Problèmes de satisfaction de contraintes dynamiques (DCSP) 

Télécharger le fichier pdf d’un mémoire de fin d’études

Offres en logiciels pour la gestion de la production

Les technologies de l’information et les systèmes d’information associés ont fortement influencé l’évolution des systèmes de production dans l’implémentation d’outils support à la collaboration. Le volume important de données ainsi que les calculs considérables à réaliser ont été grandement facilités par l’augmentation de la capacité des ordinateurs. On trouve notamment : les outils désormais classiques de GPAO (gestion de production assistée par ordinateur), puis les ERP (Entreprise Ressource Planning), les MES (Manufacturing Execution Systems), etc.

Les outils classiques de GPAO

L’objet des progiciels de GPAO est de répondre à la plupart des fonctions assurées par la gestion de la production. « Les progiciels de GPAO utilisent une base de données techniques et sont décomposés en modules remplissant des fonctionnalités bien définies(gestion des données techniques, plans directeurs, calcul des besoins, ordonnancement, lancement, suivi des ordres de fabrication, gestion des stocks, gestion des achats et approvisionnements, calcul des coûts, etc.) » [Gharbi, 2012]. Ces logiciels sont basés sur des approches classiques de planification des activités de production telles que le MRP (Material Requirements Planning) qui permet de calculer les besoins en composants sans capacité et le MRP II (Manufacturing Resource Planning) qui intègre un système ajustant les niveaux de capacité.
– La méthode MRP a été développée aux Etats-Unis dans les années 1965-1970 pour pallier aux limitations de la gestion traditionnelle des stocks [Orlicky, 1975]. Elle consiste à planifier, à partir des demandes fermes des clients ou de leurs prévisions, les besoins en composants et les ordres de fabrication. Néanmoins, cette approche présente certaines limites relatives à l’absence de contrôle de la capacité de production du système dont on cherche à planifier l’activité. En effet, un plan de charge incompatible avec les capacités de production amènera à un lissage de la production de façon à ce que le plan de production proposé soit réalisable. En cherchant à ajuster la charge souhaitée et la capacité disponible des postes de charge, une évolution vers une deuxième version de la méthode, MRP II, a été proposée.
– La méthode MRP II a été développée essentiellement pour ajuster la capacité de l’entreprise par rapport à la charge de production prévue. Etant donné que, dans la plupart des entreprises manufacturières, les décisions sont hiérarchisées comme on l’a vu ci-dessus, l’évolution vers MRP II a aussi permis une planification de la production depuis le long terme jusqu’au court terme [Courtois et al., 1995]. Pour ce faire, elle met en œuvre une séquence de plans (figure I.4), généralement résumée par les cinq grandes étapes suivantes ([Vob et Woodruff, 2006], [Vollman et al., 1997]) :le plan stratégique, le plan industriel et commercial (PIC), le plan directeur de production (PDP), la planification des besoins en composants (MRP) et le pilotage d’atelier.

Les progiciels ERP

Les ERP (Entreprise Ressource Planning ou encore PGI en français pour Progiciels de Gestion Intégrée), développés dans les années 70 et répandus à partir des années90, répondent à la problématique d’intégration et de synchronisation des informations de l’entreprise ([Monk, 2005], [Vob et Woodruff, 2006]). Ils permettent de gérer l’ensemble des processus d’une entreprise intégrant l’ensemble de ses fonctions comme la gestion des ressources humaines, la gestion financière et comptable, l’aide à la décision, la vente, la distribution, l’approvisionnement, la production ou encore du e-commerce. Un ERP est composé par un ensemble d’applications informatiques correspondant aux diverses fonctions citées précédemment de manière modulaire sachant que ces modules sont indépendants entre eux, tout en partageant une base de données unique et commune au sens logique. L’autre principe qui caractérise un ERP est l’usage de ce qu’on appelle un moteur de workflow qui permet, lorsqu’une donnée est enregistrée dans le système d’information, de la propager dans les modules qui en ont l’utilité, selon une programmation prédéfinie.

Les systèmes MES

Un Manufacturing Execution System (MES) est un système informatique dont les objectifs sont de collecter en temps réel les données de production de tout ou partie d’une usine ou d’un atelier. Ces données collectées permettent ensuite de réaliser un certain nombre d’activités d’analyse (traçabilité, contrôle de la qualité, suivi de production, ordonnancement, maintenance). Historiquement bien implantés dans les industries de type process, agroalimentaire et pharmaceutique en particulier (principalement pour des exigences de traçabilité), ces systèmes gagnent peu à peu d’autres secteurs d’activité, notamment les entreprises manufacturières. En permettant d’assurer le lien entre les deux systèmes informatisés existant dans l’entreprise, à savoir les systèmes comprenant les fonctions de gestion (GPAO, ERP, comptabilité…) et les systèmes de contrôle/commande assurant le pilotage en temps réel des ateliers de fabrication, les systèmes MES améliorent les activités de fabrication depuis l’ordre de fabrication jusqu’aux produits finis [Sakka, 2012].
Dans le cadre de cette thèse, nous nous intéressons aux niveaux tactique et opérationnel, plus particulièrement à la planification tactique et opérationnelle de la production. Très souvent, les décisions tactiques (Planification) sont prises indépendamment des décisions opérationnelles (Ordonnancement). Les contraintes de capacité de l’atelier sont modélisées grossièrement dans le calcul du plan, ce qui implique souvent la non faisabilité d’un plan de production. Pour pallier ce problème, nous proposons une approche hiérarchisée à deux niveaux de décision.

Modèles de Planification – Ordonnancement

La planification a pour objet de déterminer un programme prévisionnel de la production. Ces décisions imposent la prise en compte, au niveau de l’ordonnancement, de contraintes sur le processus de production (enchaînement des opérations de fabrication) et sur les ressources (contraintes de capacité).
Dans le cadre d’une approche hiérarchique ([Miller, 2001], [Fontan et al., 2001]), on trouve essentiellement deux types de modèles associés respectivement à la planification et l’ordonnancement [Johnson et Montgomery, 1974] :
– les modèles par “quantité” qui consistent à déterminer des quantités de produits à fabriquer par période de temps,
– les modèles par “dates de début” qui consistent à déterminer les dates de début de tâches sur différentes ressources.
Dans ce paragraphe, nous allons présenter le cadre générique de ces modèles (variables de décision et contraintes) ainsi que la typologie de chacun. Cette présentation est abordée indépendamment de la méthode de résolution.

Planification : modèles par quantités

La planification est une décision tactique qui permet une programmation prévisionnelle de la production en s’appuyant sur une démarche d’optimisation des moyens de production dans le but de satisfaire les demandes aux moindres coûts. Elle constitue un lien entre les décisions stratégiques à long terme et les décisions opérationnelles à court terme. La planification part de certaines informations telles que les demandes clients (connues ou estimées), la capacité de production (par unité de temps, atelier ou machine), les informations sur les produits, les différents coûts (production, lancement, non satisfaction des demandes, sous-traitance, utilisation d’heures supplémentaires, stockage, rupture de stocks …). A ce niveau, le temps est divisé en intervalles de temps appelés périodes et les informations rassemblées permettent de définir des plans de production qui déterminent pour chaque période de l’horizon de planification, en général de quelques mois :
• les quantités à produire pour chaque produit,
• les quantités à sous-traiter pour chaque produit,
• les niveaux de stocks en produits finis,
• l’utilisation des ressources humaines et matérielles,
• le nombre d’heures supplémentaires.
Dans les modèles par quantités, le temps est divisé en intervalles de temps appelés périodes. Les variables de décisionxi,t représentent les quantités de produits (et de sous-produits) i fabriquées pendant les périodest . Les contraintes principales d’un problème de planification avec un modèle par quantités sont les suivantes [Thierry, 2003] :
– les contraintes de succession:
• les contraintes de conservation au niveau des stocks : , , ,+1= , + , , avec , la quantité de produiti en stock au début de la périodet, , la quantité de produit i arrivant dans le stock pendant la période t et , étant la quantité quittant ce stock pendant cette même période ;
• les contraintes de respect de la nomenclature, en liaison avec les contraintes de conservation qui expriment le fait que, pour fabriquer un produit, il faut disposer de ses composants, =, . , avec , , la quantité de produit i nécessaire pour fabriquer un produitj et la liste des produits j qui utilisent i.
– les contraintes de capacité :elles expriment la limitation des capacités des ressources. La
ressource a une quantité , disponible, exprimée en unités de ressources.temps (machines.heures par exemple), et on ne peut pas utiliser plus que cette quantité. , , , , étant la quantité de la ressource (exprimée dans la même / , , , ∀ ∀ unité que la capacité) utilisée pour la fabrication du produi.t
– les contraintes de respect des dates de livraison : elles expriment le fait qu’une date de livraison est imposée par le client: on livre à la date de livraison la quantité de produit commandée pour cette date : , = , avec , la quantité de produit i demandée pour la périodet.
Les variantes de ce modèle constituent la famille des problèmes pléthoriques de dimensionnent de lots (lot-sizing problems). [Rota, 1998] présente une classification de ces modèles par quantités en fonction des niveaux de nomenclature, de la prise en compte des contraintes de ressources et de la demande (constante ou non) sur l’horizon de planification, comme le montre la figure suivante.

La Planification : un vecteur de hiérarchisation et d’intégration

Une vision hiérarchique de la planification au sein d’une entreprise est indispensable, car elle permet de savoir <qui fait quoi> et de décliner les objectifs verticalement sur les niveaux. Mais celle-ci, seule, ne permet pas à la planification d’être pilotée efficacement. Elle devra être complétée par une vision horizontale intégrant la notion ent/fournisseurcli. Cette vision s’appuiera essentiellement sur la mise en œuvre d’une démarche processus, démarche transverse focalisée plus particulièrement sur les bénéficiaires <pour qui>le travail est réalisé.
Dans ce paragraphe, nous présentons en première partie les approches multi-niveaux de la planification. Elles décrivent les structures décisionnelles liées à la planification et l’ordonnancement. En deuxième partie, nous présentons la vision verticale de la planification.

Les approches multiniveaux : supports de la hiérarchisation verticale

La complexité du problème de gestion de la production liée à un grand nombre de données à traiter a conduit à des programmes mathématiques de grande taille. Cette complexité importante explique le recours à l’utilisation de méthodes de décomposition issues de la programmation mathématique ou bien encore les techniques d’agrégation-désagrégation développées en optimisation mathématique [Fontanet al., 1997].
L’utilisation des structures multi-niveaux permet alors de réduire la complexité du modèle réduisant ainsi le temps de calcul associé à sa résolution. Cependant, cette procédure hiéra-chisée n’est souvent pas cohérente [Wolosewicz, 2008]. En effet, la planification et l’ordonnancement sont deux modules traités habituellement indépendamment l’un de l’autre. En effet, les modèles de planification tiennent compte des contraintes de capacité de façon trop agrégée et ne garantissent pas la faisabilité du plan de production lorsqu’il est transmis au niveau inférieur. Une conséquence de ces incohérences entre les décisions des deux niveaux est le non respect des délais qui devient une attente de plus en plus forte de la part des clients.
Dans sa thèse, Hernandez Silva [Hernandez Silva, 2008] indique que les travaux de re- cherche dans le domaine de la mise en œuvre des structures décisionnelles peuvent se diviser en trois grandes classes : la planification hiérarchisée de la production,l’ordonnancement hié-rarchisé de la production et l’intégration de la planification et l’ordonnancement. Nous pré-sentons dans la suite les approches hiérarchisées de planification, les approches hiérarchisées d’ordonnancement ainsi que les approches intégrées de planification-ordonnancement.

Approches hiérarchisées de planificationet d’ordonnancement

La décomposition hiérarchique du problème global a été largement adoptée par plusieurs auteurs. Cette décomposition s’appuie sur une structure décisionnelle hiérarchique où la solution obtenue par un niveau constitue une contrainte pour la résolution du problème au niveau inférieur. Elle consiste en des raffinements successifs de décisions (désagrégation des décisions).Au sommet de la hiérarchie, les données manipulées sont agrégées et les horizons temporels sont longs. Plus on descend dans la hiérarchie, plus les horizons temporels se raccourcissent et les données manipulées sont détaillées. esC approches sont souvent associées à des mécanismesd’agrégation.

Agrégation des données

Le concept d’agrégation est généralement défini comme une forme d’abstraction par laquelle un ensemble de données ou de variables présentant des caractéristiques communes peut être remplacé par une donnée ou une variable agrégée [Fontanet al., 1997]. Nous distinguons une agrégation sur les matières qui vise à regrouper des produits ou des ressources ne se différenciant que par des caractéristiques jugées secondaires, en familles de produits ou en familles de machines, une agrégation sur le temps qui permet de regrouper un ensemble de périodes élémentaires consécutives dans une macro-période et une agrégation du travail qui permet de représenter différentes tâches élémentaires devant se succéder par une macro-tâche [Hernandez Silva, 2008].

Planification hiérarchisée de la production

Nous trouvons la planification hiérarchisée de la production dans un grand nombre de travaux. L’une des toutes premières en planification hiérarchisée est l’approche de Hax et Bitran basée sur une agrégation des produits en types et familles [Bitran et Hax,1977]. Un premier regroupement en famille est effectué pour les produits ayant des gammes de fabrication similaires et un second regroupement en type pour les familles ayant le même coût unitaire de production, le même coût de stockage et la même demande externe. La première étape de planification est réalisée moyennant une résolution par programmation linéaire. La capacité de production dans cette première étape est allouée aux différents types produitsde. En deuxième étape, une désagrégation teseffectuée sur la première période de l’horizon de planification. Pour chaque type, la production est répartie en familles. En troisième et dernière étape, la production de chaque famille est répartie entre les articles de sa famille.
D’autres approches à deux niveaux basées sur une agrégation des produits existent. Nous pouvons citer par exemple les travaux de [Tsubone et al., 2002] et [Ashayeri et Selen, 2003]. [Mehra et al., 1996] propose aussi une structure du même type (à deux niveaux) où les produits sont agrégés en familles de produits, les machines en cellules et le temps en périodes.
Mercé [Mercé, 1987] propose une approche de planification hiérarchisée à deux niveaux fondée sur une agrégation homogène des produits. La planification agrégée permet de définir, à chaque période et pour chaque produit agrégé, la quantité à produire de façon à satisfaire la demande agrégée et en minimisant les coûts associés à ce niveau. Elle est effectuée sur un horizon glissant découpé en périodes. La planification détaillée permet de répartir la production agrégée entre les différents produits d’une même classe, en vue de satisfaire la demande détaillée.
Récemment, Gharbi [Gharbi et al., 2009] a proposé une approche fondée sur une structure à deux niveaux décisionnels. Le premier niveau effectue une planification agrégée en minimisant le coût global de production. Il établit ensuite « un plan de guidage » qui est transmis au niveau détaillé. Ce dernier effectue sa planification en suivant « au mieux » le plan de guidage et en prenant en compte les contraintes et données détaillées ignorées au niveau supérieur. Le niveau détaillé est formulé selon un programme linéaire. Au niveau agrégé, le modèle prend en compte les spécificités du processus décisionnel détaillé.

Le processus Approvisionnement

Le processus d’approvisionnement est l’ensemble des opérations qui permettent à l’entreprise de se procurer à l’extérieur tous les produits indispensables à la réalisation de ses activités de production. Il engendre deux activités intimement liées.
La première activité est un choix sélectif esd fournisseurs de l’entreprise. Ce choix peut se faire sur différents critères comme la qualité, le prix, les délais de réapprovisionnement des matières premières ou composants, mais aussi leur capacité de production, leur facilité à accepter une demande très variable, les conditions de livraison… La seconde activité du processus Approvisionnement consiste à passer les commandes des composants aux fournisseurs sélectionnés en fonction de la production à réaliser.

Le processus Production

Le processus Production concerne l’ensemble des activités permettant de transformer des matières premières en produits finis. L’objectif du processus Production est d’assurer la fabrication des produits requis tout en assurant la productivité de manière à être compétitif. La productivité est traduite par la capacité à produire dans un délai donné le plus possible de produits d’une qualité spécifiée, avec un coût de revient le plus faible possible. Les méthodes utilisées pour la gestion de la production cherchent à améliorer le flux des produits dans les ateliers de fabrication à travers la planification et l’ordonnancement.

Le processus Distribution

Le processus Distribution concerne la livraison des produits finis aux clients et reprend les questions d’optimisation des réseaux de distribution : l’organisation et le choix des moyens de transport, le choix du nombre d’étages (ou d’intermédiaires) dans le réseau de distribution ainsi que le positionnement des entrepôts et leur mode de gestion [François, 2007].

CSP et optimisation

Résoudre un CSP peut consister à trouver une solution (satisfaisabilité), ou trouver une de meilleur coût (optimisation). Dans ce dernier cas, on parle plutôt de CSOP ( Constraint Satisfaction and Optimization Problem).
Un CSOP est défini par un quadruplet (X, D, C, Z), où X est un ensemble fini de variables, D est l’ensemble des domaines associés à ces variables, C est l’ensemble des contraintes qui portent sur ces variables et Z (le critère à optimiser) est une fonction de l’instanciation totale des variables du problème, qui prend ses valeurs dans un ensemble ordonné : ce critère permet ainsi de comparer deux solutions pour choisir celle qui est la meilleure.
Toutes les méthodes exposées plus haut pour la recherche d’une solution d’un CSP s’appliquent également à la résolution des CSOP. Il s’agit de rechercher une solution satisfaisant toutes les contraintes du problème et qui, de plus, minimise ou maximise un critère donné.La résolution d’un CSOP peut être abordée de la manière suivante : Soit Z* la valeur minimale de Z sur l’ensemble des solutions du problème. L’approche la plus intuitive consiste à résoudre une succession de problèmes de décisionP. Le problème de décisionP est initialisé avec les contraintes du problème, sans tenir compte du critère d’optimisation, puis résolu. Si P est inconsistant, alors le problème d’optimisation n’a pas de solution ; sinon, soit0(X) une première instanciation de X qui est solution de P ; la meilleure solution*(X) est initialement*(X)0(X). Tant qu’on n’a pas exploré tout l’arbre de recherche des solutions, on tente de repartir du dernier point de choix non encore exploré pour trouver une nouvelle solutionk(X) en ajoutant la nouvelle contrainte Z(k(X)) < Z(*(X)) préalablement à toute nouvelle décision en ce point ; si on peut trouver cette nouvelle solution on actualise*(X)k(X) et on passe à l’étape suivante k+1 ; sinon, si aucun point de choix restant ne respecte la contrainte d’amélioration du critère, la recherche s’arrête.
La dernière solution trouvée est donc prouvée solution optimale du problème. L’efficacité de cette méthode tient bien sûr pour beaucoup à l’efficacité du filtrage qu’engendre la propagation de la contrainte Z(k(X)) < Z(*(X)) avant chaque élaboration d’une nouvelle solution.
Si ce filtrage est fort, la réduction de l’arbre de recherche peut être drastique;sinon, si la contrainte d’amélioration du coût n’est pas très active sur le filtrage, la recherche complète se heurte à une combinatoire trop élevée et doit être interrompue après un temps limite donné. Dans ce cas, l’optimalité n’est plus prouvée même si on peut démontrer expérimentalement que sur un grand nombre de cas la méthode retourne de très bonnes solutions voire des solutions optimales (en comparant le coût des solutions trouvées à celui de solutions optimales générées par d’autres méthodes exactes).

Problèmes de satisfaction de contraintes dynamiques (DCSP)

En dépit des avantages qu’il offre sur le plan de l’expressivité et de la modélisation des contraintes, le modèle CSP rencontre néanmoins des limites face à certains problèmes réels dans lesquels les données du problème sont soumises à des perturbations provenant de l’environnement ou d’autres agents. « C’est un modèle statique : le problème est défini dès le début du processus de la résolution et reste invariant tout au long de son déroulement : les variables, leurs domaines, les contraintes les liant sont connus à l’avance » [Elkhiary, 2003].
Ainsi, une modification du problème impliquant un ajout ou un retrait de contraintes, de variables ou un changement du domaine de valeurs d’une variable ne peut pas être traitée par un modèle de satisfaction de contraintes statique.
Dans cette configuration, l’aspect dynamique d’un problème peut être formalisé de différentes façons. En effet, un DCSP (Dynamic Constraint Satisfaction Problem) permet d’adapter un CSP aux différentes perturbations qui peuvent survenir [Dechter et Dechter, 1988]. En revanche, d’autres formalismes tels que les CCSP (Conditional CSP) ([Mittal et Falkenhainer, 1990], [Sabin et Freuder, 1994]), les TCSP (Temporal CSP) [Schwalb et Dechter, 1991], les OCSP (Open CSP) [Faltings et Macho-Gonzalez, 2005], … permettent de prendre en compte des évolutions déjà intégrées au modèle. La partie suivante est dédiée à la présentation de ces formalismes liés aux problèmes dynamiques [Verfaillie et Jussien, 2005].

Définitions DCSP

• Définition 1.
Un problème de satisfaction de contraintes dynamique (Dynamic Constraint Satisfaction Problem ou DCSP) est une suite P0, P1, … de CSP classiques, tels que deux problèmes successifs Piet Pi+1 ne diffèrent que par l’ajout ou le retrait de certaines contraintes.
• Définition 2.
Un DCSP P est une séquenceP ,…, P de CSP statiques telle que : 0 n ∶ → +1 = où [Richaud, 2009] indique que « résoudre un DCSP revient à trouver une solution au CSP le plus récent (le dernier de la séquence). Du fait du caractère incrémental de la séquence, les solutions des autres CSP de la séquence peuvent être des solutions intermédiaires intéressantes. Ainsi l’efficacité des DCSP reposent sur l’utilisation de méthodes permettant d’exploiter efficacement le travail effectué aux étapes antérieures ».
Pour savoir comment réutiliser le travail déjà fait nous nous intéressons dans la partie suivante aux transformations possibles pour passer d’un CSP Pi à un CSP Pi+1 = µ( Pi). En effet, Si le CSP Pi+1 est obtenu à partir du CSP Pi après le retrait d’une ou plusieurs contraintes, alors nous dirons que Pi+1 est une relaxation de Pi. De même, si nous passons du CSP Pi au CSP Pi+1en ajoutant une ou plusieurs contraintes, alors nous dirons que Pi+1est une restriction de Pi. Aussi, les domaines peuvent être vus comme des contraintes unaires; retirer ou ajouter une variable revient à modifier toutes les contraintes dans lesquelles la variable apparaît ([Dechter et Dechter, 1988], [Vareilles, 2005], [Verfaillie et Schiex, 1995], [Richaud, 2009]). Le tableau suivant présente l’ensemble des modifications possibles d’un CSP tel que P’ = μ(P) avec P = (X,D,C) et P’ = (X’,D’,C’), sur l’ensemble des solutions.

Table des matières

INTRODUCTION GENERALE
CHAPITRE I.GESTION DES ACTIVITES DE PRODUCTION : CONTEXTE ET POSITIONNEMENT DU TRAVAIL DE RECHERCHE 
I.1. Introduction
I.2. La gestion de production
I.2.1. Le système de production
I.2.2. Le système de gestion : structure décisionnelle multi-niveaux
I.2.3. Offres en logiciels pour la gestion de la production
I.3. Modèles de Planification – Ordonnancement
I.3.1. Planification : modèles par quantités
I.3.2. Ordonnancement : Modèles par dates
I.4. La Planification : un vecteur de hiérarchisation et d’intégration
I.4.1. Les approches multiniveaux : supports de la hiérarchisation verticale
I.4.2. Les processus de planification : supports de l’intégration horizontale
I.5. La chaîne logistique
I.5.1. Structure des chaînes logistiques
I.5.2. Catégories des chaînes logistiques
I.5.3. Gestion de la chaîne logistique (Supply Chain Management – SCM)
I.5.4. Offres en logiciels pour la gestion de la chaîne logistique (SCM)
I.6. Conclusion
CHAPITRE II.LES PROBLEMES DE SATISFACTION DE CONTRAINTES 
II.1. Introduction
II.2. Le Problème de Satisfaction de contraintes (CSP)
II.2.1. Définitions et notions
II.2.2. Techniques de propagation de contraintes
II.2.3. Méthodes de résolution d’un CSP
II.2.4. CSP et optimisation
II.3. Problèmes de satisfaction de contraintes dynamiques (DCSP)
II.3.1.Définitions DCSP
II.3.2. DCSP et autres formalismes
II.3.3. CSP conditionnels
II.4. Résolution d’un CSP dynamique
II.4.1. Approche par réutilisation de solution
II.4.2. Approche par réutilisation du raisonnement
II.5. Conclusion
CHAPITRE III.APPROCHE INTEGREE POUR LA PLANIFICATION DYNAMIQUE : CONCEPTS ET MODELES 
III.1. Introduction
III.2. Objectifs de l’étude
III.3. Approche proposée : structure décisionnelle à deux niveaux
III.3.1. Structure de la chaîne logistique considérée
III.3.2. Processus et leviers décisionnels considérés
III.4.Planification dynamique
III.4.1. Processus de prise de décision
III.4.2. Planification à horizon glissant
III.4.3. Procédure de planification
III.5. Modélisation du processus de planification dynamique
III.5.1.Modèle planification de la production : Premier niveau de décision
III.5.3. Interaction énergétique entre les deux niveaux de décision
III.6. Conclusion
CHAPITRE IV.ANALYSE DE PERFORMANCE : DEMARCHE METHODOLOGIQUE 
IV.1.Introduction
IV.2. Objectifs et Démarche
IV.2.1. Objectifs de l’analyse : Mesurer la stabilité et la robustesse
IV.2.2. Approche comparative : CSP statique vs CSP dynamique
IV.3. Procédures de résolution : CSP Statique et CSP Dynamique
IV.3.1. Procédure de résolution CSP statique
IV.3.2. Procédure de résolution CSP dynamique
IV.4. Indicateurs de performance
IV.4.1. Protocole d’évaluation de la performance
IV.4.2. Notions de Distance et de Poids de Perturbation
IV.4.3. Indicateurs de performance au niveau Site de production
IV.4.4. Indicateurs de performance au niveau chaîne logistique
IV.5. Conclusion
CHAPITRE V.EXPERIMENTATION NUMERIQUE ET EVALUATION DE L’APPROCHE 
V.1. Introduction
V.2. Présentation du cas d’étude
V.2.1. Description de la structure et des données de la chaîne logistique
V.2.2. Problématique et scénarios considérés
V.3. Évaluation de la stabilité et robustesse au niveau Site de production
V.3.1. Expérimentation avec une variation de la demande
V.3.2. Expérimentation avec une variation de la capacité
V.3.3. Expérimentation avec une variation de re-planification
V.4. Analyse de sensibilité de la chaîne logistique : Résolution statique vs. dynamique
V.4.1. Sensibilité de la chaîne logistique face aux variations : niveau planification
V.4.2. Sensibilité de la chaîne logistique face aux variations : niveau ordonnancement
V.4.3. Sensibilité comparative de la planification /ordonnancement face aux variations
V.4.4. Sensibilité de la fonction objectif face aux variations
V.5. Conclusion
CONCLUSION GENERALE 
REFERENCES BIBLIOGRAPHIQUES

Télécharger le rapport complet