Simulation 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) 2 INRIA-Nancy Grand-Est, COSTEAM-Project, ISGMP Bat. A, Metz, 57000, France (lyes.benyoucef@loria.fr) Résumé -- Le contexte économique actuel est instable. Il oblige les entreprises industrielles à passer à une nouvelle forme d organisation, qui intègre les partenaires logistiques afin de conserver un avantage concurrentiel. Cette nouvelle forme organisationnelle, nommée «la chaîne logistique», est d un intérêt majeur sur le plan économique, vu l importance des gains potentiels promis en comparaison avec une stratégie de gestion interne. Néanmoins, elle présente un système complexe difficile à évaluer, et donc difficile à maitriser et gérer. La simulation informatique, grâce aux avantages qu elle offre, se présente comme un outil idéal pour analyser des systèmes comportant des phénomènes stochastiques, dont les chaines logistiques font partie. Dans ce travail, nous présentons une modélisation/simulation d une chaîne logistique à échelle réelle sous Arena/SIMAN, un outil de simulation très populaire auprès des industriels. Nous nous intéressons plus précisément à la création du modèle de simulation, comment elle se fait à partir du cas d étude et les différentes techniques et astuces utilisées pour aboutir au modèle final. I. INTRODUCTION Les entreprises industrielles modernes concurrent dans un contexte économique instable, et supervisent des usines de productions géographiquement distribuées. Pressées par une compétition globale dans un marché mondiale imprévisible, elles s efforcent de fournir des produits et des services de haute qualité aux clients. Dans ce contexte, nombreuses sont les entreprises à la recherche de nouvelles formes d organisation et d alliance afin de conserver un avantage concurrentiel. Les organisations, qui par le passé se sont senties protégées de la concurrence étrangère à bas prix, constatent maintenant qu elles doivent non seulement créer de la valeur pour leurs clients, mais garantir des prix inferieurs à ceux proposés par les concurrents sur le marché. Cet accroissement de compétitivité dans tous les secteurs industriels pousse les entreprises vers la recherche d une optimisation supplémentaire de leurs processus organisationnel, et particulièrement la poursuite de nouvelles formes de collaboration avec leurs compléments logistiques. Par conséquence, au niveau de l entreprise est apparue une orientation progressive vers une perspective externe de conception et d implémentation de nouvelles stratégies de gestion, ce qui est généralement nommé la gestion de la chaîne logistique. Comme le constatent les praticiens, la concurrence dans un futur proche ne sera pas entre différentes entreprises mais entre différentes chaînes logistiques [1]. Une gestion réussie d une chaîne logistique nécessite une connaissance solide des performances de cette chaîne, pour pouvoir prendre les bonnes décisions et prévoir au mieux. L évaluation des performances d une chaîne logistique fait souvent appel à la simulation informatique, qui, quant à elle, est un outil puissant qui a prouvé son habilité à analyser des systèmes complexes comportant des phénomènes stochastiques et dynamiques. Grâce à ses avantages [19], la simulation informatique est considérée comme la seule perspective pour analyser les performances de cas à échelle réelle. A. Definition II. CHAINES LOGISTIQUES Dans la littérature, plusieurs définitions ont été données à la chaîne logistique, parmi lesquelles on trouve des définitions simplistes : "Une chaîne logistique est une série d'activités et d'organisations par lesquelles passent des matériaux dans leurs parcours, à partir des fournisseurs initiaux jusqu'aux clients finaux" [2]. Et d autres plus précises: "Une chaîne logistique est un réseau de toutes les organisations qui participent à : l'approvisionnement, la production, la distribution ou la vente d'un produit au client final. Une chaîne logistique forme un réseau complexe de flux physique (matière/financier) et non physique (information)." [5] ; L intérêt accordé à la notion de chaîne logistique résulte d une vision globale de l entreprise. Les études montrent que les gains potentiels par une entreprise qui s intéresse uniquement à sa gestion interne sont très limités si on les compare aux gains potentiels sur toute la chaîne logistique, d où l intérêt de dépasser les frontières de l entreprise et intégrer tous les partenaires (fournisseurs, centres de distribution, etc.), de manière à ce que les produits demandés soient fabriqués, avec la qualité exigée, et distribués aux bons clients, aux bons moments, en profitant de la synergie des partenaires à travers une gestion globale de la chaîne [4]. 1

B. Les composants d une chaîne logistique Dans toute chaîne logistique il existe une combinaison d organismes qui assument des fonctions différentes. Certaines sont des fournisseurs, d autres producteurs, des distributeurs, des détaillants, des clients finaux (des entreprises ou des particuliers) et des fournisseurs de services (transport, design de produit, finances) [7]. Un fournisseur est responsable de la fabrication (ou assemblage) des produits pour qu ils soient vendus aux acheteurs (usines, centres de distribution ou clients finaux). Une usine fabrique et assemble la matière première et les composants afin d'obtenir des produits finis destinés au marché. Le rôle du centre de distribution dans une chaîne logistique est triple et consiste en : la réception, le stockage et l'expédition des produits de différentes natures (matières premières, composants, produits finis, etc.). Le client représente le «client final dans» dans une chaîne logistique. Les clients sont généralement les nœuds d un réseau, où les opérations de transport des flux de matières touchent à leurs fins. C. Evaluations des performances des chaînes logistiques Généralement, l évaluation des performances d un système quelconque peut être menée de trois façons : 1. les méthodes analytiques ; 2. la simulation ; 3. l expérimentation physique. Dans le contexte des chaînes logistiques, les approches analytiques ne sont pas très utilisées car le modèle mathématique correspondant est très complexe pour être résolu. Pour l expérimentation physique, elle souffre de limitations techniques et de coût [10]-[8]-[9]. La simulation semble donc la seule perspective pour analyser les performances de cas à échelle réelle. Elle permet l évaluation des performances et/ou de la structure de la chaîne logistique avant l implémentation du système. III. SIMULATION DES CHAINES LOGISTIQUES, ETAT DE L ART A. Simulation des chaînes logistiques avec des outils développés : Rossetti [12] a développé un Framework de simulation des chaînes logistiques en utilisant les éléments fondamentaux nécessaires à la modélisation d une chaîne logistique générique. Il présente une étude conceptuelle orientée objet. Biswas [11] propose un modèle Orienté-Objet pour son outil DESSCOM (Decision Support for Supply Chains through Object Modeling), avec deux types d objets : objet de structure (Client, Ordre, Usine, ) et objet de "politiques" (Politique de : stockage, production, gestion des ordres, ). Liu et al. [13] ont développé un outil de simulation des chaînes logistiques appelé EASY-SC. Il est développé sous Java incluant des méthodes d optimisation pour déterminer les valeurs de quelques paramètres comme le point de commande et le choix du routage. Chatfield [14] décrit SISCO (Simulator for Integrated Supply Chain Operations), un outil graphique de simulation Orienté Objet. L auteur a critiqué les outils déjà réalisés et présente SISCO comme remédiassions à ces critiques ; il sépare bien entre l interface et l engin (cœur) ce qui facilite l utilisation distribuée. L outil SNOW (Supply-chain Network Optimization Workbench) d IBM est présenté par Ding [15]. Ce logiciel, développé sous l environnement Eclips (un IDE Java), est utilisé dans le cadre de la conception des chaînes logistiques. SNOW inclut quelques méthodes analytiques d optimisation pour résoudre les problèmes de localisation et de transport. Il utilise l optimisation et la simulation d une manière séquentielle. B. Simulations des chaînes logistiques en utilisant Arena : Arena est un outil de simulation populaire basé sur un concept orienté objet pour une modélisation complètement graphique. Le modèle est créé en plaçant des blocs sur l espace de travail Arena, puis en créant des liaisons entres ces différents blocs. Vu ça simplicité et flexibilité, cet outil permet de simuler pratiquement tout système à événements discrets, notamment les chaînes logistiques. Ingalls [16] présente CSCAT (Compaq Supply Chain Analysis Tool), un package Arena développé par Compaq pour la simulation des chaînes logistiques. Son objectif principal est de répondre aux questions : quel est le profit de l organisation pour une configuration donnée? Et quel est le niveau de service pour le client pour une configuration donnée? Le modèle est définit avec 9 structures (client, entreprise, stock, produit...). Vieira [5]-[6] propose un modèle hiérarchique à trois niveaux : le premier niveau, le plus générale, est composé des quatre éléments principaux (usine, entrepot, fournisseur et client) et leur intégration issue des ordres et du flux des matériaux/informations. Le deuxième niveau constitue une modélisation intermédiaire, de chaque membre de la chaîne. La modélisation détaillée est sur le 3 ème niveau. Pour mesurer les performances de la chaîne, l auteur utilise trois indicateurs : le temps de cycle entre détaillant et producteur, la variation de la moyenne totale du stock dans la chaîne logistique et la variation de la production/demande chez les fournisseurs. Persson [17] a créé un package Arena qui respecte le modèle SCOR. La conception de la chaîne se fait par placement des composants sur l espace dédié d une manière graphique très simple. Cope et al. [18] présente une approche qui génère un 2

modèle de simulation Arena à partir des données exprimées en XML. Ce simulateur vise la simplicité d utilisation, il permet de générer automatiquement les blocks du modèle Arena à partir des informations et de la structure de la chaîne modélisée codés en XML. IV. MOTIVATION Une chaîne logistique est un système complexe pouvant s étendre à une architecture internationale. L analyse des performances d une chaîne logistique est d un intérêt majeur pour les décideurs, et la simulation informatique se propose comme l outil idéal pour cette tâche. Dans la littérature, plusieurs auteurs se sont intéressés à la simulation des chaînes logistiques, via des outils qu ils ont développés par eux même ou en utilisant des logiciels qui existent sur le marché, dont le célèbre Arena. Les travaux basés sur Arena concernent, dans la majorité des cas, le développement de stratégies de modélisation ou des packages prêts à l emploi qui servent comme moyens de modélisation, mais nul ne propose un modèle complet pour un cas à échelle réelle. En effet, la phase de création du modèle est complètement omise, et les modèles utilisés ne sont pas, dans la majorité des cas, tirés à partir du monde réel. Pour remédier à ce manque, nous présentons dans cet article une modélisation d une chaîne logistique à échelle réelle en utilisant le logiciel simulation Arena. V. CAS D ETUDE La chaîne logistique étudiée dans le cadre de ce travail est un réseau de production/distribution pour un type de véhicule à l échelle internationale [20]. La fonction principale de ce réseau est de produire les différents véhicules et les distribuer aux clients selon leurs demandes spécifiques. Face à une concurrence de plus en plus forte sur le marché, l entreprise cherche à évaluer les performances de ce réseau en termes de niveau de satisfaction du client final (Le Taux de commandes satisfaites dans les délais et le Temps de réponse moyen). Fig. 1 Illustre la configuration du réseau étudié. Ce réseau est composé de trois usines (Usine1, 2 et 3), cinq centres de distribution (CDC, RDC1, RDC2, RDC3 et RDC4) et six zones clients. Les trois usines ainsi que CDC sont situes dans le pays A. Les autres sites sont dans un autre pays B. Figure 1. Configuration de la chaîne logistique étudiée Les véhicules sont convoyés en utilisant différents moyens de transport des usines aux zones clients en passant par les différents sites. En effet, tous les véhicules produits par les trois usines, de type MTS (Make To Stock : véhicules standards) et MTO (Make To Order : véhicules avec options spécifiques), sont accumulées dans le CDC. Afin de réduire le coût de transport, les véhicules MTS sont transportés en bateau vers RDC1, où ils sont stockés par anticipation. Au contraire, pour diminuer le temps de transport, les véhicules MTO sont convoyés directement par train vers le RDC correspondant. Les véhicules sont distribués par camions aux zones clients. Les six clients génèrent des demandes hebdomadaires indépendantes. La quantité demandée suit une loi normale de moyenne égale à 10 et une variance égale à 3. Chaque demande est divisée en deux parties : une partie pour des véhicules de type MTS (60% de la quantité initiale) et le reste pour les véhicules de type MTO (40% de la quantité initiale). Une date due est associée à chaque demande client suivant une loi Triangulaire TRIANG(2,6,6) (Les paramètres de cette loi sont exprimés en semaines). Les deux types de demandes sont traités différemment. Une demande MTO est affectée à l usine la moins chargée, en comparant sa capacité de production et les ordres de production déjà affectés en attente de leurs traitements. Les demandes MTS sont servies par les RDCs selon le stock disponible dans RDC1 car en effet, les autres RDCs (2, 3 et 4) ne possèdent pas de moyens de stockage. Au cas où une rupture du stock est observée dans RDC1, les demandes MTS sont mises en attente jusqu à la prochaine livraison. Comme le réseau est géré en flux tirés, tous les véhicules fabriqués ont déjà leurs propres destinations. Tous les véhicules assemblés dans les usines sont d abord acheminés par train jusqu à CDC. De là, les véhicules MTO sont envoyés directement par train aux RDCs dans le but de réduire le temps de transport. Pour les véhicule MTS, ils sont stockés dans CDC jusqu à réception d un nouveau ordre d approvisionnement généré par RDC1. Dans le but d optimiser les coûts de transport, ces véhicules sont transportés par bateau puis par train jusqu à RDC1, où ils sont stockés. Le processus de livraison commence si des demandes clients de type MTS sont en attente dans RDC1. Pour les demandes émises par des clients directement rattachés à RDC1, les véhicules sont livrés par camions. A l inverse, pour les demandes transmises par les autres RDCs (2, 3 et 4), les véhicules sont transportés par camions aux RDCs respectives puis livrés par camions également aux clients finaux. Etant donné que les camions représentent un moyen de transport maitrisable avec une taille de charge relativement faible (quantité transporté entre 7 et 10 véhicules), un camion ne peut pas être considéré prêt à quitter son emplacement si la quantité présente à transporter est inférieure à sa capacité. 3

Les autres modes de transport (maritime et ferroviaire) sont gérés différemment. En effet, chaque fin de journée les trains et le bateau transportent les produits finis en attente d être transportés vers leurs destinations, quelque soit la charge à transporter. Pour la gestion de ses ordres d approvisionnement en véhicules de types MTS, le RDC1 envoie ses commandes à CDC. Si le stock dans CDC le permet, ces véhicules sont livrés, dans le cas contraire, ces ordres sont mis en attente dans CDC jusqu à sa prochaine livraison. Pour la gestion de ses ordres d approvisionnement en véhicules de types MTS, CDC les envoie directement aux différentes usines. Ces ordres sont considérés comme des ordres de production par les usines. VI. MODELE DE SIMULATION Afin de maintenir une ressemblance visuelle entre la structure de la chaîne logistique réelle et la partie visible du modèle réalisé, nous avons utilisé des sous-modèles pour une poursuite "intuitive" du déroulement de la simulation, La partie (b) est consacrée à la réception des véhicules provenant du centre de distribution. Pour chaque véhicule entrant, nous recalculant la quantité restante de sa commande d origine en soustrayant "1". Après chaque soustraction, nous vérifions l état de la commande en question, c'est-à-dire que nous vérifions si elle est complètement satisfaite ou il manque encore quelques véhicules. Les commandes qui ne sont pas encore complètement satisfaites sont remises dans la file d attente. Ce teste est effectué dans la partie (c) du sous-modèle, où nous enregistrons la différence entre la date due et la date de satisfaction, en vue de calculer le taux de satisfaction à la fin de la simulation. B. Centres de distribution Les centres de distributions de la chaîne logistiques étudiée n ont pas tous le même mode de fonctionnement. En effet, ils diffèrent entre eux par le nombre de connexions et la politique de stockage utilisée. Le RDC2 (Fig. 3) représente un centre intermédiaire qui ne possède aucun moyen de stockage. Pour cette raison, son modèle est très simple si nous le comparons avec le modèle du RDC1 ou du CDC. Figure 3. Sous-modèle RDC2 et 4 Figure 2. Le modèle de simulation sous Arena. chacun des sous modèle représente un composant de la chaine logistique (usine, client et entrepôt) (Fig. 2). Le niveau global, ou le niveau I, contient les principales entités qui composent la chaîne, notamment les usines (Factory1, Factory2 et Factory3), les centres de distribution (CDC, RDC1, RDC2, RDC3 et RDC4) ainsi que les clients (Client1 jusqu au Client6). Chacune de ces entités est représentée par un sous-modèle regroupant un ensemble de blocs Arena qui servent à le faire fonctionner. Dans ce niveau du modèle, pour ne pas l encombrer avec plusieurs liaisons entre les sous-modèles, nous ne représentons pas le flux d information d une manière explicite, i.e. il n existe pas une liaison visible qui servira à transmettre une commande client à son fournisseur. Par contre, le flux physique est explicité via des liaisons visibles. A. Client Le sous-modèle "client" est composé de trois parties (FiG. 4). La partie (a) est la responsable de la génération des commandes. Une fois une commande générée, une copie d elle est mise dans la liste des commandes en attente d être satisfaites, puis elle est divisée en deux commandes différentes : MTS envoyée au RDC en amant, et MTO envoyée à l usine la moins chargée. Le RDC4 est identique au RDC2 puisqu ils ont le même mode de fonctionnement. La même chose peut être soulignée pour le RDC3, à part qu il possède deux sortie vu qu il serve deux clients à la fois. Le modèle du RDC1 (Fig. 5) est relativement plus compliqué en le comparant avec les autres RDCs. Cette complexité et due au fait qu il joue le rôle de distributeur principal dans le pays B, qu il gère un stock MTS, et qu il serve à la fois deux clients ainsi que les autres RDCs. La partie (a) du modèle du RDC1 est responsable de la réception des véhicules provenant du CDC, alors que la partie (b) surveille le stock, quand le stock minimal est atteint, elle génère une commande et l envoie au CDC. Le reste du sous-modèle RDC1 est chargé de la réception et le traitement des commandes provenant des clients 1 et 2 ainsi que celles provenant des autres RDCs. Le stock dans le RDC1 ne satisfait pas nécessairement toutes les commandes, pour cette raison, ces commandes passent d abord par le module de teste "Deliverable" avant d être répondues. Ce teste vérifie que le stock disponible est plus grand que la quantité de véhicules demandée par une commande donnée. Dans le cas ou le stock est insuffisant, la commande est mise en attente dans une file d attente dédiée. 4

Figure 4. Sous-modèle "Client" Figure 5. Sous-modèle "RDC1" 5

Figure 6. Sous-modèle "CDC" Figure 7. Sous-modèle "Usine" 6

Figure 8. Sous-modèle "ligne d assemblage" À chaque réception d une quantité de véhicules MTS par le RDC1, les commandes en attente sont réévaluées, en vue de les satisfaire. Dans le cas ou le stock est suffisant pour répondre à une commande, la quantité demandée est retirée du stock et regroupé via un bloc "batch" en vue de l envoyer à la destination de la commande. Le sous-modèle CDC (Fig. 6) possède une architecture qui s approche à celle du RDC1. Il est constitué de quatre parties principales : une partie gestion de commande (a), une deuxième pour la réception des véhicules (b), une partie pour le transport (d) et une dernière qui surveille le stock (c). C. Usine : Nous avons modélisé une usine (Fig. 7) par un ensemble de blocs pouvant être regroupés en trois parties ; (a) et (b) pour la gestion des commandes MTS et MTO respectivement, une partie (c) concernant le transport, ainsi qu une ligne d assemblage qui représente le cœur de l usine (la partie (d) est décrite ci-dessous). Une commande reçue est tout de suite transformée en véhicules en attente de passer par la ligne d assemblage pour être assemblés. Le nombre de ces véhicules est égal à la taille de la commande. Les véhicules assemblés sortant qui sortent de la ligne d assemblage sont stockés temporairement dans l attente d être transportés à leurs destinations respectives. Suivant le calendrier de transport, les véhicules en attente sont groupés des blocs "batch", puis envoyés vers le CDC. Etant donné que la taille d une commande MTS est relativement importante, et que chaque commande est transformée en véhicules en attente de passer par a ligne 7 d assemblage, le nombre de véhicules risque d être très élevé à l entrée de la ligne d assemblage. Pour cette raison, nous subdivisons les commandes MTS en plusieurs souscommandes de tailles moins importantes, qui seront par la suite facilement manipulées (partie (d)). Le système d assemblage dans les usines est constitué principalement d une ligne d assemblage à modèles mélangés (Mixed Model Assembly System) composée de six stations d assemblage (Fig. 8). Dans ce type de lignes d assemblage, le système de manutention (convoyeur) avance d une station à l autre avec une vitesse constante, et les véhicules qu il porte sont espacés d une manière équitable. Si l assemblage sur une station particulière se fait manuellement, les ouvriers suivent l avancement du convoyeur tout en réalisant leur tâche ; une fois la tâche accomplie, ils reviennent au point du convoyeur qui correspond au début de leur station. Le temps de retour au point du début est négligeable par rapport au temps consacré à l accomplissement de l opération. Dans la pratique, il existe des parties dans le modèle ou on doit faire appel à l optimisation, en vue d avoir une meilleure représentation du monde réel. VII. RESULTATS NUMERIQUES Le modèle a été simulé sur un horizon d une année. Une période de réchauffement, d une durée d un mois, est utilisée pour diminuer l impact des conditions initiales sur la simulation. Nous ne tenons pas compte des valeurs prises par les indicateurs de performance dans le premier mois lors des analyses statistiques. Les indicateurs de performance pris en compte par ce modèle de simulation sont le Taux de satisfaction (Taux des commandes satisfaites dans les délais) et le Temps de

réponse moyen (Temps de réponse à une commande client). La simulation a été lancée sur un Pentium IV 3GHz. Les résultats suivants ont été obtenus : Temps de réponse moyen (semaines) Taux de satisfaction 5,83 69,84% TABLEAU I. RÉSULTATS OBTENUS VIII. CONCLUSION Dans la littérature, plusieurs travaux ont concerné la simulation des chaînes logistiques via l outil Arena, s adressant au développement de stratégies de modélisation ou des packages prêts à l emploi, mais aucun de ces travaux ne proposent un modèles complets pour des cas à échelle réelle, et la phase de création du modèle est souvent omise ou décrite très brièvement. Dans le cadre de ce travail nous avons présenté une manière de créer un modèle de simulation Arena d une chaîne logistique à échelle réelle à partir d une description textuelle de celle-ci. La conception du modèle n était pas une tâche aisée, nous avons utilisé en total plus de 650 blocs Arena pour modéliser la chaîne entière avec ses différentes fonctionnalités et règles de gestion. Simuler harmonieusement un tel nombre de modules est une opération très délicate, aussi bien pendant la conception que pendant la validation. Néanmoins, cette difficulté de modélisation est compensée par la grande flexibilité qu offre cet outil de simulation, grâce au principe de blocs primitifs. Ce principe, proche des langages de programmation, ne limite pas le modélisateur par une vision standard des entités composant la chaîne logistique, car en effet, le modélisateur a un accès direct aux moindres détails sur le modèle, et par conséquence, la chaîne conçue est très personnalisable. [7] S. Umed and Y. T. Lee, Design specifications of a generic supply chain simulator. Proceedings of the 2004 Winter Simulation Conference. 2004. [8] M. J. Tarokh and M. Golkar, Supply chain simulation methods. Service Operations and Logistics, and Informatics. 2006. [9] C. Thierry, A. Thomas and G. Bel, La simulation pour la gestion des chaînes logistiques. Lavoisier. 2008. [10] J. S. Carson, Introduction to modeling and simulation. Proceedings of the 2005 Winter Simulation Conference. 2005. [11] S. Biswas and Y. Narahari, Object oriented modeling and decision support for supply chains. European Journal of Operational Research, 153:704 726. 2004. [12] M. D. Rossetti, and H. T. Chan, A prototype object-oriented supply chain simulation framework. Proceedings of the 2003 Winter Simulation Conference. 2003. [13] J. Liu, W. Wang, Y. Chai and Y. Liu, Easy-sc: A supply chain simulation tool. Proceedings of the 2004 Winter Simulation Conference. 2004. [14] D. C. Chatfield, T. P. Harrison and J. C. Hayya, SISCO: An objectoriented supply chain simulation system. Decision Support Systems, 42:422 434. 2006. [15] H. Ding, W. Wang, J. Dong, M. Qiu, and C. Ren, C. IBM supplychain network optimization workbench: an integrated optimization and simulation tool for supply chain design. Proceedings of the 2007 Winter Simulation Conference. 2007. [16] R. G. Ingalls, CSCAT: The COMPAQ supply chain analysis tool. Proceedings of the 1998 Winter Simulation Conference. 1998. [17] F. Persson and M. Araldi, The development of a dynamic supply chain analysis tool-integration of SCOR and discrete event simulation. International Journal of Production Economics. 2007. [18] D. Cope, M. S. Fayez, M. Mollaghasemi and A. Kaylani, Supply chain simulation modeling made easy: an innovative approach. Proceedings of the 2007 Winter Simulation Conference. 2007. [19] C. A. Chung, Simulation Modeling Handbook, A Practical Approach. CRC PRESS. 2004. [20] H. Ding, une approche d'optimisation basée sur la simulation pour la conception des chaînes logistiques : Applications dans les industries automobile et textile Ph.D. Dept. Automatique. Univ. Metz ; 2004. RÉFÉRENCES [1] M. Christophe, Logistics and supply chain management: Strategies for reducing costs and improving services. Pitman publishing. 1992. [2] D. Waters, Logistics - An Introduction to Supply Chain Management. Palgrave Macmillan. 2003. [3] M. Hugos, Essentials of Supply Chain Management. John Wiley and Sons, Inc. 2003. [4] D. Kassmann and R. Allgor, Supply chain design, management and optimization. 16th European Symposium on Computer Aided Process Engineering. 2006. [5] G. E. Vieira, Ideas for modeling and simulation of supply chains with arena. wsc, pages 357 366. 2004. [6] G. E. Vieira and O. C. Júnior, A conceptual model for the creation of supply chain simulation models. Proceedings of the 2005 Winter Simulation Conference. 2005. 8