Lot streaming et pegging pour l intégration de la planification et de l ordonnancement de production
|
|
- Lucile Doucet
- il y a 8 ans
- Total affichages :
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 {anrobert,clepape}@ilog.fr 2 Laboratoire d Informatique de Paris 6, 8 rue du Capitaine Scott, Paris francis.sourd@lip6.fr 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) 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. APP3 Optimisation Combinatoire: problèmes sur-contraints et ordonnancement. Mines-Nantes, option GIPAD, 2011-2012. Sophie.Demassey@mines-nantes.fr Résumé Ce document
Plus en détailPROBLEMES 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 détailCours 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 détailOPTIMISATION 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 détailFrancis 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 détailNouvelles 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 détailInfo0804. 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 détailUn 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 détailA 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 détailDétermination de la taille des lots : cas d une production cyclique et d une demande dynamique
Détermination de la taille des lots : cas d une production cyclique et d une demande dynamique Projet effectué en collaboration avec Domtar, Windsor Équipe de projet : Hanen Bouchriha, post-doctorat en
Plus en détailALGORITHME 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 détailProblèmes 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 détailRecherche 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 détailMAITRISE 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 détailRésolution 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 détailConception 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 détailNouvelles 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 détailINSERTION 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 détailProgrammation 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 détailExemples 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 détailNorme comptable internationale 33 Résultat par action
Norme comptable internationale 33 Résultat par action Objectif 1 L objectif de la présente norme est de prescrire les principes de détermination et de présentation du résultat par action de manière à améliorer
Plus en détailMétriques de performance pour les algorithmes et programmes parallèles
Métriques de performance pour les algorithmes et programmes parallèles 11 18 nov. 2002 Cette section est basée tout d abord sur la référence suivante (manuel suggéré mais non obligatoire) : R. Miller and
Plus en détailSolution A La Gestion Des Objets Java Pour Des Systèmes Embarqués
International Journal of Engineering Research and Development e-issn: 2278-067X, p-issn: 2278-800X, www.ijerd.com Volume 7, Issue 5 (June 2013), PP.99-103 Solution A La Gestion Des Objets Java Pour Des
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailPLAN 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 détailOperation 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 détailLES OUTILS DU TRAVAIL COLLABORATIF
LES OUTILS DU TRAVAIL COLLABORATIF Lorraine L expression «travail collaboratif» peut se définir comme «l utilisation de ressources informatiques dans le contexte d un projet réalisé par les membres d un
Plus en détailThéorèmes de Point Fixe et Applications 1
Théorèmes de Point Fixe et Applications 1 Victor Ginsburgh Université Libre de Bruxelles et CORE, Louvain-la-Neuve Janvier 1999 Published in C. Jessua, C. Labrousse et D. Vitry, eds., Dictionnaire des
Plus en détailDéveloppement 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 détail0DWKpPDWLTXHVGHO DUJHQW. édité par Mr. G.Moumoulidis (OTE)
3/$,78'RF) 0DWKpPDWTXHVGHO DUJHQW HW OHVpWXGHVWHFKQTXHVpFRQRPTXHV édité par Mr. G.Moumoulidis (OTE) 8,2,7(5$7,2$/('(67(/(&2008,&$7,26,7(5$7,2$/7(/(&2008,&$7,28,2 8,2,7(5$&,2$/'(7(/(&208,&$&,2(6 - - 0DWKpPDWTXHVGHO
Plus en détailClassement multicritère de stratégies d'ordonnancement dans le cadre d'une industrie semi-continue
Classement multicritère de stratégies d'ordonnancement dans le cadre d'une industrie semi-continue O. Roux 1, V. Dhaevers 1, D. Duvivier 1, N. Meskens 1 et A. Artiba 2 1. Facultés Universitaires Catholiques
Plus en détailOrdonnancement 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 détailCONSEIL NATIONAL DE LA COMPTABILITÉ. 1.4 - Remplacement d instruments
CONSEIL NATIONAL DE LA COMPTABILITÉ Réponse aux questions pratiques liées à l application du règlement CRC n 2002-09 relatif à la comptabilisation des instruments financiers à terme par les entreprises
Plus en détailSéparation 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 détail4.2 Unités d enseignement du M1
88 CHAPITRE 4. DESCRIPTION DES UNITÉS D ENSEIGNEMENT 4.2 Unités d enseignement du M1 Tous les cours sont de 6 ECTS. Modélisation, optimisation et complexité des algorithmes (code RCP106) Objectif : Présenter
Plus en détailFORMAT FORMA ION SUR LA ION SUR LA GESTION DE PROJET & MS PROJECT
FORMATION SUR LA GESTION DE PROJET & MS PROJECT Présentation rapide Jamal Achiq Consultant - Formateur sur le management de projet, MS Project, et EPM Certifications: Management de projet : «PRINCE2, Praticien»
Plus en détailAVERTISSEMENT. 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 détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailMinimisation de la somme des retards dans un jobshop flexible
Minimisation de la somme des retards dans un jobshop flexible Nozha ZRIBI, Imed KACEM, Abdelkader EL KAMEL, Pierre BORNE LAGIS Ecole Centrale de Lille, BP 48, 5965 Villeneuve d Ascq Cedex, France ISTIT
Plus en détailOrdonnancement robuste et décision dans l'incertain
Ordonnancement robuste et décision dans l'incertain 4 ème Conférence Annuelle d Ingénierie Système «Efficacité des entreprises et satisfaction des clients» Centre de Congrès Pierre Baudis,TOULOUSE, 2-4
Plus en détailEtude 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 détailPrésentation. Pour. Gilles ALAIS, Country Manager Barloworld Supply Chain Software France 20 Rue des Petits Hôtels, 75010 Paris
Présentation Pour Gilles ALAIS, Country Manager Barloworld Supply Chain Software France 20 Rue des Petits Hôtels, 75010 Paris Email: galais@barloworldscs.com Tel : + 33 1 73 03 04 10 / + 33 6 08 01 52
Plus en détailCommunications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes
Loris MARCHAL Laboratoire de l Informatique du Parallélisme Équipe Graal Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes Thèse réalisée sous la direction
Plus en détailL OPTIMISATION ÉCONOMIQUE DU VOLUME DU LOT DE FABRICATION DANS LE MANAGEMENT DE LA PRODUCTION EN SÉRIE
L OPTIMISATION ÉCONOMIQUE DU VOLUME DU LOT DE FABRICATION DANS LE MANAGEMENT DE LA PRODUCTION EN SÉRIE Gradinaru Dorule L Université de Pite ti, La Faculté de Sciences Économiques, 0752458187, gradinaru_dorulet@yahoo.com
Plus en détailUtilisation du backtrack intelligent dans un branch-and-bound Application au problème d Open-Shop
Utilisation du backtrack intelligent dans un branch-and-bound Application au problème d Open-Shop Narendra Jussien et Christelle Guéret École des Mines de Nantes 4 rue Alfred Kastler BP 20722 F-44300 Nantes
Plus en détailPrésentation 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 détailL apport des logiciels d optimisation des stocks multi-échelons
omment passer à la vitesse supérieure dans le calcul des stocks de sécurité et aller plus loin que les ERP et APS traditionnels? est ce que nous explique Tanguy aillet de J&M Management onsulting en nous
Plus en détailMonia Amami Franck Brulhart Raymond Gambini Pierre-Xavier Meschi
Version 4.7 Simulation d Entreprise «Artemis» Monia Amami Franck Brulhart Raymond Gambini Pierre-Xavier Meschi p. 1 1. Objectifs et Contexte Général L objectif de la simulation d entreprise «Artemis» est
Plus en détailCEG4566/CSI4541 Conception de systèmes temps réel
CEG4566/CSI4541 Conception de systèmes temps réel Chapitre 6 Vivacité, sécurité (Safety), fiabilité et tolérance aux fautes dans les systèmes en temps réel 6.1 Introduction générale aux notions de sécurité
Plus en détailReprésentation des Nombres
Chapitre 5 Représentation des Nombres 5. Representation des entiers 5.. Principe des représentations en base b Base L entier écrit 344 correspond a 3 mille + 4 cent + dix + 4. Plus généralement a n a n...
Plus en détailPour une entreprise plus performante
Pour une entreprise plus performante Smart Technology Services Raison Sociale - Smart Technology Services llc Pôle d activités - Service et conseil dans la technologie de l information Pôle d activités
Plus en détailClassification Automatique de messages : une approche hybride
RECIAL 2002, Nancy, 24-27 juin 2002 Classification Automatique de messages : une approche hybride O. Nouali (1) Laboratoire des Logiciels de base, CE.R.I.S., Rue des 3 frères Aïssiou, Ben Aknoun, Alger,
Plus en détailDu paradigme Suivi/ordonnancement/GPAO au paradigme ERP/APS/MES : révolution ou évolution?
Du paradigme Suivi/ordonnancement/GPAO au paradigme ERP/APS/MES : révolution ou évolution? Présentation faite par P. Batiste au Congrès CPI 2001 à Fez 1/45 Sommaire Le contexte historique Le besoin d intégration
Plus en détail5255 Av. Decelles, suite 2030 Montréal (Québec) H3T 2B1 T: 514.592.9301 F: 514.340.6850 info@apstat.com www.apstat.com
Application des réseaux de neurones au plan de répartition des risques 5255 Av. Decelles, suite 2030 Montréal (Québec) H3T 2B1 T: 514.592.9301 F: 514.340.6850 info@apstat.com www.apstat.com Copyright c
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détailComplexité. Licence Informatique - Semestre 2 - Algorithmique et Programmation
Complexité Objectifs des calculs de complexité : - pouvoir prévoir le temps d'exécution d'un algorithme - pouvoir comparer deux algorithmes réalisant le même traitement Exemples : - si on lance le calcul
Plus en détailMlle 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(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
Plus en détailWHITEPAPER. 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 détailCycle de vie du logiciel. Unified Modeling Language UML. UML: définition. Développement Logiciel. Salima Hassas. Unified Modeling Language
Unified Modeling Language UML Salima Hassas Version Cycle de vie du logiciel Client Besoins Déploiement Analyse Test Conception Cours sur la base des transparents de : Gioavanna Di Marzo Serugendo et Frédéric
Plus en détailContrainte de flot pour RCPSP avec temps de transfert
Contrainte de flot et x-rcpsc T 1 Contrainte de flot pour RCPSP avec temps de transfert PS temp, s ij Cmax BENOIST Thierry BOUYGUES/e-Lab DIAMANTINI Maurice ENSTA/LMA Contrainte de flot et x-rcpsc T Présentation
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de
Plus en détailSKF DANS LE MONDE. 2007-11-20 SKF Slide 2 SKF [Communication] SKF (Communicat
SKF DANS LE MONDE 2007-11-20 SKF Slide 2 SKF [Communication] SKF (Communicat Implantation dans le monde Sites de fabrication Unités de ventes SKF est un groupe international avec des sociétés de vente
Plus en détailLes rendez-vous Risk Advisory La lettre des professionnels du risque et de la finance
Risk Advisory Février 2014 Les rendez-vous Risk Advisory La lettre des professionnels du risque et de la finance Des points de vue sur vos sujets de préoccupation dans les domaines de la gestion des risques,
Plus en détailLES 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 détailComment Utiliser son ERP pour Soutenir le Déploiement du Lean?
Comment Utiliser son ERP pour Soutenir le Déploiement du Lean? Philippe COURTY, CFPIM Dirigeant de CJP-Conseils www.cjp-conseils.com 1 Comment Utiliser son ERP pour Soutenir le Déploiement du Lean? Les
Plus en détailLE 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 détailManagement de la chaîne logistique. Professeur Mohamed Reghioui
Management de la chaîne logistique Professeur Mohamed Reghioui M.Reghioui - 2012 1 Informations générales sur le module Intervenants: Mohamed Reghioui(m.reghioui@gmail.com) Informations générales Répartition
Plus en détailChapitre 7. Récurrences
Chapitre 7 Récurrences 333 Plan 1. Introduction 2. Applications 3. Classification des récurrences 4. Résolution de récurrences 5. Résumé et comparaisons Lectures conseillées : I MCS, chapitre 20. I Rosen,
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailLa mise en place du Lean Supply Chain chez Schneider Electric
La mise en place du Lean Supply Chain chez Schneider Electric Gérard JORGE Directeur de la division Ibérique & Internationale, Schneider Electric Revoir complètement la chaîne d approvisionnement, assurer
Plus en détailLes indices à surplus constant
Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailGuide No.2 de la Recommandation Rec (2009).. du Comité des Ministres aux États membres sur la démocratie électronique
DIRECTION GENERALE DES AFFAIRES POLITIQUES DIRECTION DES INSTITUTIONS DEMOCRATIQUES Projet «BONNE GOUVERNANCE DANS LA SOCIETE DE L INFORMATION» CAHDE (2009) 2F Strasbourg, 20 janvier 2009 Guide No.2 de
Plus en détailLe Guide Pratique des Processus Métiers
Guides Pratiques Objecteering Le Guide Pratique des Processus Métiers Auteur : Version : 1.0 Copyright : Softeam Equipe Conseil Softeam Supervisée par Philippe Desfray Softeam 21 avenue Victor Hugo 75016
Plus en détailCegid Business Place Produflex
CegidBusinessPlaceIndustrie Cegid Business Place Produflex Produflex GRC Gestion Commerciale Gestion de Production SAV Isoflex SGDT Paie GRH EDI SCM Comptabilité Finance Gérez en toute fluidité l ensemble
Plus en détailNom de l application
Ministère de l Enseignement Supérieur et de la Recherche Scientifique Direction Générale des Etudes Technologiques Institut Supérieur des Etudes Technologiques de Gafsa Département Technologies de l Informatique
Plus en détailChapitre 1 : Introduction aux bases de données
Chapitre 1 : Introduction aux bases de données Les Bases de Données occupent aujourd'hui une place de plus en plus importante dans les systèmes informatiques. Les Systèmes de Gestion de Bases de Données
Plus en détailINFO-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 détailMaintenir son cap en maîtrisant sa rentabilité. www.clipindustrie.com
Maintenir son cap en maîtrisant sa rentabilité www.clipindustrie.com La GPAO, véritable outil de production La GPAO est un ensemble d outils de gestion et de planification intégrant toutes les informations
Plus en détailPrésentation Vinci Consulting
Présentation Vinci Consulting Practice Management et Performance Janvier 2013 Vinci Consulting 25 rue d Artois 75008 Paris www.vinci-consulting.com Vinci Consulting est un cabinet de conseil en management,
Plus en détailIN SYSTEM. Préconisations techniques pour Sage 100 Windows, MAC/OS, et pour Sage 100 pour SQL Server V16. Objectif :
IN SYSTEM Préconisations techniques pour Sage 100 Windows, MAC/OS, et pour Sage 100 pour SQL V16 Objectif : En synthèse des manuels de référence de Sage Ligne 100, ce document vous présente les préconisations,
Plus en détailOrdonnancement temps réel
Ordonnancement temps réel Laurent.Pautet@enst.fr Version 1.5 Problématique de l ordonnancement temps réel En fonctionnement normal, respecter les contraintes temporelles spécifiées par toutes les tâches
Plus en détailLe financement adossé de l immobilier en gestion de patrimoine : une modélisation simple
Le financement adossé de l immobilier en gestion de patrimoine : une modélisation simple Laurent Batsch ahier de recherche n 2005-01 Le financement adossé est une des modalités de financement de l investissement
Plus en détailLA GESTION DES STOCKS POUR UN FABRICANT AUX GRANDES CHAÎNES
LA GESTION DES STOCKS POUR UN FABRICANT AUX GRANDES CHAÎNES Direction du développement des entreprises Cet outil de gestion est une initiative conjointe de la Direction du commerce, des services et de
Plus en détailLA COMPTABILITE DE COUVERTURE EN IFRS DEMYSTIFIEE **** IMA France 5 février 2008 Xavier Paper et Patrick Grinspan. Paper Audit & Conseil 1
LA COMPTABILITE DE COUVERTURE EN IFRS DEMYSTIFIEE **** IMA France 5 février 2008 Xavier Paper et Patrick Grinspan Paper Audit & Conseil 1 Sommaire 1. Définition de la relation de couverture 2. Le swap
Plus en détailLe logiciel de gestion intégré conçu pour les Promoteurs Immobilier
Le logiciel de gestion intégré conçu pour les Promoteurs Immobilier Solution globale et intégrée qui couvre l'ensemble des principaux aspects de la gestion des projets immobiliers. Depuis l'étude d'une
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon 1/Université
Plus en détailCADRE D AGRÉMENT APPROCHE STANDARD DU RISQUE OPÉRATIONNEL
CADRE D AGRÉMENT APPROCHE STANDARD DU RISQUE OPÉRATIONNEL Coopératives de services financiers Publication initiale : Décembre 2007 Mise à jour : TABLE DES MATIÈRES 1. Introduction... 3 2. Principes généraux...
Plus en détailJade. Projet Intelligence Artificielle «Devine à quoi je pense»
Jade Projet Intelligence Artificielle «Devine à quoi je pense» Réalisé par Djénéba Djikiné, Alexandre Bernard et Julien Lafont EPSI CSII2-2011 TABLE DES MATIÈRES 1. Analyse du besoin a. Cahier des charges
Plus en détailles outils du travail collaboratif
les outils du travail collaboratif Sommaire Qu est-ce que le travail collaboratif? A chaque usage ses outils L échange d informations Le partage d informations La gestion de projet La conception collaborative
Plus en détailCours de Recherche Opérationnelle IUT d Orsay. Nicolas M. THIÉRY. E-mail address: Nicolas.Thiery@u-psud.fr URL: http://nicolas.thiery.
Cours de Recherche Opérationnelle IUT d Orsay Nicolas M. THIÉRY E-mail address: Nicolas.Thiery@u-psud.fr URL: http://nicolas.thiery.name/ CHAPTER 1 Introduction à l optimisation 1.1. TD: Ordonnancement
Plus en détailphysicien diplômé EPFZ originaire de France présentée acceptée sur proposition Thèse no. 7178
Thèse no. 7178 PROBLEMES D'OPTIMISATION DANS LES SYSTEMES DE CHAUFFAGE A DISTANCE présentée à l'ecole POLYTECHNIQUE FEDERALE DE ZURICH pour l'obtention du titre de Docteur es sciences naturelles par Alain
Plus en détailJulien MATHEVET Alexandre BOISSY GSID 4. Rapport RE09. Load Balancing et migration
Julien MATHEVET Alexandre BOISSY GSID 4 Rapport Load Balancing et migration Printemps 2001 SOMMAIRE INTRODUCTION... 3 SYNTHESE CONCERNANT LE LOAD BALANCING ET LA MIGRATION... 4 POURQUOI FAIRE DU LOAD BALANCING?...
Plus en détailSimulation D une Chaîne Logistique À Echelle Réelle
Simulation D une Chaîne Logistique À Echelle Réelle sous Arena A. Bensmaine 1, L. Benyoucef 2 et Z. Sari 1 1 Laboratoire d Automatique, Université de Tlemcen, Algérie ({a_bensmaine, z_sari}@mail.univ-tlemcen.dz)
Plus en détailGestion 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 détailGESTION LOGISTIQUE GESTION COMMERCIALE GESTION DE PRODUCTION
GESTION LOGISTIQUE GESTION COMMERCIALE GESTION DE PRODUCTION Votre contact : Pierre Larchères 06 30 35 96 46 18, rue de la Semm - 68000 COLMAR p.larcheres@agelis.fr PRESENTATION GENERALE LES PROGICIELS
Plus en détailVers une approche Adaptative pour la Découverte et la Composition Dynamique des Services
69 Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services M. Bakhouya, J. Gaber et A. Koukam Laboratoire Systèmes et Transports SeT Université de Technologie de Belfort-Montbéliard
Plus en détailMaîtriser les mutations
Maîtriser les mutations Avec UNE Supply chain AGILE La réflexion porte ses fruits www.cereza.fr TALAN Group Notre savoir-faire : maîtriser les mutations et en faire une force pour l entreprise Cereza,
Plus en détail