UNE APPROCHE D OPTIMISATION-BASEE SUR LA SIMULATION POUR LA CONCEPTION D UN RESEAU DE DISTRIBUTION STOCHASTIQUE MULTI FOURNISSEURS
|
|
- Hippolyte Clermont
- il y a 8 ans
- Total affichages :
Transcription
1 8 e Conférence Internationale de MOdélisation et SIMulation - MOSIM au 12 mai Hammamet - Tunisie Évaluation et optimisation des systèmes innovants de production de biens et de services UNE APPROCHE D OPTIMISATION-BASEE SUR LA SIMULATION POUR LA CONCEPTION D UN RESEAU DE DISTRIBUTION STOCHASTIQUE MULTI FOURNISSEURS F. MALIKI, L. BENYOUCEF Z. SARI Univ. Abou-Bekr Belkaid / INRIA COSTEAM Project, ISGMP Univ. Abou-Bekr Belkaid B. P. N 119 Tlemcen Algérie/ Bât. A, Ile de Saulcy, Metz France B. P. N 119 Tlemcen Algérie f.maliki@univ-tlemcen.dz, lyes.benyoucef@loria.fr z.sari@univ-tlemcen.dz RÉSUMÉ : Dans cet article, nous traitons un problème de conception d un réseau stochastique de distribution où les décisions stratégiques de choix des fournisseurs, de localisation des centres de distribution (DCs) et d affectation des zones de demande/détaillants sont intégrées dans un même modèle d optimisation non-linéaire. Le réseau est composé de plusieurs fournisseurs potentiels approvisionnant, dans des délais aléatoires et en utilisant plusieurs connexions avec des modes de transport différents, un ensemble de DCs qui ont pour rôles de satisfaire les demandes (en un seul type de produit) provenant des différentes zones de demande/détaillants. Notre problème consiste à chercher les meilleures localisations des DCs, dont le nombre et les localisations sont inconnues et où chaque DC est identifié par la zone de sa localisation, ainsi que la meilleure affectation des détaillants aux DCs et des DCs aux fournisseurs potentiels avec la meilleure répartition des ordres d approvisionnement sur les différentes connexions de transport. Pour cela, une approche d optimisation-basée sur la simulation utilisant la relaxation lagrangienne et les algorithmes génétiques multi critères (MOGAs) est proposée. Des résultas numériques sont présentés et analysés pour montrer l efficacité de notre approche. MOTS-CLÉS :chaîne logistique, localisation, relaxation lagrangienne, MOGA, simulation. 1 CONTEXTE ET MOTIVATIONS Dans un contexte économique instable, sous la pression de la globalisation, d une concurrence croissante, nombreuses sont les entreprises qui constatent les limites de l optimisation seule de leurs systèmes de production et cherchent à explorer de nouvelles sources de compétitivité à travers l optimisation de leurs chaînes logistiques et de la relation avec leurs partenaires. Fournir le produit et/ou le service désiré par le client, rapidement, moins cher et plus performant que celui proposé par l entreprise concurrente sur le marché est de nos jours le souci majeur de chaque entreprise existant dans un marché local et/ou international. La concurrence dans un futur proche ne sera pas entre différentes entreprises mais entre différentes chaînes logistiques (Supply Chains). Une chaîne logistique inclut la transformation et le transport des produits, de la forme de composants et matières premières, passant par différents stades de production, d assemblage, de stockage et de distribution, jusqu à l obtention des produits finis. En plus des flux de matières, une chaîne logistique compte deux autres flux qui sont les flux d informations et les flux financiers. Chaque étape de transformation ou de distribution des produits peut impliquer des entrées venant de plusieurs fournisseurs et des sorties allant vers plusieurs clients intermédiaires, avec également des flux d informations différents. Les décisions liées à la gestion des chaînes logistiques sont regroupées en trois niveaux décisionnels: stratégiques, tactiques et opérationnelles. La conception d une chaîne logistique, en particulier la localisation et le choix des différentes entités (fournisseurs, usines, centres de stockage et de distribution) et les différents modes de transports utilisés (camion, train, bateau, avion), est l une des décisions stratégiques que les entreprises cherchent à optimiser en premier. Cette optimisation, traditionnellement axée sur les coûts, est rendue difficile à cause de l introduction de nouveaux critères de décision tels que la satisfaction du client (délais de livraison, qualité du produit et/ou service,...), et la prise en compte explicite des différents risques (sociaux, environnementaux et économiques). Dans cet article, nous nous intéressons à l utilisation d une approche hybride combinant simulation et optimisation pour la résolution d un problème stochastique de choix de fournisseurs et localisation de centres de distribution (DCs) lors de la conception des réseaux logistiques avec prise en compte des coûts in-
2 dustriels et logistiques ainsi que le niveau de service client. Plus précisément, la complexité de notre problème est triple: 1. Prise en compte de coûts non-linéaires dans la fonction objectif (principalement les coûts de stockage et de maintien des stocks de sécurité dans les DCs); 2. Prise en compte des délais aléatoires d approvisionnement fournisseurs - DCs avec des choix multiples de modes de transport (camion, train, bateau et avion); 3. Prise en compte de la politique de répartition des quantités à approvisionner par les DCs localisés. Nous serrons en face d un problème complexe du choix par les DCs des fournisseurs, des connexions de transport et de la stratégie de répartition des quantités demandées. Le reste de l article est organisé comme suit : La section 2 présente quelques travaux dédiés aux problèmes de localisation-allocation et de sélection des fournisseurs. La section 3 décrit notre problématique. La section 4 présente l approche d optimisation-basée sur la simulation proposée. La section 5 illustre les résultats numériques obtenus et leurs analyses. La section 6 conclut l article et présente quelques directions de recherches futures. 2 ÉTAT DE L ART Dans ce travail de recherche, nous étudions un problème de prise de décisions vue sur deux axes de recherches complémentaire à savoir la localisation des sites logistiques et le choix des fournisseurs avec répartition des ordres d approvisionnement. Notons que peu de travaux considèrent les deux problèmes simultanément. 2.1 Problèmes de localisation L état de l art est très riche de travaux traitants des problèmes de localisation déterministes et stochastiques. Le problème de localisation des sites à deux niveaux constitue la base de plusieurs modèles de localisation utilisés dans la conception des chaînes logistiques. En effet, deux types de problèmes sont considérés respectivement le Fixed Charge Facility Location (FCFL) et le Capacitated Fixed Charge Facility Location (CFLP). Ces deux problèmes considèrent des données déterministes et connues et où l objectif est de trouver la meilleure localisation des sites permettant la minimisation des coûts de localisation et de transport. Dans la pratique, plusieurs approches ont été proposées pour la résolution du problème (FCFL). Aikens (1985) indique que Spielberg a résolu le problème en utilisant une méthode par simple énumération. Galvao (1993) et Daskin (1995) proposent l utilisation d une relaxation lagrangienne pour la résolution du problème. Un algorithme basé sur la recherche Tabou pour la résolution des problèmes (FCFL) de taille réduite est proposé dans (Al-Sultan et Al-Fawzan, 1999), une recherche tabou est aussi proposée par Michel et Hentenryck (2004). Pour la résolution du problème (CFLP), Sridharan (1993) propose une heuristique basée sur la relaxation lagrangienne, Gong et al. (1997) utilisent une hybridation d un algorithme génétique (AG), d une méthode évolutionniste et d une relaxation lagrangienne. Arostegui Jr. et al. (2006) comparent les performances de la recherche tabou, des AGs et du recuit simulé pour la résolution de 3 problèmes (CFLP). Plusieurs variantes du problème de localisation sont discutés dans (ReVelle et al., 2005) et (ReVelle et al., 2008). Les auteurs présentent une revue complète des travaux antérieurs proposant des méthodes de résolution des problèmes de localisation déterministes. Parallèlement, plusieurs auteurs se sont intéressés aux problèmes de localisation stochastique. Aikens (1985) présente une version stochastique du problème (FCFL) où il suppose que la demande des clients est aléatoire. Snyder et Daskin (2004) considèrent une version stochastique du problème (FCFL) et du problème médian en assumant des demandes clients et des coûts de transport aléatoires. Ricciardi et al. (2002) proposent une solution au problème de Localisation de DCs intermédiaires en optimisant le coût de transport total incluant le coût de transport classique (entre usine et clients en passant par les DCs) et un coût aléatoire au niveau des DCs. Louveaux et Thisse (1985) présentent un modèle stochastique de localisation de centres de production à deux niveaux. Dans le premier niveau la localisation du centre de production et son niveau de production sont déterminés avant que la demande ne soit connue. Dans le second niveau et après réalisation des certaines variables aléatoires représentant la demande, les décisions de distribution sont prises par le centre de production. Certains travaux considèrent des problèmes de localisation intégrant les coûts de stockage. Barahona et Jensen (1998) intègrent les coûts de stockage dans un modèle de localisation basé sur le problème (FCFL) dont l objectif est de minimiser les coûts de localisation, les coûts de transport et les coûts de stockage. Nozick et Turnquist (1998) expriment le coût de stockage comme une fonction linéaire du nombre de DCs à ouvrir. Par conséquent, ils proposent une méthode permettant d intégrer le coût de stockage dans le coût fixe de localisation des DCs et présentent
3 un modèle mathématique du problème. Les mêmes auteurs proposent une extension du modèle précédent dans (Nozick et Turnquist, 2001) où l objectif est de maximiser les zones de demandes couvertes. De même, Owen et Daskin (1998) présentent un état de l art riche des problèmes de localisation stochastiques. Erlebacher et Meller (2000) présentent un modèle de localisation intégrant les coûts de stockage. Par hypothèses, les demandes clients sont aléatoires et les distances entre les centres de production, les DCs et les zones de demandes sont rectilinéaire. Un modèle de programmation non linéaire est proposé où on cherche à trouver le nombre et les localisations optimales des DCs ainsi que la meilleure affectation des clients aux DCs avec comme objectif de minimiser les coûts fixe de localisation, les coûts de transport et les coûts de stockage. Les auteurs proposent une méthode heuristique pour approcher la solution optimale du problème connu comme NP-difficile. Concernant l intégration des coûts de stockage dans les problèmes de localisation stochastique, Shen et al. (2002, 2003) ont été les premiers à introduire de façon plus implicite les coûts de stockage dans un problème de localisation (FCFL). Les auteurs modélisent un réseau de distribution constitué d un fournisseur unique de capacité infinie approvisionnant un ensemble de détaillants par un seul type de produit, chaque détaillant effectue une demande aléatoire, le problème consiste à déterminer le nombre de DCs à localiser dans les même régions que les détaillants, leur localisation ainsi que les détaillants qui lui sont affectés afin de minimiser une fonction coût intégrant le coût de localisation des DCs, le coût de transport(fournisseur, DC, clients), le coût de stockage et le coût de maintient des stocks de sécurité au niveau des DCs. Daskin et al. (2002) présentent un modèle d optimisation non linéaire représentant le problème, la non linéarité est due à l introduction de la politique de la quantité économique (EOQ) pour gérer les stocks et du maintient des stocks de sécurité au niveau des DCs. Pour réduire la complexité du problème, les auteurs considèrent que les délais d approvisionnement entre l unique fournisseur et les différents DCs potentiels sont constants et que le rapport entre la demande moyenne et sa variance est constant pour tous les clients. Les auteurs présentent un algorithme basé sur une approche de relaxation lagrangienne pour résoudre le problème. Dans (Shen et al., 2003), les auteurs présentent un modèle non linéaire du problème basé sur le (FCFL). Ce modèle est transformé en un modèle linéaire en utilisant une transformation en un problème de recouvrement. Pour deux cas particuliers du problème original, ils proposent une méthode de génération de colonnes. Le premier cas particulier assume que le rapport entre la variance et la demande moyenne est constant pour tous les clients. Tandis que pour le deuxième car particulier, les variances de toutes les demandes clients sont nulles. D autre part, Shu et al. (2005) considèrent le même problème que celui proposé dans (Shen et al., 2003) et proposent une méthode basée sur la génération de colonnes pour résoudre le problème de façon générale avec une hypothèse restrictive qui impose à ce que tout DC ouvert dans la même région du détaillant sert la demande de ce détaillant ce qui n est pas toujours vrai dans la solution optimale. Tanonkou et al. (2007) traitent un problème de conception d un réseau de distribution stochastique où les décisions de choix des fournisseurs, de localisation des centres de distribution et d affectation des zones de demande sont intégrées dans un même modèle d optimisation. Le réseau est composé de plusieurs fournisseurs approvisionnant, dans des délais aléatoires, un ensemble de centres de distribution à localiser qui ont pour rôles de satisfaire les demandes (en un seul type de produit) provenant des différentes zones de demande/clients. Par hypothèse, chaque fournisseur est connecté à chaque DC potentiel par une et une seule connexion de transport. L objectif est de choisir les meilleurs fournisseurs, les meilleures localisations des centres de distribution, et les meilleures affectations des zones de demande aux centres de distribution dans le but de minimiser une fonction de coût non linéaire. Pour cela, ils proposent une méthode basée sur la relaxation lagrangienne. Les résultats numériques obtenus attestent de la validité de la méthode proposée. Tanonkou et al. (2008) présentent une relaxation lagrangienne pour la résolution d un problème de localisation stochastique avec demandes clients et délai d approvisionnement (fournisseur-dc) aléatoires. Les auteurs traitent le même problème que celui présenté dans (Daskin et al., 2002) tout en considérant que le délai de livraison est aléatoire et que le rapport entre la demande moyenne et sa variance n est pas constant pour tous les clients ce qui complique plus le problème. Ils montrent l efficacité de leur méthode en l appliquant sur un exemple de réseau de distribution contenant un fournisseur et 10 localisations clients parmi lesquels les DCs sont choisies. A l exception des travaux de Tanonkou et al. (2007), dans la majorité des travaux recensés seul le cas mono-fournisseur est abordé. Evitant par conséquent l intégration des décisions de sélection des fournisseurs dans des problèmes de localisation utilisant des modèles analytiques.
4 2.2 Problème de sélection des fournisseurs Lors de la conception de toute chaîne logistique, trouver une méthode/approche de sélection des fournisseurs est d une importance cruciale. Selon De Boer et al. (2001) la sélection des fournisseurs passe par quatre étapes : la définition du problème, le choix des critères de sélection des fournisseurs, la pré qualification des fournisseurs et la sélection finale des fournisseurs. La décision de sélection des fournisseurs est compliquée du fait que plusieurs critères de natures qualitatives et quantitatives doivent être considérés. Weber et al. (1991) proposent une classification de 74 articles apparus depuis 1966 en se basant sur les 23 critères de sélection proposés par (Dickson, 1966). Les résultats de cette analyse montrent que 22 critères sont utilisés au moins dans un article et que 47 articles discutent au moins deux critères. En plus, les résultats montent que le prix net, le délai de livraison, la qualité, la capacité de production et le lieu de production sont les critères les plus utilisés dans ces 74 articles. Verma et Pullman (1998) définissent une méthode qui permet de déterminer l importance des critères de sélection des fournisseurs, les auteurs se limitent à l utilisation des critères suivants : coût, qualité, délai de livraison, livraison à temps et flexibilité et une méthode probabiliste pour le choix des fournisseurs. Les auteurs effectuent une étude sur 58 entreprises, examinent les résultats obtenus et annotent que la qualité est le critère le plus important dans la sélection des fournisseurs et que cette sélection se base fortement sur le coût et le délai de livraison. La méthode Analytical Hierarchy Process (AHP) est l une des méthodes les plus utilisées pour la sélection des fournisseurs (Ghodsypour et O Brien, 1998), cette méthode consiste à définir les critères sur lesquels se base le choix des fournisseurs, ces derniers sont structurés de façon hiérarchique, la méthode AHP procède par comparaison par paire de chaque niveau hiérarchique pour déterminer les poids des critères. L étape suivante consiste à déterminer le taux de sélection de chaque fournisseur en prenant en considération la nature de chaque critère (quantitative ou qualitative). Liao et Rittscher (2007) présentent un modèle multi objectifs permettant de sélectionner les fournisseurs, de déterminer la quantité à livrer par chaque fournisseur et d affecter une connexion pour chaque fournisseur avec pour objectif de minimiser le coût logistique total, la quantité de produits rejetés à cause du non respect de la qualité produit et le nombre total de produits non livrés dans les délais. Pour la résolution du problème, un algorithme génétique est développé et les résultats numériques obtenus analysés. Ding et al. (2003) considèrent un problème de conception d une chaîne logistique où les décisions de localisation des DCs et de sélection des fournisseurs doivent être prisent simultanément. Les auteurs utilisent une approche d optimisation basée sur la simulation permettant d optimiser la structure du réseau de distribution, les règles de pilotage utilisées ainsi que les paramètres associés. Plus précisément, ils considèrent un réseau de distribution contenant K fournisseurs candidats approvisionnant un ensemble de DCs potentiels en différents types de produits. Par hypothèse, plusieurs connexions relient deux sites différents en utilisant différents modes de transports. Un cas d étude issue de l industrie textile est présenté et les résultats numériques obtenus analysés. Pour plus de détails sur les travaux de recherche existants sur ce sujet, le lecteur peut consulter les deux références respectivement (Aissaoui et al., 2007) et (Jain et al., 2009). Aissaoui et al. (2007) définissent le processus de sélection des fournisseurs en quatre étapes : définition du problème, choix des critères, présélection des fournisseurs et la sélection finale des fournisseurs. Jain et al. (2009) présentent un état de l art complet sur le problème de sélection des fournisseurs, et décrivent les différentes étapes prises en considération dans le cycle de sélection des fournisseurs et les différents critères utilisés pour l évaluation des performances des fournisseurs. De plus, les auteurs recensent les caractéristiques de ce problème ainsi que les différentes méthodes existantes dans la littérature permettant de le résoudre. 3 NOTRE PROBLÉMATIQUE 3.1 Hypothéses Dans ce travail de recherche, nous considérons une chaîne logistique composée d un ensemble de fournisseurs potentiels connectés à un ensemble de détaillants. Chacun des détaillants est identifié par sa zone de localisation (ville ou région). Chaque zone est une zone potentielle de localisation d un DC. Les demandes aléatoires, en un seul type de produit, générées par les différentes zones de demandes sont satisfaites par les DCs localisés. Pour la gestion de son stock, chaque DC utilise la politique de la quantité économique (EOQ). De plus, pour garantir un certain niveau de service client, un stock de sécurité est maintenu par chaque DC. Comme extension possible du problème de Tanonkou et al. (2007) et Tanonkou (2007), nous considérons le cas où plusieurs connexions de transport (liaisons utilisant différents modes de transport) existent entre chaque zone de demande et chaque fournisseur potentiel. Les délais de transport sont par hypothèse aléatoires. De même, nous nous limitons au cas où seule une connexion relie chaque couple de détaillants sans prise en compte du délai de transport. La figure 1 illustre la structure
5 de la chaîne logistique considérée. Le MOGA utilisé à pour objectif de guider la solution dans un espace de solutions possibles vers une solution proche de l optimum. Le cycle optimisation-simulation est répété pour un certain nombre d itérations fixé d avance. La figure 2 donne une vue globale de la structure de l approche hybride proposée. Figure 1: Structure de la chaîne étudiée Notre problème consiste à trouver les meilleures localisations des DCs (chaque DC est identifié par la zone de sa localisation) ainsi que la meilleure affectation des zones de demandes/détaillants aux DCs et des DCs aux fournisseurs ainsi que la répartition des ordres d approvisionnement sur les différentes connexions de transport reliant les fournisseurs et les DCs. Pour la résolution de ce problème stochastique nous utilisons une approche hybride combinant optimisation (basée sur les algorithmes génétiques multicritère) et la simulation. Dans un premier temps, la résolution du problème consiste en la prise de trois types de décisions qui sont : localisation des DCs, affectation des détaillants aux DCs et choix des fournisseurs. Ces trois premières décisions sont obtenues en considérant l existence d une seule et unique connexion entre chaque couple de fournisseur- DC et en utilisant l algorithme de relaxation Lagrangienne développé par (Tanonkou, 2007 et Tanonkou et al., 2007). Cet algorithme permet d obtenir la structure globale de la chaîne logistique dite solution Lagrangienne. Partant de cette solution Lagrangienne et en utilisant un algorithme génétique multicritères NSGA- II hybridé avec la simulation, nous cherchons à déterminer la meilleure répartition des ordres d approvisionnement sur les différentes connexions. Dans notre cas, une solution candidate est constituée de poids (valeur comprise entre 0 et 1) tel que la somme des poids pour chaque solution est égale à 1. Les poids représentent le pourcentage des produits transportés du fournisseur au DC par connexion donnée. Ainsi, nous simulons le comportement de la chaîne considéré et nous obtenons les indicateurs de performances nécessaires (coût et délai de transport du fournisseur au DC). Une évaluation globale en terme de fitness est associée à cette solution candidate. Ainsi, toutes les solutions proposées par le MOGA sont évaluées de la même façon et le processus est répété pour toutes les chaînes obtenues. Il est important de signale que dans notre cas, la solution Lagrangienne qui présente la structure globale de la chaîne n est rien d autre qu un ensemble de souschaînes car chaque détaillant est affecté à un et un seul DC, et chaque DC est affecté à un et un seul fournisseur sans contrainte de capacité pour ce dernier. Figure 2: Structure de l approche hybride 3.2 Notations et variables de décisisons Les notations suivantes sont utilisées pour la formulation mathématique de notre problème : I ensemble des zones de demandes (détaillants) indexés par i. K ensemble des fournisseurs indexés par k. DC j centre de distribution localisé dans la zone de demande j. µ i demande moyenne générée par jour par le détaillant i. σi 2 variance de demande générée par jour par le détaillant i. f j coût fixe de localisation du DC j. d ij coût de livraison unitaire du DC j vers le détaillant i. h j coût de stockage annuel (par unité de produit) dans le DC j. F jk coût fixe de commande (inclus coût fixe de transport) placée par le DC j auprès du fournisseur k. a jk coût unitaire d approvisionnement (prix d achat et de transport) du DC j auprès du fournisseur k. a jkl coût unitaire d approvisionnement (prix d achat et de transport) du DC j auprès du fournisseur k à travers la connexion l. L jk délai moyen d approvisionnement en jours du DC j chez le fournisseur k. L jkl délai moyen d approvisionnement en jours du DC j chez le fournisseur k à travers la connexion l. Λ 2 jk variance du délai d approvisionnement du DC j chez le fournisseur k. Λ 2 jkl variance du délai d approvisionnement du DC j chez le fournisseur k à travers la connexion l. Θ nombre de jours travaillés par an. α taux de service dans les centres de distribution. Z α coefficient de sécurité. X j ={1 si le DC j est localisé, 0 sinon}
6 Y ij ={1 si le détaillant i est servi par DC j, 0 sinon} Z jk ={1 si le fournisseur k est sélectionné pour approvisionner le DC j, 0 sinon} 3.3 Formulation mathématique Comme nous l avons signalé précédemment, nous considérons dans un premier temps l existence d une seule connexion de transport entre les fournisseurs potentiels et les détaillants/zones de demandes pour définir les variables de décisions X j, Y ij et Z jk. Pour les choix de cette connexion, trois scénario sont considérés (voir section 5). Ainsi, la formulation mathématique du premier problème se présente comme suit : (MF )J = min J(X, Y, Z) X,Y,Z Avec J(X, Y, Z) définie par: + j I + j I J(X, Y, Z) = j I f j X j + j I Θµ i a jk Y ij Z jk + j I Θµ i d ij Y ij 2h j F jk Θ µ i Y ij Z jk ( ) 2 Z α h j Ljk σi 2Y ij + Λ 2 jk µ i Y ij Z jk (1) Sous les contraintes : Y ij = 1 i I (2) j I Z jk = X j j I (3) Y ij X j i, j I (4) X j, Y ij, Z jk {0, 1} i, j I k (5) La fonction objectif représente la somme des coûts de localisation, coûts de livraison, coûts d approvisionnement, coûts de stockage et de commande ainsi que les coûts de maintien des stocks de sécurité. La contrainte (2) exige que chaque détaillant soit servi par un et un seul DC localisé. La contrainte (3) assure que chaque DC ouvert est approvisionné par un et un seul fournisseur. La contrainte (4) assure que si un détaillant est servi par un DC, ce dernier est déjà localisé. La nature binaire des différentes variables de décision est exprimée par la contrainte (5). Le modèle présenté ci-dessous et un modèle d optimisation combinatoire non linéaire dont la résolution est très complexe. Notre objectif consiste à utiliser une approche de résolution basée sur la relaxation lagrangienne proposée initialement par Tanonkou (2007). Pour simplifier ce modèle, nous utilisons les notations suivantes : D ij = Θµ i d ij, A ijk = Θµ i a jk, c ijk = 2Θµ i h j F jk, α ijk = L jk σ 2 i (Z αh j ) 2, e jk = (Λ jk Z α h j ) 2 Pour résoudre le problème (MF), nous introduisons une nouvelle variable de décision D j qui indique la demande moyenne au niveau du DC j. Compte tenu des notations précédentes et de la nouvelle variable de décision D j, le problème (MF) peut être réécrit de la façon suivante : min J(X, Y, Z, D) = f j X j + X,Y,Z,D j I j I D ij Y ij + A ijk Y ij Z jk + c ijk Y ij Z jk j I j I + α ijk Y ij + e jk Dj 2Z jk (6) j I Sous les contraintes : Y ij = 1 i I (7) j I Z jk = 1 j I (8) µ i Y ij D j j I (9) Y ij X j i, j I (10) X j, Y ij, Z jk {0, 1} i, j I k (11) 4 APPROCHE DE RÉSOLUTION 4.1 Localisation des DCs et choix des fournisseurs Pour la résolution du problème (MF), nous utilisons une approche basée sur la relaxation lagrangienne qui consiste en (voir Tanonkou, 2007): 1. Relaxer les contraintes (7) et (9) qui rendent le problème difficile à résoudre et introduire les coûts de pénalisation obtenus par la relaxation dans la fonction objectif du problème. 2. Obtenir une borne inférieure en résolvant le problème relaxé pour chaque couple de multiplicateur de Lagrange associés aux contraintes (7) et (9). 3. Trouver une solution candidate pour déterminer une borne supérieure. 4. Maximiser la borne inférieure en utilisant la méthode de recherche du pas d armijo. Nous associons respectivement aux contraintes (7) et (9) les vecteurs des multiplicateurs de lagrange λ =
7 (λ i ) i I et β = (β j ) j J. Nous obtenons le problème relaxé suivant : L(λ, β) = min f j X j + ( ) Dij λ i + β j µ i Y ij W j I j I + A ijk Y ij Z jk + c ijk Y ij Z jk j I j I + j I α ijk Y ij + e jk Dj 2Z jk+ λ i β j D j jini (12) sous les contraintes (8), (10) et (11) avec W = (X, Y, Z, D). 4.2 Répartition des ordres d approvisionnement Après avoir déterminé les variables de décision X j, Y ij et Z jk, nous présentons dans cette section un algorithme génétique multi critères permettant de répartir les ordres d approvisionnement sur les différentes connexions reliant les fournisseurs sélectionnés aux DCs localisés. Plus précisément, notre algorithme d optimisation est une adaptation de l algorithme NSGA-II proposé initialement par Deb et al. (2002). Cet algorithme est considéré par les praticiens comme l un des algorithmes les plus performants parmi les différents MOGAs (Deb et al., 2002). Notre algorithme est utilisé par le module d optimisation pour guider la recherche dans un espace de solutions vers la frontière des solutions optimales au sens de pareto. Les principales étapes du MOGA implémenté s appuie sur : Une méthode de classement des solutions d une population selon les fronts Pareto. Une méthode élitiste préservant les meilleures solutions dans la population future. Une méthode crowd-comparison pour la sélection élitiste. Une procédure de réparation des solutions infaisables. Initialement, nous créons un ensemble de solutions candidates (ensemble de chromosomes) générées aléatoirement. Nous utilisons une représentation en nombres réels tel que chaque gène représente le pourcentage de la quantité de produit à transporter à travers la connexion correspondante. La valeur d un gène est comprise entre 0 et 1 et la somme des éléments d un chromosome est égale à 1. Dans le cadre de ce travail et pour une première tentative, nous considérons que chaque fournisseur potentiel est relié par trois connexions différentes avec chaque DC potentiel. Aussi, chaque connexion utilise un mode de transport ou un mixage de moyens de transport avec un coût et un délai de transport correspondant. La figure 3 illustre un exemple d une chaîne candidate avec les connexions possibles. Figure 3: Exemple de trois connexions reliant un fournisseur à un DC Pour cette chaîne, la figure 4 montre un exemple de chromosome avec 20% des produits seront transportés par la première connexion, 25% par la seconde connexion et 55% par la troisième connexion. Figure 4: Exemple de chromosome Les différentes étapes du MOGA utilisé se présentent comme suit : Algorithme Etape 1. Générer aléatoirement une population initiale P de taille N (de N chromosomes). Etape 2. Evaluer toutes les solutions dans P par la simulation. Etape 3. Calculer les rangs des solutions dans P. Etape 4. Mettre à jour la frontière Pareto avec les nouvelles solutions. Etape 5. Sélectionner les deux parents en utilisant la sélection binaire par tournoi. Elle consiste à tirer aux hasard deux solutions de la population P puis sélectionner la solution avec le rang le plus élevé. Etape 6. Générer deux solutions enfants par le croisement des deux solutions parents avec une probabilité P c. Etape 7. Exécuter l opérateur de mutation avec une probabilité P m pour chaque solution enfant. Etape 8. Ajouter les deux solutions enfants dans la population suivante G. Etape 9. Répéter les étapes de 5 à 8 pour obtenir N solutions enfants dans G. Etape 10. Générer la population suivante par la sélection élitiste sur P et G.
ETUDES COMPARATIVES DES POLITIQUES DE GESTION DE STOCK LORS DE LA CONCEPTION DES CHAINES LOGISTIQUES
ETUDES COMPARATIVES DES POLITIQUES DE GESTION DE STOCK LORS DE LA CONCEPTION DES CHAINES LOGISTIQUES Fouad Maliki, Zaki Sari To cite this version: Fouad Maliki, Zaki Sari. ETUDES COMPARATIVES DES POLITIQUES
Plus en détailCONCEPTION D UNE CHAINE LOGISTIQUE INVERSE A UN SEUL NIVEAU DANS UNE APPROCHE DETERMINISTE A PRODUITS MULTIPLES
CONCEPTION D UNE CHAINE LOGISTIQUE INVERSE A UN SEUL NIVEAU DANS UNE APPROCHE DETERMINISTE A PRODUITS MULTIPLES M. Bennekrouf (a), Z. Sari, K. Kara-Zaïtri et F. Boudahri Université M. Satambouli de Mascara
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 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 détailOptimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie
Optimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie 1 Présenté par: Yacine KESSACI Encadrement : N. MELAB E-G. TALBI 31/05/2011 Plan 2 Motivation
Plus en 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 détailProposition d un modèle UML de gestion des stocks et de transport dans un système de distribution multi-niveaux (a).
Proposition d un modèle UML de gestion des stocks et de transport dans un système de distribution multi-niveaux (a). Khadija Eddoug (* ), Saâd Lissane Elhaq (* ), Hamid Ech-cheikh (* ) (*) : Laboratoire
Plus en détailProblèmes de conception et pilotage des chaînes logistiques inverses et globales: Etat de l art
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» Problèmes
Plus en détailLaboratoire d Automatique et Productique Université de Batna, Algérie
Anale. Seria Informatică. Vol. IX fasc. 2 Annals. Computer Science Series. 9 th Tome st Fasc. 2 La sélection de paramètres d un système industriel par les colonies de fourmis Ouahab Kadri, L. Hayet Mouss,
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 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 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 détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailL animation de la performance d une Supply Chain
L animation de la performance d une Supply Chain Pré-soutenance de Mémoire Thématique Master Recherche OSIL Ecole Centrale Paris Etudiante : Samira Jaï Encadrant : Alain Chapdaniel Plan de la présentation
Plus en détailUne application des algorithmes génétiques à l ordonnancement d atelier
Une application des algorithmes génétiques à l ordonnancement d atelier VACHER Jean-Philippe - GALINHO Thierry - MAMMERI Zoubir Laboratoire d Informatique du Havre Université du Havre 25, Rue Philippe
Plus en détailAnnexe 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 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 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 détailApproche d'évaluation pour les problèmes d'ordonnancement multicritères : Méthode d'agrégation avec direction de recherche dynamique
Approche d'évaluation pour les problèmes d'ordonnancement multicritères : Méthode d'agrégation avec direction de recherche dynamiue D. BERKOUNE 2, K. MESGHOUNI, B. RABENASOLO 2 LAGIS UMR CNRS 846, Ecole
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
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 détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Plus en 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 détailPascal Forget 2310, Avenue Notre-Dame Québec, (Québec) Canada, G2E 3G5 Tél. (418) 380-8767 Fax (418) 656-7415 pascal.forget@cirrelt.
Pascal Forget 2310, Avenue Notre-Dame Québec, (Québec) Canada, G2E 3G5 Tél. (418) 380-8767 Fax (418) 656-7415 pascal.forget@cirrelt.ca FORMATION Doctorat, génie mécanique Université Laval, Québec, Canada
Plus en détailExercices du Cours de la programmation linéaire donné par le Dr. Ali DERBALA
75. Un plombier connaît la disposition de trois tuyaux sous des dalles ( voir figure ci dessous ) et il lui suffit de découvrir une partie de chacun d eux pour pouvoir y poser les robinets. Il cherche
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 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 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 détailJean-Philippe Préaux http://www.i2m.univ-amu.fr/~preaux
Colonies de fourmis Comment procèdent les colonies de fourmi pour déterminer un chemin presque géodésique de la fourmilière à un stock de nourriture? Les premières fourmis se déplacent au hasard. Les fourmis
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 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 détailQUESTION 1 QUESTION 2 QUESTION 3 QUESTION 4. Que signifie "shortage"? Que signifie "handling"? Que signifie "raw material" Que signifie "tool"?
1 1 1 1 QUESTION 1 QUESTION 2 QUESTION 3 QUESTION 4 Que signifie "shortage"? Que signifie "handling"? Que signifie "raw material" Que signifie "tool"? 2 2 2 2 QUESTION 5 QUESTION 6 QUESTION 7 QUESTION
Plus en détailCours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques
Université Mohammed V, Faculté des Sciences de Rabat Laboratoire de Recherche Mathématiques, Informatique et Applications Cours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques MASTER
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 détailOptimisation et programmation mathématique. Professeur Michel de Mathelin. Cours intégré : 20 h
Télécom Physique Strasbourg Master IRIV Optimisation et programmation mathématique Professeur Michel de Mathelin Cours intégré : 20 h Programme du cours d optimisation Introduction Chapitre I: Rappels
Plus en détail$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU
$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU Fabien FIGUERES fabien.figueres@mpsa.com 0RWVFOpV : Krigeage, plans d expériences space-filling, points de validations, calibration moteur. 5pVXPp Dans le
Plus en détailGLOBAL SUPPLY CHAIN MANAGEMENT & STRATEGIE LOGISTIQUE
GLOBAL SUPPLY CHAIN MANAGEMENT & STRATEGIE LOGISTIQUE La logistique représentait traditionnellement l activité allant de la mise à disposition des produits finis par l usine ou le négociant jusqu à la
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 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 détailADM 995C Design des réseaux logistiques et de transport
École des sciences de la gestion Département de management et technologie Université du Québec à Montréal PLAN DE COURS ADM 995C Design des réseaux logistiques et de transport Teodor Gabriel Crainic Chaire
Plus en détailProposition de modèles conceptuels basés sur le PLM (Product Life cycle Management) pour l optimisation de la chaîne logistique
Proposition de modèles conceptuels basés sur le PLM (Product Life cycle Management) pour l optimisation de la chaîne logistique Imane Bouhaddou (*), Abdellatif Benabdelhafid (**) (* ) : Laboratoire Mathématique,
Plus en détailApplication de K-means à la définition du nombre de VM optimal dans un cloud
Application de K-means à la définition du nombre de VM optimal dans un cloud EGC 2012 : Atelier Fouille de données complexes : complexité liée aux données multiples et massives (31 janvier - 3 février
Plus en détailEnjeux d une vision supply chain globale et défis associés. Yves Dallery Professeur à l Ecole Centrale Paris Associé au sein du cabinet Diagma
Enjeux d une vision supply chain globale et défis associés Yves Dallery Professeur à l Ecole Centrale Paris Associé au sein du cabinet Diagma LA VISION SUPPLY CHAIN GLOBALE COMME ENJEU DE LA COMPÉTITIVITÉ
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 détailEtude comparative des plans intégrant la maintenance et la production : Cas des systèmes multi-états dégradables
Etude comparative des plans intégrant la maintenance et la production : Cas des systèmes multi-états dégradables Ghita Ettaye*, Abdellah El Barkany, Ahmed El Khalfi Laboratoire Génie Mécanique, Faculté
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 détailLes simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R
Les simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R Yves Aragon, David Haziza & Anne Ruiz-Gazen GREMAQ, UMR CNRS 5604, Université des Sciences
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 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 détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailMathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans
Mathématique et Automatique : de la boucle ouverte à la boucle fermée Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Maitine.Bergounioux@labomath.univ-orleans.fr Plan 1. Un peu de
Plus en 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 détailLaboratoire 4 Développement d un système intelligent
DÉPARTEMENT DE GÉNIE LOGICIEL ET DES TI LOG770 - SYSTÈMES INTELLIGENTS ÉTÉ 2012 Laboratoire 4 Développement d un système intelligent 1 Introduction Ce quatrième et dernier laboratoire porte sur le développement
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
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 détailDe la mesure à l analyse des risques
De la mesure à l analyse des risques Séminaire ISFA - B&W Deloitte Jean-Paul LAURENT Professeur à l'isfa, Université Claude Bernard Lyon 1 laurent.jeanpaul@free.fr http://laurent.jeanpaul.free.fr/ 0 De
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détailManagement des Systèmes d Information
Spécialité Réseaux (RES) UE: Management des systèmes d'information [mnsi, NI303] M2IRT 2012 1 ère année Management des Systèmes d Information Unité 2 - Les principaux types de SI dans l entreprise Gilles
Plus en détailComment concevoir une Supply Chain robuste et flexible à l échelle mondiale?
Comment concevoir une Supply Chain robuste et flexible à l échelle mondiale? Forum d été Supply Chain Magazine 10 Juillet 2012 Transform to the power of digital Les impacts de la globalisation sur la Supply
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 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 détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailIntroduction au datamining
Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des
Plus en détail!-.!#- $'( 1&) &) (,' &*- %,!
0 $'( 1&) +&&/ ( &+&& &+&))&( -.#- 2& -.#- &) (,' %&,))& &)+&&) &- $ 3.#( %, (&&/ 0 ' Il existe plusieurs types de simulation de flux Statique ou dynamique Stochastique ou déterministe A événements discrets
Plus en détailBiostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke
www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3
Plus en détailÉtude des résultats des investisseurs particuliers sur le trading de CFD et de Forex en France
Étude des résultats des investisseurs particuliers sur le trading de CFD et de Forex en France Le 13 octobre 2014 Autorité des marchés financiers 17, place de la Bourse 75082 Paris cedex 02 Tél. : 01 53
Plus en détailLe passé, le présent et l avenir des logiciels intelligents de programmation mathématique*
Le passé, le présent et l avenir des logiciels intelligents de programmation mathématique* (* Cet article paraît simultanément dans le numéro du printemps du bulletin d INFORMS) JOHN W. CHINNECK Systems
Plus en détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailWEB15 IBM Software for Business Process Management. un offre complète et modulaire. Alain DARMON consultant avant-vente BPM alain.darmon@fr.ibm.
WEB15 IBM Software for Business Process Management un offre complète et modulaire Alain DARMON consultant avant-vente BPM alain.darmon@fr.ibm.com Claude Perrin ECM Client Technical Professional Manager
Plus en détailUne méthode heuristique pour l ordonnancement de projets avec contraintes de ressources et chevauchement d activités
Une méthode heuristique pour l ordonnancement de projets avec contraintes de ressources et chevauchement d activités Lucas Grèze Robert Pellerin Patrice Leclaire Nathalie Perrier Mai 2012 CIRRELT-2012-18
Plus en détailArithmétique binaire. Chapitre. 5.1 Notions. 5.1.1 Bit. 5.1.2 Mot
Chapitre 5 Arithmétique binaire L es codes sont manipulés au quotidien sans qu on s en rende compte, et leur compréhension est quasi instinctive. Le seul fait de lire fait appel au codage alphabétique,
Plus en détailIncertitude et variabilité : la nécessité de les intégrer dans les modèles
Incertitude et variabilité : la nécessité de les intégrer dans les modèles M. L. Delignette-Muller Laboratoire de Biométrie et Biologie Evolutive VetAgro Sup - Université de Lyon - CNRS UMR 5558 24 novembre
Plus en détailPREMIER RETOUR D EXPERIENCE SUR LE FLOW-SHOP BIOBJECTIF ET HYBRIDE A DEUX ETAGES AVEC UNE CONTRAINTE DE BLOCAGE PARTICULIERE
6 e Conférence Francophone de MOdélisation et SIMulation - MOSIM 06 - du 3 au 5 avril 2006 - Rabat - Maroc Modélisation, Optimisation et Simulation des Systèmes : Défis et Opportunités PREMIER RETOUR D
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailMaarch Framework 3 - Maarch. Tests de charge. Professional Services. http://www.maarch.fr. 11, bd du Sud Est 92000 Nanterre
Maarch Professional Services 11, bd du Sud Est 92000 Nanterre Tel : +33 1 47 24 51 59 Fax : +33 1 47 24 54 08 Maarch Framework 3 - Maarch PS anime le développement d un produit d archivage open source
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailConcevoir et déployer un data warehouse
Concevoir et déployer un data warehouse Ralph Kimball Éditions Eyrolles ISBN : 2-212-09165-6 2000 2 Le cycle de vie dimensionnel Avant d étudier de plus près les spécificités de la conception, du développement
Plus en détailSimulation du transport de matière par diffusion surfacique à l aide d une approche Level-Set
Simulation du transport de matière par diffusion surfacique à l aide d une approce Level-Set J. Brucon 1, D. Pino-Munoz 1, S. Drapier 1, F. Valdivieso 2 Ecole Nationale Supérieure des Mines de Saint-Etienne
Plus en détailConsultant Dynamics AX Supply Chain
Filière de Formation : Consultant Dynamics AX Supply Chain DOSSIER PEDAGOGIQUE Renseignements et moyens pédagogiques Contenus de cours détaillés Durée : 40 jours Sommaire Sommaire... 2 Découpage de la
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 détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
Plus en détailC ) Détail volets A, B, C, D et E. Hypothèses (facteurs externes au projet) Sources de vérification. Actions Objectifs Méthode, résultats
C ) Détail volets A, B, C, D et E Actions Objectifs Méthode, résultats VOLET A : JUMELAGE DE 18 MOIS Rapports d avancement du projet. Réorganisation de l administration fiscale Rapports des voyages d étude.
Plus en détailPrincipes d implémentation des métaheuristiques
Chapitre 2 Principes d implémentation des métaheuristiques Éric D. Taillard 1 2.1 Introduction Les métaheuristiques ont changé radicalement l élaboration d heuristiques : alors que l on commençait par
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 détailTechniques d interaction dans la visualisation de l information Séminaire DIVA
Techniques d interaction dans la visualisation de l information Séminaire DIVA Zingg Luca, luca.zingg@unifr.ch 13 février 2007 Résumé Le but de cet article est d avoir une vision globale des techniques
Plus en détailExercice : la frontière des portefeuilles optimaux sans actif certain
Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué
Plus en détailDéfinition et diffusion de signatures sémantiques dans les systèmes pair-à-pair
Définition et diffusion de signatures sémantiques dans les systèmes pair-à-pair Raja Chiky, Bruno Defude, Georges Hébrail GET-ENST Paris Laboratoire LTCI - UMR 5141 CNRS Département Informatique et Réseaux
Plus en détailTravailler avec les télécommunications
Travailler avec les télécommunications Minimiser l attrition dans le secteur des télécommunications Table des matières : 1 Analyse de l attrition à l aide du data mining 2 Analyse de l attrition de la
Plus en détailHigh Performance by Exploiting Information Locality through Reverse Computing. Mouad Bahi
Thèse High Performance by Exploiting Information Locality through Reverse Computing Présentée et soutenue publiquement le 21 décembre 2011 par Mouad Bahi pour l obtention du Doctorat de l université Paris-Sud
Plus en détailA. Le contrôle continu
L audit d achat est une action volontaire décidée par l entreprise avec pour objet d apprécier la qualité de l organisation de sa fonction achats et le niveau de performance de ses acheteurs. L audit achat
Plus en détailCoût de fabrication ou d achat. Calcul des besoins Management Industriel et Logistique (4) (2) (1) (2)
Etude de cas 1 : La société Lebreton fabrique un produit A dont la nomenclature est la suivante (les chiffres entre parenthèses indiquent le nombre de composants dans un composé de niveau immédiatement
Plus en détailChapitre 5 : Flot maximal dans un graphe
Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d
Plus en détaild évaluation Objectifs Processus d élaboration
Présentation du Programme pancanadien d évaluation Le Programme pancanadien d évaluation (PPCE) représente le plus récent engagement du Conseil des ministres de l Éducation du Canada (CMEC) pour renseigner
Plus en détailVISUAL GESATEL. La gestion commerciale n a jamais été aussi facile!
La gestion commerciale n a jamais été aussi facile! LES AVANTAGES Transformation de tous vos documents au format PDF, HTML, WORD, EXCEL. Envoi direct de tous vos documents via Internet. Récupérez sans
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 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 détail