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 - INPL
Matre de confrences - INPL
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
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
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
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
100
103
103
104
107
107
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
147
6.1
6.2
149
151
Conclusions
Perspectives
ANNEXE 1
154
BIBLIOGRAPHIE
164
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.
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.
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.
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
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
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)
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
Fournisseurs
Production
Distribution
Clients
Si les partenaires appartiennent tous la mme entit juridique (mme si lentreprise est
multi sites) alors on parle de chane logistique interne.
10
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.
11
12
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
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.
14
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).
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).
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.
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
Allocation des moyens de transports : ces moyens tant limits, cette allocation est
base sur le programme des livraisons.
19
20
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.
22
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
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)
23
les achats : vrifie la disponibilit des matires premires et des composants suivant la
nomenclature du produit.
24
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
25
26
27
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.
28
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.
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.
29
Le temps de rponse aux requtes des clients concernant par exemple le suivi de ltat
de leurs commandes.
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.
La conception ;
Lordonnancement de la production;
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
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
Uj =0
sinon.
32
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.
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
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).
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.
35
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
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
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
Entreprise
C
l
i
e
n
t
s
Selon certaines tudes, Les entreprises adoptant le juste temps peuvent faire des :
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.
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).
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 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
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
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.
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
48
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
49
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
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
Pilotage semi-dcentralis
Mmoire commune + rgles de fonctionnement
CD 1
CD 2
CD 3
..
CD n
CD : centre de dcision
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
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.
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.
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.
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 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.
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
55
57
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 :
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 = 1,.., L
: indice de la ligne.
58
L +1
M L +1
sur la machine j .
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 ..
: nombre de machines.
mj
: indice de la machine j .
: nombre de jobs.
Pi , j
di
ri
ri
: date de livraison souhaite (soft due date) associe la dernire opration du job
i.
59
di
Variables
a i, j
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.
60
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.
61
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).
dB = rD
RA
rA
dE
DE
B
Fentre virtuelle soft
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
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
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
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.
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.
68
69
71
Pert Cot
Dbut
Initialisation
Tan que (Longueur courante de lordonnancement > d max )
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
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.
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
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).
ii.
Dans le graphe G2, on ne garde que les arcs sortant de la source et qui appartiennent
la coupe minimale (arcs compresss).
75
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).
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).
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).
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
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
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)
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
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
Le concept de base dune mtaheuristique peut tre dcrit dune manire abstraite
sans faire appel un problme spcifique.
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.
81
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
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.
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
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 probabilit de mutation.
84
Evaluation :
Slection :
Croisement :
Mutation
On applique loprateur de
probabilit
p m . Lindividu
probabilit
avec
avec
la
la
1 pm .
Remplacement :
Arrt :
Fin
Les cinq lments suivants sont essentiels lors de la conception dun algorithme gntique
pour un problme doptimisation particulier :
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
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.
i.
End
Figure 3.17. Algorithme de la slection par tournoi binaire.
ii.
86
Dbut
Calcul de la somme des fitness de toute la population :
S=0.
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.
i.
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
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
iii.
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
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
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
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.
: 1
Positions : 4,7.
chromosome P1 : 2
aprs mutation
chromosome P1 : 2
10=
89
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).
i.
ii.
iii.
iv.
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
1i + i2
P2
1i + i2
P1
2
P2
1i + i2
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
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
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
Si J2 non encore affect Alors
Affecter J2 la position i dans le fils F1.
Sinon
Si J2 non encore affect Alors
Affecter J2 la position i dans le fils F1.
Sinon
Si J1 non encore affect Alors
Affecter J1 la position i dans le fils F1.
FinPour
FIN
Figure 3.26 Algorithme du croisement bas sur les positons.
92
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
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.
% 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
Alors
Finsi;
FinTantque
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
Rsum
Ce chapitre est consacr lvaluation des algorithmes dvelopps dans le chapitre prcdent.
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.
2.
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.
(1,2,3),
98
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)
100 + PourMou1
* t avec PourMou1={10, 20, 40, 80} le pourcentage de mou.
100
Dmax=
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
ij
Fin
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 de machines=5
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 de machines=6
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 de machines=8
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 de machines=10
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 de travaux=10 :
Nombre de machines=4
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 de machines=5
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 de machines=6
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 de machines=8
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 de machines=10
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 de travaux=15 :
Nombre de machines=4
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 de machines=5
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 de machines=6
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 de machines=8
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 de machines=10
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 de travaux=20 :
Nombre de machines=4
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 de machines=5
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 de machines=6
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 de machines=8
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 de machines=10
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
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.
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 %
104
chances dexplorer des solutions intressantes avec lAGS quavec le recuit simul ou avec
lAGE.
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
105
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
Gnrateur de solutions
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
Gnrateur de solutions
Valeurs
2000
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
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.
4.5 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
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.
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
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.
nij
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
1
b21
1
b22
1
21
1
22
b2k j
k
C2 j
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.
114
n2
k =1
k =1
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
Sans
perdre
en
gnralit,
nous
supposons
que h1 = h2 = h ,
alors
n2
n1
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
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
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)
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
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)
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
g
a
g
b
c
g
d
p1
+ p1 .b + = 0
2
p2
+ p 2 .d + = 0
2
= a.n1 + b + c.n2 + d W = 0
117
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 =
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 =
(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
premiers
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
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 ).
119
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.
Lemme 3. Les quantits optimales que chaque fournisseur doit produire pour le problme
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
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
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
Lemme 5. Les quantits optimales que chaque fournisseur doit produire pour le problme
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
121
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
W j = Wi j
i =1
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
=
Ressources
consommables
Systme de
Production
Prvision de la
demande
Systme
de
Demande des clients
Transport
Dcisions oprationnelles:
Production et transport
Un fournisseur
Un ou plusieurs clients
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.
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.
Single
machine
t
camions
Demande de clients
Un fournisseur
Un ou plusieurs clients
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.
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
126
Production
Livraisons
infaisables
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
Minimiser
X
i =1
Proprit 1. Le nombre optimal de trajets entre le producteur et le client est donn par :
127
ND
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.
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).
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
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
5.4.1.1 Notations
Donnes
130
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
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 .
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
Sil = PQi1 X ie1 j + S ie1 Avec la condition quil existe un arc de X ie1 vers X il .
j =1
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)
l
i
fct X , X
e
i +1
) = fct (X
X ie+1 j
)= C
j =1
e
i +1
(5.6)
132
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
134
5.4.2.1 Notations
Donnes
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
Min
Y
i =1 j =1
ij
(5.14)
X
j =1
ijk
PQik i, k (5.8)
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).
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
tat 1
tat
e
1
1
1
1
1
X i111 , X i121 ,..., X im
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
.......
........
........
.........
........
ei
ei
ei
ei
ei
ei
X i1k , X iei2 k ,..., X imk
,
S
,
S
,...,
S
,
S
i1k
i 2k
imk
ik
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
Un arc part dun tat X il vers un tat X ie+1 , si et seulement si, les contraintes suivantes sont
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
j =1
F (0 ) = 0
F (i ) =
( F (i 1) + C ( E il )) (5.17)
Min
l =1,ei
138
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
Fobj =
Cst
k =1
Lk +
(Cp
Lk
b =1
Lbk +
X ijk
m
k =1
C
j =1
)
n
i =1
Ctr
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 :
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
Lkq
gk
Lkq+1
f q
g1
L11
g2
L21
f q+1
gr
..
Lr1
f q = Cst k + Cp k Lqk
f = Cst1 + Cp1 L11 + Cst 2 + Cp k L12 + .... + Cst r + Cp r L1r
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
g1
L11
g2
L21
..
gr
Lr1
gk
f q
Lkq
Lkq+1
f q+1
f q = Cst k + Cp k Lqk
f = Cst1 + Cp1 L11 + Cst 2 + Cp k L12 + .... + Cst r + Cp r L1r
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)
L1
L2
gq
Lq
gr
Lr
g r +1
Lr +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
g1
L1
g2
L2
gq
g r+
Lr +
Lr1
142
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
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
X i1k , X il2 k ,..., X imk
,
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
) (
l
l
l
l
l
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
X i1k , X il2 k ,..., X imk
,
S
,
S
,...,
S
,
S
i1k
i2k
imk
ik
143
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
, .........
........
l
l
X il12 , X il22 ,..., X iml 2 , S il12 , S il22 ,..., S im
,
S
2
i2
, .........
........
l
l
l
l
l
l
X i1k , X il2 k ,..., X imk
,
S
,
S
,...,
S
,
S
i1k
i2k
imk
ik
..
.
, .........
........
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.
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
((
)(
))
) Cst
Lk
k =1
Lk +
b =1
X ijk
n
m
b
k =1
Ctr
Cp k Lk +
i =1 j =1 C
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
Conclusions et perspectives
148
Conclusions 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
Conclusions et perspectives
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
Conclusions et perspectives
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
Conclusions et perspectives
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.
152
Conclusions et perspectives
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 :
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 :
158
Annexe 1
Itration 1 :
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 :
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
163
Bibliographie
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
10
11
11
12
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
25
25
26
38
49
50
50
51
52
52
55
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
68
72
73
73
74
75
75
76
170
76
76
77
77
83
84
85
86
87
87
88
88
89
89
91
Figure 3.25. Algorithme du croisement bas sur les cots des jobs.
91
92
93
94
99
103
104
105
106
106
106
110
112
112
113
121
122
124
125
129
132
138
171
139
139
140
140
150
172