résumé du document «Programmes des classes préparatoires aux Grandes Écoles ; Discipline : Informatique ; Première et seconde années - 2013» Résumé du document «Programmes des classes préparatoires aux Grandes Écoles ; Discipline : Informatique ; Première et seconde années - 2013» I Objectifs Niveau fondamental : «on se fixe pour objectif la

Plus en détail

PIC - PDP Ordonnancement

PIC - PDP Ordonnancement Atelier Echanges PIC - PDP Ordonnancement "L'épine dorsale de votre système industriel" JR Comperat, CPIM N. Vareillas, CPIM Jean-Robert Compérat : Formateur Consultant indépendant Expert : - Processus

Plus en détail

Tension d alimentation : V CC. i C R C R B

Tension d alimentation : V CC. i C R C R B Chapitre 4 Polarisation du transistor bipolaire à jonction 4.1 Le problème de la polarisation 4.1.1 Introduction Dans le chapitre 3, nous avons analysé un premier exemple de circuit d amplification de

Plus en détail

Eléments de Gestion Industrielle

Eléments de Gestion Industrielle Eléments de Gestion Industrielle L objet de ce document est de rappeler quelques définitions élémentaires de gestion industrielle à l intention de lecteurs n ayant pas reçu une formation technique. Sommaire

Plus en détail

NORME INTERNATIONALE D AUDIT 700 FONDEMENT DE L OPINION ET RAPPORT D AUDIT SUR DES ETATS FINANCIERS

NORME INTERNATIONALE D AUDIT 700 FONDEMENT DE L OPINION ET RAPPORT D AUDIT SUR DES ETATS FINANCIERS NORME INTERNATIONALE D AUDIT 700 FONDEMENT DE L OPINION ET RAPPORT D AUDIT SUR DES ETATS FINANCIERS Introduction (Applicable aux audits d états financiers pour les périodes ouvertes à compter du 15 décembre

Plus en détail

Conception de réseaux de télécommunications : optimisation et expérimentations

Conception de réseaux de télécommunications : optimisation et expérimentations Conception de réseaux de télécommunications : optimisation et expérimentations Jean-François Lalande Directeurs de thèse: Jean-Claude Bermond - Michel Syska Université de Nice-Sophia Antipolis Mascotte,

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

Operation Execution System (OES) Plateforme Stratégique Pour la performance Industrielle. Copyright 2006 Apriso Corporation 1

Operation Execution System (OES) Plateforme Stratégique Pour la performance Industrielle. Copyright 2006 Apriso Corporation 1 Operation Execution System (OES) Plateforme Stratégique Pour la performance Industrielle 1 Anciens Processus vs. Nouveaux Processus Ancien Nouveau InitiativesStratégiques 80% REBUT vs. 20% VALEUR 80% VALEUR

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