Ordonnancements Coopératifs Pour Les Chaînes Logistiques

Ordonnancements coop
eratifs pour les chanes

logistiques
Zerouk Mouloua
To cite this version:

Zerouk Mouloua. Ordonnancements cooperatifs pour les chanes logistiques. Computer Science.
Institut National Polytechnique de Lorraine - INPL, 2007. French. <tel-00606329>
HAL Id: tel-00606329

https://tel.archives-ouvertes.fr/tel-00606329
Submitted on 6 Jul 2011
HAL is a multi-disciplinary open access

archive for the deposit and dissemination of scientific research documents, whether they are published or not. The documents may come from
teaching and research institutions in France or
abroad, or from public or private research centers.
Larchive ouverte pluridisciplinaire HAL, est

destinee au depot et `a la diffusion de documents
scientifiques de niveau recherche, publies ou non,
emanant des etablissements denseignement et de
recherche francais ou etrangers, des laboratoires
publics ou prives.
Institut National Polytechnique de Lorraine
Ecole Suprieure des Mines de Nancy
Ecole doctorale IAEM Lorraine
Ordonnancements coopratifs pour les

chanes logistiques
THSE
Sera soutenue le 21 novembre 2007
Pour lobtention du
Doctorat de lInstitut National Polytechnique de Lorraine

(Spcialit Informatique)
par
Zerouk MOULOUA
Composition du jury
Rapporteurs :
Jin-Kao HAO
Emmanuel NERON
Examinateurs :
Christian ARTIGUES
Franoise SIMONOT
Directrice de Thse
Marie Claude PORTMANN
Co-directeur de thse :
Ammar OULAMARA
Professeur - Universit dAngers

Professeur Universit de Tours
Charg de recherche - CNRS
Professeur - INPL
Professeur - INPL
Matre de confrences - INPL
Laboratoire Lorrain de recherche en Informatique et ses Applications UMR 7503
TABLE DES MATIERES

INTRODUCTION GENERALE
CHAPITRE 1 : Etat de lart
1.1 Introduction
1.2
Les chanes logistiques
1.2.1 Dfinitions
1.2.2 Types de chanes logistiques
1.2.3 Fonctions de la chane logistique
1.2.3.1 Lapprovisionnement
1.2.3.2 La production
1.2.3.3 Le stockage
1.2.3.4 Distribution et transports
1.2.3.5 La vente
1.2.4 Les dcisions dans la chane logistique
1.2.4.1 Les dcisions stratgiques
1.2.4.2 Les dcisions tactiques
1.2.4.3 Les dcisions oprationnelles
1.2.5 La gestion de la chane logistique ou supply chain management
1.2.6 Optimisation de la chane logistique
1.2.7 Modlisation des chanes logistiques
1.2.7.1 Les modles conceptuels
1.2.7.2 Modles mathmatiques
1.2.7.3 Modles par simulation
1.2.8 Les outils daide la dcision
1.2.8.1 Entreprise Resource Planning (ERP)
1.2.8.2 Advanced Planning and Scheduling APS
1.2.9 Motivations et exemples de chanes logistiques
1.2.9.1 Chane logistique de DELL
1.2.9.2 Lexemple de Chrysler
1.2.9.3 Lexemple de Amazon.com
1.2.10 Les mesures de la performance de la chane logistique
1.3
Ordonnancement de la production
1.3.1 Introduction
1.3.2 Gestion de la production
1.3.3 Ordonnancement
1.3.3.1 Dfinitions
1.3.3.2 Ordonnancement dateliers
1.3.3.3 Les mthodes de rsolution
1.3.4 Le concept du Juste Temps JAT (Just In Time JIT)
1.4
Ordonnancement et coopration dans la chane logistique
1.5
Conclusion
7
7
8
10
13
13
13
13
14
14
14
16
17
18
18
20
21
22
22
22
23
23
24
25
26
27
27
27
30
30
31
31
31
33
35
37
39
44
CHAPITRE 2: Le Problme et lApproche retenue
45
2.1
2.2
2.2.1
2.2.2
2.3
2.3.1
2.3.2
47
49
49
51
56
56
57
Introduction
Dfinition du problme
Fonctionnement gnral
Exemple
Problme de JIT particulier la thse
Hypothses gnrales
Le problme dordonnancement en juste temps
2.3.3
2.4
2.4.1
2.4.2
2.5
Notations
Approche de rsolution du systme global
Description Gnrale
Processus de ngociation
Conclusion
58
60
60
61
64
CHAPITRE 3 : Mthode de rsolution
65
3.1
3.2
3.3
3.3.1
3.3.2
3.3.3
3.3.4
3.4
3.4.1
3.4.2
3.4.2.1
3.4.2.2
3.4.2.3
3.4.3
3.4.3.1
3.4.3.2
3.4.3.3
3.4.4
3.4.4.1
3.4.4.2
3.5
67
67
69
69
70
70
79
80
80
81
82
83
86
90
90
90
92
93
93
94
95
Introduction
Approche de rsolution par dcomposition et mta-heuristique
Rsolution du JIT-Seq
Ordonnancement de projet
Problme original du Pert cot
Algorithme du JIT adapt du Pert cot
Bilan de la complexit des valuations
Mta-heuristiques
Introduction : les mtaheuristiques
Les Algorithmes Gntiques
Principes
Schmas
Oprateurs classiques
Recherche de solutions avec les AG
Le Codage
Les oprateurs
Schma propos
Le recuit simul
Introduction
Principe de fonctionnement
Conclusion
CHAPITRE 4 : Experiences numriques
96
4.1
4.2
4.2.1
4.2.2
4.2.3
Introduction
Gnration de donnes
Les temps dexcutions
Gnration des pnalits davance et de retard
Gnration des dates souhaites et des dates impratives
98
98
98
99
99
4.3
4.4
4.4.1
4.4.2
4.4.3
4.5
Evaluation du Pert Cot

Evaluation des mtaheuristiques
Pourcentage de faisabilit
Qualit des solutions trouves
Evaluation des oprateurs gntiques
Conclusion
100
103
103
104
107
107
CHAPITRE 5 : Problmes de transports dans les chanes logistiques

5.1
5.2
stocks
5.2.1
5.2.2
5.2.2.1
5.2.2.2
5.2.3
5.2.3.1
5.2.3.2
5.2.3.3
5.2.4
109
Introduction
111
Problme 1 : La coopration entre fournisseurs pour minimiser les cots de possession des
112
Description du problme
112
Hypothses et Notations
112
Hypothses :
112
Notations
113
Le problme Mono Produit
114
Le problme 2 fournisseurs
114
Le problme N fournisseurs
118
119
Heuristique pour rendre les Wi entiers
Le problme Multi Produits
119
ii
5.2.4.1 Le problme 2 fournisseurs- 2 produits

119
5.2.4.2 Le problme N fournisseurs- M produits
121
j
5.2.4.3 Algorithme pour rendre les Wi entiers
121
5.3
Problme 2 : ordonnancement des transports dans une supply chain lmentaire
123
5.3.1 Description du problme mono fournisseur et mono produit
123
5.3.2 Notations
125
5.3.3 Problme de faisabilit
125
5.3.4 Minimisation des transports : capacit illimite
127
5.3.5 Minimisation des transports : capacit limite
128
5.4
Problme 3: Optimisation des transports dans une supply chain spcifique
130
5.4.1 Optimisation des transports dans une supply chain mono-produit multi-clients avec planning
de production fix
130
5.4.1.1 Notations
130
5.4.1.2 Reprsentation graphique
131
5.4.1.3 Approche de rsolution
133
5.4.2 Optimisation des transports dans une supply chain multi-produit multi-clients avec planning
de production fix
135
5.4.2.1 Notations
135
136
138
5.4.3 Optimisation conjointe de la production et des transports dans une supply chain multi-produit
multi-clients
139
5.4.3.1 Notations
139
140
5.5
Conclusion
146
CHAPITRE 6 : Conclusions et perspectives
147
6.1
6.2
149
151
Conclusions
Perspectives
ANNEXE 1
154
BIBLIOGRAPHIE
164
Liste des figures
170
iii
Introduction gnrale
Cette thse a t effectue au sein de lquipe MACSI (Modlisation, Analyse et Conduite
des Systmes Industriels) devenue en 2007 ORCHIDS (Operations Research for Complex
Hybrid Decision Systems) du LORIA (Laboratoire lOrrain de Recherche en informatique et
ses Applications) sous la direction de Marie Claude Portmann et dAmmar Oulamara. Elle a
t mene dans le cadre dune allocation de recherche du ministre de lenseignement
suprieur et de la recherche. Lquipe MACSI-Nancy devenue ORCHIDS sintresse aux
problmes lis la recherche oprationnelle, loptimisation, et plus spcifiquement aux
problmes dordonnancements. Plus rcemment, lquipe a orient une partie de ses
recherches vers ltude des problmes lis aux chanes logistiques.
Les chanes logistiques sont un rsultat, ou plutt une consquence, de la dferlante
mondialisation et de la globalisation des marchs. En effet, dans un environnement de plus en
plus concurrentiel, la course vers la rduction des cots de production tout en gardant une
bonne qualit de produits finis et en amliorant la qualit de service aux clients, plus exigeants
que jamais, nen finit plus. Les entreprises et organisations diverses dpassent dsormais les
frontires, deviennent encore plus complexes, et de ce fait de nouveaux dfis pour les grer
ont vu le jour. Le regroupement des entreprises ayant des intrts en commun dans une
structure de chane logistique pour optimiser les oprations et maximiser les bnfices et
profits conduit vers un nouveau type de concurrence : la concurrence entre chanes
logistiques. Dans ces nouveaux schmas dentreprises, plusieurs entits doivent collaborer
afin dobtenir les meilleures rsultats possibles. Cette coordination nest pas chose facile
raliser car elle implique un changement culturel profond, ce qui est connu pour tre un
lment trs difficile mettre en uvre car impliquant le changement de rgles sociales et de
comportement. Ltre humain est par nature hostile au changement, ou du moins il en a peur.
Lintrt de la communaut scientifique aux problmatiques au sein des chanes logistiques
est relativement rcent (les dix quinze dernires annes), mais va en grandissant. Cela
sexplique par lintrt conomique que reprsente le fait de dvelopper de nouvelles
mthodes, outils et techniques pour aider les entreprises grer des flux de matires,
dinformations, et de finances dune manire optimale. Parmi ces outils, on retrouve
notamment les outils daide la dcision incorpors dans des progiciels tel que les ERP
(Entreprise Resource Planning) et surtout les APS (Advanced Planning and Scheduling).
Au sein dune chane logistique, il ya trois niveaux de prise de dcisions : le niveau
stratgique, le niveau tactique, et le niveau oprationnel. Ces problmes sont des problmes
rencontrs au quotidien dans, par exemple, les ateliers de production ou dassemblage, o lon
doit tre capable tout moment de dcider quelles sont les oprations excuter, dans quel
ordre et en utilisant quelles ressources.
Introduction gnrale
Dans le prsent mmoire nous tudions des problmes dordonnancement au sein des
chanes logistiques. Nous nous intressons dans le problme qui constitue la majeure partie de
la thse la coordination et la coopration des ordonnancements entre plusieurs partenaires
appartenant la mme chane logistique mais indpendants les uns des autres. Nous
matrialisons cette coordination via ltablissement et la construction dordonnancements qui
tiennent compte de ngociations menes entre les diffrents centres de dcisions appartenant
la chane. Cela implique dans notre cas de faire des ordonnancements en juste temps (Just In
Time ou JIT).
Dans la deuxime partie de la thse nous nous intressons certaines problmatiques
dordonnancement et de coopration pour notamment optimiser les cots de transport, qui
constituent une grande partie des cots logistiques.
Dans cette thse, nous avons combin lutilisation de mthodes exactes (programmation
dynamique) et de mthodes heuristiques pour rsoudre les problmes tudis. Nous proposons
notamment de nouveaux oprateurs gntiques spcifiques notre problme.
Ce mmoire est organis comme suit :
Dans le premier chapitre, nous prsentons un tat de lart sur les principaux thmes lis
cette thse. Ce chapitre peut tre divis en trois parties. Dans la premire, nous commenons
par introduire la notion de chane logistique et tous les concepts qui y sont lis. Nous
dfinissons la gestion de la chane logistique, ainsi que les principaux types ou architectures
de chanes logistiques, dcrivons quelques outils et notions tel que : les mesures de
performance, les diffrentes fonctions, et les niveaux de dcisions. Nous donnons enfin
quelques exemples de chanes logistiques connues lchelle mondiale. Dans la deuxime
partie nous introduisons les concepts dordonnancement et de juste temps. Nous rappelons
brivement les notions dordonnancement datelier et de production, ainsi que les mthodes de
rsolution. Enfin, dans la troisime partie, nous prsentons une recherche bibliographique sur
les travaux scientifiques mens sous le thme de lordonnancement et de la coopration dans
les chanes logistiques. Nous avons voulu que notre mmoire soit accessible aux non
spcialistes en ordonnancement ou en chanes logistiques.
Dans le second chapitre, nous dcrivons le problme tudi et nous prsentons lapproche
globale de rsolution. Le problme dans sa forme la plus gnrale y est prsent. Nous
commenons par dcrire le fonctionnement global, puis nous nous intressons certains
problmes de juste temps lis la thse. Ce problme de juste temps est prsent sous sa
forme la plu gnrique et une approche de rsolution du systme global bas sur un processus
itratif de ngociation y est dcrite.
Dans le troisime chapitre, nous prsentons lapproche de rsolution dtaille pour les
problmes dordonnancement en juste temps dcrits dans le chapitre prcdent. Nous
prsentons le schma global de lalgorithme de rsolution bas sur deux tapes. La premire
tant lutilisation de la mthode du Pert (Program Review and Evaluation Technique) cot.
Nous en donnons un bref rappel puis montrons comment notre problme se ramne un
problme quivalent du Pert cot. Nous dcrivons ensuite les diffrentes phases de
lalgorithme tout en mettant laccent sur les tapes que nous avons nous mmes dvelopps et
qui optimisent sa dure dexcution. La deuxime tape de la mthode de rsolution est
lutilisation de mta heuristiques. Nous commenons par rappeler les dfinitions des mta
heuristiques. Comme mtaheuristique, nous avons choisi dutiliser les algorithmes gntiques
et le recuit simul. Nous rappelons donc ce que sont les algorithmes gntiques, et nous
introduisons les oprateurs gntiques dvelopps dans le cadre de cette thse. Enfin, nous
Introduction gnrale
rappelons brivement la mthode du recuit simul, sans aller dans le dtail car nous lutilisons
pour des fins de comparaisons.
Dans le quatrime chapitre, nous prsentons les rsultats des expriences menes pour
valider lapproche de rsolution dcrite dans le chapitre trois. Nous introduisons le schma
des expriences menes, puis nous expliquons la mthode de gnration de donnes que nous
avons utilis. Les performances de la mthode du Pert cot utilise, ainsi que des
mtaheuristiques sont donnes.
Dans le cinquime chapitre, nous prsentons des problmatiques dordonnancement au sein
des chanes logistiques sans liens directs avec le problme tudi dans les prcdents
chapitres. Nanmoins, il sagit toujours de problmes au niveau oprationnel de chanes
logistiques impliquant la coordination entre partenaires pour optimiser le fonctionnement
gnral. On se concentre ici beaucoup plus sur la rduction des cots de transport. En premier,
nous tudions un problme dans la chane logistique qui met en uvre la coopration entre
fournisseurs pour satisfaire les demandes dun client. Nous commenons dabord par un
problme simplifi avec un nombre rduit de fournisseurs et de types de produits fabriqus,
pour ensuite gnraliser un nombre quelconque de fournisseurs et de produits fabriqus.
Dans le deuxime problme, nous tudions les problmes de transport dans une chane
logistique lmentaire deux niveaux. Le premier niveau est un systme de production
simplifi, et le deuxime niveau est le systme de transport. Dans un premier temps nous
proposons un algorithme pour dcider de la faisabilit ou pas dun problme donn. Nous
ajoutons ensuite des contraintes sur les capacits des transports. Nous proposons des
algorithmes polynomiaux pour loptimisation des cots de transport. Dans le troisime
problme nous traitons trois cas doptimisation dans une chane logistique deux niveaux
(production et transport) avec des clients en aval et des courbes cumules de demandes de
livraisons, et des fournisseurs en amont avec des courbes cumules darrives des matires
premires. Nous supposons dans les deux premiers cas que le planning de production est fix
lavance et est optimal. Relativement ce planning de production, nous proposons un
algorithme de programmation dynamique qui minimise les cots de transports. Dans le
premier cas on ne considre quun seul type de produit, une gnralisation plusieurs types de
produits est tudie dans le deuxime cas. Dans le troisime cas on traite un problme de
coopration entre les fonctions production et transport de la chane logistique pour lequel nous
dveloppons un algorithme base de programmation dynamique pour loptimisation conjointe
et simultane des cots de production et de transport.
Nous concluons en prsentant des dveloppements qui pourraient tre faits dans le
prolongement
de
cette
thse.
1 CHAPITRE 1 : Etat de lart
Rsum
Les notions de chanes logistiques, dordonnancements, et de coopration dans les chanes
logistiques sont prsentes dans ce chapitre. Une tude qui se veut la plus complte possible y
est prsente afin de permettre aux non spcialistes de comprendre les problmatiques
considres dans les chapitres qui suivent. Notre tude bibliographique montre la pauvret des
publications scientifiques concernant les aspects ordonnancement et coopration au niveau
oprationnel.
Chapitre 1 : Etat de lart
1.1 Introduction
Dans ce chapitre nous prsentons ltat de lart des diffrents domaines de recherches qui
touchent aux problmes tudis dans cette thse. Nous prsentons les chanes logistiques :
leurs dfinitions, leurs conceptions, leur gestion, et de la prise de dcisions aux diffrents
niveaux de la chane. Nous nous intressons aussi aux problmes dordonnancement en
ateliers dune manire gnrale, et plus particulirement des flowshops et flowshops de
permutation. Nous prsentons ensuite les travaux concernant lordonnancement dans la chane
logistique et nous terminons par les problmatiques du juste temps (just in time). Bien sr
notre prsentation nest pas exhaustive, mais nous essayons de donner les notions ncessaires
pour comprendre notre problmatique sans pour autant tre un spcialiste de chane logistique
ou dordonnancement.
1.2 Les chanes logistiques

De nos jours, les entreprises doivent sadapter la dynamique du march pour esprer
survivre dans un environnement trs concurrentiel et trs comptitif. Les clients sont
beaucoup plus exigeants en raison des nombreux choix qui soffrent eux. La satisfaction des
clients combine la rduction des cots est difficile raliser. Ajoutons cela les nouvelles
technologies de linformation et de la communication qui ont rvolutionn la manire avec
laquelle doivent tre gres les entreprises. Celles-ci deviennent de plus en plus grandes,
englobent de plus en plus de filiales, et sont de plus en plus de dimension internationale, elles
nont quasiment plus de nationalit. Cette nouvelle situation a cr des nouveaux dfis. Le
dfi de sadapter la globalisation et den tirer les bnfices. Depuis une quinzaine dannes
la notion de modlisation des entreprises ou des processus aboutissant la cration, la
production ou le dveloppement de nouveaux produits ou services en chane logistique a
merg et est devenue incontournable dans les organisations grande chelle. Aujourdhui,
aucune entreprise ne peut ignorer que la gestion de production classique laisse la place la
gestion de la chane logistique pour faire face aux nouvelles attentes du march, aux nouveaux
concurrents, nouveaux liens entre les entreprises et leurs partenaires. En clair : tout change !
Et les entreprises doivent sadapter cette nouvelle ralit, ce qui signifie :
Une ractivit trs suprieure.
Une baisse significative des cots.
Une nette amlioration de la qualit et du service du client.
De meilleures performances.
La notion de chane logistique inclut le terme logistique qui vient dun mot grec qui
signifie lart du raisonnement et du calcul (Pons, 1996). La logistique est apparue en premier
lieu dans un contexte militaire qui concernait tout ce qui est ncessaire (physiquement)
lapplication sur le terrain des dcisions stratgiques et tactiques. Certains remontent mme
jusquau temps dAlexandre le grand (Engles, 1978) et ils mettent en vidence le sens quil
avait pour grer la chane logistique de son arme. On peut dire quAlexandre le grand tait
un prcurseur.
Aprs la logistique militaire vint la logistique industrielle, celle-ci repose plus
particulirement sur les activits de soutien la production. Elle est apparue la fin de la
seconde guerre mondiale, notamment avec la reconversion dans les entreprises des
spcialistes militaires de la logistique. Le concept de logistique a volu depuis, avec
lvolution du march et des systmes industriels. Aujourdhui, le terme logistique

recouvre des interprtations diverses, et certains pensent que le concept de la logistique est
une problmatique en soi (Moller, 1995).
Un synonyme de logistique pourrait tre gestion des flux mais la logistique ne se
limite pas la gestion des flux, elle ncessite galement la conception de systmes physiques
qui vont crer et dplacer les flux, de manire interne sur un mme site de production ou de
manire externe entre plusieurs sites de production au sein dun groupe ou dun rseau
dentreprises.
Dans un contexte conomique instable, et sous la pression dune concurrence croissante,
des cycles de produits de plus en plus court et de systmes informatiques, juridiques et
financiers beaucoup plus complexes, les entreprises doivent amliorer leurs performances en
optimisant leurs ressources et en rduisant leurs cots. Fournir le produit ou le service dsir
par le client le plus rapidement possible, moins cher et plus performant que ceux de ses
concurrents sur le march est le souci majeur de chaque entreprise oprant lchelle locale
et/ou internationale. Quel que soit le domaine dactivit (sant, industrie, transport..) la
performance de lentreprise a une influence sur la satisfaction des clients et leur fidlisation,
ainsi que sur les rsultats de lentreprise.
La globalisation tant devenue une ralit, les professionnels prdisent que dans lavenir, si
ce nest dj commenc, la concurrence ne sera plus entre entreprises mais entre chanes
logistiques (Christopher, 92).
Nous allons voir dans ce qui suit les diffrentes dfinitions des chanes logistiques, on
tudie aussi ses fonctionnalits, les participants et les systmes de gestion de la chane
logistique.
1.2.1 Dfinitions
La chane logistique englobe lensemble des oprations ralises pour la fabrication dun
produit ou dun service allant de lextraction de la matire premire la livraison au client
final, en passant par les tapes de transformation, de stockage, et de distribution. De nos jours,
de plus en plus on regarde la chane logistique comme une toile regroupant plusieurs des
activits cites, cela est d la complexit des organisations actuelles et leur dimension
internationale. Ajouts aux flux des matires, la chane logistique inclut les flux dinformation
et les flux financiers. Chaque tape de transformation ou de distribution peut impliquer de
nouveaux acteurs, soit de nouveaux fournisseurs ou de nouveaux clients intermdiaires, avec
galement des nouveaux flux dinformations.
Il existe normment de dfinitions de la chane logistique dans la littrature. Cest un
sujet passionnant car nouveau et porteur de progrs. Tayur et al (Tayur et al, 1999) dfinissent
la chane logistique comme un systme de sous-traitants, de producteurs, de distributeurs,
de dtaillants et de clients entre lesquels schangent les flux matriels dans le sens des
fournisseurs vers les clients, et des flux dinformation dans les deux sens . Lambert et al
(Lambert et al, 1998) proposent une dfinition simple : Une chane logistique est lensemble
des firmes qui amnent des produits ou des services sur le march , ce qui est une dfinition
trs gnraliste. Lee et Bellington (Lee et al, 93) donnent une vision plus oprationnelle : un
rseau dinstallations qui assure les fonctions dapprovisionnement en matires premires, de
transformation de ces matires premires en composants puis en produits finis, et de
distribution du produit fini vers le client . Le paralllisme entre la chane logistique et
lorganisation en rseau est trs significative, a met en vidence la complexit de sa gestion
tant donn quelle est le point qui rassemble plusieurs acteurs qui participent un mme
projet ou dfaut ils participent tous au processus de cration, ou dveloppement dun service

ou dun produit. New et al (New et al, 1995) vont dans le mme sens et proposent de
reprsenter les activits et les entreprises impliques dans cette chane qui commence
lextraction de la matire premire en passant par les entreprises de production, les grossistes,
les dtaillants jusquau client final.
Figure 1.1 modle de chane logistique selon (new et al, 1995).
Govil et Proth (Govil et Proth, 2002) donnent la dfinition suivante : la chane logistique
est un rseau global dorganisations qui cooprent afin damliorer les flux des matriels et
des informations entre les fournisseurs et les clients au plus bas cot et la plus grande
vitesse. Lobjectif de la chane logistique est la satisfaction du client . Cette dfinition
suggre que la chane logistique englobe des partenaires indpendants mais vus comme une
seule entit ou une seule stratgie.
Dans lun des livres les plus importants concernant les chanes logistiques, Chopra et
Meindil (Chopra et Meindil, 2007) donnent la dfinition suivante : une chane logistique
consiste en toutes les tapes impliques directement ou indirectement dans la satisfaction de
la requte dun client. La chane logistique inclut non seulement le fabriquant et ses
fournisseurs, mais aussi les transporteurs, les centres dentreposage, les dtaillants et les
clients eux mmes .
En rsumant ces dfinitions on peut voir quil existe deux visions de la chane logistique,
lune base sur lentreprise, et la seconde base sur le produit. Un modle de chane logistique
base sur une entreprise peut tre donn par la figure suivante (Kearney, 1994)
Figure 1.2 modle de chane logistique (Kearney, 1994)
Lorsque le concept de chane logistique est abord du point de vue de lentreprise, alors on
considre toutes les chanes logistiques qui incluent lentreprise considre en se limitant

parfois aux fournisseurs et aux clients de lentreprise, voire aux fournisseurs des fournisseurs
et aux clients des clients (Thierry, 2003).
Au del dune entreprise donne, Rota et al (Rota et al, 2001) dfinissent la chane
logistique dun produit donn (ou dune famille de produits) comme lensemble des
entreprises qui interviennent dans les processus de fabrication, de distribution et de vente du
produit, du premier des fournisseurs au client ultime . Ceci nous amne voir les diffrents
types dorganisation des chanes logistiques.
1.2.2 Types de chanes logistiques

On a vu que la chane logistique est constitue dun ensemble dacteurs ou de partenaires
qui achtent, produisent (dveloppent, ou transforment), ventuellement stockent, transportent
et vendent des biens ou des services de telle sorte que, sous des contraintes pouvant faire
intervenir des facteurs humains, sociaux, juridiques ou encore environnementaux, la marge
bnficiaire revenant chaque partenaire soit satisfaisante pour chacun deux et que la
somme des marges soit la plus grande possible. Les typologies des chanes logistiques
diffrent selon les proprits des acteurs qui y interviennent.
Si les sites sont localiss dans diffrent pays, on parle alors de chane logistique globale.
Dans ce cas, les aspects relatifs limportation et lexportation comme le taux de change,
les taxes douanires, les assurances, et les lgislations doivent tre pris en compte. De nos
jours, une grande partie des chanes logistiques sont globales, cest une des consquences de
la globalisation. La figure suivante montre un exemple dune chane logistique typique.
Fournisseurs
Production
Distribution
Clients
Figure 1.3 chane logistique globale.
Si les partenaires appartiennent tous la mme entit juridique (mme si lentreprise est
multi sites) alors on parle de chane logistique interne.
10
Figure 1.4 chane logistique interne. Source (Portmann, ISDP32).
Si plusieurs entreprises collaborent au sein de la chane logistique, mais lune dentre elle
joue un rle dominant et central, on parle alors dune entreprise tendue. Browne et al
(Browne et al, 1995) ont dfini lentreprise tendue comme tant une organisation ou une
forme dentreprise reprsente en tout ou en partie par les clients, les fournisseurs et les sous
traitants engags dune faon collaborative pour la conception, le dveloppement, la
production et la livraison de produits pour les utilisateurs finaux. Pour un fonctionnement
correct, le donneur dordre (lentreprise dominante) doit communiquer sur ses prvisions, en
gnral, des contrats sont signs entre les partenaires sur des fourchettes de volumes par
priode ou par cumul de priodes. Il dveloppe ainsi des relations de partenariat long terme
avec des clients potentiels, il les traite comme dimportants partenaires. En outre, il sous traite
tout ce qui sort de ses comptences des fournisseurs externes ou des prestataires de
services, et se concentre sur les comptences de lentreprise (Browne et al, 1999). La figure
suivante montre un schma dune entreprise tendue.
Figure 1.5 entreprise tendue. Source (Portmann, ISDP32).
11

Dans le cas o plusieurs entreprises collaborent au sein de la chane logistique, mais o le
pilotage est dcentralis ou est au minimum semi dcentralis avec des ngociations
bilatrales entre couples de partenaires, on parle alors dune entreprise virtuelle. Makastoris et
al (Makastoris et al, 1996) ont dfini lentreprise virtuelle comme un ensemble dunits et de
processus au sein dune chane logistique se composant dun ensemble dunits de production
cooprant entre elles, des magasins, et des units de transport qui se comportent comme une
entreprise simple avec une forte coordination pour atteindre des objectifs communs. La
russite dune telle organisation dpend de lefficacit du systme de partage dinformations
utilis afin dassurer lintgration des diffrents partenaires pendant une courte dure
(Browne et Zang, 1999). Des entreprises peuvent se regrouper en une entreprise virtuelle pour
faire face la concurrence ou bien pour atteindre des capacits de production quelles ne
peuvent atteindre seules (Monteiro, 2001). Lentreprise virtuelle cherche exploiter des
opportunits volatiles, accder de nouveaux marchs et partager les cots et les risques,
ceci sans superstructure organisationnelle importante, en recourant aux nouvelles possibilits
offertes par les technologies de linformation et de la communication. Le concept dentreprise
virtuelle peut tre rsum comme le regroupement dentreprises dans le sens dalliances
stratgiques ou opportunistes. Une telle organisation implique des relations de confiance et
une comprhension mutuelle de la manire traiter les affaires, ainsi que de partager sans
restrictions des informations confidentielles.
A la diffrence des entreprises tendues o le contrle est purement hirarchique, au
niveau de lentreprise virtuelle le contrle est non hirarchique et dans certains cas, pour
viter des conflits, il est possible de trouver un coordinateur. La figure suivante montre un
schma dune entreprise virtuelle niveaux.
Figure 1.6 entreprise virtuelle. Source (Portmann, ISDP32).
12
1.2.3 Fonctions de la chane logistique

La dfinition suivante de la chane logistique donne par Ganeshan and Harisson
(Ganeshan et Hrisson, 1995) donne un aperu des fonctions de la chane logistique : une
chane logistique est le rseau des moyens de production et de distribution qui assurent les
tches dapprovisionnement en matires premires, la transformation de ces matires
premires en produits semi finis et en produits finis, et la distribution de ces produits finis aux
clients . Plus gnralement, les fonctions dune chane logistique vont de lachat des
matires premires la vente des produits finis en passant par la production, le stockage et la
distribution.
1.2.3.1 Lapprovisionnement
Il constitue la fonction le plus en amont de la chane logistique. Les matires et les
composants approvisionns constituent de 60% 70% des cots des produits fabriqus
(Ouzizi, 2005) dans une majorit dentreprises. Rduire les cots dapprovisionnement
contribue rduire les cots des produits finis, et ainsi avoir plus de marges financires. Les
dlais de livraison des fournisseurs et la fiabilit de la distribution influent plus que le temps
de production sur le niveau de stock ainsi que la qualit de service de chaque fabriquant
(Harmon, 92). La tendance gnrale des relations clients/fournisseurs va vers plus de
coopration via un partage dinformations plus rapide en utilisant les nouveaux systmes
dinformations bases sur les technologies de linformation et de communication qui ont
rvolutionn les pratiques du pass o on tait plutt dans une configuration de face face
plutt quune collaboration bnfique pour lensemble des participants.
1.2.3.2 La production
La fonction de production est au cur de la chane logistique, il sagit l des comptences
que dtient lentreprise pour fabriquer, dvelopper ou transformer les matires premires en
produits ou services. Elle donne quelle capacit a la chane logistique pour produire et donne
ainsi un indice sur sa ractivit aux demandes fluctuantes du march. Si les usines ont t
construites avec une grande capacit de production, parfois excessive, alors on peut tre
ractif la demande en prsence de quantits supplmentaire faire, cet environnement a
lavantage dtre disponible pour des clients en cas de demandes urgentes, mais dun autre
cot une partie de la capacit de production peut rester inactive ce qui engendrent des cots et
dpenses en plus. Dun autre cot si la capacit de production est limite, la chane logistique
a du mal tre trs ractive et donc peut perdre des parts du march vu quelle nest pas
capable de rpondre favorablement certaines demandes. Il faut donc trouver un quilibre
entre ractivit et cots.
1.2.3.3 Le stockage
Le stockage inclut toutes les quantits stockes tout au long du processus en commenant
par le stock de matires premires, le stock des composants, le stocks des en-cours et
finalement le stock des produits finis. Les stocks sont donc partags entre les diffrents
acteurs : les fournisseurs, le producteurs et les distributeurs. Ici aussi se pose la question de
lquilibre trouver entre une meilleure ractivit et la rduction des cots. Il est vident que
plus on a de stocks, plus la chane logistique est ractive aux fluctuations des demandes sur le
march. Cependant, avoir des stocks engendre des cots et des risques surtout dans le cas de
produits prissables ou bien des produits dont la rapidit dinnovations est telle quune
nouvelle gamme du mme produit mise sur le march par un concurrent puisse rendre
obsoltes les quantits de ce produit en stock et ainsi une perte importante. La gestion des
stocks est lune des cls de la russite et loptimisation de toute une chane logistique. Une
13

meilleure gestion de cette fonction peut engendrer des conomies importantes, lexprience
de DELL dans ce domaine est un exemple trs connu. En outre, avec lavnement des
techniques de management dite de juste temps (just in time) beaucoup dentreprises
tendent vers avoir un stock nul, ou bien juste ce quil faut pour produire et satisfaire les
commandes. Mais ceci nest videmment pas sans risques.
1.2.3.4 Distribution et transports

La fonction transport intervient tout au long de la chane, le transport des matires
premires, le transport des composants entre les usines, le transport des composants vers les
centres dentreposage ou vers les centres de distribution, ainsi que la livraison des produits
finis aux clients. Le rapport entre la ractivit de la chane et son efficacit peut tre aussi vu
par le choix du mode de transport. Les modes de transport les plus rapides comme par
exemple les avions, sont trs coteux, mais permettent de ragir trs vite et ainsi de satisfaire
les demandes non prvisibles. Les modes de transport par voies ferres ou par camions sont
plus efficaces du point de vue des cots engendrs mais moins rapides. Lensemble des
partenaires peut choisir de combiner ces modes de transport et de les adapter certaines
situations selon limportance de la demande et le gain total engendr.
Les problmes lis la distribution et au transport peuvent tre vus sous plusieurs angles.
On peut chercher trouver les meilleures routes possibles pour visiter les point de collecte
et/ou de distribution (Vehicle routing problems, problmes de tournes des vhicules), ou
bien, comme dit plus haut, chercher les meilleurs modes de transports, ou bien les quantits
des produits qui doivent tre transportes aux clients tout en minimisant le cot global des
transports et des stocks. En effet, selon les tudes (Hugos, 2003) les cots de transport et
distributions constituent le tiers des cots oprationnels globaux dune chane logistique, ce
qui rend leur optimisation un dfi majeur pour les entreprises.
1.2.3.5 La vente
La fonction de vente est la fonction ultime dans une chane logistique, son efficacit
dpend des performances des fonctions en amont. Si on a bien optimis pendant les tapes
prcdentes, alors on facilite la tche du personnel charg de la vente, car ils pourront offrir
des prix plus comptitifs que la concurrence, sinon les marges seront trs troites et les
bnfices pas trs importants, voire mme engendrer des pertes.
1.2.4 Les dcisions dans la chane logistique

Une dcision peut tre dfinie comme tant le problme de donner une valeur une
variable inconnue et dont la connaissance permet au dcideur de sortir dune situation de
jugement ou dincertitude (Ouzizi, 2005). La conception dune chane logistique ncessite de
prendre un ensemble de dcisions. Cet ensemble de dcisions peut senvisager sur trois
niveaux hirarchique : dcisions stratgiques, dcisions tactiques, et dcisions
oprationnelles. La figure suivante (1.7) montre un tel schma. Une telle hirarchie est base
sur la porte temporelles des activits et sur la pertinence des dcisions.
14
Figure 1.7 pyramide des niveaux de dcisions.
Il nexiste pas de mthode gnrique valables pour toutes les chanes logistiques et toutes
les industries pour classer les dcisions qui doivent tre prises. La premire diffrence entre
ces trois niveaux de dcision concerne la porte temporelle de lapplication de la dcision.
Les dcisions stratgiques sont long terme, les dcisions tactiques sont moyen terme, et
enfin les dcisions oprationnelles sont court terme. La deuxime diffrence entre ces
niveaux de dcisions est le niveau dagrgation : les dcisions stratgiques sont au niveau de
lensemble de lentreprise, les dcisions tactiques sont prises au niveau de lusine, et les
dcisions oprationnelles sont prises au niveau de latelier. La troisime diffrence est le
niveau de responsabilit des dcideurs. Les dcisions stratgiques sont prises par la direction
gnrale de lentreprise, les dcisions tactiques sont prises par les cadres, et les dcisions
oprationnelles sont prises par les responsables dateliers.
A cause de la complexit du problme doptimisation des dcisions, les trois types de
dcisions sont traits de manires squentielle et hirarchique. Nanmoins, il est important de
prendre en compte limpact des dcisions stratgiques sur les niveaux tactiques et
oprationnel. En effet, elles dterminent les solutions admissibles des niveaux tactique et
oprationnel. Autrement dit, la solution optimale dune dcision tactique ou oprationnelle
dpend de la solution prise au niveau stratgique. De la mme manire, les dcisions
oprationnelles et tactiques peuvent influencer la prise de dcisions au niveau stratgique lors
de la conception mme de la chane. Cette coordination est souhaite mais difficile mettre
en uvre comme nous allons le voir dans la section ddie la coordination et la coopration
dans les chanes logistiques. La figure suivante (1.8) illustre les diffrences entre les trois
niveaux de dcisions.
15
Figure 1.8 diffrence entre les niveaux de dcisions. Source (Portmann, ISDP32).
1.2.4.1 Les dcisions stratgiques

Les dcisions stratgiques dfinissent la politique de lentreprise sur le long terme, une
dure stalant souvent sur plusieurs annes (la dure de lhorizon dpend du cycle de vie des
produits). Elles comprennent toutes les dcisions de conception de la chane logistique et de
ce fait, elles ont une influence importante sur la stratgie concurrentielle et donc sur la
viabilit long terme de lentreprise. Elles sont prises normalement par la direction de
lentreprise. Les dcisions stratgiques configurent la chane logistique. Nous donnons dans
ce qui suit une liste non exhaustive des dcisions stratgiques :
Choisir les partenaires de la chane logistique (cas dentreprises tendues ou
virtuelles). Recherche de la complmentarit des comptences (toutes les fonctions
doivent pouvoir tre assumes en interne ou en externe (sous-traitance lextrieur de
la chane logistique constitue)).
Faire ou faire-faire : lentreprise a le choix entre utiliser ses propres moyens pour
raliser en interne certaines fonctions (faire), ou bien passer par une entreprise
extrieure et indpendante (faire-faire), ou bien dlguer ces tches une entreprise
qui sous une forme ou une autre a des liens privilgis avec elle.
Choix et nombre de fournisseurs : lentreprise peut avoir un seul fournisseur ou un
nombre rduit de fournisseurs pour augmenter le niveau de coopration, ou bien avoir
un grand nombre de fournisseurs pour jouer sur la concurrence. Les fournisseurs sont
choisit en fonction des prix, qualits de service, dlais de livraison...etc. Barbarosoglu
et Yazgac (Barbarosoglu et Yazgac, 1997) regroupent les critres de choix des
fournisseurs en trois catgories : i) la capacit technique et ltat financier du
fournisseur; ii) lhistorique des performances du fournisseur ; iii) la qualit du systme
du fournisseur.
Choisir les implantations des sites de production et des entrepts. Cela inclut aussi
la dcision daffecter les activits aux sites. Les dcisions concernant la localisation
des sites de production sont trs importantes et trs stratgiques car elles
conditionnent les dcisions de transport et de distribution. Plusieurs facteurs doivent
16

tre pris en compte lors de la prise de telles dcisions comme la proximit par rapports
aux clients et aux fournisseurs, les taxes et tarifs, et la disponibilit de la main
duvre.
Dterminer le nombre de sites : un nombre lev de sites de productions ou de
stockage engendre des cots colossaux, en mme temps cela rduit les cots de
transports. Les entreprises doivent choisir entre des politiques de groupages de sites
ou au contraire des politiques de dgroupage.
Capacit des sites : cette problmatique est lie celle du nombre de sites. Une
capacit trs grande engendre une ractivit trs grande mais aussi des cots trs
grands (surtout en cas de sous-production).
Choisir les moyens de transport (ventuellement multiples) entre les diffrentes
localisations. Cela dpend aussi du nombre et de la localisation des sites. Plus le
nombre de sites est grand, plus on est proche des clients, et plus on utilise des modes
de transport conomiques.
Le choix des technologies utilises dans les sites de production et dentreposage.
Cette dcision est lie la capacit des sites car celle ci dpend de la technologie
utilise. Cette dcision dpend de certains critres conomiques, sociaux et financiers.
1.2.4.2 Les dcisions tactiques

Les dcisions tactiques sont prises sur un horizon de moins de 18 mois en gnral. Il sagit
de produire au moindre cot pour les demandes prvisibles, donc avec connaissance des
ressources matrielles et humaines. Il sagit en effet de faire la planification dpendant de la
structure conue au niveau stratgique. Nous donnons dans ce qui suit une liste non
exhaustive des dcisions tactiques :
Obtenir les prvisions les plus fiables possibles. Les quantits produire pour chaque
produit et les quantits des matires premires ncessaires.
Choisir les modes dutilisation des ressources (par exemple: ouverture en 2 huit ou en
3 huit, faire ou non appel de la sous-traitance ou des heures supplmentaires).
Trouver une allocation optimale des fournisseurs aux sites de production.
Allocation des produits aux sites de production et dterminer les quantits produire
sur chaque site en tenant compte de la capacit de production de chaque site et des
moyens de transports qui le desservent.
Planifier la production tous les niveaux (lissage et quilibrage de charge et

minimisation des cots) et les transports associs, ainsi que la maintenance des outils
de production et des moyens de transport.
Grer tous les stocks induits (matires premires, encours, produits finis, pices de
rechanges, outils ) ainsi que trouver lallocation optimale des produits aux sites de
stockage en prenant en compte le cot de stockage de chaque produit dans chaque
site, les capacits des sites de stockage, et les cots de transports entre les sites de
production des produits et les sites de stockage.
Allocation des sites de stockage aux clients pour optimiser le plus souvent les cots de
transports ou de livraisons.
Dfinir la politique de transport : on doit dcider si les livraisons aux clients se font de
manire individuelle pour chaque client ou bien on essaye de regrouper les livraisons
pour livrer le plus de clients possibles lors dune mme tourne. Cette dcision dpend
17

du mode de transport et de a quantit demande par chaque client. Le transport des
matires premires et des produits semi finis est traditionnellement spar du transport
des produits finis car ils sont raliss par deux entits diffrentes. Lintgration de ces
deux entits ou bien la coordination entre elles peut permettre une meilleure utilisation
des ressources en transport de lentreprise.
1.2.4.3 Les dcisions oprationnelles

Les dcisions oprationnelles sont prises pour un horizon de trs court terme pour assurer
la gestion des moyens et le fonctionnement au jour le jour de la chane logistique. Dans le
cadre des chanes logistiques, les entreprises ont besoin tout moment de prendre des
dcisions avec un temps de rponse trs court. La ractivit de la prise des dcisions
oprationnelles est un lment de mesure de la performance de la chane logistique. Au niveau
oprationnel, la configuration de la chane logistique est dj fixe et les politiques de
planifications dj dfinies. Il y a moins dincertitudes sur les informations sur la demande car
on doit prendre les dcisions oprationnelles en un laps de temps trs court (minutes, heures,
jours). Avec moins dincertitudes, lobjectif ce niveau est de rpondre aux requtes des
clients dune faon optimale en respectant les contraintes tablies par les configurations et les
politiques de planification choisies aux niveaux stratgiques et tactiques. Nous donnons dans
ce qui suit une liste non exhaustive des dcisions oprationnelles :
Ordonnancement et pilotage en temps rel des systmes de production.
Tourne de vhicules ou programme des livraisons qui donne les produits, la

destination et les quantits livrer.
Allocation des moyens de transports : ces moyens tant limits, cette allocation est
base sur le programme des livraisons.
Placement plus prcis des activits de maintenance prventive.
Affectation des ressources aux tches (matrielles et humaines) de manire dynamique

en fonction des alas. Il sagit de faire lemploi du temps des employs en tenant
compte des contraintes sociales et juridiques.
1.2.5 La gestion de la chane logistique ou supply chain management

Le terme supply chain management qui signifie gestion de la chane logistique, la
version anglaise du terme est celle utilise au niveau international, mme dans les publications
francophones, nous utilisons donc la version anglaise. Il est apparu dans les annes 1980 et
sest largement rpandu dans les annes 1990. Avant, on utilisait les termes de logistique
et de gestion des oprations (operations management). Dans un environnement logistique
complexe merge le besoin dun outil pour apprhender et modliser cette complexit et
apporter une aide la dcision. En effet, les anciens outils de gestion de production, de
planification et de pilotage des entreprises sont devenus insuffisants car dpasss par les
demandes nouvelles et la rorganisation des entreprises en rseaux. En effet, lmergence de
la chane logistique a fait natre des besoins en matire dintgration des entreprises et de
coordination des flux des matires, des flux dinformations et des flux financiers des
niveaux jamais atteints auparavant. Cest le supply chain management qui englobe les
approches, les mthodes et les outils permettant de satisfaire ces besoins.
Ladoption de la dmarche supply chain management apparat comme un outil de
performance pour lentreprise, puisque son ambition affiche est de rpondre au triple objectif
damlioration des niveaux de services, de rduction des cots et de cration de valeur, en
grant les relations, tant en amont quen aval, avec les fournisseurs et les clients. La cration
18

de valeur qui est la finalit du supply chain management devient la rsultante de
loptimisation dun processus destin vendre plus en rpondant davantage aux attentes des
clients mais aussi organiser au mieux le processus de production et de circulation des flux
afin de rduire les cots. Il est difficile didentifier une dfinition unique et accepte par tous
du supply chain management, la dmarche peut tre envisage comme une philosophie, une
orientation et une logique de gestion, une vision de lentreprise en rseau o la coordination
parmi les acteurs garantit la baisse des cots et augmente la qualit de service au
consommateur final. Une des raisons de labsence dune dfinition universelle du supply
chain management est lorigine et lvolution multidisciplinaire de cette notion. Nous
donnons dans ce qui suit les dfinitions les plus courantes.
Mentzen et al (Mentzen et al, 2001) dfinissent le supply chain management comme la
coordination systmique, stratgique des fonctions oprationnelles classiques et de leurs
tactiques respectives lintrieur dune mme entreprise et entre partenaires au sein de la
chane logistique, dans le but damliorer la performance long terme de chaque entreprise
membre et de lensemble de la chane . Cette dfinition est gnrale centre sur lentreprise,
et considre donc le cas dune entreprise qui appartient plusieurs chanes logistiques, ce qui
est souvent le cas dans lconomie mondiale actuelle. Dan ce cas on peut se poser la question
lgitime de qui gre la chane logistique ? dans le cas dune organisation avec une entreprise
dominante (donneur dordre), cest clair que cest cette dernire qui impose ses contraintes,
mais de nos jours les chanes logistiques intgrent plus de systmes de partenariat dgal
gal, et dans ce cas on parle alors de chane logistique collaborative.
(Hugos, 2003) donne la dfinition suivante : le supply chain management est la
coordination de la production, du stockage, de la localisation, et des transports travers tous
les participants la chane logistique afin davoir la meilleure combinaison de ractivit et
defficacit par rapport au march desservi .
La diffrence entre le concept de supply chain management et le traditionnel concept de
logistique est, dune part, que la logistique se limitait au cadre dune seule entreprise alors que
le supply chain management gre un rseau dentreprises, et dautre part la logistique
traditionnelle se concentrait sur les fonctions dapprovisionnement, distribution, gestion de
stock, alors que le supply chain management reprend ces fonctions et inclut les activits de
marketing, dveloppement de nouveaux produits, les finances et le service du client. La
logistique devient donc lune des fonctions de la gestion de la chane logistique, certainement
lune des plus importantes (New et Payne, 1995). Ceci nous amne une dfinition du supply
chain management centre sur les activits de distribution physique des produits finis aux
clients finaux intgrant la gestion de la logistique. Le terme supply chain management a
t probablement utilis pour la premire fois dans de telles configurations (Lamming, 1996).
Pour plus de prcisions sur les dfinitions (Tan, 2001) propose un tat de lart intressant.
Toutes ces dfinitions ont un point commun qui est que le supply chain management est le
processus qui intgre toutes les fonctions de la chane logistique, et avec une vision globale
des choses, cest--dire quil voit le tout comme une seule entit mme sil sagit dune
organisation htrogne juridiquement. Lintgration de toutes ces fonctions dans le mme
systme permet de faire une optimisation tout au long de la chane, alors que, prises
individuellement, les diffrentes fonctions de la chane logistique prsentent des objectifs
diffrents. Par exemple, pour avoir une meilleure qualit de service pour les clients il est
ncessaire davoir un taux de stockage important, alors que pour rduire les cots
oprationnels on veut rduire les quantits en stock. Loptimisation simultane de la qualit de
service et les cots oprationnels internes en trouvant un compromis est lun des critres de
mesure de lefficacit dun systme de management de la supply chain.
19

On a vu que le supply chain management gre entre autres le flux des informations, ceci est
primordial pour la prise de dcisions. La qualit des dcisions et leurs impacts sur la suite des
dcisions (on a vu dans la section des dcisions dans la chane logistique que les dcisions
peuvent avoir des consquences en cascade sur les autres niveaux de dcisions) sur les autres
niveaux dpend de la qualit de linformation. Celle-ci est critique quant au succs de tout
systme de supply chain management. Beaucoup de dcisions aux niveaux tactiques sont
bases sur les prvisions, si celles-ci sont loin de la ralit cela engendre des pertes colossales
pour la chane logistique. Il est important aussi que les partenaires puissent partager des
informations et quils aient une dmarche de confiance et non de mfiance (Hadfield, 2002).
Plusieurs recherches ont montr limpact du partage du flux dinformation sur lamlioration
de plusieurs critres de la chane comme la minimisation des niveaux de stocks (Chopra et
Meindil, 2007), (Bourland et al, 1996) ; lamlioration de la qualit de service (Thonemann,
2002) (Zhao et al, 2002) ; lamlioration des planning de toute la chane (Damours, 1999)
(Johansson, 2002) (Kovacs et al, 2003). Lune des cls de la russite du management global
de la chane logistique est la capacit des partenaires partager linformation et la
synchronisation de leurs activits (Ouzizi, 2005). Le systme dinformations utilis joue donc
un rle primordial.
1.2.6 Optimisation de la chane logistique

La chane logistique optimise la gestion des flux, du fournisseur du fournisseur au client du
client pour le cas le plus largi, autrement dit de lapprovisionnement en matires premires
au consommateur final. Il sagit dans le contexte actuel de globalisation des marchs, de
coordonner tous les processus pour atteindre le niveau de performance qui convient
lentreprise. Comme la chane logistique rassemble plusieurs partenaires, il est vident que
cest complexe de trouver une optimisation qui satisfasse tout le monde surtout que les
objectifs sont souvent conflictuels entre les diffrentes fonctions de la chane. La premire
remarque quon peut faire dans ce sens est quun optimum global est rarement obtenu en
rassemblant des optima locaux. Nanmoins, si les gains que lon obtient localement nont pas
dincidence sur les cots des autres services ou partenaires, alors cela vaut la peine de
rechercher un optimum local (sous contraintes ou en pnalisant les incidences nfastes sur
lenvironnement ou sur les partenaires internes ou externes la chane logistique).
Il est vident que lintrt gnral de tous les partenaires est de se positionner dans une
posture collaborative plutt quune posture concurrentielle. Il faut savoir minimiser les cots
globaux et maximiser les gains globaux. Cette minimisation peut demander des efforts
dorganisation ou de rorganisation qui peut passer par un dveloppement dun alignement
stratgique, cest dire la recherche de procdures collaboratives de gestion pour mettre la
disposition du client le bon produit au bon moment (Pach, 2004).
Cette optimisation rencontre des problmes dans sa mise en uvre qui freine la dmarche
gagnant-gagnant et rendent lapproche optimisante. Dans ce qui suit nous allons numrer
certains de ces problmes (trs fortement inspir de (Portmann, ISDP 32)) :
La qualit de linformation : Trop dinformations sont imprcises, incertaines et mme

inconnues ou imprvisibles comme les dures des oprations et des transports qui sont
seulement des valeurs estimes plus ou moins prcises, les pannes partielles ou totales
des machines, absences du personnel, grves des routiers ou des transports
ferroviaires, ou encore des matires premires non arrives ou non conformes.
Les dcisions concernent de nombreux services dans la (ou les) entreprise(s)

concerne(s) ce qui peut engendrer des problmes de conflits et dindicateurs de
20

performance qui doivent conduire un comportement global gagnant-gagnant,
problmes de confiance, de scurit, de partage et de circulation dinformation.
Les critres de performance et de qualit sont antagonistes en raison des diffrents

acteurs concerns: actionnaires, clients, employs.
Il y a une multitude de systmes de production et de distribution diffrents qui doivent

tre considrs avec leurs hypothses particulires ce qui nuit lexistence de solution
gnrique pour les outils daide la dcision. La diversit des procds
manufacturiers: fabrication continue, en srie, production de produits personnalis la
demande ou bien de prototypes. La diversit des ressources de production :
renouvelables, non renouvelables. La diversit des gammes et des structures
dateliers : flowshop, openshop, jobshop. La diversit des machines : une machine
pour chaque type doprations, des machines en parallle pour le mme type
doprations. La diversit des critres de performances : makespan (ou dure
totale), volume en sortie, critres de retard (maximum, somme, somme pondre,
nombre de travaux en retard), minimisation de cots (heures supplmentaires, soustraitance ).
Contraintes de production :premption autorise ou non autorise, chevauchement

autoris ou non entre les oprations (fabrication en sries), fabrication par lots ou
batches de type maximum (produits en parallles dans un four) ou de type somme
(excution successive o les produits doivent arriver et repartir ensemble), temps de
transport plus ou moins prcis prendre en compte, limitation des places de stockages
(jusqu pas de stock entre deux machines conscutives), production cyclique ou la
commande.
Diversit des systmes de transport et de distribution.
Vouloir absolument un optimum global parfait conduit souvent des calculs

exponentiels qui ont des dures tellement grandes que a devient inimaginable de les
prendre comme solutions (problmes NP-difficiles rsoudre), alors que lon travaille
souvent sur des donnes imprcises. Ce qui implique que les mthodes de rsolutions
exactes ne sont considres que pour des problmes de petite taille, des mthodes
approches le plus souvent pour les problmes de taille industrielle.
La sparation entre la conception de la chane logistique et les dcisions

oprationnelles : les changements de la structure dun rseau ont des rpercussions sur
lefficacit des dcisions au niveau oprationnel, celles ci doivent tre considres ds
la conception de la chane.
Chane logistique incomplte : il faut aller au del de la chane logistique interne et

considrer les clients des clients et les fournisseurs des fournisseurs, ceci permet la
chane davoir une meilleure connaissance sur les besoins des clients des clients et
ainsi de sadapter afin damliorer sa qualit de service.
Pour faire face ces problmes, des nouvelles relations de partenariats entre fournisseurs et
clients sont dfinir. Ces relations doivent tre durables, et permettre aux entreprises de
sintgrer et coordonner la prise de dcisions au niveau global de la chane, ceci dans le souci
dtre ractif et efficace face aux mouvements des marchs qui restent trs imprvisibles.
1.2.7 Modlisation des chanes logistiques

La chane logistique tant un systme complexe et dynamique, ajout cela un
environnement instable qui gnre de nombreuses incertitudes. La difficult de la prise en
21

compte de ces incertitudes fait que la plupart des modles proposs pour modliser les chanes
logistiques utilisent des hypothses restrictives, et parfois simplistes (Vidal et Goetschalckx,
1997). La modlisation de ces systmes complexes permet une meilleure comprhension et
une meilleure gestion de ces systmes. Un modle nest quune reprsentation simplifie dun
systme rel, qui permet de lanalyser, le contrler et le piloter. Ils sont la base des systmes
daide la dcision. Nous allons voir trois types de modlisations : modles conceptuels,
modles mathmatiques, et modles par simulation (Taylor, 2003).
1.2.7.1 Les modles conceptuels

Les modles conceptuels sont de loin les plus simples. Il sagit en fait dune description
basique dun systme conomique comme la chane logistique qui peut sexprimer sous
formes de diagrammes ou dexplications verbales. Le format utilis dpend en grande partie
de lexprience du modlisateur, ceux avec une grande exprience font des diagrammes
dtaills pour rduire lambigut, tandis que ceux avec une moindre exprience se basent sur
une analyse par scnario. Dans ces modles, il faut trouver un bon quilibre entre prcision et
aisance de communication. Ces modles sont limits car difficiles mettre en uvre dans le
cas dorganisations trs complexes, et surtout ils ne donnent pas dorientations quant au
contrle et au pilotage de la chane.
1.2.7.2 Modles mathmatiques

Les modles mathmatiques sont trs utiliss pour la conception des chanes logistiques et
pour loptimisation des cots. Ils consistent modliser un systme rel par un ensemble
dquations exprimant les contraintes et les objectifs. Contrairement aux modles conceptuels
qui eux aident seulement la comprhension du systme, les modles mathmatiques
rsolvent les problmes doptimisation. Une autre diffrence avec les modles conceptuels est
que lutilisation des modles mathmatiques requiert des comptences spciales dans les
mathmatiques et la recherche oprationnelle.
Lune des techniques les plus utilises est la programmation linaire et la programmation
dynamique. Ces outils de recherche oprationnelle sont la base de beaucoup de systmes
doptimisation des supply chain management. Linconvnient avec les modles
mathmatiques est quils font des restrictions trop importantes sur certaines hypothses. Un
autre inconvnient, et pas des moindres, est le temps dexcution ncessaire pour rsoudre des
problmes de tailles ralistes. Ainsi, pour des problmes avec de grandes tailles, les industriels
prfrent utiliser des solutions approches obtenues dans des dlais raisonnables.
1.2.7.3 Modles par simulation

Les modles par simulations sont trs pratiques dans le cas de systmes o il est difficile de
reprsenter toutes les hypothses par des quations, et de ce fait, on ne peut pas utiliser les
modles mathmatiques. Ces modles essayent dimiter le comportement des composants
dun modle et donc de pouvoir faire des prvisions et des valuations de performances. Ils
ont la capacit de capturer les incertitudes et de traiter laspect dynamique des systmes
complexes et des systmes grandes chelles.
De nombreux modles ont t proposs pour la simulation et la modlisation des chanes
logistiques. Hermann et al (Hermann et al, 2003) proposent un nouveau cadre de simulation et
des modles hirarchiques pour capturer les activits spcifiques au sein de la chane
logistique. Dans sa thse, Ding (Ding, 2004) propose une approche doptimisation base sur la
simulation pour la conception des chanes logistiques applique lindustrie automobile et
textile. Beaucoup de travaux de recherches se sont intresss ces modles, nous pouvons
citer (Jain et al, 2001) et (Bhasharan, 1998).
22

Le tableau ci dessous illustre les diffrences entre les trois types de modlisation.
Modles conceptuels
Modles
mathmatiques
Modles par
simulation
Reprsente la
chane comme
Diagrammes et
descriptions
Formules et
quations
Objets et interactions
Solutions trouves
par
Raisonnement verbal
Les solveurs (comme

Cplex ou Express)
Expriences
(monte carlo)
Meilleure
application pour
Partage de la
comprhension
Performances
optimales
Prvisions ralistes
Figure 1.9 diffrence entre les types de modlisations des chanes logistiques (Taylor, 2003)
1.2.8 Les outils daide la dcision

Nous avons vu dans les sections prcdentes la complexit des entreprises actuelles et leur
organisation en chanes logistiques. Celles-ci comprennent plusieurs partenaires et ralisent
plusieurs fonctions. Nous avons vu que le supply chain management est le processus qui
intgre toutes ces fonctions, tous les partenaires, coordonnent leurs activits en vue de
lobtention du meilleur rsultat pour le collectif. La taille immense dun tel systme, la
diversit des donnes, et lantagonisme des objectifs des diffrentes fonctions font sentir le
besoin de systmes daide la dcision capable de prendre en compte tous ces paramtres. De
nos jours, il existe une trs grande offre dans ce secteur parce que ces outils sont devenus
indispensables pour les managers de chanes logistiques. Par ailleurs, les nouvelles
technologies permettent une ouverture de ces systmes pour une collaboration interne ou
externe. Nous allons tudier deux de ces systmes, qui notre sens sont les plus importants :
les Entreprise Resource Planning ERP, et les Advanced Planning and Scheduling APS.
1.2.8.1 Entreprise Resource Planning (ERP)

Les ERP sont des systmes transactionnels qui couvrent les diffrentes fonctions dune
entreprise (production, distribution, mais aussi comptabilit/finances, ressources humaines...).
Lorganisation des traitements et des donnes des ERP rpond pour lessentiel des
proccupations de dcoupage analytique par fonction, de suivi des flux, des performances
financires et dexcution, de suivi des principales activits et tches. Il se concentrent
gnralement sur les oprations internes principalement lies la gestion de la production.
Ces systmes hritent gnralement de la logique MRP2 (Manufacturing Resource Planning)
qui traite l'information de manire squentielle, par lots, et avec des capacits de production
supposes infinies (i.e. pouvant toujours rpondre la demande planifie). Lide principale
de la mthode MRP est que la connaissance de la demande pour le produit en termes de
quantits demandes et de dates de livraisons souhaites, et la nomenclature de fabrication de
ce produit nous permet de calculer exactement les besoins en composants et matires
premires et par consquent planifier de manire optimale les rapprovisionnements (Ould
Louly, 2001). La figure suivante montre les modules dun ERP.
23
Figure 1.10 modules dun ERP (Taylor, 2003)
Le DRP (Distribution Requirements Planning) utilise lhistorique et les prvisions de

ventes comme donnes pour construire des programmes de distribution qui indiquent les
quantits de chaque produit transporter pour chaque localisation. Ces derniers plans sont
passs comme entre au module MPS (Master Production Scheduling) qui ralise
lordonnancement de la production afin de satisfaire le plan de distribution. Ensuite, le MPS
appelle le MRP (Material Requirements Planning) pour sassurer que toutes les matires
premires et les composants ncessaires la production sont bien disponibles, et le CRP
(Capacity Requirements Planning) assure que la capacit de production est suffisante pour
satisfaire la demande.
Comme son architecture lindique, les ERP ont t conus la base pour piloter la gestion
de la production au sein des ateliers et des usines, cest dire des environnements assez
contrls, et ne sont donc pas aptes, tout seuls, grer la totalit de la chane logistique.
Logiquement, une nouvelle gnration d'applications de gestion des ressources est donc
apparue, les APS.
1.2.8.2 Advanced Planning and Scheduling APS

L'APS est une application destine la planification de la supply chain. En fonction de la
demande, elle permet danalyser la capacit des ressources et les contraintes afin de proposer
un horaire dtaill et adaptable pour une production optimale. Elle intervient tous les
niveaux :
la demande : dtermine combien de produits doivent tre fabriqus.
les achats : vrifie la disponibilit des matires premires et des composants suivant la
nomenclature du produit.
la production : analyse les contraintes et la capacit dvelopper un plan de

production optimal.
le stockage : prvoit les espaces ncessaires.
le transport et la distribution : optimise les cots et assure la qualit de service la

clientle.
24

La figure suivante illustre les diffrents modules qui composent un systme de type APS.
Notons que cette reprsentation nest pas commune tous les APS, en effet il nexiste pas
darchitecture gnrique de tous les modles. Celle reprsente ci dessous comporte
nanmoins les modules importants. Cette critique doit cependant tre relativise par le fait que
les diteurs dveloppent aujourd'hui des outils dvelopps adapts aux secteurs d'activit de
leurs clients.
Figure 1.11 modules dun APS (Taylor, 2003)
La diffrence majeure que lon peut constater en comparant les deux figures prcdentes
est que les ERP se situent plutt un niveau oprationnel dactions, alors que les APS se
situent au niveau tactique.
Niveau
Application
Tactique
APS
Oprationnel
ERP
Tches
Planification des achats, de la production, de la
distribution et des transports.
Gestion de la matire premire, ordonnancement de
la production, des stocks, et des transports
Figure 1.12 diffrences entre APS et ERP.
1.2.9 Motivations et exemples de chanes logistiques

Dans cette section nous allons illustrer par des exemples rels limpact et les consquences
qua une bonne gestion de la chane logistique sur les performances de certaines entreprises.
Comme nous lavons dit au dbut de ce chapitre, la nouvelle donne conomique, sociale, et
technologique font que la comptition se passe maintenant entre chanes logistiques et non
plus entre entreprises. Cest un changement stratgique, les compagnies ont compris
limportance de se restructurer et de collaborer avec leurs partenaires pour survivre dans un
environnement trs concurrentiel. Il existe de nos jours des multinationales qui doivent leur
succs larchitecture de la chane logistique quils ont mis en place. Ceci leur a permis comme on va le voir plus loin dans cette section- de faire des bnfices colossaux et ainsi
25

dtre en bonne sant financire ce qui leur permet de mieux rpondre aux besoins de leurs
clients, de dvelopper de nouveaux produits, et davoir un temps davance sur leurs
concurrents.
1.2.9.1 Chane logistique de DELL

Dell offre certainement le meilleur exemple de russite et de succs dune entreprise grce
un vision optimise et optimisante de la chane logistique. DELL est une compagnie de
fabrication dordinateurs personnels. Avant DELL, les ordinateurs taient fabriqus en
volumes, achemins vers des centres de stock, puis vendus individuellement aux clients. Cette
mthode ncessitait davoir un niveau assez lev de stock. DELL a conu une chane
logistique innovante o les clients sont un partenaire important. Elle inclut le site web de
DELL, les centres dassemblage, les fournisseurs et les fournisseurs des fournisseurs. DELL a
adopt une stratgie de vente directement lie aux clients via son site internet. Les clients
passent leurs commandes via le web en connaissance des prix et des produits disponibles.
DELL se passe donc des centres de distribution et des dtaillants comme illustr par la figure
1.13. Cette proximit vis vis de ses clients lui a permis de mieux comprendre leurs besoins
et ainsi dajuster ses stratgies commerciales et de dveloppement de nouveaux produits.
Lentreprise a centralis les usines dassemblage et les centres de stock dans quelques endroits
prs de ses fournisseurs. Le rsultat de cette approche est que DELL est capable doffrir un
large choix de configurations dordinateurs pour ces clients tout en gardant un niveau de stock
trs bas. Pour certains composants, comme les moniteurs, DELL ne garde aucun stock.
Lavantage de ce bas taux de stock est la ractivit dans le cas de lintroduction de nouvelles
technologies, par exemple, si Intel met sur le march un nouveau processeur, DELL pourrait
rapidement lajouter son offre plus vite que ses concurrents. Vu les fluctuations du march,
les prix pourraient soudainement chuter, DELL aura moins de stock qui perdra de la valeur
par rapport ses concurrents. Aussi, dans le cas de dfauts de fabrication, il ny aura quune
petite quantit de produits qui serai affecte.
Figure 1.13 Chane logistique de DELL.
Grce sa chane logistique DELL est devenu le numro un mondial de la fabrication

dordinateurs personnels. En 2004, la compagnie a fait des bnfices de 2.6 milliards de
dollars (Chopra et Meindil, 2007). Ces bnfices sont dus en grande partie la gestion des
flux de production, dinformations, et financiers lintrieur de la chane logistique.
26
1.2.9.2 Lexemple de Chrysler

Chrysler est un gant amricain de construction automobile. A la fin des annes 1980,
Chrysler tait la limite du dpt de bilan. Pour redresser lentreprise, on a form des quipes
composes de gens appartenant aux divers services pour mettre en uvre en commun la
conception, lingnierie, la production, le marketing, lapprovisionnement, et les finances
rinventant ainsi sa chane logistique. Ces quipes de travail ont gard la moiti des
fournisseurs et ont lis avec eux de nouvelles relations bases sur la confiance, et ont inclus
ces fournisseurs dans la conception de nouveaux modles dautomobiles. Lentreprise a
mme offert ses fournisseurs de partager les bnfices. Cette nouvelle orientation des
relations entre Chrysler et ses fournisseurs lui a permis de rduire ses cots de dveloppement
et de conception et a encourag les fournisseurs la considrer comme client privilgi.
Chrysler a appel ce programme leffort de rduction des cots des fournisseurs ou
SCORE pour the supplier reduction cost effort . Ce programme a t lanc en 1990. En
1995, lentreprise avait dj implment 5300 des ides fournies par ses fournisseurs faisant
ainsi des conomies de lordre de 1.7 milliard de dollars. Le cot de dveloppement dun
nouveau vhicule a t rduit de 40%, et le temps du processus de dveloppement est pass
de 234 semaines 160, et le profit fait par vhicule a augment de 844% du milieu des annes
1980 au milieu des annes 1990 (Hugos, 2003).
Ces chiffres illustrent quune bonne conception de la chane logistique peut rduire les
cots dune manire importante et engendrer des profits colossaux, et montrent lefficacit
dun systme o les partenaires agissent en concertation.
1.2.9.3 Lexemple de Amazon.com

Amazon.com est lun des pionniers de la vente sur internet. Ce portail vend des livres et de
la musique ainsi que dautres produits. Amazon.com reoit donc les commandes des clients
via son site Internet comme dans le cas de DELL, et rpond ces commandes par les livres
achets chez les distributeurs. Cette approche diffre de celle utilise par les vendeurs de
livres traditionnels qui achtent les livres directement chez la maison ddition et les gardent
en stock anticipant ainsi les demandes des clients. Avant de connatre son succs actuel,
Amazon.com tait pass par des annes de disette notamment cause des dfections dans sa
chane logistique. En effet, 12% des produits destins au stockage taient achemins vers les
mauvais entrepts ce qui engendrait une perte de temps, dnergie et de moyens. Lentreprise
a donc d repenser sa chane logistique. Une meilleure gestion de lacheminement des
marchandises en les regroupant dune manire optimale a engendr des rductions dans les
quantits en stock et des conomies dans les transports.
Les exemples vus ci-dessus montrent quen ayant une meilleure gestion de la chane
logistique, lentreprise peut gagner en comptitivit et gnrer de grands profits. De lautre
ct, si la gestion de la chane nest pas optimale, alors cela peut gnrer des pertes de temps,
dnergie, et un manque de comptitivit qui seraient fortement prjudiciables. Il faut donc
tous les niveaux de la chane penser optimiser le fonctionnement. Cela dpend de la nature
de la chane (produits ou services). Nanmoins ces exemples montrent quil nexiste pas de
configuration ou conception de chane logistique qui soit optimale pour toutes les entreprises
et pour tous les produits.
1.2.10 Les mesures de la performance de la chane logistique

Il y a un adage qui dit : you cant manage what you dont measure dont la traduction en
franais pourrait tre vous ne pouvez pas grer ce que vous ne mesurez pas . La question
qui est pose est donc : comment mesurer lefficacit dune chane logistique ?.
27

Traditionnellement, la pratique la plus courante est de mesurer laspect financier qui est facile
faire et regarder la balance entre les revenus et les dpenses. Le problme est que les
mtriques financires sont inadquates pour mesurer la performance dune chane logistique
car elles nont pas une vue prcise sur lefficacit au niveau oprationnel (Camirenelli et
Cantu, 2006), et ne prennent pas en compte la qualit de service du client. On peut mme dire
que les dcisions au niveau oprationnel sont mieux gres si on ne prenait pas en compte
laspect financier. Mais pour une optimisation globale de la chane logistique, on doit trouver
un quilibre entre les mtriques financires et non financires que ce soit au niveau
stratgique, tactique ou oprationnel. Aussi, pouvoir faire les bonnes mesures dans toutes les
fonctions de la chane permettrait de mieux la comprendre et ainsi de pouvoir lamliorer l
o les besoins se font sentir.
Nous devons donc dfinir un ensemble dindicateurs pour mesurer cette performance. Un
indicateur de performance est dfini par (Courtois et al, 1996) comme une donne
quantifie qui mesure lefficacit de tout ou partie dun processus ou dun systme, par
rapport une norme, un plan ou un objectif qui aura t dtermin et accept, dans le cadre
dune stratgie densemble .
Chopra et Meindil (Chopra et Meindil, 2007) identifient six indicateurs de performance :
Les infrastructures : ce sont les localisations physiques o les produits sont stocks,
assembls, ou fabriqus. Les dcisions concernant leurs rle, localisation, capacit et
flexibilit (technologie utilise) influencent la performance de la chane logistique.
Les stocks : ceci comprend tous les stocks de matires premires, les encours, et les
produits finis. Changer les politiques de stocks influence la ractivit de la chane
logistique.
Les transports : incluant aussi les transport internes de stocks ou de produit semi finis.
La politique de transport est une combinaison de choix de modes de transport et
dtablissement de programmes de livraison. La performance de la fonction transport
sur la ractivit et lefficacit de la chane est importante surtout que pour la plupart
des compagnies les cots de transports reprsentent le tiers des cots globaux.
Linformation : elle est constitue des donnes concernant les infrastructures, le stock,
les transports, les cot, les prix, les client. Ce peut tre lindicateur majeur de
performances de la chane logistique car la performance de cette fonction influe
directement sur lensemble des autres indicateurs. Une information qui circule
bien et qui est synchronise entre les diffrents partenaires peut amliorer lefficacit
de la chane, tandis quune information difficilement transmissible dun partenaire
un autre, ou bien non communique, peut avoir des retombes nfastes sur lensemble
de la chane et pnaliser les autres fonctions.
Sourcing : il sagit de dterminer qui doit raliser une activit travers la chane
comme la production, le stockage ou les transports. Au niveau stratgique, il sagit de
dterminer quelles activits lentreprise va faire elle mme et quelles activits elle va
sous-traiter.
Les prix : il sagit de donner une valeur et un prix aux biens et services que la chane
logistique produit. Les prix influencent le comportement des clients et ainsi les
performances de la chane.
Gunasekaran et al (Gunasekaran et al, 2004) donnent un tat de lart des mesures de

performances dans la chane logistique. Ils identifient six indicateurs importants pour lesquels
ils dveloppent des mtriques.
28

Mtriques de la planification des commandes
La mthode de rception des commandes : cette mthode dtermine comment les

spcifications des clients sont converties en donnes changes tout au long de la
chane.
Temps de latence de la commande (order lead time) : le cycle total de commande est le
temps coul depuis la rception de la commande jusqu la livraison du produit au
client. La rduction du temps de ce cycle induit une meilleure rponse de la chane aux
commandes de ses clients ce qui lui donne un avantage certain en terme de
comptitivit.
Le chemin de la commande : il inclut tous les canaux par lesquels la commande est
pass. Cet indicateur identifient les tapes o il ny a pas eu de valeur ajoute, et ainsi
permettre la chane de prendre les dcisions ncessaire pour liminer les tapes sans
valeurs ajouts.
Evaluation des fournisseurs

Lvaluation des fournisseurs implique des mesures tous les niveaux de la chane. Cette
valuation a souvent t base sur les variations des prix et sur les dlais de livraison. La
comptition entre les fournisseurs tait une comptition base sur les prix proposs en
ngligeant dautres aspects tout aussi important comme la qualit, la ractivit, la disponibilit
et la satisfaction des clients. Cette analyse des fournisseurs doit tre faite de manire
priodique et projete sur le long terme.
Les mtriques au niveau de la production
La performance au niveau de la fonction de production a un grand impact sur le cot du
produit fabriqu, sa qualit, et la rapidit de sa distribution aux clients. Les auteurs proposent
les mtriques suivantes pour la mesurer.
La gamme de produits et/ou de services offertes et produites.
La capacit de production : son rle est important vu quelle dtermine les niveaux
dactivits tout au long de la chane. Elle influence directement la vitesse de rponse
aux commandes (ractivit de la chane) et le temps de cycle dun produit dans la
chane.
Efficacit des techniques dordonnancement : dtermine la faon avec laquelle les

ressources sont alloues aux tches.
Evaluation des livraisons

La livraison constitue le lien direct qua la chane avec ses clients. La performance de cette
fonction dtermine en grande partie la satisfaction ou non du client, et ainsi la comptitivit de
la chane. La performance optimale des livraisons serait que les clients soient livrs aux dates
convenues. La capacit de cette fonction tre rapide dpend de certains paramtres comme
le mode de transport choisi, la frquence des livraisons, et la localisation des dpts. Une
autre mesure de cette fonction serait la capacit de la chane rpondre favorablement une
demande spcifique dun client (mode de livraison particulier un endroit en particulier sous
certaines conditions). Une meilleure rponse ce genre de demandes a lavantage de fidliser
les clients.
29

Evaluation de la qualit de service
La flexibilit : cest dire la capacit de la chane logistique de pouvoir rpondre

favorablement des demandes individuelles des clients. La flexibilit peut tre
mesure par le temps de cycle de dveloppement dun produit et les temps de rglage
des machines ou outils.
Le temps de rponse aux requtes des clients concernant par exemple le suivi de ltat
de leurs commandes.
La qualit du service aprs vente.
Evaluation des cots de la logistique

Cest lvaluation de tous les cots lis la logistique. Cest un indicateur financier trs
important ; les flux financiers ayant une grande influence sur les flux des produits. Lun de ses
indicateurs est la mesure du cot des risques entrepris par la chane.
Taylor (Taylor, 2003) fait une classification des indicateurs de performances de la chane
logistique en quatre catgories :
Mesures du temps : incluant entre autres le temps de cycle dune commande, le temps
de cycle du dveloppement dun produit, la ponctualit des livraisons.
Mesures des cots : incluant entre autres les cots des matires premires, la masse
salariale, la maintenance, les retours de produits dfectueux, les transports, le
stockage, et le management des infrastructures.
Mesures defficacit : concerne le taux dutilisation dun bien de la chane comme les
taux dutilisation des centres dentreposage, le taux de la capacit de production
utilise, et le taux des capitaux utiliss.
Mesures de qualit de service : comme les taux des livraisons effectues temps, des
commandes satisfaites, des retours en usine, des plaintes des clients, et des clients qui
passent de nouvelles commandes.
Comme on vient de le voir, il existe une multitude dindicateurs de performances de la

chane logistique. Prendre trop dindicateurs peut engendrer un nombre important de donnes
quils seraient difficile de grer et qui ne donneraient pas assez de visibilit sur ce que doivent
tre les dcisions quil faut prendre pour amliorer la qualit de la chane logistique. En
revanche, prendre peu dindicateurs pourrait avoir des consquences nfastes car on pourrait
ngliger certains facteurs importants. Le challenge ici est de prendre les bons indicateurs.
Encore une fois, il ny a pas un ensemble dfini et prcis dindicateurs valables pour toutes les
chanes logistiques. Lensemble des indicateurs choisis doit dpendre de la nature des activits
ralises par la chane.
1.3 Ordonnancement de la production

1.3.1 Introduction
Les dcisions dordonnancement se situent au niveau oprationnel de la chane logistique.
ce sont des dcisions qui se prennent sur un trs court terme. A ce niveau de la chane
plusieurs types dordonnancement sont tablis : lordonnancement de la production,
lordonnancement des livraisons, lordonnancement des tournes du personnel,
30

lordonnancement des emplois du tempsetc. Apporter des solutions efficaces et
performantes aux problmes dordonnancement constitue un enjeu conomique important au
sein de la chane.
Dans le cadre de notre travail nous nous intressons lordonnancement de la production
au niveau de la chane logistique pour lequel nous dveloppons des techniques de coopration
et de coordination entre les diffrents partenaires. Nous nous intressons en particulier aux
problmes dateliers de type flowshop (nous modlisons les lignes de production dans le
problme principal tudi dans cette thse par un flowshop) et au concept du juste temps.
Lobjectif de lordonnancement de la production est lorganisation de lutilisation des
ressources humaines et matrielles des ateliers de lentreprise pour satisfaire les demandes des
clients (Lopez et Roubellat, 2001). Dans ce qui suit nous allons voir les diffrentes structures
dateliers et les mthodes de rsolution pour les problmes dordonnancement.
1.3.2 Gestion de la production

La gestion de la production se situe au niveau tactique et oprationnel de la chane
logistique. Il sagit de faire la planification de la production en termes de quantits produire
et de types de produits faire. Elle consiste en lensemble des activits suivantes :
La conception ;
La planification des ressources ;
Lordonnancement de la production;
Pilotage des activits de production.
La fonction ordonnancement de la production rcupre les donnes ncessaires son

fonctionnement partir des plans de production dcids au niveau de la fonction de gestion.
La gestion de la production occupe une place importante dans une entreprise, et a
naturellement des relations avec les autres services ou fonction de lentreprise ce qui engendre
des objectifs contradictoires.
1.3.3 Ordonnancement
1.3.3.1 Dfinitions
Pour (Carlier et Chrtienne, 1988), un problme dordonnancement consiste
programmer lexcution dune ralisation en attribuant des ressources aux tches et en fixant
leurs dates dexcutions . Dune manire plus prcise, un problme dordonnancement peut
tre dfini comme suit : tant donns un ensemble de travaux accomplir et un ensemble de
ressources permettant leur ralisation, le problme dordonnancement consiste dterminer,
dune part laffectation des ressources aux diffrentes tches composant les travaux, et dautre
part, les dates dexcution de ces tches, de telle sorte quune fonction objectif donne soit
optimise (Aggoune, 2002). Cette affectation doit prendre en compte certaines contraintes
temporelles (dlais, contraintes denchanementetc.) et des contraintes portant sur
lutilisation et la disponibilit des ressources requises pour la ralisation des tches. Un
ordonnancement (qui est la solution dun problme dordonnancement) doit rpondre aux
questions suivantes : quand ? Avec quels moyens ? Ou encore sous quelle modalits, la
production doit tre ralise.
31

Daprs les dfinitions prcdentes, les composantes dun problme dordonnancement
sont : un ensemble de ressources, un ensemble de tches raliser, et une fonction objectif
optimiser.
Les tches sont des entits lmentaires gnralement dsignes sous le nom doprations
et sont regroups en travaux (jobs). Elles sont caractrises par une date de dbut dexcution
ou une date de fin dexcution, et par une dure opratoire. Selon les problmes, les tches
peuvent tre excutes sans aucune interruption (tches non premptives), ou par morceaux
(tches premptives). En outre, il existe des relations et contraintes de prcdences entre les
tches qui dfinissent lordre total ou partiel de leurs excutions. Deux autres contraintes
temporelles peuvent tre associes aux tches : la date de disponibilit de la tche qui dfinit
la date partir de laquelle on peut commencer lexcution dune tche, et la date butoir qui
dtermine la date avant laquelle la tche doit tre termine. Les dates de disponibilit et les
dates butoirs peuvent aussi sexprimer en fentres de temps. Dans lordonnancement de la
production, les jobs faire correspondent aux commandes des clients.
Les ressources sont les moyens techniques, matriels ou humains ncessaires lexcution
des tches. Elles sont de types diffrents comme par exemple les matires premires et les
composants, la main duvre, et les machines et outils. On dit quune ressource est une
ressource consommable si sa quantit diminue au fur et mesure de lexcution de la tche,
cest le cas pour les composants et les matires premires. Une ressource est dite renouvelable
si sa quantit reste constante pendant lexcution des tches (les ressources humaines,
quipementsetc.). Dans les ressources renouvelables, on distingue les ressources
disjonctives qui ne peuvent tre utilises que par une tche la fois, et les ressources
cumulatives qui peuvent tre utilises par un ensemble de tches en nombre limit. Dans une
structure datelier, les ressources sont les machines. Comme pour les tches, lensemble des
ressources peut tre rgi par certaines contraintes lies principalement la disponibilit des
ressources. Cest le cas par exemple des tches qui ncessitent que plusieurs machines
fonctionnent en parallle.
Il existe deux grandes stratgies concernant lobjectif dun ordonnancement : chercher des
solutions admissibles (respectant les contraintes), ou bien viser loptimalit des solutions. Le
plus souvent cest loptimalit des solutions qui est vise. Les fonctions optimiser sont les
critres (bass sur des indicateurs de performance) permettant dapprcier la qualit dun
ordonnancement. On parle de critre rgulier lorsque lavancement de lexcution dune
tche, sans en retarder dautres, ne dgrade pas la valeur du critre. Les critres sexpriment
gnralement en termes de dure, de retard, et de cot. Parmi les critres les plus utiliss :
Minimisation de la date de fin dordonnancement (makespan), C max = max(C j / 1 j n )
tel que n est le nombre de jobs et C j est la date de fin dexcution du job j . Ce
critre permet de minimiser le temps de sjour total de lensemble des produits et
donc de maximiser la productivit.
La somme des dates de fin des jobs C j qui minimise le temps de sjour moyen.
Le plus grand retard Lmax = max(C j d j / 1 j n ) tel que d j dsigne la date butoir
associe au job j .
La somme des retards T j = max(0, C j d j ) .
j
Le nombre de travaux en retard
tel que U j = 1 si C j > d j (job j en retard) et
Uj =0
sinon.
32

Il existe une notation introduite par (Graham et al, 1979) pour dcrire tous les problmes
dordonnancement. Cest une notation en trois champs / / tel que le champs dcrit la
structure du systme ordonnancer, le champs dcrit les contraintes lies ce systme, et
le champs dcrit la fonction objectif. Le moyen le plus simple et le plus utilis pour
reprsenter un ordonnancement est le diagramme de Gantt o des barres horizontales
reprsentent le droulement des tches selon laxe des temps, et les lignes correspondent aux
ressources.
1.3.3.2 Ordonnancement dateliers

Dans un problme datelier les ressources (les machines) sont des ressources renouvelables
disjonctives, cest--dire que les machines ne peuvent raliser quune opration la fois, et
chaque opration ncessite une seule machine pour sa ralisation. Les contraintes de
prcdences entre les oprations des diffrents travaux sont donnes par une gamme linaire
reprsentant lordre de fabrication, qui peut tre fixe ou non.
Selon la disposition des machines et leur nombre, on peut distinguer les deux situations
suivantes :
Les problmes une machine : dans ce cas chaque travail comprend une seule
opration laquelle il est assimil. Dans ce cas, le problme dordonnancement se
rsume au squencement des oprations. Ce genre de problmes sert de base pour le
dveloppement de solutions aux problmes plus complexes.
Les problmes machines parallles : dans ce cas galement chaque travail est
constitu dune seule opration, nanmoins plusieurs machines sont disponibles pour
la ralisation dun travail qui nen ncessite quune. Il faut donc dcider sur quelle
machine effectuer chaque opration et dterminer la squence doprations sur chaque
machine. De plus, les machines peuvent tre identiques ou non. Dans le cas de
machines non identiques, lensemble des oprations quelles peuvent traiter, ainsi que
leurs dures opratoires, peuvent varier dune machine une autre.
Selon la gamme de fabrication, on distingue trois types dateliers.
1.3.3.2.1 Flowshops
Dans les problmes datelier de type flowshop, appels aussi atelier cheminement
unique , chaque travail visite chaque machine de latelier et lordre de passage dun travail
sur les diffrentes machines est le mme pour tous les travaux. Cet ordre de passage ou
gamme de fabrication est linaire et est fix lavance, cest donc une donne du problme.
En pratique, un atelier structur en flowshop peut correspondre par exemple une chane de
traitement ou de montage. Un cas particulier et simplifi du flowshop est le flowshop de
permutation. Dans cette sous classe, lordre de passage des travaux est identique sur toutes les
machines (gamme unique pour tous les travaux).
Les problmes de type flowshop sont, parmi les problmes datelier, les problmes les plus
tudis dans la littrature. Diffrentes mthodes ont t proposes pour rsoudre ce type de
problmes. Ces problmes tant gnralement NP-difficiles, des heuristiques sont proposes
pour les problmes tailles industrielles. (Ruiz et al, 2006) proposent deux algorithmes
gntiques pour le problme de flowshop de permutation avec lobjectif de minimisation du
makespan. Ils ont dvelopp de nouveaux oprateurs de croisement et une procdure de
redmarrage dune partie de la population sil ny a pas amlioration du critre pendant un
certain nombre de gnrations. (Wang and Zheng, 2003) proposent aussi un algorithme
gntique dans lequel loprateur de mutation est remplac par une procdure de recuit
33

simul. Bulbul et al (Bulbul et al, 2004) ont tudi le problme avec comme fonction
objective la minimisation de la somme des retards, avances, et les cots de stocks
intermdiaires dans une entreprise de fabrication de biens. Ce problme a des applications
industrielles comme par exemple dans le cas dune entreprise de biotechnologie o les stocks
intermdiaires cotent chers et ncessitent un traitement spcial avant ltape suivante. Ils ont
utilis des mthodes de programmation mathmatique avec la gnration de colonnes pour
relaxer les contraintes du programme linaire.
Nearchou (Nearchou, 2004) propose une approche base sur le recuit simul combin aux
algorithmes gntiques. Au lieu de partir dune seule solution, et faire la recherche selon le
principe traditionnel du recuit simul, lauteur propose de partir dune population de
solutions. Il propose aussi des oprateurs pour la recherche de voisinage.
Fondrevelle (Fondrevelle, 2005) dans sa thse effectue au sein de lquipe MACSI du
Loria propose des mthodes de rsolution exacte base sur les procdures par sparation et
valuation pour le problme de flowshop de permutation en prsence de contraintes dcarts
temporel entre les oprations. Deppner (Deppner, 2004) pour sa part traite le mme genre de
problmes mais de tailles industrielles pour lesquels il propose des mthodes approches
base dalgorithmes gntiques. Il propose entre autres un algorithme dautodtermination
pour le choix automatique des oprateurs pendant le processus volutionnaire.
Yang et al (Yang et al, 2000) tudient le problme de minimisation de la somme pondre
des retards dans un flowshop flexible. Un flowshop flexible est une gnralisation du
flowshop traditionnel dans lequel il y a un nombre limit dtages, chacun est compos de
machines identiques en parallle. Les auteurs proposent trois heuristiques pour rsoudre ce
problme. La premire procde par dcomposition de latelier en tage et trouve
successivement des solutions aux sous problmes indpendants. La deuxime se base sur une
mthode de recherche locale, et enfin, la troisime est une hybridation des deux premires
approches.
Noorul Haq et al (Noorul Haq et al, 2004) propose, pour le problme du flowshop avec
comme fonction objective la minimisation du makespan, un algorithme hybride dans lequel
un algorithme gntique agit en amont dun algorithme base de systme de colonie de
fourmis, pour lamlioration de la solution obtenue par ce dernier. Le systme de colonie de
fourmis est aussi utilis par (Rajendran et Ziegler, 2005). Le mme problme, (nous
remarquons quil sagit du problme de flowshop le plus tudi dans la littrature), avec la
prise en compte de contraintes de disponibilit des machines est tudi par (Aggoune, 2004).
Lindisponibilit des machines est due des activits de maintenance prventive. Lauteur
considre deux cas dindisponibilit : le cas o les dates de dbut des tches de maintenance
sont fixs, et le cas o ils sont compris dans une fentre de temps. Il propose des solutions
bases sur les algorithmes gntiques.
(Lin et al, 2007) tudient un systme de production deux tages structur en flowshop.
Dans le premier tage deux machines en parallle fabriquent des composants qui sont
assembls et groups en lots sur la troisime machine. Le critre considr est la minimisation
du makespan. Les auteurs dmontrent que le problme gnral est NP-difficile au sens fort et
fournissent des heuristiques et un algorithme polynomial pour le cas spcifique o la
squence de traitement des oprations est fixe.
Deux autres familles dateliers ne sont quvoques ci-dessous car nous avons choisis de
travailler sur des flowshops.
34
1.3.3.2.2 Jobshops
Les problmes datelier de type jobshop, appels aussi problmes datelier cheminements
multiples , sont une gnralisation du problme du flowshop. La diffrence entre les deux
structures rside dans le fait que lordre de passage des travaux sur les machines est diffrent
dun travail un autre.
1.3.3.2.3 Openshops
Les problmes datelier de type openshop, appels aussi problmes datelier
cheminements libres , sont des problmes o la gamme de fabrication nest pas fixe
lavance. Dans ce cas, le problme dordonnancement consiste dterminer le cheminement
de chaque travail et ordonnancer les travaux en fonction des gammes trouves. Cest le
problme le moins tudi dans la littrature parmi les trois types dateliers. Cette forme de
structure datelier se rencontre nanmoins dans divers domaines dapplication comme pour le
test dactivits de maintenance, dans les services comme pour les examens de patients
hospitaliss, ou encore dans les tlcommunications (les travaux sont lensemble de paquets
mettre par une station terrienne, les oprations sont modlises par les paquets dune station
mettrice vers un rpteur du satellite qui forment lensemble des machines).
1.3.3.3 Les mthodes de rsolution

Aprs la description des problmes dordonnancement et la prsentation des structures
dateliers, nous nous intressons maintenant aux mthodes de rsolutions de ces problmes.
Les problmes dordonnancement tant des problmes doptimisation, il existe deux grandes
familles de mthodes de rsolutions : les mthode exactes, et les mthodes approches.
Lutilisation dune mthode de lune ou de lautre de ces familles dpend de la taille du
problme et de sa complexit.
1.3.3.3.1 Les mthodes exactes

Lapproche intuitive simpliste pour rsoudre un problme doptimisation combinatoire est
de lister toutes les solutions faisables, valuer leurs fonctions objectives et choisir la meilleure
solution. Cette numration complte permet de trouver les solutions optimales. Nanmoins,
ce genre de mthodes montre ses limites en pratique cause du trs grand nombre de
solutions qui existent pour un problme de taille raisonnable (on suppose que lon considre
des problmes NP-difficiles). Les mthodes exactes les plus utilises pour les problmes
dordonnancement sont :
Les procdures par sparation et valuation (branch and bound) : Les PSE procdent
par lnumration implicite de lensemble des solutions. Elles sont bases sur la
dcomposition du problme de faon arborescente en sous problmes. Avec cette
mthode on est assur de trouver la meilleure solution puisquon analyse tous les
sous-ensembles de solutions possibles. La manire deffectuer la dcomposition
constitue le principe de sparation qui conditionne la performance de la mthode avec
le calcul de bornes permettant dliminer des sous-ensembles de solutions.
La programmation dynamique : le principe est de procder une dcomposition des

dcisions associes aux problmes en sous ensembles considrs successivement, ce
qui conduit rsoudre des sous problmes plus grands en utilisant la solution de sous
problmes plus petits. Ceci nest possible que si la fonction objective possde la
proprit de dcomposition. On traite le problme par tapes commenant par le plus
petit sous problme jusquau problme complet. On rsout optimalement chaque sous
problme en tenant compte des informations obtenues lors des prcdents tapes.
35

Lexemple le plus simple de lutilisation de la programmation dynamique est la
recherche du plus court chemin dans un graphe orient. Comme les PSE, la
programmation dynamique numre implicitement toutes les solutions, et de ce fait
elle est trs exigeante en termes de temps de calculs et de mmoire pour les problmes
NP-difficiles. Elle ne permet pas alors daborder des problmes de grandes tailles.
La programmation linaire : Elle formule le problme avec un critre et des

contraintes exprims en fonction linaires de variables de dcisions. Les variables
sont entires ou binaires pour la plupart des problmes dordonnancement. Ceci rend
lensemble des problmes pour lesquels on peut trouver des solutions exactes en un
temps raisonnable, limit des problmes de tailles relativement faibles.
1.3.3.3.2 Les mthodes approches

Puisque les approches exactes ne peuvent traiter que des problmes beaucoup plus petits
que ceux envisags dans les applications relles, les mthodes approches (heuristiques ou
mta heuristiques) sont largement utilises car elles fournissent un bon compromis entre la
qualit dune solution et son cot. Ce sont des mthodes qui recherchent de bonnes solutions
(que lon espre proche de loptimum) en un temps raisonnable, sans toutefois garantir
loptimalit de la solution, ni mme sa possible non admissibilit. Souvent on ne connat pas
la distance entre la solution trouve et la solution optimale.
Les mthodes approches les plus utilises sont :
Les algorithmes gntiques : ce sont des mthodes base de populations qui voluent
pendant un processus dit volutionniste inspir de la thorie de lvolution. Les
individus sont amliors bases doprations de croisement ou de mutations. Ces
mthodes sont trs pratiques car faciles implmenter et parce quelles gnrent un
ensemble de solutions et non une seule solution. On reviendra sur les algorithmes
gntiques avec plus de dtails dans le chapitre 4.
Les mthodes par voisinage : appels aussi mthodes base de recherche locale. A
partir dune solution initiale obtenue dune faon alatoire ou grce une heuristique
spcifique au problme tudi, on explore lespace de solution on passant dun voisin
un autre. Le choix dune solution parmi les solutions voisines est bas sur des
critres qui diffrent dune mthode une autre. Les deux mthodes par voisinage les
plus connues et utilises sont la recherche taboue (Glover, 1989, 1990) et le recuit
simul. La recherche taboue est base sur la notion de mouvements interdits. Elle
examine les solutions voisines de la solution courante et choisit la meilleure parmi
celles-ci. En acceptant de dtriorer la valeur de la solution courante, cela permet de
sloigner dun optimum local. Pour viter de faire un cycle, on utilise une liste taboue
conservant en mmoire les derniers mouvements pendant un nombre limit
ditrations. Le recuit simul est bas sur un algorithme de simulation de recuit des
mtaux et sinspire des mthodes de la physique statistique (Metropolis et al, 1953).
Cette mthode est utilise en aval dune mthode de recherche locale afin de
lamliorer, surtout par rapport loptimum local trouv par cette dernire. Le recuit
simul accepte de faire des changes, avec une certaine probabilit, qui namliorent
pas la solution courante. Cette probabilit est dtermine par un paramtre de contrle
appel temprature, allusion au processus de refroidissement cooling schedule.
36
1.3.4 Le concept du Juste Temps JAT (Just In Time JIT)

La notion du Juste temps a t invent par Taiichi Ohno qui tait ingnieur chez le gant
japonais de lautomobile Toyota, le but quil cherchait tait dliminer le gaspillage tout au
long de la chane de production de Toyota. Le gaspillage du temps et des moyens tait la
seule raison que trouva Ohno pour expliquer la meilleure productivit des amricains par
rapport aux japonais. Le gaspillage est dfini par Mr Toyoda, prsident honoraire de Toyota,
comme tout ce qui dpasse la quantit minimale requise en matriel, quipement, espace et
temps pour ajouter de la valeur au produit.(Desrosiers, 2006). Les sources du gaspillage
peuvent tre :

Produits dfectueux.
Mouvements ou transports inutiles.
Les temps dattente.
La surproduction qui implique des surplus de stocks.
Mauvaise qualit de communication entre les diffrents participants.
Depuis ladoption de cette mthode par Toyota, elle sest rpandue dans le monde entier.
Le juste temps est une philosophie qui permet de livrer les produits juste au moment
voulu, en quantit suffisante pour la micro priode et lendroit voulu (Mnard, 2005). Cette
philosophie sappuie sur lamlioration continue de la qualit et de la productivit dans toutes
les activits de la chane. On parle de philosophie ds lors que cela ncessite parfois une
rorganisation de lentreprise et la manire dapprhender la production.
Cest un moyen de pilotage de la production par l'aval. Cela veut dire que le juste temps
permet de satisfaire la demande juste au moment o elle se manifeste et dans la qualit et la
quantit demandes. Cette mthode du juste temps rpond de ce fait aux quatre objectifs de
la production que sont la qualit, les dlais, et les cots.
Dans le cas habituel dune entreprise industrielle qui transforme des matires premires en
pices fabriques, puis regroupe ces pices dans des sous-ensembles et, enfin, runit les sousensembles pour constituer des produits finis, le principe du Juste Temps peut sexprimer
ainsi : il faut produire et livrer de telle sorte que

les produits finis juste temps pour quils soient vendus ;

les sous ensembles juste temps pour quils soient monts dans les produits finis ;
les pices fabriques juste temps pour tre assembles en sous-ensembles ;
les matires premires juste temps pour tre transformes en pices fabriques.
Beaucoup de gens voient dans le concept du juste temps un ensemble de mthodes pour
minimiser les stocks. En ralit, la minimisation des stocks nest quune partie des objectifs
du JAT qui sont le zro attente, zro dlais, zro dfauts, zro stocks, et zro pannes.
Dans le contexte de la chane logistique, le juste temps est un processus de lamlioration
des flux matriels des fournisseurs vers les centres de production, et vers les clients. Cest
dire que le systme de production doit fonctionner en flux tendus. Dans les systmes flux
tendus de type tir (pull systems), la production est tire de laval vers lamont.
Chaque tape ne travaille que si le poste en aval a besoin de produits ou composants. Une
commande dun client dclenche le systme. Dans ce genre de logique de production les flux
matriels, dinformation, et de produits finis sont des flux continus. Dune certaine faon, on
ne produit que ce quon a dj vendu, et on essaye de produire avec les cots les plus bas
possibles, toujours en supprimant les gaspillages.
37

F
o
u
r
n
i
s
s
e
u
r
s
Entreprise
C
l
i
e
n
t
s
Figure 1.14 flux tirs.
Selon certaines tudes, Les entreprises adoptant le juste temps peuvent faire des :

rduction de temps de cycle de 80% 90%.

rduction des stocks (matires premires, encours, composants, produits finis) de 35%
70%.
rduction du cot de la main duvre de 10% 50%.
rduction des espaces de 40% 80%.
rduction du nombre de dfauts de 25% 60%.
Ces chiffres varient dune entreprise une autre et de lintensit et lintelligence avec
lesquels chaque entreprise a implment son systme de juste temps. Mais pour arriver de
tels rsultats, les entreprises doivent faire des sacrifices, ou vu sous un autre angle, satisfaire
certaines conditions parmi lesquelles :

avoir une main duvre flexible capable de sadapter rapidement aux nouveaux
objectifs de lentreprise.
avoir des dlais de fabrication trs courts et une grande souplesse pour pouvoir
rpondre aux souhaits de la clientle.
avoir un systme dinformation rapide et efficace.
tablir des relations bases sur le JAT avec ses fournisseurs. Ceci est primordial et
ncessaire au bon fonctionnement du systme.
changer de mode de transport car avec le JAT la frquence des livraisons augmente,
mais la taille des lots diminue.
assurer la fiabilit des quipements. Des machines en pannes gnrent une perte de
temps, et de moyens qui vont se traduire en non respect des dlais de livraison, ou tout
simplement dannulation de commandes, ce qui est trs prjudiciable pour une
entreprise vis vis de sa clientle.
La comptitivit de lentreprise est considrablement renforce, pas seulement par la baisse

des cots, mais aussi par la trs forte rduction des dlais et par lamlioration de la qualit de
la production. Convertir une entreprise au Juste Temps, cest donc mettre son organisation
industrielle totalement au service de sa comptitivit et rduire considrablement ses besoins
financiers. Pour bien mettre en uvre le Juste Temps, plusieurs mthodes techniques
comme le Kanban, le SMED, ou encore la mthode des 5S sont utlises.
Le Kanban, mot japonais pour carte, est un systme dinformation et une mthode
dorganisation et de gestion de latelier qui fait remonter les besoins de laval vers lamont.
Elle superpose aux flux physiques de produits, un flux inverse dinformation. Le Kanban est
utile pour sassurer que chaque poste de travail reoit les matires premires ou composants
38

au bon moment, et livrer au poste suivant au bon moment. Ni trop tt pour ne pas crer du
stock, ni trop tard pour ne pas crer une rupture de produits finis qui va influer ngativement
sur le flux du processus. Ce systme est bas sur un outil visuel, une carte en loccurrence, qui
indique un oprateur sur un poste de travail les besoins dun poste dans le maillon suivant de
la chane.
Le SMED (Single Minute Exchange Die) est utilis pour rentabiliser la fabrication en petits
lots qui est lune des exigences dune production en juste temps. Elle vise rduire les
dlais de rglage (mise en marche) des quipements, et ainsi dliminer des pertes de temps.
La mthode des 5S (pour Seiri, Seiton, Seiso, Seiketsu et Shitsuke) vise :

dbarrasser le poste de travail des choses inutiles qui sy trouvent;

sassurer quil reste bien rang et en ordre;
le nettoyer de faon rgulire;
y instaurer la rigueur ncessaire lexcution dun bon travail.
En ordonnancement, le juste temps est mis en uvre par la prise en compte de critres
induisant des pnalits davance et/ou de retard par rapport des dates butoirs ou des dates de
disponibilit; le plus souvent cest par rapport des dates butoirs.
(Hendel et Sourd, 2006a) tudient un problme dordonnancement une machine avec
comme fonction objective la somme des cots de chaque job. Chaque job ayant des cots
davance ou de retard. Les problmes avec des critres davance et/ ou de retard tant le plus
souvent NP-difficiles, les auteur proposent un algorithme en O(n log n) (en ayant dj choisi
lordre sur les machines) quils gnralisent pour le cas de flowshop de permutation. Une
mthode base de recherche locale est prsent dans (Hendel et Sourd, 2006b), et une autre
base sur les procdures par sparation et valuation est donne dans (Sourd et KedadSidhoum, 2003). (Sourd, 2005) tudie le mme problme en intgrant des cots de oisivet.
Pour cela il propose un algorithme base de programmation dynamique. Dans un autre
article, (Sourd, 2006) intgre des contraintes relatives aux temps de rglages des machines et
aux cots de ces rglages. Un algorithme pseudo polynomial bas sur la technique de
recherche de voisinage grande chelle est propos.
(Shabtay et Steiner, 2006) tudient les problmes dordonnancement deux machines avec
comme fonction objective la minimisation de la somme pondre des pnalits davance, de
retard, et daffectation de dates butoirs, ainsi que le problme de minimisation du nombre
pondr de jobs en retards et les cots daffectation de dates butoirs. Les auteurs prouvent que
les deux problmes sont NP-difficiles et proposent des algorithmes polynomiaux pour des cas
spcifiques des deux problmes. Dautres problmes avec critres de pnalits sur les avances
et les retard, mais aussi avec prise en compte dun nouveau critre qui est la pnalisation des
tches non excutes sont tudis dans (Hassin et Shani, 2005).
1.4 Ordonnancement et coopration dans la chane logistique

La chane logistique implique plusieurs entits ou partenaires qui doivent raliser des
activits afin de produire un bien ou un service. Ces partenaires doivent collaborer, cooprer,
travailler ensemble pour fournir le meilleur rsultat. La coordination au sein de la chane
logistique amliore la qualit de la chane si toutes les fonctions de la chane prennent les
dcisions pour leurs activits en tenant compte des activits des autres dans le but de
maximiser le profit de lensemble de la chane. Cela peut tre compar une quipe de relais
4 100 mtres dathltisme (Cooper et Ellram, 1997). Les relations sont fortes entre les quatre
athltes, mais elles sont encore plus fortes entre les athltes qui doivent se passer le tmoin. Ils
doivent ngocier sur la faon et le moment exact de passage du tmoin. Dans la chane
39

logistique la stratgie doit tre similaire. Les relations sont plus fortes entre les fonctions et
services qui ont des relations directes et qui doivent schanger des informations. Mais cela
nest pas aussi facile que pour lquipe dathltisme cause de lhtrognit des participants
la chane. Certains peuvent appartenir des entits juridiques diffrentes ce qui pourrait
impliquer un conflit dobjectifs. Chaque entit chercherait donc maximiser ces profits, ce
qui rsulterait, le plus souvent, en la diminution des profits globaux de la chane. Le manque
de coordination entre les activits visant amliorer un mme objectif peut diminuer la
comptitivit de toute la chane. Cela se transforme en des cots plus importants, une marge
bnficiaire plus troite, des retards de livraison, pertes de commandes, et une qualit de
service aux clients de mauvaise qualit.
Lun des phnomnes les plus observs (et redouts) dans la gestion de la chane logistique
est le bullwhip effect . Le bullwhip effect peut se produire lorsque les fluctuation de la
demande augmente travers toute la chane : elle augmente des dtaillants aux grossistes, des
grossistes aux fabricants, et des fabricants leurs fournisseurs. Dans ce phnomne
linformation sur la quantit de la demande est altre dune fonction une autre au sein de la
chane cause des diffrences destimation de la demande entre les diffrents services. Bien
entendu, un tel phnomne est possible cause dun manque de coordination entre les
diffrentes entits composants la chane. Ce phnomne sest dj produit dans plusieurs
entreprises et est trs tudi dans la littrature (Lee et al, 1997).
Les raisons du manque de coordination sont diverses, parmi elles :

Le manque de partage de linformation : cest la raison principale du manque de

coordination. Elle peut se produire cause dun systme dinformation pas trs
efficace, ou dune volont dlibre de ne pas partager certaines informations avec les
autres partenaires. Nanmoins, cette dernire hypothse est de plus en plus rare car les
entreprises ont compris quelles sont forces de travailler en collaboration avec leurs
partenaires pour faire face la concurrence accrue des marchs.
La qualit de linformation : certaines informations qui sont passes travers la chane
peuvent tre errones. Lune des sources derreurs peuvent tre le fait de lexistence
dun grand nombre de produits, de composants, de matires premires, de locations
dinfrastructures. Seul un systme dinformation efficace peut garantir la qualit de
linformation.
Le comportement : la chane logistique est une ide assez neuve, et la coopration en
son sein lest encore plus. Certains comportements relatifs la rtorsion de
linformation sont dus aux anciennes mthodes de gestion.
Vue locale de la chane : chaque composante ou fonction de la chane voit la chane
dun point de vue local sans le remettre dans le contexte gnral, comme par exemple
ragir certaines situations locales sans mesurer limpact de ces dcisions sur le reste
de la chane.
Les activits oprationnelles : souvent, les activits au niveau oprationnel sont grs
localement car on ne dispose pas dassez de temps pour de plus larges consultations.
Les dcisions doivent tre rapides. A ce niveau de la chane, il est difficile de voir
laspect chane logistique de lactivit. Ceci peut entraner des ordonnancements de la
production, des transports, ou dapprovisionnement en matires premires qui ne sont
pas optimaux pour lensemble de la chane. La coordination des ordonnancements est
un des problmes tudis dans le problme principal de notre thse.
Pour (Thomas et Griffin, 1996), la mise en uvre de la coordination peut se faire entre les
partenaires de la chane, ou bien entre les fonctions de la chane. Ils en dduisent trois
catgories de coordination oprationnelle.
40

Coordination acheteur-vendeur
Lactivit la plus en aval de la chane logistique est lapprovisionnement en matires
premires. Cette tche est trs importante pour le reste de la chane car les cots des matires
premires reprsentent une partie importante du cot de revient du produit fini. Beaucoup de
travaux sur la coordination ce niveau sintressent trouver les quantits optimales
approvisionner. Cette quantit influe sur le reste de la chane comme les stocks et les
transports. Elle dtermine aussi la politique de lot-sizing utilise. Aussi, lun des lments
de la gestion de la chane logistique moderne tant le juste temps, les liens entre les
producteurs et leurs fournisseurs doivent tre privilgis cause de la frquence des livraisons
et pour permettre un flux de matires premires optimal pour le reste de la chane et viter
ainsi des phnomnes comme la rupture de stocks. Cette coopration entre le client
(producteur) et ses fournisseurs doit tre continue dans le temps.
Coordination Production-Distribution
Les fonctions de production et de distribution sont des fonctions qui se suivent directement
et qui sont donc fortement lies. En effet, on peut soit choisir dadapter la politique de
production aux moyens de transports pour en rduire les cots, ou bien adapter la politique de
transport en fonction de la politique de production. Lune ou lautre de ces mthodes nest pas
ncessairement la meilleure. Maximiser localement (au niveau de la fonction) les profits, ou
on peut plutt dire minimiser les cots, ninduit pas forcment la rduction des cots globaux
de la chane, a peut mme produire leffet inverse.
La coordination entre la production et la distribution est difficile mettre en uvre car il
sagit de coordonner les efforts au niveau oprationnel, cest--dire un niveau ou la vision de
la globalit de la chane nest pas aise faire. De plus, la production et la distribution
peuvent tre spares par des stocks intermdiaires, et sont gres par des dpartements
diffrents au niveau de la chane ou dune entreprise. Le challenge ici est dchanger
suffisamment dinformations et un dbit suffisant pour pouvoir mettre en uvre des
ordonnancements des machines, et des transports (programme de livraison, tournes des
vhicules) qui visent rduire lensemble des cots. En outre, le systme de transport
conditionne en grande partie les performances du juste temps. En pratique, notre avis, les
liens entre production et transport dterminent lefficacit oprationnelle de la chane.
Coordination Stocks-Distribution
La gestion des stocks a t beaucoup tudie dans la littrature. Les chercheurs sy sont
intresss car les praticiens de la gestion de production considraient les surplus de stocks
comme lennemi principal de la productivit de leurs entreprises. Cependant, la gestion des
stocks nest pas, elle seule, un gage de performance pour lentreprise. Celle-ci doit savoir
grer ses stocks en liens avec les autres fonctions. Dterminer le niveau optimal des stocks est
conditionn par la capacit de production, les prvisions de la demande et des moyens de
transport. La fonction de distribution constitue le niveau en amont de la fonction de gestion de
stocks dans la chane logistique. Comme pour lquipe de relais, les relations entre les
gestionnaires des stocks et les dveloppeurs et planificateurs des programmes de distributions
doivent tre renforces. De plus, le juste temps impliquant un changement de philosophie,
ces deux fonctions doivent tre trs ractives ; les performances de lune influenant lautre.
Cette nouvelle organisation induit une plus grande frquence des livraisons par petits lots.
Pour viter de gaspiller en cots de transports les conomies effectues dans les tapes
prcdentes, lentreprise doit coordonner ces dcisions au niveau de la gestion de stocks et
41

prendre en compte les contraintes de transport dpendant de la localisation du client, de la
quantit livre, des conditions de transport (qui dpendent de la nature du produit transport,
certains produit peuvent ncessiter un mode de transport particulier). Pour tre ractif, et ainsi
ne pas perdre en efficacit, le service des transports doit avoir les bonnes informations au bon
moment de la part du service de stocks.
Dans notre thse, le but recherch est damliorer les performances dune chane logistique
par le biais de la coordination des ordonnancements au niveau oprationnel. Limportance de
loptimisation ce niveau de la chane a t pointe par (Thomas and Griffin, 1996). Dans la
littrature, les problmes dordonnancement dans la chane logistique commencent
intresser la communaut scientifique. Cet intrt est motiv par les besoins de coordination
des efforts ce niveau.
(Steiner et Salvarajah, 2006) tudient le problme dordonnancement par lots dans une
chane logistique deux niveaux du point de vue du fournisseur. Le systme du fournisseur
est modlis par un systme une machine o le traitement dun lot ncessite un temps de
rglage de la machine sil sagit dun nouveau type de produits. Ils proposent un algorithme
polynomial pour la minimisation de la somme des cots de livraisons et de possession de
stocks. (Agnetis et al, 2006) considrent deux niveaux de la chane logistique avec un
fournisseur et un ou plusieurs fabricants. Ils comparent les rsultats entre le dveloppement de
solutions localement optimales pour chacun des participants en prenant en compte sparment
leurs contraintes spcifiques. Le problme de coordination de lordonnancement au sein de
cette chane est dordonnancer simultanment les activits de tous les participants. Ils donnent
en outre certaines conditions ncessaires au bon fonctionnement dun processus de
coordination.
(Hall et Potts, 2003) tudient les bnfices et lintrt de la coordination des dcisions
dordonnancement au sein de la chane logistique. Ils sintressent la coordination des
dcisions dordonnancement, de la taille des lots, et de livraison au sein du mme niveau de la
chane, et entre les diffrents niveaux. Ils prsentent des algorithmes base de programmation
dynamique pour montrer lintrt de la coordination compare des systmes soit du point de
vue du fournisseurs, soit du point de vue du fabricant. Les aspects de coordination de
lordonnancement des machines et de tailles de lots sont traits plus spcifiquement dans
(Hall et Potts, 2005). (Ertogral et al, 2006) quant eux, intgrent la taille des lots pour
exprimer les cots de transport dans un systme impliquant deux parties (un acheteur et un
vendeur).
(Chen et Hall, 2002) comparent les effets dun systme de coopration, et dun systme
non coopratif dans le cadre dun problme de systme dassemblage o les composants sont
fournis par plusieurs fournisseurs. (Dawande et al, 2006) tudient des scnarios de
coopration diffrents niveaux entre un fabricant et un distributeur. Ils tudient les effets de
la coopration sur la minimisation des temps de non productivit chez le fabricant et les cots
de transport chez le distributeur. Ils dmontrent que la coopration gnre des effets plus
important que dans le cas o les deux parties ne coordonnent pas leurs ordonnancements.
Dautres aspects de la coordination entre fabricants et fournisseurs relatifs au partage des
bnfices sont discuts dans (Gupta et Weerawat, 2005).
(Li et Xiao, 2004) analysent et dveloppent des mcanismes de coordination au sein dune
chane logistique constitue de plusieurs fournisseurs et de plusieurs producteurs. Ces
mcanismes sont dvelopps dans le but de gnrer des profits optimaux pour lensemble de
la chane en coordonnant les dcisions de dtermination des tailles des lots des biens produits.
(Kreipel et Pinedo, 2004) tudient des modles qui intgrent la coordination entre les
niveaux de planification et dordonnancement pour le dveloppement doutils daide la
42

dcision dans les chanes logistiques. Cette coordination a pour but doptimiser les cots de
possessions de produits intermdiaires, les cots de transports, les cots de retards de
livraisons, et les cots de mise en marche des quipements. (Dauzere-Prs et Lasserre, 2002)
montrent les limites des approches traditionnelles de planification et dordonnancement de la
production. Ils observent que souvent, les dcisions prises au niveau de la planification sont
conflictuelles avec les dcisions au niveau de lordonnancement. Ils proposent une procdure
itrative deux tapes pour la minimisation des cots de stocks et de production. Ils intgrent
un module dordonnancement au niveau de la planification, non dans le but de dterminer
lordonnancement ce niveau de la chane, mais pour guider le module de planification
considrer les contraintes dordonnancement.
(Neiro et Pinto, 2004) proposent un cadre gnral pour loptimisation dune chane
logistique ptrolire avec lintgration de plusieurs aspects du niveau oprationnel lors de
ltablissement de la planification. Ce modle intgr est valable pour plusieurs priodes de
planification. Le modle propos prend en compte ce niveau la slection des matires
premires et ltablissement de leurs plans de transports, les quantits produire sous les
contraintes de qualit et de capacit, la gestion des stocks, et les programmes de livraisons des
produits finis. Ce modle est formul par un programme non linaire en nombres entiers
mixtes. Un modle de coordination au niveau tactique est propos par (Meijboom et Obel,
2007) dans le cas dune chane logistiques globale avec des infrastructures rparties dans
plusieurs pays et ayants plusieurs niveaux de fonctionnement.
(Chang et Lee, 2004) tudient le problme dintgration dans le mme modle de
lordonnancement de la production et lordonnancement des livraisons. Ils considrent une
chane logistique deux tages o le premier tage fabrique des biens, et le deuxime tage
soccupe de lexpdition de ces biens aux clients. Ils traitent en particulier le problme o les
diffrents produits ncessitent des volumes de stocks diffrents dans les moyens de transports.
Ils proposent des heuristiques avec des analyses du pire cas.
(Li et al, 2005) tudient le problme dintgration de la production et des transports des
clients se trouvant dans diffrentes localisations gographiques. Le problme tant NPdifficile, ils proposent des algorithmes base de programmation dynamique pour certains cas
spcifiques.
(Wang et Lee, 2005) tudient un nouveau problme mergeant dans la chane logistique
qui consiste en la slection du mode des transports simultanment avec lordonnancement de
la production. Ils supposent que, au niveau des transports, il y a deux modes de transport avec
des cots et des dlais diffrents. Ils proposent une approche qui intgre ces deux fonctions de
la chane pour maximiser le profit global en minimisant la somme des cots de transport et la
somme pondres des retards. Pour la rsolution du problme, ils ont dvelopp un algorithme
exact bas sur les procdures par sparation et valuation. (Pundoor et Chen, 2005) proposent
des rsultats de complexit et des heuristiques pour les cas NP-difficiles du problme de
lordonnancement conjoint de la production et des transports avec lobjectif de minimiser la
somme des cots de transport, ainsi que le plus grand retard.
(Naso et al, 2007) tudient la coordination entre la production et les transports, dans un
rseau dinfrastructures partiellement indpendantes pour garantir des livraisons en juste
temps des clients avec des localisations gographiques distribues. Il y a des contraintes
dures qui interdisent les avances et retards de livraisons par rapport une fentre de temps
donne pour chaque commande. Ils proposent une approche base sur les algorithmes
gntiques.
(Huang et Iravani, 2007) tudient le cas de deux niveaux de la chane logistique qui sont un
producteurs pour le premier niveau, et deux dtaillants pour le second niveau. Le producteur
43

ayant des entrepts mais avec des capacits limits et un cot de stockage. Ils proposent des
politiques pour avoir une coordination optimale entre la production et le niveau des stocks en
utilisant des outils de partage dinformations.
1.5 Conclusion
Dans ce chapitre, nous avons expos les concepts lis la chane logistique et
lordonnancement dans une moindre mesure. Nous avons vu la complexit des chanes
logistiques, leurs composantes, les participants, les mesures de performances, les mthodes
proposes pour leurs modlisations, et le supply chain management. A travers lensemble des
dfinitions que nous avons donn, nous remarquons la difficult de situer la notion de chane
logistique. Cette dernire dpend de la nature du produit ou du service fourni, et de la nature
des relations entre les participants.
Nous avons ensuite introduit les problmes dordonnancement, et tout particulirement le
flowshop. La notion du juste temps, ses exigences, les facteurs de sa mise en uvre et
comment y arriver, sont exposs. Enfin, nous avons cltur ce chapitre par une tude
bibliographique sur les problmes de coordination dans la chane logistique au niveau
oprationnel, cest dire au niveau de lordonnancement.
A notre connaissance, il nexiste pas dans la littrature de travaux de recherche
bibliographique qui prennent en compte en mme temps la coordination et laspect
ordonnancement simultanment. Cela est d au fait que les chercheurs ne se sont intresss
lordonnancement dans la chane logistique que tout rcemment.
Vu la complexit des chanes logistiques, beaucoup de problmes ont t tudis
notamment pour la conception et la modlisation de la chane. Le problme principal tudi
dans cette thse est original, et na jamais t tudi dans la littrature. Dans le chapitre
suivant, nous donnons le formalisation du problme et nous expliquons lapproche de
rsolution adopte.
44
2 Chapitre 2: Le Problme et lApproche
retenue
Rsum
Dans ce chapitre, est prsent le principal problme tudi dans cette thse. Nous prsentons
larchitecture gnrale de la chane logistique dans laquelle nous tudions des problmes
dordonnancement en juste temps. Pour un systme globale semi dcentralis, nous
proposons un mcanisme de ngociation entre les partenaires pour permettre la mise en uvre
du juste temps, et pour garantir la convergence du systme global dans le respect des
contraintes de dates de disponibilit des matires premires, et des dates de livraisons des
produits finis.
Chapitre 2 : Le problme et lapproche retenue
46
2.1 Introduction
Dans le prsent chapitre, nous allons dtailler le problme tudi qui constitue la majeure
partie de cette thse. Il sagit du problme de ngociation sappuyant sur des fentres de temps
strictes ou souples au niveau de lordonnancement dans la chane logistique.
Comme on la dj dit dans ce mmoire, la globalisation a forc les entreprises et les
groupes dentreprises devenir plus comptitives au risque de perdre des parts de march. De
plus en plus dentreprises grossissent en fusionnant avec dautres entreprises pour former
un ensemble beaucoup plus performant. Dans cet environnement fortement concurrentiel, les
entreprises se doivent de rduire leurs cycles de dveloppement, leurs dlais de livraisons,
leurs cots de fonctionnement. La chane logistique tant un rseau dorganisations
regroupant diffrents partenaires qui peuvent appartenir diverses entits indpendantes les
unes des autres, dont le but commun est de faire du profit (Goldratt, 2007). Pour atteindre cet
objectif, chacun des partenaires ralisent des activits dans la chane pour donner de la valeur
ajoute au produit ou au service qui lui est fourni par le niveau en amont de la chane. Ces
activits doivent tre coordonnes pour garantir un fonctionnement global optimal. Les
participants la chane ne doivent pas se comporter comme des concurrents mais comme des
partenaires partageant le mme but et prenant des risques en commun. En effet, si les services
de vente narrivent plus couler leurs produits ou services, ils ne feront plus de commandes
aux producteurs, qui eux mmes ne feront plus de demandes en matires premires ou en
composants leurs fournisseurs, et ainsi de suite. En outre, un manque de coordination peut
engendrer une mauvaise qualit de service, dtriorer la qualit du produit, augmenter les
cots de fonctionnement et surtout ternir limage de lentreprise.
Les cadres et dirigeants dentreprises ont commenc admettre la ncessit de dvelopper
des outils de coordination avec leurs autres partenaires aux niveaux des chanes logistiques
auxquelles ils appartiennent. Il reste donc dfinir ces outils, et les moyens de leur mise en
uvre. Cette coordination est matrialise par un processus de ngociation avec les
partenaires. Le plus souvent, dans la littrature, la ngociation a t tudie pour les niveaux
les plus hauts de la chane, cest dire les niveaux stratgiques et tactiques. Aussi, la
ngociation est tudie dans le contexte de prise de dcisions centralis. Cette hypothse
restreint le champs dutilisation pratique de ces recherches car destines la coordination de
parties isoles de la chane (appartenant la mme entit juridique), et nont donc pas de
vision globale de la chane. Ces modles de ngociations peuvent gnrer de bonnes solutions
pour les parties concernes, seulement, au niveau de la chane, ces solutions sont locales. On
rappelle ici que la somme doptima locaux ne donne pas gnralement une solution globale
optimale, le plus souvent a a des effets nfastes sur le reste des composantes. Dans ce
contexte il faut trouver une stratgie gagnant-gagnant pour lensemble des participants de la
chane.
Plusieurs modles de ngociation centralise ou semi-centralise ont t proposs
rcemment dans la littrature. (Dudek et Stadtler, 2005) tudient le problme de
synchronisation des planifications entre deux entits indpendantes dune chane logistique
lies par des flux de matires. Le modle de ngociation est bas sur un processus itratif pour
dterminer les quantits approvisionner ou livrer, ou bien modifier des plannings dj
tablis. Les planifications sont gnres par des modles de programmation mathmatique.
Jung et al. (2006) proposent un processus itratif de ngociation entre un acheteur (rseau de
distribution) et un vendeur (rseau de production) dans une chane logistique prise de
dcisions dcentralise car les deux entits appartiennent des organisations diffrentes. Cette
chane est dirige par le distributeur. Ce dernier formule des commandes avec des quantits et
des prix fixs par le march, et met ses commandes au producteur qui lui communique la
47

quantit de produits (de diffrents types) quil peut approvisionner. Les auteurs montrent que
leur modle fournit des rsultats proches de ceux gnrs par des systmes de prise de
dcisions centralises ncessitant un partage complet dinformation, alors que dans leur
modle seules les informations concernant les quantits demandes et les quantits fournies
sont partages.
Lune des techniques souvent utilises pour modliser une chane logistique ou bien pour
modliser un processus de ngociation en son sein est le systme multi-agents. Lin et Lin (Lin
et Lin, 2006) les utilisent pour intgrer des techniques de ngociation pour le problme de
satisfaction de commandes dans une chane logistique. Ce problme est modlis par un
problme de satisfaction de contraintes distribu. La ngociation est utilise pour coordonner
les dcisions distribues concernant la satisfaction de commandes. Jiao et al. (Jiao et al., 2006)
utilisent un systme multi-agents pour laborer un cadre de ngociations au sein dune chane
logistique manufacturire o il existe plusieurs centres de dcisions autonomes ou semi
autonomes. Pour leur part, Monteiro et al. (Monteiro et al, 2007) proposent un systme multiagents pour une chane logistique multi-sites.
Neubert et al. (Neubert et al, 2004) proposent une architecture avec des agents pour
dvelopper un processus automatique de ngociations de contrats avec les fournisseurs dans le
cadre dun rseau dunits de production autonomes. Ce modle est bas sur des propositions
et des contre proposition sur les prix, les dates de livraisons et les quantits livrer, le tout
chapeaut par des agents pour garantir lharmonisation du systme global.
Dans sa thse au sein de lquipe Macsi du Loria, (Ouzizi, 2005) propose des outils pour
les partenaires dune chane logistique qui dsirent se structurer en entreprise virtuelle pour
mieux coordonner leurs activits de planification de la production et de la distribution , ainsi
quune architecture informatique comme support pour la ngociation entre les diffrents
partenaires pour tablir la planification co-dcide. Elle utilise une stratgie de ngociation
itrative et convergente dans un environnement semi distribu pour calculer des plannings de
production cohrents partir de donnes qui sont les courbes cumules dapprovisionnement
et de livraison qui peuvent tre souhaites, imposes, ou calcules. Une architecture en
systme multi agents est propose pour modliser le systme global. Parmi les mthodes de
rsolutions utilises on trouve les algorithmes gntiques et la programmation linaire.
Le problme de ngociation tudi dans cette thse est une continuation du travail effectu
par (Ouzizi, 2005) et (Ouzizi, 2006). Les travaux prcdents se situent au niveau tactique de la
chane logistique. Les modles dvelopps pour la planification ne peuvent tre efficaces que
si les ordonnancements et les dcisions prises au niveau oprationnel sont cohrents avec les
plannings provenant du niveau suprieur. Au niveau oprationnel de la chane, rares sont les
travaux raliss, car dans la communaut scientifique on semble prfrer se focaliser sur les
niveaux stratgique et tactique. Dans une logique de continuation dans notre quipe de
recherche, et aprs avoir tudi et propos des modles de planification et de ngociation au
niveau tactique, nous tudions dans la prsente thse les problmes de coordination au niveau
oprationnel. Cette coordination est mise en uvre via un processus de ngociation.
Larchitecture de la chane logistique considre est dcrite dans la section 2 de ce chapitre
avec les relations entre les diffrents partenaires, les hypothses de fonctionnement, ainsi que
les contraintes et lobjectif optimiser. Dans la section 3 est dcrit le schma global de la
ngociation et de la mthode de rsolution propose.
48
2.2 Dfinition du problme

2.2.1 Fonctionnement gnral
Nous considrons une chane logistique compose de plusieurs entreprises indpendantes.
Lindpendance des partenaires implique des centres de dcisions indpendants. Nous nous
retrouvons donc dans le cas de prise de dcision distribue (dcentralise ou semidcentralise). La prise de dcision distribue est le scnario le plus plausible dans la ralit.
En effet, rares sont les rseaux ou les chanes logistiques dont toutes les composantes
appartiennent la mme entit juridique. Nous distinguons trois composantes principales du
systme global de chane logistique tudi : les fournisseurs externes (nappartenant pas la
chane), la chane logistique, et un ensemble de clients externes (nappartenant pas la
chane). La figure 3.1 illustre son schma gnral.
Fournisseur 1
externe
Fournisseur 2
externe
Fournisseur n
externe
L
I
V
R
A
I
S
O
N
S
Chane
logistique
L
I
V
R
A
I
S
O
N
S
client 1
externe
client 2
externe
client m
externe
Figure 2.1 Schma gnral de la chane logistique.
Les fournisseurs approvisionnent le systme de chane logistique en matires premires et

composants. La chane logistique au centre de ce systme est elle mme compose de
plusieurs nuds lmentaires juridiquement indpendants. Comme le montre la figure 2.2, il
peut y avoir des liens entre nimporte quel couple de nuds, on nimpose pas de structure
linaire entre les nuds. A lintrieur de la chane logistique on dispose de systmes de
production qui fabriquent des produits finis qui sont dlivrs aux clients externes selon un
programme de livraison et des quantits tablis en avance (au niveau planification).
49
Figure 2.2 les lments de la supply chain.
Chacun des nuds lmentaires est un systme de production capable de fabriquer des
produits semi-finis, ou des produits finis. Il peut avoir des liens avec des fournisseurs
externes, comme il peut tre approvisionn en composants ou sous produits par dautres
nuds de la chane logistique. Une telle structure est illustre par la figure 2.3 suivante :
Fournisseur 1
externe
Nud n1
Fournisseur n
externe
L
I
V
R
A
I
S
O
N
S
Systme de
production
L
I
V
R
A
I
S
O
N
S
client 1
externe
noeud n2
Nud m
Figure 2.3 Interactions entre les diffrents lments de la supply chain.
Les centres de dcisions des centres de production dans le systme global de production
tant indpendants, chacun dentre eux construit son ordonnancement par rapport son plan
de production. Une telle approche totalement dcentralise peut mener vers un
ordonnancement global compltement dsquilibr. A certains moments, on peut avoir des
quantits en surplus de certains composants et un manque dans dautres types de composants,
ce qui peut mener vers un niveau de stocks lev, des retards de livraisons et des temps
doisivet (donc de non productivit). Une synchronisation des activits au sein du systme
50

global de production savre donc ncessaire. Nous choisissons donc un systme de dcision
distribu semi-dcentralis dans lequel les partenaires se partagent une mmoire commune et
se mettent daccord sur un ensemble de rgles de fonctionnement (aux niveaux tactiques et
oprationnels) pour garantir la convergence du processus global de ngociation
(ventuellement par la relaxation de certaines contraintes dans le cas de labsence de solutions
faisables pour le problme initial). Un schma du processus de pilotage semi-dcentralis est
donn par la figure 2.4.
Pilotage semi-dcentralis
Mmoire commune + rgles de fonctionnement
CD 1
CD 2
CD 3
..
CD n
CD : centre de dcision
Figure 2.4 schma du processus de pilotage semi-dcentralis.
2.2.2 Exemple
Pour mieux comprendre le systme global, nous illustrons par un cas particulier o le
systme de production, lintrieur de chaque nud lmentaire, est compos de deux tages.
Le premier tage est un ensemble de centres de production indpendants (avec des centres de
dcisions indpendants) qui reoivent les matires premires et les composants des
fournisseurs externes et les transforment en composants ou produits semi-finis. Les produits
semi-finis fabriqus par le premier tage sont achemins vers le deuxime tage qui consiste
en un centre dassemblage de produits finis. Nous supposons que les temps de transport entre
les centres de productions sont pris en compte par des contraintes dcart temporel (time lags).
Les centres de production du premier et du deuxime tages sont modliss par des
flowshop (ou ventuellement jobshop). Nous avons choisi la modlisation par des structures
dateliers acheminement unique (flowshop) car cest la structure la plus utilise dans
lindustrie surtout en ce qui concerne lassemblage de composants.
Au premier tage, les centres de productions peuvent tre vus comme des lignes de
flowshop en parallle comme illustr par la figure 2.5.
51
Figure 2.5 premier tage du systme de production.
Les flowshops sont forms par des machines en srie sur lesquelles passent les composants
pour ajouter de la valeur. Le nombre de machines diffre dun flowshop un autre. A chaque
flowshop est associ un centre de dcisions qui ngocie les dates dapprovisionnement avec
les fournisseurs des composants et des matires premires. Le deuxime tage est aussi un
flowshop, un atelier dassemblage de produits finis partir des produits semi-finis fournis par
les centres de production. Un schma du fonctionnement gnral de cet tage est illustr par la
figure 2.6.
Figure 2.6 fonctionnement du deuxime tage du systme de production.
52
Une opration dans le premier tage ou bien dans le deuxime nest ralise que si tous les
composants ou les produits semi-finis ncessaires son excution sont disponibles. Ceci
implique des dpendances entre ces diffrents centres pour tablir leurs ordonnancements.
Des ngociations sont donc souhaites pour mener lensemble du systme vers un tat de
fonctionnement optimal. Les centres de dcisions ngocient des dates de disponibilit (release
dates) avec leurs fournisseurs, et des dates de livraisons (due dates) avec les clients finaux.
Des dates dures (impratives) de disponibilit des composants (hard release dates), et des
dates dures de livraison des produits finis (hard due dates) sont des contraintes impratives,
leur non respect implique une infaisabilit de la solution propose par le processus de
ngociation. Les dates flexibles (souples ou souhaites) de disponibilit et de livraison
induisent des pnalits davances et de retards par rapport ces dates. Il sagit donc de
fentres de temps associes aux demandes dapprovisionnement et aux commandes. Cet
intervalle reprsente la priode de temps pendant laquelle une livraison ou un arrivage de
composants est considr comme faisable (cest dire respectant les contrats tablis
pralablement, ou des contraintes physiques incompressibles). La somme totale des pnalits
davance et de retard de chaque arrivage ou livraison par rapport sa date souhaite
reprsente le cot total de la solution.
Comme nous nous intressons aux ordonnancements au niveau oprationnel, nous
supposons que les planifications des transports, de la production, des volumes associs
chaque famille de produits, de composants ou de produits semi-finis sont pris en compte au
niveau tactique. La transformation de ces plannings en commandes, et laffectation de ces
commandes aux centres de production sont galement tablis entre le niveau tactique et le
niveau oprationnel.
Dans ce qui suit, nous donnons un rcapitulatif des hypothses, de larchitecture, et des
rgles de fonctionnement de lensemble de la chane.
Le premier tage
Les centres de production dans cet tage ngocient les dates des arrives des
composants avec les fournisseurs externes.
Le premier tage du systme de production fabrique les sous-produits (ou produits

semi finis).
Tous les composants et les matires premires associes une opration doivent tre
disponibles avant de la commencer sur les lignes du premier tage.
Il est organis en lignes de production, une ligne pour chaque type de sous produit.
Chaque ligne tant un flowshop.
Chaque ligne contient un nombre donn de machines.
Chaque type de sous produit utilise un nombre donn de composants.
Chaque composant est utilis sur une seule machine.
Les lignes de production fonctionnent en parallle, et dpendent de centres de

dcisions diffrents.
Chaque sous produit en cours dlaboration passe un temps dexcution diffrent

dune machine une autre qui dpend du sous produit et de la ligne de production sur
laquelle il se trouve.
Les flowshops peuvent avoir des localisations gographiques diffrentes.
53

Les composants et les produits semi finis fabriqus sont achemins vers le centre
dassemblage (le deuxime tage).
Les sous produits sont regroups en srie et une srie de sous produits nest jamais
interrompue. Le dcoupage en sries est effectu avant lordonnancement.
Le deuxime tage
Il sagit dune seule ligne de production compose dun nombre donn de machines
pour l assemblage de sous produits en produits finis (fentres de temps pour les
release dates).
On y fabrique diffrents types de produits finis.
On a besoin des sous produits rsultants du premier tage de production pour fabriquer
les produits finis.
Chaque produit a besoin dun certain nombre de sous produits, chaque sous ensemble
de sous produits est assembl sur une machine ddie.
Chaque famille de produits finis est dfinie par le nombre et le type de chaque sous
produit quelle utilise.
Tous les sous produits doivent tre disponibles avant de commencer lexcution
(assemblage) dun produit.
Les produits finis fabriqus sont expdis vers les clients.
Le centre de dcision ngocie des dates de livraisons avec les clients (fentres de
temps pour les due dates).
Une srie de produits correspond un travail (job), et nest jamais interrompue, mais
une commande a pu tre dcoupe en plusieurs sries au niveau suprieur. Chaque
srie de sous produits du premier tage est affecte une et une seule srie de produits
du deuxime tage.
La figure suivante (2.7) montre les diffrents participants de la chane logistique et leurs
interactions.
54
Figure 2.7 interactions entre partenaires et pilotage semi-dcentralis.
55
2.3 Problme de JIT particulier la thse

2.3.1 Hypothses gnrales
Outre les notations // que nous continuons dutiliser et qui dfinissent toujours
parfaitement tout problme dordonnancement, nous proposons des sigles spcifiques aux
problmes dordonnancement datelier en juste temps que nous considrons dans cette thse
de manire mieux mettre en vidence les problmes les plus gnraux et leurs cas
particuliers.
Notre sigle commence toujours par les trois lettres JIT et signifie que les critres que nous
utilisons sont exclusivement des critres davance et de retard. Ces trois lettres sont suivies de
la partie dcrivant la structure datelier considr si les travaux sont dfinis par des gammes,
comme par exemple :
JIT-1 : pour les problmes une machine,
JIT-F : pour les problmes de type flow-shop,
JIT-Fperm : pour les problmes de type flow-shop de permutation
JIT-J : pour les problmes de type job-shop
JIT-prec : pour les problmes dont les gammes sont donnes par des contraintes de
prcdence entre les oprations (exemple : les problmes dassemblage).
Lorsque les ventuels conflits entre les oprations qui utilisent les mmes ressources ont
t levs en choisissant lordre de passage (ou squence de passage) des oprations en conflit
sur les ressources (en supposant que larbitrage effectu na pas cr de circuit), on obtient des
cas particulier des problmes prcdents que lon distingue en ajoutant Seq au sigle
retenu, comme par exemple :
JIT-1-seq, JIT-F-seq, JIT-Fperm-seq, JIT-prec-seq et pour dsigner le problme gnral
datelier o les conflits ont t levs : JIT-seq (la partie description de latelier nest plus
prcise).
La deuxime partie de notre sigle concerne la manire de construire le critre davance et
de retard minimiser.
Dans le cas le plus gnral qui correspond aux problmes rsolus dans cette thse, toute
opration (considre ici comme non interruptible) ninduit aucun cot davance (ou de
retard) si son dbut est plac sur un intervalle dit idal . Elle induit un cot proportionnel
lavance si elle commence strictement avant le dbut de lintervalle idal et un cot
proportionnel au retard si elle commence strictement aprs la fin de lintervalle idal. Il est
noter que si on dfinit plusieurs intervalles idaux que lon associe la mme opration,
on peut dfinir ainsi une fonction de pnalit convexe, continue et linaire par morceaux
autour de lintervalle idal associ lopration (ventuellement rduit un point).
Le problme gnral sera not JIT/op(E-T) ou encore JIT/op(E-T, w=1) ou JIT/op(ET, w=k) qui signifie que tout opration peut avoir un ou plusieurs intervalles idaux et on
peut prciser sil ny en a au plus 1 ou sil peut y en avoir plusieurs. Par ailleurs, le signe
rappelle quil sagit dune somme de pnalits davance et de retard.
Il sagit ici dintervalle flexible ou mou et on pourrait, en principe, placer lopration
nimporte o (y compris sur les valeurs ngatives de laxe temps). On suppose en fait que
toute opration doit tre place sur un horizon dfini par lintervalle de temps [0,H]. On
suppose toujours que les instants de dbut des oprations sont positifs, il nest donc pas
56

ncessaire de linclure dans le sigle. Par contre, sil est important de rester dans lhorizon H,
on lindique dans le sigle : JIT/op(E-T,H), de mme, sil existe des contraintes strictes
respecter pour le dbut au plus tt et au plus tard des oprations, on lindique dans le sigle :
JIT/op(E-T,hw) o hw signifie Hard Windows (ou date au plus tt et au plus tard
impratives ou fentres impratives).
Des cas particuliers ont t considrs dans cette thse, lorsque lon considre que seules
les premires et les dernires oprations dun travail impliquent des ngociations avec lamont
et/ou laval de la chane logistique. Nous utilisons des notations pour dfinir ces cas
particuliers qui peuvent permettent dutiliser des mthodes de rsolution simplifie.
JIT/job(E1-Tm) correspond au cas trs particulier o on ne considre des pnalits
davance que pour la premire opration de chaque travail et des pnalits de retard que pour
la dernire opration de chaque travail.
JIT/job(E1-T1-Em-Tm) correspond au cas particulier o on considre des pnalits
davance et de retard pour la premire et pour la dernire opration de chaque travail, car on
peut ngocier en amont et en aval de la chane logistique des avances et/ou des retards.
En ce qui concerne les mthodes de rsolution que nous prsentons dans le chapitre 4, on
peut dj signaler que le problme JIT-seq/job(E1-Tm, w=k) peut tre rsolu avec la
mthode classique connue du Pert Cot, mieux, on peut acclrer lalgorithme primal en
tenant compte de la position particulire dans le graphe de prcdence des arcs qui peuvent
tre compresss.
Par contre le problme JIT/job(E1T1-Em-Tm) et plus gnralement JIT/op(E-T)
ncessite une adaptation de la mthode du Pert Cot o il faut grer non seulement des arcs
que lon contracte, mais galement des arcs que lon dilate.
Nanmoins, les arcs compresss et les arcs dilats sont toujours adjacents la source et au
puits, ce qui permet de conserver lamlioration de la mise en uvre de lalgorithme primal
du Pert Cot.
2.3.2 Le problme dordonnancement en juste temps

On a vu quaprs lintroduction des fentres de temps souples et dure (ventuellement
virtuelles) entre les diffrents centres de dcisions, les ordonnancements de ces derniers
deviennent compltement indpendants. A lintrieur de chaque centre de dcisions on a donc
un problme dordonnancement en juste temps avec comme fonction objective de minimiser
la somme des avances et des retards par rapport aux dlais ngocis. Nous ne prenons pas en
compte ici dautres critres comme la minimisation des stocks, ou la somme des heures
supplmentaires, ou les cots de sous-traitance, maintenance...
Pour le problme particulier o on na des pnalits davance et/ou de retards que sur les
premires et dernires oprations de chaque job, on considre que les centre de production
sont organiss en atelier de type flowshop, et que les dates souhaites et impratives de
disponibilit (soft and hard release dates) sont associes aux premires oprations de chaque
job (ceci est logique si tous les composants externes sont assembls sur la premire machine
puis transports sur les machines suivantes. Cest la date dexcution de la premire opration
de chaque job qui dtermine alors sil est en avance ou en retard par rapport sa date de
disponibilit) ; et que les dates souhaites et impratives de livraison (soft et hard due dates)
sont associes la dernire opration de chaque job (cest la date dexcution de la dernire
opration de chaque job qui dtermine si le produit correspondant est en avance ou en retard
par rapport sa date de livraison). En utilisant la notation classique en ordonnancement
57
/ / , nous pouvons donner la notation suivante chaque problme dordonnancement

interne : F / ri , ri , d i , d i / r ,i Eir + r ,i Ti r + d ,i Eid + d ,i Ti d . Tel que :
F : dcrit une structure datelier en flowshop.
E ir et E id sont les avances par rapport ri , d i respectivement.
Ti r et Ti d sont les retards par rapport ri , d i respectivement.
Il est noter quvidemment, une opration ne peut tre la fois en avance et en retard la
fois.
Dune manire plus gnrale, et si nous supposons que les dates souhaites et/ou
impratives peuvent tre associes nimporte quelle opration, alors nous dcrivons le
problme par la notation suivante : J / t min j , t *j , t max j / j E j + j T j tel que :
t *j : est la date dexcution idale de lopration j .

t min j , t max j sont respectivement les dates minimales et maximales autorises

pour lopration j .
Pour rsoudre ce problme localement au sein de chaque centre de dcision, nous

proposons une mthode par dcomposition. Une solution du problme est donne par la
squence (permutation ou ordre) de lexcution des jobs. Si nous supposons que cette
squence est donne ou fixe, alors nous devons calculer la date de dbut dexcution de
chaque opration sur toutes les machines de latelier avec autorisation de temps morts (idle
times) car notre critre est irrgulier (on peut lamliorer en retardant des oprations). Les
squences de jobs sont explores par une mta-heuristique et sont modlises par des
chromosomes.
Dans le cas o une squence est donne par un chromosome, nous avons les notations
suivantes
des
problmes
simplifis
r
r
d
d
Fseq / ri , ri , d i , d i / r ,i Ei + r ,i Ti + d ,i E i + d ,i Ti
ou
bien
j seq / t min j , t *j , t max j / j E j + j T j . Ce problme est quivalent un problme de

PERT cot. Nous prsentons avec plus de dtail lvaluation des chromosomes dans le
chapitre 4.
La recherche de bonnes solutions faisables seffectue avec des mthodes approches. Nous
avons choisi des mta-heuristiques du type volutionniste (les algorithmes gntiques) et aussi
du type recherche par voisinage (le recuit simul). Nous gnrons des squences avec ces
mthodes que nous valuons avec la mthode du PERT cot. Nous dtaillons ces approches
de rsolutions dans le chapitre 4.
2.3.3 Notations
Pour ce problme nous adoptons les notations suivantes tout au long du prsent chapitre.
Pour le problme gnral :
Les donnes
L : le nombre de lignes (centres de production) au premier tage.
l = 1,.., L
: indice de la ligne.
58
L +1
M l : nombre de machines sur la ligne l .
M L +1
m j ,l : indice de la machine j de la ligne l .
N l : nombre de jobs sur la ligne l .
Pi , j ,l : temps dexcution de lopration du job i sur la machine j de la ligne l .
ri , j : date de disponibilit souhaite (soft release date) associe lopration du job i
: indice de la ligne dassemblage (deuximes tage).
: nombre de machines sur la ligne dassemblage.
sur la machine j .
: date de disponibilit imprative (hard release date) associe lopration du job
ri , j
sur la machine j .
d i, j
: date de livraison souhaite (soft due date) associe lopration du job i sur la
machine j ..
d i, j
: date de livraison imprative (hard due date) associe lopration du job i sur la
machine j ..
r i , j : pnalit davance par unit de temps par rapport ri associe lopration du
job i sur la machine j .
d i , j : pnalit de retard par unit de temps par rapport ri associe lopration du
job i sur la machine j ..
r i , j : pnalit davance par unit de temps par rapport d i associe lopration du
d i , j : pnalit de retard par unit de temps par rapport d i associe lopration du

Pour le cas particulier du JIT/job(E1-T1-Em-Tm)
: nombre de machines.
mj
: indice de la machine j .
: nombre de jobs.
Pi , j
: temps dexcution de lopration du job i sur la machine j .
: date de disponibilit souhaite (soft release date) associe la premire opration

du job i .
: date de disponibilit imprative (hard release date) associe la premire

opration du job i .
di
ri
ri
: date de livraison souhaite (soft due date) associe la dernire opration du job
i.
59
: date de livraison imprative (hard due date) associe la dernire opration du

job i .
r i : pnalit davance par unit de temps par rapport ri associe au job i .
d i : pnalit de retard par unit de temps par rapport ri associe au job i .
r i : pnalit davance par unit de temps par rapport d i associe au job i .
d i : pnalit de retard par unit de temps par rapport d i associe au job i .
di
Variables
a i, j
: date de dbut dexcution de lopration correspondant au job i sur la machine
j.
Fonction objective
minimiser la somme des avances et des retards par rapports aux dates souhaites de
disponibilits des composants, et de livraison des produits finis.
2.4 Approche de rsolution du systme global

2.4.1 Description Gnrale
Nous cherchons une solution globale au problme en utilisant une approche itrative de
ngociation base sur une dcomposition spatiale du problme global. Cette approche inclut
des ngociations bilatrales entre les centres de dcisions des centres de production et la
mmoire commune (pilotage semi-dcentralis) qui est charge de garantir la convergence du
processus global via la satisfaction des contraintes impratives sur les dates des arrives des
composants et les dates de livraisons des produits finis. Cette approche semi-dcentralis
assure le contrle du systme global en respectant lindpendance des entits participantes.
Lobjectif de la coordination des ordonnancements au sein de la chane globale est de
minimiser une fonction des pnalits davance et de retards par rapports aux dates souhaites
(que ce soit avec les fournisseurs externes ou bien avec les clients externes). Une telle
fonction objective implique un ordonnancement en juste temps lintrieur de chaque centre
de production. Le schma global du processus de ngociation est montr par la figure 2.8.
60
Figure 2.8 schma global du processus de ngociation.
Cette figure montre que chacun des centres de dcisions a un problme dordonnancement
en juste temps quil doit grer indpendamment, dans une certaine mesure, des autres
centres. Les dates de disponibilits ayant t ngocies entre les centres de dcisions du
premier tage et les fournisseurs externes, et les dates de livraisons entre les clients externes et
le centre dassemblage ; le tout pilot par les dcisions prises au niveau de la planification (en
termes de volumes des composants). Le but est de coordonner les ordonnancements en juste
temps lintrieur du systme global de production afin de satisfaire les commandes et de
minimiser les cots induits par les avances/retards par rapport aux dates fixes.
2.4.2 Processus de ngociation

Nous reprenons ici lide utilise au niveau tactique (planification) de dates souhaites et
dates impratives sur les courbes cumules des arrives de composants et de livraison des
produits finis avec des pnalits davance et de retard ngocies par les partenaires de la
chane logistique, en remplaant les dates sur les courbes cumules par des fentres de temps
sur les oprations formant les travaux (jobs) ordonnancer dans chaque centre de production.
Chaque commande mise par un client est convertie en un ou plusieurs jobs si la
fabrication se fait par lots (ce qui est trs souvent le cas dans lindustrie). Un job correspond
donc un produit, ou bien des sries insparables de produits, pour lesquels le dtail des
paramtres de lordonnancement sont connus : les centres de production visiter, la
nomenclature du produit (les sous produits et composants ncessaires sa fabrication, et les
dates de disponibilits sur la premire machine de latelier dans lequel ils vont tre traits).
Les contraintes de dates souhaites ou impratives de disponibilits ne sont associes quaux
premires oprations de chaque job. De la mme faon, les contraintes de dates souhaites ou
impratives de livraisons ne sont associes quaux dernires oprations de chaque job. Nous
supposons que les dates de livraisons (impratives et souhaites) ont t promises aux clients
externes (qui nappartiennent pas la chane logistique), et que les dates de disponibilits
(impratives et souhaites) ont t ngocies (des dates fermes pour la plupart cause des
frais de transport et des dlais) avec les fournisseurs externes (qui nappartiennent pas la
chane logistique).
Les mthodes itratives avec dcomposition spatiale pour traiter des problmes
dordonnancement ne sont pas des mthodes nouvelles, elles ont dj t utilises pour des
61

problmes avec des critres comme la somme pondre des retards (Portmann, 1988) (Chu et
al, 1992). Lide gnrale du processus itratif que nous proposons est dorienter lensemble
de la chane logistique vers une stratgie gagnant-gagnant via le partage de certaines
informations non critiques pour la stratgie concurrentielle de chacun des partenaires.
Lide dassocier des fentres de temps aux jobs est illustre par la figure 2.9 sur un
exemple simple dassemblage dun produit.
Centre de dcision 1
D
RA
rA
DE
DE
B
Centre de dcision 3
C
RC
rC
Centre de dcision 2
Figure 2.9 dpendances entre les centres de dcisions (Portmann et Mouloua, 2007).
La figure 2.9 montre un systme de production compos de deux centres de production

indpendants et dun centre dassemblage. Les liens sont illustrs sur un type de produit
particulier, le produit E. Le produit E ncessite deux sous produits (A et C). Le sous produit A
est fabriqu par le premier centre de production et ncessite deux oprations. Le sous produit
C ne ncessite quune seule opration dans le deuxime centre de production. Enfin,
lassemblage du produit fini E ncessite deux oprations dans le centre dassemblage, lune
qui modifie B et lautre qui assemble B et C (on est donc dans le cas gnral de fentres de
temps sur toutes les oprations). Les dates souhaites et impratives de livraison du produit E
sont donnes par dE et DE. Les dates souhaites et impratives de disponibilit des sous
produits ncessaire lassemblage du produit fini sont donnes par rA, RA, rC et RC.
Si on tait dans un systme de chane logistique pilotage centralis, on naurait eu quun
seul centre de dcision qui construirait un seul ordonnancement en juste temps englobant
tous les centres de production et dassemblage dans le mme problme, avec comme objectif
la minimisation des cots de production et la somme totale des pnalits davance et de
retards, en respectant les contraintes sur les dates darrives et de livraisons avec les
partenaires externes. Comme nous nous mettons dans un systme pilotage semi-dcentralis
du systme global, les centres de dcisions restent autonomes et chacun dentre eux construit
seul son ordonnancement en juste temps et ngocie les dates souhaites et les dates
impratives avec les autres partenaires de la chane logistique afin darriver la meilleure
solution globale de tout le systme qui prenne en compte les intrts de chacun deux. La
ngociation entre les diffrents centres de dcisions est ncessaire car ils sont interdpendants.
Le rsultat final des ventes de produits finis dpend de tous les partenaires.
Pour organiser le processus global de production, les partenaires au sein du systme
doivent partager des informations relatives la livraison et la disponibilit de leurs sous
produits pour le centre dassemblage. Il faut donc introduire des fentres de temps pour
dterminer les dates souhaites (soft) de livraisons de sous produits par les centre de
production du premier tage, ce qui correspond aux dates de disponibilit souhaites (soft) de
62

ces sous produits pour le deuxime tage (systme dassemblage). Ces fentres de temps
serviront organiser le processus global de ngociation. Elles seront appeles virtuelles
parce quelles ne sont pas imposes, et elle varieront au cours du temps durant le processus de
ngociation pour ajuster les ordonnancements en juste temps de chaque centre de dcision.
Sur lexemple de la figure 2.9, les dpendances entre le centre dassemblage et les deux
autres centres de production impliquent la communication des dates auxquelles les sous
produits sont disponibles pour lassemblage. Lintroduction de fentres virtuelles soft donne le
schma illustr par la figure 2.10.
Fentre virtuelle soft
dB = rD
RA
rA
dE
DE
B
RC
rC
Dc = rE
Figure 2.10 association des fentres de temps virtuelles aux jobs (Portmann et Mouloua, 2007).
Dans cette figure, la ligne dassemblage permet le dbut de la fabrication mme sil y a des
sous produits qui ne sont pas encore disponibles. En effet, le traitement du sous produit D peut
commencer car il ne ncessite que le sous produit B, on na besoin du sous produit C qui est
fabriqu par le deuxime centre de production que sur la deuxime machine.
Pour dterminer les fentres de temps virtuelles soft initiales pour chaque centre de
production, nous pouvons utiliser les dates souhaites de disponibilit et les dates de
livraisons pour chaque sous produit du produit final et leurs temps dexcution travers une
fonction qui, par exemple, va calculer la longueur des fentres proportionnellement la
somme des temps dexcution. Les fentres de temps virtuelles hard initiales se calculent
aussi en suivant certaines rgles. Par exemple, au dbut du processus, elles peuvent tre
grandes (pour que le systme puissent trouver une solution initiale admissible qui sera
amliore dans chaque itration), ceci peut tre obtenu en considrant que les ateliers ne
traitent que ce produit en effectuant un ordonnancement cal gauche sur sa date de
disponibilit imprative ou bien sur la date de disponibilit imprative de lopration qui la
prcde pour les dates de disponibilit. On peut utiliser un processus analogue en remplaant
cal gauche par cal droite pour les dates de livraisons. Les dates de disponibilit ou
de livraisons peuvent tre associes nimporte quelle opration dont les prdcesseurs ou les
successeurs appartiennent un autre centre de dcision. Dans ce cas, on peut considrer des
contraintes dcart temporel minimales pour modliser les temps de transport. Des pnalits
virtuelles seront associes aux fentres virtuelles de faon uniforme (sur les partenaires) avec
des possibilits dajustement dans les centres autonomes par exemple pour soulager une
machine surcharge.
Aprs lattribution des fentres virtuelles (soft et hard) initiales, les ordonnancements des
diffrents centres de dcisions deviennent indpendants, car les dpendances entre eux ont t
prises en compte travers les fentres de temps. Chaque centre de production peut utiliser une
mthode de rsolution exacte ou approche pour calculer lordonnancement en juste temps
63

pour minimiser la somme des pnalits davances et de retards. Nous venons ainsi de terminer
la premire itration du processus global de ngociation. Aprs chaque tape (itration) du
processus itratif, une analyse des solutions calcules par les diffrents centres de production
savre indispensable pour prendre des dcisions pour orienter le systme global vers la
cohrence et vers des solutions de meilleure qualit.
La convergence du processus global out tre garantie par la manire avec laquelle ces
ngociations sont organises, et par le fait quil existe une possibilit de relaxation des
contraintes impratives dans le cas o le systme initial nadmet pas de solutions faisables.
2.5 Conclusion
Nous avons dcrit dans ce chapitre le problme principal tudi dans cette thse. Il sagit
du problme de coordination au niveau des ordonnancements en juste temps entre diffrents
partenaires de la chane logistique pour satisfaire des commandes de clients. Nous avons
dcrit le fonctionnement global du systme, ainsi que les dpendances entre les diffrents
centres de dcision. Les centres de dcisions tant autonomes, nous avons propos un
processus global de ngociations pour coordonner les dcisions afin de satisfaire les clients
externes la chane. Cest une mthode itrative damlioration des solutions globales base
sur la notion de fentres de temps souhaites et fentres de temps impratives vis vis aussi
bien des clients externes, que des fournisseurs externes. Cette ngociation ne requiert pas le
partage dinformations sensibles entre les centres de dcisions. En effet, ces derniers ne
doivent se partager que des informations gnrales, mais surtout communiquer des fentres de
temps virtuelles. La convergence du processus global de ngociation devra tre assure par un
pilotage semi-dcentralis qui oriente lensemble des partenaires de la chane vers une
solution globale qui est suppose satisfaire les intrts de chacun dentre eux : une stratgie
gagnant-gagnant.
Dans les chapitres 3 et 4 nous dveloppons des mthodes approches pour la mise en
uvre des ordonnancements en juste temps pour les problmes dcris par le processus
global de ngociation. La validation de lapproche de ngociation ne peut tre assure que par
des exprimentations travers la simulation du comportement global du systme. Dans cette
thse nous nous intressons essentiellement au dveloppement doutils dordonnancement
pour la coordination des dcisions oprationnelles pour un pilotage semi-dcentralis de la
chane logistique. De ce fait, nous navons pas men les simulations concernant le systme
global de ngociation. Nous proposons les outils ncessaires sa mise en uvre.
64
3 Chapitre 3 : Mthode de rsolution
Rsum
Nous prsentons dans ce chapitre la mthode de rsolution que nous dveloppons pour les
problmes dordonnancement en juste temps gnrs par la problmatique dtaill dans le
prcdent chapitre. Nous prsentons en premier lieu larchitecture globale de la solution, nous
dveloppons ensuite la technique Pert utilise, ainsi que les mtaheuristiques
Chapitre 3 : Mthode de rsolution
66
3.1 Introduction
Nous avons vu dans le chapitre prcdent le schma global du processus de ngociations
entre, dune part, les partenaires au sein de la chane logistique pour coordonner leurs
ordonnancements en juste temps, et dune autre part entre les entits de la chane logistique
et les fournisseurs et clients externes. Notre approche par dcomposition temporelle et spatiale
du problme nous permet de considrer chaque centre de dcision autonome spar des autres
centres. Nous proposons dans ce chapitre des outils pour mettre en uvre lordonnancement
en juste temps local chaque centre de dcision. Nous procdons l encore par une
approche par dcomposition. Dans la quatrime section de ce chapitre, nous prsentons des
mthodes approches base de mta-heuristiques pour lexploration de lespace des solutions,
ce qui constitue la deuxime tape de lapproche par dcomposition. La premire tape tant
lvaluation de toute solution. Une solution est reprsente par un chromosome (une
permutation, une squence) contenant lordre de passages des oprations (travaux pour le
flowshop de permutation) sur les machines.
Comme le problme que nous considrons est NP-complet au sens fort, une mthode de
rsolution exacte est carter car trs consommatrice en temps dexcution, ce qui est une
contrainte lourde dans un milieu industriel o on cherche toujours raccourcir les temps de
prise de dcisions. De ce fait, nous dveloppons deux mthodes bases de mtaheuristiques :
les algorithmes gntiques, et le recuit simul. Nous dveloppons avec plus de dtails la
solution base sur les algorithmes gntiques, le recuit simul utilis tant plus standard.
3.2 Approche de rsolution par dcomposition et mtaheuristique

Comme expliqu au chapitre 2, le processus de ngociation considr nous permet de
sparer les centres de dcisions, et ainsi nous pouvons calculer les ordonnancements de
chacun deux indpendamment de ceux des autres. Nous considrons donc les donnes
relatives un centre de production (ou de dcision) donn, et nous cherchons les permutations
de travaux qui minimisent le cot total de lordonnancement. Lespace de recherche de
solutions est trs large et dpend du nombre de travaux ordonnancer. Nous devons donc
trouver une faon intelligente de lexplorer, une faon qui privilgie lexploration de solutions
intressantes, au lieu de perdre du temps valuer de mauvaises solutions.
Le schma illustr par la figure 3.1 est excut en boucle jusqu un certain critre darrt
qui peut tre par exemple une dure limite dexcution, ou lvaluation dun certain nombre
de permutations faisables.
67
Enonc
Mtaheuristique
Permutation
Evaluation
Cot
Degr dinfaisabilit
Figure 3.1 Schma gnral de la mthode de rsolution.
Lvaluation dune permutation est illustre par lalgorithme de la figure 3.2. Cet
algorithme commence dabord par dterminer si la permutation en entre est faisable (i.e.
respectant les contraintes impratives du problme). Si la permutation est faisable, alors nous
lvaluons avec lalgorithme du Pert cot, sinon nous dfinissons un degr dinfaisabilit.
Figure 3.2. Schma gnral de lvaluation dune permutation.
68

Pour le test dadmissibilit, nous appliquons lalgorithme du Pert simple en ne considrant
que les contraintes impratives. Le test dadmissibilit est polynomial et se fait en calculant
lordonnancement cal droite (au plus tard par rapport la date maximale de fin du projet) et
lordonnancement cal gauche (au plus tt).
Le degr dinfaisabilit est gal au nombre de fois o la date au plus tt dune opration
est strictement plus grande que sa date au plus tard.
En amont du processus illustr par la figure prcdente, on retrouve le mcanisme de
gnration de permutations, cest dire le mcanisme charg de lexploration de lespace des
solutions en vue de la recherche de solutions intressantes. Pour ce faire nous utilisons les
mtaheuristiques que nous dcrivons dans la quatrime section du prsent chapitre.
3.3 Rsolution du JIT-Seq

3.3.1 Ordonnancement de projet
Lordonnancement de projets consiste programmer (ou organiser) lexcution des
diffrentes oprations le constituant et daffecter des ressources ces tches en tenant compte
des diffrentes contraintes entre les tches et sur les ressources, afin doptimiser certains
critres comme la dure totale du projet, les performances techniques, et le cot du projet. Le
problme dans lordonnancement de projet est de dterminer les dates dexcution de chaque
tche du projet de telle sorte que tout le projet soit termin dans les dlais.
Plusieurs techniques sont utilises pour manager les projets dont les plus rpandues sont le
Pert, le CPM (Critical Path Method), et la mthode des potentiels. Ces mthodes sont
apparues pour la plupart la fin des annes cinquante et ont connu un succs grce au
raccourcissement spectaculaire de certains grands projets dans lesquels elles ont t utilises
(projet du Queen Mary 2, et la construction du paquebot France pour la mthode des
potentiels).
La mthode du Pert (Technique dvaluation et dexamen de programmes (projets)) est
lune des mthodes les plus utilises par les industriels pour lordonnancement de projets.
Comme bon nombre de technologies de lre moderne, elle a trouv ses origines dans la
recherche militaire. En effet, elle a t mise au point lors du projet POLARIS qui coordonnait
les activits de milliers dorganisations.
Cest une mthode dordonnancement ou une technique de contrle qui permet
lorganisation des activits dun projet dans le but doptimiser certains critres, gnralement
la minimisation de la dure totale de ralisation du projet. Le rsultat de lapplication de cette
technique est lobtention dun calendrier dexcution des activits du projets lorsque
laffectation des ressources est donne et nest pas restrictive (ressources considres comme
illimites) en prenant en compte les contraintes entre activits (contraintes de prcdence).
Lalgorithme correspondant est un algorithme polynomial issu de la programmation
dynamique.
La diffrence majeure entre la mthode Pert et la mthode des potentiels rside dans la
manire de concevoir le graphe associ sur lequel on calcule les plus longs chemins en
utilisant la programmation dynamique. Dans le Pert, les oprations sont associes aux arcs
(les sommets correspondent des vnements) alors que dans la mthode des potentiels, les
oprations sont associes aux sommets (les arcs reprsentent les dlais dattente entre les
dbuts des oprations). Dans le Pert Cot, on utilise un graphe tendu o les arcs peuvent
correspondre aussi bien aux oprations (dont on peut compresser la dure en payant) quaux
dlais entres les oprations qui se suivent. Nous utilisons plutt un graphe potentiel tche pour
69

le calcul de la faisabilit, mais nous avons conserv le terme gnrique de Pert comme sigle
simplifi dsignant lalgorithme.
Pour plus de dtails sur cette mthode, nous renvoyons le lecteur lannexe 1 o on donne
lalgorithme et on lillustre sur un exemple dtaill.
3.3.2 Problme original du Pert cot

La mthode du Pert Cot est une extension de la mthode du Pert. Dans le Pert classique
lobjectif considr est la minimisation de la dure totale du projet. Dans le Pert cot on
ajoute un autre critre : minimiser le cot total de lordonnancement. A chaque tche est
associ un cot relatif aux moyens quelle requiert, la date de son excution (par exemple, le
cot varie selon la date de son excution) ou par les comptences quelle requiert. Dans ce
problme on suppose que les dures de certaines tches peuvent tre diminues en contre
partie dun financement supplmentaire. Le Pert Cot est une mthode itrative qui utilise
alternativement la mthode du Pert simple et la recherche dune coupe cot minimal dans le
sou graphe critique obtenu par application du Pert. Chaque itration de la mthode est
polynomiale par rapport au nombre de tches ordonnancer et au nombre de contraintes de
prcdence, mais le nombre ditration est major par le nombre dunits de temps que lon
cherche gagner qui est li aux valeurs numriques de chaque nonc considr. La
dmonstration de loptimalit de la mthode est faite en utilisant le thorme de la dualit de
la programmation linaire. Cest un problme de programmation linaire continue ou mixte
selon que le temps gagn est dfini comme un entier ou comme un rel (Portmann, ISDP32).
Plusieurs tudes ont t menes sur des problmatiques lies au Pert. Castro et al (Castro et
al, 2007) tudient le problme du partage des cots des retards dans des rseaux Pert. Ils
dfinissent la rgle du partage du cot en srie pondre pour le problme de lallocation des
cots. Cette rgle est implmente en un algorithme de complexit polynomiale. Azaron et
Tavakkoli-Moghaddam (Azaron et Tavakkoli-Moghaddam, 2006) dveloppent un modle
multi objectifs pour le problme de lallocation des ressources dans un rseau de type Pert
dynamique o les dures des activits sont des variables alatoires avec une distribution
exponentielle, et o les arrives de projets sont gnres selon la loi de poisson. Les objectifs
considrs sont le cot direct du projet, la date de fin de projet moyenne, et la variance des
dates de fin des projets. Le modle propos est transform en un programme non linaire
rsoudre. Pour une variante du problme prcdent, et en utilisant le mme genre de modle
multi objectifs, Azaron et al (Azaron et al, 2005) proposent un algorithme gntique.
Notre problme dordonnancement en juste temps avec des cots davances et/ou retards
par rapports aux dates souhaites de disponibilit de composants, et des dates souhaites de
livraisons des produits finis, est quivalent un problme de Pert cot car on a tous les
lments dun tel problme : un ensemble de tches ordonnancer, un ensemble de
contraintes de prcdences entre tches, un dlai maximum pour la ralisation du projet, et des
cots correspondant la diminution de la dure de certaines tches additionnelles
correspondant au non respect des dlais souhaits (avance ou retard par rapport au souhait).
Nous utilisons cette mthode pour rsoudre notre problme dordonnancement en juste
temps au sein des centres de production aprs avoir montr comment nos problmes
permutations fixes se ramnent des Pert Cot.
3.3.3 Algorithme du JIT adapt du Pert cot

Nous dtaillons dans ce qui suit lutilisation que nous faisons du Pert Cot pour valuer
une permutation du problme de juste temps.
70

Aprs le test dadmissibilit (Pert simple), et si la permutation est faisable, alors nous
appliquons un algorithme du Pert cot pour valuer la permutation (somme des pnalits
davances et de retards).
Comme dans tout problme Pert, le graphe comporte une source S et un puits T. Des arcs
entre la source et des points en amont de chaque opration ayant une position idale (la
premire et la dernire opration de chaque travail dans le cas simplifi) permettent de
reprsenter les avances par rapport la position idale (quand larc est compress). Des arcs
entre des points en aval des oprations ayant des positions idales (la premire et la dernire
opration de chaque travail dans le cas simplifi) permettent de reprsenter les retards par
rapport la position idale (quand larc est compress).
Pour assurer le placement exact des oprations, en avance ou en retard par rapport leur
position idale, un chemin issu de S et passant par un arc direct amont de lopration, se
poursuit par un arc aval associ qui va T et a une longueur exactement gale la dure de
lhorizon H. De manire symtrique, le chemin qui passe par un arc aval dune opration, se
poursuit en amont de lopration par un arc associ issu de S et a une longueur exactement
gale la dure de lhorizon H. Quand on considre un couple darcs associs, si un des deux
est compress, alors lautre est dilat.
Nous agissons donc par compressions ou dilatations sur les arcs sortants de la source S et
les arcs arrivant au puits T . Pour le cas simplifi, les avances et retards par rapport au dates
souhaites de disponibilit sont donnes par le vecteur des X i (pour la premire opration du
travail i ), alors que les avances et retards par rapports aux dates souhaites de livraison sont
donnes par le vecteur des Yi (pour la dernire opration du travail i ). Si X i est nul alors la
premire opration du travail i est idalement place. De la mme manire, Si Yi est nul alors
la dernire opration du travail i est idalement place. Si X i > 0 (resp Yi > 0 ) alors la
premire (resp. dernire) opration du travail i est en avance, et si X i < 0 (resp. Yi < 0 ) alors
lopration est en retard. Quand X i est positif alors nous compressons larc correspondant
sortant de la source et cela induit un cot r ,i . X i , et nous dilatons larc dual correspondant
arrivant au puit et cela induit un cot r ,i . X i . Quand Yi est positif alors nous compressons
larc correspondant sortant de la source et cela induit un cot d ,i .Yi , et nous dilatons larc
dual correspondant arrivant au puit et cela induit un cot d ,i .Yi .
Le schma gnral du processus de lvaluation par la mthode du Pert Cot est donn par
lalgorithme 3.3.
71
Pert Cot
Dbut
Initialisation
Tan que (Longueur courante de lordonnancement > d max )
Calcul des dates au plus tt.
Calcul des dates au plus tard.
Calcul des chemins critiques.
Calcul de la coupe minimum.
Calcul du pas de compression ( u ).
Mise jour du graphe.
Fin Tan que

Fin
Figure 3.3 Algorithme dvaluation dune permutation.
Lalgorithme commence par initialiser les valeurs sur les arcs, et des diffrentes variables.
Ensuite, tant que la longueur totale de lordonnancement est suprieure la date de livraison
imprative maximum (gale la longueur de lhorizon H ) alors on excute les oprations qui
constituent une itration. Une itration commence par le calcul des dates au plus tt, puis les
dates au plus tard. On calcule ensuite les chemins critiques, et la coupe minimale. Le calcul de
la coupe minimale dtermine les arcs qui doivent tre compresss, et les arcs associs qui
doivent tre dilats, ainsi que les arcs qui ne subissent pas de changements. Le pas de
compression/dilatation dans une itration est dtermin par u (dont lvaluation maximale
polynomiale est dtaille plus loin). A la fin de chaque itration, on lance la procdure de
mise jour des valeurs sur les arcs en tenant en compte les compressions/dilatations
effectues.
Nous supposons que nous avons une permutation de jobs fournie par la mta-heuristique.
Nous construisons alors le graphe Pert correspondant de la manire suivante :
1) Le graphe a une source S de laquelle sortent des arcs vers toutes les oprations (ou
bien juste vers les oprations de chaque job sur la premire machine pour le cas
spcifique).
2) Le graphe a un puit T auquel arrivent des arcs depuis toutes les oprations (ou bien
juste les oprations des jobs sur la dernire machine pour le cas spcifique).
3) Hors de la source et du puits on retrouve les contraintes classiques de prcdences
entre les oprations.
Chaque nud du graphe reprsente une opration identifie par le numro du job et le
numro de la machine. Si on considre que lon autorise quil y ait des contraintes temporelles
sur les dates de disponibilit et/ou de livraison sur les oprations intermdiaires, alors chaque
opration du graphe est entoure des nuds BS i , j et ES i , j comme illustr sur la figure 3.4
suivante.
72
Figure. 3.4. Modle du graphe pour chaque opration.
Le nud BS i , j reprsente lvnement de dbut dexcution de lopration OPi , j , tandis

que le nud ES i , j reprsente lvnement de fin de lexcution.
Dans le cadre des expriences de cette thse nous considrons des structures datelier en
flowshop, plus spcifiquement les flowshops de permutation pour lesquels lordre de passages
des oprations est le mme pour toutes les machines. Dans ce cas spcifique, lavance ou le
retard dun job par rapport aux dates de disponibilit est dtermin par la premire opration
du job, alors que son retard ou avance par rapport aux dates de livraison est dtermin par la
dernire opration de chaque job. Les nuds BS i et ES i entourent donc la premire
opration de chaque job i . Par souci de clart (on supprime lindice j ) nous introduisons les
nuds BC i et EC i qui entourent la dernire opration de chaque job i = 1,.., N . Les arcs
arrivants aux nuds BS i sont originaires de la source S , et les arcs sortants des noeuds ES i
arrivent au puits T . De mme, les arcs arrivants aux nuds BC i sont originaires de la source
S , et les arcs sortants des noeuds EC i arrivent au puits T
Les valeurs sur les arcs
1) Les arcs sortants dune opration OPi , j ont la valeur Pi , j .
Figure. 3.5. Les arcs sortants dune opration.
2) Les arcs partants des BS i et arrivants aux oprations OPi ,1 ont une valeur nulle. Les
arcs partants des OPi ,1 aux noeuds ES i ont une valeur nulle.
73
3) La valeur sur les arcs sortant de S , arrivant aux BS i , est donne par la formule
suivante : a i*,1 X i tel que ai*,1 est la date de dbut idale de la premire opration du job
i , et X i est la dviation, en terme de temps, entre la date dexcution relle de
lopration et sa date idale.
4) La valeur sur les arcs sortants des ES i , arrivants au puit T , est donne par la formule
suivante : d max a i*,1 Pi,1 + X i . Ainsi, si S a le potentiel 0, T le potentiel d max , et
X i = 0 alors lopration ( i ,1) est place sa date idale.
Figure 3.6. Valeurs sur les arcs.
5) Les arcs partants des BC i et arrivant aux oprations OPi, M ont une valeur nulle. Les arcs
partants des OPi, M aux noeuds EC i ont une valeur gale Pi, M .
6) La valeur sur les arcs sortants de S , arrivant aux BC i , est donne par la formule
suivante : a i*, M Yi tel que a i*,M est la date de dbut idale de la dernire opration du
job i , et Yi est la dviation, en terme de temps, entre la date dexcution relle de
lopration et sa date idale.
7) La valeur sur les arcs sortants des EC i , arrivants obligatoirement au puit T , est donne
par la formule suivante : d max a i*,1 + Yi Pi, M . Ainsi, si S a le potentiel 0, T le potentiel
d max , et Yi = 0 alors lopration ( i ,M) est place la date idale.
8)
74
Figure 3.7. Arcs sortants.
Il est important de remarquer que la longueur du chemin allant de la source S au puits

T et passant par les noeuds BS i , OPi ,1 et ES i est gale d max (la longueur de lhorizon).
Il en est de mme pour les chemins allant de la source S au puit T et passant par les
nuds BC i , OPi, M et EC i .
Calcul du pas de compression/dilatation u
Les arcs appartenant la coupe minimale sont compresss avec le pas de compression u .
Cela revient soustraire u de la valeur sur larc compress. Les arcs duaux des arcs
compresss sont dilats. Cest dire quon ajoute u la valeur sur larc dilat. Le reste des
arcs restent inchangs. Pour calculer le pas de compression maximale possible sans changer
de coupe, nous dfinissons les six graphes suivants :
i.
Dans le graphe G1, on ne garde que les arcs partant de la source et qui nappartiennent
ni la coupe minimale, ni aux arcs duaux de ceux appartenant la coupe minimale
(arcs neutres).
Figure 3.8. Graphe G1.
ii.
Dans le graphe G2, on ne garde que les arcs sortant de la source et qui appartiennent
la coupe minimale (arcs compresss).
75
Figure 3.9. Graphe G2
iii.
Dans le graphe G3, on ne garde que les arcs sortant de la source et qui sont des arcs
duaux ceux appartenant la coupe minimale (arcs dilats).
Figure. 3.10. Graphe G3
Dans chacun des trois graphes prcdents, le puits T nen fait pas partie. Pour chaque
graphe, on calcule pour chaque nud le plus long chemin depuis la source jusqu ce nud.
Cette valeur est note par ok pour le premier graphe, 1k pour le deuxime, et 2k pour le
troisime.
iv.
Dans le graphe G4, on ne garde que les arcs arrivant au puits T et qui nappartiennent
ni la coupe minimale, ni aux arcs duaux de ceux appartenant la coupe minimale
(arcs neutres).
Figure. 3.11. Graphe G4
76
v.
Dans le graphe G5, on ne garde que les arcs arrivant au puits et qui sont des arcs duaux
ceux appartenant la coupe minimale (arcs compresss).
Figure 3.12. Graphe G5
vi.
Dans le graphe G6, on ne garde que les arcs arrivant au puits et qui sont des arcs duaux
ceux appartenant la coupe minimale (arcs dilats).
Dans chacun des trois graphes prcdents, la source S nen fait pas partie. Comme pour les
trois premiers graphes, on calcule pour chaque nud le plus long chemin depuis le puits
jusqu ce nud (dans chaque graphe). Cette valeur est note par ko pour le premier graphe,
1k pour le deuxime, et k2 pour le troisime.
On aura calcul six valeurs pour chaque nud du graphe initial. Pour dterminer le plus
long chemin de la source vers un nud donn k , et le plus long chemin du puits vers ce
mme nud, on dfinit les deux quations suivantes :
(
(
k (u ) = Max 0k , 1k u k , 2k + u k
k (u ) = Max k0 , k1 u k , k2 + u k
(3.1)
Pour chaque nud du graphe initial, lquation suivante doit tre vrifie :
k (u ) + k (u ) + u k T
(3.2)
Lquation (3.2) exprime le fait, que pour chaque nud du graphe initial, la somme des
plus long chemins partir de la source et du puits jusqu ce nud, ajoute une certaine
marge u k est toujours infrieure ou gale la longueur maximale de lordonnancement T .
77

Pour calculer la marge u k la plus grande possible, on examine toutes les combinaisons
possibles de remplacement de lquation (3.1) dans lquation (3.2). Nous avons donc neuf
cas examiner :
1. Cas 1 : k (u ) = 0k et k (u ) = k0 .
0k T u k k0 u k T 0k k0 .
(3.3)
2. Cas 2 : k (u ) = 0k et k (u ) = k1 u k .
0k T u k 1k + u k 0k + k1 T . Ce cas nengendre pas de contraintes pour le calcul
de la marge.
3. Cas 3 : k (u ) = 0k et k (u ) = k2 + u k .
0k T u k k2 u k u k (T 0k k2 ) / 2 .
(3.4)
4. Cas 4 : k (u ) = 1k u k et k (u ) = k0 .
1k u k T u k k0 1k T k0 . Ce cas nengendre pas de contraintes pour le calcul
de la marge.
5. Cas 5 : k (u ) = 1k u k et k (u ) = k1 u k .
1k u k T u k 1k + u k u k 1k + 1k T 0 . Ce cas nengendre pas de contraintes
pour le calcul de la marge.
6. Cas 6 : k (u ) = 1k u k et k (u ) = k2 + u k .
1k u k T u k k2 u k u k T 1k k2 .
(3.5)
7. Cas 7 : k (u ) = 2k + u k et k (u ) = k0 .
2k + u k T u k k0 u k (T 2k k0 ) / 2 .
(3.6)
8. Cas 8 : k (u ) = 2k + u k et k (u ) = k1 u k .
2k + u k T u k k1 + u k u k T 2k + 1k .
(3.7)
9. Cas 9 : k (u ) = 2k + u k et k (u ) = k2 + u k .
2k + u k T u k k2 u k u k (T 2k k2 ) / 3 . (3.8)
La marge de chaque nud u k est gale au minimum des valeurs calcules par les
formules (3.3), (3.4), (3.5), (3.6), (3.7), (3.8). Elle est donne par la formule suivante :
u k = Min (T 0k k2 ) / 2, T 1k k2 , (T 2k k0 ) / 2, T 2k + k1 , (T 2k k2 ) / 3
(3.9)
ainsi que par :

VC = Maximum de compression encore autoris sur un arc compress de la coupe
minimale C .
(3.10).
Le pas de compression maximum est gal la marge minimum sur lensemble du graphe.
Il est donn par : u = Min( Min(u k ), Min(VC )) (3.11).
k
Mises jour
A la fin de chaque itration, on lance la procdure de mise jours des valeurs sur les arcs
en fonction de la coupe minimale et du pas de compression calculs. Si un arc est compress
alors on soustrait u de la valeur sur cet arc (dans la limite de la dure restante sur larc
donne par VC , on ne peut pas aller dans des valeurs ngatives, dans ce cas larc devient non
78

compressible. Son cot est infini, et ne pourra plus appartenir la coupe minimale), et un
cot. Si un arc est dilat alors on ajoute u la valeur sur cet arc. Les arcs neutres gardent la
mme valeur. On met jour aussi les valeurs des X i et Yi (ajout ou soustraction du u selon
que lopration correspondant a t avance ou retarde, ne rien faire sinon).
La valeur de la solution est donne par la somme sur tous les travaux, des avances ou
retards de toutes les oprations multiplies par la pnalit correspondante.
3.3.4 Bilan de la complexit des valuations

Chacune des procdures lintrieur de lalgorithme de Pert cot dcrit par la figure 3.3 est
polynomiale. Il nous reste donc valuer le nombre ditrations ncessaires lexcution du
Pert cot.
Nous conjecturons que dans le cas le plus simple JIT/job(E1-T1-Em-Tm) qui correspond
au cas ou lon considre des pnalits davance et de retard pour la premire et la dernire
opration de chaque travail, le nombre ditrations est limit 16n 2 . Ceci est vrai si tout arc
qui commence compresser ne se dilate pas ultrieurement. Cest intuitivement vrai, vrifi
sur toutes les expriences faites, mais nous ne lavons pas prouv thoriquement. Cela reste
donc une conjecture.
79
3.4 Mta-heuristiques
3.4.1 Introduction : les mtaheuristiques
Nous avons vu dans le chapitre prcdent lalgorithme dvaluation dune solution
(permutation) du problme gnral. Cet algorithme ne peut tre appliqu que si une
permutation est donne en entre. Lespace des solutions pour le problme considr est si
vaste que lon ne peut pas faire une recherche exhaustive de toutes les solutions existantes, les
valuer, et en prendre la meilleure. Si lon considre quon a un nombre de travaux
ordonnancer gal 10, alors on a 10! solutions explorer. On aurait pu essayer de construire
une procdure par sparation et valuation (mthode exacte) pour ce problme gnral (NPdifficile) mais ce serait irraliste en milieu industriel, car elle ncessite un temps dexcution
phnomnal. Pour parcourir cet espace de solutions dans des dlais raisonnables, et en
essayant davoir de bonnes solutions, on a gnralement recourt des mthodes
approches.
Par opposition aux mthodes exactes (programmation linaire, programmation dynamique,
approche par sparation et valuation), les mthodes approches ne garantissent pas de
trouver la solution optimale un problme donn, et tendent chercher des solutions qui sen
approchent sans avoir (gnralement) une ide sur la distance entre la meilleure solution
trouve et la solution optimale.
Les mthodes approches suffisamment gnrales pour tre appliques de nombreux
problmes doptimisation sont appeles mtaheuristiques. Le mot mtaheuristique est driv
de la composition de deux mots grecs : heuristique qui signifie trouver , et meta qui est un
suffixe voulant dire dans un niveau suprieur .
Osman et Laporte (Osman et Laporte, 1996) donnent la dfinition suivante dune
mtaheuristique : Une mtaheurisque est formellement dfinie comme un processus de
gnration itrative guidant une heuristique subordonne par la combinaison de diffrents
concepts intelligents pour lexploration et lexploitation de lespace de recherche, les
stratgies dapprentissage sont utilises pour structurer linformation dans le but de trouver
avec efficacit des solutions proches de loptimalit .
Une autre dfinition est donne par (Voss et al, 1999) : Une mtaheuristique est un
processus itratif matre qui guide et modifie les oprations des heuristiques subordonnes
pour produire efficacement des solution de haute qualit. Elle peut, chaque itration,
manipuler une solution complte ou incomplte, ou bien une collection de solutions. Les
heuristiques subordonnes peuvent tre des procdures de bas ou de haut niveau, de simples
recherches locales, ou juste des mthodes constructives .
Les mtaheuristiques utilisent un haut niveau dabstraction qui leur permet dtre adaptes
une large gamme de problmes diffrents. Le but dune mtaheuristique est de chercher une
solution (sous forme dune permutation ou dun vecteur), qui minimise ou maximise une
fonction objective dcrivant la qualit dune solution. Lensemble des solutions possibles
forme lespace de recherche. Les mtaheuristiques progressent dans cet espace en suivant un
processus itratif manipulant une ou plusieurs solutions pour essayer de converger vers un
optimum global. Cette recherche itrative est mise en uvre par, soit des procdures simples
comme la recherche du voisinage, soit base dalgorithmes complexes gnralement inspirs
de processus naturels ou physiques.
On peut rsumer le fonctionnement des mtaheuristiques par les rgles suivantes (non
exhaustives) :
80
Lobjectif est dexplorer efficacement lespace de recherche afin de trouver les

meilleures solutions.
Le concept de base dune mtaheuristique peut tre dcrit dune manire abstraite
sans faire appel un problme spcifique.
Les mtaheuristiques font appel des heuristiques qui tiennent compte de la

spcificit du problme tudi. Ces heuristiques sont contrles par un processus
matre de niveau suprieur.
Les mtaheuristiques font usage de lexprience accumule durant la recherche

pour mieux guider la suite du processus.
Les mtaheuristiques ne donnent aucune garantie sur lobtention de la solution

optimale.
Les mtaheuristiques contiennent en gnral des mcanismes qui permettent

dviter de se bloquer dans un optimum local.
On peut distinguer les mtaheuristiques qui ne manipulent quune seule solution de celles
qui manipule une famille de solutions (une population). Parmi les mthodes qui manipulent
une seule solution en essayant itrativement de lamliorer, on peut citer, par exemple, la
recherche tabou, le recuit simul, et la mthode voisinage variables. En ce qui concerne
les mtaheuristiques manipulant plusieurs solutions, les algorithmes gntiques sont
lexemple le plus rencontr.
Il existe dautres classifications des mtaheuristiques selon la manire dutiliser la fonction
objectif, ou bien en fonction du nombre de structures de voisinages utilises, ou encore selon
lutilisation de lhistorique de la recherche durant le processus doptimisation. Nous allons
utiliser deux approches de mtaheuristiques, il sagit des algorithmes gntiques, et du recuit
simul.
Dans la section suivante nous prsentons les algorithmes gntiques, leurs principes, leurs
schmas lmentaires, ainsi que les oprateurs ncessaires leurs applications. Nous
dveloppons ensuite notre propre algorithme gntique avec les oprateurs et le schma que
nous proposons pour rsoudre le problme dcrit dans le chapitre 3. La section 4.4.4 est
consacre la mthode du recuit simul. Aprs un bref rappel de cette mthode, nous
dcrivons la manire dont nous lutilisons.
3.4.2 Les Algorithmes Gntiques

Sur la base des travaux quil a men entre 1960 et 1970, Holland (Holland, 1975) a
dvelopp les principes fondamentaux des algorithmes gntiques pour les problmes
doptimisation mathmatique. Les premiers travaux sur les algorithmes gntiques ont
commenc dans les annes cinquante par des biologistes ayant simul des structures
biologiques sur ordinateur. Puis, vinrent les travaux de Holland qui ont adapt cette structure
pour des problmes doptimisation mathmatiques, mais les ordinateurs de lpoque navaient
pas assez de puissance pour les mettre en uvre. Louvrage de Goldberg (Goldberg, 1989) a
permit de populariser cette approche dans la communaut scientifique.
Les algorithmes gntiques ont pour base les concepts de la gntique et la thorie de
lvolution de Darwin. La gntique reprsente chaque individu par son gnome qui est un
ensemble dinformations identifiant compltement lindividu, ce sont les chromosomes.
Lensemble des individus forme une population. Ces individus vivent dans le mme milieu, et
se partagent donc les mmes ressources, et font face aux mmes dangers. Ainsi, seuls les
81

individus les plus forts survivront. Les plus faibles et les moins adapts auront tendance
disparatre au fil des gnrations. La force dun individu est une mesure de sa qualit. Une
population dindividus volue au cours des gnrations par lapplication de certains
oprateurs gntiques. Ainsi, la reproduction est un mixage des chromosomes de deux
individus parents qui donne naissance des individus enfants qui hritent de certaines
proprits et caractristiques des parents. Au fil des gnrations, les meilleurs gnes vont donc
se propager en changeant les meilleures caractristiques. Cette opration est appele
croisement. Lapparition de gnes nouveaux chez un enfant, qui ne sont pas hrits de lun
des parents, est appele mutation. Ce phnomne est rare mais permet dexpliquer des
changements de morphologie chez certaines espces. La slection naturelle qui dtermine les
individus qui survivent et ceux qui disparaissent conduit, de gnration en gnration, avoir
une population compose dindividus de plus en plus forts et adapts au milieu dans lequel ils
doivent vivre.
Ces rgles dans le milieu du vivant, ont t introduites dans des algorithmes (volutions
simules sur lordinateur) et adaptes aux problmes doptimisation combinatoire.
3.4.2.1 Principes
Les algorithmes gntiques tentent de simuler le processus dvolution des humains. Ainsi,
on retrouve les termes : slection, croisement et mutation qui sont les oprations de base des
algorithmes gntiques. Elles sappuient dans leur fonctionnement sur les processus naturels.
Les algorithmes gntiques partent dune population de base, qui est amliore au fil des
gnrations par lintroduction de nouveaux lments dans la population. Lopration de
slection choisit dans la population un ensemble de couples dindividus selon un certain
critre, pour tre utiliss comme parents afin de produire de nouveaux individus. Le
croisement combine les parents choisis par lopration de slection, pour gnrer un ou
plusieurs enfants. Enfin, la mutation apporte un facteur de diversification la population, en
modifiant les enfants gnrs par le croisement, avec une certaine probabilit gnralement
trs petite, vu le fait quun tel phnomne est rare en milieu naturel (selon la thorie de
Darwin).
La qualit dune solution est donne par la valeur de la fonction de fitness. Celle-ci est
gnralement une fonction de gain associe la solution. La solution est code sous forme de
chromosome, cette codification joue un rle prpondrant dans lefficacit de lalgorithme,
car lapplication des oprateurs gntiques peut changer selon le codage retenu.
Les algorithmes gntiques ont t appliqus avec succs aux problmes doptimisation
combinatoire. Ils tiennent leur succs de leur rapidit et la qualit des solutions quils
produisent. Ils permettent aussi davoir des familles de solutions, ce qui laisse une marge de
flexibilit aux dcideurs pour choisir la solution qui convient le mieux un moment donn, se
basant sur leurs expriences. De plus, on peut intgrer dans la population des solutions ou des
parties de solutions quon juge pralablement intressantes. Ce type de mthodes permet en
principe une meilleure exploration de lespace de recherche, un balayage intelligent en
somme.
Comme pour toutes les mthodes approches, les algorithmes gntiques ne donnent
aucune garantie sur la qualit des solutions quils fournissent. Tout repose sur les oprateurs
gntiques appliqus et leurs capacits transmettre les bonnes informations de gnrations
en gnrations. Un autre paramtre sur leurs performances pourrait tre la dure pendant
laquelle on les excute. Il est clair quavec ce genre de mthodes, plus on les laisse travailler,
plus on a des chances de trouver de meilleures solutions. Ils ne contiennent aucune rgle
interne qui permet de prouver quune solution obtenue dans un temps fini est optimale (il ny
82

a que des preuves de convergences asymptotiques, cest dire en temps infini). Cest donc un
compromis faire entre qualit/dure quil appartient aux dcideurs dans les organismes
dapplication de choisir.
3.4.2.2 Schmas
On a dit ci-dessus que les algorithmes gntiques partent dune population initiale quon
amliore au fil du temps par le bilais des oprateurs gntiques. Une population est compose
dun ensemble de chromosomes, pour reprendre les termes du processus naturel duquel sont
issus les algorithmes gntiques. Un chromosome reprsente une solution. La faon dont la
solution est reprsente par le chromosome est trs importante pour lefficacit de
lalgorithme. Pour amliorer la population de base, les oprations de slection, de croisement
et de mutation sont appliqus dune manire itrative jusqu un certain critre darrt, qui
peut tre le nombre maximum ditrations permises ou, le nombre maximum ditrations sans
amlioration de la meilleure solution, ou mme la dure dexcution permise. La figure
suivante montre une itration de base dun algorithme gntique.
Figure3.14 Itration de base dun algorithme gntique incrmental.
Dans le schma dalgorithme gntique trs simple illustr par la figure ci dessus, on part
dune population de dpart qui est construite le mieux possible par rapport aux proprits du
problme considr, ou bien compltement alatoire, ou encore un mlange dindividus
obtenus alatoirement et dautres obtenus par des heuristiques construisant des solutions
83

approches, en essayant de tenir compte des caractristiques du problme rsoudre.
Lobtention dune nouvelle population (ou nouvelle gnration dindividus) est ralise par
lapplication de croisements ou par modification de lempreinte gntique (chromosome) via
loprateur de mutation. Pour cela un oprateur de slection choisit deux individus pour les
accoupler (croiser) afin den obtenir deux enfants qui seront ventuellement muts. Les
nouveaux individus sont insrs dans la population, tandis que dautres individus en sont
supprims pour toujours garder une taille constante (en gnral). Ce processus est rpt
jusqu atteindre un nombre maximum ditrations.
Cela nest pas dit explicitement dans la plupart des algorithmes prsents dans la
littrature, mais il est vident que le rsultat dun algorithme gntique est toujours la
meilleure solution trouve, mme si elle nexiste plus dans la population finale. Nous
prendrons, bien sr, toujours cette hypothse.
Lalgorithme 4.15 a prsent un schma dun algorithme gntique dit incrmental car il ne
traite quun couple de parents chaque itration.
Algorithme Gntique incrmental

Dbut
Gnrer la population initiale
Repeter
Slection :
slectionner deux parents
Croisement :
obtenir des solutions enfants.
Mutation :
Modifier avec une faible probabilit les enfants.
Remplacement
Remplacer des solutions dans la population par les
enfants
Jusqu un certain critre darrt
Fin
Figure 3.15 Structure gnrale dun algorithme gntique incrmental.
Le schma le plus connu de lapplication des algorithmes gntiques est le schma simple
de Goldberg (Goldberg, 1989). Il sagit dun schma sans recouvrements ni chevauchements
entre les populations de gnrations successives, avec tout de mme une probabilit davoir
des individus identiques dans des gnrations successives. Ce sont les individus qui ont
chapp aux oprations de croisement et/ou de mutation.
Avant dappliquer un tel algorithme illustr par la figure 3.16 , nous devons dfinir les
paramtres suivants :
La taille de la population qui reste constante au fil des gnrations.
La probabilit de copier un individu.
La probabilit de croiser un individu.
La probabilit de mutation.
Le nombre de gnrations avant de sarrter. Il sagit du critre darrt de

lalgorithme.
84

Schma simple de Goldberg
Dbut
Initialisation
Gnrer une population initiale P0 de Q individus.
Evaluation :
Evaluer la force (fitness) de chaque individu de la population Pk 1 .
Slection :
Slectionner Q / 2 couples dindividus dans la population Pk 1 .
Croisement :
On applique loprateur de croisement chaque couple dindividus avec

la probabilit p c . En cas de croisement, chaque couple est remplac
par ses enfants.
Avec la probabilit 1 p c on recopie le mme couple.
La probabilit de croisement est choisie plutt grande.
Mutation
On applique loprateur de
probabilit
p m . Lindividu
probabilit
mutation chaque individu

est conserv lidentique
avec
avec
la
la
1 pm .
La probabilit de mutation est choisie plutt petite.
Remplacement :
La population Pk obtenue remplace la population Pk 1 .
Arrt :
Aller valuation tant que le nombre de gnrations gnrer nest

pas atteint.
Fin
Figure 3.16. Schma simple de Goldberg.
Les cinq lments suivants sont essentiels lors de la conception dun algorithme gntique
pour un problme doptimisation particulier :
Le codage de chaque solution sous forme de chromosome. Le codage de la solution

est un facteur trs important dans lefficacit dun algorithme gntique, cest la
faon avec laquelle on reprsente un chromosome. Le codage le plus simple,
toujours possible mais pas toujours efficace, est de reprsenter une solution par une
chane de bits, une suite de 0 et de 1.
Un mcanisme pour la gnration de la population initiale. Le choix de la population

initiale est trs important car il peut rendre plus ou moins rapide la convergence vers
de trs bonnes solutions proches de loptimum global. Il est essentiel que la
population de base soit bien disperse dans lespace de recherche pour bien balayer
ce dernier (diversification). La population initiale peut tre obtenue par gnration
alatoire de solutions, ou par des heuristiques constructives spcifiques au problme
tudi.
Une mesure du fitness ou force de chaque individu (solution). La force dun individu
peut tre (et elle est souvent) diffrente de la valeur de la fonction objective qui
dtermine le cot rel dune solution, cest obligatoire en particulier si on recherche
85

un minimum alors que la force doit tre maximise dans la plupart des schmas
dalgorithmes gntiques.
Les oprateurs gntiques de croisement, de mutation, de slection et de

remplacement. Le croisement est un oprateur agissant sur un couple dindividus,
rsultant en une combinaison qui tend garder ou rcuprer les meilleures proprits
des parents pour les transmettre leurs enfants. La mutation modifie la structure
dun individu. Elle a pour but denrichir la diversification de la population pour
explorer dautres espaces non encore explors. Cet oprateur vite davoir une
population uniforme qui pourrait conduire vers un optimum local prmatur.
Les paramtres de rglage, comme la taille de la population, les critres darrt, les
probabilits dapplication des oprateurs.
Les algorithmes gntiques ont t appliqus avec succs une multitude de problmes
doptimisation combinatoire.
3.4.2.3 Oprateurs classiques

3.4.2.3.1 Slection et remplacement
La procdure de slection permet de choisir les chromosomes (solutions) gniteurs quon
va donner en entre pour les procdures de croisements. Nous prsentons ici deux manires
diffrentes pour effectuer la slection :
Le tournoi binaire : le principe est de tirer deux individus de la population dune
manire alatoire, choisir le meilleur (celui dont la fonction objectif est minimale dans
le cas dune minimisation). Refaire cette opration une seconde fois. Les deux
individus slectionns sont donns comme parents au processus de croisement.
i.
Slection Tournoi binaire

Begin
For k=1 to 2
begin
i=rand() ;
j=rand()
if (value(i)< value(j))
select chromosome i
else
select chromosome j
endfor
End
Figure 3.17. Algorithme de la slection par tournoi binaire.
ii.
La roulette (Goldberg, 1989) : Si lon considre quon a une population P = x1 , x 2 ,..., x N

de N individus, la technique de la roulette consiste associer chaque individu x i
une probabilit proportionne avec laquelle il est slectionn.
Lalgorithme suivant dcrit cette technique.
86

Slection La roulette
Notations :
N : la taille de la population.
Xi : lindividu numrot i et/ou plac la ime place dans la population.
F(Xi) : la fitness de lindividu i, il sagit dune fonction maximiser,
plus la fitness est grande, plus lindividu doit avoir une forte probabilit
dtre choisi.
Dbut
Calcul de la somme des fitness de toute la population :
S=0.
Pour i=1 N Faire

S=S+F(Xi)
FinPour
Tirage alatoire normalis la somme des fitness :
H=S*rand(0,1) ;
Recherche de lindividu res slectionn par la roulette :
res=1 ;
SP=F(Xres) ;
Tantque H>SP faire
res=res+1 ;
SP=SP+ F(Xres) ;
fin tant que
Fin
Figure 3.18. Algorithme de la roulette.
Le remplacement est lopration qui intgre les nouveaux individus issus de croisements
et/ou de mutations dans la population. Cela implique, en gnral, de choisir certains individus
pour les liminer. Dans les schmas dits litistes on choisit les individus les plus faibles
(de mauvaise qualit). Il existe plusieurs schmas pour effectuer cette opration. On peut par
exemple choisir dliminer les individus les plus faibles, ou bien choisir alatoirement
quelques individus alatoirement dans une portion de mauvaise qualit, ou bien remplacer les
parents (cest ce qui est fait totalement dans le schma simple de Goldberg).
Remplacement
Dbut

i=rand(N/2,N).
supprimer lindividu i.
remplacer par un nouvel enfant.
Fin
Figure 3.19. Exemple dune procdure de remplacement.
3.4.2.3.2 Les croisements

Il existe une multitude dalgorithmes de croisements dans la littrature, certains sont
spcifiques des problmes particuliers, tandis que dautres sont gnriques un grand
ensemble de problmes. Nous en prsentons ici quelques uns des plus utiliss qui sont propres
aux structures de chromosomes de permutations.
i.
Le croisement dordre OX (Order Crossover):
Cest un croisement en deux points de coupure gnrs alatoirement. Conu par (Davis,
1985), il est ralis comme suit :
87
La premire phase consiste recopier dans le fils la partie centrale (entre les deux
points de coupure) du pre.
La deuxime phase consiste copier les lments restants dans leur ordre dans la
mre en commenant par remplir la partie droite, puis la partie gauche.
Un deuxime fils est obtenu par linversion des rles de la mre et du pre.
Voici un exemple :
Coupure
P1
P2
E1
E2
2
3
9
9
p=4
9
6
0
6
4
5
4
5
7
9
7
8
q=7
6
0
6
0
5
4
5
4
8
7
8
7
3
1
1
3
0
2
2
1
1
8
3
2
Figure 3.20. Exemple de croisement OX.
Il a t conu pour les problmes de voyageur de commerce.

Croisement dordre linaire LOX (Linear Order Crossover) :
ii.
LOX (Falkenauer et Bouffouix, 1991) est destin des chromosomes linaires, cest dire
codant des objets qui ont clairement un dbut et une fin. Cest une variante de 1OX.
Pour deux parents P1 et P2 de longueur , LOX commence par tirer au sort deux positions
p et q avec 1 p < q . Pour construire lenfant C1, la portion de P1 entre p et q inclus
est copie dans C1 aux mmes positions. Le parent P2 est ensuite balay de 1 , et les
lments non dj prsents dans le fils C1 remplissent de gauche droite les positions
libres. Lenfant C2 sobtient de la mme manire en permutant les rles de P1 et P2.
Coupure
P1
P2
E1
E2
2
3
3
2
p=4
9
6
9
9
4
5
0
6
7
9
4
5
q=7
6
0
6
0
5
4
5
4
8
7
8
7
3
1
7
8
0
2
1
3
1
8
2
1
Figure 3.21. Exemple de croisement LOX.
iii.
Le croisement dordre un point 1X:
Dsign par 1X pour (1 point Crossover), il a t prsent dans (Davis, 1985). Cest un
croisement simple o lon commence par dterminer alatoirement un point de coupure qui
correspond au rang associ ce point. On procde ensuite, par recopie du pre du dbut
jusquau point de coupure, et de complter par le reste des gnes dans lordre de la mre.
Pour obtenir un deuxime enfant, on inverse le dbut et la fin . On peut encore
obtenir deux autres fils en inversant les rles des deux parents. En voici un exemple :
88

P1
P2
E1
E2
E3
E4
2
3
2
3
9
9
9
6
9
6
2
6
4
5
4
5
4
5
7
9
7
9
7
3
6
0
3
2
6
0
5
4
6
4
5
4
8
7
5
7
8
7
3
1
0
8
3
1
0
2
1
0
0
2
1
8
8
1
1
8
Figure 3.22. Croisement 1X.
Croisement 2X : Two point Crossover
iv.
Ce croisement est une extension de 1X deux points de coupure. Pour obtenir le premier
fils, la partie centrale du pre est recopie aux mmes positions dans le fils, puis la mre est
balaye de gauche droite. Un deuxime fils est obtenu en inversant les rles de la mre et
du pre. Deux autres fils peuvent tre obtenus en gardant les parties latrales plutt que les
parties centrales. En voici un exemple :
Coupure
P1
P2
E1
E2
E3
E4
2
3
2
3
9
9
p=4
9
6
9
6
4
6
4
5
4
5
7
5
q=7
7
9
7
9
2
3
6
0
6
4
6
0
5
4
5
7
5
4
8
7
8
0
8
7
3
1
3
1
3
2
0
2
0
2
0
8
1
8
1
8
1
1
Figure 3.23. Exemple de croisement 2X.
E1 est identique P1 car son milieu correspond des gnes qui ont le mme ordre dans les
deux chromosomes. E2 est trs voisin de P2 car le milieu est petit et seul le gne 0 a chang
de place par rapport aux autres gnes. Par contre, E3 et E4 sont srement trs intressants, on
a rorganis le sous-ensemble de gnes du dbut et de la fin de manire indpendante et on a
conserv le milieu de lordonnancement.
Les enfants sont donc plus ou moins intressants selon le degr de modification que lon
souhaite obtenir.
3.4.2.3.3 Les mutations

La mutation est applique avec une faible probabilit, par exemple de lordre de 0.2, pour
apporter un facteur de diversification la population (du sang neuf). Il existe une varit
doprateurs de mutations dans la littrature. Le plus simple, dans le cas dun chromosome
binaire, est dinverser la valeur dun bit. Un autre oprateur trs simple consiste en lchange
de deux travaux tirs alatoirement. On pourrait aussi remplacer cet oprateur par une
recherche locale, dans ce cas la mutation (oprateur unaire) joue un rle amliorant
(intensifiant de la recherche locale) et non plus diversifiant. Cest ce qui est fait dans les
algorithmes mmtiques, extension des algorithmes gntiques.
Rang
: 1
Positions : 4,7.
chromosome P1 : 2
aprs mutation
chromosome P1 : 2
10=
89
3.4.3 Recherche de solutions avec les AG

Nous dcrivons dans cette section tous les lments dont on a besoin pour lalgorithme
gntique que nous proposons. Nous prsentons dabord le codage des chromosomes, les
oprateurs de croisements et de mutation, et le schma gnral de lalgorithme.
3.4.3.1 Le Codage
Le codage de la solution est un facteur trs important dans lefficacit dun algorithme
gntique, cest la faon avec laquelle on reprsente un chromosome. Une solution du
problme est simple : il sagit de permutations de travaux, en voici un exemple :
10
Nanmoins, pour implmenter les oprateurs que nous proposons, il nous faut dautres
informations que nous conservons galement dans le chromosome. Ces informations sont les
dates de dbut dexcution des jobs sur la premire machine, et sur la dernire machine (car
nous nous intressons des problmes de juste temps o les pnalits davance-retard sont
associes la premire et la dernire opration).
3.4.3.2 Les oprateurs

Nous prsentons ici les oprateurs binaires (croisements) et unaires (mutations) que nous
avons conu ou adapt spcialement pour le problme tudi.
3.4.3.2.1 Les croisements

Nous avons dvelopp des croisements bass sur un tri complet, ou partiel, et procdant
par recopie de certaines parties des parents, le tout en utilisant les informations sur les dates
de dbut dexcution des jobs sur la premire et la dernire machine selon lalgorithme
suivant :
Algorithme
Dbut
i.
ii.
iii.
iv.
Nous disposons des parents P1 et P2.

Gnrer un point de coupure alatoirement dans le parent P1. Soit L ce point.
Copier dans le fils F1 la partie de 1 L (partie gauche) de P1.
Dans la deuxime partie du fils, les jobs non encore attribus sont mis dans
1 + i2 tel que 1 (resp. 2 ) est la date de dbut dexcution
lordre croissant de i
i
i
2
du job sur la premire machine dans le parent P1 (resp. P2).
Fin
Il est noter que les ki correspondent la solution du Pert Cot pour les individus
faisables et aux dates au plus tt sur les dates de dbut impratives pour les individus non
faisables.
En inversant la copie (copier la partie droite au lieu de la partie gauche) on obtient un autre
enfant. En intgrant le classement aussi la partie copie, on obtient un autre enfant. En
inversant les rles de P1 et P2 on obtient un autre fils. Finalement, si on ne fait pas de copie,
et quon fasse le tri sur tout le chromosome, on obtient un autre type denfants. On peut
90
prendre les i de la premire ou de la dernire machine. En dfinitif, on a 18 faons de

gnrer des enfants.
La figure suivante montre la construction des enfants partir des parents P1 et P2.
P1
1i + i2
P2
1i + i2
P1
2
P2
1i + i2
Figure 3.24 les croisements bass sur les dates dexcutions.
Une autre manire de faire un croisement spcifique notre problme de juste temps qui
nest applicable que si les deux parents sont faisables, est de considrer le cot de chaque job
(dans le parent considr) la position la quelle il est affect. La figure fig. dcrit
lalgorithme du croisement bas sur les cots des jobs. Le principe est simple : on a deux
parents, on parcourt le parent principal (soit le premier parent slectionn) de gauche droite,
et on compare le cot de chaque job dans chacun des deux parents. Le job est affect dans le
fils, la position dans le pre ou la mre qui a le moindre cot (somme davance et retard par
rapport aux dates souhaites de livraison et de disponibilit). Si cette position est dj
affecte, alors on laffecte la premire position libre qui succde. Le deuxime enfant est
obtenu en se basant cette fois ci sur les positions, et non sur les jobs. On parcourt les deux
parents de gauche droite, et pour chaque position est affect le job dans le pre ou la mre
qui a le moindre cot. Si pour une position donne, les deux jobs correspondant sont dj
affects, alors on y affecte le premier job non affect.
Algorithme Job Based Crossover
Dbut
Soient P1 et P2 les deux parents de longueur N.
Pour i=1 N Faire

Soit J1 lindice du job la position i dans P1.

Chercher la position de J1 dans P2. Soit j cette position.
Si (les positions i et j dans le fils F1 ne sont pas dj remplies)
Alors
Si cot (P1, J1)< cot (P2, J1) Alors

Le job J1 est affect la position i dans F1.
Sinon J1 est affect la position j dans F1.
Sinon
Si la position i est remplie alors affecter J1 la position j.
Si la position j est remplie alors affecter J1 la position i.
Sinon
Affecter J1 la premire position libre aprs i ou j.
FinPour
Fin
Figure 3.25. Algorithme du croisement bas sur les cots des jobs.
Lalgorithme du croisement bas sur les positions est donn par la figure suivante :
91
Algorithme Position Based Crossover

Dbut
Soient P1 et P2 les deux parents de longueur N.
Pour i=1 N Faire

Soit J1, J2 les indices des jobs la position i dans P1 et dans P2.
Si cot(P1, J1)< cot(P2, J2)Alors
Si J1 non encore affect Alors

Affecter J1 la position i dans le fils F1.
Sinon

Sinon

Sinon

FinPour
FIN
Figure 3.26 Algorithme du croisement bas sur les positons.
3.4.3.2.2 Les mutations

Nous avons utilis la mutation simple bas sur lchange de deux jobs tirs alatoirement,
ainsi que deux nouvelles mutations dans lesquelles nous avons essay dutiliser les proprits
du problme de juste temps tudi. La premire mutation consiste avancer dune position
le job avec le plus grand retard, la deuxime consiste reculer dune position le job avec la
plus grande avance.
En outre, pour les problmes spcifiques de structure dateliers en flowshop de
permutation, nous avons adapt la technique dite de blocks de jobs dveloppe par (Nowicki
et Smutnicki, 1996). Cette technique a t dveloppe pour le problme de flowshop de
permutation avec lobjectif de minimiser le makespan. Elle dfinissait une nouvelle mthode
de recherche par voisinage utilis dans un algorithme de recherche taboue (pour minimiser la
dure totale).
Cette technique se base sur la dfinition de la notion de blocks de jobs. On commence par
rechercher le chemin critique (le plus long chemin) dans le problme modlis par un graphe
potentiel. En utilisant certaines proprits, les jobs sont regroups en blocks. La principale
utilit de cette mthode est quelle dfinit un ensemble de permutations (un voisinage) qui ne
sont pas intressantes (namliore pas le makespan minimum), et de ce fait on oriente la
recherche vers un ensemble bien prcis, ce qui peut amliorer et acclrer la convergence de
lalgorithme de recherche de solutions faisables pour notre application. Les dtails sur cette
mthode sont prsents dans (Nowicki et Smutnicki, 1996) et aussi dans (Janiak et Portmann,
1998).
3.4.3.3 Schma Elitiste

3.4.3.3.1 Les paramtres
On doit aussi dfinir certains paramtres comme la taille de la population, les probabilits
de croisement, et de mutation, le nombre de gnrations maximum, le critre darrt. Pour
faire le calibrage de lalgorithme gntique, on se base sur les expriences et on fait un
compromis entre temps dexcution, rapidit de convergence, et qualit de la population.
92
3.4.3.3.2 Choix des oprateurs

Dans la conception dun algorithme gntique, il ne faut jamais perdre de vue quil ny a
aucun oprateur de croisement, mutation, slection ou remplacement qui soit meilleur quun
autre dans tous les cas et pour tous les problmes. Lexprience montre quil faut faire des
tests pour choisir les oprateurs adquats pour un problme donn. Cest ainsi que sur la base
des tests effectus nous avons choisis les oprateurs qui semblent les meilleurs parmi ceux
tests pour notre problme.
3.4.3.3.3 Schma
Nous proposons le schma dit litiste suivant :
Schma litiste
Dbut
Initialisation

Gnrer une population initiale P0 de Q individus dont les 2/3 sont
faisables.
Evaluation :

Evaluer la force (fitness) de chaque individu de la population Pk 1 .
Trier la population dans lordre dcroissant.
Slection :

Slectionner 2 Q / 3 couples dindividus dans la premire partie de la
population Pk 1 .
Croisement :

On applique un oprateur de croisement orient donnes chaque couple
dindividus. Si un des enfants est identique lun des parents, alors
on gnre des fils avec loprateur 2X.

On garde et les parents, et les enfants dans la population.
Mutation

On applique loprateur de mutation chaque individu avec la
probabilit
p m . Lindividu est conserv lidentique avec la
probabilit 1 p m .

La probabilit de mutation est choisie plutt petite.
Remplacement :

On trie la population, et on ne garde que les Q meilleurs individus.
Arrt :

Aller valuation tant que le nombre de gnrations gnrer nest
pas atteint.
Fin
Figure 3.27 Schma litiste.
3.4.4 Le recuit simul

3.4.4.1 Introduction
La mthode du recuit simul pour les problmes doptimisation combinatoire sappuie sur
les travaux de Metropolis (Metropolis, 1953) qui a dcrit lvolution de lquilibre
thermodynamique dun systme physique. A temprature nulle, le systme volue partir
dune configuration vers la, ou les, configurations dnergie les plus basses par une mthode
du type gradient. En revanche, temprature non nulle, le systme peut tre tir vers dautres
bassins plus intressants. En bref, il faudrait que la temprature soit assez grande pour
permettre au systme de sauter les barrires, et assez faible pour lui permettre dtre attir vers
le fond. Cest une approche dynamique double : recherche de minima temprature fixe,
plus une dynamique de diminution de la temprature. La recherche par un systme physique
93
des tats dnergie les plus bas est transforme par analogie en un processus doptimisation
combinatoire.
Kirkpatrick (Kirkpatrick, 1983) a t le premier introduire cette mthode pour les
problmes doptimisation combinatoire.
3.4.4.2 Principe de fonctionnement

Lide du recuit simul en optimisation combinatoire est de simuler une opration de recuit
thermique. Partant dune solution (configuration) initiale qui peut tre gnre alatoirement
ou laide dune heuristique constructive, on gnre une solution proche (dans le voisinage)
dune manire totalement alatoire ou bien suivant une mthode spcifique au problme trait
intgrant du hasard. Au dpart, on configure la temprature un niveau assez lev pour
viter de tomber ds le dpart dans un optimum local. Le voisin de la solution initiale peut soit
amliorer, soit dgrader le critre optimiser. Si le voisin amliore le critre, alors il est
immdiatement accept et devient la configuration courante. La ritration de ce processus
conduit trouver la meilleure solution dans un voisinage (mthode de la descente). Si le
voisin dgrade la critre, alors il peut tre accept avec une certaine probabilit qui dpend de
la dgradation et de la temprature. Ceci permet de sortir doptima locaux, et dexplorer ainsi
une grande partie de lespace de recherche. La temprature diminue au fur et mesure de
lavancement du processus doptimisation, on tend ainsi explorer le mieux possible une
rgion de lespace de recherche quon considre particulirement intressante. Il sagit dun
processus dintensification. Lalgorithme du recuit simul est donn par la figure suivante :
Algorithme Simulated Annealing
Dbut
Pour k de 1 P Faire
% P essais
% Initialisation de l'essai
xo:=solution alatoire;
% Solution de dpart
fm:=f(x0) ; % Init. meilleure valeur
J:=0; % Init. compteur arrt
T:=To; % Init. Temprature
% Droulement de lessai %
Tantque JQ Faire
% Palier temprature
I:=0; % Init. compteur pal. temp.
% Boucle sur les essais lmentaires %
% Fin palier temprature
T:=T*a;
FinTantque
retenir fm , xm;
FinPour
% Fin essai
Fin
% Boucle interne sur les essais lmentaires
Tantque IN & JQ Faire
x1:=VOISIN(xo); % 1 essai lmentaire
I:=I+1; (compteur pour palier de temprature)
J:=J+1; (compteur pour arrt final)
Si f(x1) < f(xo) Alors
xo:=x1;
Si f(xo)<fm Alors
xm:=xo; fm:=fo; J:=0
Sinon
f:=f(x1)-f(xo);
94

U:=Uniforme(0,1);
Si U exp (- f / T)
xo:=x1
Alors
Finsi;
FinTantque
Figure 3.28 Algorithme du recuit simul.
Pour obtenir le voisin dune solution, nous utilisons les oprateurs de mutation quon a
dfini pour lalgorithme gntique. Le reste des paramtres : temprature initiale, critre
darrt, probabilit de diminution, nombre de paliers, sont dtermins exprimentalement.
3.5 Conclusion
Nous avons prsent dans ce chapitre la mthode de rsolution que nous dveloppons pour
les problmes de juste temps qui ont fait lobjet du deuxime chapitre. Nous avons combin
lutilisation de mthodes exactes, et de mthodes approches. Dans un premier lieu, nous
donnons le schma global de la solution. Celle-ci est base sur une approche par
dcomposition qui utilise une mtaheuristique pour parcourir lespace de solutions, et utilise
une mthode exacte pour valuer la solution.
En premier temps, nous montrons lquivalence entre notre problme de juste temps pour
les chanes logistiques, et le problme connu de Pert cot. Nous avons plus particulirement
dvelopp un algorithme pour minimiser le nombre ditrations du Pert cot.
Dans un second temps, Nous prsentons deux types de mta heuristiques : les algorithmes
gntiques, et le recuit simul. Nous faisons une prsentation brve de la mthode du recuit
simul pour sa simplicit. Nous dveloppons avec plus de prcisions les algorithmes
gntiques. Nous avons conu de nouveaux oprateurs gntiques spcifiques au problme.
Nous proposons en outre de les utiliser dans un schma litiste.
95
4 Chapitre 4 : Expriences numriques
Rsum
Ce chapitre est consacr lvaluation des algorithmes dvelopps dans le chapitre prcdent.
Chapitre 4 : Expriences numriques
97
4.1 Introduction
Nous prsentons dans ce chapitre les rsultats des exprimentations que nous avons men
pour valuer les performances des algorithmes bass sur le Pert Cot (valuation dune
permutation), et sur les mtaheuristiques. Nous prsentons en premier lieu la mthode de
gnration de donnes. Comme il nexiste pas dans la littrature des benchmarks pour notre
problme, nous avons dvelopp une mthode pour les gnrer en essayant de tenir compte de
certaines situations que lon pourrait trouver dans un milieu industriel, comme par exemple
lhtrognit des temps dexcution des oprations, et la prsence de machines goulets.
4.2 Gnration de donnes

Pour tester les performances des algorithmes dvelopps dans cette thse, nous avons
besoin de gnrer un ensemble de donnes. Cet ensemble doit couvrir le plus largement
possible lensemble des cas possibles en milieu rel. On a trois types de donnes gnrer :
les temps dexcutions, les pnalits, et les dates souhaites et les dates impratives.
4.2.1 Les temps dexcutions

On distingue deux familles de temps dexcution : Homognes et htrognes.
a. Homogne : On considre trois familles :
1.
H1 : gnration alatoire uniforme sur lintervalle [10,40] pour des temps

dexcutions relativement petits avec une moyenne de 25 sur une plage de
30. Le quotient de la division du maximum par le minimum est de 4.
2.

dexcutions dune moyenne de 50, sur une plage de50. Le quotient de la
division du maximum par le minimum est de 3.

3.
dexcutions dune moyenne de 50, sur une plage de 100. Le quotient de la division du
maximum par le minimum est de 100.
b. Htrogne : on distingue lhtrognit sur les jobs, et sur les machines.
1.
Sur les jobs : Cest un mlange des trois familles prcdentes de temps
dexcutions pondres par des probabilits : la famille [10,40] avec une
probabilit de 0,5 ; [25,75] avec une probabilit de 0,25 ; [1,100] avec une
probabilit de 0,25.
2.
Sur les machines : introduction de la notion de machines goulets. Une machine

goulet est une machine dont les temps dexcutions Pij sont gnrs de manire
identique au cas homogne avec les limites de lintervalle de gnration
augmentes de 10. La moyenne des temps opratoires est donc augmente de
10. La somme des dures opratoires sur une machine goulet est en moyenne
plus grande de 10n que sur le reste des machines. Elle a donc, une charge
supplmentaire de travail par rapport aux autres machines. On peut avoir une
machine goulet au dbut (donc machine M1), ou au milieu, ou bien deux
machines goulets.
On a donc12 familles dexemples :

i. Sans goulet H1 H2 H3
(1,2,3),
98

ii. Goulet au dbut H1 H2 H3
(4,5,6),
iii. Goulet au milieu H1 H2 H3
(7,8,9),
iv. 2 machines goulets H1 H2 H3 (10,11,12).
4.2.2 Gnration des pnalits davance et de retard

Nous avons gnr six familles de pnalits davance et retards par rapports aux dates de
disponibilits de composants, et de livraison des produits finis. Nous avons essay de reflter
ce qui se passe le plus souvent dans le milieu industriel, cest--dire la pnalisation plus
importante des retards des livraisons, et des avances des approvisionnements en composants.
Le tableau suivant rcapitule la faon avec laquelle on les gnre :
P1
P2
P3
P4
P5
P6
r i, j
Rand (1,10)
Rand (1,10)
d i, j
r i, j
d i, j
10
10
Rand (1,10)
Rand (1,100)
Figure 4.1 gnration des pnalits davance et de retard.
4.2.3 Gnration des dates souhaites et des dates impratives

Pour tre certain davoir au moins une solution faisable, nous sommes partis dune
permutation cale gauche et nous avons gnr les dates souhaites et impratives autour de
cette solution. On distingue la marge (ou mou) par rapport aux dates souhaites, et la marge
par rapport aux dates impratives. La mthode de gnration est dcrite par lalgorithme
suivant :
Dbut
Etape 0 :
1. gnrer une permutation alatoire.
2. calculer les dates au plus tt ( i ) avec Ri=RiBarre=0 :
100 + PourMou1
* t avec PourMou1={10, 20, 40, 80} le pourcentage de mou.
100
Dmax=
3. calculer = (Dmax- t ) /2.

Etape 1 :
4. dcaler les i de :
1i = 1i + .
i1 Les dates au plus tard avec le Pert simple partir de Dmax- .
5. RiBarre= random(0, 1i ).
DiBarre= random( i1 +Pim ,Dmax)
99

Etape 2 :
6. Psi= DiBarre-RiBarre-
ij
7. RDi =(100-PourMou2)*Psi / 100.

8. =random (0,1)
Ri=RiBarre+ RDi
Di=DiBarre- (1 ) RDi
Fin
4.3 Evaluation du Pert Cot

Nous avons implment la mthode du Pert cot en langage C++, et lavons test sur un
ordinateur muni dun processeur Pentium 4 1.7 Ghz et dune mmoire de 1 Giga. Les tests
ont t effectus sur des problmes de flowshop de permutation dans lesquels on cherche
minimiser la somme des pnalits davance et de retard par rapport la premire opration, et
la dernire opration de chaque job.
On a gnr des fichiers de donnes avec la premire famille de temps dexcution et la
troisime famille des pnalits davance et de retard. Les deux facteurs de mou (par rapport
aux dates souhaites et aux dates impratives) sont 80. Cest--dire assez grand, dans le but
davoir assez rapidement des permutations faisables sur lesquelles on peut valuer les
performances. Le but ici ntant pas dvaluer le ratio de permutations faisables, mais
dvaluer les temps dexcutions et le nombre ditration ncessaires au Pert cot.
On a pris le nombre de machines dans lensemble (4, 5, 6, 8, 10) et le nombre de jobs dans
lensemble (5, 10, 15, 20). Pour chaque couple (nombre de job, nombre de machines), on a
gnr instances diffrentes. Pour chaque instance on donne le nombre ditrations ainsi que
la dure dexcution en secondes.
i.
Nombre de travaux=5 :
Nombre de machines=4
Nombre
Itrations
Dure
Inst1
Inst2
Inst3
Inst4
Inst5
Inst6
Inst7
Inst8
Inst9
Inst10
moyenne
4,1
0.047
0.046
0.047
0.032
0.062
0.094
0.031
0.031
0.031
0.062
0,0483
Nombre
Itrations
Dure
Inst1
Inst2
Inst3
Inst4
Inst5
Inst6
Inst7
Inst8
Inst9
Inst10
moyenne
5,6
0.031
0.094
0.109
0.031
0.11
0.047
0.047
0.062
0.063
0.093
0,0687
Nombre
Itrations
Dure
Inst1
Inst2
Inst3
Inst4
Inst5
Inst6
Inst7
Inst8
Inst9
Inst10
moyenne
4,5
0.047
0.047
0.047
0.078
0.062
0.031
0.063
0.047
0.063
0.031
0,0516
100
Nombre
Itrations
Dure
Inst1
Inst2
Inst3
Inst4
Inst5
Inst6
Inst7
Inst8
Inst9
Inst10
moyenne
5,7
0.031
0.141
0.047
0.094
0.109
0.094
0.062
0.125
0.078
0.11
0,0891
Nombre
Itrations
Dure
ii.
Inst1
Inst2
Inst3
Inst4
Inst5
Inst6
Inst7
Inst8
Inst9
Inst10
moyenne
4,6
0,062
0,079
0,046
0,047
0,125
0,109
0,046
0,047
0,047
0,125
0,0733
Nombre
Itrations
Dure
Inst1
Inst2
Inst3
Inst4
Inst5
Inst6
Inst7
Inst8
Inst9
Inst10
moyenne
13
6.3
0,219
0,094
0,125
0,25
0,515
0,141
0,094
0,141
0,156
0,109
0,1844
Nombre
Itrations
Dure
Inst1
Inst2
Inst3
Inst4
Inst5
Inst6
Inst7
Inst8
Inst9
Inst10
moyenne
12
10
0,296
0,063
0,172
0,235
0,25
0,422
0,125
0,125
0,093
0,391
0,2172
Nombre
Itrations
Dure
Inst1
Inst2
Inst3
Inst4
Inst5
Inst6
Inst7
Inst8
Inst9
Inst10
moyenne
12
10
5,4
0,125
0,359
0,078
0,343
0,079
0,094
0,078
0,11
0,093
0,188
0,1547
Nombre
Itrations
Dure
Inst1
Inst2
Inst3
Inst4
Inst5
Inst6
Inst7
Inst8
Inst9
Inst10
moyenne
10
12
5,1
0,078
0,094
0,094
0,094
0,422
0,562
0,078
0,219
0,094
0,172
0,1907
Nombre
Itrations
Dure
Inst1
Inst2
Inst3
Inst4
Inst5
Inst6
Inst7
Inst8
Inst9
Inst10
moyenne
12
10
6,6
0,156
0,156
0,562
0,125
0,109
0,359
0,265
0,187
0,141
0,375
0,2435
101
iii.
Nombre
Itrations
Dure
Inst1
Inst2
Inst3
Inst4
Inst5
Inst6
Inst7
Inst8
Inst9
Inst10
moyenne
5,6
0,39
0,266
0,235
0,281
0,109
0,375
0,453
0,11
0,203
0,203
0,2625
Nombre
Itrations
Dure
Inst1
Inst2
Inst3
Inst4
Inst5
Inst6
Inst7
Inst8
Inst9
Inst10
moyenne
10
11
6,5
0,109
0,266
0,422
0,203
0,406
0,75
0,422
0,125
0,813
0,25
0,3766
Nombre
Itrations
Dure
Inst1
Inst2
Inst3
Inst4
Inst5
Inst6
Inst7
Inst8
Inst9
Inst10
moyenne
12
5,9
0,297
0,125
0,391
0,828
0,234
0,156
0,344
0,125
0,172
0,328
0,3
Nombre
Itrations
Dure
Inst1
Inst2
Inst3
Inst4
Inst5
Inst6
Inst7
Inst8
Inst9
Inst10
moyenne
22
6,2
0,313
2,797
0,14
0,188
0,157
0,14
0,468
0,187
0,281
0,25
0,4921
Nombre
Itrations
Dure
iv.
Inst1
Inst2
Inst3
Inst4
Inst5
Inst6
Inst7
Inst8
Inst9
Inst10
moyenne
5,9
0,391
0,594
0,328
0,234
0,235
0,5
0,25
0,282
0,235
0,781
0,383
Nombre
Itrations
Dure
Inst1
Inst2
Inst3
Inst4
Inst5
Inst6
Inst7
Inst8
Inst9
Inst10
moyenne
10
11
6,7
0,797
0,453
1,187
0,203
0,218
1,218
0,765
0,578
0,234
0,453
0,6106
Nombre
Itrations
Dure
Inst1
Inst2
Inst3
Inst4
Inst5
Inst6
Inst7
Inst8
Inst9
Inst10
moyenne
11
13
11
12
10
10
19
16
11,3
1,156
0,344
1,922
0,938
1,625
0,828
0,421
0,828
3,719
1,875
1,3656
102
Nombre
Itrations
Dure
Inst1
Inst2
Inst3
Inst4
Inst5
Inst6
Inst7
Inst8
Inst9
Inst10
moyenne
12
16
6,9
1,157
0,86
0,203
0,687
0,328
0,266
0,437
0,297
0,281
1,875
0,6391
Nombre
Itrations
Dure
Inst1
Inst2
Inst3
Inst4
Inst5
Inst6
Inst7
Inst8
Inst9
Inst10
moyenne
15
14
12
8,6
0,812
0,36
2,094
0,406
1,547
0,5
0,562
0,609
1,718
0,469
0,9077
Nombre
Itrations
Dure
Inst1
Inst2
Inst3
Inst4
Inst5
Inst6
Inst7
Inst8
Inst9
Inst10
moyenne
12
15
6,8
0,328
0,312
0,703
1,297
0,328
0,531
0,765
0,238
0,375
0,25
0,5127
Les expriences montrent que les temps dexcution sont relativement courts pour les
problmes gnrs, et que le nombre ditrations reste assez petit. Le temps dexcution ne
dpend pas du nombre de machines. Il dpend du nombre de jobs, une comparaison rapide
prsente sur le schma suivant montre que lallure est approximativement quadratique (la
exp contient les dures exprimentales pour chaque nombre de jobs, la courbe lin est la
droite passant par 0 au point 0 et par la dure maximale au point 20, la courbe car est la
courbe en n2 passant par 0 au point 0 et par la dure maximale au point 20).
0,9
0,8
0,7
0,6
exp
0,5
lin
0,4
car
0,3
0,2
0,1
0
0
10
15
20
Figure 4.2 Courbe des dures opratoires par nombre de jobs.
4.4 Evaluation des mtaheuristiques

Dans cette section, nous prsentons les rsultats des valuations des mtaheuristiques
dveloppes dans le chapitre prcdent. Nous comparons quatre mthodes : gnration
compltement alatoire, suite la suggestion dun des rapporteurs du papier (Portmann et
Mouloua, 2007), mais ceci uniquement pour les tests de recherche de solutions faisables ;
recuit simul, algorithme gntique simple avec loprateur 2X, et enfin, lalgorithme
103
gntique litiste avec un tirage alatoire uniforme dans un ensemble doprateurs conus et
prsents au chapitre 3 pour 2/3 des croisements et avec 2X pour 1/3 des croisements et
chaque fois que les nouveaux croisements ne sont pas applicables (un des parents non
faisables).
Nous avons programm en langage C++, et nous avons ralis les expriences sur un
ordinateur Pentium 4 1.7 Ghz, et une mmoire de 1 Giga. Comme pour l valuation du Pert
cot, les expriences ont t effectues sur des problmes de flowshop de permutation dans
lesquels on cherche minimiser la somme des pnalits davance et de retard par rapport la
premire opration et la dernire opration de chaque job.
Dans une premire partie, nous valuons le pourcentage de solutions faisables cres par
chaque mthode par rapport au nombre total de solutions gnres. Pour cela, nous gnrons
des fichiers de donnes avec plus ou moins de marge (coefficient de mou). Plus le mou est
grand, plus il y a de chances de trouver des solutions faisables.
Dans la deuxime partie, nous comparons la qualit des meilleures solutions faisables
gnres par les diffrentes mta-heuristiques. Sauf si une mthode narrive pas trouver le
nombre demand de solutions faisables au bout dun temps limit, on gnre le mme nombre
de solutions faisables pour chaque mthode.
4.4.1 Pourcentage de faisabilit

Dans cette premire partie, nous valuons le pourcentage de permutations faisables
gnres par chacune des quatre mthodes au bout de 1000 solutions gnres. Nous utilisons
des jeux de donnes avec des temps opratoires de la premire famille, et des pnalits de la
troisime famille. Selon le mou utilis, nous distinguons quatre catgories de fichiers de
donnes : (10, 20, 40, 50, 80). Pour tous les fichiers de donnes utiliss, on a le nombre de job
gal dix, et le nombre de machines gal cinq. On excute les programmes trois fois pour
chaque fichier et on donne le rsultat moyen. Dans les deux types dalgorithmes gntiques
tests, nous avons pris une taille de population gale 30, et une probabilit de mutation de
0,2. Concernant lalgorithme gntique simple, la probabilit de recopier un parent est de
0,33. Les rsultats sont donns par les tableaux suivants :
Mou
Random
SA
AGE
AGS
10
0,93 %
2,43 %
17,9%
45,63 %
20
18,93 %
34,86 %
69,53%
69,63 %
40
8,5 %
20,13 %
53,83%
72,23 %
50
9,26 %
20,8 %
61,76%
71 %
80
61,03%
83,4 %
89,9%
91,03 %
Figure 4.3 degr de faisabilit des solutions.
Dans le tableau prcdent, Random dsigne la gnration alatoire, SA le recuit simul,

AGS lalgorithme gntique simple, et AGE pour lalgorithme gntique litiste. Nous
pouvons constater que lalgorithme gntique est clairement meilleur que le recuit simul et la
gnration alatoire du point de vue du pourcentage de cration de solutions faisables.
Lalgorithme gntique parcourt, donc, lespace de solution dune manire plus intelligente
que ne le fait le recuit simul (en outre, on a vrifi de visu sur les droulements numriques
que les solutions gnres par AGS et de lAGE taient diversifies). On a donc plus de
104
chances dexplorer des solutions intressantes avec lAGS quavec le recuit simul ou avec
lAGE.
4.4.2 Qualit des solutions trouves

Dans cette deuxime partie des tests sur les mtaheuristiques, nous valuons la qualit des
solutions trouves par chacune des mtaheuristiques. Pour cela, nous gnrons quatre fichiers
de donnes tel que les dures dexcutions des jobs sur les machines appartiennent la
premire famille (pour les expriences faites pour le mmoire provisoire), et les pnalits
appartiennent la troisime famille (idem). Le nombre de jobs est dix, et le nombre de
machines est cinq. Nous arrtons lexcution lorsquon a cr 300 solutions faisables, ou bien
si lon arrive une certaine limite de temps (gnration de 30000 permutations, faisables et
infaisables confondues). Nous rptons lexcution de chaque mthode cinq fois pour chaque
instance, et nous retenons chaque fois, et chaque instant, la meilleure solution.
Les rsultats sont rsums sur les figures suivantes.
Instance 1 : les meilleures solutions sont trouves par lAGE et SA pour une somme de
pnalit davance retard SPAR gale 3819, ce qui donne un gain de 0.01% par rapport la
solution trouve par lAGS (3891). Il faut noter toutefois que SA ne trouve pas 300 individus
faisables.
Instance 2 : la meilleure solution est trouve par SA (SPAR = 1395), mais celle trouve
par AGE est trs proche (1396). Le gain par rapport AGS est de 0.01% (SPAR = 1418).
Instance 3 : la meilleure solution est trouve par AGE (SPAR = 1559), avec un gain de
0.01% par rapport SA, et de 0.05% par rapport AGS.
Instance4 : la meilleure solution est trouve par AGS (SPAR = 2064), avec un gain de
0.01% par rapport SA, et de 0.05% par rapport AGE.
Les figures suivantes illustrent les rsultats obtenus.
6000
5000
Valeurs
4000
SA
3000
AGS
AGE
2000
1000
0
1
9 13 17 21 25 29 33 37 41 45 49 53 57
Gnrateur de solutions
Figure 4.4 SA Vs AGS Vs AGE ; instance 1.
105

1650
1600
Valeurs
1550
1500
SA
1450
AGS
1400
AGE
1350
1300
1250
1
7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58

2500
1500
SA
AGS
AGE
1000
500
0
1
7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58

Instance 4
6000
5000
Valeurs
Valeurs
2000
4000
SA
3000
AGS
AGE
2000
1000
0
1
9 13 17 21 25 29 33 37 41 45 49 53 57
Figure 4.7 A Vs AGS Vs AGE ; instance 4.
106
Les expriences menes nous montrent que les trois mtaheuristiques se valent. Il ny a pas
une qui est franchement meilleure quune autre. Toutefois, nous navons pas mens assez
dexpriences (contrainte de temps) pour affirmer une telle conclusion. Nous pensons que si
on mne des expriences plus longtemps, nous pourrons probablement les dpartager.
Nanmoins lobjectif de la thse tait de montrer que lon peut traiter, en un temps
raisonnable, des problmes dordonnancement pour organiser des ngociations dans la chane
logistique en croisant une mtaheuristique et une technique de PERT COUT et cet objectif est
atteint.
4.4.3 Evaluation des oprateurs gntiques

Dans cette section, nous mettrons les rsultats de la comparaison des oprateurs dvelopps
pour le schma litiste de lalgorithme gntique (nouvelle exprience venir).
4.5 Conclusion
Nous avons mens dans ce chapitre des expriences pour valuer les mthodes de
rsolution proposes pour les problmes de juste temps dfinis dans les chapitres prcdents.
Nous navons pas pu mener toutes les expriences ncessaires pour pouvoir juger dune
manire irrfutable la qualit de chaque mthode. Des expriences qui ont pu tre menes, il
en ressort que :
1. Lvaluation du Pert cot nous permet davoir lassurance de trouver les solutions
optimales par rapport une squence donne de traitement des travaux. Ceci est fait
en un temps relativement court, ce qui est pratique pour une utilisation en milieu
rel. En outre, notre mthode de calcul du pas de compression a permis davoir un
nombre ditrations du Pert cot relativement petit et trs loin de la borne
suprieure dfinie la section 3.3.4.
2. Lutilisation des mtaheuristiques nous permet de parcourir lespace de solutions
dune manire intelligente. Les deux algorithmes gntiques utiliss donnent plus
de chances de trouver des solutions faisables par rapport au recuit simul, mais ceci
nassure pas de trouver de meilleures solutions. En effet, les trois mthodes testes
se valent.
Il serait trs intressant de poursuivre la srie des expriences sur les mtaheuristiques avec
des temps dexcutions plus longs, et sur les diffrents types de donnes que lon peut gnrer
grce notre mthode de gnration de donnes dcrite dans la premire section du prsent
chapitre.
107
5 Chapitre 5 : problmes de transports dans
chanes logistiques
Rsum
Dans ce chapitre, nous tudions un ensemble de problmes dordonnancements dans des
chanes logistiques spcifiques. Nous tudions trois grands problmes pour lesquels nous
dduisons des cas spcifiques. Nous nous intressons ici principalement loptimisation des
cots de transports, ainsi quaux moyens de mettre en uvre la coopration entre partenaires,
ou bien entre deux diffrentes fonctions de la chane. Nous proposons des mthodes de
rsolutions exactes pour la plupart des problmes considrs.
Chapitre 5 : problmes de transport dans les chanes logistiques
110
5.1 Introduction
Comme nous lavons prsent au chapitre consacr ltat de lart, le traitement des
dcisions oprationnelles au niveau des chanes logistiques est trs peu tudi dans la
littrature. Beaucoup plus dimportance est accorde aux problmes des niveaux stratgiques
et tactiques. Nanmoins, dans lindustrie le lot de problmes quotidiens rencontrs au niveau
oprationnel est trs grand, et peu de solutions sont proposes ce niveau de dcision.
Labsence doptimalit des dcisions oprationnelles peut avoir des consquences nfastes sur
la performance globale de la chane. Par exemple, une mauvaise exploitation des ressources
humaines et matrielles au jour le jour peut engendrer des cots de fonctionnements normes,
allonger les dlais de livraison, amoindrir la qualit des produits fabriqus, et ainsi abaisser la
comptitivit de lentreprise. Cest dans ce contexte que nous nous sommes intresss la
rsolution de certains problmes au niveau oprationnel de la chane logistique.
Dans ce chapitre, nous dveloppons des techniques dordonnancement pour diffrents
problmes pouvant arriver dans la chane logistique afin doptimiser diffrents critres. Nous
tudions trois grands problmes.
En premier, nous tudions un problme dans la chane logistique qui met en uvre la
coopration entre fournisseurs pour satisfaire les demandes dun client. Les fournisseurs
cooprent pour optimiser le cot total de possession de stocks chez lensemble des
fournisseurs. Nous commenons dabord par un problme simplifi avec un nombre rduit de
fournisseurs et de types de produits fabriqus, pour ensuite gnraliser un nombre
quelconque de fournisseurs et de produits fabriqus. Lobjectif est de calculer les quantits de
chaque produit que doit fabriquer chacun des fournisseurs (Mouloua et Oulamara, 2006).
Dans le deuxime problme, nous tudions les problmes de transport dans une chane
logistique lmentaire deux niveaux. Le premier niveau est un systme de production
simplifi, et le deuxime niveau est le systme de transport. En amont de cette chane on a des
courbes cumules darrives des composants des fournisseurs, et en aval on a des courbes
cumules des demandes de livraisons des clients. Dans un premier temps nous proposons un
algorithme pour dcider de la faisabilit ou pas dun problme donn. Nous ajoutons ensuite
des contraintes sur les capacits des transports. Nous proposons des algorithmes polynomiaux
pour loptimisation des cots de transport en minimisant le nombre total de trajets effectus
entre le producteur et ses clients (Mouloua et Portmann, 2006).
Dans le troisime problme nous traitons trois cas doptimisation dans une chane
logistique deux niveaux (production et transport) avec des clients en aval et des courbes
cumules de demandes de livraisons, et des fournisseurs en amont avec des courbes cumules
darrives des matires premires. Nous supposons dans les deux premiers cas que le planning
de production est fix lavance et est optimal. Relativement ce planning de production,
nous proposons un algorithme de programmation dynamique qui minimise les cots de
transports en minimisant le nombre de trajets effectus entre le producteur et ses clients
(Mouloua et Oulamara, 2007). Dans le premier cas on ne considre quun seul type de
produit, une gnralisation plusieurs types de produits est tudie dans le deuxime cas.
Dans le troisime cas on traite un problme de coopration entre les fonctions production et
transport de la chane logistique. En effet, nous dveloppons un algorithme base de
programmation dynamique pour loptimisation conjointe et simultane des cots de
production et de transport.
111
5.2 Problme 1 : La coopration entre fournisseurs pour

minimiser les cots de possession des stocks
5.2.1 Description du problme
Nous traitons un problme dordonnancement dans une chane logistique o plusieurs
fournisseurs (ou sites de production) cooprent pour assurer une production, dun ou de
plusieurs types de produits, satisfaisant les besoins dun client. Le client demande une certaine
quantit pour chaque type de produits dont il a besoin, les fournisseurs du client cooprent
entre eux pour dcider qui produit combien en faisant en sorte de livrer le client en quantit
demandes et dans les plus brefs dlais. Les produits sont regroups en batches et transports
au client. Lobjectif est de minimiser le cot total de possession des produits chez lensemble
des fournisseurs ainsi que les cots de livraisons. Les batches ne contiennent que des produits
(items) du mme type. Le temps de fin dexcution dun item est le temps de fin dexcution
du dernier item appartenant au batch. Le temps dexcution dun batch est proportionnel au
nombre ditems le composant. On associe un cot de possession chaque item depuis le
temps de traitement du premier item du mme produit et jusqu la livraison de litem en
question. Cette dernire hypothse implique que lordre dans lequel on traite les produits
ninflue pas sur la fonction objective, donc les produits sont indpendants les uns des autres.
Figure 5.1 chane logistique considre.
5.2.2 Hypothses et Notations

5.2.2.1 Hypothses :
Pour ce problme, nous posons les hypothses suivantes :
i. Tous les items des matires premires sont disponibles linstant t = 0 pour le cas
mono produit.
112
ii. Le temps dexcution dun batch dpend de sa taille (du nombre ditems quil
contient).
iii. Un batch contient uniquement des items du mme produit. Sries de productions
ininterrompues et pas de temps morts internes aux batchs.
iv. Les livraisons au client se font en juste temps, un trajet est effectu pour chaque
batch.
v. Un cot de possession est associ chaque item depuis le temps de production du
premier item du produit, et jusqu la livraison du batch auquel appartient litem. On
suppose donc, quon dispose de toutes les matires premires ncessaires juste avant le
dbut de production de chaque produit. La matire premire arrive donc en juste temps.
vi. Le client ne paye les produits qu la date convenue, si les produits arrivent plutt que
prvu, alors les fournisseurs doivent attendre avant dtre pays.
vii. Chaque fournisseur ne peut excuter quune seule tche la fois.
viii. La production se fait sur un horizon de temps H .
5.2.2.2 Notations
Nous utilisons les donnes et variables suivantes :
Donnes
N : Le nombre de fournisseurs.
M : Le nombre de produits.
W : Quantit totale demande par le client.
pij : Temps dexcution chez le fournisseur i du produit j .

d ij : Cot de livraison dun batch du produit j du fournisseur i .
nij : Nombre de batches du fournisseur i du produit j .
hi : Cot de possession dun item chez le fournisseur i pendant une unit de temps.
Variables
Wi j : Quantit produire par le fournisseur i du produit j .
bijk : Taille du k me batch du produit j du fournisseur i .

C ijk : Temps de fin dexcution du k me batch du produit j du fournisseur i .
La fonction objective exprime la somme des cots de possession des stocks et des cots de
livraisons. Comme un cot de possession est associ chaque item tout au long de son
traitement (le traitement du batch auquel il appartient), alors la fonction objective est dfinie
par :
TC : Cot total de possession et de livraison chez lensemble des fournisseurs

M
nij
hi bijk Cijk + nij .d ij

j =1 i =1 k =1
j =1 i =1
Les deux figures suivantes montrent deux ordonnancements arbitraires chez deux
fournisseurs.
113
b111
b121
C
1
11
b1kj
k
C1 j
1
12
Figure 5.2 ordonnancement du fournisseur 1.
1
b21
1
b22
1
21
1
22
b2k j
k
C2 j
Figure 5.3. Ordonnancement du fournisseur 2.
Comme le nombre de batches est fix et connu lavance, la partie relative aux cots de
livraisons dans la fonction objective est constante. Elle sera donc omise dans les calculs qui
suivent. Pour des raisons de clart et de simplicit, nous nutiliserons pas lindice j quand il
sagit de problmes un seul produit.
5.2.3 Le problme Mono Produit

Dans cette section, nous considrons dabord le problme un seul type de produit avec
deux fournisseurs, ensuite, nous gnralisons au cas de plusieurs fournisseurs. Pour chaque
problme, nous recherchons la valeur de Wi , le nombre ditems que chaque fournisseur doit
fabriquer, dans le but de minimiser le cot total. Il est vident que pour le cas dun seul
fournisseur, on a W1 = W . Dans ce cas, le seul problme est de trouver la taille b1k du k me
batch. Pour dterminer cette quantit, Selvarajah et Steiner (Selvarajah et Steiner, 2006)
utilisent la almost-equal-batch-size policy (politique de taille de batches Presque gales),
i.e. si W items sont groups en n batches de taille entire gale b k tel que b k {x, x 1}
W
pour k = 1,.., n , alors x = . La preuve de loptimalit de cette politique est donne par
n
(Selvarajah et Steiner, 2006).
5.2.3.1 Le problme 2 fournisseurs

Donnes
W : Quantit totale demande par le client
N = 2,
M = 1,
p i : Temps dexcution chez le fournisseur i ,

d i : Cot de livraison dun batch par le fournisseur i ,
ni : Nombre de batchs du fournisseur i ,
hi : Cot de possession dun item pendant une unit de temps par le fournisseur i ,
Variables
Wi : Quantit produire par le fournisseur i ,
114

bik : Taille du k me batch du fournisseur i ,
C ik : Temps de fin dexcution du k me batch du fournisseur i ,
La fonction objective est donne par :
n1
n2
k =1
k =1
TC = h1 .b1k .C1k + h2 .b2k .C 2k

La figure suivante illustre ce cas :
N = 2 et
M =1
stock
usine 1
W1
Fournisseur 1
n1
h .b
1
k
1
.C 1k
k =1
W2
usine 2
stock
n2
Fournisseur 2
h 2 .b 2k
.C
L
I
V
R
A
I
S
O
N
Clients
TC =
k
2
n1
k =1
k =1
h1.b1k .C1k
n2
h .b .C
2
k
2
k
2
k =1
Figure 5.4 cas de deux fournisseurs.
Sans
perdre
en
gnralit,
nous
supposons
que h1 = h2 = h ,
alors
n2
n1
TC = h. b1k .C1k + b2k .C 2k

k =1
k =1
Lemme 1. Les quantits optimales que chaque fournisseur doit produire pour minimiser le
cot total, pour le problme 2 fournisseurs- mono produit sont donnes par :
W1 =
h2 p 2 .W .(n2 + 1).n1
h1 p1 .n2 .(n1 + 1) + h2 p 2 .n1 .(n2 + 1)
W2 =
h1 p1 .W .(n1 + 1).n2
h1 p1 .n2 .(n1 + 1) + h2 p 2 .n1 .(n2 + 1)
Preuve. Nous remarquons dans la fonction objective que h est en facteur, de ce fait, nous
pouvons lomettre dans les calculs. Nous avons donc :
n1
b
k =1
k
1
.C1k = b11 .C11 + b12 .C12 + b13 .C13 + ... + b1n1 .C1n1
115

n1
b
k =1
k
1
.C1k = b11 .b11 . p1 + b12 . b11 + b12 . p1 + b13 . b11 + b12 + b13 . p1 + ... + b1n1 . b11 + b12 + b13 + ... + b1n1 . p1
n1
k
k
1 .C1
= [(b11 ) 2 + (b12 ) 2 + (b13 ) 2 + ... + (b1 1 ) 2 + b12 b11 + b13 b11 + b12 + b14 b11 + b12 + b13 + .....
n
k =1
n 1
+ b1 1 b11 + b12 + b13 + ... + b1 1

n
n1
b1k
k =1
= p1
2
( )
n1
)]. p
2
b1k
k =1
Alors
2
n1
k
b
1

k =1
+
TC = p1
2
( )
n1
2 b1k
W
TC = p1 1 + k =1
2
2
(b )
n1
k 2
1
k =1
( )
n2
2 b2k
+ p W2 + k =1
2
2
2
(b )
n1
TC =
p1W + p 2W
+ p1
2
2
1
2
2
n2
b
2

k =1
+
+ p2
2
k =1
k 2
1
k 2
2
k =1
(b )
n2
+ p2
(b )
n2
k 2
2
k =1
(5.1)
En suivant la technique dquilibrage de batches, on aura :
W
b1k = x = 1
n1
W
b2k = y = 2
n2
Chez le premier fournisseur on aura m1 batches de taille x et (n1 m1 ) batches de taille
(x 1)
Chez le second fournisseur on aura m2 batches de taille y et (n2 m2 ) batches de taille
( y 1)
Ce qui donne la fonction objective suivante
TC =
2
2
m .x 2 + (n1 m1 )(
m2 . y 2 + (n2 m2 )(
p1 .W12 + p 2 .W22
. x 1)
. y 1)
+ p1 1
+
p
2
2
2
2
On peut crire W1 et W2 sous la forme

116
W1 = a.n1 + b
W2 = c.n2 + d
tq : a 1 et c 1 et 0 b < n1 et 0 d < n2
On peut remarquer que : b = m1 et d = m2 , nous pouvons donc calculer x et y .
W a.n + b
b
b
x = 1 = 1
= a + = a + = a + 1
n1
n1 n1
n1
car b < n1 .
(5.2)
W c.n + d
d
d
y= 2= 2
= c + = c + = c + 1
n2
n2 n 2
n2
car d < n2 .
(5.3)
En remplaant (5.2) et (5.3) dans (5.1) nous obtenons :
n1 .x 2
n2 . y 2
p1 .W12 + p 2 .W22
TC =
+ p1
+ p2
2
2
2
m1 .(a + 1)2 + (n1 m1 ).a 2
m2 .(c + 1)2 + (n2 m2 ).c 2
p1 .W12 + p 2 .W22
TC =
+ p1
+ p2
2
2
2
2
2
2
1 p1 .a .n1 .(n1 + 1) + p1 .2.a.b.(n1 + 1) + p1 .b + p1 .b + p 2 .c .n 2 .(n 2 + 1)
TC = .
2 + p 2 .2.c.d .(n 2 + 1) + p 2 .d 2 + p 2 .d
Nous utilisons la mthode de Lagrange pour trouver le minimum de la fonction TC sous la

contrainte : C (a, b, c, d ) = a.n1 + b + c.n2 + d W = 0 , la fonction minimiser est
g = TC + .(a.n1 + b + c.n2 + d W ) .
Alors
g
a
g
b
c
g
d
= p1 .a.n1 .(n1 + 1) + p1 .b.(n1 + 1) + .n1 = 0

= p1 .a.(n1 + 1) +
p1
+ p1 .b + = 0
2
= p 2 .c.n 2 .(n 2 + 1) + p 2 .d .(n 2 + 1) + .n 2 = 0

= p 2 .c.(n 2 + 1) +
p2
+ p 2 .d + = 0
2
= a.n1 + b + c.n2 + d W = 0
Cest un systme dquations avec 5 variables et 5 quations. La rsolution du systme

dquations donne les rsultats suivants :
117

p 2 .W .(n 2 + 1) p1 .n2 .(n1 + 1) p 2 .n1 .(n 2 + 1)
a =
p1 .n 2 .(n1 + 1) + p 2 .n1 .(n 2 + 1)
b = n1
p1 .W .(n1 + 1).n 2
n
1
2
c = .
n 2 p1 .n 2 .(n1 + 1) + p 2 .n1 .(n 2 + 1) 2
n2
d =
2
Ce qui donne:
p 2 .W .(n2 + 1).n1
p1 .n2 .(n1 + 1) + p 2 .n1 .(n2 + 1)
p1 .W .(n1 + 1).n2
W2 = c.n2 + d =
p1 .n2 .(n1 + 1) + p 2 .n1 .(n2 + 1)
W1 = a.n1 + b =
Dans le cas o h1 et h2 sont quelquonques, par le changement de variables suivant

h1 p1 = p1 , on retombe sur exactement le mme systme que dans le cas o h1 = h2 . On aura
donc les formules suivantes :
h2 p 2 .W .(n2 + 1).n1
h1 p1 .n2 .(n1 + 1) + h2 p 2 .n1 .(n2 + 1)
h1 p1 .W .(n1 + 1).n2
W2 = c.n2 + d =
h1 p1 .n2 .(n1 + 1) + h2 p 2 .n1 .(n2 + 1)
W1 = a.n1 + b =
5.2.3.2 Le problme N fournisseurs

Dans ce cas, nous considrons le problme o N fournisseurs cooprent pour satisfaire la
demande du client pour un seul type de produits, (i.e. N = n, M = 1 ). La fonction objective est
donne par :
(b )
n1
TC =
p1W + p 2W + ... + p nW
+ p1
2
2
1
2
2
2
n
k 2
1
k =1
(b )
n2
+ p2
k 2
2
k =1
(b )
nn
+ ... + p n
k 2
n
k =1
Elle exprime la somme des cots de possession de stocks (encours, matires premires, et
produits finis) chez tous les fournisseurs. Une telle approche serait envisageable si les
fournisseurs appartiennent la mme entreprise, ou centre de dcision, ou bien quil y ait un
contrat entre eux (stratgie gagnant gagnant pour tout le monde).
Lemme 2. Les quantits optimales que chaque fournisseur doit produire pour le problme
N fournisseurs- mono produit sont donnes par :
W .ni . h j p j .(n j + 1)
n
Wi =
j =1 i
ns . h j p j .(n j + 1)
n
s =1
j =1 s
118
Preuve. La preuve est similaire celle du Lemme 1. On aura un systme linaire

(2 N + 1) variables, et (2 N + 1) quations quon rsout de la mme manire en utilisant la
mthode de Lagrange.
5.2.3.3 Heuristique pour rendre les Wi entiers

Pour chaque fournisseur, le nombre ditems fabriquer, donn par le lemme 2, est une
valeur relle, et donc ne peut pas tre appliqu directement car on ne peut pas diviser un item.
Nous devons donc trouver les valeurs entires optimales pour les Wi . Ceci est fait en
appliquant lalgorithme qui suit.
Soit F ( Wi , S i )= hi p i ( bni +1+ Wi ) la fonction qui permet de calculer le nouveau cot de
possession chez le fournisseur S i , si un nouvel item est produit par S i . Initialement, le
nombre ditems produire par chaque fournisseur est donn par la partie entire infrieure de
la quantit calcule par le lemme 2, cest dire Wi . Dans lalgorithme A ci-dessous, nous
calculons F ( Wi , S i ) pour chaque fournisseur, et nous trions les fournisseurs dans lordre
n
croissant de F ( Wi , S i ) dans la liste L . On ajoute un item pour les W Wi
premiers
i =1
fournisseurs dans la liste trie L , tel que W Wi n .

i =1
Algorithme A
Dbut
tape 1 : trier les fournisseurs dans lordre croissant de F ( Wi , S i ).
tape 2 : Init y i* = Wi pour i = 1,.., n .
n
Calculer y = yi*
i =1
tape 3 : Pour i = 1 W y Faire
y s*[i ] = y s*[i ] + 1
Fin
Dans la premire tape de lalgorithme A, Lopration de tri se fait en O( n log n ). Dans
les tapes 2 et 3 Nous accomplissons W y oprations, La complexit de ces deux tapes est
donc de (n) . La complexit totale de lalgorithme est de O( n log n ).
5.2.4 Le problme Multi Produits

Dans cette section, nous traitons le problme avec plusieurs types de produits fabriquer.
Nous commenons par rsoudre le problme 2 fournisseurs- 2 types de produits, ensuite, 2
fournisseurs- 3 produits, ensuite nous traitons le cas le plus gnral N fournisseurs- M
produits. Pour chacun de ces problmes, nous rappelons les donnes et les variables.
5.2.4.1 Le problme 2 fournisseurs- 2 produits

Donnes
119

N =2
M =2
pij : Temps dexcution chez le fournisseur i dun item du produit j .
nij : Nombre de batches du fournisseur i du produit j .
hi : Cot de possession dun item pendant une unit de temps chez le fournisseur i .
W j : Quantit totale demande du produit j .
Variables
Wi j : Quantit produire du produit j par le fournisseur i .
bijk : Taille du k me batch du produit j du fournisseur i .

C ijk : Temps de fin dexcution du k me batch du produit j du fournisseur i .
La fonction objective est donne par :
TC =
n12
h1 .b1k,1 .C1k,1
k =1
TC =
n12
h1 .b1k,2 .C1k,2
k =1
n12
h1 .b1k,1 .C1k,1 +
k =1
n12
h2 .b2k,1 .C 2k,1 +
k =1
2
p11W11
h1
n12
2
b1k,1
k =1
+ h2
k 2
1, 2
k =1
+ h2
k
k
2 , 2 .C 2, 2
k =1
n22
h .b
h1 .b1k, 2 .C1k,2 +
k
k
2 , 2 .C 2, 2
k =1
2
p 12W 21
(b )
+ h2 p 12
k 2
2,1
k =1
2
n22
(b )
+ h1 p12
h .b
n12
( )
+ h1 p11
n22
k =1
n12
2
p12W12
h2 .b2k,1 .C 2k,1
k =1
n11
TC = h1
n12
2
p 22W 22
(b )
+ h2 p 22
k 2
2, 2
k =1
TC = TC1 + TC 2
tq
n11
TC1 = h1
2
p11W11
( )
+ h1 p11
k =1
TC 2 = h1
+ h2
2
n12
2
p12W12
n12
2
b1k,1
2
p 12W 21
k 2
1, 2
k =1
+ h2 p 12
k 2
2,1
k =1
2
n22
(b )
+ h1 p12
(b )
+ h2
2
p 22W 22
(b )
+ h2 p 22
k 2
2, 2
k =1
On remarque que TC1 et TC 2 sont les mmes que la fonction objective dans le cas de deux
fournisseurs et un seul produit. Trouver le minimum de TC revient trouver les minimums
de TC1 et TC 2 . Ceci se fait de la mme manire que dans le cas de 2 fournisseurs et mono
produit. On aura donc pour chaque TC j un systme dquations de 5 variables et 5 quations
quon va rsoudre en utilisant la mthode de Lagrange comme dans le cas mono produit.
2 fournisseurs- 2 produits sont donnes par :
Pour le produit 1
120
)
( )
(
h p .W .n (n + 1)
=
h p .(n + 1)n + h p .n (n
h2 p 12 .W1 .n11 n12 + 1

h1 p11 . n11 + 1 n12 + h2 p 12 .n11 n12 + 1
W11 =
W21
1
1
1
1
1
2
1
1
2
1
1
1
1
1
2
1
1
1
2
+1
Pour le produit 2
W12 =
W22 =
)
( )
(
h . p .W .n (n + 1)
.(n + 1)n + h . p .n (n
h2 . p 22 .W2 .n12 n 22 + 1
h1 . p12 . n12 + 1 n 22 + h2 . p 22 .n12 n 22 + 1
h1 . p12
1
2
1
2
1
2
2
2
2
2
2
1
2
2
2
1
2
2
+1
Preuve. La preuve est similaire celle du Lemme 1.
5.2.4.2 Le problme N fournisseurs- M produits

Nous considrons ici le cas le plus gnral de N fournisseurs et M produits ( N = n et
M = m ). La fonction objective est dfinie par
2
n
p ij Wi j
+ hi p i j
tel que TC j =
hi
2
i =1
TC =
TC
j =1
n11
(b )
k 2
i, j
k =1
N fournisseurs- M produits sont donnes par :
n
Wi =
j
W j .nij hk p kj n kj + 1
k =1 i
n
n h
s =1
j
s
k =1 s
p kj n kj + 1
Preuve. A chaque TC j correspond un systme dquation de (2n + 1) variables et (2n + 1)

quations. En utilisant la mme procdure de rsolution que dans les cas prcdents, on
obtient la formule des quantits de chaque produit produire par chaque fournisseur.
5.2.4.3 Algorithme pour rendre les Wi j entiers

De la mme faon que dans le cas mono produit, les rsultats donns par le lemme 5 sont
des nombres rels, et donc pas directement applicables dans un environnement qui nautorise
pas de diviser les items de produits. Nous devons donc calculer les valeurs entires optimales
pour les Wi j .
Nous proposons un algorithme qui est une extension ou une gnralisation de lalgorithme
A. En effet, nous appliquons lalgorithme A pour chaque type de produits indpendamment
parce que le nombre ditems que chaque fournisseur doit fabriquer de chaque produit ne
121

dpend pas du nombre ditems quil fabrique des autres types de produits. Comme la
complexit du cas mono produit est de O( n log n ), et que le nombre de types de produits est
de m , alors le nouvel algorithme a une complexit de O( m n log n ) ) (on excute la cas
mono produit m fois).
Algorithme B
Step 1 : Soit F ( Wi j , S i )= hi pij ( bn j +1+ Wi j ) la fonction qui dfinit le cot de lajout
i
dun item du produit j au fournisseur S i .

Step 2 : Pour j = 1,.., m faire
n
W j = Wi j
i =1
Trier les fournisseurs dans lordre croissant de F ( Wi j , S i ) dans le tableau S.
Init y ij = Wi j pour i = 1,.., n

*
y j = y ij
i =1
pour i = 1 to W j y j faire
*
y sj[i ] = y sj[i ] + 1
finPour
FinPour
End
122
5.3 Problme 2 : ordonnancement des transports dans une

supply chain lmentaire
Nous traitons dans cette section diffrents problmes simplifis lis la minimisation des
cots de transport dans les chanes logistiques. Le schma gnral de la chane logistique
tudi est illustr par la figure 5.5
Scnarios ngocis en aval

Scnarios ngocis en amont
Livraison de
composants
=
Ressources
consommables
Systme de
Production
Prvision de la
demande
Systme
de
Demande des clients
Transport
Dcisions oprationnelles:
Production et transport
Un fournisseur
Une supply chain deux

niveaux
Un ou plusieurs clients
Figure 5.5 schma gnral du systme tudi.
Nous pouvons identifier quatre composantes de la chane logistique illustre ci-dessus : les
fournisseurs en composants, le systme de production, le systme des transport, et la prvision
de la demande. Les clients effectuent des commandes avec des quantits prcises et pour des
dates de livraisons souhaites. Ces commandes pouvant intervenir dune manire continue
dans le temps forment une courbe cumule de la demande. Pour satisfaire ces commandes, le
producteur effectue des demandes de livraisons de composants. De la mme faon, ces
commandes ont des quantits prcises et arrivent des dates convenues et forment une courbe
cumule darrives de composants. Les composants doivent arriver suffisamment en avance et
en quantits suffisantes pour permettre au producteur dhonorer les commandes des clients.
Les produits finis sont transports aux clients. Les cots de transport sont gnralement une
partie importante des cots de fonctionnement dune chane logistique, nous nous intressons
ici la minimisation du nombre de trajets entre le producteur et ses clients.
5.3.1 Description du problme mono fournisseur et mono produit

Nous traitons un problme de dcision dans une chane logistique lmentaire constitue
dun fournisseur de composants et dun producteur qui doit livrer un type de produits ses
clients. Sur un horizon H de temps, les composants dont a besoin le producteur arrivent des
dates connues en quantits connues, et le producteur doit livrer des dates convenues en
123
quantits connues le produit au(x) client(s). Les arrives de composants cumules dans le
temps constituent une courbe cumule darrives des composants, et les demandes de
livraisons constituent une courbe cumule de demandes de clients. La chane logistique
simplifie est illustre par la figure 5.6.
Mono produit: production et distribution

Livraison des
composants
Single
machine
t
camions
Demande de clients
Un fournisseur
supply chain deux niveaux
Un ou plusieurs clients
Figure 5.6 schma simplifi mono produit.
Nous supposons quil ny a quun seul type de produits finis, et quon a besoin de P units
de temps pour fabriquer un item du produit fini sur une seule machine. Cette machine est
continuellement disponible (nous ne considrons pas ici les problmes de maintenance) et ne
peut traiter qun seul travail la fois. Dans ce modle, nous ne considrons pas les cots de
possession de stocks, en consquence, un ordonnancement de la production cal gauche
(produire au plus tt, ds quil y a des composants disponibles) est optimal et est utilis par le
producteur. Notons que dans ce cas particulier, lordonnancement cal gauche est aussi
optimal et polynomial dans le cas de plusieurs machines identiques qui fonctionnent en
parallle. Pour des raisons de simplicit et de clart, nous ne prsentons que le cas dune seule
machine. Il est vident quon arrte la production ds quon a atteint la quantit maximale
demande par les clients, cest dire quon ne fabrique pas plus que la demande.
Nous considrons un temps de transport constant et donn entre le producteur et le client
(ou plusieurs clients ayant approximativement la mme localisation gographique) gal t
units de temps. Ce temps de transport est soustrait des dates de livraisons. Les quantits des
produits finis peuvent tre livres en avance, mais le producteur ne sera pay quaux dates
convenues, et cest strictement interdit de livrer en retard. Les dates de livraisons convenues
sont considres comme des contraintes impratives.
Ayant les donnes des deux courbes cumules (darrives de composants, et de demandes
de livraisons), le premier problme est de dcider si le producteur peut satisfaire ces clients.
Ceci revient vrifier qu chaque date de dpart de livraison, le producteur peut satisfaire la
quantit associe cette date. Il suffit que le producteur ne puisse satisfaire son client au
moins une fois tout au long de lhorizon H pour que le problme soit non ralisable, sinon il
est ralisable. Dans le cas o le problme est ralisable, nous proposons des algorithmes pour
124
minimiser les cots de transports. Nous considrons le cas o on dispose dun nombre illimit
de camions avec une capacit illimite pour effectuer les transports, et le cas o le nombre de
ces camions est illimit avec une capacit limite.
5.3.2 Notations
Pour ce problme, nous utilisons les notations suivantes :
NC : Nombre darrives de composants.
QC j : Quantit associe la j me arrive de composants.
DC j : Date darrive associe QC j .
ND : Nombre de livraisons des produits finis.
QDi : La quantit associe la i me livraison.
DDi : La date de dpart de livraison associe QDi (les t units de temps ncessaires au
transport sont soustraits la date de livraison convenue chez le client).
CQPi : La quantit cumule produite partir de linstant 0 et jusqu la i me date de livraison
DDi incluse.
CQDi : La quantit cumule demande partir de linstant 0 et jusqu la i me date de
livraison DDi incluse.
PQi : Quantit produite entre DDi 1 et DDi .

ND, NC , QDi , DDi , QC j et DC j sont les donnes du problme. CQPi , CQDi et PQi
sont calculs par lalgorithme 1 dcrit ci-dessous.
5.3.3 Problme de faisabilit

En supposant que les capacits de transport sont illimites, le problme est faisable si, et
seulement si, chaque date de livraison la quantit cumule produite jusqu cette date est
suprieure ou gale la quantit cumule demande jusqu cette date. Plus formellement,
cette condition peut tre formule comme suit :
CQPi CQDi pour i = 1 ND .

Lalgorithme 1 calcule les valeurs des CQPi et aussi celles des PQi en produisant au plus
tt.
Algorithme 1
Dbut
j=T=stock=Qtity=0
Pour i = 1,.., ND Faire
Qtity=stock
Tant que DC j DDi et T DDi Faire
Qtity= Qtity+ QC j ;
T=max (T, DC j )+ QC j *P ;
j=j+1
FinTQ
Si T> DDi Alors
125
T DDi
stock=
;
P
Qtity= Qtity stock ;
FinSi
PQi =Qtity
*fin de litration *
FinPour
Fin
A capacit illimite, la production et le transport peuvent tre organises de la manire
suivante. Entre chaque deux dates de livraison on produit au maximum et on transporte t
units de temps avant la date de livraison. A chaque date de livraison on vrifie si les
quantits transportes sont suprieures ou gales au cumul des quantits demandes cet
instant l, si cest le cas on poursuit la procdure, sinon, le problme est non ralisable. Si la
fin de la procdure on a satisfait toutes les demandes, alors le problme est ralisable. La
complexit de lalgorithme 1 dpend des dates auxquelles sont programmes une livraison ou
une arrive de composants, sa complexit est donc de O(ND+NC).
La figure suivante montre un exemple dun plan de livraisons ralisable, et la figure montre
un plan non ralisable.
Production
Livraisons
faisables
Figure 5.7 scnario faisable.
126
Production
Livraisons
infaisables
Figure 5.8 Scnario infaisable.
5.3.4 Minimisation des transports : capacit illimite

En supposant que le problme est faisable la fin de lapplication de lalgorithme 1, on
cherche ici minimiser les cots de transport. On suppose que lactivit de transport a t
dlgue une tierce partie, de ce fait, on dispose dune flotte dun nombre illimit de
camions. La capacit de ces camions est illimite. Cette hypothse peut arriver dans le cas o
les produits finis sont des objets de taille trs petites (objets technologiques ou composant
lectroniques). Un cot de transport est associ chaque trajet effectu entre le producteur et
le client. La minimisation des cots de transport revient donc minimiser ce nombre de
trajets. La politique de transport cale droite consistant effectuer des trajets le plus tard
possible (t units de temps avant la date de livraison) est optimale dans notre cas.
Ce problme de transport peut tre modlis par les quations suivantes.
On dfinit dabord la variable X i tel que :
1 si un trajet est effectu la i me date de livraison.
Xi =
0 sinon
Soit CQTi la quantit cumule transporte entre linstant 0 et la i me date de livraison DDi
incluse.
i
CQTi = PQ j . X j pour i = 1 ND .
j =1
CQTi CQDi pour i = 1 ND (satisfaction de la demande du client).

ND
Minimiser
X
i =1
Proprit 1. Le nombre optimal de trajets entre le producteur et le client est donn par :
127

X =
ND
X
i =1
tel que si CQTi 1 CQDi alors X i = 0 sinon X i = 1 .
Preuve. On suppose que notre solution nest pas optimale. Cest dire quon peut faire au
moins un trajet en moins sans que le problme ne devienne non faisable. Soit le i me trajet
celui quon peut supprimer. On aura donc X i = 0 ce qui implique que CQTi = CQTi 1 et
comme CQTi 1 < CQDi on aura CQTi < CQDi ce qui rend le problme non faisable.
Lalgorithme 2 suivant permet de calculer le nombre minimum de trajets effectuer. En
effet, lAlgorithme 2 est similaire lalgorithme 1. Aprs vrification de la faisabilit du
problme, on ajoute les oprations suivantes la place de *fin de litration * :
Algorithme 2
Appliquer lalgorithme 1.
Si CQTi 1 CQDi alors X i = 0

Sinon X i = 1 FinSi
CQT i =CQT i 1+ PQ i
Fin
Comme ces instructions naffectent pas le temps dexcution de lalgorithme, lalgorithme
2 aura la mme complexit que lalgorithme 1, cest dire O(ND+NC).
5.3.5 Minimisation des transports : capacit limite

Cest un problme similaire celui de la section prcdente o on rajoute une nouvelle
contrainte sur la capacit des camions. Nous supposons ici que les camions ont une capacit
limite C items des produits finis. Nous disposons toujours dun nombre illimit de
camions. Pour minimiser le nombre de trajets, nous proposons lalgorithme 3 qui est une
extension de lalgorithme 1. En effet, on rajoute les instructions suivantes la place de *fin de
litration * :
Algorithme 3
Appliquer lalgorithme 1.
PQi
Xi =
;
C
CQTi = CQTi 1 + X i .C
Si CQTi < CQDi alors
X i = X i + 1;
CQTi = CQTi + PQi mod C
Sinon
inventory= PQi mod C
FinSi
Fin
On transporte chaque fois que la production atteint la quantit C. A la fin de chaque
priode, il reste une quantit Q (ventuellement nulle et obligatoirement infrieure C). Si la
128

somme des quantits transportes jusque l est suprieure ou gale la somme des quantits
demandes cet instant, alors Q reste en attente sinon, elle est transporte.
Thorme 1. Le nombre optimal de trajet pour le problme de minimisation des cots de

transports avec capacit limite des camions est donn par lalgorithme 3.
Preuve. On suppose que notre solution nest pas optimale. Ceci implique que lon peut
supprimer au moins lun des trajets sans pour autant rendre le problme non faisable. Soit ce
trajet, le trajet de la i me itration. On aura considrer deux cas :
On supprime un camion qui a t totalement charg : Dans ce cas, et comme la somme
des quantits transportes est gale la somme des quantits demandes, ce trajet peut tre
effectu une autre itration k , tel que i < k ND et dans ce cas le nombre total de trajets
va rester constant.
I.
II. On supprime un trajet avec un camion non totalement charg : nous somme alors dans
le cas o CQTi < CQDi et on choisit de ne pas transporter, ce qui implique que CQTi reste
inchange et on aura donc CQTi < CQDi ce qui rend le problme infaisable.
Lalgorithme 3 a la mme complexit que les deux algorithmes prcdents, pour les mmes
raisons que pour lalgorithme 2.
129
5.4 Problme 3: Optimisation des transports dans une supply

chain spcifique
Nous tudions dans cette section trois nouveaux problmes doptimisation des transports
qui sont une extension des problmes tudis dans la section prcdente (problme 2) mais
avec laddition de nouvelles contraintes. Dans le premier problme de cette section nous nous
intressons loptimisation des cots de transport dans une chane logistique mono produits,
ayant plusieurs clients disperss gographiquement, et avec un seul producteur. Dans le
deuxime problme de cette section on considre la mme chane logistique mais avec la
production de plusieurs types de produits finis. Dans ces deux problmes, le planning de
production est suppos fix et connu, et donc on optimise les cots de transport relativement
une politique de production optimale calcule en avance. Dans le dernier et troisime
problme, on considre loptimisation simultane des cots de production et de transport.
Pour ces diffrents problmes nous proposons une modlisation en graphes et une approche
de rsolution base sur la programmation dynamique.
5.4.1 Optimisation des transports dans une supply chain mono-produit

multi-clients avec planning de production fix
On considre une chane logistique compose dun ensemble de fournisseurs, un
producteur et plusieurs clients. Un ou plusieurs fournisseurs approvisionnent le producteur
avec la matire premire ncessaire la production dun seul type de produits. La matire
premire arrive en quantits et des dates connues. Le systme de production est vu comme
un systme une seule machine qui a besoin dune certaine dure de temps pour produire un
item du produit fini. Le producteur doit satisfaire les demandes de ses clients. Les clients
effectuent des demandes de livraisons en quantits connues pour des dates bien dtermines.
Plusieurs clients peuvent mettre des demandes de livraisons des dates simultanes. Les
clients sont disperss gographiquement et donc les temps de trajets du producteur vers les
clients sont diffrents dun client un autre. Pour effectuer les livraisons de produits finis vers
les clients on dispose dune flotte de vhicules capacit limite un certain nombre ditems.
La flotte est homogne, donc tous les vhicules ont la mme capacit. On suppose que
lactivit de transport est dlgue une tierce partie, et que, donc, on a autant de vhicules
que lon veut, et on ne gre ni les problmes de transport vide, ni lorganisation
dventuelles tournes de camions.
Sachant que le planning et lordonnancement de la production sont dj tablis et connus,
on cherche trouver lordonnancement des transports dont le cot est minimum, cela revient
ici trouver le nombre de trajets minimum entre le producteur et les clients.
5.4.1.1 Notations
Donnes
n : Le nombre de priodes de lhorizon dordonnancement qui correspond au nombre de

fois o une demande de livraison est mise.
m : Le nombre de clients.
C : Capacit de chaque vhicule.
d ij : Quantit demande par le j me client la i me priode. Cette date prend en compte les
dlais de transport vers les clients, il sagit des dparts souhaits au plus tard des livraisons
vers les clients.
130

dd i : date correspondant la i me demande de livraison ou priode.
CQDi : La demande cumule de tous les clients depuis la premire priode jusqu la priode i
incluse.
CQDij : La demande cumule du client j depuis la premire priode jusqu la priode i incluse.
Comme on ne considre pas de contraintes de stock, la politique de production optimale
(du point de vue de la production) consiste produire au plus tt, c'est--dire une production
cale gauche. On suppose dans ce premier problme que lordonnancement de la production
est fix et connu lavance, on ne se proccupe donc que de la politique de transport dont on
veut minimiser les cots en minimisant le nombre de trajets de livraison effectus.
PQi : Quantit produite pendant la priode i , c'est--dire entre dd i 1 et dd i
Variables
X ij : Quantit totale transporte pour le client j pendant la priode i .
S i : Quantit en stock au dbut de la priode i .
Le tableau tab montre un exemple dun problme deux clients :
1
demande client 1
demande client 2
Production
12
11
Figure 5.9 exemple de scnario de production.
On a un horizon de 3 priodes et on a 2 clients, la capacit des vhicules C est gale 5.

On ramne le problme tudi un problme de recherche du plus court chemin dans un
graphe orient acyclique. Pour modliser ce problme par un graphe, nous devons dfinir
lensemble des tats (sommets), lensemble des arcs, comment on les gnre, et on doit dfinir
la fonction cot sur les arcs.
Ensemble des tats

Pour chaque priode i on construit un ensemble dtats (sommets) fini, ventuellement
vide. Un tat est reprsent par un vecteur contenant les quantits transportes pour chaque
client pendant la priode considre. Pour cela on dfinit les variables suivantes :
X ijl : Quantit transport pendant la priode i pour le client j dans le l eme tat.
S il : La quantit en stock correspondant au l eme tat de la priode i .
S ijl : Quantit cumule jusqu la priode i en surplus de la demande et transporte au

client j .
X il = X il1 , X il2 ,..., X iml , S il1 , S il2 ,..., S iml , S il vecteur dfinissant le l eme tat de la priode i .
131

ei : est le nombre dtats dans la priode i .
Le calcul des quantits en stock se fait comme suit :
m
Sil = PQi1 X ie1 j + S ie1 Avec la condition quil existe un arc de X ie1 vers X il .
j =1
On rajoute deux tats (deux sommets), un sommet de dpart appel S et un sommet

darrive appel F.
Les arcs
Un arc part dun tat X il vers un tat X ie+1 , si et seulement si, les contraintes suivantes sont
respectes :
X ie+1 j d i +1 j S ijl
m
X
j =1
e
i +1 j
(5.4)
PQi +1 + S il
(5.5)
La contrainte (5.4) permet de satisfaire la demande de chaque client. La contrainte (5.5)

assure que lon ne peut pas transporter plus que la quantit effectivement produite. Ces deux
contraintes assurent une borne infrieure et une borne suprieure pour les valeurs que peuvent
prendre les X ijl . Le nombre de permutations (valeurs que peuvent prendre les X ijl ) possibles
est donc fini, ce qui implique que le nombre dtats est fini, ventuellement nul. Dans le cas
o le nombre dtats pour une priode donne est nul, alors le problme est non faisable (i.e.
ei = 0 alors le problme est non faisable).
Il peut y avoir plusieurs arcs partants du mme tat (plusieurs arcs sortants) mais il ny a
quun seul arc pour atteindre un tat (un seul arc entrant) sauf pour les tats de la dernire
priode n . Il ne peut pas y avoir des arcs partant dun tat vers un tat de la mme priode.
Un arc doit obligatoirement partir dun tat dune priode donne (soit i ), vers un des tats de
la priode qui la suit immdiatement (soit i + 1 ). Cest donc un graphe orient qui ne
comporte pas de cycles.
A partir du sommet de dpart S, part un arc pour chacun des tats de la premire
priode( i = 1 ) avec un cot qui dpend des tats darrives. De chaque tat de la dernire
priode ( i = n ) part un arc dun cot nul vers ltat darrive F.
La fonction cot sur les arcs

Comme notre objectif est de minimiser les cots de transport en trouvant la squence de
livraisons de cot minimum, cest dire celle avec le nombre minimum de trajets entre le
producteur et les clients, alors la fonction cot de transition dun tat X il de la priode i vers
ltat X ie+1 de la priode i + 1 est dfini par le nombre de trajets quune telle transition
implique, cela dpend donc des valeurs du vecteur X ie+1 . La fonction cot de transition est
donne par :
l
i
fct X , X
e
i +1
) = fct (X
X ie+1 j
)= C
j =1
e
i +1
(5.6)
132

Lalgorithme du programme dynamique pour le calcul du plus court chemin dans un
graphe orient ne comportant pas de cycle est trs connu, on va ladapter notre problme.
Lide gnrale de lalgorithme est de dire que le plus court chemin jusqu la priode i est
obtenu par le calcul du plus court chemin (donc le chemin de cot minimum) jusqu la
priode i 1 , puis on rajoute le cot de larc de cot minimum entre les priodes i et i 1 .
La fonction de notre programme dynamique donne le nombre de trajets minimum jusqu une
certaine priode :
F (0 ) = 0
F (i ) =
( F (i 1) + fct ( X il ))
Min
l =1,ei
(5.7)
Remarque : il peut y avoir plusieurs solutions optimales, donc plusieurs chemins de mme
cot.
La figure suivante illustre le graphe correspondant aux donnes du tableau.
133
Figure 5.10 Graphe correspondant au problme du tableau 5.1
134
5.4.2 Optimisation des transports dans une supply chain multi-produit

multi-clients avec planning de production fix
On gnralise maintenant le problme tudi dans la section 5.4.1 au cas o le producteur
doit fournir plusieurs types de produits. Comme dans le cas prcdent, les clients mettent des
commandes avec des quantits de chaque type de produit connues, et des dates de livraisons
souhaites. Le producteur doit satisfaire ces demandes dans les dlais dtermins. On doit
donc dterminer la quantit transporter pour chaque client, de chaque produit, pendant
chaque priode de telle sorte minimiser les cots de transports, donc minimiser le nombre de
trajets effectus. On suppose que les produits ont le mme volume, et que diffrents produits
vers le mme client peuvent tre mis dans le mme vhicule.
5.4.2.1 Notations
Donnes
n : Le nombre de priodes de lhorizon dordonnancement qui correspond au nombre de

fois o une demande de livraison est mise.
m : Le nombre de clients.
C : Capacit de chaque vhicule.
d ijk : Quantit demande par le j me client la i me priode.
dd i : Date correspondant la i me demande de livraison ou priode.
Pk : Temps dexcution dun item du produit k .
R : Nombre de produits.
PQik : Quantit du produit k produite durant la priode i , cest dire entre dd i 1 et dd i .
St k : Temps de rglage ncessaire pour prparer la machine produire un produit de type

k.
Variables
CQTijk : Cumul des quantits du produit k transportes jusqu la priode i pour le client
j.
X ijk : Quantit du produit k transporte durant la priode i pour le client j .
Yij : Nombre de trajets effectus pour le client j durant la priode i .
Re s ik : Quantit en stock du produit k la fin de la priode i .
Contraintes
1. Contrainte de transport : la quantit transporte doit tre suprieure ou gale la
quantit demande de chaque produit, pour chaque client et chaque priode.
2. Contrainte de production : le cumul des quantits produites doit et suprieure ou gale
au cumul des quantits demandes chaque priode et pour chaque produit.
Objectif
Minimiser les cots de transport en minimisant le nombre de trajets.
135

Ce problme peut tre modlis par le programme mathmatique suivant :
n
Min
Y
i =1 j =1
ij
(5.14)
sous les contraintes :

m
X
j =1
ijk
PQik i, k (5.8)
PQik = Re s ik1 + PQik

m
Re sik = PQik X ijk
i, k (5.9)
i, k (5.10)
j =1
CQT = X sjk
i, j , k (5.11)
CQTijk CQDijk
i, j , k (5.12)
k
ij
s =1
X ijk
i, j (5.13)
Yij = k =1
C
La contrainte (5.8) on exprime le fait que la somme des quantits transportes doit tre
infrieure ou gale aux quantits dont on dispose pour chaque produit. On calcule les
quantits dont on dispose de chaque produit et chaque priode par la contrainte (5.9), et les
quantits en stock de chaque produit et chaque priode par la contrainte (5.10). La somme
des quantits transportes par produit et par client, jusqu une priode donne est calcule
laide de la contrainte (5.11). La contrainte de transport est exprime par la contrainte (5.12).
La contrainte (5.13) permet de calculer le nombre de trajets effectuer lors de chaque priode
et pour chaque client. La fonction objective qui consiste minimiser le nombre total de trajets
est donne par la contrainte (5.14).

Ensemble des tats (sommets)
Comme pour le premier problme tudi, chaque priode correspond un ensemble dtats
fini ventuellement vide. Lensemble des tats correspond toutes les combinaisons des X ijk
possibles respectant les contraintes de transport et de production. Dans le cas dun seul
produit, un tat tait reprsent par un vecteur correspondant aux quantits quon pouvait
transporter pour chaque client. Dans le cas de diffrents produits, on aura le mme vecteur
pour chaque type de produit, un tat sera reprsent donc par une matrice de dimension
( R n ). Pour cela, nous dfinissons les variables suivantes :
l
X ijk
: Quantit du produit k transporte pendant la priode i pour le client j dans le l eme
tat.
S ikl : la quantit en stock du produit k correspondant au l eme tat de la priode i .

l
S ijk
: Quantit du produit k cumule jusqu la priode i en surplus de la demande et
transporte au client j .
136
l
l
X ikl = X il1 k , X il2 k ,..., X imk
, S il1 k , S il2 k ,..., S imk
, S ikl
priode i pour le produit k .
) vecteur dfinissant le
l eme tat de la
ei : est le nombre dtats dans la priode i .

Voici un exemple dun ensemble dtats de la priode i .
tat 1
tat
e
1
1
1
1
1
X i111 , X i121 ,..., X im
1 , S i11 , S i 21 ,..., S im1 , S i1
1
1
1
1
1
X i112 , X i122 ,..., X im
2 , S i12 , S i 22 ,..., S im 2 , S i 2
.........
........
1
1
1
1
1
X i1k , X i12 k ,..., X imk
,
S
,
S
,...,
S
,
S
i
1
k
i
2
k
imk
ik
.......
........
........
X iei11 , X iei21 ,..., X imei 1 , S iei11 , S iei21 ,..., S imei 1 , S iei1
X iei12 , X iei22 ,..., X imei 2 , S iei12 , S iei22 ,..., S imei 2 , S iei2
.........
........
ei
ei
ei
ei
ei
ei
X i1k , X iei2 k ,..., X imk
,
S
,
S
,...,
S
,
S
i1k
i 2k
imk
ik
Soit E il la matrice dfinissant le l eme tat de la priode i . On aura donc :
X il11 , X il21 ,..., X iml 1 , S il11 , S il21 ,..., S iml 1 , S il1
Eil = .........
........
l
l
l
l
l
X i1k , X il2 k ,..., X imk
,
S
,
S
,...,
S
,
S
i1k
i 2k
imk
ik
Si le nombre dtats dans une priode donne est nul, alors le problme nest pas faisable.
Les arcs
respectes :
l
X ie+1 jk d i +1 jk S ijk
m
X
j =1
e
i +1 jk
PQik+1 + S ikl
j , k , e, i
(5.15)
j , k , e, i
(5.16)
Comme pour le problme avec un seul produit, on a un tat de dpart et un tat darrive
avec les mmes proprits que dans le premier problme. Notre mthode de construction du
graphe nous assure de navoir que des solutions faisables et que le nombre dtats est fini
(ventuellement nul).
137
Fonction cot
La fonction cot dun arc exprime le nombre de trajets qui correspond un tat donn. Le
cot de transition dun tat E il de la priode i vers ltat E ie+1 de la priode i + 1 est dfini par
le nombre de trajets quune telle transition implique, cela dpend donc des valeurs de la
matrice E ie+1 . La fonction cot de transition est donne par :
X ie+1 jk
m
C (Eil , E ie+1 ) = C (E ie+1 ) = k =1

C
j =1

Lapproche de programmation dynamique que nous proposons pour le problme avec des
produits diffrents est une gnralisation de lapproche propose pour le cas dun seul produit.
En effet, nous modlisons le problme par un graphe orient sans cycles dans lequel nous
recherchons le plus court chemin, c'est--dire le chemin de cot minimum reprsentant les
quantits quon doit transporter de chaque produit pour chaque client et chacun des priodes
de lhorizon en respectant les contraintes de production et de transport.
La fonction de rcurrence du programme dynamique scrit comme suit :
F (0 ) = 0
F (i ) =
( F (i 1) + C ( E il )) (5.17)
Min
l =1,ei
138
5.4.3 Optimisation conjointe de la production et des transports dans une

supply chain multi-produit multi-clients
Dans ce nouveau problme, on intgre loptimisation de la production sur une seule
machine et des transports dans le mme modle. Ce qui change par rapport au problme
prcdent, cest que la planification de la production nest pas connue lavance et nest donc
pas fixe. Lobjectif est de trouver la combinaison dun ordonnancement de la production et
de lordonnancement des transports qui permette de minimiser lensemble (c'est--dire la
somme) des cots de production et de transports. Pour cela, on propose un programme
dynamique dans lesprit est le mme que celui propos pour le problme prcdent. On dfinit
et prouve certaines proprits du modle sur la politique dordonnancement de la production
et des transports qui nous permettent de rduire lespace de recherche de solutions sans perdre
en optimalit.
5.4.3.1 Notations
On va considrer donc de nouvelles donnes et de nouvelles variables.
Donnes
Cst k : Cot de prparation de la machine produire du type k .
Cp k : Cot de production par unit de temps pour produire du type k .
Ctr : Cot de transport associ un trajet.
Variables
PQik : Quantit du produit k produite durant la priode i , cest dire entre dd i 1 et dd i .
Fonction Objective
La fonction objective minimiser est la somme de deux composantes. La premire dsigne
les cots de production, et la deuxime dsigne les cots de transports :
Fobj = F prod + Ftr
1)
Cot de production : Cette fonction exprime les cots de production qui sont la
somme des cots de setups dun type de produits un autre, et les cots unitaires de
production. Dans ce cadre, on intgre la notion de lot qui dfinit une suite de produits du
mme type excuts successivement (i.e. les items qui sont entre deux setups appartiennent
au mme lot). On dfinira les deux variables suivantes :
Lk : Le nombre de lots de produits k .
Lbk : Nombre ditems (taille) du b eme lot de produits k .
Lkq : Dsigne le q me lot de produits de type k .
On aura donc la fonction cot de production suivante :
Cst L +
k
k
k =1
R
F prod =
(Cp
Lk
b =1
Lbk .
139
2)
Cot de transport : Cette fonction exprime les cots de transports qui ne
dpendent que du nombre de trajets effectus.
n
Ftr =
X ijk
m
k =1
C
j =1
i =1
Ctr
La fonction objective est donc :

R
Fobj =
Cst
k =1
Lk +
(Cp
Lk
b =1
Lbk +
X ijk
m
k =1
C
j =1
)
n
i =1
Ctr

Proprit 2
Dans un ordonnancement optimal, tous les items du mme produit doivent se suivre. Donc,
il ne doit y avoir quun seul lot de chaque produit.
Preuve. Considrons un ordonnancement optimal dans lequel il existe plusieurs lots dun
mme produit, il existe donc des items du mme produit qui ne sont pas excuts
successivement. Considrons une partie de cet ordonnancement dans laquelle le q me lot du
produit k , donc Lkq commence linstant t et est suivi de r lots de produits diffrent de k ,
puis vient le q + 1me lot de produit de type k , comme le montre la figure suivante :
Figure 5.11 ordonnancement initial.
Comme le nombre de trajets pour une priode donne ne dpend que des quantits
transportes pendant cette priode, et que celles-ci dpendent bien sr des quantits produites,
alors la position dans laquelle sont excuts les items de chaque produit ninflue pas sur le
nombre de trajets car quelque soit la position dans laquelle les items sont excuts, cela ne
changerait pas la quantit totale produite. On va donc ignorer la partie relative aux cots de
transport dans les calculs qui suivent.
Soient f q , f , et f q +1 les cot de productions associs aux parties de lordonnancement
montrs par la figure. On a :
f q = Cst k + Cp k Lqk
f = Cst1 + Cp1 L11 + Cst 2 + Cp k L12 + .... + Cst r + Cp r L1r
140
f q +1 = Cst k + Cp k Lqk +1
Soit f1 le cot de production de la partie de lordonnancement montre par la figure 5.13 :
f 1 = f q + f + f q +1
Lk q +1
Considrons maintenant un ordonnancement driv du prcdent, dans lequel le lot

est plac juste aprs le lot Lk q . La figure suivante montre un tel ordonnancement.
Lkq
gk
Lkq+1
f q
g1
L11
g2
L21
f q+1
gr
..
Lr1
Figure 5.12 ordonnancement 1 driv de lordonnancement original.
f q + 1 = Cp
L qk + 1
Comme Lk q +1 suit immdiatement Lk q , le temps de setup entre ces deux lots est nul car il
sagit du mme produit. Soit f 1 le cot associ lordonnancement de la figure, On a :
f 1 = f q + f + f q+1
Considrons maintenant un ordonnancement driv de lordonnancement original dans

lequel le lot Lk q +1 est plac juste avant le lot Lk q . La figure suivante montre un tel
ordonnancement
g1
L11
g2
L21
..
gr
Lr1
gk
f q
Lkq
Lkq+1
f q+1
Comme pour les cas prcdents,on dfinit :
f q+1 = Cp k Lqk +1
141
Comme pour le cas prcdent, il ny a de temps de rglage (setup) entre les lots Lk q +1 et
Lk q car il sagit du mme produit. Soit f 1 le cot associ lordonnancement de la figure,
On a :
f 1 = f q + f + f q+1
Comme lordonnancement original est optimal, et que les deux autres sont obtenus en
faisant des modifications sur ce dernier, on a donc :
f 1 f 1 et f 1 f 1 f1 f 1 0 et f 1 f 1 0
(5.18)
Pour le cas du premier ordonnancement driv :
f 1 f 1 = f q+1 f q +1 = Cp k Lqk +1 Cst k Cp k Lqk +1 = Cst k < 0 f1 f 1 < 0 ce qui est

en contradiction avec (5.18)
Pour le cas du deuxime ordonnancement driv :
f 1 f 1 = f q+1 f q +1 = Cp k Lqk +1 Cst k Cp k Lqk +1 = Cst k < 0 f1 f 1 < 0 ce qui est

en contradiction avec (5.18).
En rptant cette preuve pour tous les produits et pour tous les lots on arrive un
ordonnancement optimal dans lequel tous les items du mme produit se suivent.
Proprit 3. Dans un ordonnancement optimal, lordre de sequencement des lots de

produits ninflue pas sur la fonction objective.
Preuve. Considrons un ordonnancement optimal dans lequel la proprit 1 est vrifie. Le
sequencement des lots est effectu selon leurs indices numriques du plus petit vers le plus
grand comme montr sur la figure suivante :
L1
L2
gq
Lq
gr
Lr
g r +1
Lr +1
Figure 5.14 ordonnancement optimal vrifiant la proprit 1.
Comme le nombre de trajets ne dpend pas de lordre dexcution des lots (car on a
toujours les mmes quantits quelque soit lordre), la partie correspondante aux cots de
transports dans la fonction objective restera donc constante quelque soit lordre, elle sera donc
nglige dans les calculs.
Soit f 2 la fonction exprimant les cots de production. Elle est dfinie par :
f 2 = Cst1 + Cp1 L1 + Cst 2 + Cp 2 L2 + ... + Cst k + Cp k Lk + ... + Cst r + Cp r Lr + Cst r +1
+ Cp r +1 Lr +1
Considrons maintenant un ordonnancement driv de lordonnancement optimal dans

lequel on dplace le lot Lq +1 juste aprs le lot Lk . On aura :
g1
L1
g2
L2
gq
g r+
Lr +
Lr1
Figure 5.15 ordonnancement driv de celui de la figure 5.13
142
Soit la nouvelle fonction cot f 2 :

f 2 = Cst1 + Cp1 L1 + Cst 2 + Cp 2 L2 + ... + Cst k + Cp k Lk + Cst r +1 + ... + Cp r +1 Lr +1 ... +
Cst r + Cp r Lr
On peut facilement vrifier que f 2 = f 2 . On peut rpter cette opration sur nimporte
quelle position et nimporte quel produit, la proprit restera toujours vraie.
Lapproche de rsolution par programmation dynamique que nous proposons ici est une
gnralisation et adaptation de celle propose pour le problme avec lordonnancement de la
production fixe. Le problme est modlis par un graphe acyclique dans lequel on cherche le
plus court chemin, cest dire le chemin de cot minimum qui reprsente la combinaison
entre ordonnancement de la production et la politique de transport rsultant dont la somme des
cots est minimum.
Reprsentation Graphique
Ensemble des Etats (Sommets)
A chaque priode i correspond un ensemble dtats ei fini, et ventuellement vide. Un tat
est reprsent par un couple VPi l , Eil tel que :
VPi l = PQil1 , PQil 2 ,..., PQil m avec PQil k reprsente la quantit produite de type k la
i
eme
priode dans le l
me
tat.
Le seconde composante du couple E il est similaire celles des tats dans le cas multi
produits avec ordonnancement de la production fix . Cest donc une matrice de dimension
(m n ) , on a alors une ligne par type de produits avec les quantits transportes pour chaque
client.
E il : reprsente la deuxime composante du l me tat de la priode i
Eil = .........
........
l
l
l
l
l
,
S
,
S
,...,
S
,
S
i
k
i
k
imk
ik
1
2
l
tel que comme pour le problme prcdent- X ijk
exprime la quantit du produit k livre
pour le client j le priode i dans ltat l . Voici lexemple du l me tat de la priode i :
VPi l , Eil = PQil1 , PQil 2 ,..., PQil m
) (
l
l
l
l
l
X il11 , X il21 ,..., X im

1 , S i11 , S i 21 ,..., S im1 , S i1
l
l
l
l
l
X il12 , X il22 ,..., X im
,
S
,
S
,...,
S
,
S
i12
i 22
im 2
i2
2
, .........
........
l
l
l
l
l
l
,
S
,
S
,...,
S
,
S
i1k
i2k
imk
ik
Et voici un exemple des tats de la priode i :
143
tat 1 PQ1l1 , PQ1l 2 ,..., PQ1l m
l
l
l
l
X 111
, X 121
,..., X 1lm1 , S111
, S121
,..., S1lm1 , S11l
l
l
l
l
l
l
l
X 112 , X 122 ,..., X 1m 2 , S112 , S122 ,..., S1m 2 , S12
, .........
........
X 11k , X 12l k ,..., X 1lmk , S11l k , S12l k ,..., S1lmk , S1lk
tat l PQil1 , PQil 2 ,..., PQil m
l
l
X il12 , X il22 ,..., X iml 2 , S il12 , S il22 ,..., S im
,
S
2
i2
, .........
........
l
l
l
l
l
l
,
S
,
S
,...,
S
,
S
i1k
i2k
imk
ik
..
.
dernier tat ei PQie1i , PQie2i ,..., PQiemi
X ie11i , X ie21i ,..., X imei 1 , S ie11i , S ie21i ,..., S imei 1 , S ie1i
X ie12i , X ie22i ,..., X imei 2 , S ie12i , S ie22i ,..., S imei 2 , S ie2i
, .........
........
ei
ei
X ie1ik , X ie2i k ,..., X imk
, S ie1ik , S ie2i k ,..., S imk
, S ikei
Le nombre dtats dans la priode i est donne par ei . Si ei = 0 alors le problme na pas
de solutions faisables.
Ensemble des Arcs et Pondration des Arcs

Le nombre dtats dans une priode donne dpend des tats de la priode qui la prcde
immdiatement. Les couples de vecteurs de production et de matrices de transports
constituants les tats sont calculs avec des contraintes permettant dengendrer un nouvel
ensemble dtats partir dun tat donn (qui sont les mmes que celles du problme
prcdent sagissant des contraintes de transports, en ajoutant une contrainte sur la
production).
respectes :
l
X ie+1 jk d i +1 jk S ijk
m
X
j =1
e
i +1 jk
PQik+1 + S ikl
j , k , e, i
j , k , e, i
Comme pour les problmes prcdents, il ny a pas darcs vers des tats de la mme
priode, ni vers des tats des priodes suivantes, il ya des arcs juste vers les tats de la
priode qui suit immdiatement et qui vrifient les contraintes de production et de transport
ci-dessus.
144

Le cot dun arc dpend de ltat dorigine, il intgre les cots de production relatifs au
vecteur de production, ainsi que les cots de transports relatifs la matrice de transport.
La fonction cot sur un arc est dfinie par :
((
)(
))
) Cst
C VPi l , Eil , VPi e+ 1 , Eie+ 1 = C VPi l , Eil =
Lk
k =1
Lk +
b =1
X ijk
n
m
b
k =1
Ctr
Cp k Lk +
i =1 j =1 C
Les proprits 1 et 2 dfinies prcdemment nous permettent de rduire lespace de

recherche de solutions, car on na plus besoin dexplorer les diffrentes solutions rsultantes
des diffrentes combinaisons dun mme vecteur de production qui peuvent tre engendres
par un ordre diffrent dexcutions des produits (sachant quil sagit des mmes quantits).
Lemme 6. Soit le vecteur de production VPi l = (PQil1 , PQil 2 ,..., PQil m ) . Les diffrentes
combinaisons obtenues en changeant lordre des produits ninfluent pas sur la fonction cot.
Preuve. La preuve est dduite directement des proprits 1 et 2.
La formule de rcurrence pour le programme dynamique est donne par la formule
suivante :
F (0) = 0
F (i ) =
Min (F (i 1) + C (VP , E
l
l
i
))
l =1,ei
145
5.5 Conclusion
Nous avons propos dans ce chapitre un panel doutils et de techniques pour rsoudre
certains problmes qui peuvent arriver dans un contexte industrialis de chanes logistiques.
Nous nous somment notamment intresss aux problmes de coopration entre fournisseurs,
coopration entre production et transport, rduction des cots de possession de stock, et de
minimisation des cots de transports. Nous avons propos des algorithmes polynomiaux pour
les deux premiers problmes tudis, et des algorithmes pseudo polynomiaux base de
programmation dynamique pour les sous problmes du troisime problme.
Les problmes dordonnancement au niveau oprationnel de dcision des chanes
logistiques tant peu tudis dans la littrature, les opportunits de recherches dans ce
domaine sont vastes. Il existe un nombre considrable de problmes dpendant de lactivit, la
structure, et la particularit de la chane logistique considre. De ce fait, on ne peut pas faire
une recherche exhaustive dans ce domaine.
146
Conclusions et perspectives
148
Conclusion gnrale et perspectives
6.1 Conclusions
Dans cette thse, nous avons tudi un ensemble de problmes dordonnancement pour les
chanes logistiques. Nous nous sommes intresss plus particulirement au dveloppement
doutils daide la dcision pour limplmentation des systmes du juste temps dans un
environnement semi distribu (plusieurs partenaires indpendants, appartenant nanmoins la
mme chane logistique avec lintention de collaborer pour obtenir les meilleurs rsultats).
Dans le problme tudi dans la premire partie de ce mmoire, nous avons considr des
problmes dordonnancement dont lobjectif taient de minimiser les avances et/ou retards par
rapport aux dates souhaites de disponibilit des matires premires (relation fournisseursystme de production), et aux dates de livraison des produits finis aux clients finaux (relation
systme de production-clients). Dans la deuxime partie de ce mmoire, nous nous sommes
intresss notamment certains problmes doptimisation des transports dans des chanes
logistiques spcifiques.
Ces tudes rpondent un besoin rel issu du monde des entreprises, que ce soit dans le
milieu industriel de fabrication de biens physiques, ou bien dans le milieu des services.
Beaucoup de ces entreprises font face quotidiennement des problmes pour satisfaire leurs
clients, qui sont de plus en plus demandeurs de meilleures performances. Livrer temps,
rduire les cots de stockage, utiliser au mieux la capacit de production, et rpondre
rapidement la demande du march (besoin de ractivit pour tre meilleur que la
concurrence), tels sont les bnfices (non exhaustifs) de la mise en uvre dun bon systme
de juste temps. Seulement, dans la littrature ddie aux chanes logistiques, on se focalise
plutt sur les problmes de conception (niveau stratgique) et de planification (niveau
tactique), mais de plus en plus dtudes concernant les aspects oprationnels voient le jour.
Notre travail en fait partie, et nous esprons quil contribue ouvrir de nouvelles voies quant
aux possibilits damliorer le rendement global dune chane logistique se basant sur des
outils de recherche oprationnelle.
Dans le premier chapitre, nous avons men une tude bibliographique qui touchent aux
diffrents domaines lis aux travaux de cette thse, cest--dire : les chanes logistiques,
lordonnancement et le juste temps, et lordonnancement et la coopration dans les chanes
logistiques. Bien sr, notre recherche nest pas exhaustive, mais nous avons essay nanmoins
dtre le plus complet possible pour permettre des lecteurs non spcialistes ni en chanes
logistiques, ni en ordonnancement de pouvoir comprendre lenvironnement global de ltude.
Parfois, nous avons dtaill des notions pas en liens directs ou apparents avec le problme
proprement tudi, je pense notamment aux mesures de performances et aux systmes daides
la dcision (sections 1.2.7, 1.2.8 et 1.2.10). Nous avons jug utile dintroduire ces notions
pour largir le champs de vision du lecteur non spcialiste afin davoir une ide globale sur les
enjeux et les buts finaux du dveloppement doutils doptimisation au niveau oprationnel. En
clair, cest pour ne pas dissocier les objectifs des niveaux tactique et stratgique, avec ceux au
niveau oprationnel. En outre, notre tude montre la relative pauvret de la littrature
scientifique quant aux tudes prnant la coopration et la coordination des activits, ou entre
les partenaires de la chane logistique, un niveau oprationnel. On trouvera gnralement un
ensemble de rgles pour cadrer cette coopration. Nanmoins, pour rendre cette belle ide de
149
collaboration effective, on a besoin doutils puissants pour la mettre en uvre dans les
diffrentes oprations quotidiennes.
Aprs avoir introduit les notions lies aux problmatiques de la thse, nous introduisons
dans le chapitre 2 le problme constituant la majeure partie de la thse. A notre connaissance,
un tel problme na pas t tudi dans la littrature concernant les chanes logistiques. Dans
ce chapitre, nous dfinissons dabord larchitecture globale de la chane logistique tudie.
Les partenaires, leurs rles, les relations entre eux, et leurs relations avec des entits externes
la chane y sont exposs. Pour bien le comprendre, nous lavons illustr sur un exemple dun
systme de production deux tages o les oprations sont traites dans un systme de
flowshop. Nous avons donn ensuite les diffrents problmes de juste temps quune telle
problmatique induit. A ce niveau de ltude, nous avons propos une approche de
ngociation entre les partenaires de la chane logistique base sur la notion de fentres de
temps virtuelles, permettant dorganiser le fonctionnement du systme de production en tenant
compte des interactions, et des rgles de prcdences entre les oprations, ainsi qutablir des
contraintes quant aux dates livraisons et de disponibilit des diffrents composants et/ou
produits finis. Le processus de ngociation propos ne peut tre valid que par des simulations
qui ne font pas lobjet de cette thse.
Dans le troisime chapitre nous avons propos une approche de rsolutions pour les
problmes de juste temps dfinis dans le prcdent chapitre. Notre mthode est gnrique, et
est valable pour le cas le plus gnral de problmes de juste temps. Elle est base sur une
approche par dcomposition, et par lutilisation de deux types de mthodes : une mthode
exacte, et une mthode approche. En effet, nous parcourons lespace des solutions avec une
mta heuristique, et nous valuons la solution choisie un moment donne par une mthode
exacte, ce qui permet de donner le meilleure solution possible par rapport un ensemble
dtermin (ou fix) de donnes. Quand la mthode exacte, il sagit du Pert cot. Nous
lavons adapt notre problme, tout en proposant un nouvel algorithme pour acclrer son
droulement bas sur les caractristiques du problme tudi. Pour les mtaheuristiques, nous
avons choisis den utiliser deux : le recuit simul et les algorithmes gntiques. Nous avons
utilis les algorithmes gntiques dune faon plus importante, tandis que le recuit simul
nous a servi de repre pour faire une valuation des performances de lalgorithme gntique.
Au lieu dessayer dimaginer de nouveaux schmas dalgorithmes gntiques, nous nous
sommes intresss dvelopper de nouveaux oprateurs plus spcifiques et plus adapts
notre problme que nous avons utilis dans un schma litiste. Les performances de la
mthode du Pert Cot, ainsi que les performances des mtaheurisque sont values dans le
quatrime chapitre sur des instances de donnes que nous avons gnrs nous mmes dune
manire qui puisse permettre de plus ou moins faire une comparaison honnte entre la
gnration de solutions alatoires, et lutilisation des mtaheuristiques.
Enfin, dans le cinquime chapitre nous avons tudi un panel de problmes
dordonnancement des transports et de la production pour des chanes logistiques spcifiques,
et pour certains de ces problmes, nous avons propos des mthodes de rsolutions exactes.
Ces outils peuvent tre intgrs dans des outils plus gnralistes afin de proposer des
optimisations locales l o cela peut donner de bons rsultats sans pour autant influer
ngativement dautres mesures de performances dautres niveaux de la chane. En outre,
nous avons mis laccent sur la ncessit de dvelopper des outils pour mettre en uvre la
coordination entre les diffrents maillons de la chane, ou du moins entre les maillons qui se
suivent, et qui ont donc des relations trs fortes.
150
6.2 Perspectives
Comme nous lavons dit plus haut, nous esprons que notre travail ouvrira de nouvelles
voies quant ltude et la recherche pour le dveloppement doutils puissants pour la mise en
uvre de la coordination et la coopration au niveau oprationnel de la chane logistique. Les
modles prsents et tudis dans cette thse peuvent servir de base pour de futures tudes qui
sintresseraient au dveloppement dalgorithmes et outils pour le juste temps, et pour
coordonner au niveau oprationnel les efforts entre fonctions de la chane logistiques, ou bien
entre partenaires.
Comme perspectives immdiates, il serait trs intressant dapprofondir les expriences
concernant lutilisation des algorithmes gntiques afin de dterminer les meilleurs
oprateurs. Mesurer les performances de chaque oprateur relativement la structure de
donnes laquelle il est appliqu, peut nous mener vers des schmas dalgorithmes gntiques
dynamiques o lutilisation des oprateurs dpendra de la nature des donnes, et donc
permettra de maximiser chaque instant lutilisation du meilleur oprateur.
Aprs lattribution des fentres virtuelles (soft et hard) initiales, les ordonnancements des
diffrents centres de dcisions deviennent indpendants, car les dpendances entre eux ont t
prises en compte travers les fentres de temps. Chaque centre de production peut utiliser une
mthode de rsolution exacte ou approche pour calculer lordonnancement en juste temps
pour minimiser la somme des pnalits davances et de retards. Nous avons trait dans cette
thse la premire partie du processus global de ngociation.
Une autre perspective immdiate serait danalyser le systme global de ngociations. Aprs
chaque tape (itration) du processus itratif (de ngociation), une analyse des solutions
calcules par les diffrents centres de production savre indispensable pour prendre des
dcisions pour orienter le systme global vers la cohrence et vers des solutions de meilleures
qualit. Nous pouvons distinguer quatre cas :
1) Premier cas : si les dates de disponibilit et de livraisons souhaites (promises et
agres avec les fournisseurs et clients externes) sont respectes, et que toutes les
contraintes de prcdences entre les diffrents centres de production sont respectes compatibilit des ordonnancements- (i.e. quand une opration est en retard par rapport
ses dates virtuelles alors les oprations qui la suivent sont au minimum aussi en
retard quelle, ou quand elle est en avance, alors les oprations qui la prcdent sont au
moins aussi en avance quelle), alors lordonnancement global est admissible et on
peut arrter le processus de ngociation. Dans ce cas, on est dans le cas idal.
2) Deuxime cas : si les dates de disponibilit et de livraisons impratives (promises et
agres avec les fournisseurs et clients externes) sont respectes, et que les
ordonnancements des diffrents centres de production sont compatibles (vrifiant les
contraintes de prcdence), mais que les dates souhaites de livraison ou de
disponibilit ne sont pas respectes, alors on peut soit i) rengocier de nouvelles dates
souhaites, soit ii) augmenter les pnalits associes aux avances et retards par rapport
aux partenaires externes dans lespoir de trouver de meilleures solutions admissibles.
3) Troisime cas : si les dates de disponibilit et de livraisons impratives (promises et
agres avec les fournisseurs et clients externes) sont respectes, et que les
ordonnancements induisent des incompatibilits entre les diffrents centres de
production, alors il faut modifier les fentres de temps virtuelles internes au systme
pour garantir la convergence vers des solutions admissibles. Dans une approche de
pilotage semi-dcentralis, lordre dans lequel les fentres de temps sont ngocies
151
peut tre organis soit dans le sens direct depuis les fournisseurs vers les clients, ou
bien dans le sens rtrograde. Cette organisation est un moyen de garantir la
convergence du processus global.
4) Quatrime cas : si les dates impratives de disponibilit ou bien de livraisons ne sont
pas respectes, alors ces contraintes doivent tre relaxes lgrement et un nouveau
cycle de ngociation est relanc. Ce cas peut tre d au fait quil nexiste pas de
solutions admissibles pour le problme global.
Figure 6.1 fonctionnement du processus de ngociation.
La figure prcdente montre un schma possible du processus de ngociations. Ce schma

ne peut tre valid et analys qu partir de simulations. Lutilisation de la simulation est trs
frquente dans le milieu des entreprises, ce qui en fait un outil puissant capable dtre intgr
et utilis dans le monde rel sans rencontrer beaucoup de rticences de la part des industriels
et commerciaux.
152
En outre, comme perspectives futures pour la poursuite de notre travail, nous pouvons
suggrer lajout de nouvelles contraintes, comme par exemple tenir compte des alas qui
peuvent apparatre au cours de la production tel que les pannes. Tenir compte de la
maintenance peut savrer trs intressant surtout lorsquon sait que ce genre dalas est
frquent dans le milieu industriel.
Aussi, nous pouvons ajouter dautres objectifs dans le calcul des ordonnancements en juste
temps pour tenir compte dautres contraintes ralistes, comme le niveau de stock (dans
chaque entrept ou atelier) et dtablir simultanment les plannings de livraisons. Cette
approche globale, galement appele multi chelons, serait difficile mettre en uvre surtout
lorsquil sagit de chanes logistiques de trs grandes tailles, mais cest ce qui rend le
challenge trs intressant, car les bnfices dun tel systme capable de prendre en
considration la majeure partie des contraintes ralistes et de les intgrer dans le calcul
dordonnancements au niveau oprationnel permettant doptimiser la totalit de la chane
serait une avance importante quutiliseraient les progiciels inclus dans les ERP et les APS.
153
Annexe 1
Annexe 1
Annexe 1
1. Illustration du Pert Simple
Nous allons illustrer les diffrentes tapes de cette mthode avec un exemple. Considrons
les donnes suivantes :
Tches
Dure
Tches qui
prcdent
Tches qui
suivent
3,4
6,7
1,4
3,5
Pour clarifier les donnes des problmes dordonnancement, la thorie des graphes est un
support des plus puissants. Dans la mthode du Pert, on rajoute deux tches fictives :
La tche du dbut de projet (source du graphe).
La tache de fin du projet (puit du graphe).
Chaque nud du graphe reprsente une activit (tche) du projet, et est atteignable par un
arc venant dun nud qui le prcde. Chaque arc a une valeur gale la dure de la tche
(nud) dont il est originaire. La figure suivante montre le graphe correspondant au tableau
prcdent.
2
3
4
0
Ltape suivante est dtablir lordonnancement au plus tt (cal gauche). On calcule la date
de dbut au plus tt de chaque tche. Cest dire la date partir de la quelle on peut
155
Annexe 1
commencer lexcution de cette tche en tenant en compte les tches qui la prcdent. Pour
cela, on parcourt le graphe de gauche droite et on calcul le chemin le plus long depuis le
dbut du projet jusqu cette tche. La date au plus tt un nud donn est gale au
maximum entre les dates au dbut au plus tt parmi tous ses prdcesseurs en ajoutant la
dure de chaque tche. Il sagit du calcul du plus long chemin du dbut du projet jusqu
chacun des nuds.
Les dates au plus tt pour notre exemple sont donnes par la figure suivante (les valeurs et
en gras et en haut de chaque noeud).
0
1
0
11
5
2
8
4
19
4
0
0
La dure minimum de ralisation du projet est donne par la date de dbut au plus tt sur la
tche de fin. Dans notre exemple, il sagit de 19.
La troisime tape est de calculer lordonnancement au plus tard (cal droit). Il sagit de
calculer la date laquelle la tche doit imprativement commencer pour ne pas retarder tout le
projet. A partir de la date de fin au plus tt, et en parcourant le graphe de droite gauche, on
calcule la date de dbut au plus tard pour chaque nud qui est gale au minimum entre les
dates au plus tard des nuds successeurs dont on soustrait la dure de la tache dont on calcule
la date au plus tard. Les dates au plus tard pour notre exemple sont montres par la figure
suivante (en gras et en bas de chaque nud).
0
1
0
11
5
6
2
11
19
4
0
0
2
0
4
4
3
8
7
3
7
14
156
Annexe 1
La diffrence entre la date de dbut au plus tt et la date de dbut au plus tard est appele
marge totale. Elle mesure le degr de libert dont on dispose pour programmer cette tche
sans remettre en cause la dure de lexcution minimale du projet (Giard, 2003).
La diffrence entre la plus petite des dates au plus tt des tches suivantes et la date au plus
tt de la tche courante ajoute sa dure, est appele marge libre. Elle reprsente le dlai de
retard maximum que lon peut se permettre pour lexcution dune tche sans pour autant
retarder les tches suivantes.
Les tches dont la date de dbut au plus tt est gale la date de dbut au plus tard sont
appeles tches critiques. Elles nont aucune marge de manuvre concernant leur
ordonnancement. Un chemin du dbut du projet jusqu sa fin et ne passant que par des tches
critiques est dit chemin critique. Le retard pris sur la ralisation des tches sur ce chemin
entranera obligatoirement un retard sur la fin de lensemble du projet. Sur un chemin critique,
la diffrence entre les dates au plus tt de deux tches successives doit tre gale la dure de
la tche qui prcde lautre. Il peut exister plusieurs chemins critiques. Le chemin critique, est
en faite le plus long chemin dans le graphe.
0
1
0
11
5
6
2
11
19
4
0
0
2
0
4
4
3
8
7
3
7
14
Chemin critique
la fin de cette tape, on a toutes les informations ncessaires pour ordonnancer le projet.
2.
Exemple
Dans cette section, nous allons drouler notre exemple jusqu obtenir la solution de
lordonnancement final. Nous nous sommes arrts la fin de la premire itration pour
laquelle nous avons calcul les ordonnancements au plus tt et au plus tard, les chemins
critique, et la coupe minimale. Dans ce qui suit nous ne donnons que le rsultat du pas de
compression pour raison de lisibilit de lexemple (mettre chaque fois les six graphes et les
calculs pour chacun de leurs nuds peut tre source de confusion et dambigut pour le
lecteur).
Nous illustrons la construction du graphe du Pert cot par lexemple suivant. Les
donnes sont dcrites par le tableau suivant.
157
Annexe 1
i
Pi,1
Pi,2
ri
ri
ri
ri
di
d i
di
di
10
20
30
15
30
18
30
25
30
22
30
Cest un exemple avec deux machines et cinq jobs. Nous considrons la permutation
suivante : 1, 2, 3, 4, 5. Le graphe Pert correspondant est donn par la figure suivante :
Initialisation :
Graphe correspondant au Pert simple.
158
Annexe 1
Itration 1 :
Les dates au plus tt et les dates au plus tard.
Chemins critiques.
159
Annexe 1
Coupe minimale
Le pas de compression pour cette itration est : u = 8 .
Itration 2 : la figure suivante montre ltat du graphe aprs la deuxime itration.
160
Annexe 1
La coupe minimale consiste avancer le dbut du travail 1. Le pas de compression est gal
2.
Itration 3 :
La coupe minimale consiste avancer le dbut du travail 1, et davancer la fin du travail 1.

Le pas de compression est gal 4.
Itration 4 :
161
Annexe 1
La coupe minimale consiste avancer la fin du travail 1, et reculer le dbut des travaux 4
et 5. Le pas de compression pour cette itration est gal 2.
Itration 5 :
La coupe minimale consiste avancer la fin du travail 1, et reculer le dbut des travaux 3,
4, et 5, et reculer la fin du travail 5. Le pas de compression de cette itration est gal 2.
Itration 6 :
162
Annexe 1
La coupe minimale consiste reculer le dbut des travaux 3, 4, et 5, et reculer la fin des
travaux 3 et 5. Le pas de compression pour cette itration est gal 2.
Itration 7
La longueur totale de lordonnancement est gale 30 qui est gale la longueur de

lhorizon ( d max ). Le pas de compression devient nul et lalgorithme sarrte.
163
Bibliographie
Aggoune R., (2002). Ordonnancement dAteliers sous Contraintes de Disponibilit des

Machines. Thse de doctorat de luniversit de Metz.
Aggoune R., (2004). Minimizing the makespan for the flow shop scheduling problem
with availability constraints. European Journal of Operational Research (153) 534543.
Agnetis A, Hall N.G and Pacciarelli D, (2006) Supply chain scheduling: Sequence
coordination. Discrete Applied Mathematics, 154-15, 2044-2063
Barbarosoglu G., et Yazgac T., (1997). An application of the analytical hierarchy process
to the supplier selection problem. Production and Inventory Management Journal, vol 38 (1),
14-21.
Bulbul, K., Kaminsky, P., and Yano, C. (2004). Flow Shop Scheduling with
Earliness, Tar-diness and Intermediate Inventory Holding Costs. Naval Research Logistics,
51(3):407-445.
Bhasharan S., (1998). Simulation Analysis of a Manufacturing Supply Chain. Decision
Sciences, vol(29), 633-657.
Bourland K.E., Pwell S.G., Pyke D.F., (1996). Exploiting timely demand information to
reduce inventories, European Journal of Operational research (92) 239-243.
Browne J., Sackett P., Wortmann J.C., (1995). Futur manufacturing systems- toward the
extended entreprise, Computer in Industry (25).
Camirenelli E., et Cantu A., (2006). Measuring the Value of the Supply Chain: A
Framework. Supply Chain Practice Vol. 8. No. 2.
Carlier J., et Chrtienne P., (1988). Problmes dordonnancement (modlisation/
complxit/ algorithmes). Collection Etudes et Recherches En Informatique, Masson Editions.
Chang Y., and Lee C.,(2004) Machine scheduling with job delivery coordination.
European Journal of Operational Research, 158, 470-487.
Chen Z.L., and N.G. Hall (2001) Supply chain scheduling: Assembly systems. Working
Paper, Department of Systems Engineering, University of Pennsylvania.
Chopra S., et Meindil P., 2007. Supply chain management: Strategy, planning, and
Operations, third edition, Pearson Education, Inc. New Jersey.
Christopher, M.L., (1992). Logistics and supply chain management. Pitman Publishing,
London.
Chu C., Portmann M.C., Proth J.M. (1992) A splitting up approach to simplify job-shop
scheduling problems. International Journal of Production Research, 30-4, 859-870.
Cooper, M.C., D.M. Lambert and J.D. Pagh (1997). Supply chain management more than
a new name for Logistics. The International Journal of Logistics Management, 8, No.1, 1-14.
Courtois A., Martin-Bonnefous C., Pillet M., (1996). gestion de production , les
ditions dorganisation, troisime dition, Paris.
Bibliographie
Damours S., Montreuil B., Lefranois P., Soumis F., (1999). Networked Manufacturing :
The impact of information sharing, International Journal of Production Economics, (58) 6379.
Davis L., (1985). A Generelized permutation approach to job shop scheduling with
genetic algorithms. OR Spektrum, 17, 87-92.
Dawande, M., Neil Geismar, H. and Hall N.G., (2006). Supply chain scheduling:
distribution systems, Production and Operations Management, (15)2, 243-261.
Desrosiers P., (2006). Gestion des oprations et de la production : Planification et
contrle de la production lapproche juste temps, cours de HEC Montral.
Ding H., (2004). Une Approche dOptimisation Base sur la Simulation pour la
Conception de Chanes Logistiques : Application dans les Industries Automobiles et Textiles.
Thse de doctorat, Universit de Metz.
Dudek, G. and H. Stadtler (2005) Negotiation-based collaborative planning between
supply chains partners. European Journal of Operational Research, 163, 668687.
Engles D.W., (1978). Alexander the great and the logistics of the Macedonian Army, Los
Angeles, CA, University of California Press.
Ertogral K., Darwish M., Ben-Daya M., (2007). Production and shipment lot sizing in a
vendor-buyer supply chain with transportation cost, European Journal of Operational
Research, vol. 176, 1592-1606.
Falkenauer E., Bouffouix S., (1991). A genetic algorithm for job shop. Proceedings of the
IEEE International Conference on Robotics and Automation, Sacramento, 1, 824-829.
Fondrevelle J., (2005). Rsolution exacte de problmes dordonnancement de type
flowshops de permutation en prsence de contraintes dcarts temporels entre oprations.
Thse de doctorat de linstitut National Polytechnique de Lorraine, Nancy.
Ganeshan, Ram, and Terry P. Harrison, (1995). An Introduction to Supply Chain
management. Department of Management Sciences and Information Systems, 303 Beam
Business Building, Penn State University, University Park, PA, USA.
Giard, V. (2003). Gestion de la production et des flux. 3me dition, dition Economica.
Glover F., (1989). Tabu Search Part I, Journal on Computing 1, 190206.
Glover F.,(1990). Tabu Search Part II, Journal on Computing 2, 432.
Goldberg, D.E. (1989) Genetic Algorithms in Search, Optimization and Machine
Learning, Addison Wesley.
Goldratt E., (2007). Le But, Editions Eyrolles, 3me edition.
Govil M., et Proth J.M., (2002). Supply chain design and management: strategic and
tactical perspectives. Academic Press, San Diego, California, USA.
Graham R.L., Lawler E.L., Lenstra J.K., et Rinooy Kan A.H.G., (1979). Optimization
and approximation in deterministic sequencing and scheduling theory: a survey. Annals of
Discrete Mathematics, (5) 287-326.
Gunasekaran A., Patel C., McGaughey R.E., (2004). A framework for supply chain
performance measurement. International Journal of Production Economics (87) 333347.
Gupta D., and Weerawat W., (2006). Supplier manufacturer coordination in capacitated
two stage supply chains, European Journal of Operational research (175), 67-89
165
Bibliographie
Hadfield R.B., Bechtel C., (2002). The role of trust and relationship structure in
improving supply chain responsivness, Industrial marketing Mnagement (27) 1219-1227.
Hall, N.G., and C.N. Potts, (2005). The coordination of scheduling and batch deliveries,
Annals of operations research (135) 41-64.
Hall, N.G. and C.N. Potts (2003) Supply Chain Scheduling : Batching and Delivery.
Operations Research, 51, 566-584.
Harmon R.L., (1992). Reinventing the factory 2. The free Press.,
Hassin R., et Shani M., (2005). Machine scheduling with earliness, tardiness and non
execution penalties, Computers and Operations Research (32), 683-705.
Hendel, Y., Sourd, F.,(2006a). An improved earlinesstardiness timing algorithm.
Computers & Operations Research, In Press.
Hendel, Y., Sourd, F.,(2006b). Efficient neighbourhood search for the one machine
earliness-tardiness scheduling problem, European Journal of Operational Research (173)
108-119.
Hermann J.W., Lin E., Pundoor G., (2003). Supply Chain Simulation Modeling Using
The Supply Chain Reference Model. Proceedings of DETC03, 1-9, Chicago, USA.
Holland J.H.,(1975), Adaptation in Natural and Artificial Systems, University of
Michigan Press, Ann Arbor.
Huang B., Iravani S.M.R., (2007). Optimal production and rationing decisions in supply
chains with information sharing, Opeartions research Letters (35)5, 669-676.
Hugos M., (2003). Essentials of supply chain management. John Wiley and sons, Inc,
New Jersey, USA.
Jain S., Workman R.W., Collins L.M, Ervin E.C., (2001). Development of a High-Level
Supply Chain Simulation Model. Proceedings of the 2001 Winter Simulation Conference,
1129-1137.
Jiao J.R., You X., Kumar A., (2006). An agent-based network for collaborative
negotiation in the global manufacturing supply chain network, Robotics and ComputerIntegrated Manufacturing (22) 239-255.
Jung H., Jeong B., Lee C.G., (2006). An order quantity negotiation model for distributordriven supply chains, Intelligent Journal Production Economics, paratre.
Kearney. A.T., (1994). Management approach to Supply Chain Integration, Rapport aux
membres de lquipe de recherche , A.T. Kearney, Chicago.
Kovacs G.L., Paganelli P., (2003). A planning and management infrastructure for large,
complex, distributed projects- beyond ERP and SCM, Computers in Industry (51) 165-183.
Kreipl S., and M. Pinedo (2004) Planning and scheduling in supply chains: An overview
of issues in practice. Production and Operations management, 13-1, 77-92.
Lambert, D.M., J.R. Stock, et L.M. Ellram, (1998), Fundamentals of Logistics
Management, Boston, MA: Irwin/McGraw-Hill, Chapitre 14.
Lamming R., (1996). Squaring lean supply with supply chain management. International
Journal of Operations and Production Management (16)2, 183-1996.
Lee H.L. et Billington C, (1993), Material management in decentralized supply chain",
Operations Research, vol 41, n5, p. 835-847.
166
Bibliographie
Lee, Hau L; Padmanabhan, V. and Whang, Seungjin (1997). "The Bullwhip Effect in
Supply Chains". Sloan Management Review 38 (3): 93-102.
Lee Y. L.., Jung J. W., Lee K. M. (2006) Vehicle routing scheduling for cross-docking in
the supply chain . Computers & Industrial Engineering, 51-2, 247-256.
Li C, Vairaktarakis G., Lee C. (2005). Machine scheduling with deliveries to multiple
customer locations. European Journal of Operational Research, 164, 39-51.
Li C.L., and Xiao W.Q., (2004). Lot streaming with supplier-manufacturer coordination.
Naval research Logistics, (51), 522-542.
Lin B.M.T., Cheng T.C.E., Chou A.S.C., (2007). Scheduling in an assembly type
production chain with batch transfer, Omega (35) 143-151.
Lin F., Lin Y., (2006). Integrating multi-agent negotiation to resolve constraints in
fulfilling supply chain orders, Electronic Commerce Research and Applications (5) 313- 322.
Lopez P., et Roubellat F., (2001). Ordonnancement de la production. Herms science
publications, Paris, France.
Makastoris C., Leach N.P., Richards H.D, Ristic M., Besant C.B., (1996). Addressing the
planning and control gaps in semiconductor virtual entreprises, Proceedings of the conference
on Integration in Manufacturing, 117-129, Galway, Ireland.
Meijboom B., and Obel B., (2007). Tactical coordination in a multi-location and a multistage operations structure : A model and a pharmaceutical company case, Omega (35).258273.
Mnard J.P., (2005). Concept: le Juste Temps. Le Journal Industriel du Qubec.
Mentzer J.T., Dewitt W., Keebler J.S., Min S., Nix N.W., Smith C.D., Zacharia Z.G.,
(2001). Journal of business logistics Management, vol 22 (2).
Metropolis, W., A. Rosenbluth, M. Rosenbluth, A. Teller and E. Teller (1953), Equation
of the State Calculations by Fast Computing Machines, Journal of Chemical Physics 21,
10871092.
Moller C., (1995). Toward design effective logistics systems, Thse de doctorat, Aalborg
University, Danemark.
Monteiro T., (2001). Conduite distribue dune cooperation entre enterprises: le cas de la
relation donneurs dordres fournisseurs, Thse de lInstitut National Polytechnique de
Grenoble.
MonteiroT., Roy D., Anciaux D., (2007). Multi-site coordination using a multi-agent
system, Computers in Industry, (58) 367-377.
Mouloua Z., and Oulamara A., (2006). Cooperation in supply chain scheduling:
minimizing the inventory holding cost. The International conference on Information systems,
Logistics and Supply chain. (1), pp 564-573, Lyon.
Mouloua Z., and Portmann M.C., (2006). Single product scheduling and transportation
optimization in a supply chain, International conference on project management and
scheduling, pp Poznan, Poland.
Mouloua Z., and Oulamara A., (2007). A dynamic programming approach for
minimizing the transportation costs in a supply chain, The 4th International Federation of
Automatic Control Conference on Management and Control of Production and Logistics,
Sibiu, Romania.
167
Bibliographie
Mouloua Z., and Oulamara A., (2007). Joint optimization of production and
transportation in a multiple products, multiple customers supply chain. Papier soumettre.
Naso D., Surico M., Turchiano B. and Kaymak U. (2007) Genetic algorithms for supplychain scheduling: A case study in the distribution of ready-mixed concrete. European Journal
of Operational Research, 177-3, 2069-2099.
Nearchou A.C., (2004). Flowshop sequencing using hybrid simulated annealing, Journal
of Intelligent manufacturing (15) 317-328.
Neubert R., Gorlitz O., Teich T., (2004). Automated negotiations of supply contracts for
flexible production networks, Int. J. Production Economics (89) 175-187.
New S.J. et P. Payne, (1995), "Research framework in logistics : three models, seven
dinners and a survey", International Journal of Physical Distribution and logistics
management, 25 (10).
Noorul Haq A., Ravindran D., Aruna V., Nithiya S., (2004). A hybridisation of
metaheuristics for flowshop scheduling, International Journal of Advanced Manufacturing
Technologies (24) 376-380.
Osman I.H., et Laporte G., (1996). Metaheuristics : a bibliography. Annals of Operations
Research, (63), 513-623.
Ould Louly M.A., (2001). Optimisation des stocks des composants et planification de
leurs rapprovisionnements pour les systmes dassemblage soumis des alas. Thse de
doctorat de luniversit de technologie de Troyes.
Ouzizi L., (2005). Planification de la production par co-dcision et ngocition de
lentreprise virtuelle, Thse de doctorat de luniversit de Metz.
Ouzizi L., Anciaux D., Portmann M-C., Vernadat F. (2006) A model for co-operative
planning within a virtual enterprise. International journal of Computer Integrated
Manufacturing. 19-3, 248-263.
Pach J., (2004). Proximit spatiale et gestion des supply chains : une approche critique
partir des logiques de radialisation, Quatrimes journes de la proximit, juin 17-18.
Pons J., Chevalier P., (1996). La logistique intgre, P. 34-35, Hermes.
Portmann M.C., (2006). Chanes logistiques et gestion de la production, ISDP 32, cours
lecole des mines de Nancy.
Portmann M.C. (1988) Mthodes de dcompositions spatiales et temporelles en
ordonnancement de la production. RAIRO-APII, 22-5, 439-451.
Portmann M.C., and Mouloua Z., (2007). A window time negotiation approach at the
scheduling level inside supply chains, 3rd multidisciplinary International Scheduling
Conference: Theory and Applications, Paris.
Pundoor G., Chen Z.-L. (2005) Scheduling a production-distribution system to optimize
the tradeoff between delivery tardiness and distribution cost. Naval research Logistics, 52-6,
571-589.
Rajendran C., Ziegler H., (2005). Two ant-colony algorithms for minimizing total
flowtime in permutation flowshop, Computers and Industrial Engineering (48) 789-797.
Rota K., Thierry C. et Bel G., (2001). La matrise des flux (coordonateur : J.P.
Campagne) : Chapitre 5 "Gestion des flux dans les chanes logistiques (Supply Chain
Management)", Ouvrage Herms : Trait Systmes pour lingnieur, Ed. Herms.
168
Bibliographie
Ruiz R., Maroto C., Alcaraz J., (2006). Two new robust genetic algorithms for the
flowshop scheduling problem, Omega (34), 461-476.
Selvarajah E., Steiner G. (2006). Batch scheduling in a two-level supply chaina focus
on the supplier , European Journal of Operational Research, 173-1, 226-240.
Srgio M. S. Neiro M., Pinto J.M. (2004), A general modeling framework for the
operational planning of petroleum supply chains . Computers & Chemical Engineering, 28(67), 871-896.
Shabtay D., and Steiner S., (2006). Two due date assignement problems in scheduling a
single machine, Operations research letters (34) 6, 683-691.
Sourd F., (2003). The one machine problem with earliness and tardiness penalties,
Journal of scheduling (6) 533-549.
Sourd, F.,(2005). Punctuality and idleness in just-in-time scheduling. European Journal
of Operational Research, Volume 167, Issue 3, 16 December 2005, Pages 739-751.
Sourd F., (2006). Dynasearch for the earliness-tardiness scheduling problem with release
dates and setup constraints, Operations Research letters (34) 591-598.
Tan K.C., (2001). A framework of supply chain management literature, European
Journal of Purchasing and Supply Management (7) 39-48.
Taylor D.A., (2003). Supply Chains: A Managers Guide. Addison Wesley, USA.
Tayur S., Ganeshan R., M. Magazine. (1999), Quantitative models for supply chain
management, Kluwer Academic Publishers.
Thierry C., J. Lamothe et V. Galvagnon, (2004). A re-planning support system to small
batch production with booked resources", International Journal of Production Research,
42(23), 4993-5008.
Thonemann U.W., (2002). Production, manufacturing and logistics improving supply
chain performance by sharing advance demand information, European Journal of Operational
Research, (142) 81-107.
Vidal C.J., et Goetschalckx M., (1997). Strategic production-distribution models : a
critical review with emphasis on global supply chain models. European Journal of
Operational Research, vol (98), 1-18.
Voss S., Martello S., Osman I.H., Roucairol C., (1999). Meta-Heuristics Advance and
trends in local search paradigms for optimization. Kluwer Acadelic Publishers, Dordrecht, the
Netherlands.
Wang H., Lee C.Y., (2005). Production and transport logistics scheduling with two
transport mode choices Naval Research Logistics. 52-8, 796-809.
Wang L., Zheng D.Z., (2003). An effective hybrid heuristic for flowshop scheduling,
International Journal of Advanced Manufacturing Technologies (21) 38-44.
Yang Y., Kreipl S., Pinedo M., (2000). Heuristics of minimizing total weighted tardiness
in flexible flowshop, Journal of Scheduling (3) 89-108.
Zhao X., Xie J., Leung J., (2002). The impact of forecasting model selection on the value
of information sharing in a supply chain, European Journal of Operational Research, (142)
321-344.
169
Liste des tableaux et figures

Figure 1.1 modle de chane logistique selon (new et al, 1995).
Figure 1.2 modle de chane logistique (Kearney, 1994).
Figure 1.3 chane logistique globale.
10
Figure 1.4 chane logistique interne. Source (Portmann, ISDP32).
11
Figure 1.5 entreprise tendue. Source (Portmann, ISDP32).
11
Figure 1.6 entreprise virtuelle. Source (Portmann, ISDP32).
12
Figure 1.7 pyramide des niveaux de dcisions.
15
Figure 1.8 diffrence entre les niveaux de dcisions. Source (Portmann, ISDP32).
16
Figure 1.9 diffrence entre les types de modlisations des chanes logistiques (Taylor, 2003). 23
Figure 1.10 modules dun ERP (Taylor, 2003).
24
Figure 1.11 modules dun APS (Taylor, 2003).
25
Figure 1.12 diffrences entre APS et ERP.
25
Figure 1.13 Chane logistique de DELL.
26
Figure 1.14 flux tendus.
38
Figure 2.1 Schma gnral de la chane logistique.
49
Figure 2.2 les lments de la supply chain.
50
Figure 2.3 Interactions entre les diffrents lments de la supply chain.
50
Figure 2.4 schma du processus de pilotage semi-dcentralis.
51
Figure 2.5 premier tage du systme de production.
52
Figure 2.6 fonctionnement du deuxime tage du systme de production.
52
Figure 2.7 interactions entre partenaires et pilotage semi-dcentralis.
55
Figure 2.8 schma global du processus de ngociation.
61
Figure 2.9 dpendances entre les centres de dcisions (Portmann et Mouloua, 2007).
62
Figure 2.10 association des fentres de temps virtuelles aux jobs (Portmann et Mouloua, 2007).63
Figure 3.1 Schma gnral de la mthode de rsolution.
68
Figure 3.2. Schma gnral de lvaluation dune permutation.
68
Figure 3.3 Algorithme dvaluation dune permutation.
72
Figure. 3.4. Modle du graphe pour chaque opration.
73
Figure. 3.5. Les arcs sortants dune opration.
73
Figure 3.6. Valeurs sur les arcs.
74
Figure 3.7 Arcs sortants.
75
75
Figure 3.9. Graphe G .
76
170
Figure. 3.10. Graphe G3.
76
Figure. 3.11. Graphe G .
76
77
Figure 3.13. Graphe G .
77
Figure3.14 Itration de base dun algorithme gntique incrmental.
83
Figure 3.15 Structure gnrale dun algorithme gntique incrmental.
84
Figure 3.16. Schma simple de Goldberg.
85
Figure 3.17. Algorithme de la slection par tournoi binaire.
86
Figure 3.18. Algorithme de la roulette.
87
Figure 3.19. Exemple dune procdure de remplacement.
87
Figure 3.20. Exemple de croisement OX.
88
Figure 3.21. Exemple de croisement LOX.
88
Figure 3.22. Croisement 1X.
89
Figure 3.23. Exemple de croisement 2X.
89
Figure 3.24 les croisements bass sur les dates dexcutions.
91
Figure 3.25. Algorithme du croisement bas sur les cots des jobs.
91
Figure 3.26 Algorithme du croisement bas sur les positons.
92
Figure 3.27 Schma litiste.
93
Figure 3.28 Algorithme du recuit simul.
94
Figure 4.1 gnration des pnalits davance et de retard.
99
Figure 4.2 Courbe des dures opratoires par nombre de jobs
103
Figure 4.3 degr de faisabilit des solutions.
104
105
106
106
106
Figure 5.1 chane logistique considre.
110
Figure 5.2 ordonnancement du fournisseur 1.
112
Figure 5.3. Ordonnancement du fournisseur 2.
112
Figure 5.4 cas de deux fournisseurs.
113
Figure 5.5 schma gnral du systme tudi.
121
Figure 5.6 schma simplifi mono produit.
122
Figure 5.7 scnario faisable.
124
Figure 5.8 Scnario infaisable.
125
Figure 5.9 exemple de scnario de production.
129
Figure 5.10 Graphe correspondant au problme du tableau 5.9.
132
Figure 5.11 ordonnancement initial.
138
171
139
139
Figure 5.14 ordonnancement optimal vrifiant la proprit 1.
140
Figure 5.15 ordonnancement driv de celui de la figure 5.13.
140
Figure 6.1 fonctionnement du processus de ngociation.
150
172

Ordonnancements Coopératifs Pour Les Chaînes Logistiques

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Ordonnancements Coopératifs Pour Les Chaînes Logistiques

Diunggah oleh

Hak Cipta:

Format Tersedia

Ordonnancements coop

eratifs pour les chanes

To cite this version:

HAL Id: tel-00606329

HAL is a multi-disciplinary open access

Larchive ouverte pluridisciplinaire HAL, est

Institut National Polytechnique de Lorraine

Ecole Suprieure des Mines de Nancy

Ecole doctorale IAEM Lorraine

Ordonnancements coopratifs pour les

Doctorat de lInstitut National Polytechnique de Lorraine

Professeur - Universit dAngers

Laboratoire Lorrain de recherche en Informatique et ses Applications UMR 7503

TABLE DES MATIERES

CHAPITRE 1 : Etat de lart

CHAPITRE 2: Le Problme et lApproche retenue

CHAPITRE 3 : Mthode de rsolution

CHAPITRE 4 : Experiences numriques

Evaluation du Pert Cot

CHAPITRE 5 : Problmes de transports dans les chanes logistiques

5.2.4.1 Le problme 2 fournisseurs- 2 produits

Liste des figures

1 CHAPITRE 1 : Etat de lart

Chapitre 1 : Etat de lart

Chapitre 1 : Etat de lart

1.2 Les chanes logistiques

Une ractivit trs suprieure.

Une baisse significative des cots.

Une nette amlioration de la qualit et du service du client.

Chapitre 1 : Etat de lart

Chapitre 1 : Etat de lart

Figure 1.1 modle de chane logistique selon (new et al, 1995).

Figure 1.2 modle de chane logistique (Kearney, 1994)

Chapitre 1 : Etat de lart

1.2.2 Types de chanes logistiques

Figure 1.3 chane logistique globale.

Chapitre 1 : Etat de lart

Figure 1.4 chane logistique interne. Source (Portmann, ISDP32).

Figure 1.5 entreprise tendue. Source (Portmann, ISDP32).

Chapitre 1 : Etat de lart

Figure 1.6 entreprise virtuelle. Source (Portmann, ISDP32).

Chapitre 1 : Etat de lart

1.2.3 Fonctions de la chane logistique

Chapitre 1 : Etat de lart

1.2.3.4 Distribution et transports

1.2.4 Les dcisions dans la chane logistique

Chapitre 1 : Etat de lart

Figure 1.7 pyramide des niveaux de dcisions.

Chapitre 1 : Etat de lart

1.2.4.1 Les dcisions stratgiques

Chapitre 1 : Etat de lart

1.2.4.2 Les dcisions tactiques

Trouver une allocation optimale des fournisseurs aux sites de production.

Planifier la production tous les niveaux (lissage et quilibrage de charge et

Chapitre 1 : Etat de lart

1.2.4.3 Les dcisions oprationnelles

Ordonnancement et pilotage en temps rel des systmes de production.

Tourne de vhicules ou programme des livraisons qui donne les produits, la

Placement plus prcis des activits de maintenance prventive.

Affectation des ressources aux tches (matrielles et humaines) de manire dynamique

1.2.5 La gestion de la chane logistique ou supply chain management

Chapitre 1 : Etat de lart

Chapitre 1 : Etat de lart

1.2.6 Optimisation de la chane logistique