Aide au paramétrage d’un pilotage réactif

Appliqué à un flux véhicule d’une usine terminale

Apport d’une méthode d’optimisation multicritère hybride à la réactivité de la

gestion de production d’une usine terminale

En partenariat avec le service Avance de Phase du groupe PSA Peugeot-Citroën

Aymeric Lesert

DEA Intelligence Artificielle et Optimisation Combinatoire

Lesert Aymeric – Soutenance de stage de D.E.A. IA & OC – 26 septembre 2003 Page Page 22/8/8

Aide au paramétrage d’un pilotage réactif

Aide au paramétrage d’un pilotage réactif

Contexte industriel

Ferrage Montage

Stock

Peinture

Stock

Lesert Aymeric – Soutenance de stage de D.E.A. IA & OC – 26 septembre 2003 Page Page 33/8/8

Aide au paramétrage d’un pilotage réactif

Aide au paramétrage d’un pilotage réactif

Problématique

Poste 1 Poste 2 Poste 3 Poste 4 Poste 5

Liste des véhicules à fabriquerContraintes d’équilibrage

Lisser les caractéristiquesMinimiser les non respects de

contraintes d’équilibrageLisser les véhicules « lourds »

Respecter l’ordre prévu

Baratou, 1998

Lesert Aymeric – Soutenance de stage de D.E.A. IA & OC – 26 septembre 2003 Page Page 44/8/8

Aide au paramétrage d’un pilotage réactif

Aide au paramétrage d’un pilotage réactif

État de l’art des méthodes d’optimisation multicritères

Nb de combinaisons:3.10146

Lesert Aymeric – Soutenance de stage de D.E.A. IA & OC – 26 septembre 2003 Page Page 55/8/8

Aide au paramétrage d’un pilotage réactif

Aide au paramétrage d’un pilotage réactif

La fonction d’évaluation à minimiser [0;1] Indicateur global (agrégation de nos indicateurs de

performance)

Nombre d’évaluations : 48 340 000Temps de calcul : 16 h 22 min 21 s

Solution optimale pour notre jeu d’essai

Ensemble de bonnes solutions

Lesert Aymeric – Soutenance de stage de D.E.A. IA & OC – 26 septembre 2003 Page Page 66/8/8

Aide au paramétrage d’un pilotage réactif

Aide au paramétrage d’un pilotage réactif

couplage local – global Utilisation d’une méthode de recherche locale à chaque itération d’une

méthode de recherche globale

0,06

0,07

0,08

0,09

0,1

0,11

0,12

0,13

1 8

15

22

29

36

43

50

57

64

71

78

85

92

99

106

113

120

127

Nb évaluations

Ind

ica

teu

r g

lob

al

Aléatoire Dernier Picart Premier meilleur

Gradient avec le choix d’un des meilleurs voisins

Algorithme Génétique

0,06

0,07

0,08

0,09

0,1

0,11

0,12

0 50000 100000 150000 200000 250000

Nombre d'évaluations

Ind

ica

teu

r g

lob

al

Gradient Recuit Meil leur

ConvergenceDu couplage

Lesert Aymeric – Soutenance de stage de D.E.A. IA & OC – 26 septembre 2003 Page Page 77/8/8

Aide au paramétrage d’un pilotage réactif

Aide au paramétrage d’un pilotage réactif

Conclusion Résultats avec des jeux d’essai (100 véhicules, 4

contraintes) Bons résultats Besoin de « bonnes » solutions initiales Adapté aux problèmes industriels

Résultats sur un cas réel (Site de Madrid) 90% de gains potentiels

Perspectives Intégration dans un outil industriel Parallélisation de cette méthode Amélioration de l’algorithme génétique Existe-t’il encore d’autres axes d’amélioration ? Méthode applicable à tout système réactif

Lesert Aymeric – Soutenance de stage de D.E.A. IA & OC – 26 septembre 2003 Page Page 88/8/8

Aide au paramétrage d’un pilotage réactif

Aide au paramétrage d’un pilotage réactif

Références bibliographiques

Eds. Artiba A. and Elmaghraby S.E., The planning and scheduling of production systems : Methologies and applications, Chapman & Hall, 1998

Baratou P., Gestion réactive de stocks intermédiaires d’un flux de production automobile, Thèse de doctorat, Lille : LAIL, 1998

Renders J-M., Algorithmes génétiques et réseaux de neurones, applications à la commande de processus, Hermès, 1995

Talbi E., Métaheuristiques pour l’optimisation combinatoire multi-objectif : Etat de l’art, Lille : LIFL, 2001

C.S. Wiers V., A review of the applicability of OR and AI scheduling techniques in practice, Eindhoven : University of Technology, 1997

Aymeric.lesert@wanadoo.fr