Soutenance mémoire
Les méthodes de résolution des problématiques de PAP dans la littérature
Cette section propose un focus sur une sélection d’articles de la littérature sur les systèmes de PAP utilisés dans un contexte académique (la majorité des articles) ou industriel. À notre connaissance (Hou et al., 2009) est le seul article qui étudie les systèmes de PAP dans un contexte industriel. Dans cette étude, toutes les opérations de prélèvement sont effectuées manuellement. Les opérateurs humains étant plus flexibles que les robots, le problème d’ordonnancement étudié est moins contraignant, et les résultats obtenus ne s’appliquent pas à un système robotique. Nous présentons dans cette section les principales problématiques liées à l’utilisation des systèmes de PAP ainsi que les solutions proposées pour les résoudre.
Résolution de problèmes de génération de trajectoire
Dans cette section, nous présentons quelques méthodes issues de la littérature pour résoudre les problèmes de génération de trajectoires des systèmes de PAP.
Algorithmes génétiques pour le calcul des trajectoires sur une situation statique
Les algorithmes génétiques ont été initiés par J. Holland dans les années 1970. Ces algorithmes sont dérivés des mécanismes d’évolution de la nature et ont pour but de trouver une solution approchée à un problème d’optimisation. Le temps de calcul est un paramètre important dans l’évaluation de ces algorithmes. En effet, comme le calcul de la fonction d’évaluation est répété plusieurs fois, le temps de calcul pour la recherche de la solution optimale doit être raisonnablement court. Les algorithmes génétiques sont généralement utilisés pour réduire au minimum le temps nécessaire à la réalisation des tâches dans un système de PAP.
(Premachandra et al., 2020) ont utilisé un algorithme génétique pour optimiser les séquences de prise et dépose dans un système de PAP qui trie les produits en deux catégories selon leurs couleurs et leurs tailles et les place sur deux convoyeurs. Le but est de garantir que le processus de tri soit effectué le plus rapidement possible. Les coordonnées de positions statiques sont utilisées pour calculer l’adaptation (fitness). Le croisement et la mutation en un point sont appliqués avec la sélection élitiste lorsque la génération actuelle évolue vers la génération suivante. L’algorithme génétique garantit que la séquence de sélection converge vers la meilleure adaptation en un nombre minimum de générations, ce qui réduit considérablement le temps de calcul. L’algorithme développé peut être utilisé pour une optimisation en temps réel d’un système industriel.
De la même manière dans (Garcia-Najera and Brizuela, 2005), les auteurs ont utilisé un algorithme génétique pour résoudre des problèmes d’affectation et de séquencement des tâches de PAP pour un système d’assemblage de cartes électroniques PCB. Le but est de diminuer le temps total d’assemblage. L’algorithme proposé fait appel à des opérateurs de croisement, de mutation et de sélection. La combinaison de ceux-ci permet à l’algorithme de générer de meilleures solutions au problème. L’élitisme a été choisi comme méthode de sélection. Les expérimentations montrent que l’algorithme utilisé améliore le temps d’assemblage d’un circuit imprimé par rapport aux méthodes utilisées dans l’industrie de 13.93 % en moyenne.
Un algorithme génétique a été utilisé comme solution au problème de voyageur de commerce. Le but est de minimiser les temps d’assemblage afin d’optimiser le processus de placement des composants électroniques. L’algorithme choisi permet d’optimiser plusieurs paramètres simultanément en utilisant une nouvelle approche ad-hoc appelée DSWS « Distance Score with Weights Selection ». Cette méthode est comparée à un algorithme génétique et un algorithme par essaim de particules pour trouver la solution optimale de séquencement des positions de placement. Il a été montré que l’approche proposée est plus efficace puisqu’elle est la moins coûteuse en temps de calcul.
Utilisation de colonies de fourmis à partir de données de vision
De nombreux travaux issus de la littérature se sont intéressés à l’application de l’optimisation par les algorithmes des colonies de fourmis sur les systèmes de PAP. Ces algorithmes s’inspirent du comportement des fourmis qui cherchent collectivement le chemin le plus court entre leur colonie et la source de nourriture (Colorni et al., 1992). Les fourmis déposent une quantité de phéromones proportionnelle à la longueur du trajet. L’évaporation de phéromone fait disparaître les mauvaises solutions . Les auteurs dans (Daoud et al., 2014a, 2014b) ont comparé trois méthodes d’optimisation : l’algorithme des colonies de fourmis ; l’algorithme génétique et l’algorithme d’optimisation par essaim particulaire. Le but est de minimiser le nombre de produits non collectés et de réduire le temps d’exécution des opérations. En testant plusieurs configurations, les résultats des calculs montrent que l’algorithme d’optimisation par colonies de fourmis donne la solution optimale avec un temps d’exécution très court.
|
Table des matières
Introduction
1 Problématique
1.1 Fonctionnement actuel
1.2 Besoin
1.3 Sous système (Présentation de flexibac)
1.4 Conclusion
2 Etat de l’art
2.1 Présentation générale du problème de PAP
2.2 Les méthodes de résolution des problématiques de PAP dans la littérature
2.2.1 Résolution de problèmes de génération de trajectoire
2.2.2 Résolution de problèmes d’équilibrage de charge de travail
2.2.3 Résolution de problèmes d’optimisation du nombre de produits traités
2.3 Conclusion
3 Evaluations préliminaires : Système expert
3.1 Modèle à base de connaissance
3.1.1 Définition d’un système expert basé sur la connaissance
3.1.2 Développement des modèles à base de connaissance
3.2 Expérimentations
3.3 Conclusion
4 Modèle basé sur les méthodes de recherche opérationnelle
4.1 Nombre de robots
4.2 Résolution du problème
4.2.1 Résolution hors-ligne
4.2.2 Résolution en ligne : Heuristiques
4.3 Expérimentations
4.3.1 Présentation du modèle de simulation
4.3.2 Analyse de sensibilité
4.4 Résultats et comparaisons
4.5 Conclusion
5 Implémentation par SMA
5.1 Agents industriels
5.1.1 Présentation des SMA et de la notion d’agent
5.1.2 Les SMA pour gérer la variabilité dans un environnement incertain
5.2 Méthodologies de conception du SMA
5.2.1 Analyse et comparaison des méthodologies
5.2.2 Application de la méthodologie sur notre SMA
5.3 Outil de modélisation
5.3.1 Choix de l’outil
5.3.2 Présentation de l’outil
5.4 Implémentation du SMA
5.4.1 Catégorisation des agents
5.4.2 Présentation des comportements des agents du système
5.4.3 Présentation des interactions entre les agents
5.5 Expérimentations et résultats
5.6 Conclusion
Conclusion générale
Bibliographie
