Upload
ammar-cheguevara
View
108
Download
1
Embed Size (px)
Citation preview
N d'ordre : 98 COLE CENTRALE DE LILLE
UNIVERSIT DE TUNIS EL MANAR
COLE NATIONALE DINGNIEURS DE TUNIS
Thse en cotutelle prpare au Laboratoire dAutomatique, Gnie Informatique et Signal de lEcole Centrale de Lille et lUnit de Recherche LARA Automatique
de lEcole Nationale dIngnieurs de Tunis
THSE
prsente en vue dobtenir le grade de
DOCTEUR
en Automatique et Informatique Industrielle
par
Hela BOUKEF BEN OTHMAN
Doctorat dlivr conjointement par lcole Centrale de Lille et lcole Nationale dIngnieurs de Tunis
Sur lordonnancement dateliers job-shop flexibles et flow-shop en industries pharmaceutiques
Optimisation par algorithmes gntiques et essaims particulaires
soutenue le 3 Juillet 2009, devant le jury dexamen compos de :
MM. Noureddine ELLOUZE Prsident Abdellah EL MOUDNI Rapporteur Noureddine LIOUANE Rapporteur Imed KACEM Examinateur Mohamed BENREJEB Co-Directeur de Thse Pierre BORNE Directeur de Thse
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Avant propos
2
Avant Propos
Ce prsent travail a t effectu au sein de lUnit de Recherche LARA Automatique de
lEcole Nationale dIngnieurs de Tunis (ENIT) et du Laboratoire dAutomatique, Gnie
Informatique et Signal (LAGIS) de lEcole Centrale de Lille (EC-Lille).
Nous sommes particulirement sensibles au grand honneur que Monsieur le Professeur
Noureddine ELLOUZE, Directeur de lUnit de Recherche LSTS de lEcole Nationale
dIngnieurs de Tunis, nous fait en acceptant de prsider notre Jury dExamen. Quil trouve
ici lexpression de notre profonde reconnaissance.
Cest un agrable devoir pour nous dexprimer notre trs vive reconnaissance Monsieur le
Professeur Mohamed BENREJEB, Directeur de lUnit de Recherche LA.R.A. Automatique,
et Monsieur Pierre BORNE, Professeur lEcole Centrale de Lille pour nous avoir guid
durant toute llaboration de ce mmoire avec le srieux et la comptence qui les
caractrisent. Quils trouvent ici le tmoignage de notre trs profonde gratitude.
Nous tenons remercier vivement Monsieur Abdellah EL MOUDNI, Professeur
lUniversit de Technologie Belfort-Monbliard et Monsieur Noureddine LIOUANE, Matre
de Confrences lInstitut Suprieur des Sciences Appliques et Technologies de Gafsa et
Directeur de lInstitut Suprieur des Sciences Appliques et Technologies de Kairouan,
davoir bien voulus accept de rapporter sur notre travail. Quils trouvent ici, le tmoignage
de notre profonde reconnaissance.
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Avant Propos
3
Nos remerciements sadressent galement Monsieur Imed KACEM, Professeur
lUniversit Paul Verlaine-Metz; pour lintrt quil a bien voulu porter nos travaux en
acceptant de participer notre Jury dExamen.
Nous tenons, enfin remercier tous les chercheurs de lUnit de Recherche LARA
Automatique de lENIT et du Laboratoire dAutomatique, Gnie Informatique et Signal de
lEC-Lille pour leur amicale prsence et la sympathie quils nous ont constamment
tmoignes. Nous leur exprimons, ici, toute notre gratitude.
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Table des Matires
4
Table des Matires
Avant Propos ................................................................................................................... 2
Table des Matires .......................................................................................................... 4
Table des Figures............................................................................................................. 8
Liste des Tableaux......................................................................................................... 10
Introduction gnrale.................................................................................................... 11
Chapitre I - Ordonnancement : spcificits, ateliers, mthodes et
complexit............................................................................. 14
I.1 - Introduction ........................................................................................................... 14
I.2 - Gnralits sur lordonnancement....................................................................... 15
I.3 - Formulation dun problme dordonnancement................................................ 16
I.3.1 - Les tches ................................................................................................. 16
I.3.2 - Les ressources .......................................................................................... 17
I.3.3 - Les contraintes......................................................................................... 17
I.3.4 - Les critres ............................................................................................... 18
I.4 - Les ateliers.............................................................................................................. 19
I.4.1 - Les ateliers de type flow-shop................................................................. 19
I.4.2 - Les ateliers de type job-shop .................................................................. 19
I.4.3 - Les ateliers de type open-shop................................................................ 19
I.5 - Reprsentation des problmes dordonnancement ............................................ 20
I.5.1 - Le diagramme de Gantt .......................................................................... 20
I.5.2 - Graphe Potentiel-Tches ........................................................................ 21
I.5.3 - Mthode PERT ........................................................................................ 22
I.6 - Complexit des problmes dordonnancement................................................... 23
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Table des Matires
5
I.7 - Mthodes doptimisation ...................................................................................... 25
I.7.1 - Les mthodes exactes............................................................................... 25
a - La mthode Branch and Bound............................................................... 25
b - La programmation dynamique ............................................................... 26
c - La programmation linaire ...................................................................... 26
d - Les heuristiques ........................................................................................ 26
I.7.2 - Les mthodes approches ou mtaheuristiques.................................... 27
a - Les mthodes bases sur la recherche locale .......................................... 27
b - Les algorithmes volutionnistes : algorithmes gntiques .................... 33
I.8 - Position du problme............................................................................................. 38
I.9 - Conclusion.............................................................................................................. 38
Chapitre II - Algorithmes gntiques pour la rsolution de problmes
dordonnancement en industries pharmaceutiques........ 40
II.1 - Introduction.......................................................................................................... 40
II.2 - Ordonnancement en industries pharmaceutiques ............................................ 41
II.2.1 - Types de produits utiliss dans les industries pharmaceutiques ....... 41
II.2.2 - Cheminement des produits au niveau des industries
Pharmaceutiques 42
II.2.3 - Spcificits dun atelier de conditionnement....................................... 42
II.2.4 - Lignes de conditionnement ................................................................... 43
II.2.5 - Problmes survenant dans un atelier de conditionnement ................ 44
II.3 - Problmes dordonnancement de type flow-shop ............................................. 45
II.3.1 - Prsentation des ateliers de type flow-shop......................................... 45
II.3.2 - Ordonnancement dateliers de type flow-shop ................................... 46
II.4 - Optimisation mono-objectif / Optimisation multi-objectifs............................. 46
II.4.1 - Optimisation mono-objectif .................................................................. 46
II.4.2 - Optimisation multi-objectifs ................................................................. 47
II.5 - Rsolution dun problme dordonnancement en industries
pharmaceutiques par les algorithmes gntiques........................................ 48
II.5.1 - Prsentation du problme ..................................................................... 48
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Table des Matires
6
II.5.2 - Formulation du problme ..................................................................... 49
a - Notations .................................................................................................... 49
b - Critres minimiser ................................................................................. 50
c - Fonction fitness optimiser...................................................................... 50
II.5.3 - Algorithmes gntiques ......................................................................... 51
a - Prsentation des algorithmes gntiques ................................................ 51
b - Fonctionnement dun algorithme gntique .......................................... 52
c - Codage des algorithmes gntiques ......................................................... 52
d - Oprateurs des algorithmes gntiques .................................................. 53
II.5.4 - Codage CLOS propos .......................................................................... 54
II.5.5 - Oprateurs proposs.............................................................................. 55
a - Oprateur de slection.............................................................................. 55
b - Oprateur de croisement.......................................................................... 56
c - Oprateur de mutation ............................................................................. 58
II.5.6 - Algorithme propos ............................................................................... 58
II.6 - Simulation et rsultats ......................................................................................... 60
II.6.1 - Exemple de 16 produits traits sur 2 lignes de conditionnement ...... 61
II.6.2 - Exemple de 30 produits traits sur 2 lignes de conditionnement ...... 63
II.7 - Conclusion ............................................................................................................ 65
Chapitre III - Rsolution de problmes dordonnancement job-shop
flexible par la mthode base sur loptimisation par
essaim particulaire............................................................. 66
III.1 - Introduction ........................................................................................................ 66
III.2 - Problmes dordonnancement de type job-shop flexible (FJSP) ................... 67
III.2.1 - Prsentation des problmes FJSP....................................................... 68
III.2.2 - Formulation des problmes FJSP....................................................... 68
III.3 - Optimisation par essaim particulaire (OEP) ................................................... 69
III.3.1 - Prsentation de la mthode OEP ........................................................ 69
III.3.2 - Optimisation par essaim particulaire dans le cas continu................ 69
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Table des Matires
7
III.3.3 - Optimisation par essaim particulaire dans le cas discret ................. 70
a - Formulation gnrale des problmes dordonnancement FJSP par
essaim particulaire .................................................................................... 70
b - Prsentation de la structure dune particule.......................................... 71
III.3.4 - Algorithme Bas sur la mthode dOptimisation par Essaim
Particulaire pour le cas discret (BOEP)............................................. 72
a - Etapes de lalgorithme BOEP propos ................................................... 72
b - Algorithme BOEP propos ...................................................................... 73
III.4 - Elaboration dun ordonnancement dateliers de type job-shop flexible par la
mthode base sur lessaim particulaire minimisant le Makespan ............... 75
III.4.1 - Prsentation des cas dateliers tudis ............................................... 75
III.4.2 - Rsultats de mise en uvre de la mthode BOEP............................. 77
III.4.3 - Influence du choix des coefficients , et sur les rsultats
obtenus................................................................................................... 81
III.4.4 - Influence de la modification du voisinage sur les rsultats obtenus 83
III.4.5 - Comparaison des rsultats avec ceux obtenus par les algorithmes
gntiques.............................................................................................. 86
III.5 - Comparaison de lefficacit des AG et de la mthode BOEP pour la
rsolution de problmes flow-shop en industries pharmaceutiques.............. 87
III.5.1 - Efficacit de la mthode BOEP Position du problme................... 87
III.5.2 - Rsultats de lapplication de lalgorithme BOEP.............................. 88
III.6 - Conclusion........................................................................................................... 92
Conclusion gnrale................................................................................... 93
Bibliographie.............................................................................................. 96
Annexe ...................................................................................................... 104
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Table des Figures
8
Table des Figures
Figure 1. 1 - Classification des types dateliers ....................................................................... 20
Figure 1. 2 - Diagramme de Gantt dun ordonnancement........................................................ 21
Figure 1. 3 - Graphe Potentiel-Tches d'un ordonnancement .................................................. 22
Figure 1. 4 - Exploration de lespace de recherche dans la mthode de recherche locale ....... 28
Figure 1. 5 - Algorithme relatif au fonctionnement gnral du recuit simul.......................... 30
Figure 1. 6 - Algorithme relatif au fonctionnement gnral de la mthode de recherche
tabou .................................................................................................................... 32
Figure 1. 7 - Fonctionnement gnral dun algorithme gntique ........................................... 35
Figure 1. 8 - Dplacement des fourmis vers une source de nourriture..................................... 36
Figure 1. 9 - Dplacement des fourmis aprs placement d'un obstacle sur leur chemin.......... 36
Figure 1. 10 - Choix du chemin le plus court par la plupart des fourmis................................. 37
Figure 2. 1 - Machines composant une ligne de conditionnement........................................... 44
Figure 2. 2 - Cheminement des produits dans un atelier de type flow-shop ............................ 45
Figure 2. 3 - Types de minima ................................................................................................. 47
Figure 2. 4 - Fonctionnement de loprateur de croisement .................................................... 53
Figure 2. 5 - Fonctionnement de loprateur de mutation........................................................ 54
Figure 2. 6 - Placement des chromosomes sur la roulette la roulette....................................... 56
Figure 2. 7 - Lancement dune bille sur la roulette .................................................................. 56
Figure 2. 8 - Arrt de la bille sur un chromosome, ici, sur celui ayant la meilleure fitness..... 56
Figure 2. 9 - Fonctionnement de l'oprateur de croisement un point .................................... 57
Figure 2. 10 - Fonctionnement de l'oprateur de croisement deux points............................. 57
Figure 2. 11 - Fonctionnement de l'oprateur de mutation un point ..................................... 58
Figure 2. 12 - Fonctionnement de l'oprateur de mutation deux points propos .................. 58
Figure 2. 13 - Etapes de mise en uvre de lalgorithme gntique propos............................ 60
Figure 2. 14 - Evolution des cots travers les gnrations pour le problme
dordonnancement 16x2 en industries pharmaceutiques .................................. 62
Figure 2. 15 - Diagramme de Gantt relatif au meilleur individu pour le problme 16 x 2
utilisant les algorithmes gntiques................................................................... 62
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Table des Figures
9
Figure 2. 16 - Evolution des cots travers les gnrations pour le problme
dordonnancement 30x2 en industries pharmaceutiques .................................. 64
Figure 2. 17 - Diagramme de Gantt relatif au meilleur individu pour le problme 30 x 2
utilisant les algorithmes gntiques.................................................................. 65
Figure 3. 1 - Etapes relatives lvolution de lalgorithme BOEP.......................................... 73
Figure 3. 2 - Evolution du Cmax travers les gnrations pour un problme FJSP 20x5....... 78
Figure 3. 3 - Diagramme de Gantt de la meilleure solution pour le problme 20x5................ 78
Figure 3. 4 - Evolution du Cmax travers les gnrations pour un problme FJSP 10x6....... 79
Figure 3. 5 - Diagramme de Gantt de la meilleure solution pour le problme 10x6................ 79
Figure 3. 6 - Evolution du Cmax travers les gnrations pour un problme FJSP 3x5......... 80
Figure 3. 7 - Diagramme de Gantt de la meilleure solution pour le problme 3x5.................. 80
Figure 3. 8 - Evolution du Cmax travers les gnrations pour un problme FJSP 20x5
pour un choix alatoire des coefficients , et ................................................ 81
Figure 3. 9 - Evolution du Cmax travers les gnrations pour un problme FJSP 10x6
pour un choix alatoire des coefficients , et ................................................ 82
Figure 3. 10 - Evolution du Cmax travers les gnrations pour un problme FJSP 3x5
pour un choix alatoire des coefficients , et .............................................. 82
Figure 3. 11 - Evolution du Cmax travers les gnrations pour un problme FJSP 20x5
pour un voisinage de 10 particules.................................................................... 84
Figure 3. 12 - Evolution du Cmax travers les gnrations pour un problme FJSP 10x6
pour un voisinage de 10 particules.................................................................... 84
Figure 3. 13 - Evolution du Cmax travers les gnrations pour un problme FJSP 3x5
pour un voisinage de 10 particules.................................................................... 85
Figure 3. 14 - Evolution des cots travers les gnrations pour le problme
dordonnancement 16x2 en industries pharmaceutiques .................................. 89
Figure 3. 15 - Diagramme de Gantt relatif au meilleur individu pour le problme 16 x 2 par
application de la mthode BOEP ...................................................................... 90
Figure 3. 16 - Evolution des cots travers les gnrations pour le problme
dordonnancement 30x2 en industries pharmaceutiques .................................. 90
Figure 3. 17 - Diagramme de Gantt relatif au meilleur individu pour le problme 30 x 2 par
application de la mthode BOEP ...................................................................... 91
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Liste des tableaux
10
Liste des Tableaux
Tableau 1. 1 - Donnes utilises pour la ralisation dun graphe potentiel-tches .................. 21
Tableau 2. 1 - Codage CLOS pour n lignes et m produits pour un individu i donn............... 55
Tableau 2. 2 - Donnes relatives un problme dordonnancement 16x2 en industries
pharmaceutiques................................................................................................ 61
Tableau 2. 3 - Donnes relatives un problme dordonnancement 30x2 en industries
pharmaceutiques................................................................................................ 63
Tableau 3.1- Exemple de structure dune particule................................................................. 72
Tableau 3.2 - Benchmark 20x5 relatif un problme dordonnancement de type job-shop
flexible mono-opration toutes les machines tant utilisables ........................... 76
Tableau 3.3 - Benchmark 10x6 relatif un problme dordonnancement de type job-shop
flexible mono-opration certaines machines ntant pas utilisables .................. 77
Tableau 3.4 - Benchmark 3x5 relatif un problme dordonnancement
de type job-shop flexible multi-oprations......................................................... 77
Tableau 3.5 - Rsultats comparatifs des diffrentes variantes de la mthode BOEP............... 86
Tableau 3.6 -Tableau comparatif des rsultats relatifs aux mises en uvre de la mthode base
sur loptimisation par essaim particulaire (BOEP) et des algorithmes gntiques
(AG) pour les problmes FJSP........................................................................... 86
Tableau 3.7 - Tableau comparatif des rsultats relatifs aux mises en uvre de la mthode
BOEP et des AG pour les problmes flow-shop en industries pharmaceutiques 91
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Introduction Gnrale
11
Introduction gnrale
Parmi les problmes rencontrs par le chercheur et lingnieur, les problmes doptimisation
occupent notre poque une place de choix. Formuler les problmes doptimisation et tenter
de les rsoudre reprsentent lobjectif principal de nombreux chercheurs.
Comprendre, analyser et formuler un problme doptimisation ncessitent dabord une
dfinition des paramtres, des variables, de lespace de recherche ainsi que des fonctions
optimiser.
Une fois la (ou les) fonction(s) optimiser dfinie(s), une mthode adapte pour la rsolution
du problme pos est choisie.
A ce niveau, la taille et la complexit du problme entrent en compte pour le choix de la
mthode doptimisation. Si le problme est de petite taille et de complexit rduite, la mise en
uvre dune mthode exacte peut suffire et aboutir une solution optimale.
Dans le cas de problmes de tailles importantes, les mthodes approches constituent le
moyen le plus efficace de se rapprocher le plus possible de la solution optimale.
Quil sagisse dune optimisation mono ou multi-objectifs entre galement en ligne de
compte. Dans le cas dun objectif unique, la dfinition de la fonction fitness, f, ne pose
gnralement pas de problme. Par exemple, si lon se fixe lobjectif de minimiser un cot C,
la fonction fitness sera gale C.
Certains problmes doptimisation doivent satisfaire des objectifs multiples, souvent
concurrents, ce qui ncessite parfois la recherche dun compromis. Une mthode classique, en
prsence de fonctions objectifs fi, consiste les combiner en effectuant, par exemple, une
somme pondre des fonctions objectifs, =i
ii ff , ramenant ainsi un problme multi-
objectifs un problme mono-objectif.
Cest lutilisateur de fixer convenablement les poids des objectifs, tenant compte de leur
importance ou de les adapter, parfois, par ttonnement.
Les problmes dordonnancement dans le secteur industriel, sont parmi les problmes
doptimisation les plus tudis. Amliorer le rendement des ressources et minimiser les cots
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Introduction Gnrale
12
de production sont devenus les leitmotivs des industriels. Chercher le meilleur moyen de
maximiser son profit est aujourdhui lun des objectifs principaux de toute entreprise.
Cest dans ce contexte quentre nos travaux de recherche. Ils concernent la rsolution de
problmes multi-objectifs dordonnancement en industries pharmaceutiques. Au niveau de ce
type dindustries, assurer la production en quantit et surtout de qualit irrprochable, dans les
dlais impartis et tenant compte des diffrentes saisons tout en minimisant les cots,
reprsente un challenge de tous les jours.
Sachant que les problmes de production dans les industries pharmaceutiques sont complexes
et ncessitent la prise en compte de plusieurs facteurs essentiellement lis au respect de
lhygine ainsi que de lassurance et du contrle de la qualit, nous nous orientons pour leur
rsolution vers le choix des mthodes approches.
Deux mthodes sont donc utilises tout au long de ce rapport. La mthode des algorithmes
gntiques et la mthode doptimisation par essaim particulaire qui sont des mthodes
volutionnistes.
Les algorithmes volutionnistes doivent leur nom l'analogie avec les mcanismes
d'volution des espces vivantes. Un algorithme volutionniste est compos de trois lments
essentiels : une population constitue de plusieurs individus reprsentant des solutions
potentielles pour problme pos, un mcanisme d'valuation de ladaptation de chaque
individu de la population l'gard de son environnement et un mcanisme d'volution
compos d'oprateurs permettant d'liminer certains individus et de produire de nouveaux
individus partir des individus slectionns.
Un algorithme volutionniste dbute, donc par la cration dune population initiale souvent
gnre alatoirement et rpte ensuite un cycle d'volution compos de trois tapes
essentielles qui sont la mesure de la qualit de chaque individu de la population par le
mcanisme d'valuation, la slection des individus pour une ventuelle volution et la
gnration de nouveaux individus par recombinaisons d'individus slectionns. Une condition
darrt indique la fin de ce processus.
Le premier chapitre de ce mmoire propose, dans un premier temps, une vue densemble sur
les problmes dordonnancement des systmes de production et sur leur complexit. Ainsi les
diffrentes composantes de lordonnancement sont prsentes et les types dateliers pouvant
les caractriser introduits. Diffrentes reprsentations possibles des problmes
dordonnancement sont par la suite proposes. Dans un deuxime temps, nous focalisons
notre attention sur la prsentation des diffrentes mthodes doptimisation allant des mthodes
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Introduction Gnrale
13
exactes aux mthodes approches indiquant celles qui sont les plus utilises dans la littrature.
En conclusion ce chapitre, la problmatique relative lordonnancement en industries
pharmaceutiques et des critres minimiser est prsente.
Dans la premire partie du deuxime chapitre, les spcificits et les diffrents problmes
rencontrs dans un atelier de conditionnement en industries pharmaceutiques sont introduits.
Les lignes de conditionnement composant le poste en question sont dtailles nous amenant
ainsi nous intresser aux ateliers de type flow-shop dont elles font partie.
La deuxime partie, quant elle traite de la rsolution du problme multi-objectifs pos en
utilisant la mthode des algorithmes gntiques.
Un Codage spcifique est recherch pour permettre la meilleure reprsentation possible du
problme trait.
Deux exemples sont par la suite traits, et les rsultats relatifs consigns pour leur
comparaison ultrieure avec la mthode doptimisation par essaim particulaire au niveau du
chapitre suivant.
Dans le troisime chapitre, la mthode doptimisation par essaim particulaire est introduite et
son utilisation dans le cas continu prsente. La formulation de cette mthode est, par la suite,
modifie pour permettre son adaptation au cas discret.
Dans une premire partie, trois exemples traitant de lordonnancement job-shop flexible ont
t traits et compars avec des rsultats obtenus par utilisation des algorithmes gntiques.
Dans une deuxime partie, nous revenons au problme dordonnancement en industries
pharmaceutiques trait au deuxime chapitre pour effectuer une comparaison des rsultats
obtenus.
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit
14
Chapitre I
Ordonnancement : spcificits, ateliers,
mthodes et complexit
I.1 - Introduction La ralisation dun projet ncessite souvent une succession de tches auxquelles sattachent
certaines contraintes :
- de temps, relatives aux dlais respecter pour lexcution des tches,
- dantriorit, o certaines tches doivent sexcuter avant dautres,
- de production, concernant le temps doccupation du matriel ou des hommes qui
lutilisent, ...
Les techniques dordonnancement dans le cadre de la gestion dun projet ont pour objectif de
rpondre au mieux aux besoins exprims par un client, au meilleur cot et dans les meilleurs
dlais, en tenant compte des diffrentes contraintes.
Lordonnancement se droule en trois tapes qui sont:
- la planification, qui vise dterminer les diffrentes oprations raliser, les dates
correspondantes, et les moyens matriels et humains y affecter.
- lexcution, qui consiste mettre en uvre les diffrentes oprations dfinies dans la
phase de planification.
- le contrle, qui consiste effectuer une comparaison entre planification et excution,
soit au niveau des cots, soit au niveau des dates de ralisation.
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit
15
Ainsi, le rsultat dun ordonnancement est un calendrier prcis de tches raliser qui se
dcompose en trois importantes caractristiques :
- laffectation, qui attribue les ressources ncessaires aux tches,
- le squencement, qui indique lordre de passage des tches sur les ressources,
- le datage, qui indique les temps de dbut et de fin dexcution des tches sur les
ressources.
Dans ce chapitre, quelques gnralits sur les problmes dordonnancement dans les ateliers
de production dont les spcificits : les types dateliers, les critres doptimisation et la
complexit sont introduites. Dans un deuxime temps, une description des principales
mthodes doptimisation utilises dans la littrature est ralise nous permettant ainsi de
prsenter celles que nous utiliserons dans la suite de ce rapport.
I.2 - Gnralits sur lordonnancement Lordonnancement est une branche de la recherche oprationnelle et de la gestion de la
production qui vise amliorer lefficacit dune entreprise en termes de cots de production
et de dlais de livraison. Les problmes dordonnancement sont prsents dans tous les
secteurs dactivits de lconomie, depuis lindustrie manufacturire [Pinedo, 55] jusqu
linformatique [Blazewicz et al, 96].
Ordonnancer le fonctionnement dun systme industriel de production consiste grer
lallocation des ressources au cours du temps, tout en optimisant au mieux un ensemble de
critres [Rodammer et al, 88]. Cest aussi programmer lexcution dune ralisation en
attribuant des ressources aux tches et en fixant leurs dates dexcution [Carlier et al, 88].
Ordonnancer peut galement consister programmer lexcution des oprations en leur
allouant les ressources requises et en fixant leurs dates de dbut de fabrication.
Dune manire plus simple, un problme dordonnancement consiste affecter des tches
des ressources des instants donns pour rpondre au mieux aux besoins exprims par un
client, au meilleur cot et dans les meilleurs dlais, tout en tenant compte des contraintes.
Les problmes dallocation des ressources, dorganisation des tches, de respect des dlais et
de prise de dcision en temps requis constituent autant de difficults quil est ncessaire de
surmonter dans la gestion des systmes de production en milieu industriel.
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit
16
Au niveau de lentreprise, lordonnancement concerne plusieurs postes : les ventes, la
production, la maintenance, etc. Son rle est de plus en plus important, car il permet une
gestion de ces diffrents postes qui peut tre optimale.
Pour la bonne gestion de ces postes ainsi que des contraintes pouvant y tre relies, il est
ncessaire :
- de dterminer les diffrentes oprations raliser, les dates correspondantes, les
moyens matriels et humains y affecter,
- dexcuter ces oprations et de contrler les cots qui en dcoulent.
Cest ainsi que lordonnancement intervient pour permettre la meilleure gestion possible du
systme de production.
I.3 - Formulation dun problme dordonnancement Les problmes dordonnancement apparaissent dans tous les domaines : informatique,
industrie, construction, administration, etc [Carlier, 88].
Les diffrentes donnes dun problme dordonnancement sont les tches, les ressources, les
contraintes et les critres.
Ainsi, tant donns un ensemble de tches et un ensemble de ressources, il sagit de
programmer les tches et affecter les ressources de faon optimiser un ou plusieurs objectifs
(un objectif correspondant un critre de performance), en respectant un ensemble de
contraintes.
I.3.1 - Les tches
Une tche est une entit lmentaire localise dans le temps, par une date de dbut et/ou de
fin, et dont la ralisation ncessite une dure pralablement dfinie.
Elle est constitue dun ensemble doprations qui requiert, pour son excution, certaines
ressources et quil est ncessaire de programmer de faon optimiser un certain objectif.
On distingue deux types de tches :
o les tches morcelables (premptibles) qui peuvent tre excutes en plusieurs fois, facilitant ainsi la rsolution de certains problmes,
o les tches non morcelables (indivisibles) qui doivent tre excutes en une seule fois et ne sont interrompues quune fois termines.
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit
17
I.3.2 - Les ressources Une ressource est un moyen technique ou humain utilis pour raliser une tche. On trouve
plusieurs types de ressources :
o les ressources renouvelables, qui, aprs avoir t alloues une tche, redeviennent disponibles (machines, personnel, etc),
o les ressources consommables, qui, aprs avoir t alloues une tche, ne sont plus disponibles (argent, matires premires, etc).
Qu'elle soit renouvelable ou consommable, la disponibilit d'une ressource peut varier au
cours du temps. Par ailleurs, dans le cas des ressources renouvelables, on distingue
principalement, les ressources disjonctives qui ne peuvent excuter qu'une tche la fois et
les ressources cumulatives qui peuvent tre utilises par plusieurs tches simultanment mais
en nombre limit .
I.3.3 - Les contraintes
Suivant la disponibilit des ressources et suivant lvolution temporelle, deux types de
contraintes peuvent tre distingues [Carlier et al, 88] : contraintes de ressources et
contraintes temporelles.
o les contraintes de ressources : plusieurs types de contraintes peuvent tre induites par la nature des ressources. A titre dexemple, la capacit limite dune ressource
implique un certain nombre, ne pas dpasser, de tches excuter sur cette
ressource.
Les contraintes relatives aux ressources peuvent tre disjonctives, induisant une
contrainte de ralisation des tches sur des intervalles temporels disjoints pour une
mme ressource, ou cumulatives impliquant la limitation du nombre de tches
raliser en parallle.
o les contraintes temporelles : elles reprsentent des restrictions sur les valeurs que peuvent prendre certaines variables temporelles dordonnancement. Ces contraintes
peuvent tre :
- des contraintes de dates butoirs, certaines tches doivent tre acheves avant
une date pralablement fixe,
- des contraintes de prcdence, une tche i doit prcder la tche j,
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit
18
- des contraintes de dates au plus tt, lies lindisponibilit de certains facteurs
ncessaires pour commencer lexcution des tches.
I.3.4 - Les critres
Un critre correspond des exigences qualitatives et quantitatives satisfaire permettant
dvaluer la qualit de lordonnancement tabli.
Les critres dpendant dune application donne sont trs nombreux; plusieurs critres
peuvent tre retenus pour une mme application. Le choix de la solution la plus satisfaisante
dpend du ou des critres pralablement dfinis, pouvant tre classs suivant deux types,
rguliers et irrguliers.
Les diffrents critres ne sont pas indpendants; certains mme sont quivalents. Deux
critres sont quivalents si une solution optimale pour lun est aussi optimale pour lautre et
inversement [Carlier et al, 88]
o Les critres rguliers constituent des fonctions dcroissantes des dates dachvement des oprations. Quelques exemples sont cits ci-dessous:
- la minimisation des dates dachvement des actions,
- la minimisation du maximum des dates dachvement des actions,
- la minimisation de la moyenne des dates dachvement des actions,
- la minimisation des retards sur les dates dachvement des actions,
- la minimisation du maximum des retards sur les dates dachvement des actions.
o Les critres irrguliers sont des critres non rguliers, c'est--dire qui ne sont pas des fonctions monotones des dates de fin dexcution des oprations, tels que:
- la minimisation des encours,
- la minimisation du cot de stockage des matires premires,
- lquilibrage des charges des machines,
- loptimisation des changements doutils.
La satisfaction de tous les critres la fois est souvent dlicate, car elle conduit souvent des
situations contradictoires [Roy et al, 93] et la recherche de solutions des problmes
complexes doptimisation.
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit
19
I.4 - Les ateliers Une classification des problmes dordonnancement dans un atelier peut soprer selon le
nombre de machines et leur ordre dutilisation pour fabriquer un produit, qui dpend de la
nature de latelier considr. Un atelier est caractris par le nombre de machines quil
contient et par son type.
Comme le montre la figure1.1, On distingue les trois types dateliers suivants : flow-shop,
job-shop et open-shop, avec des extensions possibles pour chacun deux.
I.4.1 - Les ateliers de type flow-shop
Appels galement ateliers cheminement unique, ce sont des ateliers o une ligne de
fabrication est constitue de plusieurs machines en srie; toutes les oprations de toutes les
tches passent par les machines dans le mme ordre. Dans les ateliers de type flow-shop
hybride, une machine peut exister en plusieurs exemplaires identiques fonctionnant en
parallle.
I.4.2 - Les ateliers de type job-shop
Appels galement ateliers cheminement multiple, ce sont des ateliers o les oprations sont
ralises selon un ordre bien dtermin, variant selon la tche excuter; le job-shop flexible
est une extension du modle job-shop classique; sa particularit rside dans le fait que
plusieurs machines sont potentiellement capables de raliser un sous-ensemble doprations.
I.4.3 - Les ateliers de type open-shop
Ce type datelier est moins contraint que celui de type flow-shop ou de type job-shop. Ainsi,
lordre des oprations nest pas fix a priori; le problme dordonnancement consiste, dune
part, dterminer le cheminement de chaque produit et, dautre part, ordonnancer les
produits en tenant compte des gammes trouves, ces deux problmes pouvant tre rsolus
simultanment. Compar aux autres modles dateliers, lopen-shop nest pas couramment
utilis dans les entreprises.
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit
20
Figure 1. 1 - Classification des types dateliers
I.5 - Reprsentation des problmes dordonnancement Il existe trois sortes de reprsentations possibles dun problme dordonnancement: le
diagramme de Gantt, le graphe Potentiel-Tches et la mthode PERT.
I.5.1 - Le diagramme de Gantt
Le diagramme de Gantt est un outil permettant de modliser la planification des tches
ncessaires la ralisation d'un projet. Il s'agit d'un outil labor en 1917 par Henry L. Gantt.
Etant donn la facilit relative de lecture des diagrammes de Gantt, cet outil est utilis par la
quasi-totalit des chefs de projet dans tous les secteurs. Il permet de reprsenter
graphiquement l'avancement du projet et constitue galement un bon moyen de
communication entre les diffrents acteurs d'un projet. Le diagramme de Gantt prsente en
ordonne la liste des tches, notes Ti excuter par les machines notes Mj et en abscisse
lchelle du temps, comme le montre la figure 1.2 dans le cas o i = 1,2,,5 et j = 1,2.
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit
21
Figure 1. 2 - Diagramme de Gantt dun ordonnancement
I.5.2 - Graphe Potentiel-Tches
Cette outil graphique a t dvelopp grce la thorie des rseaux de Ptri qui ont surtout
servi modliser les systmes dynamiques vnements discrets [Carlier et al, 84].
Dans ce genre de modlisation, les tches sont reprsentes par des nuds et les contraintes
par des arcs [Roy 70], comme le montre la figure 1.3.
Ainsi, les arcs peuvent tre de deux types :
- les arcs conjonctifs illustrant les contraintes de prcdence et indiquant les dures des
tches,
- les arcs disjonctifs indiquant les contraintes de ressources [Gotha, 93], [Jain et al, 99].
Exemple de graphe potentiel-tches
Tableau 1. 1 - Donnes utilises pour la ralisation dun graphe potentiel-tches
Tches Dures Contraintes
a 6 mois
b 3 mois
c 6 mois
d 2 mois b acheve
e 4 mois b acheve
f 3 mois d et a acheves
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit
22
Pour qu'une tche puisse commencer, il est ncessaire que toutes les tches qui la relient la
tche du dbut S du projet, soient ralises. On dfinit donc :
- la date au plus tt de la tche, qui correspond la date de dbut, au plus tt, de
l'excution de la tche.
Exemple : la tche f ne peut s'excuter que si a et d ont t ralises. Donc, pour
excuter a il faut 6 mois et pour excuter d il faut 2+3 mois. La tche f ne pourra
commencer au plus tt que 6 mois aprs le dbut du projet: c'est donc le plus long
chemin entre a et f.
- la dure du projet, qui correspond au plus long chemin entre S (tche de dbut du
projet) et S (tche de fin du projet).
Figure 1. 3 - Graphe Potentiel-Tches d'un ordonnancement
I.5.3 - Mthode PERT (Program Evaluation and Research Task)
Cette reprsentation, semblable la prcdente, permet de reprsenter une tche par un arc,
auquel est associ un chiffre qui reprsente la dure de la tche. Entre les arcs, figurent des
cercles, appels sommets ou vnements, qui marquent laboutissement dune ou de plusieurs
tches. Ces cercles sont numrots afin de suivre lordre de succession des divers vnements.
Les mthodes graphiques ont connu une trs importante volution surtout avec lapparition
des Rseaux de Ptri (RdP) [Chrtienne, 83], [Carlier et al, 84], qui permettent de traduire
plusieurs notions fondamentales ayant un lien avec les problmes dordonnancement, telles
que :
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit
23
- les conflits sur les ressources,
- les dures opratoires certaines,
- les dures opratoires alatoires,
- les gammes,
- les disponibilits, les multiplicits et les capacits de ressources
- la rptitivit, etc
I.6 - Complexit des problmes dordonnancement Dune manire gnrale, les problmes dordonnancement dateliers tant des problmes
combinatoires difficiles, il nexiste pas de mthodes universelles permettant de rsoudre tous
les cas.
Plusieurs algorithmes peuvent tre utiliss pour rsoudre un problme dordonnancement
mais tous ne sont pas quivalents.
On peut diffrencier les divers algorithmes de rsolution par le moyen des critres suivants :
o l'efficacit de l'algorithme en terme de dure d'excution; un algorithme est dit plus efficace qu'un autre si pour les mmes donnes, il s'excute en un laps de temps plus
court;
o l'efficacit de l'algorithme en espace mmoire de stockage; un algorithme est dit plus efficace qu'un autre si pour rsoudre le mme problme, il utilise moins d'espace
mmoire;
o la fiabilit de l'algorithme; plus un programme est complexe, plus il y a des risques d'existence de bugs, les bugs tant des erreurs plus ou moins videntes qui se
manifestent lors de la mise en exploitation dun programme. Un programme est jug
plus fiable ou plus stable qu'un autre s'il prsente moins de bugs;
o la robustesse de l'algorithme; elle mesure son degr de tolrance aux erreurs des utilisateurs et sa rsistance aux attaques des pirates; un programme est plus robuste
qu'un autre s'il rsiste mieux aux erreurs de manipulations des utilisateurs plus ou
moins bien attentionns.
Il est noter qu'il n'y a pas de mthode ou d'chelle de mesure permettant d'valuer la fiabilit
ou la robustesse d'un algorithme. C'est l'usage que ces qualits sont mesures. Par contre, il
existe des mthodes rationnelles et rigoureuses pour valuer l'efficacit en temps ou en espace
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit
24
d'un algorithme. Ces mthodes d'valuation portent le nom d'analyse de complexit des
algorithmes.
Deux types de complexit peuvent tre cits:
o la complexit mthodologique, qui exprime une fonction du nombre doprations lmentaires de calcul effectues par la mthode ou par lalgorithme de rsolution en
fonction du nombre des donnes du problme trait,
o la complexit problmatique, lie la difficult du problme rsoudre et au nombre des oprations lmentaires quun algorithme dterministe peut effectuer pour trouver
loptimum en fonction de la taille du problme.
Selon son degr de complexit, un problme peut appartenir lune des quatre classes
suivantes [Sakarovitch 84] :
les problmes les plus difficiles, qui sont des problmes pour lesquels il nexiste aucune mthode de rsolution; ils sont dits indcidables,
les problmes de la classe P, dits polynomiaux, sil existe un algorithme de complexit polynomiale pour leur rsolution,
les problmes de la classe NP, dits problmes NP-difficiles, qui ne peuvent priori tre rsolus en un temps polynomial que par des mthodes approches
(heuristiques); au cours de leur excution, ces algorithmes font des choix dont
loptimalit nest pas dmontrable,
les problmes NP-Complets, qui rpondent la dfinition suivante : un problme de dcision A est dit NP-Complet sil appartient la classe NP et si pour tout A de
NP :
- il existe une application polynomiale qui transforme toute instance I de A
en une instance I de A,
- A admet une rponse "oui" pour linstance I, si et seulement si A admet
une rponse "oui" pour linstance I.
Autrement dit, sil existe un algorithme polynomial pour rsoudre A, alors, pour
tout le reste des problmes de la classe, il existe des algorithmes polynomiaux pour
les rsoudre.
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit
25
I.7 - Mthodes doptimisation Etant donns un ensemble de tches et un ensemble de ressources, il est ncessaire de
programmer les tches et daffecter les ressources de faon optimiser un ou plusieurs
objectifs (un objectif correspondant un critre de performance), en respectant un ensemble
de contraintes. La principale difficult laquelle est confront un dcideur, en prsence dun
problme doptimisation est celui du choix dune mthode efficace capable de produire une
solution optimale en un temps de calcul raisonnable.
Les diffrentes mthodes de rsolution dveloppes peuvent tre classes en deux catgories :
les mthodes exactes qui garantissent la compltude de la rsolution et les mthodes
approches qui perdent la compltude pour gagner en efficacit.
I.7.1 - Les mthodes exactes
On peut dfinir une mthode exacte comme tant une mthode qui fournit une solution
optimale pour un problme doptimisation.
Lutilisation de ce type de mthodes savre particulirement intressante dans les cas des
problmes de petites tailles. La mthode par sparation et valuation (branch and bound) [Le
Pape, 95], [Baptiste, 96] constituent certainement celles qui sont les plus utilises pour
rsoudre les problmes doptimisation multi-objectifs [Sakarovitch, 84]. Dautres mthodes
telles que la programmation linaire ou la programmation dynamique, sont aussi utilises
couramment.
Toutes ces mthodes examinent dune manire implicite, la totalit de lespace de recherche
pour produire la solution optimale.
a - La mthode Branch and Bound
Lalgorithme Branch and Bound consiste placer progressivement les tches sur les
ressources en explorant un arbre de recherche dcrivant toutes les combinaisons possibles.
Il sagit de trouver la meilleure configuration donne de manire laguer les branches de
larbre qui conduisent de mauvaises solutions.
Lalgorithme branch and bound effectue une recherche complte de lespace des solutions
dun problme donn, pour trouver la meilleure solution.
La dmarche de lalgorithme Branch and Bound consiste [Collette et al, 02] :
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit
26
- diviser lespace de recherche en sous espaces,
- chercher une borne minimale en terme de fonction objectif associe chaque
sous espace de recherche,
- liminer les mauvais sous-espaces,
- reproduire les tapes prcdentes jusqu lobtention de loptimum global.
b - La programmation dynamique
Elle se base sur le principe de Bellman [Bellman, 86] : Si C est un point qui appartient au
chemin optimal entre A et B, alors la portion de ce mme chemin allant de A C est le
chemin optimal entre A et C . Cest une mthode qui consiste donc construire dabord les
sous-chemins optimaux et ensuite par rcurrence le chemin optimal pour le problme entier.
Cette mthode est destine rsoudre des problmes doptimisation vocation plus gnrale
que la mthode de sparation et dvaluation (branch and bound) sans permettre pour autant
daborder des problmes de tailles importantes.
c - La programmation linaire
Cest lune des techniques classiques de recherche oprationnelle. Elle repose sur la mthode
du simplexe et les algorithmes de points intrieurs de Karmarkar [Sakarovitch, 84].
Elle consiste minimiser une fonction cot en respectant des contraintes, le critre et les
contraintes tant des fonctions linaires des variables du problme [Mellouli et al, 04].
d - Les heuristiques
Les heuristiques sont des mthodes empiriques qui donnent gnralement de bons rsultats
sans pour autant tre dmontrables. Elles se basent sur des rgles simplifies pour optimiser
un ou plusieurs critres. Le principe gnral de cette catgorie de mthodes est dintgrer des
stratgies de dcision pour construire une solution proche de celle optimale tout en cherchant
avoir un temps de calcul raisonnable [Bel, 01]. Parmi ces stratgies, nous distinguons :
- FIFO (First In First Out) o la premire tche arrive est la premire tre
ordonnance,
- SPT (Shortest Processing Time) o la tche ayant le temps opratoire le plus
court est traite en premier,
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit
27
- LPT (Longest Processing Time) o la tche ayant le temps opratoire le plus
important est traite en premier,
- EDD (Earliest Due Date) o la tche ayant la date due la plus petite est la plus
prioritaire,
I.7.2 - Les mthodes approches ou mtaheuristiques
Malgr lvolution permanente de linformatique, il existe toujours, pour un problme
polynomial, une taille critique au-dessus de laquelle une numration, mme partielle, des
solutions admissibles devient prohibitive. Compte tenu de ces difficults, la plupart des
spcialistes de loptimisation combinatoire ont orient leurs recherches vers le dveloppement
des mtaheuristiques [Widmer, 01]. Une mtaheuristique est souvent dfinie comme une
procdure exploitant au mieux la structure du problme considr, dans le but de trouver une
solution de qualit raisonnable en un temps de calcul aussi faible que possible [Nicholson,
71].
Les mtaheuristiques sont ainsi des mthodes de recherche gnrales, ddies aux problmes
doptimisation difficile. Elles sont, en gnral, prsentes sous forme de concepts.
Les principales mtaheuristiques sont celles bases sur la recherche locale, telles que le recuit
simul et la recherche Tabou, et celles bases sur les algorithmes volutionnistes telles que
les algorithmes gntiques ainsi que les algorithmes bass sur la recherche globale tels que les
algorithmes de colonies de fourmis et les algorithmes reposant sur la mthode doptimisation
par essaim particulaire.
a - Les mthodes bases sur la recherche locale
La recherche locale peut tre rsume comme tant une procdure de recherche itrative qui,
partir d'une premire solution ralisable, l'amliore progressivement en appliquant une srie
de modifications (ou mouvements) locales, comme montr dans la figure 1.4. Il faut, pour
cela introduire une structure de voisinage qui consiste spcifier un voisinage pour chaque
solution. Ainsi, chaque itration, la recherche s'oriente vers une nouvelle solution ralisable
qui diffre lgrement de la solution courante en remplaant celle-ci par une meilleure situe
dans son voisinage. La recherche se termine si un optimum local est rencontr. L'inconvnient
important de cette mthode est qu' moins d'tre extrmement chanceux, cet optimum local
est souvent une solution assez mdiocre. Dans la recherche locale, la qualit des solutions
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit
28
obtenues dpend fortement de la richesse de l'ensemble des transformations (mouvements)
considres chaque itration.
Pour faire face cette limitation, des mthodes de recherche locale plus sophistiques ont t
dveloppes au cours de ces vingt dernires annes. Ces mthodes acceptent des solutions
voisines moins bonnes que la solution courante afin dchapper aux minima locaux. En rgle
gnrale, seule une portion du voisinage courant est explore chaque tape [Widmer, 01].
Les mthodes les plus connues sont le recuit simul [Kirkpatrick et al, 83] et la recherche
tabou [Glover, 89], [Glover, 90].
Figure 1. 4 - Exploration de lespace de recherche dans la mthode de recherche locale
Le recuit simul Inspir du recuit physique, ce processus est utilis en mtallurgie pour amliorer la qualit
dun solide et cherche un tat dnergie minimale qui correspond une structure stable du
solide. Ainsi, pour quun mtal retrouve une structure proche du cristal parfait, on porte celui-
ci une temprature leve, puis on le laisse refroidir lentement de manire ce que les
atomes aient le temps de sordonner rgulirement.
L'algorithme du recuit simul [Kirkpatrick et al, 83], permet de rsoudre les problmes de
minima locaux. En effet, une nouvelle solution de cot suprieur celui de la solution
courante ne sera pas forcment rejete, son acceptation sera dtermine alatoirement en
tenant compte de la diffrence entre les cots ainsi que du facteur temprature T. Ce
paramtre, sert prendre en compte le fait que plus le processus d'optimisation est avanc,
moins on est prs accepter une solution plus coteuse. Par contre, l'acceptation de solutions
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit
29
fortement coteuses permet, au dbut, de mieux explorer l'espace des solutions possibles et
ainsi, d'accrotre les chances d'approcher le minimum global.
Kirkpatrick [Kirkpatrick et al, 83] et Cerny [Cerny, 85] se sont inspirs dune telle technique
pour rsoudre des problmes doptimisation combinatoire. Le voisinage N(s) dune solution,
sapparente lensemble des tats atteignables depuis ltat courant, en faisant subir des
dplacements aux atomes du systme physique.
A chaque itration, une seule solution voisine est gnre. Celle-ci est accepte si elle est
meilleure que la solution courante. Dans le cas contraire, la nouvelle solution est accepte
avec une certaine probabilit qui dpend de limportance de la dtrioration et du paramtre T
correspondant la temprature. En rgle gnrale, la temprature est diminue par paliers,
chaque fois quun certain nombre ditrations est effectu. La meilleure solution trouve est
mmorise. Lalgorithme est interrompu lorsquaucune solution voisine na t accepte
pendant un cycle complet ditrations temprature constante [Widmer, 01].
De nombreuses tudes ont t effectues sur la mthode du recuit simul [Collins et al, 88],
[Osman et Christofides, 1994]. En optimisation, le processus du recuit simul rpte une
procdure itrative qui cherche des configurations de cots plus faibles tout en acceptant de
manire contrle des configurations qui dgradent la fonction de cot [Collette, 02], [Hao,
99]. Ainsi, si une amlioration du critre est constate, le nouvel tat est retenu, sinon une
diminution du critre est calcule et le nouvel tat est retenu si p tant un nombre tir de
faon alatoire entre 0 et 1, on a exp(-/T) > p.
Un algorithme doptimisation par recuit simul se dcompose selon les tapes suivantes
[Laquerbe et al, 98] :
- choix dune fonction optimiser,
- adoption dun schma de recuit dans lequel sont prciss la temprature initiale,
le nombre de configurations gnres chaque temprature et le schma de
dcroissance du critre,
- gnration stochastique de configurations voisines, correspondant aux
transitions,
- choix dun critre dacceptation.
Cet algorithme est prsent dans la figure 1.5.
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit
30
Figure 1. 5 - Algorithme relatif au fonctionnement gnral du recuit simul
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit
31
La recherche tabou Bien que son origine remonte 1977, la recherche tabou nest propose quau milieu des
annes 80 par Fred Glover [Glover, 89], [Glover, 90]. Cette mthode, dveloppe pour
rsoudre des problmes combinatoires, la plupart NP-difficiles, propose de surmonter le
problme des optima locaux par lutilisation dune mmoire.
La mthode tabou est une procdure itrative qui, partant dune solution initiale, tente de
converger vers la solution optimale en excutant, chaque pas, un mouvement dans lespace
de recherche. Chaque pas consiste dabord engendrer un ensemble de solutions voisines de
la solution courante pour ensuite en choisir la meilleure, mme si ce choix entrane une
augmentation de la fonction objectif minimiser.
En acceptant de dtriorer la valeur de la solution courante, le minimum local peut tre vit
mais, en contre partie, des parcours rptitifs sont dplors.
Aussi, pour palier linconvnient majeur des mthodes de recherche locale, la recherche
tabou a pour but damliorer chaque tape, la valeur de la fonction objectif, en utilisant une
mmoire afin de conserver les informations sur les solutions dj visites.
Cette mmoire constitue la liste Tabou qui va servir interdire laccs aux dernires solutions
visites. Lorsquun optimum local est atteint, il y a interdiction de revenir sur le mme
chemin.
Un critre daspiration, est galement utilis pour lever linterdiction dutilisation dun
mouvement si ce dernier conduit une meilleure solution.
Plusieurs stratgies ont t proposes rcemment afin damliorer lefficacit de la mthode
tabou. Lintensification et la diversification de la recherche constituent deux dentre elles
[Widmer, 01].
- Lintensification consiste explorer en dtails une rgion de lespace de recherche juge
prometteuse. Sa mise en uvre consiste, le plus souvent, en un largissement temporaire
du voisinage de la solution courante dans le but de visiter un ensemble de solutions
partageant certaines proprits.
- La diversification a pour objectif de diriger la procdure de recherche vers des rgions
inexplores de lespace de recherche. La stratgie de diversification la plus simple
consiste redmarrer priodiquement le processus de recherche partir dune solution,
gnre alatoirement ou choisie judicieusement, dans une rgion non encore visite de
lensemble des solutions admissibles.
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit
32
Les domaines dapplication de la recherche tabou sont vastes et varis, ils passent de
lordonnancement la robotique, au problme du voyageur de commerce, llectronique
voire mme aux applications mdicales, En tenant compte des notations suivantes, les
tapes dvolution de lalgorithme sont prsentes dans la figure 1.6.
s0 : la solution initiale, s* : la meilleure solution actuelle, f(x) : la fonction minimiser, f(s*) : la valeur de la fonction minimiser pour obtenir la meilleure solution, T : la liste tabou.
Figure 1. 6 - Algorithme relatif au fonctionnement gnral de la mthode de recherche tabou
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit
33
b - Les algorithmes volutionnistes : algorithmes gntiques Contrairement aux mthodes de recherche locale qui font intervenir une solution unique, les
mthodes volutives manipulent un groupe de solutions admissibles chacune des tapes du
processus de recherche. Lide centrale consiste utiliser rgulirement les proprits
collectives dun ensemble de solutions distinguables, appel population, dans le but de guider
efficacement la recherche vers de bonnes solutions dans lespace de recherche.
En rgle gnrale, la taille de la population reste constante tout au long du processus. Aprs
avoir gnr une population initiale de solutions, une mthode volutive tente damliorer la
qualit moyenne de la population courante en ayant recours des principes dvolution
naturelle [Widmer, 01].
Parmi les mthodes volutionnistes, nous citons les algorithmes gntiques.
Les Algorithmes Gntiques (A.G.) [Holland, 75] sont des algorithmes itratifs dont le but est
doptimiser une fonction prdfinie, appele fitness.
Pour raliser cet objectif, lalgorithme travaille sur un ensemble de points, appels population
dindividus. Chaque individu ou chromosome (chane binaire de longueur finie dans les
premires dfinitions) reprsente une solution possible du problme donn. Il est constitu
dlments, appels gnes, dont les valeurs sont appeles allles.
L'utilisation d'un algorithme gntique ncessite la dfinition, au pralable, d'un espace de
recherche dont les lments de base sont les chromosomes et d'une fonction dfinie sur cet
espace (fonction fitness) dont la valeur optimale est value en rapport avec les oprateurs de
croisement et de mutation choisis [Iyer, 04].
Cinq lments de base sont ncessaires pour lutilisation des algorithmes gntiques [Durand
et al, 94] :
- un principe de codage des lments de la population, qui consiste associer chacun des
points de lespace dtat une structure de donnes, la qualit de ce codage des donnes
conditionnant le succs des algorithmes gntiques; bien que le codage binaire ait t
trs utilis lorigine, les codages rels sont dsormais largement utiliss, notamment
dans les domaines applicatifs pour loptimisation de problmes variables relles,
- un mcanisme de gnration de la population initiale qui doit tre capable de produire
une population dindividus non homogne servant de base pour les gnrations futures;
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit
34
le choix de la population initiale est important car il influence la rapidit de la
convergence vers loptimum global; dans le cas o lon ne dispose que de peu
dinformations sur le problme rsoudre, il est essentiel que la population initiale soit
rpartie sur tout le domaine de recherche,
- une fonction optimiser, appele fitness ou fonction dvaluation de lindividu,
- des oprateurs permettant de diversifier la population au cours des gnrations et
dexplorer lespace dtat; loprateur de croisement recompose les gnes dindividus
existant dans la population alors que loprateur de mutation garantit lexploration de
lespace dtat,
- des paramtres de dimensionnement, reprsents par la taille de la population, le nombre
total de gnrations, ou le critre darrt, ainsi que les probabilits dapplication des
oprateurs de croisement et de mutation.
Lenchanement de ces diffrents lments est reprsent dans la figure 1.6. Cette mthode
sera prsente plus en dtail dans le second chapitre de ce mmoire.
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit
35
Figure 1. 7 - Fonctionnement gnral dun algorithme gntique
c - Les algorithmes de recherche globale
Les algorithmes de colonies de fourmis Ces algorithmes sont ns la suite de constatations faites sur le comportement des fourmis qui
sont capables de trouver le chemin le plus court, du nid une source de nourriture, et de
sadapter aux changements de lenvironnement.
Les biologistes ont, ainsi, tudi comment les fourmis arrivent rsoudre collectivement des
problmes trop complexes pour un seul individu, notamment les problmes de choix lors de
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit
36
lexploitation des sources de nourriture et ceci grce la phromone (substance leur
permettant de laisser une trace sur leur chemin), [Dorigo et al, 97].
Ces algorithmes ont donc pour but de reproduire le comportement naturel des fourmis pour
retrouver le meilleur chemin possible vers un objectif donn.
Lexemple prsent dans les figures 1.8, 1.9 et 1.10, montre la capacit de cet algorithme se
rapprocher de la solution optimale.
- Au dpart, les fourmis disposent dun chemin pour aller de leur nid, la fourmilire, la
source de nourriture, figure 1.8.
Figure 1. 8 - Dplacement des fourmis vers une source de nourriture
- Un obstacle est plac entre le nid et la source de nourriture, les fourmis vont alors
commencer par se sparer de part et dautre de lobstacle en dposant de la phromone
sur leur passage, figure 1.9. Les fourmis les plus rapidement arrives au nid, aprs avoir
visit la source de nourriture, sont celles qui ont emprunt les deux branches les plus
courtes laller et au retour. Ainsi la quantit de phromone prsente sur le plus court
trajet est plus importante que celle prsente sur le chemin le plus long.
Or, une piste prsentant une plus grande concentration en phromone, tant plus
attirante pour les fourmis, a donc une probabilit plus grande dtre emprunte [Tangour
et al, 09].
Figure 1. 9 - Dplacement des fourmis aprs placement d'un obstacle sur leur chemin
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit
37
- Finalement la quantit de phromone sur le chemin le plus court fait que ce chemin finit
par tre emprunt par la plupart les fourmis, figure 1.10.
Figure 1. 10 - Choix du chemin le plus court par la plupart des fourmis
Les algorithmes doptimisation par essaim particulaire La mthode dOptimisation par Essaim Particulaire (OEP) a t propose en 1995 par James
Kennedy et Russel Eberhart [Kennedy et al, 95] qui cherchaient simuler la capacit des
oiseaux voler de faon synchrone et leur aptitude changer brusquement de direction, tout
en restant en formation optimale.
Le fonctionnement de lOEP fait quelle peut tre classe parmi les mthodes itratives
(approche progressive de la solution) et stochastiques (faisant appel au hasard) dans le but
damliorer la situation existante en se dplaant partiellement au hasard et partiellement
selon des rgles prdfinies, en vue datteindre la solution globale souhaite [Clerc et al, 08].
La mthode doptimisation par essaim particulaire, est une procdure de recherche base sur
une population dindividus, appels particules, qui changent leur position (tat) avec le temps.
Dans un systme dOEP, les particules se dplacent lintrieur dun espace de recherche.
Pendant le dplacement, chaque particule ajuste sa position selon sa propre exprience, et
selon l'exprience des particules voisines, se servant de sa meilleure position produite et de
celle de ses voisines. Ce comportement est semblable celui du comportement humain
consistant prendre des dcisions o les individus considrent leur exprience antrieure et
celle des personnes qui les entourent [Kennedy et al, 95]. LOEP peut ainsi combiner des
mthodes de recherche locale avec des mthodes de recherche globale (mtaheuristiques).
Mme si beaucoup de similitudes existent entre les mthodes volutionnaires et lOEP, cette
dernire se distingue par le fait qu'elle n'utilise pas l'oprateur de slection qui choisit les
individus gards dans la prochaine gnration.
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit
38
En effet, tous les membres de la population sont maintenus par le procd de recherche de
sorte que l'information soit toujours mise en commun entre les individus pour diriger la
recherche vers les meilleures positions trouves dans l'espace de recherche [Deroussi, 06].
Cette mthode est expose plus en dtails dans le troisime chapitre de ce mmoire.
I.8 - Position du problme La rsolution des problmes rencontrs pour la gestion de leur poste de production, constitue
une des principales proccupations des industriels. En effet, comment russir produire le
plus possible, le rapidement possible avec le moins de cot possible, le moins darrts
possible, le moins de personnel possible tout en respectant toutes les contraintes lies au
produit (prcdence, achvement, prissabilit, )?
Notre travail rentre dans ce cadre et consiste donc dvelopper des outils daide
lordonnancement permettant la gestion du poste de production et en particulier celui du
conditionnement au niveau des industries pharmaceutiques. Il sagit donc, de prendre en
considration les diffrentes contraintes relatives aux ressources et aux produits ncessaires
ainsi quau temps et ceci pour raliser une optimisation multi-objectifs reposant sur deux
objectifs principaux relatifs dune part la minimisation des cots de fabrication et aux cots
des temps engendrs par les oprations de nettoyage ainsi que les temps darrt et aux cots
de non utilisation des ressources, dautre part.
Pour cela, deux mthodes sont utilises et compares: les algorithmes gntiques et les
algorithmes doptimisation par essaim particulaire.
I.9 - Conclusion Aprs la prsentation des problmes dordonnancement et de leurs principales
caractrisations, diffrentes mthodes, exactes et approches, pouvant tre utilises pour la
rsolution de ces problmes sont introduites dans ce chapitre.
Parmi les mthodes exactes, nous avons distingu la programmations linaire, la
programmation dynamique et la mthode branch and bound.
Parmi les mthodes approches ou mtaheuristiques, nous avons prsent les mthodes de
recherche locale telles que le recuit simul ou la mthode de recherche tabou, et les mthodes
volutionnistes, telles que les algorithmes gntiques, les algorithmes de colonies de fourmis
ou les algorithmes doptimisation par essaim particulaire, rcemment proposs.
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Chapitre I Ordonnancement : spcificits, ateliers, mthodes et complexit
39
La rsolution dun problme dordonnancement en industries pharmaceutiques par
lutilisation de la mthode des algorithmes gntiques est propose dans le prochain chapitre
et les rsultats obtenus seront compars avec ceux fournis par la mthode doptimisation par
essaim particulaire prsente dans le troisime chapitre.
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Chapitre II Algorithmes gntiques pour la rsolution de problmes dordonnancement en industries pharmaceutiques
40
Chapitre II
Algorithmes gntiques pour la rsolution
de problmes dordonnancement
en industries pharmaceutiques
II.1 - Introduction
La rsolution de problmes doptimisation consiste, en rgle gnrale, dfinir une ou
plusieurs fonctions objectifs (fonctions cots) minimiser ou maximiser selon le type de
problme trait.
La dfinition du problme d'optimisation est souvent complte par la donne de contraintes
et toutes les solutions retenues doivent respecter ces contraintes, qui peuvent aussi tre vues
comme dfinissant l'espace de recherche [Clerc et al, 04].
Les mtaheuristiques permettent de trouver une ou plusieurs solutions proches de loptimum
pour des problmes d'optimisations, en tenant compte des fonctions objectifs dfinies. Le
principe d'une mtaheuristique est de minimiser ou de maximiser ces fonctions, de trouver un
minimum global un problme de minimisation et de ne pas rester bloqu sur un minimum
local.
Ainsi, les mtaheuristiques ont pour ambition commune de rsoudre au mieux les problmes
d'optimisation qualifis de difficiles.
Quelque soit la mthode utilise, le choix des critres optimiser continue poser de srieux
problmes. Dans une grande partie de la littrature, la rsolution des problmes
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Chapitre II Algorithmes gntiques pour la rsolution de problmes dordonnancement en industries pharmaceutiques
41
dordonnancement traite surtout le cas mono-objectif. Seulement, de nos jours, diffrents
objectifs peuvent tre pris en considration et grs simultanment pour une meilleure
optimisation [Chang et al, 07], [Saad et al, 06], [Tangour et al, 06].
Dans ce chapitre, un problme dordonnancement multi-objectifs dun atelier de
conditionnement de type flow-shop en industries pharmaceutiques est prsent. Les
diffrentes caractristiques et oprations le concernant sont introduites puis sa formulation et
sa rsolution par les algorithmes gntiques proposes.
II.2 - Ordonnancement en industries pharmaceutiques Pour pouvoir faire face la concurrence, les industries pharmaceutiques doivent maintenir un
taux de productivit en constante volution; des faiblesses peuvent toutefois apparatre au
niveau du systme de production et plus particulirement au niveau du poste de
conditionnement et engendrer des cots de production ainsi que des cots de non utilisation
relativement levs. Pour y pallier et rsoudre le problme dordonnancement au niveau de ce
poste, plusieurs mthodes doptimisation peuvent tre envisages, parmi lesquelles, on trouve
les algorithmes gntiques.
II.2.1 - Types de produits utiliss dans les industries pharmaceutiques
Pour obtenir la bote de mdicaments parvenant au consommateur, le produit passe par les
formes suivantes :
- les matires premires composes du principe actif (mlange ou compos extrait
dune substance vgtale, animale ou de synthse qui confre au mdicament son
action pharmacologique), de lexcipient (substance neutre dans laquelle est incorpor
un mdicament pour permettre son absorption) et parfois dun colorant,
- les produits semi-finis qui rsultent de la transformation des matires premires en
comprims ou en glules,
- les articles de conditionnement primaires, en contact direct avec le semi-fini, tels que
les bobines daluminium ou de PVC, et les articles de conditionnement secondaires
tels que les notices, les vignettes et les tuis en carton,
- les produits finis qui sont mis disposition du consommateur.
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Chapitre II Algorithmes gntiques pour la rsolution de problmes dordonnancement en industries pharmaceutiques
42
II.2.2 - Cheminement des produits au niveau des industries pharmaceutiques Les matires premires et les articles de conditionnement primaires et secondaires arrivent au
magasin et sont dposs dans une zone de rception, tiquets puis achemins vers une zone
de quarantaine en lattente dtre contrls par le service contrle qualit. Sils sont accepts,
les produits sont alors stocks dans une zone portant la mention accept avec une tiquette
avec la mme mention ; sinon, ils sont dposs dans une zone dite refus.
Suivant les plannings tablis, les matires premires et les articles de conditionnement sont
livrs par un magasinier au service production en vue dtre traits.
- Les matires premires, portant ltiquette accept, sont achemines vers le service
des formes solides.
- Les articles de conditionnement, portant ltiquette accept, sont, au besoin,
directement envoys au service conditionnement.
- Les produits semi-finis, rsultant de la transformation des matires premires au
niveau de latelier des formes solides, sont envoys, en fonction du planning, au
service conditionnement.
Aprs avoir t traits au service conditionnement, les produits finis rsultant de la
transformation des semi-finis et des articles de conditionnement, sont envoys au magasin, en
attendant dtre transmis aux particuliers (pharmaciens, dlgus mdicaux) ou aux hpitaux.
II.2.3 - Spcificits dun atelier de conditionnement
Un atelier de conditionnement de produits pharmaceutiques peut contenir une ou plusieurs
lignes de conditionnement automatique, qui sont exploites pour transformer les produits
semi-finis, en utilisant les articles de conditionnement, en produits finis.
Latelier tudi comporte :
o deux chanes de conditionnement automatique servant pour lemballage des comprims et glules,
o un tapis de conditionnement de produits, o une encartonneuse semi-automatique, o une ligne de vignettage plat des tuis, o un local de prparation, dans lequel on trouve une plieuse de notices et un local
doutillage,
tel-0
0577
101,
ver
sion
1 - 1
6 M
ar 2
011
Chapitre II Algorithmes gntiques pour la rsolution de problmes dordonnancement en industries pharmaceutiques
43
o une laverie, o seffectuent le nettoyage du matriel et les tests dtanchit des blisters,
o une zone de pr-stockage de produits semi-finis et semi-conditionns.
II.2.4 - Lignes de conditionnement Au niveau de latelier considr, le conditionnement des comprims et des glules est effectu
essentiellement sur deux lignes de conditionnement.
Une ligne de conditionnement de comprims et de glules est constitue de quatre machines,
comme le montre la figure 2.1 : une blistreuse, une encartonneuse, une vignetteuse et une
fardeleuse [Boukef et al, 06].
o La blistreuse trate le film PVC en le passant sous une plaque chauffante, permettant de former de petites alvoles (thermoformage) qui sont alimentes par un chargeur
contenant les produits semi-finis. Une autre plaque chauffante a pour rle de sceller la
feuille daluminium au-dessus ; les blisters sont ensuite coups et envoys vers
lencartonneuse.
o Lencartonneuse reoit les quantits de blisters ncessaires selon le format et les introduit dans lemballage en mme temps que la notice.
o La vignetteuse reoit les blisters dans leurs botes et colle dessus une vignette imprime.
o La fardeleuse regroupe les produits finis en lots ; un oprateur humain se charge de remplir les caisses avec le nombre de produits finis, fix lavance.
Pour chacune des lignes d