Uncertainty Demand

Machine Translated by Google
Gestion de la chaîne d'approvisionnement sous

contraintes de disponibilité et d'incertitude
Yahong Zheng
Pour citer cette version :
Yahong Zheng. Gestion de la chaîne d'approvisionnement sous contraintes de disponibilité et d'incertitude. Autre.
Ecole Centrale de Lille, 2012. Anglais. ffNNT : 2012ECLI0019ff. fftel-00757822ff
Identifiant HALÿ: tel-00757822
https://tel.archives-ouvertes.fr/tel-00757822
Soumis le 27 novembre 2012
HAL est une archive pluridisciplinaire en libre accès L’archive ouverte pluridisciplinaire HAL, est
pour le dépôt et la diffusion de documents de recherche destinée au dépôt et à la diffusion de documents
scientifique, qu'ils soient publiés ou non. Les documents scientifiques de niveau recherche, publiés ou non,
peuvent provenir d'institutions d'enseignement et de émanant des établissements d’enseignement et de
recherche en France ou à l'étranger, ou de centres de recherche français ou étrangers, des laboratoires
recherche publics ou privés. publics ou privés.
Numéro de commande : 1 9 3
ÉCOLE CENTRALE DE LILLE
THÈSE
présentée en vue d’obtenir le grade de
DOCTEUR
dans
Spécialité : Automatique, Génie Informatique, Traitement du Signal et Image

à propos
Yahong ZHENG
DOCTORAT DELIVRE PAR L’ECOLE CENTRALE DE LILLE
Titre de la thèse :
Gestion de la chaîne d'approvisionnement sous disponibilité et incertitude

contraintes
Soutenue le 10 octobre 2012 devant le jury d’examen :
Président Slim HAMMADI, Professeur, Ecole Centrale de Lille

Rapporteur Alain QUILLIOT, Professeur, Université Blaise Pascal, Clermont-Ferrand,
Rapporteur Aziz MOUKRIM, Professeur, Université de Technologie de Compiègne
Membre Bernard DESCOTES-GENON, Professeur, Université Joseph Fourier, Grenoble
Membre Abdelhakim ARTIBA, Professeur, Université de Valenciennes et du Hainaut
-Cambrésis
Directeur de thèse Khaled MESGHOUNI, Maître de Conférence, HDR, École Centrale de Lille
Thèse préparée dans le Laboratoire d’Automatique, Génie Informatique et Signal

École Doctorale SPI 072 (Lille I, Lille III, Artois, ULCO, UVHC, EC Lille)
PRES Université Lille Nord-de-France
À mes parents,
à ma sœur,
à toute ma famille,
à mes professeurs,
et à mes chèr(e)s ami(e)s.
Remerciements
Le travail de recherche présenté dans cette thèse est réalisé au Laboratoire d'Automatique,
Génie Informatique et Signal (LAGIS) de l'École Centrale de Lille, avec l'équipe de recherche
« Optimisation des Systèmes Logistiques (OSL) ». Ma thèse a été soutenue par la

coopération entre le China Scholarship Council (CSC) et l'Intergroupe Écoles-Centrales. Je
suis très honoré de venir en France

pour mon doctorat grâce à leur soutien financier.
En premier lieu, je tiens à exprimer ma profonde gratitude à mon encadrant, M.

Khaled MESGHOUNI. Grâce à ses idées et ses conseils, je suis en mesure de compléter
ce travail sous sa direction. Sa patience et sa compréhension lui permettent toujours
agréable de discuter avec lui.
Mes sincères remerciements aux membres du jury de ma commission doctorale. Merci Prof.
Alain QUILLIOT et Pr Aziz MOUKRIM, qui ont revu attentivement ma thèse. Et mes sincères
remerciements vont au Prof. Slim HAMMADI, au Prof. Bernard DESCOTES-GENON et au
Prof. Abdelhakim ARTIBA, pour leurs discussions utiles et le partage de leurs expériences
de recherche.
C'est un grand plaisir d'être membre de l'équipe de recherche OSL. j'ai penché
beaucoup dans la réunion d'équipe. Merci à tous les autres collèges de l'équipe.
Je suis également reconnaissant aux collèges de mon bureau, Jin, Ismahelle, Andreea,
Minzhi, Yue, Tian, Daji, et au personnel de notre laboratoire, Chistine, Brigitte, Patrick,
Bernard, pour leur aimable aide au cours des trois dernières années. Je remercie également
Vanessa Fleury et Virginie Leclercq qui m'ont aidé dans l'administratif
questions tives.
Je tiens à remercier tout particulièrement mon professeur de français, le professeur

Hélène Catsiapis, qui a beaucoup contribué à ma compréhension de la langue et de la
culture françaises. Au cours des merveilleux voyages qu'elle a organisés, j'ai passé plusieurs week-ends joyeux
3
REMERCIEMENTS
étudiants de différents pays et ont visité de nombreuses régions extrêmement pittoresques

de France.
Mes remerciements à mes amis, Huarong, Jian, Dapeng, Jinlin, Bo, Guoguang, pour
Wenhua, Lian, Yifan, · · · , leur amitié et leur immense aide, qui m'apportent
beaucoup de confort dans ma vie et me donnent un esprit paisible pour faire des recherches.
Enfin, je voudrais dire merci à mes parents et à toutes mes familles. C'est leur soutien
émotionnel constant qui me permet de passer des moments difficiles dans la vie de la
recherche. Leurs encouragements et leur soutien sont la plus grande consolation de mon
âme.
Villeneuve d’Ascq, France Yahong ZHENG

18 septembre 2012
4
Résumé en français
Dans cette thèse je présente les résultats de mes recherches à l’École Centrale de Lille
au cours des trois dernières années, de 2009 à 2012.
Le management de la chaîne logistique (supply chain management: SCM) est un
thème très intéressant avec une portée internationale à la fois dans le domaine industriel
et académique. La disponibilité des ressources dans la chaîne logistique n’est pas à la
hauteur de nos attentes. L’essence de SCM est l’intégration des ressources pour
améliorer les performances des activités de la chaîne logistique.
L’SCM traditionnel est basée sur un environnement statique. Cette hypothèse idéale n’est
pas adaptée à la situation réelle où existent des contraintes de disponi bilité et
d’incertitude. Beaucoup de chercheurs ont abordés l’aspect incertain dans les chaînes
logistiques, mais pas d’une façon systématique et n’ont pas pro posé de méthode
générale pour traiter l’incertitude dans les SCM. Les contraintes de disponibilité et
d’incertitude rendent le management de la chaîne logistique très compliqué. Nos travaux
de recherche se focalisent justement sur la prise en compte de ces difficultés et de
présenter à la communauté des méthodologies et algorithmes pour la résolution des
problèmes d’incertitude dans le management de la chaîne logistique.
Contexte
Depuis l’émergence de la chaîne logistique, cette dernière a été beaucoup étudiée par les
chercheurs et les industriels. Le premier domaine d’utilisation été l’armé pour son
approvisionnement. Dans les années 90, le SCM a connu une ascension importante en
attirant les attentions des gestionnaires des grandes entreprises.
Les recherches menées ont permis la mise au point de l’intégration de la gestion
5
RÉSUMÉ EN FRANÇAIS
de logistique interne et les relations coopératives entre les différentes sociétés im

pliquées dans la chaîne de gestion. Ce concept de SCM a permis à de nombreux
gestionnaires de prendre des décisions non pas seulement au point de vue de leurs
entreprise, mais plutôt au niveau de toute la chaîne logistique. La maîtrise de la
chaîne logistique est devenue une arme très importante pour la survie de l’entreprise.
En générale, de nombreuses stratégies et activités dans SCM, telles que la
planification de la chaîne logistique, la coopération des membres de la chaîne, le
processus de fabrication, le transport, opèrent tous dans un environ nement statique
(certain). Toutefois, dans les faits, nous trouvons beaucoup de situations d’incertitude
dans le SCM, qui se produisent dans le système de fabri cation, la procédure de
distribution, dans les marchés de l’offre et de la demande.
Ces incertitudes que nous ne pouvons pas prévoir vont influencer considérable
ment les opérations de la chaîne logistique. Par exemple, l’approvisionnement en
retard peut affecter le temps de production, puis influencer le délai de livraison et
peut-être le prix de vente. Une modification de la quantité demandée peut induire à
des gaspillages de la production. Une baisse de la productivité aura un impact sur la
quantité de l’approvisionnement, sur le niveau des stocks, et également sur le prix
de vente. Le problème de véhicules dans le processus de distribution perturbe
directement le temps de distribution. Par conséquent, l’incertitude est un facteur très
important dans l’étude de SCM.
Une chaîne logistique est généralement un réseau de services et d’entreprises
qui remplissent les fonctions d’approvisionnement de produits et de matières, de
transformation de matières, et la fabrication et la distribution des produits finis aux
clients. Plus généralement, une chaîne logistique commence à partir de la matière
première et se termine par la livraison au client, elle commence donc par l’achat des
matières premières, puis la fabrication, puis le stock, et ensuite la transformation et
se termine par la distribution.
Bien que la structure et le degré de complexité de la chaîne logistique peuvent
varier considérablement en fonction des secteurs d’activités et des entreprises,
néanmoins, le fonctionnement normal et la structure sont similaires. Nous pou vons
diviser une chaîne logistique en cinq phases : l’approvisionnement, la fabrica tion, le
stockage, la distribution, et la demande. Dans chaque phase de la chaîne logistique,
il existe différents types d’incertitudes. Ainsi, nous pouvons nous concentrer sur
l’incertitude dans chaque phase pour analyser ses conséquences
6
et tenter de réduire son influence. Nos travaux de recherche se distinguent de

l’existant par le fait que nous analysons la chaîne logistique globale même si nous
résolvons le problème partiel (stock, transport, fabrication . . .).
Aperçu de la thèse
Dans chaque chapitre, nous traitons l’incertitude dans un stade de la chaîne
logistique. Nous nous concentrons sur les problèmes classiques dans SCM. Pour
chaque type d’incertitude, tout d’abord, nous donnons un aperçu de ce qui existe
dans la littérature, puis nous introduisons l’algorithme pour résoudre le problème,
et nous finissons par présenter des exemples numériques tirés des benchmarks
(s’ils existent) pour démontrer l’efficacité des algorithmes que nous proposons.
Le chapitre 1 est une introduction des recherches existantes sur l’incertitude
dans la chaîne logistique. Tout d’abord, nous introduisons l’importance de con
sidération de l’incertitude dans l’SCM, et nos motivations pour cette partie. Puis,
nous passons en revue l’état de l’art de la recherche connexe selon notre classifi
cation de l’incertitude (notre façon de considerér cette incertitude) dans la chaîne
logistique. Et nous concluons cette chapitre par présenter les enjeux et les limites
de cette recherche dans la littérature.
Le chapitre 2 traite l’incertitude dans la demande. A la différence des méth

odes traditionnelles, telles que le contrôle des stocks dynamiques, l’estimation de
la demande, nous proposons d’appliquer la stratégie d’ajournement pour traiter la
demande incertaine dans SCM. Tout d’abord, nous simplifions le réseau normal de
la chaîne logistique en plusieurs sous-systèmes avec une relation entre l’offre et la
demande. Nous suivons la sens de la circulation de l’information, du consom
mateur à l’approvisionnement, pour calculer les sous-systèmes, un par un. Afin de
satisfaire la demande inattendue pour chaque sous-système, nous le ferons en
deux étapes, la première consiste à exécuter une réaffectation de la demande aux
fournisseurs en utilisant pleinement le stock existant de ces derniers. La deuxième
étape concerne le cas où la quantité demandée dépasse la possibilité de l’offre.
Dans ce cas, nous appliquons la stratégie d’ajournement de l’approvisionnement
ce qui conduit à autoriser un retard de livraison. La distance de transport pour la
période de l’approvisionnement est utilisée comme fonction objectif pour la
réaffectation des demandes.
7
Dans le chapitre 3 nous nous focalisons sur l’aspect incertain dans le système
de production. Nous avons choisi le cas des problèmes de type job-shop pour leur
pouvoir d’adapbilité aux variations des demandes des marchés. L’indisponibilité des
machines est la principale incertitude dans ce type de problème (job-shop), afin de
réduire l’effet de cette dernière, nous suggérons d’utiliser la maintenance
conditionnelle (CBM) qui est une sorte de maintenance préventive permettant de
surveiller le fonctionnement des machines et fournit des données pour la plan
ification de la machine avant l’apparition de la panne. L’application du CBM rend le
problème de l’ordonnancement de job shop flexible dynamique. Nous proposons
d’insérer les tâches préventive de maintenance (PM) dans un pré or donnancement
obtenu par la résolution du problème standard d’ordonnancement du job-shop
flexible (FJSP). Pour la résolution de ce dernier (FJSP), nous pro posons trois
approches: l’algorithme génétique hiérarchique (HGA), l’ algorithme génétique intégré
(IGA) et enfin, un algorithme de colonies de fourmis intégré (IACO).
Dans le chapitre 4 nous nous intéressons à l’incertitude dans la distribution, et

plus particulièrement au niveau du transport. Nous nous concentrons sur le problème
de tournées de véhicules (VRP) qui a reçu beaucoup d’attentions ces dernières
années. Le problème de tournées de véhicules avec ramassage et livraison (VRPPD)
est une extension de VRP avec deux types de demandes de clients. Pour traiter cette
incertitude dans la distribution pour les clients, nous modélisons le problème de
transport en tant que VRPPD non apparié, dans lequel les relations de ramassage et
de livraison ne sont pas déterminées à l’avance. Un algorithme de groupement
génétique modifié (GGA) est développé pour résoudre ce VRPPD non apparié. À
notre connaissance, c’est la première fois que le VRPPD non apparié est traité en
utilisant des métaheursitques.
Pour le chapitre 5, nous traitons le problème bi-niveau du vendeur de jour naux,
ce dernier représente à lui seul une chaîne logistique miniature. Deux classes
différentes d’incertitude sont considérées; l’incertitude sur la demande et celle sur le
rendement (ou l’incertitude de l’offre). Dans ce problème bi-niveau, le vendeur et le
fournisseur sont considérés ensemble et doivent avoir une bonne
coopération car ils représentent les deux côtés de la même chaîne. Le rendement
incertain est causé principalement par la quantité incertaine des produits. Nous
8
utilisons deux algorithmes populaires pour la résolution de ce type de problème;

l’approche Bayésienne et un algorithme hybride floue intelligent.
Pas de cotisations
Suite à la revue de la littérature existante, nous pouvons dire qu’il existe beaucoup
de travaux concernant l’incertitude dans la chaîne logistique, mais nos travaux se
distinguent par leur aspect systématique qui traite l’ensemble des problèmes
d’incertitude dans les SCM.
Nous avons en premier lieu, classé l’incertitude en perspectice du management

de la chaîne logistique. En se basant sur des situations pratiques et réelles, la
classification de l’incertitude est complète et couvrira tous les stades de la chaîne
logistique. Nous donnons également les trois principales classifications de
l’incertitude trouvées dans la littérature; à savoir celle de la demande, celle de la
production et celle de la distribution.
En deuxième lieu, pour l’incertitude principale de la chaîne logistique, nous
traitons le problème classique, cependant les méthodes que nous proposées pour
résoudre les trois principales incertitudes ne sont pas des véritables méthodes
parallèles. L’approche que nous proposons pour faire face à l’incertitude de la
demande se situe au niveau de la stratégie appliquée aux SCM permettant de
déterminer la manière de gérer les opérations de la chaîne logistique. La réalisa tion
de cette stratégie a besoin de l’aide de la part des autres étapes comme la fabrication,
l’approvisionnement et la distribution. Naturellement, nos recherches se sont
dirigées vers ces étapes du niveau opérationnel dans la chaîne logistique
en étudiant de manière concrète de l’incertitude de fabrication à la distribution.
Troisièmement, pour le traitement de l’incertitude dans la distribution aux

clients, nous nous somme concentrés sur le problème de tournées de véhicules non
apparié avec ramassage et livraison (VRPPD). À notre connaissance, c’est la
première fois qu’une métaheuristique est appliquée pour résoudre VRPPD non
apparié.
Quatrièmement, avec l’algorithme génétique intégré, testé sur des instances de
benchmark nous obtenons de meilleurs résultats pour FJSP que ceux présentés
dans la littérature.
9
Cinquièmement, nous proposons d’appliquer la maintenance

conditionnelle comme méthode d’entretient préventive pour réduire
l’indisponibilité des ma chines dans le système de fabrication. L’algorithme
de l’insertion que nous avons proposé pour résoudre le problème
d’ordonnancement de job shop flexible avec la maintenance conditionnelle (FJSPPM) est comparabl
dans la littérature.
Sixièmement, nous avons démontré l’efficacité de l’algorithme génétique
(GA) que nous avons utilisés dans nos trois exemples de FJSPPM. En outre,
dans notre démarche de résolution de FJSPPM, nous constatons que les
résultats trouvés par GA devancent ceux trouvés par l’algorithme de colonies de fourmis (ACO).
Septièmement, nous proposons deux approches différentes, l’approche
bayési enne et l’approche à base de variables floues, pour représenter
l’incertitude de la demande et celle du rendement dans le problème du
vendeur de journaux. Nous avons obtenu une valeur de seuil en fonction des
paramètres du problème comme le prix et le coût en utilisant la méthode bayésienne.
Limitation de nos recherches

Toutefois, il existe des limites à nos recherches, tels que le manque de
comparaison avec d’autres approches pour résoudre le VRPPD non apparié
ainsi que dans le problème bi-niveau du vendeur de journaux. Ce manque de
comparaison est dû principalement au manque considérable de recherche
dans cette partie et donc l’inexistance de benchmark, ce qui prouve par la
même occasion l’originalité de notre démarche. Concernant les résultats
obtenus pour le FJSPPM, nous pensons qu’il est encore possible de les
améliorer en utilisant de meilleurs heuristiques et/ou des combinaisons de
métaheuristiques. Malheureusement, nous n’avons pas pu appliquer notre
démarche aux problèmes concrets rencontrés dans le monde industriel afin de pouvoir montrer l’eff
Néanmoinsn nous espérons pouvoir le faire dans un avenir très proche.
dix
Contenu
Remerciements 2
Résumé en français 5
Table des matières 11
Liste des figures 16
Liste des tableaux 19
Abréviations 20
Introduction 23
1 Incertitude dans la chaîne d'approvisionnement 29
1.1 Gestion de la chaîne d'approvisionnement. . . . . . . . . . . . . . . . . . . . . . 29

. .. . . . . . . . . 30
1.2 Signification de la prise en compte de l'incertitude dans le SCM
. ..
1.3 Examen de la recherche sur l'incertitude dans la chaîne d'approvisionnement . . . . . . 31
1.3.1 Incertitude d'approvisionnement. . . . . . . . . . . . ... . . . . . . 32
1.3.2 Incertitude de la demande . . . . . . . ... . . . . . . . . . . 34
1.3.2.1 Facteurs d'incertitude de la demande . . ... . 34
1.3.2.2 Impact de l'incertitude de la demande sur la chaîne d'approvisionnement 34
1.3.2.3 Méthodes conventionnelles pour faire face à l'incertitude

en demande. . . . . . . . . . . . . . . . . . . . . . 35
1.3.3 Incertitude dans la fabrication . . . ... . . . . . . . . . . 38
1.3.3.1 Complexité de maintenir la stabilité et la flexibilité dans

système de fabrication moderne. . . . . . . . . . . 38
1.3.3.2 Système de fabrication avancé . . . . . ... . 39
11
CONTENU
1.3.3.3 Recherche au niveau stratégique pour tenir compte de l'incertitude
dans le système de fabrication. . .. . . . . . ... . . 40
1.3.3.4 Recherche au niveau opérationnel à envisager
tainty dans le système de fabrication. . . . . ... . . 42
1.3.4 Incertitude de distribution . . . . ... . ... . . ... . . 43
1.3.4.1 Priorités de recherche sur l'incertitude dans la distribution . 43
1.3.4.2 Recherche d'incertitude dans le système de transport 44
1.3.5 Autres types d'incertitude . . . . ... . ... . . ... . . 45
1.4 Conclusion . . . ... . . . . . . ... . ... . ... . . ... . . 48
2 Faire face à une demande incertaine dans la chaîne d'approvisionnement 49
2.1 Introduction de la stratégie de report . ... . . . . . . ... . . 49
2.2 Report appliqué pour répondre à une demande incertaine dans la chaîne d'approvisionnement 51
2.2.1 Décomposition de la chaîne d'approvisionnement. . . . . . . . . . . ... . . 52
2.2.2 Description de la démarche d'application du report . . 53
2.2.2.1 Fraction optimale de la demande reportée totale . . . 56
2.2.2.2 Fraction optimale de la quantité d'approvisionnement de chaque fournisseur 57
2.3 Instance d'application de la démarche de report . . . . . 60
2.3.1 Description du modèle du réseau SC d'origine . . . . 60
2.3.2 Résultats du calcul pour le cas avec demande estimée 63
2.3.2.1 Résultats des calculs du sous-système 1 . . . ... . . 63
2.3.3 Résultats du calcul pour le cas avec demande inattendue 65
2.3.4 Discussions . . . . . . . . ... . ... . . . . . . ... . . 68
2.4 Conclusion . . . ... . . . . . . ... . ... . ... . . ... . . 69
3 Problème d'ordonnancement d'un atelier flexible dans un environnement incertain

ment 71
3.1 Réduire l'indisponibilité des machines dans FJSP . . . . . . . ... . . 71
3.1.1 Introduction et littérature sur le FJSPPM . . . . . ... . . 72
3.1.1.1 Problème d'ordonnancement d'atelier flexible (FJSP) . . 73
3.1.1.2 Maintenance préventive . . . . . . . . . ... . . 74
12
CONTENU
3.1.1.3 Problème d'horaire d'atelier flexible avec pré

Maintenance ventive . . . ... . . . . . . . . . . 75
3.1.1.4 Maintenance basée sur l'état . . . ... . ... . 76
3.1.2 Modélisation mathématique pour FJSPPM . . . . . . . . ... . 78
3.1.3 Approche de solution pour FJSPPM . . . . . . . . . . . ... . 80
3.1.3.1 Algorithme génétique hiérarchique pour FJSP . ... . 81
3.1.3.2 Algorithme génétique intégré pour FJSP . . ... . 86
3.1.3.3 Optimisation intégrée des colonies de fourmis pour FJSP . . 89
3.1.3.4 Efficacité comparée des trois approches

pour le FJSP. . . . . . . . . . . . . . . . . . . . . . 93
3.1.3.5 Approche complète pour FJSPPM . ... . ... . 99
3.1.4 Expériences numériques de FJSPPM . . . . . . . . . . . . . 103
3.1.4.1 Analyse des résultats . . ... . . . . . . . . . . ... . 107

3.1.4.2 Discussions . . . . ... . . . . . . . . . . ... . 107
3.2 FJSP avec jobs à arrivée dynamique . . . . . . ... . . . . . . . . . . 108

. .. . . . . . . . .
3.2.1 Insertion de l'algorithme du nouveau travail d'arrivée . 109
. 110
3.2.2 Replanification des opérations de repos avec les nouveaux emplois d'arrivée ..
3.3 Impact du temps de traitement incertain des travaux sur FJSP . . . . . . . . 111
3.4 Conclusion . . . . ... . . . . . . ... . ... . . . . . . . . . . 116
4 Problème de distribution dans un environnement incertain 4.1 119
Incertitude des clients dans la distribution . . . ... . ... . . . . . . 119
4.2 Problème de routage de véhicules .. . . . . . . . . . . . . . . . . . . . . . 121
4.2.1 Application pratique du VRP . . . . . . . . . ... . ... . 122

4.2.2 Modèle classique de VRP . . . ... . . . . . . ... . ... . 123
4.2.2.1 Définition du VRP classique . . . . . ... . ... . 123
4.2.2.2 Approche de la solution pour VRP classique . . . . ... . 124

4.2.3 Classification et extension du VRP . . . . ... . ... . 124
4.2.3.1 VRP capacitif (CVRP) . . . . . . . . ... . 125
4.2.3.2 VRP avec fenêtres horaires (VRPTW) . . . ... . 125
4.2.3.3 VRP avec enlèvement et livraison (VRPPD) . . . 126
4.2.3.4 VRP avec demande stochastique (VRPSD) . ... . 126
4.2.3.5 Autres types de VRP . . . . . . . . . . . . ... . 127
4.3 Problème d'itinéraire de véhicule non apparié avec ramassage et livraison . . . 128
4.3.1 Motivation d'étudier le VRPPD non apparié . . . . . . ... . 129
13
CONTENU
4.3.1.1 Modèle de VRPPD non apparié pour l'étage de distribution

dans la chaîne d'approvisionnement. ... . ... . ... . . ... . . 129
4.3.1.2 Faire face à l'incertitude des clients . . . ... . . 129
4.3.2 Description du modèle mathématique . . . . . . . . . ... . . 131
4.3.2.1 Modèle de problème de distribution . . . . . . ... . . 131
4.3.2.2 Formulation pour VRPPD non apparié . . . ... . . 133
4.3.3 Algorithme de résolution . . . . ... . ... . . . . . . ... . . 135
4.3.4 Expérience d'exemple numérique . . . . ... . . ... . . 138
4.4 Conclusion . . . ... . . . . . . ... . ... . ... . . ... . . 139
5 Incertitude de la demande et du rendement dans le problème du vendeur de journaux à deux niveaux 141
5.1 Introduction de l'incertitude dans le problème du vendeur de journaux. . .. . . . . . . 142
5.2 Modèle mathématique pour le problème du vendeur de journaux à deux niveaux avec incertain
offre et la demande . . . ... . . ... . ... . ... . . ... . . 145
5.3 Approche bayésienne pour représenter la double incertitude des stochas

variables tiques. . . . . . . ... . . ... . ... . ... . . ... . . 148
5.3.1 Description de l'approche bayésienne . . . . . . . . . ... . . 148

. .. . . . . .
5.3.2 Modélisation de la demande et du rendement stochastiques . . 148
5.3.2.1 Taux de qualification du produit . . . . . . . . ... . . 149
5.3.2.2 Demande incertaine . . . ... . . . . . . ... . . 149
5.3.3 Approche bayésienne pour représenter la double incertitude de vari

ables . . . ... . ... . . ... . ... . ... . . ... . . 150
5.3.3.1 Mise à jour directe des informations . . . . . . . ... . . 150
5.3.3.2 Mise à jour des informations indirectes . . . . . . ... . . 151
5.3.4 Modèle de description du problème avec des variables stochastiques . 153

5.3.4.1 Discussion de la relation entre les différents paramètres
mètres de prix . . ... . ... . ... . . ... . . 155
5.3.4.2 Calcul basé sur notre hypothèse . ... . . 157
5.3.4.3 Débat . . . ... . ... . . . . . . ... . . 158
5.4 Incertitude représentée par variable floue . . ... . . ... . . 158
5.4.1 Théorie de la crédibilité . . . . . ... . ... . ... . . ... . . 159
5.4.1.1 Mesure de crédibilité et espace de crédibilité . . . . . 159
5.4.1.2 Simulation floue . . . . ... . . . . . . ... . . 160
5.4.2 Solutions avec variables floues . . ... . . . . . . ... . . 161
5.4.3 Opérations d'algorithme génétique . . . . . . . . . . ... . . 162
14
CONTENU
5.5 Exemples numériques . . . . . . . . . . . . . ... . . . . . . . . . . 163

5.6 Conclusion . . . . ... . . . . . . ... . ... . . . . . . . . . . 169
Conclusions et Perspectives 171
Références 174
15
CONTENU
16
Liste des figures
2.1 Structure normale de la chaîne d'approvisionnement. . . . . . . ... . ... . . . . . . 52

. ..
2.2 Structure simplifiée de la chaîne d'approvisionnement . . ... . ... . . . . . . 52
2.3 Procédure de l'ordonnancement avec la stratégie de report . . . 54
2.4 Réseau de la chaîne d'approvisionnement composé d'usines, d'entrepôts et de distributeurs

tributaires. . . . . . . . . . ... . . . . . . ... . ... . . . . . . 61
2.5 Sous-systèmes simplifiés . . . . . . . . . . . . ... . ... . . . . . . 61
3.1 Courbe PF . ... . ... . . . . . . . . . . ... . . . . . . . . . . 77
3.2 Algorithme génétique hiérarchique (HGA) pour FJSP . . . . . . . . . . 83
3.3 Algorithme génétique intégré (IGA) pour FJSP . . . . . . . . . . . 87
3.4 Procédure de décodage . . . . . . . . . . . . . ... . . . . . . . . . . 88
3.5 Digramme d'ordonnancement de séquences dans ACO. . . . . . . . . . . . . . . 91

3.6 Diagramme de Gantt de la meilleure solution de J8M8 .. . . . . . . . . . . . . . . 98
3.7 Diagramme de Gantt de la meilleure solution de J10M10. . . . . . . . . . . ... . 98
3.8 Diagramme de Gantt de la meilleure solution de J15M10. . . . . . . . . . . ... . 98
3.9 Deux algorithmes de résolution de FJSPPM . . . . . . . . . . . . . . . . . 99

. . 100
3.10 Compact PM vers la gauche lorsque PM est initialisé au dernier moment.
3.11 Compact PM vers la droite lorsque PM est initialisé au premier instant. 100
. ...
3.12 Changer de machine pour traiter la collision des MP et du travail. . ... . 101
3.13 Diagramme de Gantt de la meilleure solution de J8M8PM. . . . . . . . . . ... . 104
3.14 Diagramme de Gantt de la meilleure solution de J10M10PM. .. . . ... . ... . 106
3.15 Diagramme de Gantt de la meilleure solution de J15M10PM. .. . . ... . ... . 106
3.16 L'interruption de la maintenance arrive à un pré-programme existant de FJSP108

. . ..
3.17 Schéma d'ordonnancement continu avant l'arrivée d'un nouveau travail . . . . . 109
. .. . . . . . . . . 109
3.18 Planification indépendante pour le nouveau travail d'arrivée.
3.19 Insertion de l'algorithme du nouveau travail d'arrivée. . .. . . . . . . . . . . . . 110
17
LISTE DES FIGURES
. .. . .
3.20 Reprogrammation des opérations de repos avec nouvelle tâche d'arrivée . . 110
....
3.21 Incidence d'un temps de traitement plus long sur la planification de l'atelier de travail . . 112
. . .. .
3.22 Impact d'une réduction du temps de traitement sur la planification de l'atelier . . 112
. 114
3.23 Impact de l'augmentation du temps de traitement d'une unité de temps sur J8M8 .
3.24 Impact de l'augmentation du temps de traitement avec 2 unités de temps à J8M8 . 114
3.25 Solution optionnelle 1 pour J8M8 . . . . . . . . . . . . . . . . ... . . 115
4.1 Procédure de diffusion . ... . . ... . ... . ... . . ... . . 121
4.2 Schéma d'ordonnancement VRP normal .. . . . ... . . . . . . ... . . 130
4.3 Modèle VRPPD non apparié . . . . . ... . ... . ... . . ... . . 131
4.4 Répartition originale des marchandises livrées . . . . . . ... . . 132
4.5 Modèle VRPPD non apparié pour problème de distribution . . . . . . . . . 133
4.6 Formulaire d'encodage pour le chromosome. .. . . . . . . . . . . . ... . . 135
4.7 Procédure de croisement. . . . . . . ... . ... . ... . . ... . . 137
4.8 Solution pour un exemple avec 30 clients . ... . . . . . . ... . . 139
5.1 Résultats du calcul avec GA . ... . ... . . . . . . ... . . 164
5.2 Résultats de l'exécution 100 fois . . ... . . . . . . . . . . ... . . 165
5.3 Changement avec un prix de gros différent. . ... . . . . . . ... . . 165
5.4 Changement avec un prix de vente différent . .. . . . . . ... . . ... . . 166
5.5 Comparaison avec différentes demandes floues . . . . ... . . ... . . 167
5.6 Comparaison avec différents taux de qualification . . . . . . . ... . . 168
18
Liste des tableaux
2.1 Frais de transport des usines aux entrepôts (cent/caisse) . . . . . 62
2.2 Frais de transport des entrepôts aux distributeurs (cent/caisse) . . . . 62
2.3 Capacités des usines et entrepôts . . . . . . . ... . ... . 62
2.4 Estimation de la demande des distributeurs (cas) . ... . . . . . . . . . . 63
2.5 Demande aléatoire des distributeurs (cas) . . . . . . . . . . . ... . 63
2.6 Affectation de la demande des distributeurs à chaque entrepôt du

cas avec demande estimée . . . . . . . . ... . . . . . . . . . . 64
2.7 Affectation de la demande d'entrepôts à chaque usine dans le cas

avec une demande estimée. . . . . . . . . . ... . ... . . . . . . 64
2.8 Affectation de la demande d'entrepôts à chaque usine dans le cas

avec une demande estimée. . . . . . . . . . ... . ... . . . . . . 64
2.9 Affectation de la demande des distributeurs à chaque entrepôt pour le sous-

système 1 en cas de demandes imprévues en période régulière. . . 65
2.10 Affectation de la demande des distributeurs à chaque entrepôt pour
sous-système 1 en cas de demandes inattendues de report

période . . . . . . . ... . . . . . . . . . . ... . ... . . . . . . 65
2.11 Allocation optimale de la demande d'entrepôts à chaque usine dans le cas 1 66
2.12 Affectation optimale de la demande d'entrepôts à chaque usine

période régulière. . ... . . . . . . . . . . ... . . . . . . . . . . 67

délai de report. . . . . . . . . . . . ... . ... . . . . . . 67
2.14 Affectation optimale des demandes des entrepôts à chaque usine

dans le cas 2. . . . . ... . . . . . . . . . . ... . . . . . . . . . . 67

période régulière dans le cas 3 .. . . . . . . . . . ... . . . . . . . . . . 68
19
LISTE DES TABLEAUX
2.16 Affectation optimale de la demande d'entrepôts à chaque usine dans

délai de report dans le cas 3 . ... . ... . ... . . ... . . 68
3.1 Affectation de la machine aux opérations . . . . . . . . . . . . ... . . 83
3.2 Résultat de la comparaison du tournoi et de la roulette dans GA-1 . . . 85

3.3 Paramètres de GA . . . . . . . . . ... . ... . ... . . ... . . 85
3.4 Ordonnancement des séquences .. . . . . . . . . . ... . ... . . ... . . 86
3.5 Résultat de la comparaison des méthodes de séquence d'ordonnancement en

GA sur l'exemple J8M8 . . . . . . . . . . . ... . ... . . ... . . 89
3.6 Résultat de la comparaison des méthodes de séquence d'ordonnancement en

GA sur l'exemple J15M10 . . . . . ... . ... . . . . . . ... . . 89
3.7 Paramètres d'ACO . . . . . . . . ... . ... . . . . . . ... . . 93
3.8 Problème J8M8 avec 27 opérations (souplesse partielle) . . ... . . 94
3.9 Problème J10M10 avec 30 opérations (flexibilité totale)) . ... . . 95
3.10 Problème J15M10 avec 56 opérations . . . . . . . . . . . ... . . 96
3.11 Résultat de trois approches appliquées à trois exemples de FJSP. . 97

3.12 Comparaison de différentes méthodes de SSA . . . . . . . . . ... . . 102
Tâches de 15h13 dans J8M8PM . . . . . . . . . . ... . . . . . . ... . . 104
Tâches de 15h14 dans J10M10PM . . . . . . . . . . . . . . . . . . ... . . 104
Tâches de 15h15 en J15M10PM . . . . . ... . . . . . . . . . . ... . . 104
3.16 Résultat de sept approches appliquées sur des exemples de FJSPPM .. . 105
5.1 Calcul de distribution a posteriori avec information directe vers le haut

rencontre . . . . . . . . . . ... . . ... . ... . ... . . ... . . 151
5.2 Relation de prix pour différentes industries ÿ .. . ... . . ... . . 157
5.3 Résultats de la quantité de commande optimale et de la perte potentielle avec différents
prix de gros ent . . . ... . . ... . ... . ... . . ... . . 166
5.4 Résultats de la quantité de commande optimale et de la perte potentielle avec

. ...
un prix de détail différent. . ... . .... . ... . ... . . ... . . 167
5.5 Résultats de la quantité de commande optimale et de la perte potentielle

. . . . ... . . . .
avec une demande floue différente. . ... . ... . . ... . . 168
5.6 Résultats de la quantité de commande optimale et de la perte potentielle

avec un ratio de qualification. différent.
... . . ... . ... . ... . . ... . . 169
20
Abréviations
ABC - Colonie d'abeilles artificielles
ACO - Optimisation des colonies de fourmis
AMT - Technologies de fabrication avancées
CAO - Conception assistée par ordinateur
FAO - Fabrication assistée par ordinateur

CBM - Maintenance basée sur l'état
CDF - Fonction de distribution cumulative
CIMS - Système de fabrication intégré par ordinateur
CNC - Commande numérique par ordinateur
CVRP - Problème d'acheminement de véhicules avec capacité
CVRPTW - VRP capacitif avec fenêtres horaires
DARPÿ–ÿProblème d'appel à la course
ERP - Planification des ressources d'entreprise

FIFO - Premier entré, premier sorti
FJSP - Problème d'ordonnancement d'atelier de travail flexible
FJSPPM - Problème de planification d'atelier de travail flexible avec maintenance préventive
FMS - Système de fabrication flexible
GA - Algorithme génétique
GGA - Algorithme génétique de regroupement
HGA - Algorithme générique hybride
IA - Algorithme d'insertion
IACO - Optimisation intégrée des colonies de fourmis
IGA - Algorithme génétique intégré
JSSPÿ–ÿProblème de planification de l'atelier de travail
LP - production allégée
LPT - Temps de traitement le plus long
21
ABRÉVIATIONS
MDVRP - Problème de routage de véhicules multi-dépôts
MDVRPTW - Problème de routage de véhicules multi-dépôts avec fenêtres horaires
MRP - Planification des besoins en matériel
MRPII - Planification des ressources de fabrication
MWR - La plupart des travaux restants
NLP - Programmation non linéaire
PDF - Fonction de densité de probabilité
PDP - Problème de ramassage et de livraison

PM - Maintenance préventive
PVRP - Problème probabiliste de routage de véhicules
SA - Recuit simulé
SC - Chaîne d'approvisionnement
SCM - Gestion de la chaîne d'approvisionnement
SDVRP - Problème d'acheminement de véhicules de livraison fractionnés
SPT - Délai de traitement le plus court
SSA - Algorithme de planification simultanée
SSA1 - Algorithme d'ordonnancement simultané 1
SST - Temps de démarrage le plus court
SVRP - Problème de routage de véhicules stochastique
TLJ - Durée des tâches non planifiées dans le travail

TS - Recherche taboue
TSP - Problème de voyageur de commerce
TSPPD - TSP avec ramassage et livraison
VRP - Problème de tournée de véhicules
VRPDT - Problème de tournées de véhicules avec horaires d'échéance
VRPM - Problème de routage de véhicules avec utilisation multiple de véhicules
VRPPD - Problème d'itinéraire de véhicule avec ramassage et livraison
VRPSD - Problème de routage de véhicules avec demande stochastique
VRPTW - Problème de routage de véhicules avec fenêtres horaires
RVER - Problème d'acheminement et d'horaire des véhicules
22
Introduction
Cette thèse présente les résultats de mes recherches à l'École Centrale de Lille en France au
cours des trois dernières années, de 2009 à 2012.
La gestion de la chaîne d'approvisionnement (SCM) est un thème attrayant à la fois dans les
affaires et dans les universités à portée internationale. La disponibilité des ressources dans la
chaîne d'approvisionnement n'est toujours pas aussi optimiste que prévu. L'essence de SCM est
d'intégrer des ressources pour améliorer les performances des activités de la chaîne
d'approvisionnement. Le SCM traditionnel est basé sur un environnement statique. Cette
hypothèse idéale n'est pas adaptée à une situation pratique où existent des contraintes de
disponibilité et d'incertitude. Malgré d'immenses recherches sur l'incertitude dans le SCM, il n'y
a pas de recherche systématique, ni de méthode générale pour traiter l'incertitude dans la chaîne
d'approvisionnement. Les contraintes de disponibilité et d'incertitude rendent le SCM compliqué. Notre recherche porte
compte de ces contraintes. Notre objectif est d'offrir des références aux chercheurs et
décideurs dans ce domaine de recherche.
Arrière-plan
La chaîne d'approvisionnement a été ciblée par de nombreux universitaires et praticiens dès
l'émergence du concept de logistique. La logistique est apparue pour la première fois dans
l'armée. Avec la chaîne d'approvisionnement, l'armée peut obtenir suffisamment de soutien pour
se préparer à la guerre ou à la défense. Depuis les années 1990, le SCM est devenu un sujet
brûlant dans les affaires. Il a attiré l'attention des gestionnaires de haut niveau. La recherche de
SCM s'est développée à partir de l'intégration de la gestion logistique interne et des relations
entre les entreprises coopérantes pour ajouter de la valeur à l'ensemble de la chaîne de valeur.
Ce concept de SCM fait que de nombreux dirigeants d'entreprises prennent des décisions non
pas uniquement du point de vue de leur entreprise comme avant, mais à la hauteur de l'ensemble
de la chaîne d'approvisionnement. Dans la guerre des affaires, la chaîne d'approvisionnement est devenue une arme pu
23
INTRODUCTION
SCM, tels que la planification de la chaîne d'approvisionnement, la coopération des membres de
la chaîne d'approvisionnement, les processus de logistique, de transport, de fabrication, etc., sont
tous exploités dans un environnement statique imaginé. Cependant, en fait, dans la procédure du
SCM total, de nombreux cas incertains se produisent dans le système de fabrication, la procédure
de distribution, les marchés de la demande et l'offre. Les incertitudes que nous ne pouvons pas
prévoir de manière prévisible influenceront les opérations de la chaîne d'approvisionnement. Par
exemple, un approvisionnement retardé peut affecter le temps de production, puis influencer le
délai de livraison et peut-être le prix de vente. La quantité modifiée de la demande peut induire un
gaspillage de production. La baisse de productivité aura un impact sur la quantité
d'approvisionnement, le niveau des stocks et également le prix de vente. Les problèmes de
véhicules dans le processus de distribution perturberont directement le temps de distribution. Par conséquent, la gestion de l'in
Une chaîne d'approvisionnement est généralement un réseau d'installations et d'entreprises
qui remplissent les fonctions d'approvisionnement en matériaux, de transformation de matériaux
en produits intermédiaires et finis, de fabrication et de distribution de produits finis aux clients.
Plus généralement, une chaîne d'approvisionnement part de la matière première et se termine
chez le client, consistant en l'achat des matières premières, la fabrication, le stockage, la
transformation et la distribution. Bien que la structure et le degré de complexité de la chaîne
d'approvisionnement puissent varier considérablement dans différentes industries et dans
différentes entreprises, la fonction et la structure normales sont similaires. Nous pouvons diviser
une chaîne d'approvisionnement en cinq phasesÿ: l'approvisionnement, la fabrication, le stock, la
distribution et la demande. Dans chaque phase de la chaîne d'approvisionnement, il existe une
incertitude. Ainsi, nous pouvons nous concentrer sur l'incertitude de chaque phase pour analyser
ses conséquences et tenter de réduire son influence. La différence entre notre travail et la
recherche existante sur le type distinct d'incertitude dans la chaîne d'approvisionnement est que
même lorsque nous nous concentrons sur un problème concret dans la chaîne d'approvisionnement, nous analysons le problèm
Plan de la thèse
Dans chaque chapitre, nous traitons l'incertitude à une certaine étape de la chaîne
d'approvisionnement. Nous nous concentrons sur les problèmes classiques en SCM. Pour chaque
type d'incertitude, nous donnons d'abord une étude de la littérature, puis nous introduisons un
algorithme pour résoudre le problème, enfin des exemples numériques de référence dans la
littérature sont utilisés pour démontrer l'efficacité de nos algorithmes proposés.
24
INTRODUCTION
Le chapitre 1 présente les recherches existantes sur l'incertitude dans la chaîne
d'approvisionnement. Tout d'abord, nous introduisons l'importance de la recherche de SCM
avec l'incertitude en considération, qui est notre motivation de la recherche. Ensuite, nous
passons en revue l'état de l'art de la recherche connexe selon notre classification de l'incertitude
dans la chaîne d'approvisionnement. Cette classification est également la façon dont nous considérons l'incertitude da
Les limites et les défis de la recherche en littérature sont conclus.
Le chapitre 2 se concentre sur le traitement de l'incertitude de la demande. A la différence
des méthodes traditionnelles, telles que le contrôle dynamique des stocks, l'estimation de la
demande, nous proposons d'appliquer une stratégie de report pour traiter la demande incertaine en SCM.
Tout d'abord, nous simplifions le réseau normal de la chaîne d'approvisionnement avec
différentes étapes en plusieurs sous-systèmes avec une relation demande-offre. Nous suivons
le sens du flux d'informations, du marché de consommation à l'approvisionnement en matériaux,
pour calculer les sous-systèmes un par un. Pour chaque sous-système, pour satisfaire les
demandes inattendues, nous les satisfaisons en deux étapes. Dans la première étape, nous
exécutons la réaffectation de la demande aux fournisseurs pour tirer pleinement parti du stock
existant de fournisseurs. Pour une quantité de demande supérieure à la quantité
d'approvisionnement, nous reportons l'approvisionnement à un délai de livraison différé autorisé,
qui est la deuxième étape. La distance de transport pendant la période d'approvisionnement est considérée comme une
Le chapitre 3 se concentre sur le problème du système de fabrication en tenant compte de
l'incertitude. Le job shop, en tant que mode de fabrication adaptatif pour la variation des produits
sur le marché de consommation, est choisi pour nos recherches sur le système de fabrication.
L'indisponibilité des machines est le type d'incertitude le plus important dans l'atelier de travail.
Pour réduire cette incertitude, nous suggérons d'utiliser la maintenance conditionnelle (CBM),
une sorte de maintenance préventive pour surveiller la situation des machines et fournir des
données pour planifier la maintenance avant la panne des machines. L'application de CBM rend
dynamique le problème d'ordonnancement d'atelier flexible (FJSP). Nous proposons un

algorithme d'insertion pour ajouter PM dans le preschedule obtenu en FJSP normal. Pour
résoudre le FJSP traditionnel, nous proposons trois approches, un algorithme génétique
hiérarchique (HGA), un algorithme génétique intégré (IGA) et une optimisation intégrée des
colonies de fourmis (IACO).
Le chapitre 4 met en évidence l'incertitude dans la distribution, en particulier au stade du
transport. Nous nous concentrons sur le problème de tournées de véhicules (VRP) qui fait l'objet
d'une attention constante depuis plusieurs décennies. Le problème de routage de véhicules
avec collectes et livraisons (VRPPD) est une extension de VRP, permettant deux types différents de demande de
25
INTRODUCTION
clients. Pour traiter l'incertitude des clients pendant la distribution, nous modélisons le problème de
transport comme un VRPPD non apparié, dans lequel la relation de ramassage et de livraison n'est
pas déterminée à l'avance. Un algorithme génétique de groupement modifié (GGA) est développé pour
résoudre les VRPPD non appariés. À notre connaissance, c'est la première fois que nous utilisons
metaheursitc pour résoudre des VRPPD non appariés.
Le chapitre 5 est une application de la prise en compte de l'incertitude dans une chaîne
d'approvisionnement. Nous nous concentrons sur le problème du vendeur de journaux à deux niveaux,
qui est une miniature de la chaîne d'approvisionnement. Deux catégories différentes d'incertitude sont
considérées, l'incertitude de la demande et l'incertitude du rendement, qui peut également être appelée
incertitude de l'offre. Dans le problème du marchand de journaux à deux niveaux, le marchand de
journaux est considéré avec son fournisseur. Les deux parties entretiennent de bonnes relations de
coopération. La recherche du problème du vendeur de journaux à deux niveaux est essentielle et
fondamentale pour la recherche de SCM. Dans le problème du vendeur de journaux, nous concluons
que pour le décideur, le vendeur de journaux, le rendement incertain du fabricant est principalement
causé par un taux de qualification incertain des produits. Nous adoptons deux algorithmes populaires
pour résoudre ce type de problème de vendeur de journaux, l'approche bayésienne et l'algorithme intelligent hybride flou.
Apports de nos recherches
De l'examen de la littérature, nous pouvons voir qu'il y a eu d'immenses recherches sur l'incertitude
dans la chaîne d'approvisionnement, mais notre travail est le premier à donner une recherche systématique.
Premièrement, nous classons l'incertitude du point de vue de la gestion de la chaîne
d'approvisionnement. Basée sur l'analyse de la chaîne d'approvisionnement en situation pratique, la
classification des incertitudes est complète et peut couvrir toutes les étapes de la chaîne
d'approvisionnement. En plus de la méthode de classification, nous donnons une revue de la littérature
pour les trois principales classes d'incertitude, l'incertitude de la demande, la distribution et la fabrication.
Deuxièmement, pour l'incertitude dans l'étape principale de la chaîne d'approvisionnement, nous
nous concentrons sur les problèmes classiques pour les traiter. Cependant, nos méthodes proposées
pour traiter les trois principaux types d'incertitude ne sont en fait pas parallèles. L'approche consistant
à faire face à l'incertitude de la demande se situe au niveau stratégique de la SCM, car elle détermine
le mode de gestion des opérations de la chaîne d'approvisionnement. La réalisation de la stratégie
nécessite l'assistance d'autres étapes de la chaîne d'approvisionnement, de la distribution, de la
fabrication, de l'approvisionnement, etc. L'orientation de nos recherches est naturellement dirigée vers ces étapes de l'opérationnel.
26
INTRODUCTION
niveau de la chaîne d'approvisionnement. Plutôt qu'une discussion vague, nous considérons l'incertitude dans
mode d'exécution concret de la distribution et de la fabrication.
Troisièmement, pour traiter l'incertitude des clients dans la distribution, nous nous concentrons
sur le problème d'acheminement de véhicules non jumelés avec les ramassages et les livraisons (VRPPD). À notre
connaissance, c'est la première fois que l'on applique une métaheuristique pour résoudre des
VRPPD.
Quatrièmement, avec l'algorithme génétique intégré, nous obtenons un meilleur résultat d'un in
position dans un benchmark pour FJSP que dans la littérature.
Cinquièmement, nous proposons d'appliquer la maintenance conditionnelle en tant que
maintenance préventive pour réduire l'indisponibilité des machines dans le système de fabrication.
L'algorithme d'insertion que nous avons proposé pour résoudre le problème d'ordonnancement de l'atelier flexible avec
maintenance préventive (FJSPPM) est comparable à un autre algorithme en lit

érature.
Sixièmement, nous avons démontré l'efficacité de l'algorithme génétique (AG)
que nous avons utilisé dans trois instances de FJSPPM. De plus, en procédure de
en résolvant FJSPPM, nous constatons que GA surpasse l'optimisation des colonies de fourmis (ACO).
Septièmement, nous proposons deux approches différentes, l'approche bayésienne et l'approche floue.
variable, pour représenter les incertitudes de la demande et du rendement dans le problème du marchand de journaux. Nous
ont obtenu une valeur seuil de relation entre les paramètres de prix lorsque
en utilisant la méthode bayésienne pour résoudre le problème.
Limite dans notre recherche

Il existe des limites à notre recherche, telles que le manque de comparaison avec d'autres
approches pour résoudre le problème du VRPPD non apparié et du vendeur de journaux à deux niveaux. C'est
en fait parce qu'il n'y a pas de référence pour la recherche, ce qui montre simplement l'originalité de
notre recherche. L'amélioration des résultats dans le FJSPPM est nécessaire. Mieux
une heuristique et une combinaison de métaheuristiques peuvent être tentées. Nous recherchons
warding de faire des recherches sur ces aspects. De plus, nous n'avons aucun
cas d'application de la chaîne d'approvisionnement pour démontrer la capacité de notre stratégie et
approches pour résoudre des problèmes pratiques. Nous espérons qu'il y aura des études de cas
dans ce domaine.
27
INTRODUCTION
28
Chapitre 1
Incertitude dans la chaîne d'approvisionnement
La gestion traditionnelle de la chaîne d'approvisionnement (SCM) est généralement basée sur
un environnement statique et déterminé, y compris la décision du plan de production, le niveau
des stocks, la stratégie de distribution, etc. Cependant, dans les cas pratiques, il existe toujours
des facteurs incertains ayant une incidence sur l'exécution du plan de décision. fabricants. Nous
donnons quelques exemples dans la littérature sur le sens important de la prise en compte de
l'incertitude dans le SCM. L'importance du sujet de recherche n'est que la motivation de notre recherche. Dans
Dans ce chapitre, nous analysons la survenance potentielle de l'incertitude dans la chaîne
d'approvisionnement et proposons une classification pour celle-ci. Selon cette classification,
nous donnons un aperçu des recherches sur l'incertitude dans la chaîne d'approvisionnement
dans la littérature, le problème ciblé et les approches déployées pour les traiter.
1.1 Gestion de la chaîne d'approvisionnement
La chaîne d'approvisionnement a été ciblée par de nombreux universitaires et praticiens dès
l'émergence du concept de logistique. La logistique est d'abord apparue dans les armées. Avec
la chaîne d'approvisionnement, l'armée peut obtenir suffisamment de soutien pour se préparer à
la guerre ou à la défense. Depuis les années 1990, la gestion de la chaîne d'approvisionnement
(SCM) a attiré l'attention des gestionnaires de haut niveau. La recherche de SCM s'est développée
à partir de l'intégration de la gestion logistique interne et des relations entre les entreprises
coopérantes jusqu'à l'efficacité et la valeur ajoutée de l'ensemble de la chaîne de valeur. Le SCM implique un large éven
et application pluridisciplinaire. Il peut conclure diverses activités et prises de décision à chaque
étape d'une chaîne d'approvisionnement.
29
1. INCERTITUDE DANS LA CHAÎNE D'APPROVISIONNEMENT
Le concept de SCM dans les affaires incite les gestionnaires d'entreprises à prendre des décisions
non seulement du point de vue de leur entreprise comme auparavant, mais à la hauteur de l'ensemble
de la chaîne d'approvisionnement. Dans la guerre des affaires, la chaîne d'approvisionnement est
devenue une arme puissante. Généralement, de nombreuses stratégies et activités de SCM, telles que
la planification de la chaîne d'approvisionnement, la coopération des membres de la chaîne
d'approvisionnement, le processus de logistique, le transport, la fabrication, etc., sont toutes
exploitées dans un environnement statique. Cependant, dans le processus réel du SCM total, de
nombreux cas incertains se produisent dans la fabrication, la distribution, les marchés de la demande,
l'approvisionnement et d'autres étapes de la chaîne d'approvisionnement. Les incertitudes que nous
ne pouvons pas connaître de manière prévisible peuvent facilement influencer les opérations de la
chaîne d'approvisionnement. Par exemple, un approvisionnement retardé peut affecter le temps de
production et par conséquent influencer le délai de livraison et probablement le prix de vente. La
modification de la quantité demandée peut induire des pertes de production. La baisse de productivité
peut facilement avoir un impact sur la quantité d'approvisionnement, le niveau des stocks et le prix
de vente. Les problèmes de véhicules dans le processus de distribution perturberont directement le temps de distribution. A partir d
1.2 Signification de la prise en compte de l'incertitude dans le SCM
L'incertitude peut induire des perturbations dans le SCM. Si nous ne tenons pas compte de
l'incertitude dans la planification des activités de la chaîne d'approvisionnement, cela ne se poursuivra pas comme prévu.
L'incertitude a un impact sur les performances de la chaîne d'approvisionnement dans différentes
dimensions. Forest et al. (1998) ont déclaré que le SCM devrait se préoccuper de la réduction ou
même de l'élimination de l'incertitude pour améliorer les performances de la chaîne d'approvisionnement.
Les résultats de l'étude de cas suggèrent que la réduction de l'incertitude peut améliorer
considérablement les niveaux de service. Selon une enquête industrielle menée par Protiviti et APICS
(American Production and Inventory Control Society), 66ÿ% des personnes interrogées considèrent
l'interruption de l'approvisionnement comme l'une des préoccupations les plus importantes parmi
tous les risques liés à la chaîne d'approvisionnement. Mula et al. (2006) ont indiqué qu'on peut
s'attendre à ce que les modèles de planification de la production qui ne reconnaissent pas l'incertitude
génèrent des décisions de planification inférieures à celles des modèles qui tiennent explicitement
compte de l'incertitude. Koh & Saad (2003) ont suggéré de diagnostiquer les incertitudes pour aider à
obtenir la performance optimale de livraison. Par conséquent, nous pouvons observer le sens de
considérer l'incertitude dans SCM. Yu & Li (2000) ont déclaré qu'un rôle critique de
30
1.3 Examen de la recherche sur l'incertitude dans la chaîne d'approvisionnement
un responsable logistique était de savoir comment prendre une décision d'optimisation avec
des informations incertaines, bruyantes et incomplètes.
1.3 Examen de la recherche sur l'incertitude de l'approvisionnement

chaîne
Malgré le large éventail d'activités couvertes par le SCM, la tâche principale est souvent décrite
comme la réduction de l'incertitude (Davis, 1993ÿ; Mason-Jones et Towill, 1998). Le risque et
l'incertitude sont synchrones. Ils sont même considérés comme synonymes (Helliar et al., 2001).
Le risque peut être considéré comme une conséquence de l'incertitude (Lalwani et al., 2006).
Chevalier (1921). Dans son travail fondateur sur le risque et l'incertitude, il a établi que le
changement en soi n'est pas un risque mais que les incertitudes futures associées au
changement peuvent bien être risquées. Le risque est défini comme la possibilité de provoquer
un malheur ou une perte tandis que l'incertitude est associée à ce qui ne peut pas être connu
ou prédit avec précision (Collins Dictionary, 1996). Selon cette définition, l'incertitude n'est pas
certaine de porter malheur à l'approvisionnement, mais elle est certainement risquée. Lorsqu'il
y a un écart important entre la réalité et les attentes, la performance des résultats peut ne pas
être conforme au plan. Même si la réalité est meilleure que nos attentes, ils n'apportent
certainement pas d'avantages. Par exemple, lorsque la quantité de la commande est supérieure
à celle des prévisions, la quantité des ventes peut ne pas augmenter car le niveau de stock est
défini en fonction de la valeur des prévisions.
Il y a déjà eu beaucoup de recherches sur l'incertitude dans différentes sections de la chaîne
d'approvisionnement, même si les chercheurs n'analysent pas l'incertitude sous l'angle de la
chaîne d'approvisionnement. Nous en donnons un aperçu général dans les sous-sections
suivantes. Relativement, moins de recherche d'incertitude se fait du point de vue de l'ensemble
de la chaîne d'approvisionnement. Différents groupes de sources d'incertitude sont identifiés et
pour chaque source d'incertitude, plusieurs principes d'amélioration sont identifiés dans les
travaux de Vorst et al. (1998). L'étude de l'application de formes de flexibilité différentes et

équilibrées pour faire face à l'incertitude dans des environnements turbulents a été discutée par
Dreyer & Grønhaug (2004). Ils se concentrent sur des études empiriques de l'industrie pratique,
c'est-à-dire les usines de transformation du poisson en Norvège. Bien qu'il s'agisse d'une
stratégie réussie, elle peut entrer en conflit avec d'autres critères d'évaluation. Ottesen &
Grønhaug (2002) ont déclaré que, l'inconvénient de l'intégration verticale, leur stratégie
prometteuse pour réduire l'approvisionnement incertain, est qu'elle peut se faire au détriment de la flexibilité.
31
Les deux recherches portent sur la même filière piscicole. On observe qu'une stratégie qui s'est avérée
attrayante peut ne pas toujours convenir. Ho et al. (2005) ont déployé une approche structurelle pour
mesurer l'incertitude de la chaîne d'approvisionnement et leurs résultats pour un système de commerce
électronique produisent une échelle d'incertitude validée qui peut aider à diagnostiquer les problèmes
de la chaîne d'approvisionnement. Cependant, l'approche concrète de suivi et d'évaluation des
performances de la chaîne d'approvisionnement n'est qu'une manière d'envisager.
Nous classons l'incertitude dans la chaîne d'approvisionnement en fonction des différentes étapes.
Pour une certaine chaîne d'approvisionnement, nous la décomposons d'abord en différentes phases.
Pour une chaîne d'approvisionnement typique, elle comprend l'approvisionnement initial en matériel,
la fabrication, la distribution et le marché de consommation. Nous classons donc la littérature sur
l'incertitude dans la chaîne d'approvisionnement comme suitÿ: incertitude dans la demande, l'offre, la
fabrication et la distribution. Outre ces quatre types préliminaires d'incertitude, nous nous référons
également à d'autres types, qui sont détaillés dans un certain périmètre de la chaîne d'approvisionnement.
1.3.1 Incertitude d'approvisionnement
On peut définir l'offre sous deux aspects. L'un est, comme mentionné dans notre travail, dans la
première phase de la chaîne d'approvisionnement, la fourniture de matériaux, de pièces ou de produits
semi-finis aux fabricants. Ce type de fourniture est au sens étroit. L'autre peut être considéré comme
toutes sortes d'offres aux demandeurs dans n'importe quelle relation offre-demande. Tels que les
détaillants de biens aux clients finaux, le fournisseur d'un certain médicament à une clinique, les
grossistes aux distributeurs, sont tous du côté de l'approvisionnement.
Ce type de fourniture est au sens large. La littérature sur l'offre incertaine se concentre principalement
sur l'offre au sens large. La plupart des recherches sur l'incertitude de l'approvisionnement portent
sur l'étude de l'impact de l'incertitude de l'approvisionnement sur la performance des organisations
(Boonyathan et Power, 2007ÿ; Deo et Corbett, 2010). Dans les recherches de Boonyathan & Power
(2007), les résultats de l'analyse d'une enquête sur deux types d'industries, l'organisation des produits
et l'organisation des services, montrent que dans les deux industries, l'incertitude de l'offre est un
déterminant plus important de la performance que l'incertitude de la demande. L'influence de l'offre
incertaine et de la demande incertaine sur la performance de la chaîne d'approvisionnement est
comparée. L'implication est de faire en sorte que le responsable de la chaîne d'approvisionnement
décide de se concentrer sur quelle section de la chaîne d'approvisionnement.
De plus, la prise de décision en cas d'approvisionnement incertain est également étudiée. Anupindi
& Akella (1993) ont suggéré une stratégie d'approvisionnement différente pour l'approvisionnement en matériaux. Ils
32
traiter la question opérationnelle de l'allocation des quantités entre deux fournisseurs incertains
et ses effets sur les politiques d'inventaire de l'acheteur. En fonction du type de contrat de
livraison qu'un acheteur a avec les fournisseurs, ils proposent trois modèles pour le processus
d'approvisionnement. Sho et al. (2009) ont étudié trois scénarios de coordination des chaînes
d'approvisionnement et ont fait des propositions à partir de trois niveaux stratégiques différents,
le niveau opérationnel, le niveau de conception et le niveau stratégique. Dans l'incertitude de
l'approvisionnement et la concurrence de la chaîne d'approvisionnement, il existe différentes
décisions d'optimisation de la quantité de commande dans différents scénarios. Ils ont traité
l'approvisionnement incertain comme une valeur quantifiée. La décision d'allocation des
ressources rares en cas d'approvisionnement incertain a été étudiée par Deo & Corbett (2010).
Leur modèle de cliniques est discuté pour s'appliquer à d'autres décisions d'allocation de ressources intertemporelles.
Du point de vue de la chaîne d'approvisionnement, Wilding et al. (1998) ont démontré que
l'incertitude de l'approvisionnement interne peut être générée à partir d'interactions parallèles
lorsque des membres d'un même niveau interagissent en raison d'une rupture d'approvisionnement.
Lee et al. (1997); Sterman (1989); Towill et al. (1992) ont également trouvé que l'approvisionnement
est incertain en raison de la performance du fournisseur. Il y aura une réaction en chaîne
d'approvisionnement incertain à l'ensemble de la chaîne d'approvisionnement. Cependant,
lorsque nous analysons l'impact d'un approvisionnement incertain, il est intuitif d'observer son
influence directe sur ses entreprises en aval. Il n'y a pas non plus peu d'études sur l'impact d'un
approvisionnement incertain sur l'ensemble de la chaîne d'approvisionnement. Par conséquent,
nous pouvons conclure que la recherche de l'offre incertaine doit se concentrer sur la première
dénotation de l'offre que nous avons mentionnée ci-dessus. Notre travail sur l'incertitude dans la
fabrication et le rendement incertain dans le problème du vendeur de journaux, que nous introduisons dans des section
Ainsi, pour l'offre au sens large, on ne peut discuter uniformément son im
pacte, sa cause et la méthode pour y faire face. Les problèmes concrets doivent être traités
différemment. Par exemple, pour l'approvisionnement d'un supermarché, les fournisseurs sont
des distributeurs, ou une usine avec approvisionnement direct. Un approvisionnement incertain
manifeste la quantité, la qualité et le délai de livraison des marchandises. La cause de l'incertitude
peut être différente, telle qu'une erreur du fournisseur, une catastrophe naturelle dans le
transport, un retard du fournisseur de niveau supérieur, un manque de biens, etc. Alors que pour
un grossiste, dont le fournisseur est toujours le fabricant, l'incertitude de l'approvisionnement
est principalement causée par problèmes de procédure de fabrication. Pour l'incertitude dans la fabrication, nous en dis
Pour l'approvisionnement au sens étroit, son impact direct affecte la planification des
produits du fabricant. La cause préliminaire est le manque de ressources. Le meilleur moyen de
33
réduire cette source, c'est trouver une substitution à une ressource rare. Une autre cause est
concurrence sur le marché des ressources. Le traitement général consiste à conserver un

certain niveau d'inventaire et un contrat rentable avec les fournisseurs et les adversaires.
1.3.2 Incertitude de la demande

Bien que Boonyathan & Power (2007) déclarent que l'incertitude de l'offre est un déterminant
plus important de la performance que l'incertitude de la demande d'après les résultats de
l'enquête dans les industries de produits et de services. Du point de vue du SCM, il est facile
de constater que l'incertitude de la demande est plus difficile à traiter que l'incertitude de
l'offre. Dans la chaîne d'approvisionnement, la demande est le marché, qui est dynamique et
ne peut être contrôlé.
1.3.2.1 Facteurs provoquant l'incertitude de la demande
Semblable à l'offre, nous avons également différentes définitions de la demande. Afin d'éviter
une analyse redondante comme dans la section précédente de l'offre incertaine, nous
aimerions définir directement la demande comme la demande sur le marché de consommation.
Les incertitudes de la demande sont principalement des oscillations et des pointes de la
demande. Parce que le marché est dynamique, l'incertitude est une caractéristique inhérente
à la demande. Un thème commun dans la littérature est que les fluctuations de la demande
interne sont la principale source d'incertitude dans les chaînes d'approvisionnement (Mason-Jones & Towill, 1998 ; Taylor
Le consommateur est le principal facteur de fluctuation de la demande. Les besoins des
consommateurs, le désir et l'anticipation de la consommation, la valeur de la consommation,
la tendance, la croyance dans la production, le mode de consommation, ainsi que le degré
d'infection entre les consommateurs peuvent tous influencer la quantité de consommation.
Un autre facteur ayant une incidence sur la demande est l'environnement externe, tel que la
politique, la publicité, le degré de précision de la recherche d'informations, la production et
son cycle de vie, etc.
1.3.2.2 Impact de l'incertitude de la demande sur la chaîne d'approvisionnement
Les incertitudes de la demande affectent facilement le niveau des stocks des entreprises en
amont de la chaîne d'approvisionnement, l'approvisionnement en matières premières, les
fabricants, les détaillants, etc. Certaines recherches vérifient que l'impact de l'incertitude de
la demande sur le détaillant est plus important que sur le fabricant. En raison de l'incertitude de la demande et de l'impréci
34
informations asymétriques, il existe un phénomène très universel appelé "Bullwhip
Effet », qui entraîne des conséquences difficiles et mesurables d'un service client médiocre
niveau. Pendant ce temps, ce phénomène se détériore dans le processus de diffusion.
La distance de diffusion est plus longue, l'augmentation de l'incertitude augmente. Entre les deux
extrémités d'une chaîne d'approvisionnement, la matière et le consommateur,
l'écart est le plus grand.
1.3.2.3 Méthodes conventionnelles pour faire face à l'incertitude de la demande
Comme il est si urgent de gérer les incertitudes de la demande, de nombreux chercheurs l'ont
envisagé dans le SCM. Dans la littérature, les méthodes classiques d'estimation de la demande et
le contrôle des stocks sont les plus discutés (Campuzano et al., 2010 ; Choi et al., 2005 ;
Kevork, 2010; Reiner & Fichtinger, 2009ÿ; Strijbosch & Maures, 2006). Néanmoins, le principal
inconvénient des méthodes traditionnelles est qu'elles se concentrent dans
une petite marge d'optimisation. Bien que la fabrication sur commande et la manière de répondre à la
demande soient supérieures au processus de masse, pour de nombreux produits, comme les biens de consommation courante,
leur quantité de demande change dynamiquement, le meilleur moyen est toujours la production de masse
et garder un inventaire suffisant. Dans ce cas, un entrepôt est nécessaire et la production
la quantité ne peut être déterminée qu'en fonction d'une valeur prévisionnelle.
En pratique, la planification de la production est généralement faite en fonction de la demande
de coulée. David & Peter (1994) ont démontré l'importance d'une bonne prévision
dans un système de production/distribution multi-produits/multi-usines. L'importance
de la prévision de la demande se reflète également dans d'autres problèmes sociaux, comme l'infrastructure
investissements, tels que le système de transport, la salle de concert, les stades, les musées, les
centres d'exposition, etc. Tous ces projets sont exécutés sur un schéma de planification, dans lequel
la prévision de la demande est nécessaire. Il y a eu d'immenses recherches contribuées
au développement de la prévision de la demande. De nombreuses méthodes efficaces de prévision
de la demande ont été proposées, enquête sur les intentions des acheteurs, méthode Delphi, avis
d'experts, modèles de lissage, méthodes de séries chronologiques, approche de jugement, etc.
La prévision est difficile à maîtriser (Ascher, 1979). Les prévisions de la demande sont restées très
imprécises pendant des décennies (Ascher, 1979ÿ; Flyvbjerg, 2005ÿ; Flyvbjerg et al.,
2005). Flyvbjerg (2008) a déclaré que malgré toutes les allégations d'amélioration des prévisions
modèles, de meilleures données, etc., aucune amélioration de la précision des prévisions ne semble avoir
eu lieu. Dans la recherche sur le « bullwhip » de Chen et al. (2000), la demande de moulage est
considérée comme l'un des deux facteurs les plus importants à l'origine du "coup de fouet"
35
effet. Le degré de précision des prévisions dépend non seulement du choix du modèle de prévision
et de la qualité des données collectées, mais également d'autres facteurs, tels que l'action
psychologique des prévisionnistes, les biais induits par l'impact politico-économique, les fausses
déclarations stratégiques, etc. La prévision de classe de référence décrite par Flyvbjerg (2008)
semble avoir pris en compte des facteurs plus pratiques des prévisionnistes que la méthode de
prévision conventionnelle. Mais nous pouvons voir que la vue extérieure de la situation est en fait
un autre sujet d'action, différent dans les problèmes. Certains autres types de prévisions combinées
sont supérieurs à la méthode unique pour améliorer la précision (Bates & Granger, 1969 ; Granger &
Ramanathan, 1984 ; Mahmoud, 1984).
D'autres experts (Collopy & Armstrong, 1992) ont montré que les prévisions basées sur des règles
produisent des résultats plus précis que les prévisions combinées. Nous pouvons conclure
qu'aucune méthode de prévision développée n'est générale à tous les problèmes. La tendance est
d'en choisir un optimal. C'est aussi la stratégie de nombreux cabinets de conseil en prospective.
Kimball (1988) a décrit la mécanique d'une seule étape qui applique une politique de stock de
base face à une demande aléatoire mais limitée. Graves et Willems (2003) ont examiné le déploiement
de l'inventaire comme stock de sécurité pour faire face à l'incertitude de la demande . Yano & Robert
(1987) ont utilisé le stock de sécurité comme protection contre les variations de la demande. Bien
qu'il maintienne des niveaux souhaitables de service à la clientèle, la reprogrammation du système
de planification des besoins en matériaux peut avoir un impact sur le stock de sécurité. Ils ont
indiqué que le stock de sécurité peut changer lors de la reprogrammation du système et que
l'augmentation du stock de sécurité peut en fait entraîner une dégradation des performances lorsque
la reprogrammation est fréquente. Sridharan et Lawrence LaForge (1989) ont indiqué qu'une approche
suggérée dans la littérature pour réduire l'instabilité du calendrier consiste à introduire un stock de
sécurité au niveau du programme directeur de production (MPS) pour agir comme un tampon contre
les différences entre les besoins réels et prévus. La performance du système est sensible à la
quantité de stock de sécurité. Par rapport à l'alternative sans stock de sécurité, une petite quantité
de stock de sécurité a amélioré la stabilité du calendrier. Cependant, de nouvelles augmentations du
niveau de stock de sécurité entraînent souvent une augmentation de l'instabilité du calendrier et une
pénalité de coût plus élevée. Déterminer les stocks appropriés dans les systèmes stochastiques de
production/distribution multi-états est une tâche très difficile (Inderfurth, 2002).
L'algorithme de programmation dynamique pour résoudre le problème d'optimisation du stock de
sécurité a été développé par Inderfurth (2002). De plus, l'incertitude dans la chaîne d'approvisionnement
peut également avoir un impact sur la détermination du stock de sécurité. L'effet conjoint du délai d'approvisionnement et
36
les incertitudes de la demande, ainsi que l'effet de l'allocation des « parts équitables », sur les
stocks de sécurité sont étudiés par Schwarz (2000). Kelle & Silver (1990) ont déclaré que la
quantité de stock de sécurité nécessaire dépend, entre autres facteurs, de la valeur moyenne et
de la variabilité de la durée du délai de réapprovisionnement. En raison du coût supplémentaire
du stock, les gestionnaires sont toujours préférables à la réduction du stock de sécurité sous
prétexte de garantie pour répondre aux besoins des clients. Kelle & Silver (1990) ont utilisé une
stratégie de fractionnement des commandes pour réduire les stocks de sécurité. Outre la
détermination des quantités de stock de sécurité, un autre problème central est le placement du
stock de sécurité (Graves & Willems, 2000, 2003).
Il existe une relation étroite entre les deux stratégies communes. D'une part, dans la plupart
des cas, les deux interagissent et peuvent avoir un impact l'un sur l'autre. Sridharan & Lawrence
LaForge (1989) suggèrent que les efforts visant à réduire les coûts de configuration et à
améliorer la précision des prévisions peuvent être des alternatives utiles à l'augmentation du
stock de sécurité pour faire face au problème d'instabilité des horaires. D'autre part, la décision
du montant du stock de sécurité est toujours basée sur la prévision de la demande (David &
Peter, 1994; Eppen & Martin, 1988). David & Peter (1994) ont analysé les niveaux de stock de
sécurité pour un système de production/distribution multi-produits/multi-usines avec une

demande stochastique saisonnière basée sur la prévision de la demande.
La prévision de la demande et la stratégie de stock de sécurité sont toutes deux des
stratégies d'anticipation. Cependant, les choses continuent toujours dans une voie différente
du plan. Le contrôle en action est nécessaire dans la pratique. Ces dernières années, les
stratégies de robustesse et de flexibilité sont devenues incontournables. Certains chercheurs
ont tenté de constituer une chaîne d'approvisionnement robuste pour la rendre insensible aux
incertitudes de la demande. Cependant, la plupart d'entre eux ne sont qu'une idée fantastique et
difficile à réaliser. Des systèmes flexibles et agiles ont également été beaucoup essayés pour
améliorer la capacité à faire face aux incertitudes de la demande. Barad & Even (2003) ont
considéré la flexibilité comme la capacité du système de fabrication à faire face aux variations
internes et externes avec une compétence concurrentielle élevée et une rentabilité économique
élevée. Swaford et al. (2008) ont présenté une approche pour atteindre l'agilité de la chaîne
d'approvisionnement grâce à l'intégration et à la flexibilité des TI. À leur avis, la flexibilité de la
chaîne d'approvisionnement représente les capacités opérationnelles au sein des fonctions de
la chaîne d'approvisionnement et l'agilité de la chaîne d'approvisionnement représente la vitesse

de la chaîne d'approvisionnement globale à s'adapter d'une manière plus réactive au client.
Tang (2006) a envisagé dans sa recherche des stratégies robustes pour atténuer les risques opérationnels et de pertur
37
1.3.3 Incertitude dans la fabrication

Différent d'un environnement externe incertain comme l'incertitude de la demande, les liens
incertains dans la fabrication sont des incertitudes internes, qui sont causées par le personnel,
machines ou d'autres éléments internes. Par rapport aux liens externes incertains, les liens
internes sont plutôt plus dépendants des structures et de la planification
horaires de l'entreprise ou de l'usine. Bien que le concept intuitif d'interne

les incertitudes semblent plus faciles à résoudre que celles des incertitudes externes, les
perturbations de l'incertitude dans la fabrication interrompent souvent le processus de fabrication d'un produit
ou encore plus de produits connexes, ce qui entraîne par conséquent plus de délais et retarde
par conséquent le délai de livraison. Incertitudes dans le processus de fabrication principalement
comprennent (Barad & Even, 2003) : panne de machine ; problèmes de personnel/d'opérateurÿ;

commandes imprévuesÿ; annulation ou modification de commandes existantesÿ; Tôt ou tard
arrivée des matières premières; modification des dates de sortie et d'échéanceÿ; l'incertitude dans le
durée de traitement des activités.
1.3.3.1 Complexité du maintien de la stabilité et de la flexibilité dans le système de fabrication

moderne
Développement rapide des technologies, compétitions mondiales, variation des clients
tendances et un temps de cycle de produit plus court sont les principaux facteurs ayant une
incidence sur l'environnement externe des entreprises de fabrication. Disponibilité du matériel, du personnel et
les machines sont les bases pour maintenir les opérations de production. De plus, le système
de fabrication devient plus complexe avec le développement de la technologie et
le besoin multifonctionnel des produits. À l'heure actuelle, la complexité croissante est l'une
des caractéristiques les plus significatives de la fabrication, qui ne se manifeste pas
seulement dans le système de fabrication, mais aussi dans les produits à fabriquer, dans
les processus et les structures de l'entreprise (Wiendahl & Scholtissek, 1994). Pour
nos connaissances, plus le système est complexe, moins il est stable, c'est-à-dire qu'il est plus
difficile de maintenir la stabilité du système. La stabilité est directement liée à la continuité et
efficacité de la production. Une stabilité élevée peut réduire l'incertitude de la fabrication
système du point de vue des performances du système. Même pour un système de fabrication avec
bonne performance, il peut être perturbé par une incertitude externe. Comme une variation de
produits, nous avons besoin d'un système de fabrication robuste et flexible. Le système de
fabrication flexible (FMS) a émergé exactement dans le contexte de la diversification des produits.
38
Cependant, le FMS a une structure plus compliquée que le système de fabrication conventionnel. Par
conséquent, FMS est généralement avec une stabilité inférieure. Nous pouvons observer
qu'il n'est pas facile de réduire simultanément les incertitudes externes et internes.
Nous devrions faire face à une incertitude différente avec une stratégie différente.
1.3.3.2 Système de fabrication avancé
Du point de vue de SCM, compte tenu de la réalisation de la méthode de fabrication la plus efficace et
de la réponse à la dynamique de production causée par la perturbation de
incertitude, il existe des stratégies et des concepts prometteurs pour rendre la production
adaptable au marché de consommation, comme la fabrication axée sur la demande, Kanban
système, production allégée, etc. Les systèmes idéaux, tels que la planification des besoins en
matériaux (MRP), la planification des ressources de fabrication (MRPII) et l'entreprise
la planification des ressources (ERP) sont recommandées pour obtenir le maximum d'efficacité des ressources
des entreprises et de réaliser la minimisation des coûts et le délai d'exécution le plus court de
fabrication. Le MRPII est axé sur la gestion des ressources humaines, du patrimoine
et équipement au sein de l'entreprise. C'est une faiblesse de la forte concurrence actuelle. L'entreprise
moderne de fabrication repose sur la supériorité de la technique et
coopération entre les fournisseurs, les clients et les distributeurs dans le cadre d'une offre complète
chaîne. Par conséquent, le MRPII traditionnel n'est pas satisfait dans cet environnement. Basé
sur MRP, MRPII, ERP, lean production (LP), fabrication intégrée par ordinateur
système (CIMS), la fabrication agile et certaines autres théories de gestion sont
développé. De plus, grâce aux technologies de fabrication avancées (AMT),
tels que le système de fabrication flexible (FMS), la commande numérique par ordinateur (CNC),
conception assistée par ordinateur (CAO), fabrication assistée par ordinateur (FAO), etc., la production
est plus efficace. La technologie Internet développée rapidement, mécanique
la technique d'ingénierie, la technique électronique et la technique automatique contribuent toutes
beaucoup à la fabrication moderne. Le faible niveau de ces équipements
et les machines sont toutes pour aider à réaliser la stratégie et la décision de haut niveau. Ils
sont la base de la réalisation de la théorie avancée dans la fabrication.
Cependant, aucune de ces théories existantes ci-dessus ne tient compte des incertitudes dans la pro
cession de fabrication. Ces années, de nombreux universitaires et chercheurs ont payé
attention aux incertitudes de fabrication. Les incertitudes normales, externes
retard d'approvisionnement, retard d'approvisionnement interne, dépassement du temps de préparation prévu,
pannes de machine, indisponibilité de la main-d'œuvre, indisponibilité de l'outillage, demande d'agrandissement de la taille du lot
39
et les changements de conception du client, ont été discutés par Koh & Saad (2003). Ils ont
utilisé les pièces livrées en retard (PDL) et les produits finis livrés en retard (FPDL) comme
critères de performance de livraison de l'environnement de fabrication contrôlé par MRP, et
démontrent le degré d'influence des incertitudes identifiées par des expériences de simulation.
Ils ont suggéré aux entreprises de mettre en œuvre l'utilisation optimale du tampon ou de la
marge. Toujours dans le domaine de la fabrication contrôlée par MRP, Minifie & Robert (1990)
ont développé un modèle de simulation dynamique de système de fabrication contrôlé par MRP
pour étudier les effets d'interaction des incertitudes de la demande et de l'offre. Brenan et al.
(1994) ont examiné les performances d'un environnement de fabrication contrôlé par MRP dans
des conditions d'incertitude de la demande et des délais. Kanet & Sridharan (1998) ont examiné
la livraison tardive des matières premières, les variations des délais de traitement, les temps
de déplacement entre opérations et les temps d'attente dans la file d'attente dans un
environnement de fabrication contrôlé par MRP. On peut conclure que dans le domaine de
l'exploration des incertitudes dans l'environnement de fabrication contrôlé par MRP, la
modélisation par simulation semble être la méthodologie de recherche la plus couramment utilisée.
1.3.3.3 Recherche au niveau stratégique pour tenir compte de l'incertitude dans le système de
fabrication
Presque toutes les entreprises manufacturières doivent se préparer à deux types de business
model : production en lots, multi-produits et petites séries. La variété de la production décide
de la complexité de la structure, et par conséquent induit l'instabilité du système de production.
Burns et Stalker (2009) ont postulé qu'à mesure que l'environnement d'une entreprise devient
plus complexe et/ou imprévisible, une structure plus organique est nécessaire. Ainsi, les
entreprises dans des environnements relativement certains et prévisibles auraient une structure
mécaniste avec une plus grande subdivision des tâches et des emplois plus simples. En
revanche, les entreprises dans des environnements incertains et imprévisibles auraient
des structures plus organiques, avec moins de spécialisation et des métiers plus complexes.
Notre première tâche est d'augmenter la stabilité du système, puis la flexibilité pour faire
face aux différentes incertitudes émergeant dans le processus de production. La flexibilité est
considérée comme une construction multidimensionnelle. Pagell & Krause (1999) se sont
concentrés sur les trois types de flexibilité suivants : la gamme de produits, l'introduction de
nouveaux produits et la modification. En ce qui concerne la flexibilité de la production, il existe
des points de vue différents. En général, de nombreux chercheurs ont estimé qu'il existe une évidence
40
relation entre le niveau de flexibilité, les incertitudes environnementales et la performance
mance de l'entreprise. Comme Gerwin (1993), suggère que les fabricants qui
sont confrontés à des environnements de plus en plus incertains répondent souvent par une op
flexibilité opérationnelle; et Swamidass & Newell (1987), suggèrent que les augmentations
la flexibilité de fabrication conduit à des augmentations de la performance de l'entreprise. La flexibilité est souvent
examinés au niveau stratégique pour aider les gestionnaires à prendre des décisions. Pagell et Krause
(1999) ont discuté de la relation entre la flexibilité au niveau opérationnel et
les incertitudes environnementales. Ils ont conclu à un résultat tout à fait différent grâce à
une enquête postale auprès des fabricants nord-américainsÿ: aucune relation n'a été trouvée
entre les mesures d'incertitude environnementale et de flexibilité opérationnelle ; non
relation a été trouvée entre la performance d'une entreprise et ses efforts pour aligner
niveau de flexibilité opérationnelle avec son environnement externe. Toutes ces méthodologies
Les gies travaillent à faire face à l'environnement externe incertain. C'est comme
l'incertitude de la demande, que nous avons traitée dans les chapitres précédents. Ici, nous
visent à résoudre les incertitudes de l'entreprise elle-même, les incertitudes de fabrication,
qui est considérée comme l'incertitude interne. Malgré les résultats discutés
dans le passé, nous croyons qu'il existe une relation entre l'incertitude interne de
fabrication, la flexibilité opérationnelle et la performance de l'entreprise.
La flexibilité est considérée comme un moyen pour les organisations de fabrication de s'adapter à uncer
certains environnements externes (Pagell & Krause, 1999). Swamidass et Newell (1987)
ont noté que les augmentations de flexibilité étaient généralement liées à des performances accrues.
De plus, ils ont conclu qu'une façon de faire face à l'augmentation de l'incertitude environnementale
consiste à accroître la flexibilité de la fabrication. Gerwin (1993) a présenté
un modèle qui postule que l'incertitude environnementale conduit à une stratégie de fabrication
egy et donc les exigences de flexibilité du système. L'inconvénient structurel
la théorie de la tingence rend la mesure des incertitudes et des flexibilités plus
important. Les décideurs emploient souvent des stratégies différentes selon
leur perception de l'environnement. Quant à la mesure de l'environnement,
Duncan et al. (1972) ont proposé six items perceptuels à l'évaluation environnementale
tainties, telles que les utilisateurs réels des produits de l'entreprise, les concurrents de l'approvisionnement en matières premières
matériaux, concurrents des clients, réglementation gouvernementale, etc.
41
1.3.3.4 Recherche au niveau opérationnel pour tenir compte de l'incertitude dans le système de
fabrication
Outre la recherche de l'incertitude au niveau stratégique, il existe également des études sur
niveau opérationnel pour faire face à l'incertitude. Au début des années 90 au siècle dernier, l'ap
des approches pour gérer les changements et les incertitudes dans la fabrication ont émergé.
Kádár & Monostori (1998) ont proposé un système de type holonique multi-agent distribué
tem et on espère atteindre un comportement dynamique grâce à une autonomie accrue
d'agents dans des conditions changeantes dynamiques. Une approche à horizon glissant était pro
posées par Tolio & Urgo (2007), qui ont appliqué un programme stochastique en deux étapes
méthode de ming contre la survenance de multiples événements incertains, et la nécessité
des ressources a été modélisée à l'aide d'une formulation basée sur des scénarios. Il est conclu
par de nombreux chercheurs que l'effet des incertitudes peut être réduit grâce à la
réordonnancement du planning ou des commandes, ou adouci par les changements de MRP pa
des paramètres tels que le stock de sécurité, le délai de sécurité, le délai prévu, le dimensionnement des lots
règles, gel ou horizon de planification. Morel et al. (2003) ont proposé un modèle utilisant
le principe du Holonic Manufacturing System. Vandaele & De Boeck (2003)
développé un logiciel dédié au réglage de haut niveau sous entrée et sortie un
certitudes. L'objectif est de trouver un délai réduit, un dimensionnement optimal des lots et la
niveaux d'utilisation du système afin de garantir un haut niveau de service à la clientèle.
Koh & Saad (2003) ont présenté un modèle économique pour diagnostiquer les causes sous-jacentes
d'incertitudes. Une autre approche qui apparaît est l'utilisation du modèle flou pour traiter
avec des incertitudes. C'est ainsi que Mula et al. (2006) ont travaillé à la fois sur la demande et
incertitudes sur les délais. Grabot et al. (2005) ont traité de l'incertitude de la demande pour
un système multi-produits et multi-niveaux.
On peut résumer brièvement que pour faire face à l'incertitude dans la fabrication
système de gestion, la stratégie prometteuse est d'abord de planifier à l'avance, puis de contrôler
Actions. Un mode de fabrication avancé doit être appliqué, pour conserver d'excellents
coopération avec toutes les parties dans les entreprises. Pour le détail opérationnel, dans le pur pro
production, les plans de production et la procédure technologique jouent un rôle important,
soit dans les aspects de réduction de l'incertitude et d'augmentation de l'efficacité de la production.
42
1.3.4 Incertitude de distribution

La distribution dans la chaîne d'approvisionnement est un processus multi-acteurs. Ce personnage
teristic apporte une forte incertitude. Les problèmes dans le processus de distribution n'affecteront pas
seulement l'activité de distribution elle-même, mais réduiront également les performances de la chaîne
d'approvisionnement, et peuvent même interrompre le fonctionnement de la chaîne d'approvisionnement.
Avant de discuter de l'incertitude dans la distribution, nous la décomposons en détail pour mieux
reconnaître la procédure de distribution. Il comprend deux grandes parties : la manutention et le transport.
La manutention est la procédure de prélèvement, de chargement et de déchargement des marchandises, entre l'usine
ou des véhicules d'entreposage et de transport. On voit que la manutention est une procédure interne,
qui peut être mieux maîtrisée par rapport à une procédure externe, le transport. Le transport peut être
influencé par de nombreux facteurs externes, comme la météo, les conditions de circulation. L'incertitude
de l'environnement extérieur est difficile à gérer et intéresse toujours davantage les chercheurs.
1.3.4.1 Priorités de recherche sur l'incertitude dans la distribution
L'incertitude dans la distribution se concentre principalement sur les retards de livraison (Ray et al.,
2005 ; Weng & McClurg, 2003) et la fréquence de livraison (Frey & Rhodes, 1998 ; Lalwani et al., 2006). Il
est intéressant de constater que le délai de livraison incertain est toujours considéré avec une demande
incertaine en littérature. L'efficacité de la coordination fournisseur-acheteur pour faire face à l'incertitude
des délais de livraison et de la demande a été discutée par Ray et al. (2005); Weng & McClurg (2003). Ray
et al. (2005) ont discuté de la prise de décision de la chaîne d'approvisionnement affectée par la
caractéristique de l'entreprise, l'incertitude de la demande et la variabilité des délais de livraison. Lalwani
et al. (2006) ont constaté que l'impact des incertitudes associées aux coûts de stockage et aux fréquences
de livraison au réseau de distribution est plus important que celui des facteurs intuitifs, des changements
de volume de clients et des tarifs de transport. Les effets de différentes incertitudes sur la date de
livraison ont été discutés par Koh & Saad (2003).
D'après les résultats de l'examen de la littérature, nous observons que la recherche sur l'incertitude
dans la distribution n'est pas trop. Comme mentionné ci-dessus, nous décomposons la procédure de
distribution en manutention et transport. Nous pouvons analyser l'incertitude dans la distribution à partir
de ces deux aspects respectivement.
Incertitude dans le traitement des origines du processus à partir des sources suivantesÿ:
43
• Caractéristique des engins de manutention. Le matériel de manutention est toujours avec
certaine fiabilité. Pour certains équipements de manutention surdimensionnés ou en surpoids,
un démontage est nécessaire, ce qui peut avoir un impact sur l'efficacité de la manutention.
• Environnement de travail. En raison des attributs de transmission de handling pro
cédure, il n'y a toujours pas assez d'espace pour exécuter la manipulation. Cela nécessite
plan de manutention prévu avant exécution, pour coordonner les ouvriers sur les différents
engins de manutention. Une efficacité de manipulation élevée nécessite une manipulation en douceur
canal, y compris le bon état des routes et suffisamment d'espace de travail.
Nous pouvons spécifier l'incertitude dans le processus de manipulation dans la portée de l'équipement et
planification des installations. A notre connaissance, il n'existe aucune recherche à ce sujet. Le
raison principale est probablement qu'il est biaisé en faveur de l'application pratique, comme
que la planification des trajectoires de manutention en usine. Il n'en faut donc pas beaucoup
recherche en recherche théorique.
1.3.4.2 Recherche d'incertitude dans le système de transport
L'incertitude dans le système de transport pour les déplacements des personnes, par exemple, la
planification métropolitaine, a récemment reçu une certaine attention (Krishnamurthy & Kockelman, 2003 ;
Mahmasani, 1984ÿ; Pradhan & Maria Kockelman, 2002), se concentre principalement sur la prise en
compte de l'incertitude de la demande de déplacements, des entrées et paramètres des modèles, de
l'environnement politique et technique. Différent du transport pour les déplacements des personnes,
la planification du transport dans la chaîne d'approvisionnement doit toujours tenir compte de
l'incertitude dans la procédure de planification du trajet. Pour la planification du routage de distribution, il existe deux types
des modèles largement utilisés, le problème du voyageur de commerce (TSP) et le routage de véhicules
Problème (VRP). L'incertitude est prise en compte dans la planification du routage avec les deux
modèles (Alfa, 1987 ; Laporte et al., 1992). Comme la quantité de la demande, le plus largement
L'approche utilisée pour traiter l'incertitude du temps de distribution est basée sur la représentation
de la distribution de probabilité pour celui-ci (Fu, 2002 ; Gendreau et al., 1996 ; Haghani
& Jung, 2005).
Les sources d'incertitude dans la planification des voies de distribution comprennent
principalement : l'incertitude des véhicules, l'incertitude des itinéraires et l'incertitude des clients. Il y a des
recherche traitant l'incertitude de ces aspects. L'incertitude des véhicules fait référence
à l'état incertain du véhicule, comme les pannes et les accidents de la circulation. Dans une série
de recherche de Li et al. (2007), ils ont contribué au problème de rééchelonnement avec
44
perturbation de la panne des véhicules. Mu et al. (2010) ont proposé une nouvelle classe de
VRP, VRP perturbé, et utilisant deux algorithmes pour générer de nouvelles routes pour le plan
VRP perturbé. La situation des itinéraires contribue beaucoup au temps de déplacement. Par
exemple, lorsqu'un véhicule s'enfonce dans un embouteillage, tous les horaires suivants
peuvent être influencés. Même le temps différé ne peut pas être prévu. Itinéraires affectés par
les conditions météorologiques comme par temps de brouillard ou de pluie, la vitesse de
déplacement peut ralentir. Un calendrier ré-optimisé a été proposé par Xi ang et al. (2008).
Huisman et al. (2004) ont proposé une approche de planification dynamique des véhicules afin
d'éviter les départs tardifs dans des environnements caractérisés par des embouteillages
importants. Fu (2002) a fait face à la congestion du trafic dans le dial-a-ride . Bien que nous nous
attendions à ce que tous les clients continuent selon la réservation, il y a toujours des cas
inévitables où la demande change. Tels que l'absence de clients, l'annulation de demandes,
l'arrivée de nouvelles demandes, etc. Parfois, l'emplacement et la taille d'une commande client
ne sont pas connus de manière déterministe jusqu'à l'arrivée du véhicule. Le VRP dynamique
pour couvrir toutes les commandes a été résolu par Chen & Xu (2006), en utilisant un algorithme
de génération de colonne dynamique. La demande aléatoire a été prise en compte dans le VRP stochastique (Gendreau
1.3.5 Autres types d'incertitude

Outre les quatre principaux types d'incertitudes dont nous avons parlé ci-dessus, il en existe
d'autres types étudiés et définis dans la littératureÿ:
• L'incertitude en logistique a été étudiée par Yu & Li (2000). Dans leur travail, la lourde
charge de calcul de la programmation stochastique conventionnelle (Mulvey &
Ruszczyÿski, 1995; Mulvey et al., 1995) pour l'étude de scénarios est résolue en ajoutant
des variables à la programmation linéaire. Bien qu'ils aient réduit la charge de calcul par
rapport aux méthodes précédentes pour le même type de problème, la limitation de leur
méthode est évidente que la recherche basée sur des scénarios dépend trop des
paramètres dans les scénarios et de l'application du modèle linéaire.
• Incertitude dans les relations avec la chaîne d'approvisionnement. Les chercheurs
s'accordent généralement à dire que l'incertitude est un moteur majeur de l'établissement
efficace de relations dans la chaîne d'approvisionnement. Williamson (1979) a clairement

indiqué lorsqu'il a classé les types de relations organisationnelles ainsi : « les trois
dimensions critiques pour caractériser les transactions sont : 1) l'incertitude, 2) la fréquence avec
45
quelles transactions se reproduisent, et 3) le degré auquel des investissements durables spécifiques aux
transactions sont encourus. De ces trois, l'incertitude est largement
reconnu comme un attribut critique ». L'importance des relations dans la chaîne d'approvisionnement a
été identifiée par Handfield et al. (1999) lorsqu'ils affirment que
"sans une base de relations organisationnelles efficaces dans la chaîne d'approvisionnement,
tout effort de gestion du flux d'informations ou de matériaux à travers le
la chaîne d'approvisionnement risque d'échouer ».
• Incertitude des risques liés à la chaîne d'approvisionnement. Le fonctionnement de la chaîne
d'approvisionnement est basé sur la coopération d'entreprise à entreprise. Il consiste en un partage d'informations et de ressources, au sein
où il y a un investissement dans un projet de chaîne d'approvisionnement. Pour tout type d'investissement,
il existe un certain risque. L'estimation du risque dans la chaîne d'approvisionnement est déjà un
domaine de recherche attrayant et important dans le SCM, en particulier dans la planification préliminaire
de la chaîne d'approvisionnement. Il fait référence à beaucoup de connaissances en économie
région. La prise de décision dans des conditions d'incertitude des risques de la chaîne d'approvisionnement est
d'une grande importance, mais il y a un manque d'enquêtes centrées sur les décisions d'investissement
dans la chaîne d'approvisionnement face à des niveaux élevés d'incertitude des risques
(Hult et al., 2010). Dans leur travail, différentes options réelles sont étudiées pour
projets liés à la chaîne d'approvisionnement présentant un risque élevé pour la chaîne d'approvisionnement.
• Incertitude de l'information. Le partage d'informations est considéré comme un rôle important dans la
réduction de l'incertitude de la demande dans la chaîne d'approvisionnement. Cependant, il y a
est aussi l'incertitude dans l'information. L'incertitude de l'information existe principalement
dans l'incomplétude, la distorsion et l'amplification de l'information. Le plus
phénomène de l'univers est celui des "silos d'information", c'est-à-dire le manque de réciprocité entre
systèmes d'information d'entreprise. Dans un contexte de concurrence, les entreprises sont
toujours fermé en ressources, tant en ressources matérielles qu'en ressources informationnelles.
La coopération entre entreprises est toujours limitée dans les métiers temporaires. Le partage de formation
est presque exécuté uniquement à l'intérieur de l'entreprise. Mauvais niveau
du partage de l'information est une cause majeure d'incertitude de l'information. Une autre
Le facteur induisant une information incertaine est la manière de transférer l'information. Dans
chaîne d'approvisionnement conventionnelle, les informations sont progressivement transférées,
des entreprises à faible flux aux entreprises en amont. L'effet "coup de fouet" est exactement causé par
asymétrie d'information dans cette transmission. Mode chaîne d'approvisionnement intégrée
46
est évidemment supérieur au mode conventionnel. Dans un système de chaîne d'approvisionnement intégré,
toutes les entreprises de la chaîne d'approvisionnement peuvent partager des informations sur la demande des consommateurs et
peut bénéficier de la capture d'informations plus précises plus tôt. Par conséquent, afin de réduire
l'incertitude de l'information, le mécanisme de coopération de la chaîne d'approvisionnement
et la technique de partage d'informations sont nécessaires.
• Incertitude des prévisions. La perte résultant de l'incertitude des prévisions est évidente. L'avenir est
toujours inconnu. Bien que de nombreux universitaires et chercheurs aient consacré beaucoup de
travail à la mise au point d'une méthode de prévision, qui
peut être vu de la littérature sur la prévision de la demande dans la section 1.3.2, il a
la caractéristique inhérente de l'incertitude. L'efficacité des prévisions est liée à
méthodes de prévision, et dépend également de l'horizon de prévision. Long terme
la prévision est avec une plus grande incertitude que la prévision à court terme causée
par un futur lointain (Al-Saba & El-Amin, 1999). Horizon de prévision des commandes
a été considéré comme le premier et principal groupe de sources d'incertitude par Vorst
et coll. (1998). La prévision est utilisée tout au long de la chaîne d'approvisionnement, de la prévision
de la demande à la prévision de la disponibilité de l'offre. De nombreuses décisions sont
fait sur la base des prévisions, par exemple, le niveau des stocks est basé sur les prévisions
du rendement de production, des délais et de la demandeÿ; la tarification est basée sur la prévision
de la part de marché, l'évaluation de la capacité des concurrents, le retour sur investissement
taux, inflation, etc. Al-Saba & El-Amin (1999) ont appliqué la méthode de
Réseau de neurones pour les prévisions à long terme, caractérisé par une grande
incertitude, pour obtenir des résultats précis. L'incertitude des prévisions est de plus en plus
prêté attention dans la recherche de SCM. Giordani & Söderlind (2003) ont étudié
l'incertitude de l'inflation signalée par les prévisionnistes individuels dans une enquête et
les résultats ont montré que les prévisionnistes sous-estiment l'incertitude relative à l'inflation.
• Incertitude des coûts. Les activités financières comptent beaucoup dans l'op de la chaîne d'approvisionnement
ration. Il existe différents types de coûts dans la chaîne d'approvisionnement, le coût des matériaux,
coût de production, coûts de stockage, coût de transport, taux de salaire, etc.
Même il y a des coûts marginaux à l'investissement. En raison de la diversification du mode de calcul
des coûts, le point de considération des coûts diffère en
entreprises. Comme sa complication renvoie à l'économie et à la spécialité, nous n'allons pas
consacrer beaucoup d'efforts à cet égard. Nous voudrions nous préoccuper de la recherche
de ce respectif qui est général dans SCM. Hartman (1972) a examiné
47
effets d'un prix à la production, de taux de salaire et de coûts d'investissement incertains
sur le volume d'investissement réalisé par une entreprise. L'effet évident des coûts de
stockage sur le réseau de distribution a été trouvé par Lalwani et al. (2006).
1.4 Conclusion
Le sens de la prise en compte de l'incertitude dans le SCM est affirmé par de nombreux chercheurs.
Il est évident que nous devons prêter attention à l'indisponibilité des ressources dans la chaîne
d'approvisionnement. Nous visons à obtenir une analyse complète de l'incertitude dans le SCM.
L'analyse de l'incertitude à différentes étapes de la chaîne d'approvisionnement couvrira presque
tous les cas potentiels. D'après l'examen de la littérature, nous pouvons constater que bien qu'il
existe d'immenses recherches sur l'incertitude dans la chaîne d'approvisionnement, il n'y a pas de
recherche systématique de SCM avec l'incertitude en considération.
La plupart des travaux dans la littérature se limitent à un champ de recherche étroit en se
concentrant sur l'étude de scénarios. Nous ne devons pas nier la fonction de l'étude de scénarios.
En fait, on constate que la planification de scénarios est une méthode efficace pour en savoir plus
sur l'avenir en comprenant la nature et l'impact des forces motrices les plus incertaines et les plus
importantes affectant le monde. Mais il n'est pas encore démontré la meilleure voie pour la recherche
de l'incertitude dans le SCM. Par conséquent, une autre stratégie doit être tentée. Les méthodes de
traitement des problèmes conviennent également à certains cas qu'elles concentrent. Dans notre
travail, nous visons à proposer une manière générale de résoudre l'incertitude dans la chaîne
d'approvisionnement. Cela aide les gestionnaires de la chaîne d'approvisionnement à tenir pleinement
compte de l'incertitude dans la procédure de prise de décision.
48
Chapitre 2
Faire face à une demande incertaine en

chaîne d'approvisionnement
La demande incertaine est l'un des types les plus importants d'incertitude dans l'offre
chaîne. Nous avons conclu au chapitre précédent que les deux méthodes traditionnelles préliminaires,
le stock de sécurité et l'estimation de la demande, ont l'inconvénient de
amélioration. Ces deux méthodes sont au niveau opérationnel pour traiter uncer
sale. Ils fonctionnent bien dans une certaine mesure. Différent d'eux, de stratégique
niveau nous proposons d'appliquer une approche intuitive et assez simple, le report
stratégie. Le report a été apprécié au cours des dernières décennies, principalement dans la période de
fabrication de la réalisation de la personnalisation de masse et du système découplé. Avec
stratégie de report, nous pourrions répondre à la demande avec une quantité différente de manière flexible.
Basé sur l'hypothèse d'une coopération idéale entre toutes les entreprises d'un même
chaîne d'approvisionnement, un modèle de programmation linéaire est généré, avec l'objectif de
satisfaire la demande des marchés de consommation tout en minimisant le coût d'approvisionnement. Grâce aux résultats
testé dans un exemple numérique, il est démontré qu'il est possible de programmer la procédure
d'approvisionnement dans la chaîne d'approvisionnement indépendamment de la quantité de la demande et de fournir différents
stratégie de réapprovisionnement pour le décideur.
2.1 Introduction de la stratégie de report

À l'origine, l'ajournement était connu sous le nom de personnalisation tardive ou de différenciation
retardée des produits, qui a été discuté pour la première fois par W. Alderson (1957) (Alderson (2006)).
Depuis lors, la stratégie de report a été appliquée dans de nombreuses industries, y compris
49
2. FAIRE FACE À UNE DEMANDE INCERTAINE DANS LA CHAÎNE D'APPROVISIONNEMENT
industrie de pointe, industrie alimentaire, industrie de l'habillement, etc. Il faut reconnaître que la
stratégie de report est une épée à double tranchant. Cela peut apporter des avantages à l'entreprise,
tels que la réduction des stocks, la mutualisation des risques, des prévisions précises. Pendant ce
temps, les inconvénients existent également, comme le coût élevé de conception et de fabrication
des composants communs, le coût de reconfiguration de la structure de la chaîne d'approvisionnement,
etc. Par conséquent, on peut affirmer que la stratégie de report ne convient pas à toutes les situations.
Cela dépend de la situation réelle. Il y a un compromis entre les coûts supplémentaires et les
avantages. Certains chercheurs ont également indiqué ce point.
Huang & Li (2008) ont suggéré aux entreprises de choisir la décision de report appropriée en fonction
de leur environnement commercial, décision statique ou décision dynamique, pour faire face aux
changements environnementaux externes. Bien que le report soit souvent utilisé par les fournisseurs,
il est également utilisé par les demandeurs. Graman (2010) impliquait un report de commande dans
une chaîne d'approvisionnement. Il a montré que le fabricant et le détaillant gagnaient lorsque la
commande était passée plus tard sous certaines conditions. De nombreux facteurs peuvent avoir un
impact sur les effets de l'application de la stratégie de report, le prix des produits, le coût de chaque
étape de la chaîne d'approvisionnement, l'emballage, l'assemblage, le coût des stocks, le niveau de
service, etc. Ma et al. (2002) ont constaté qu'un facteur clé pour les décisions de communité et de
report est l'interaction entre le temps de traitement et le responsable de l'approvisionnement en composants.

temps.
L'approche de l'ajournement est concrétisée en fonction du problème pratique par différents
auteurs, pour parvenir à faire face à des problèmes distincts. Graman (2010) a proposé un modèle de
coût de décision de report partiel et a démontré son application pour déterminer le niveau des stocks
de produits finis et la capacité de report. Le problème a été résolu en utilisant une programmation
non linéaire pour la mulation. Il a également illustré la relation et l'interaction entre les facteurs
connexes et les coûts prévus et la capacité de report. Zeng et al. (2006) ont développé une approche
systématique pour déterminer le moment optimal pour l'engagement des commandes par étapes,
avec des attributs de catégorisation et l'agrégation des processus pour réduire la complexité.
Le report s'est avéré être une méthode efficace pour traiter l'incertitude de la demande par
certains chercheurs. Cvsa & Gilbert (2002) ont proposé un modèle de chaîne d'approvisionnement à
deux niveaux pour démontrer qu'en dessous d'un seuil d'incertitude de la demande, le fournisseur
ainsi que les acheteurs peuvent bénéficier de l'offre d'opportunités d'achat précoces.
50
2.2 Report appliqué pour répondre à une demande incertaine dans l'approvisionnement
chaîne
contre report. Selon la définition de Graman (2010), alors que certaines parties des demandes sont
résolues par une stratégie de fabrication sur stock, une combinaison de cette stratégie
et le report est appelé report « partiel » ou « sur mesure ». Le partiel
La stratégie de report est une méthode flexible pour répondre à l'incertitude de la demande.
Dans le scénario où la demande est indépendante du temps et stochastique, Aviv & Federgruen (1999)
ont indiqué que les avantages du report étaient confinés en deux
facteurs, économies d'échelle statistiques et mutualisation des risques via des coussins communs.
Avant de tenter d'appliquer une stratégie de report, nous aimerions expliquer
sa signification clairement. Bien que l'ajournement soit similaire au retard, il est nécessaire
pour distinguer la différence entre eux. En fait, le terme "retard" est toujours
considérés comme préjudiciables, en particulier, le retard de production et le retard de transporta
tion. C'est exactement un type d'incertitude dans la chaîne d'approvisionnement. Sipahi & Délice (2010)
a proposé une équation différentielle pour analyser l'impact de trois types de retard sur
comportement d'inventaire et d'obtenir une politique de commande pour faire des variations d'inventaire
insensible aux effets néfastes du retard. Ici, le report est subjectif
stratégie, plutôt qu'un phénomène de retard objectif dans le processus de la chaîne d'approvisionnement.
2.2 Report appliqué pour adresse incertaine

demande dans la chaîne d'approvisionnement
Dans la plupart des cas, le sens conventionnel de la chaîne d'approvisionnement est en fait le réseau de la chaîne d'approvisionnement
travail. Chaque phrase dans la chaîne d'approvisionnement peut être constituée de plusieurs entreprises avec le
même fonction. La relation entre eux est la compétition et la coopération. Nous
peut affirmer que sous l'angle de la coopération, l'intégration doit être soulignée
pour le plan au niveau stratégique. Tandis que pour les décisions tactiques et opérationnelles
niveau, comme la manière concrète de la coopération et l'exécution de la stratégie, decom
poste est nécessaire. Dans notre travail, nous nous concentrons sur la répartition de l'offre. Il est évident
cette décomposition de la chaîne d'approvisionnement est nécessaire lors du calcul. Basé sur ceci
concept, nous transférons le problème de planification de la complexité du réseau de la chaîne d'approvisionnement
dans la résolution de plusieurs sous-systèmes (Zheng & Mesghouni, 2011a,b)
51
2.2.1 Décomposition de la chaîne d'approvisionnement
Nous nous concentrons sur une chaîne d'approvisionnement normale dans l'industrie manufacturière modélisée
à la figure 2.1. Il est évident que la quantité de marchandises préparées à chaque étape doit être décidée en
fonction de la quantité demandée au dernier nœud, le marché de consommation. Pour résoudre ce problème
dans l'ensemble de la chaîne d'approvisionnement, premièrement, nous simplifions la structure de la chaîne
d'approvisionnement comme dans la figure 2.2. Grâce au processus de simplification de la structure, la recherche
sur le réseau complexe de la chaîne d'approvisionnement se tourne vers les sous-systèmes de la chaîne d'approvisionnement.
Il n'y a qu'un seul niveau de relation demande-offre dans un sous-système. Notre idée principale est que lorsque
la demande se produit, en fonction du niveau de stock total de tous les fournisseurs, nous attribuons une tâche
d'approvisionnement d'une quantité égale de demande à certains fournisseurs.
Figure 2.1 : Structure normale de la chaîne d'approvisionnement
Figure 2.2 : Structure simplifiée de la chaîne d'approvisionnement
Dans la littérature consultée, le report utilisé dans la gestion des demandes en période d'approvisionnement
est beaucoup moins important que dans le secteur manufacturier. Dans notre travail, nous visons à appliquer une
stratégie de report dans la section d'approvisionnement, qui répond directement à une demande incertaine dans
la chaîne d'approvisionnement. Lorsque la quantité de la demande dépasse la valeur attendue, c'est-à-dire le
niveau de stock, nous reportons la quantité qui ne peut pas être satisfaite immédiatement avec le stock. Dans la
littérature, le travail le plus proche du nôtre est celui de Iyer et al. (2003).
52
2.2 Report appliqué pour répondre à une demande incertaine dans la chaîne d'approvisionnement
Ils ont analysé le report de la demande comme une stratégie pour gérer les surtensions de la
demande et ont montré que la stratégie de report peut conduire à une réduction des investissements
dans la capacité initiale. Mais le modèle s'est limité à une seule période d'exigences de report.
Dans notre travail, basé sur le modèle de Iyer et al. (2003), nous considérons la condition pratique
qui comprend à la fois la période régulière et la période différée.
2.2.2 Description de la démarche d'application du report

ment
Reporter une demande insatisfaite signifie qu'il ne tient pas compte d'une quantité incertaine de
demande. Cela fonctionne dans un environnement où le matériel de la chaîne d'approvisionnement
ne change pas, comme la capacité d'inventaire ou l'efficacité de la fabrication.
Nous répondons aux augmentations de la demande après que les demandes se soient produites. Ce
que les fournisseurs doivent faire avant que la demande ne se développe, c'est de maintenir le
niveau de stock normal et de négocier de bons contrats de coopération entre eux. Notre approche
est réalisable dans un environnement coopératif absolu, du point de vue de l'ensemble de la chaîne
d'approvisionnement.
En suivant la direction de l'information, c'est-à-dire du marché de consommation à
l'approvisionnement en matériaux, nous calculons d'abord le sous-système 1 de la figure 2.2, qui se
trouve à la fin de la chaîne d'approvisionnement et avec la demande du marché de consommation
comme données d'entrée. Les résultats de calcul du sous-système 1 peuvent ensuite être utilisés
comme données d'entrée pour son sous-système précédent 2. L'itération du même type de calcul se
poursuit jusqu'à ce que nous obtenions toute la planification pour l'ensemble de la chaîne
d'approvisionnement. Comme dans la figure 2.2, trois itérations sont nécessaires. L'esprit de notre
approche du report est que nous ne nous intéressons pas à la répartition de la demande ou à la
planification préalable de l'offre. Nous nous concentrons sur l'ordonnancement de l'offre dans un sous-système d'offre-dem
Après l'apparition d'une incertitude de demande, la quantité de demande d'un demandeur est
i, Di , identifiée. Tout d'abord, nous nous concentrons sur la question de la détermination de la quantité
fourni à chaque demandeur avec stock. ÿ est donné pour représenter le rapport de la quantité de
demande différée, ainsi 1 ÿ ÿ est la part de la demande satisfaite immédiatement avec le stock. Nous
notons que la demande reportée porte dans une période de report, tandis que les parties desservies
de la demande sont fournies en période régulière. ÿij est fixé pour décrire le ratio de la demande i
servie par le fournisseur j en période régulière. Cette étape est appelée processus de planification.
L'étape suivante consiste à compléter la demande non satisfaite, c'est-à-dire la partie différée ÿ, avec
ÿij pour décrire le ratio de la demande i satisfaite par le fournisseur
53
j en période de report. Nous appelons cette étape un processus de réordonnancement de
l'approvisionnement dans ce sous-système. À ce stade, nous avons terminé la planification d'un sous-système.
La procédure itérative de planification pour l'ensemble de la chaîne d'approvisionnement est décrite
comme dans la figure 2.3.
Figure 2.3 : Déroulement de l'ordonnancement avec la stratégie de report
Comme décrit par Iyer et al. (2003), la manière spécifique dont le report de la demande se produit
peut suivre les deux schémas possibles suivants : (a) Reporter une fraction de la demande pour chaque
client : chaque unité de demande est divisée avec ÿ livré dans la période régulière et 1 ÿ ÿ livré dans la
période de report.
Dans ce schéma, chaque client est concerné et voit une fraction de sa demande différée ; (b) Reporter
toutes les demandes pour une fraction de clients : une fraction 1 ÿ ÿ
54
2.2 Report appliqué pour répondre à une demande incertaine dans la chaîne
d'approvisionnement
de la demande est reportée et donc entièrement livrée dans la période de report, puis la
fraction restante ÿ de la demande est livrée dans la période régulière. A noter que dans ce
cas, un client donné pourra voir sa demande livrée entièrement en période régulière ou
entièrement en période de report selon que sa demande a été reportée ou non. Dans notre
travail, différent de Iyer et al. (2003), nous considérons que le report est prévu après le
déploiement de la demande.
En résumé, notre stratégie de report est exécutée en trois étapes : 1) Déterminer la
fraction optimale de la quantité totale reportée de demande ÿ ; 2) Calculer la fraction
optimale ÿij pour chaque relation offre-demande dans la période régulière.
3) Calculer la fraction optimale ÿij pour chaque relation offre-demande dans la

délai de report.
Avant de détailler les trois étapes, nous donnons les notations utilisées dans les modèles
mathématiques suivants.
Notationsÿ:
ÿ- Fraction optimale de la demande reportée totale. ÿij -
Ratio de la demande i satisfaite par le fournisseur j en période régulière.
ÿij - Ratio de la demande i satisfaite par le fournisseur j pendant la période de report.

Pour le sous-
système k, c1 - Coût unitaire de production des
stocks. c2 - Coût unitaire de la nouvelle fabrication en période différée, y compris tous les
coûts de fabrication, coût des matériaux, traitement, assemblage, etc.
c3 - Coût unitaire de la compensation payée par les fournisseurs aux demandeurs pour report
ment, qui est supposé être équivalent à tous les demandeurs.
c4 - Coût unitaire de conservation entre les deux délais de livraison.

c5 - Coût unitaire de transport.
Di - Demande de i D e demander.
- Demande totale, D = Pn K - je=1 De .

Niveau de stock total de tous les fournisseurs, K = Pm kj - kj .
j=1
Stock du fournisseur j. m - nombre de fournisseurs. n -
nombre de demandeurs.
e fournisseur pendant la période de report.

pj - Temps de transport de j rij -
Distance entre le fournisseur i et le demandeur j.
55
e
sj - Capacité fournisseur pendant la période de report.
d'approvisionnement de j S - Capacité d'approvisionnement totale du
e
fournisseur
fournisseur pendant la période de report. tj - Temps pendant
de fabrication pourlalapériode de report.
fourniture de jt - Constante de temps de fabrication attendue.
T - Temps de report autorisé. ÿ -
Seuil de montant pour la livraison .
Afin de réduire la complexité de calcul, nous supposons que le coût unitaire de
conversation, c1, le coût unitaire de fabrication, c2, et la compensation unitaire de
report aux demandeurs, c3, sont tous identiques pour chaque fournisseur. Le délai de
livraison autorisé T est également équivalent aux fournisseurs.
2.2.2.1 Fraction optimale de la demande reportée totale
En période régulière, la fraction (1 ÿ ÿ) de la demande est satisfaite. Le stock total de

tous les fournisseurs doit être capable de fournir la tâche. Nous avons supposé que
les informations sur les fournisseurs sont déjà connues. Leur niveau de stock est
constant. On obtient donc une contrainte d'inventaire comme suit :
(1 ÿ ÿ) Xn Di Xm _ kj (2.1)
je=1 j=1
En période de report, la demande se satisfait de nouvelles fabrications. En fonction

de la capacité de fabrication (capacité d'approvisionnement) des fournisseurs, on
obtient la contrainte de fabrication :
ÿ Xn Di Xm _ sj tj (2.2)
je=1 j=1
Dans l'inégalité ci-dessus, tj doit être contrôlé dans le temps de report autorisé T.
De plus, la somme de tj et pj ne peut pas dépasser T.
tj + pj ÿ T (2.3)
Bien que tj soit une variable de décision, qui peut être indépendante, pour simplifier
le calcul de ÿ, on choisit une constante attendue t, on note,
S = tXm _ js (2.4)
j=1
56
d'approvisionnement
D'après les formulations ci-dessus, on obtient donc
K S
ÿÿÿ1- (2.5)
ré ré
Coût total prévu de l'approvisionnement, y compris la période régulière et le report
période, est
V1 (ÿ) = c1 Xm kj + c2ÿ Xn Di + c3ÿ Xn Di + c4 ( Xm kj - (1 - ÿ) Xn De)

j=1 je=1 je=1 j=1 je=1 (2.6)
= c1K + ÿD(c2 + c3 + c4) + c4(K ÿ D)
Le premier terme de la formulation ci-dessus est le coût de production des stocks ; le
second terme est le nouveau coût de fabrication pour satisfaire le report
demandes; la troisième partie est une indemnité de report versée aux demandeurs ; la dernière
partie concerne les coûts de conservation. Comme le coût du transport est lié au montant
unique de la livraison et que le calcul est assez compliqué, nous ne le considérons pas dans le
période de calcul de ÿ.
A partir de la fonction de coût, on trouve que le coût est proportionnel au poste
fraction de ponement ÿ. Par conséquent, le coût minimum de l'approvisionnement pourrait être obtenu
avec le minimum ÿ.
D'après la formulation 2.5, la valeur optimale de ÿ est :
ÿ
K
b =1- (2.7)
ré
En conséquence, le coût minimum prévu est
ÿ
DANS
1 (ÿ) = c1K + (D ÿ K)(c2 + c3 + c4) + c4(K ÿ D)
(2.8)
= c1K + (D ÿ K)(c2 + c3)
2.2.2.2 Fraction optimale de la quantité d'approvisionnement de chaque fournisseur
Une fois que la fraction de report totale a été déterminée, la fraction optimale pour chaque
fournisseur dans la période régulière ÿij et celle dans la période de report ÿij peut être calculée.
Premièrement, nous discutons des calculs des deux parties séparément, puis nous les
intégrons pour exécuter le calcul d'optimisation.
57
Fraction optimale de l'approvisionnement de chaque fournisseur en période régulière
Dans la relation des entreprises modernes, la coopération à long terme est appréciée. Les
marchandises sont généralement envoyées aux clients familiers. Dans notre travail, nous
supposons une situation idéale de coopération entre les entreprises d'une même chaîne
d'approvisionnement. La demande est répartie uniquement en fonction de l'objectif de
minimisation des coûts et de maximisation du niveau de service.
Comme le coût de production, de conservation, de compensation de report payé aux

demandeurs concerne la fraction totale de report, il suffit ici de considérer la distance et le
coût de transport avec ÿij . Le coût du transport concerne principalement la distance de

livraison rij :
min V2(ÿij ) = min(c5 Xn Xm rij · Di · ÿij ) (2.9)

je=1 j=1
Le coût unitaire du transport c5 est probablement inversement proportionnel au montant

de la livraison. Par conséquent, dans un souci de faible coût, les fournisseurs ne livrent les
marchandises que lorsqu'ils disposent d'un montant raisonnable. Par exemple, le seuil du
montant de la livraison est ÿ, lorsque la quantité de marchandises q ÿ ÿ, les fournisseurs ne
veulent pas continuer à livrer. Sans prise en compte du covoiturage, il y a une contrainte de quantité de livraison :
Diÿij ÿ ÿ (2.10)
La demande satisfaite en période régulière est
Xn Xm Diÿij = (1 - ÿ) Xn De (2.11)
je=1 j=1 je=1
La demande satisfaite dans la période régulière est servie avec du stock, c'est-à-dire
M. (2.12)
Xn Diÿij ÿ kj , ÿj = 1, 2, . . . ,
je=1
L'attribution naturelle du taux de distribution est :
0 ÿ ÿij ÿ 1 (2.13)
A partir des formulations ci-dessus, nous pouvons obtenir la fraction de report de la demande
allouée à chaque fournisseur.
58
d'approvisionnement
Fraction optimale de l'approvisionnement de chaque fournisseur en période de report
Après la fraction totale de report et la fraction optimale de fourniture de
chaque fournisseur dans la période régulière ont été déterminés, la fraction optimale
de chaque fournisseur dans la période de report peut être calculée. Différent de
en calculant le coût total du report, la répartition du report est
plus compliqué. Comme l'allocation de la demande en période régulière, le coût de
le transport concerne principalement la distance de livraison :
min V3(ÿij ) = min(c5 Xn Xm ligne Di ÿij ) _ _ (2.14)

je=1 j=1
Contrainte de quantité de transportÿ:
Diÿij ÿ ÿ (2.15)
La quantité totale de demande différée allouée aux fournisseursÿ:
Xn Xm Diÿij = ÿ ÿ Xn De (2.16)
je=1 j=1 je=1
La demande reportée est satisfaite par la nouvelle capacité d'approvisionnement (provenant de
l'approvisionnement de l'entreprise en amont ou de la fabrication elle-même)ÿ:
Xn Diÿij ÿ t · sj , ÿj = 1, 2, . . . , M. (2.17)
je=1
Les contraintes de la demande sontÿ:
Xn ÿij = 1 ÿ Xn ÿij , =j = 1, 2 ,. . . , M. (2.18)

je=1 je=1
L'attribution naturelle du taux de distribution est :
0 ÿ ÿij ÿ 1 (2.19)
À partir du calcul des formulations ci-dessus, nous pouvons obtenir la fraction de la demande
report alloué à chaque fournisseur.
59
Calcul intégré
Si nous utilisons le calcul séparé pour la période régulière et la période de report, les contraintes
ne sont pas prises en compte simultanément. Par conséquent, nous pouvons obtenir des solutions
irréalisables. Par conséquent, nous intégrons les formulations dans les deux périodes pour les
résoudre simultanément.
Nous obtenons la formation intégrée pour les optimisations comme suitÿ:
min V4(ÿij , ÿij ) = min(c5 Xn Xm rij · Di · ÿij

je=1 j=1
+ c5 Xn Xm ligne Di ÿij ) _ _ (2.20)

je=1 j=1
Toutes les contraintes, 2.10, 2.12, 2.13, 2.15, 2.16, 2.17, 2.18 et 2.19, dans les deux
périodes doivent être respectées.
2.3 Instance d'application de l'approche de poste

ponçage
Pour démontrer la faisabilité et l'efficacité de notre approche face à la demande incertaine dans la
chaîne d'approvisionnement, nous l'appliquons à l'exemple de Gumus et al. (2009).
2.3.1 Description du modèle du réseau SC d'origine
L'instance utilisée dans (Gumus et al., 2009) est une conception de réseau de chaîne
d'approvisionnement présentée pour une entreprise multinationale réputée dans le secteur des boissons sans alcool.
Chaîne d'approvisionnement existante, les données de coût et de capacité se réfèrent à (Gumus et al., 2009).
Dans le modèle illustré à la Figure 2.4, 2 usines (F1, F2), 3 entrepôts (W1, W2, W3) et 6
distributeurs (D1, D2, D3, D4, D5, D6) sont sélectionnés dans le système de l'entreprise afin de
expliquer la conception existante du réseau, en considérant que le flux de produits est suivi par
un seul type de produit de l'entreprise. Le problème à résoudre est de décider et de concevoir un
réseau SC optimal pour satisfaire la demande, tout en minimisant le coût d'approvisionnement.
60
2.3 Instance d'application de la démarche de report
Tout d'abord, nous simplifions le réseau de la chaîne d'approvisionnement en deux sous-systèmes comme
dans la figure 2.5.
Figure 2.4ÿ: Réseau de la chaîne d'approvisionnement composé d'usines, d'entrepôts et de distribution

uteurs
Figure 2.5 : Sous-systèmes simplifiés
Outre appliqué dans le cas où l'inventaire des fournisseurs ne peut pas satisfaire le courant
demandes, notre approche est également une méthode d'ordonnancement efficace dans
l'allocation de la demande dans le cas où le stock est suffisant pour satisfaire les demandes.
Pour démontrer ce point, nous appliquons notre méthode dans les deux cas. Les deux cas
correspondent à notre instance sont juste celui avec une demande estimée et l'autre avec une
demande inattendue.
61
Les données du tableau 2.1, du tableau 2.2, du tableau 2.3, du tableau 2.4 et du tableau 2.5 sont l'orig
données finales tirées de la littérature. Afin d'utiliser notre méthodologie, nous ajustons
certains paramètres. Le concept de distances de transport est remplacé par unité
les coûts de transport. Par conséquent, c5 = 1, rij fait référence au coût de transport.
Comme nous ne connaissons pas exactement le niveau de stock, nous supposons que le stock est égal
à la capacité de l'entrepôt. Ainsi, correspondant aux données de capacité des usines
et entrepôts dans notre modèle, dans le sous-système 1, k1 = 3, 785, 630, k2 = 1, 564, 479,
k3 = 346, 094, K = P3 j=1 kj = 5, 696, 203ÿ; Dans le sous-système 2, k1 = 3, 011, 970,
k2 = 1, 298, 716, K = P2 j=1 kj = 4, 310, 686.
Tableau 2.1 : Coûts de transport des usines aux entrepôts (cent/caisse)

Des usines Entrepôts
W1 W2 W3
F1 0,01 1,15 0,41
F2 1,15 0,01 0,74
Tableau 2.2 : Coût du transport des entrepôts aux distributeurs (cent/caisse)

Entrepôts Distributeurs
D1 D2 D3 D4 D5 D6
W1 0,48 0,65 0,63 0,71 0,45 0,42
W2 0,60 0,36 0,55 0,52 0,72 0,76
W3 0,13 0,25 0,17 0,39 0,06 0,05
Tableau 2.3 : Capacités des usines et entrepôts

Capacité Usines/Entrepôts
F1 3011970
F2 1 298 716
W1 3 785 630
W2 1 564 479
W3 346 094
62
Tableau 2.4 : Estimation de la demande des distributeurs (cas)

demande des distributeurs
D1 116 803
D2 55 425
D3 74 668
D4 9 660
D5 81 539
D6 56 820
Tableau 2.5 : Demande aléatoire des distributeurs (cas)

D1 1 116 803
D2 955 425
D3 1 774 668
D4 1ÿ509ÿ660
D5 1ÿ581ÿ539
D6 856 820
2.3.2 Résultats du calcul pour le cas avec de estimé

homme
Contrairement aux travaux de Gumus et al. (2009), nous ne nous concentrons pas sur l'estimation
de la demande. Ici, nous utilisons la valeur d'estimation de la demande comme demande réelle. Le
problème en attente de résolution est un problème de programmation linéaire. Nous utilisons LINDO
6.1 pour le résoudre.
Afin de simplifier le calcul, nous ignorons la contrainte de quantité de transport,
qui est supposé satisfaire au principe de transport, en utilisant certaines méthodes telles que
comme l'externalisation, le covoiturage, etc.
2.3.2.1 Résultats des calculs du sous-système 1
Pour le sous-système 1, à partir des données de quantité de demande estimée dans le tableau 2.4, nous
obtenir D = P6 je=1 Di = 394915. Nous avons que K = 5696203 dans le sous-système 1.
Comme D < K, nous n'avons pas besoin d'utiliser la stratégie de report pour reprogrammer le SC
réseau, c'est-à-dire ÿ = 0. La méthode d'optimisation est suffisante pour l'ordonnancement dans ce

Cas.
63
À partir des résultats de calcul pour le sous-système 1, nous obtenons l'allocation de la demande de
distributeurs à chaque entrepôt est spécifié dans le tableau 2.6. La valeur objective de
le coût d'approvisionnement est de 58605,25.
Tableau 2.6 : Affectation de la demande des distributeurs à chaque entrepôt du cas

avec demande estimée
D1 D2 D5 0,000000
D3 0,000000D4
0,000000 D6
W1 0,000000 0,000000 0,000000
W2 0,000000 0,880848 0,000000 0,000000 0,000000 0,000000
W3 1.000000 0.119152 1.000000 1.000000 1.000000 1.000000
À partir des résultats du sous-système 1, nous obtenons la quantité demandée dans le sous-système 2 comme dans
Tableau 2.7.
Tableau 2.7 : Affectation de la demande des entrepôts à chaque usine dans le cas avec
demande estimée
D1 0
D2 65771
D3 329144
D = Pi ré = 394915, comme nous obtenons K = 4310686 pour le sous-système 2, donc D < K. Il
n'est toujours pas nécessaire d'utiliser la stratégie de report. ÿ = 0. D'après le calcul
résultats nous obtenons l'allocation de la demande des entrepôts à chaque usine du sous-système
2 vu dans le tableau 2.8.
Tableau 2.8 : Affectation de la demande des entrepôts à chaque usine dans le cas avec
demande estimée
W1 W2 W3
F1 0,000000 0,034962 1,000000
F2 0,000000 0,965038 0,000000
64
2.3.3 Résultats de calcul pour le cas avec imprévu

demande
Dans un environnement de demande incertain, où la quantité de la demande dépasse le stock, le
stratégie de report est juste appropriée pour faire face à la demande inattendue.
Nous pouvons obtenir des résultats de calcul similaires à ceux ci-dessus.
Par rapport aux algorithmes de la littérature, la supériorité de notre algorithme est que nous
peut faire face à des demandes inattendues. Quantité de demande dans cette section que nous traitons
avec est au-delà du niveau d'inventaire des fournisseurs.
Nous calculons la quantité totale de la demande dans le sous-système 1 avec la date dans le tableau
2.5ÿ: J = Pm j=1 Dj = 7794915. Comme indiqué à la section 2.3.1, dans le sous-système 1

=1- K = 0,27.
K = 5696203, alors on obtient D > K. Ainsi ÿ = ÿ ÿ ré
Avec le résultat du calcul, nous obtenons le ratio d'approvisionnement pour chaque entrepôt dans le
période régulière et période de report comme indiqué dans le tableau 2.9 et le tableau 2.10
respectivement.
Tableau 2.9ÿ: Affectation de la demande des distributeurs à chaque entrepôt pour le sous-système
1 en cas de demandes imprévues en période régulière
D1 D2 D3 D4 D5 D6
W1 1,0000 0,0000 0,129865 0,0000 1,0000 1,0000
W2 0,0000 0,057377 0,0000 1,0000 0,0000 0,0000
W3 0,0000 0,0000 0,195019 0,0000 0,0000 0,0000
Tableau 2.10ÿ: Affectation de la demande des distributeurs à chaque entrepôt pour le sous-
système 1 dans le cas de demandes inattendues en période de report
D1 D2 D3 D4 D5 D6
W1 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
W2 0,0000 0,942623 0,480097 0,0000 0,0000 0,0000
W3 0,0000 0,0000 0,195019 0,0000 0,0000 0,0000
65
Nous utilisons les résultats de calcul du sous-système 1 comme données d'entrée pour le calcul
du sous-système 2. L'approvisionnement en amont de l'usine est supposé être suffisant, donc
la capacité d'approvisionnement est la capacité de fabrication. Dans notre exemple, le total des
produits nécessaires aux entrepôts est bien inférieur aux stocks. Par conséquent, dans le cas
où les usines n'ont besoin de répondre à la demande que pendant la période de report des
entrepôts, nous n'avons pas besoin d'utiliser la stratégie de report dans le sous-système 2.
Cependant, nous utilisons toujours le modèle d'optimisation pour obtenir l'allocation optimale
de l'offre. De plus, les entrepôts vides doivent être réapprovisionnés. Nous pouvons calculer le
coût de réapprovisionnement de l'inventaire. Il existe deux autres casÿ: le deuxième cas est que
les usines n'ont besoin d'envoyer qu'une quantité de stock sûr à l'entrepôt, et le troisième cas
est que les usines doivent répondre au besoin d'entrepôts dans le
période de report, et simultanément besoin de réapprovisionner l'inventaire des entrepôts. Nous
exécutons les calculs dans les trois cas séparément. Parfois, le gestionnaire doit prendre la
décision de choisir la manière optimale. En comparant les résultats des calculs pour les trois
cas ci-dessus, nous pouvons trouver celui qui coûte le moins cher. Celle qui coûte le moins
cher est la proposition optimale.
Cas 1 : Les usines n'ont besoin de fournir que le besoin pendant la période de report
des entrepôts.
Dans ce cas, la stratégie de report n'est pas nécessaire. Nous utilisons le calcul de la
période régulière. On obtient la valeur objectif : min V2(ÿij ) = 392580.

La répartition optimale de la demande est comme dans le tableau 2.11.
Tableau 2.11 : Allocation optimale de la demande des entrepôts à chaque usine dans le cas 1

W1 W2 W3
F1 0,0000 0,258978 1,000000 0,0000
F2 0,741022 0,000000
Pour réapprovisionner l'inventaire, ici, D = 5696203, K = 4310686. K < D, une stratégie de
report est nécessaire. On obtient la valeur objective : min V2(ÿij , ÿij ) = 113330.
L'allocation optimale de la demande pour la période régulière est comme dans le tableau 2.12,
pour la période de report est comme dans le tableau 2.13.
66
Tableau 2.12ÿ: Allocation optimale de la demande des entrepôts à chaque usine en

période
W1 W2 W3
F1 0,795632 0,000000 0,000000
F2 0,000000 0,830127 0,000000
Tableau 2.13 : Affectation optimale de la demande des entrepôts à chaque usine en période
de report
W1 W2 W3
F1 0,204368 0,000000 1,000000
F2 0,000000 0,169873 0,000000
La somme de l'approvisionnement séparé pour la demande des entrepôts et pour le réapprovisionnement
l'inventaire des entrepôts est 505910.
Cas 2 : Les usines n'ont besoin d'envoyer qu'une quantité de stock sûr à l'entrepôt
pour satisfaire le besoin d'entrepôts dans la période de report.
Dans ce cas, on utilise l'allocation inverse de l'offre à la demande. On a:
min V2(ÿij ) = 256220. L' allocation de l'approvisionnement des usines à chaque entrepôt est la suivante :
dans le tableau 2.14.
Tableau 2.14 : Allocation optimale des demandes des entrepôts à chaque usine en
cas 2
W1 W2 W3
F1 0,000000 0,150693 0,849307
F2 0,000000 1. 000000 0,000000
Cas 3 : Les usines doivent répondre au besoin d'entrepôts pendant le report
période, et simultanément besoin de réapprovisionner l'inventaire des entrepôts.
Dans ce cas, D = 7794915, K = 4310686. K < D, la stratégie de report est

avait besoin.
Valeur objectif min V2(ÿij , ÿij ) = 681630. Répartition optimale de la demande de

la période régulière est comme dans le tableau 2.15, pour la période de report est comme dans le tableau
2.16.
67
Tableau 2.15ÿ: Allocation optimale de la demande des entrepôts à chaque usine en

délai dans le cas 3
W1 W2 W3
F1 0,422688 0,216952 1,000000
F2 0,000000 0,391524 0,000000
Tableau 2.16 : Affectation optimale de la demande des entrepôts à chaque usine en période de
report dans le cas 3
W1 W2 W3
F1 0,577312 0,000000 0,000000
F2 0,000000 0,391524 0,000000
2.3.4 Discussions
Selon le résultat de la simulation ANN dans (Gumus et al., 2009), le premier et
deuxièmes usines, et les premier et deuxième entrepôts sont ouverts, mais le troisième
l'entrepôt est fermé. D'autre part, la méthode analytique donne une solution en
où toutes les usines et entrepôts sont ouverts. Alors que la simulation ANN trouve
182 021 dollars comme coût minimum, le résultat de la méthode analytique est de 167 231
dollars. Traitant d'une même quantité de demandes, nos résultats montrent la
l'ordonnancement est que, les première et deuxième usines, les deuxième et troisième entrepôts
sont ouverts, tandis que le premier entrepôt n'est pas utilisé. Le coût minimum est de 196833,45
dollars. Il n'est pas aussi bon que les résultats de (Gumus et al., 2009),
cependant, nous avons vaincu la limite de leurs méthodes, la contrainte que
la capacité des entrepôts doit être égale ou supérieure à la demande du dis
tributaire. C'est exactement ce que nous voulons traiter, le cas où la quantité de la demande
est au-delà de la capacité de l'entrepôt.
De plus, un autre avantage de notre méthode est qu'elle permet d'obtenir rapidement
meilleure stratégie de réapprovisionnement après épuisement des stocks qui permet de satisfaire
demandes en période régulière. Il y a généralement plusieurs stratégies à choisir, nous
peut exécuter notre stratégie de report dans différents cas séparément. Nous pouvons
comparer les performances de différentes stratégies de réapprovisionnement pour trouver celle qui
moins coûteux que la proposition.
68
2.4 Conclusion
2.4 Conclusion
Dans ce chapitre, nous avons proposé d'utiliser la stratégie de report dans la planification
du réseau de la chaîne d'approvisionnement pour faire face aux incertitudes de la demande,
sur la base des sous-systèmes hiérarchiques du réseau de la chaîne d'approvisionnement
et de la coopération idéale des agents de la chaîne d'approvisionnement. Il s'agit en fait
d'une méthode transformant l'incertitude en certitude. La simplification du réseau de la
chaîne d'approvisionnement aux sous-systèmes demande-offre consiste à simplifier le
calcul d'une grande échelle de variables. Un modèle de programmation linéaire est utilisé
pour obtenir l'allocation optimale du fournisseur à la demande, avec un objectif de
minimisation du coût d'approvisionnement, ce qui conclut le coût de fabrication, le coût de
compensation, le coût de fabrication et le coût de transport. Il est démontré faisable et puissant dans la planificat
Nous avons constaté que, même dans les cas où l'inventaire est capable de satisfaire la
demande, notre modèle d'optimisation est également approprié. La stratégie de report n'est
nécessaire que lorsque l'inventaire total ne peut pas satisfaire une demande inattendue.
Nous avons comparé les résultats du traitement des mêmes demandes aux résultats de
(Gumus et al., 2009). C'est complètement compétitif.
Inévitablement, certains inconvénients et limites existent dans notre recherche. Nous
n'avons pas pris en compte la relation de position physique entre les membres de la chaîne
d'approvisionnement. Dans ce cas, nous avons besoin de plus de données, cela rend la
planification plus compliquée. Dans notre future étude, nous pourrons en tenir compte
pour compléter l'ordonnancement pratique, afin d'éviter le phénomène de rond-point. Quant
aux produits dans la logistique, nous n'avons traité que le flux des produits finis. Le
traitement des matériaux et des pièces sera plus intéressant et complexe. Un autre
inconvénient réside dans le calcul. En fait, afin d'obtenir les paramètres nécessaires au
calcul de la programmation linéaire dans LINDO 6.1, nous avons fait beaucoup de travail
de préparation à la main, l'utilisation de la programmation dans le logiciel apportera
beaucoup de commodité. De même, l'utilisation de la programmation linéaire est limitée à
petite échelle de calcul. Pour une plus grande échelle de calcul, un algorithme heuristique
devrait être plus approprié. Si tous les calculs sont intégrés dans un logiciel ou une boîte à
outils, il sera beaucoup plus pratique et simple pour les managers d'utiliser notre méthode.
Il est digne de réaliser un processus visuel de toutes les procédures de conception et de calcul.
69
70
chapitre 3
Planification flexible de l'atelier de travail

problème sous incertitude
environnement
L'incertitude dans la fabrication comprend principalement l'indisponibilité des machines, de nouveaux
tâches d'arrivée et temps de traitement incertain des produits. Dans notre travail, nous nous concentrons sur
magasin d'emploi flexible, qui est une manière appropriée pour le marché de consommation moderne.
Nous suggérons d'utiliser la maintenance conditionnelle (CBM) pour réduire l'indisponibilité des
machines dans le système de fabrication. Différent de la maintenance préventive conventionnelle,
CBM rend l'ordonnancement de la fabrication dynamique, sans prévis
moment de la tâche de maintenance. Afin de résoudre le problème d'ordonnancement des ateliers
flexibles avec CBM, deux étapes sont nécessaires. Tout d'abord, nous utilisons une méthode de résolution ordinaire
planification d'atelier flexible (FJSP) pour donner un pré-planification du plan de fabrication,
puis, lorsque des tâches de maintenance sont nécessaires, nous les ajoutons au pré-programme. Pour le
deuxième étape d'ajout de tâches de maintenance, nous proposons un algorithme d'insertion,
qui s'est avérée apte à traiter les nouveaux arrivants d'emplois. Dans la rubrique de
En discutant du traitement incertain des jobs, nous observons que dans les différents plannings
existants, il est important d'analyser l'impact du degré de temps de traitement des opérations.
3.1 Réduire l'indisponibilité des machines dans FJSP

L'indisponibilité des machines est le type préliminaire d'incertitude dans le système de fabrication.
Job shop flexible, en tant que manière représentative et populaire de manu
71
3. PROBLÈME DE PLANIFICATION D'UN ATELIER FLEXIBLE DANS UN ENVIRONNEMENT
D'INCERTITUDE
facturing, attire notre attention pour en faire notre objectif de recherche. Nous suggérons
d'utiliser la maintenance conditionnelle (CBM), une catégorie de maintenance préventive
(PM), pour réduire l'indisponibilité des machines dans les ateliers flexibles. Notre
problème est modélisé comme un problème d'ordonnancement dans un atelier flexible
avec CBM. L'application de CBM rend la planification du système de fabrication
dynamique. Parce que dans CBM, la tâche de maintenance est déterminée par la
surveillance, nous ne pouvons pas prédire le moment exact où la tâche de maintenance
est nécessaire. La survenue de pannes de machines est aléatoire dans cet état. Il est
évident que dans la plupart des temps de production, des machines sont disponibles,
dans ces circonstances, le problème est un problème d'ordonnancement d'atelier flexible ordinaire (FJSP). Nous réso
ule. Lorsque le besoin d'une tâche de maintenance apparaît, nous devons les ajouter au
pré-programme. Nous proposons un algorithme d'insertion (IA). Du fait de l'originalité du
problème, il n'y a pas de benchmark pour nous permettre de démontrer l'efficacité de
notre algorithme. Par conséquent, nous nous concentrons sur le FJSPPM conventionnel.
Afin de résoudre FJSPPM, nous essayons d'abord de trouver une méthode prometteuse
pour résoudre FJSP. Trois approches, un algorithme génétique hiérarchique, un
algorithme génétique intégré et une optimisation intégrée des colonies de fourmis, sont
proposées. La meilleure approche parmi les trois est adoptée dans la résolution de
FJSPPM. Pour illustrer l'efficacité de l'IA, nous le comparons avec l'algorithme
d'ordonnancement simultané (SSA) dans la littérature sur le benchmark de FJSPPM.
3.1.1 Introduction et littérature sur le FJSPPM
Nous avons conclu les facteurs induisant des incertitudes dans le système de fabrication.
Bien que la fabrication soit sujette à moins de perturbations que l'étape finale de la
chaîne d'approvisionnement, telle que la demande, la complexité du système de
fabrication peut augmenter la possibilité d'incertitude. Différents fabricants adoptent des
manières de fabrication distinctes, qui dépendent de la classe de produits, de l'échelle et
de la capacité de l'entreprise, etc. Par conséquent, pour effectuer des recherches sur
l'incertitude dans le système de fabrication, nous devons nous concentrer sur une
manière de fabrication classique. Job shop est une méthode de fabrication adaptée au
marché de consommation avec des attributions telles que la diversité des espèces et la
petite taille des lots. Il est populaire dans l'industrie manufacturière. Le job shop flexible
est une extension du job shop, qui est plus flexible dans la production de produits diversifiés et l'utilisation complète
72
3.1.1.1 Problème d'ordonnancement d'atelier flexible (FJSP)
Le problème d'ordonnancement d'atelier flexible (FJSP) étend le problème d'ordonnancement

d'atelier de travail (JSSP) avec des routages de machines alternatifs, en supposant qu'une machine est
capable d'effectuer plus d'un type d'opération (Hussain & Joshi, 1998ÿ;
Najid et al., 2002ÿ; Nasr & Elsayed, 1990). Cela signifie que pour une opération donnée,
il y a au moins une machine capable de l'exécuter. Le premier modèle est appelé
ordonnancement d'atelier avec routages alternatifs de la machine-outil, qui était
abordée pour la première fois par Iwata et al. (1978). Le même modèle a ensuite été abordé par
Brandimarte (1993) comme problème d'ordonnancement d'atelier flexible (FJSP). Bruker &
Schlie (1990) a d'abord abordé FJSP par un algorithme polynomial, qui a été appliqué
avec deux emplois. FJSP peut être considéré comme une généralisation de JSSP et parallèle
problème de machines. Il conclut deux sections : affectation des machines disponibles
aux opérations et à la planification des séquences de tous les travaux.
Il existe deux types de flexibilité, la flexibilité totale et la flexibilité partielle. Tous les deux
d'entre eux sont étudiés par Kacem et al. (2002a). Ils ont développé deux nouvelles approches :
l'approche par localisation et une approche évolutive maîtrisée par le modèle d'affectation.
En hybridant l'optimisation par essaim de particules et en simulant un nealing, Xia & Wu
(2005) ont proposé une approche hybride pour résoudre le multi-objectif

problème d'ordonnancement d'ateliers flexibles, dans lequel l'optimisation de l'essaim de particules
consiste à traiter le problème d'affectation et l'algorithme d'ordonnancement de recuit

simulé pour l'ordonnancement de séquences.
Pour résoudre FJSP qui comprend deux sous-problèmes, tous deux étant des problèmes
NP-difficiles, il existe deux approches : l'approche hiérarchique et l'approche intégrée.

Le premier traite séparément l'affectation des machines et l'ordonnancement des séquences,
tandis que le second considère les deux problèmes simultanément. Brandi Marte (1993),
qui a été le premier à utiliser la méthode de décomposition dans FJSP, a appliqué

approche hiérarchique, les deux sous-problèmes sont abordés par Tabu Search (TB). Après
lui, Kacem et al. (2002b); Saidi-Mehrabad & Fattahi (2007); Xia & Wu (2005),
etc., tous utilisent une approche hiérarchique pour résoudre le problème, avec des
heuristique pour résoudre les deux sous-problèmes. En revanche, il y a moins de littérature pour
l'approche intégrée, Dauzère-Pérès & Paulli (1997) ont défini un quartier

structure pour le problème où il n'y avait pas de distinction entre les deux sous
problèmes. Gambardella & Mastrolilli (1996) ont présenté deux fonctions de voisinage
73
D'INCERTITUDE
tions. Fathi et al. (2007) ont comparé les deux approches et ont conclu que l'approche
hiérarchique a de meilleures performances que les algorithmes intégrés.
3.1.1.2 Maintenance préventive
La plupart de la littérature travaillant sur le problème d'ordonnancement en atelier (JSSP) ne
considère pas l'indisponibilité des machines. Cependant, dans la plupart des environnements
de fabrication pratiques, il existe généralement certaines sortes d'incertitudes induisant
l'indisponibilité des machines, telles que l'indisponibilité du personnel, les erreurs opérationnelles
du personnel, les pannes de machine, etc. Les raisons du personnel et d'autres aspects
subjectifs ne sont généralement pas considérés comme une section d'optimisation. Pendant ce
temps, les aspects objectifs, comme les performances des machines, sont toujours focalisés
dans la recherche. Les performances de la machine dépendent de ses paramètres, qui ne
peuvent pas être modifiés ou améliorés après la sortie de l'usine de la machine. Au contraire, il
diminue avec le temps dans sa durée de vie. Outre le rebut final, la panne ne peut être évitée,
surtout en termes de machine moderne, qui est toujours avec une structure sophistiquée. Dans
la plupart des cas, la panne est causée par de très petites erreurs, une imprécision entre les
deux pièces d'assemblage, ou l'attrition de certaines pièces, etc. Par conséquent, s'assurer que
les machines fonctionnent en bon état attire de nombreux chercheurs et praticiens. De plus, la
maintenance préventive (MP) est largement étudiée parmi eux.
La PM est évidemment plus efficace que la maintenance de dépannage, qui est une sorte de
maintenance largement utilisée auparavant, pour les machines en petite série, où l'interruption
n'est pas très sévère. PM est également supérieur à l'entretien périodique, dans l'aspect d'éviter
l'entretien excessif et l'entretien insuffisant.
PM est d'éviter l'interruption en effectuant une activité de maintenance avant que la panne ne
se produise. Il est prévu qu'après l'entretien, la machine soit remise en bon état de
fonctionnement dans un délai qui peut être fixe ou non. En conséquence, il existe deux types
de PM, celui à période fixe et celui à période non fixée. Le premier est destiné aux machines à
temps de mise au rebut fixe, et le second est adapté aux machines structurées, plus complexes
et sans temps de mise au rebut fixe. En fait, les conditions de traitement ou la différence de
matériau peuvent provoquer une distinction de durée de vie entre les mêmes types de pièces.
De ce fait, les périodes de maintenance fixées sont en réalité non fixées, avec un intervalle.
Dans ce cas, elle peut également être conclue en période de maintenance indéterminée.
74
PM est une méthode efficace pour augmenter la disponibilité des machines. Une autre
raison pour laquelle PM est pris en compte est son partage direct de la ressource avec la
production. La plupart des études concernant la maintenance considèrent les périodes de
maintenance comme des contraintes, c'est-à-dire que la maintenance est privilégiée à la production (Liao et al., 2006). E
la priorité dépend du cas concret. Par exemple, lorsque PM n'est pas urgent, la production est
prioritaire afin de maximiser la production, sinon, la maintenance
est prioritaire. Lorsque l'entretien est urgent, s'il n'est pas effectué immédiatement, une panne
peut se produire, et alors une série de conséquences peut être provoquée.
L'importance de PM est de garantir la continuité de la production. Par conséquent, la relation
entre les PM et la production doit être bien traitée. Approche stochastique
est plus approprié pour traiter les conflits entre la maintenance et la production.
Cependant, il existe peu de littérature sur l'approche stochastique. Les travaux liés
(Kaabi-Harrath, 2004 ; Xu et al., 2008) privilégient toujours la maintenance à la production. Le

L'objectif de PM est de maximiser la disponibilité du système de production et de diminuer
coût des pannes inattendues. Comme il est contraire à l'objectif ultime de maximiser
production, un compromis entre PM et production doit être trouvé pour obtenir
système de point de production le plus rentable.
3.1.1.3 Problème d'horaire d'atelier flexible avec le principal préventif

entretien
Il n'y a pas beaucoup de recherches sur le JSSP en ce qui concerne les activités de maintenance. Nous
ont référé plusieurs chercheurs travaillant sur le JSSP intégré à la prévention
maintenance (PM)(Gao et al., 2006; Lei, 2010a; Moradi et al., 2011; Wang &
You, 2010). D'autres études de travaux similaires influencent l'activité de maintenance dans certains
other production modes, like parallel machines (Berrichi et al., 2010; Liao et al.,
2006).
Deux horizons d'ordonnancement différents sont étudiés pour le problème de
l'ordonnancement de tâches sur deux machines parallèles qui ne sont pas continuellement
disponibles pour le traitement, les horizons à long terme et à court terme (Liao et al., 2006). Maintenance
est considéré comme ÿ-presque périodique dans un problème d’ordonnancement de machines parallèles (Xu
et al., 2008). Berrichi et al. (2010) proposed an integrated bi-objective model

pour un problème de machine parallèle utilisant des modèles de fiabilité pour prendre en charge la maintenance
aspect en considération. Les intervalles de maintenance et la séquence de production sont
optimisés dans le modèle. Un modèle de simulation interactif visuel a été
75
D'INCERTITUDE
construit pour montrer comment la technologie de rééchelonnement dépendant de l'État est
utilisée (Eric Li & Shaw, 1998). Une heuristique qui s'appuie uniquement sur les temps de
défaillance prédits de la machine en aval a été affinée pour inclure des informations sur la variable d'état de l'atelier de travai
mation.
Pour FJSP avec maintenance de la machine en considération, un algorithme génétique
hybride est proposé par Gao et al. (2006) pour résoudre FJSP avec des contraintes de
disponibilité non fixes, qui utilisaient la méthode de représentation partielle pour ne représenter
qu'une partie d'une solution candidate et laisse le reste à décider par la méthode heuristique
pour renforcer l'héritabilité de la solution candidate. Moradi et al. (2011) ont étudié le FJSP
intégré avec des activités de maintenance préventive dans le cadre d'approches d'optimisation
multi-objectifs, où quatre méthodes d'optimisation multi-objectifs sont comparées pour trouver
la solution optimale de Pareto.
3.1.1.4 Maintenance conditionnelle
Bien que PM ait été étudiée dans FJSP pour augmenter la disponibilité des machines et la
fiabilité de l'ensemble du système de production, l'intervalle d'activité de maintenance est
principalement donné comme une constante ou la maintenance doit être exécutée dans un
intervalle prévu. Et la base théorique de l'intervalle de maintenance n'est pas spécifiée, c'est-à-
dire que PM n'est qu'une activité abstraite.
Le type de PM que nous utilisons dans FJSP est la maintenance basée sur l'état (CBM).
Dans le rapport révolutionnaire de Neal et al. Neale et al. (1979), les différences dans les
stratégies d'entretien (p. ex. panne, planification, etc.) ont été illustrées et la CBM a été suggérée.
Depuis les années 1990, les techniques de surveillance de l'état sont de plus en plus utilisées
pour aider à planifier le remplacement Aven (1996) et la maintenance préventive Christer et al.
(1997). Le CBM est devenu largement accepté comme l'un des moteurs de la réduction des
coûts de maintenance et de l'augmentation de la disponibilité de l'usine Al-Najjar (1991),
Bengtsson (2002). L'idée principale de CBM est d'exécuter une activité de maintenance pendant
la période de panne potentielle de la machine, afin d'éviter un dysfonctionnement des machines.
Les dysfonctionnements font référence aux pannes mécaniques qui provoquent la panne de la
machine, telles que l'embrayage qui patine, la transmission de fichiers sautés, la puissance de
génération ne fonctionne pas, etc. La panne potentielle est la panne qui ne s'est pas encore
produite, mais qui peut se produire à un moment donné . Ce sont les vices cachés, qui existent couramment.
Le moment où la panne se produit dépend du système lui-même. Pour une introduction détaillée
et une application sur le CBM, vous pouvez vous référer à Sethiya (2006).
76
La base théorique de CBM est la courbe P ÿ F, qui décrit la déteri

oration processus de la machine, illustré à la figure 3.1.
Figure 3.1 : Courbe FP
Dans la Figure 3.1, A : le moment où la défaillance a

commencé ; P : le moment où la panne cachée est
détectée ; F : le moment où le dysfonctionnement se
produit ; T : l'intervalle de P ÿ F, le processus de la défaillance cachée évoluant vers
mauvais fonctionnement.
Pour éviter tout dysfonctionnement, le temps d'exécution de la maintenance doit

être avant le point F et après P, pour utiliser au maximum la durée de vie effective.
Trouver le bon moment pour exécuter la maintenance est l'essence même de CBM.
L'avantage du CBM est qu'il transforme l'état de maintenance de la passivité à

l'activité. Il s'affranchit de l'inconvénient de l'entretien cyclique, qui peut induire un
entretien insuffisant ou un surentretien. CBM choisit un moment approprié pour
effectuer la maintenance afin d'éviter les pannes et de réduire simultanément les coûts
de maintenance. Il est basé sur l'analyse du mécanisme de défaillance des machines.
Le principal obstacle à l'application du CBM est le coût élevé de l'installation d'un
observateur et d'un détecteur pour découvrir les défaillances potentielles des machines.
Malgré l'installation coûteuse, l'augmentation de la fiabilité de la machine est le motif
d'application le plus important. CBM et la maintenance centrée sur la fiabilité sont les
principales stratégies de maintenance à l'avenir.
Comme CBM est aussi une sorte de PM, nous notons le problème en tant que
problème de planification d'atelier flexible avec maintenance préventive (FJSPPM).
L'attribution en temps réel de CBM rend ce type de FJSPPM dynamique. Nous pouvons
conclure ce problème comme FJSPPM dynamique (DFJSPPM). Liu et al. (2007) tentatives classifiées
77
D'INCERTITUDE
à l'ordonnancement en présence de perturbations dans le système de fabrication en deux groupes.
Un groupe avec une planification de la répartition des tâches entièrement réactive, et le second
groupe propose des stratégies de contrôle pour aider le système à se rétablir des perturbations
en tenant compte d'un calendrier initial. La principale différence entre les deux groupes est
qu'aucun horaire n'est généré à l'avance dans l'ordonnancement réactif complet, mais les
décisions sont prises en temps réel en utilisant des règles de répartition prioritaires. D'autre
part, le deuxième groupe utilise un programme prédéterminé appelé pré-programme ou

programme prédictif pour optimiser une certaine mesure de performance et est mis en œuvre
jusqu'à ce qu'une perturbation imprévue se produise dans le système. DFJSPPM est différent
du FJSPPM conventionnel, où PM est déterminé dans une période fixe ou à un moment fixe.
Avant les données de PM obtenues par CBM, le problème est un FJSP classique. Job shop
poursuit la production selon un prescheule, résultat de la résolution FJSP. Après avoir obtenu
les données de PM, nous ajoutons PM dans le pré-programme existant. À ce moment, nous
pouvons le reprogrammer en tant que résolution d'un nouveau FJSPPM si nous avons juste un
moment parfait où toutes les opérations de travail en cours sont terminées et que la tâche PM n'arrive pas.
Cependant, si nous ne pouvons pas trouver le moment parfait, mais juste une période de
traitement, nous ne pouvons pas replanifier tous les travaux avec de nouvelles tâches PM qui
arrivent. Afin de résoudre ce problème temps réel avec perturbation, nous proposons un
algorithme d'insertion (IA). L'IA peut être considérée comme un ordonnancement réactif pour
l'ajout de PM dans le pré-ordonnancement existant, ce qui est différent des deux groupes conclus par Liu et al. (2007).
Nous présentons IA en détails dans la section suivante.
3.1.2 Modélisation mathématique pour FJSPPM

Nous étudions la situation où la période d'ordonnancement de FJSP coïncide avec l'intervalle
PÿF T de CBM. C'est-à-dire que l'activité de maintenance est exécutée dans la période de
planification. FJSP est déjà un problème NP-difficile. Ajouté à l'exécution de la maintenance, le
problème devient plus compliqué.
Étant donné que DFJSPPM dépend d'un problème concret, la première étape de la résolution
de DFJSPPM consiste à spécifier les fenêtres de temps des tâches PM. Cette étape transfère le
problème dans FJSPPM. Dans la section suivante, nous effectuons une étude comparative avec
la référence existante de FJSPPM dans la littérature pour démontrer notre algorithme proposé.
FJSPPM est décrit comme suit : n jobs sont à ordonnancer sur m machines.
Chaque tâche i représente un nombre ni d' opérations ordonnées non préemptives. L'exécution
de chaque opération k du travail i (notée Oik) nécessite une machine sélectionnée
78
à partir d'un ensemble de machines disponibles, appelé Aik, et occupent cette machine tikj
unités de temps jusqu'à ce que l'opération soit terminée. Il y a des tâches de maintenance Lj
qui doivent être traitées sur la machine j pendant l'horizon de planification. La tâche de maintenance
correspond à une fenêtre temporelle prédéfinie T, à l'intérieur de laquelle l'heure de début de
la tâche de maintenance peut être déplacée. Nous supposons queÿ:
e
(1) Toutes les ni opérations ordonnées des i le travail doit être traitéÿ;
(2) L'activité de chaque opération Oik nécessite une machine sélectionnée parmi un
ensemble de machines disponibles, appelée Aik ;
(3) Chaque machine ne traite qu'une seule activité (fonctionnement ou tâche de

maintenance) à la foisÿ;
(4) Le temps de préparation et de déchargement des opérations est indépendant de la

machine et est inclus dans le temps de traitement de l'opérationÿ;
(5) La tâche de maintenance est considérée comme un travail spécial dont la durée est
inclus dans la fourchette
d'emploisÿ; (6) La machine est remise en bon état de fonctionnement après l'entretien.
(7) Les travaux sont traités avant leurs dates d'échéance. Par conséquent, il n'y a pas de
pénalité de retard et de coût de stockage. Le coût de production ne concerne que le coût de traitement.
Notationsÿ:
• Indices
i, h : indice des emplois, i, h = 1, 2, · · · , n;
j : indice des machines, j = 1, 2, · · · ,m ;
k, g : indice de séquence d'opérations, k, g =1, 2, · · · l : , ni ;
indice des tâches de maintenance, l = 1, 2, · · · ,Lj . •
Paramètres n : nombre total de jobs ;

m : nombre total de machines ;
ni : nombre total d'opérations du Job iÿ;
Lj : nombre total de tâches de maintenance sur Machine jÿ;

e
Oik : le k fonctionnement de Job iÿ;
e
PMjl : lp : maintenance potentielle sur la machine jÿ;
nombre maximum de maintenances nécessaires sur une machine ;
Aik : ensemble de machines disponibles pour
l'Opération Oik ; tikj : temps de traitement de Oik sur Machine j ;

CMj : coût de traitement unitaire sur la machine
j ; pjl : durée de la tâche de Maintenance PMjl ;
79
3. PROBLÈME DE CALENDRIER FLEXIBLE JOB SHOP SOUS
ENVIRONNEMENT D'INCERTITUDE
[tEjl , tLjl ] : fenêtre temporelle associée à la maintenance, où tEjl est la

l' heure de démarrage la plus précoce et tLjl est l'heure de démarrage la plus tardive de la tâche de maintenance
PMjl
• Variables de décision
0, sinonÿ;
xikj = ( 1, si la machine j est sélectionnée pour l'opération Oik,
cik : heure d'achèvement de l'opération Oik ;
yjl : heure de fin de la tâche de maintenance PMjl.
Notre modèle est donné comme suit :
min F1 = max (max cini , max yjLj ) (3.1)

1ÿiÿn 1ÿjÿm
st[( chg ÿ cik ÿ thgj )xhgjxikj ÿ 0] ÿ [(cik ÿ chg ÿ tikj )xhgjxikj ÿ 0],
ÿ (i, k), (h, g), j (3.2)
[(yjl - cik - pjl) xikj ÿ 0] ÿ [(cik - yjl - tikj ) xikj ÿ 0], ÿ (i, k), (j, l) (3.3)
xxikj = 1, j Aik, je, k tEjl yjl (3.4)
tLjl , l , j (3.5)
xikj ÿ 0, 1, ÿi, k, j (3.6)
cik ÿ 0, ÿi, k (3.7)
yjl ÿ 0, ÿj, l (3.8)
La fonction objectif (3.1) est la minimisation de la durée des travaux et des maintenances
préventives. L'inégalité (3.2) garantit l'absence de chevauchement des contraintes entre
opérations sur la même machine. L'inégalité (3.3) garantit l'absence de chevauchement des
contraintes entre les tâches de maintenance préventive et les opérations sur la même
machine. L'équation (3.4) indique qu'une seule machine doit être sélectionnée parmi les
ensemble de machines disponibles pour chaque opération. L'inégalité (3.5) stipule que les
tâches de maintenance préventive doivent être exécutées dans leurs fenêtres temporelles. (3.6)
est la contrainte entière de la variable de décision. (3.7) et (3.8) garantissent la faisabilité de
les deux variables.
3.1.3 Approche de solution pour FJSPPM

Nous décomposons FJSPPM en deux étapes, FJSP et l'ajout de PM. De la littérature de FJSP,
nous constatons que la plupart des études se concentrent sur l'agencement des machines utilisant
80
méta heuristique et procédure de décodage pour l'ordonnancement des séquences. Nous

voudrions comparer cette politique avec la méthode hiérarchique, qui traite les deux sous
problèmes directement et séparément. Parmi les immenses méta heuristiques, nous nous
intéressons à GA et ACO, qui sont fréquemment utilisés dans la littérature. GA et ACO sont
des algorithmes prometteurs dans l'optimisation des permutations. Dans notre première
étape de résolution de FJSP, nous utilisons trois approches différentes, l'algorithme
génétique hiérarchique (HGA), l'algorithme génétique intégré (IGA) et l'optimisation intégrée
des colonies de fourmis (IACO). Bien que Fattahi et al. (2007) ont déclaré que l'algorithme
hiérarchique est supérieur à l'algorithme intégré dans la résolution de FJSP, il a juste utilisé
Simulated An nealing (SA) et Tabu Search (TS) dans les structures de recherche. Leurs
conclusions peuvent ne pas être appropriées à d'autres heuristiques, comme GA et ACO.
Nous comparons les performances de ces trois approches et sélectionnons la meilleure à
utiliser dans l'étape suivante de la résolution de FJSPPM.
Basé sur l'approche pour résoudre FJSP, les activités PM sont ajoutées au programme
par deux méthodes différentes : l'algorithme d'ordonnancement simultané (SSA) (Gao et
al., 2006), l'algorithme d'insertion (IA).
Nous détaillons ces approches dans les sections suivantes.
3.1.3.1 Algorithme génétique hiérarchique pour FJSP
Depuis que l'algorithme génétique (GA) a été introduit par Holland en 1975, il s'est avéré
puissant dans les problèmes d'optimisation et a été utilisé par de nombreux chercheurs et
universitaires. Comme nous l'avons mentionné dans la section précédente, il existe deux
problèmes difficiles dans FJSPÿ: l'allocation des opérations sur les machines et
l'ordonnancement des séquences d'opérations. GA a été largement utilisé pour JSSP,
également pour FJSP. Hussain & Joshi (1998) ont proposé une GA à deux passes pour
JSSP avec un routage alternatif. En fait, il s'agit également d'une approche hiérarchique
pour FJSP, GA pour le premier sous-problème et la programmation non linéaire (PNL) pour
le deuxième sous-problème. Jawahar et al. (1998) ont proposé un algorithme heuristique
basé sur GA pour les systèmes de fabrication flexibles avec routage alternatif, dans lequel
les machines étaient sélectionnées au hasard. De nombreux chercheurs ont proposé
différents GA hybrides pour améliorer les performances de GA. Deux chromosomes
différents sont utilisés pour représenter séparément l'affectation de la machine et la
séquence d'opérations par Kim et al. (2003). La recherche locale avec deux types de
voisinage est hybridée avec l'algorithme génétique pour améliorer la capacité de recherche de Gao et al. (2006).
81
De la littérature sur la résolution de FJSP avec GA, nous trouvons que beaucoup d'attention
est payé à la part de l'affectation de la machine, tandis que la planification des séquences est plutôt
ignoré, uniquement avec certaines règles d'ordonnancement représentées dans la procédure de décodage.
Prenez les travaux de Kacem et al. (2002a) par exemple. Ils se sont concentrés sur l'affectation
machine, qui est obtenue avec une approche de localisation (AL), avec
chromosome représentant l'affectation de la machine. Les procédures de croisement et de mutation
contribuent également à changer les machines. Pour l'ordonnancement des séquences, en commençant
et l'heure de fin des opérations sont calculées selon l'algorithme de programmation.
Dans HGA, deux procédures GA consécutives sont construites respectivement pour l'affectation
des machines et l'ordonnancement des séquences. Dans le premier GA, minimisation du total
le temps de traitement et la charge de travail des machines sont proposés à la fois comme objectifs et
la fonction de remise en forme. Dans le deuxième GA, la somme de la charge de travail moyenne de
la machine et du Makespan fonctionne comme une fonction de fitness tandis que la minimisation du Makespan est
objectif, qui est aussi l'objectif de l'ensemble du FJSP. A notre connaissance, dans
littérature du JSSP, la charge de travail n'est considérée comme une fonction de fitness que lorsqu'elle joue
le rôle d'objectif. Bien qu'il ne soit pas nouveau que la fonction de fitness soit différente
à partir de la fonction objective, il est intéressant de tester et de vérifier l'effet de cette tentative.
L'organigramme de HGA est illustré à la figure 3.2 .
GA-1ÿ: le premier GA pour l'affectation des machines
La structure globale de GA-1 est décrite comme suitÿ:
(1) Codage : les gènes du chromosome représentent l'affectation machine des opérations, avec
la taille (n, ni) ;
(2) Population initiale : Il est initialisé que la machine pour chaque opération est choisie au
hasard parmi l'ensemble des machines disponibles, Aij , pour garantir sa faisabilité.
Prenons l'exemple avec quatre machines et quatre tâches, où chaque tâche nécessite
quatre opérations (Gao et al., 2006). Pour la partie de FJSP, le chromo initialisé est comme dans le
Tableau 3.1. C'est une matrice de taille (4, 4).
(3) Génération de progénitureÿ: le croisement et la mutation doivent réaliser une variété de pop
ulation et d'éviter une solution optimale locale. Dans la procédure de croisement, nous utilisons des
croisement de lignes ou de colonnes, pour conserver la faisabilité des individus. Tout d'abord,
sélectionnez au hasard deux individus comme une paire de parents. Deuxièmement, sélectionnez au hasard la manière
de croisement, soit un croisement de lignes, soit un croisement de colonnes. Enfin, choisissez au hasard
82
Figure 3.2 : Algorithme génétique hiérarchique (HGA) pour FJSP
Tableau 3.1ÿ: Affectation de la machine aux opérations

ÿÿÿÿÿÿ opération
1 2 3 4
travail ÿÿÿÿÿÿÿÿ
1 4 3 1
2 2 34 1 4
3 3 1 2 1
4 2 4 4 3
83
D'INCERTITUDE
la position de coupe de la ligne ou de la colonne et continuez le croisement pour générer
deux nouveaux individus. Dans la procédure de mutation, l'individu et sa position de mutation
sont sélectionnés au hasard et dans la probabilité de mutation. Afin d'assurer la faisabilité des
solutions, la valeur mutée se trouve également dans l'ensemble des machines disponibles.
(4) Évaluation de la condition physiqueÿ: le temps de traitement total et la charge de travail

de la machine sont calculés pour chaque chromosome de la génération actuelle. Les deux
objectifs sont pondérés ensemble comme Fitness=w1· temps de traitement total + w2·
max(charge de travail de la machine). Nous posons w1 = w2 = 0,5.
(5) Sélectionÿ: les individus chez les parents se joignent à la concurrence avec la
progéniture en termes de maintien de bons individus. (2 · N) individus sont générés jusqu'à
cette étape. N (taille de la population) individus sont sélectionnés parmi (2 · N ) individus par méthode de sélection.
Les deux méthodes de sélection largement utilisées sont la roulette et le tournoi.
Dans les travaux de la littérature, les deux méthodes de sélection sont choisies au hasard,
sans clarification claire des raisons. Dans notre travail, après avoir comparé l'efficacité des
deux méthodes par l'expérience, la meilleure est finalement utilisée. Nous modifions la
sélection conventionnelle des tournois qui est proposée par Goldberg et al.
(1992). Dans un tournoi ordinaire, deux individus sont choisis au hasard dans la population,
puis le meilleur parmi les deux sera choisi si une valeur aléatoire r est inférieure à une valeur
de probabilité k, sinon, l'autre est choisi où k est un paramètre. Comme dans notre travail, (2 ·
N) individus participent au tournoi, ce qui peut garantir la diversité de la population, nous

n'avons pas besoin d'utiliser la valeur de probabilité k. Nous comparons l'efficacité des deux
méthodes de sélection dans la section suivante.
(6) Critère d'arrêtÿ: le programme s'arrête lorsqu'un nombre fixe de générations est atteint.
atteint. Le meilleur chromosome, ainsi que le calendrier correspondant, sont affichés en tant
que résultats. Sinon, le programme itère les étapes (3) à (5).
Test de comparaison de tournoi et de roulette dans GA-1
Nous prenons l'exemple de J15M10 dans Xia & Wu (2005) pour comparer l'efficacité des deux
méthodes de sélection. C'est un FJSP avec une flexibilité totale, 15 jobs avec 56 opérations
traitées sur 10 machines. Nous exécutons le programme 10 fois, les résultats sont présentés
dans le tableau 3.2. Toutes nos expériences sont réalisées sur un ordinateur avec processeur
Intel(R) Core(TM) 2 (2.66GHz; 2.67GHz), le programme GA est réalisé sur
84
Matlab R2008a. Les paramètres utilisés dans GA dans notre simulation sont répertoriés dans le tableau
3.3. Les expériences suivantes de GA utilisent également les mêmes paramètres.
Tableau 3.2 : Résultat de la comparaison du tournoi et de la roue de roulette dans GA-1
meilleure valeur valeur moyenne moyenne exécution

temps (processeurÿ: seconde)
tournoi 51 roulette 75 51.15 293.09
81.15 814.02
Tableau 3.3 : Paramètres de GA

Paramètres valeur
Taille de la population (N) 2000
Génération (M) 200

Probabilité de croisement (Pc) 0,9
Probabilité de mutation (Pm) 0,1
Nous constatons que le tournoi est supérieur à la roue de roulette à la fois en valeur de forme physique
et le temps d'exécution. Par conséquent, nous utilisons le tournoi comme méthode de sélection dans GA-1.
GA-2ÿ: le deuxième GA pour la planification des séquences
Cette partie résout exactement JSSP, sur la base de la partie précédente de l'affectation de la
machine. GA pour JSSP a été étudié par de nombreux chercheurs (Dorndorf & Pesch,
Année mille neuf cents quatre-vingts-quinze; Park et al., 2003ÿ; Yamada et Nakano, 1997).
La structure de GA-2 est similaire à GA-1, mais avec un chromosome différent
représentation et différents formats d'opérateurs génétiques.
(1) Chromosome : puisque les opérations assignées à chaque machine ont déjà
été fixé par GA-1, l'ordre d'entre eux est le facteur unique devant être
décidé. Car ici, seule une séquence initiale est nécessaire. Nous adoptons largement
utilisé la règle de priorité pour obtenir une planification de séquence initiale. Pour l'exemple du tableau
3.1, une séquence initiale d'opérations sur chaque machine est la position d'émergence
des opérations comme indiqué dans le tableau 3.4, avec une règle d'enchaînement de haut en bas
dans la table.
Chromosome existe sous la forme d'une matrice de taille (m, 2r), où r représente le nombre
maximum d'opérations assignées sur une machine. La première moitié du chromosome, de la
colonne 1 à la colonne r, représente l'indice d'emploi ; la seconde mi-temps, de
85
D'INCERTITUDE
Tableau 3.4 : Ordonnancement des séquences
M1 3 2 1 3
M2 2 4 3
M3 3 1 1 4
M4 1 2 4 4 2
colonne (r + 1) à la colonne 2r, représentent l'indice de fonctionnement du travail

connexe. La combinaison des deux moitiés compose la représentation totale des
e
dans la même ligne, la valeur de opérations. par exemple, colonne, i, avec j à (r + 1)ème colonne, représente
1 opération Oij . La représentation chromosomique de l'ordonnancement des séquences
dans le tableau 3.4 est représentée parÿ: 3 2 1 3 0 2 3 4 4 0 2 4 3 0 0 1 1 3 0 0 3 1 1 4 0 1
23401244212234
La population est initialisée avec une permutation aléatoire de toutes les opérations
sur chaque machine. Pour éviter une solution irréalisable, les opérations d'un même travail
doivent obéir à des contraintes d'ordre de traitement.
(2) Croisementÿ: Park et al. (2003) ont appliqué différentes procédures de croisement
dans JSSP et ont démontré que différents croisements conviennent à différents
problèmes, en fonction de l'ampleur du problème. Nous adoptons la même procédure
de croisement que dans GA-1. La différence est que le croisement de colonnes n'est pas adapté.
(3) Mutationÿ: afin de conserver la diversité de la solution, un point est sélectionné

aléatoirement et dont la valeur est modifiée avec son voisin.
(4) Évaluation de la condition physiqueÿ: le makepan est le critère d'évaluation pour l'ordonnancement
des séquences.
(5) Sélection : Nous utilisons le tournoi comme méthode de sélection telle qu'elle est démontrée
prometteur dans GA-1.
3.1.3.2 Algorithme génétique intégré pour FJSP
Contrairement à l'approche hiérarchique, dans laquelle l'affectation des machines et

l'ordonnancement des séquences sont traités séparément, dans l'approche intégrée,
les deux sous-problèmes sont intégrés dans une procédure GA. L'organigramme de
l'approche intégrée de l'AG est décrit dans la Figure 3.3.
86
Figure 3.3 : Algorithme génétique intégré (IGA) pour FJSP
Le chromosome est le même que celui de GA-1 dans la section 3.1.3.1, en gardant le même
approche de la génération des descendants. L'objectif est de minimiser le Makespan, de sorte
que la valeur d'adéquation peut également être le Makespan. Étant donné que le Makespan est le
Makespan maximum parmi tous les travaux, il est évident que le schéma avec un Makespan
minimum nécessite que la charge de travail maximale sur toutes les machines soit également
optimale. Nous avons exécuté quelques expériences avec différents types de représentations de
fitness, le Makespan, le Makespan avec la charge de travail moyenne de toutes les machines et le
Makespan avec la charge de travail maximale parmi toutes les machines. Nous constatons que
l'utilisation de makepan + mean(workloads) comme valeur de fitness est la meilleure manière. Les deux modes de sélectio
sont également comparés sur des expériences pour sélectionner le meilleur. Dans la procédure
de décodage, l'algorithme d'ordonnancement est utilisé pour obtenir l'ordonnancement de la
séquence, puis le makepan est calculé. Les opérations sur la même machine sont séquencées en
fonction de la position d'occurrence. Lorsque le programme s'est arrêté et que le meilleur
chromosome est obtenu, l'ordonnancement de séquence du meilleur chromosome est recalculé
dans la procédure de décodage. Comme l'ordonnancement des séquences est essentiel à la
procédure de décodage pour calculer le Makespan, nous le détaillons comme suit.
Planification de la séquenceÿ: premièrement, selon la séquence de traitement pour planifier
toutes les opérations de tous les travaux, par exemple, la première opération de chaque travail est
d'abord planifiée, puis la deuxième opération, et ainsi de suite, jusqu'à ce que toutes les opérations soient planifiées. Pou
87
D'INCERTITUDE
ordonnancement des opérations sur la même machine, il existe deux méthodes traditionnelles.
L'une est la planification des opérations selon la séquence du nombre de travaux (Mes ghouni,
1999), par exemple, dans l'exemple du tableau 3.1, les opérations O21 et O41 sont toutes deux
affectées à la machine 2, O21 sera planifiée avant O41. La procédure de décodage est décrite dans
la Figure 3.4. L'autre consiste à donner un vecteur de priorité des opérations, en tant que partie du
chromosome, puis à séquencer les opérations sur la base de la priorité (Gao et al., 2006). Dans notre
travail, nous essayons de trouver une méthode de séquencement prometteuse pour les opérations
sur la même machine, en comparant les quatre méthodes de séquencement d'ordonnancement : (a)
ordre du nombre de tâches ; (b) ordre inverse du nombre d'emplois; (c) ordre aléatoireÿ; (d) ordre du
temps disponible des travaux. Les performances de ces quatre méthodes sont ensuite comparées
sur deux instances de FJSP.
Figure 3.4 : Procédure de décodage
Test de comparaison des méthodes d'ordonnancement des séquences
Nous prenons l'exemple de J8M8 et J15M10 dans Xia & Wu (2005) pour comparer l'efficacité des
quatre méthodes d'ordonnancement de séquences, avec les résultats présentés dans le tableau
3.5 et Tableau 3.6.
D'après les résultats du tableau 3.5, nous pouvons voir que la méthode de séquence
d'ordonnancement (b) est supérieure aux autres. Mais dans le tableau 3.6 , la méthode de séquence (d) est la meilleure.
Cela peut correspondre à la taille du problème. Nous ne pouvons pas définir arbitrairement la
meilleure méthode d'ordonnancement de séquences, mais il est évident que (b) et (d) fonctionnent
relativement mieux parmi les quatre. Par conséquent, nous utilisons l'ordre du temps disponible des
travaux comme méthode de séquence de planification pour les problèmes à grande échelle, tandis
que pour les problèmes à petite échelle, l'ordre inverse des travaux est préféré comme méthode de planification de séquence.
88
Tableau 3.5ÿ: Résultat de la comparaison des méthodes de séquence d'ordonnancement dans l'AG intégré
sur l'exemple J8M8

temps (cpu :
seconde)
(a) ordre du nombre de travaux 15 15.4 229,63
(b) ordre inverse du nombre de travaux 14 (c) 14 260.61
ordre aléatoire des travaux 14 (d) ordre du temps 15,3 578,55
disponible des travaux 15 15,2 567.32
Tableau 3.6ÿ: Résultat de la comparaison des méthodes de séquence d'ordonnancement dans l'AG intégré
sur l'exemple J15M10

temps (cpu :
seconde)
(a) ordre du nombre de travaux 12 13.5 386.15
(b) ordre inverse du nombre de travaux 13 (c) 13,9 433.29
ordre aléatoire des travaux 13 (d) ordre du temps 14,1 833,85
disponible des travaux 12 12.9 866.27
3.1.3.3 Optimisation intégrée des colonies de fourmis pour FJSP
L'optimisation des colonies de fourmis (ACO), également une approche basée sur la population, a
été développée à partir de l'algorithme Ant proposé pour résoudre le problème du voyageur de commerce.
(TSP) tout d'abord par Colorni et al. (1994). Plus tard, il est développé pour différents formats
(ACO, systèmes de fourmis (AS), système de fourmis Max-Min (MMAS), système de colonies de fourmis,
ACS, Elitist ant system (EAS), Rank-Based Ant System (RBAS), et postulé pour
plusieurs problèmes d'optimisation combinatoire NP-difficiles (Bullnheimer et al., 1999ÿ;
Dorigo & Gambardella, 1997; Gambardella & Dorigo, 1997; Stützlea & Hoosb,
2000). Colorni et al. (1992) a été le premier à appliquer ACO à JSP. Divers ACO développés ont été
comparés par Heinonen & Pettersson (2007) dans JSP avec différents
études de visibilité. Ils ont démontré que MMAS est supérieur aux autres. Hybride
algorithmes avec ACO ont été développés pour améliorer la quantité de solution : ACO
combiné avec la recherche locale proposée par Heinonen & Pettersson (2007) ; ACO
combiné avec la recherche tabou par Huang & Liao (2008). ACO a également été sollicité pour
FJSP (Girish & Jawahar, 2009; Ponnambalam et al., 2010; Rossi & Dini, 2007).
Nous utilisons l'approche de Ponnambalam et al. (2010), dans laquelle deux phéromones
89
D'INCERTITUDE
les pistes sont utilisées séparément pour l'affectation des machines et la planification des séquences.
Construction de solutions d'IACO
Dans cette approche, les deux sous-problèmes de FJSP sont intégrés. On suppose que la colonie de
fourmis dépose deux types de phéromones, ÿ_mijk et ÿijiÿj ÿ, pour contrôler séparément les deux
sous-problèmes, l'affectation de la machine et l'ordonnancement des séquences.
(1) Affectation de la machine
L'affectation de la machine est exécutée dans la première étape. Une fourmi choisit la machine k
pour l'opération Oij avec probabilité :
ÿ_m
ÿ_m · ÿijk ÿ_mijk
coq = (3.9)
PAij= k1 ÿ_mijkÿ_m · ÿijkÿ_m
Où ÿ_m et ÿ_m sont des paramètres pour contrôler les poids de fitness de la phéromone
et heuristique séparément. ÿijk représente la règle de choix des machines. ÿijk = 1/Tijk. Tijk est le
temps de traitement de l'opération Oij sur la machine k. Aij est l'ensemble des machines disponibles
pour l'opération Oij .
(2) Planification des séquences
La planification des séquences est exécutée après l'affectation de la machine. Prenons un
exemple de 3 emplois et 3 machines. L'affectation machine est obtenue dès l'étape précédente : les
opérations O13, O32, O33 et O23 sont exécutées sur la machine 1 ; O11, O31 et O22 seront exécutés
sur la machine 2ÿ; O21 et O12 sont exécutés sur la machine 3.
L'ensemble R comprend les travaux disponibles qui attendent d'être exécutés, initialement, R =
{O11, O21, O31}. L'ensemble T abu représente les opérations qui ont déjà été ordonnancées,
initialement, T abu = {ÿ}. La première opération est choisie aléatoirement dans l'ensemble R. Ici, on
prend O11 par exemple. Simultanément, mettez à jour Set R et T abu : R = {O12, O21, O31}, T abu =
{O11}. La fourmi choisit la prochaine opération en fonction de la probabilitéÿ:
un
ÿijiÿj ÿ ÿ · ÿijiÿj ÿ
Pijiÿj ÿ = un (3.10)
Pn je=1 Pni=j 1 ÿijiÿj ÿ ÿ · ÿijiÿj ÿ
Où, ÿ et ÿ sont deux paramètres permettant de contrôler séparément les poids de fitness de la
phéromone et de l'heuristique. ÿiji'j ' représente la règle d'ordonnancement des séquences. Différentes
règles de la littérature du FJSP peuvent être utilisées :
90
• Temps de traitement le plus court (SPT), les opérations avec le traitement le plus court
le temps a une priorité plus élevéeÿ;
• Temps de traitement le plus long (LPT), les opérations avec le temps de traitement le plus long
le temps a une priorité plus élevéeÿ;
• Le plus de travail restant (MWR), les travaux avec le plus de travail restant ont
priorité plus élevéeÿ;
• Durée des tâches non planifiées dans le travail (LTJ), les travaux avec le plus de tâches restantes
le travail que d'autres ont une priorité plus élevéeÿ;
• Temps de démarrage le plus court (SST), les opérations qui peuvent démarrer
plus tôt que d'autres ont une priorité plus élevée.
• Premier entré, premier sorti (FIFO), les travaux commençant plus tôt ont une priorité plus élevée. Lorsque
compte tenu du temps d'écoulement des travaux, cette règle est adaptée.
Au début de nos travaux de recherche, nous adoptons les deux méthodes populaires, SPT et MWR,
comme alternatives. Nos expériences montrent que MWR surpasse SPT. Ainsi, nous utilisons MWR
comme règle d'ordonnancement.
La procédure de programmation de séquence continue jusqu'à ce que toutes les
opérations soient programmées, c'est-à-dire A = {0}, et T abu = {O11, O12, O13, O21, 022, O23,
O31, O32, O33}. L'ordonnancement complet peut être considéré dans un digramme illustré à la figure 3.5.
Figure 3.5 : Digramme de l'ordonnancement des séquences dans ACO
Les heures de début et de fin sont programmées simultanément, selon la règle de non-chevauchement
du modèle de la section 2.
(3) Solution réalisable
91
D'INCERTITUDE
Nous obtenons une solution réalisable pour notre problème après les deux étapes suivantes,
y compris les machines utilisées et la séquence de traitement de toutes les opérations. Un
nombre maximal d'itérations est défini pour terminer le programme. Comme le nombre de
fourmis, le nombre d'itérations est également déterminé en fonction de la taille du problème.
Conception de sentiers de phéromones de l'IACO
ÿ_mijk indique la traînée de phéromones pour représenter l'opportunité que l'opération

Oij choisisse la machine k pour exécuter le traitement. ÿijiÿj ÿ représente la traînée de
phéromones pour la désirabilité que l'opération Oij exécute après l'opération Oiÿj ÿ .
Tous les schémas réalisables sont initialisés à 0.1.
Nous utilisons le système de fourmis Max-Min pour mettre à jour la phéromone, dont il
a été démontré qu'il surpasse les autres formats de système de fourmis par Heinonen & Pettersson (2007).
C'est-à-dire qu'après une itération, seule la phéromone de la meilleure fourmi de l'itération
est mise à jour. Supposons que l'exemple de la figure 3.5 est la meilleure fourmi de l'itération
actuelle. Les sentiers de phéromones seront mis à jour comme suit. Toutes les phéromones
diminueront avec le temps au fur et à mesure de l'évaporation. Simultanément, les traînées de phéromones,
ÿ_m112, ÿ_m123, ÿ_m131, ÿ_m213, ÿ_m222, ÿ_m231, ÿ_m312, ÿ_m321, ÿ_m331,
augmentera avec ÿÿ_mÿ; les traînées de phéromones, ÿ2111,ÿ3121, ÿ1231, ÿ1312,

ÿ2213, ÿ3222, ÿ3332, ÿ2333, augmenteront de ÿÿ .
La phéromone après l'itération actuelle tn sera mise à jourÿ:
ÿ_mijk (tn + 1) = ÿ · ÿ_mijk (tn) (3.11)
ÿijiÿj ÿ (tn + 1) = ÿ · ÿijiÿj ÿ (tn) (3.12)
Pour la phéromone de la meilleure fourmi,
ÿ_mij(tn + 1) = ÿ_mij(tn + 1) + ÿÿ_m (3.13)
ÿijiÿj ÿ(tn + 1) = ÿijiÿj ÿ(tn + 1) + ÿÿ (3.14)
1
ÿÿ_m = ÿÿ = (3.15)
f(ibest)
92
Où, ÿ est le taux d'évaporation, compris dans [0, 1]. f(ibest) est le makepan de
meilleure itération. Semblable au meilleur itération, quelqu'un a utilisé le meilleur global. Éviter
convergence prématurée, la meilleure itération est préférée.
L'esprit de MMAS est d'éviter la stagnation de l'itération sur la mise à jour des phéromones.
La valeur de la phéromone est limitée dans une plage [ÿmin, ÿmax]. Les limites des deux
types de phéromones sont déterminés à la même valeur comme suitÿ:
1
ÿmax = · f(ibest) 1 (3.16)
ÿÿ
ÿmax
ÿmin = (3.17)
Oui
Où y est un paramètre définissant l'espace entre ÿmax et ÿmin. Nous pouvons voir
que leurs valeurs changent lorsque la nouvelle itération meilleure est obtenue.
Les paramètres appliqués à ACO sont présentés dans le tableau 3.7.
Tableau 3.7ÿ: Paramètres de l'ACO

Paramètre valeur
Nombre de fourmis (M_ant) 400
Génération (NC_max) 500
Paramètre de plage d'espace (y) dix
Taux d'évaporation des phéromones (ÿ ) 0,1
Paramètre de contrôle de la phéromone de fonctionnement (ÿ) 1
Paramètre de contrôle de l'heuristique de fonctionnement (ÿ ) 2
Paramètre de contrôle de la phéromone de la machine (ÿ_m) 1

Paramètre de contrôle de l'heuristique de la machine (ÿ_m ) 2
Force de la phéromone (Q) dix
3.1.3.4 Comparaison de l'efficacité des trois approches pour le FJSP
Comme mentionné dans la section précédente, notre méthode de résolution de FJSPPM est basée sur
sur le preschedule obtenu à partir du modèle conventionnel de FJSP, nous voudrions
découvrez la meilleure parmi les trois approches ci-dessus. Nous testons nos méthodes sur
trois exemples classiques de FJSP dans Xia & Wu (2005) : J8M8, instance de partial
flexibilité, 8 jobs avec 27 opérations traitées sur 8 machines ; J10M10, exemple
d'une flexibilité totale, 10 travaux avec 30 opérations traitées sur 10 machines ; J15M10,
exemple de flexibilité totale, 15 travaux avec 56 opérations traitées sur 10 machines.
93
Les données originales des trois exemples se trouvent dans le tableau 3.8, le tableau 3.9 et le tableau 3.10
respectivement, où le symbole X indique que l'affectation est impossible. Résultats

d'expériences sur les trois exemples en exécutant le programme 10 fois
sont présentés dans le tableau 3.11. La meilleure valeur des trois exemples obtenus de Xia
& Wu (2005) est également présenté dans le tableau 3.11, avec ÿ pour la reconnaissance. Diagramme de Gantt de
la solution optimale des trois exemples est illustrée dans la Figure 3.6, la Figure 3.7 et
Figure 3.8 respectivement.
Tableau 3.8 : Problème J8M8 avec 27 opérations (flexibilité partielle)

M1 M2 M3 M4 M5 M6 M7 M8
J1 O11 5 3 53 3 X 10 9
O12 10 X 5 8 3 9 9 6
O13 X 10 X 5 6 2 4 5
J2 O21 5 7 3 9 8X9X
O22 X 8 5 2 6 7 10 9
O23 X 10 X 5 6 4 1 7
O24 10 8 9 6 4 7 XX
J3 O31 10 XX 7 6524
O32 X 10 6 4 8 9 10X
O33 1 4 5 6 X 10 X 7
J4 O41 3 6 5 9 7 8 1
4
O42 12 11 7 9 10 5 9 6
O43 4 2 7 6 8 10 3 5
J5 O51 3 7 6 8 9 X 10 X
O52 10 X 7 4 9 8 6X
O53 X 9 8 7 4 2 7X
O54 11 9 X 6 7 53 6
J6 O61 6 7 1 4 6 9 X 10
O62 11 X 9 9 9 7 6 4
O63 10 5 9 10 11 X 10 X
J7 O71 5 4 2 6 7 X 10 X
O72 X 9 X 9 11 9 10 5
O73 X 8 9 3 8 6 X 10
J8 O81 2 8 5 9 X 4 X 10
O82 7 4 7 8 9 X 10 X
O83 9 9X85 6 71
O84 9 X 3 7 1 5 8X
94
Tableau 3.9 : Problème J10M10 avec 30 opérations (flexibilité totale))
M1 M2 M3 M4 M5 M6 M7 M8 M9 M10
4 3 9 56 J2 O219 2 4 15 8 O22 4510 7 O23 6 14 9
J1 O11 1 2 8 O12 4 10 4 O13 95
J3 O31 8 3 8 O32 19 1 7 O33

1 7 J4 3O41 5 O42
3 4 4 O43
8 7 J5 O51
O5275 11 4
257
O53 6 J6 O61 8 O62 10O63
4 4 J7 O71
1 5 3 O73
1 O72 6 5 J8 O81
8 O83
5 O82
6 10 3
J9 O91 3 O92 4 O93 8 J108O101

7 11 24 O102 35 O103 99 8 4
1 9 6 1
7 5 3 1 2
5 8 9 4 3 5 1
3 6 1 2 6 54 2
1 8 10 6 4 9 3 4
54 9 5 11 27 1 6
3 8 12 1 7 4 6 9 8 4
6 5 8 3 5 2
2 3 10 4 5 6382 5 15 2 6
6314 9 10 4 4 2 8 617
1 43 3 11 13 9
9 10 8 12 5 7 8 3 10
3 6 9 2 15
7 3 6 4 5 1 11
7 8 3 34 9 14 13 10 7
8 1221 3 6 11 2 1 8 9 8 13 13 3
4 11 3 10 2 4 3 5 1 6 3 1 1 114 5 7
7 7 13 5 1 2 5 12 8
3 32586 6 84
2 54 7 95
9 8 7 54
6 7 9 67
5 4 6 2 3 10 12
3 1 7 2 6 20 6
9 4 4 17 15
12 84 12 3 5 12 4 10 23
95
Tableau 3.10 : Problème J15M10 avec 56 opérations (total

la flexibilité)
M1 M2 M3 M4 M5 M6 M7 M8 M9 M10
J1 O11 1 8 9 4 6 3 5 2 10 4 4
O12 1 11 4 1 3 94 8 3
O13 2 5 1 6 10 3 4 10 2
O14 10 4 5 59 8 94 5 15 8 7 4
J2 O21 4 7 8 9 6 14 9 1
O22 6 11 2 17 5 3 15 2
O23 8 5 89618 4 3 5 3 8 1
O24 9 3 5 10 6 4 6 4 1 7 2
J3 O31 7 1 2 3 8 12 24 9 1 2 3 4
O32 5 154 9 5 7 1 6
O33 4 7 4 1 9 8 4
O34 7 3 6 5 6 3 5 2
J4 O41 6 2 1 2 83 6 5 4
O42 8 5 7 4 2 36 5 3 6 8 5
O43 9 6 2 4 15 1 4574 5 2
O44 11 4 9 4 5 6 2 7 28 7 2 4 2 1
J5 O51 6 2 3 5 8 5485 1 2
O52 5 6 3 5 2 4 5
O53 6 2 4 3 6 5 7 9
O54 6 5 4 2 3 2 7 5
J6 O61 4 1 3 2 6 9 4 2
O62 1 3 6 5 4 7 54 6 5
J7 O71 1 4 5 3 9 5 4
O72 2 1 24 5 2 5 84 2 5
J8 O81 2 3 6 2 5 63415 8 7
O82 4 5 6 2 3 4 49 8 36 51 2 5
O83 3 5 4 2 5 4 5
O84 1 2 36 5 2 2 54 11 2
J9 O91 6 3 22 44 11 10 23 5 1
O92 2 3 2 12 15 10 12 14 18 16
O93 20 17 12 5 9 6 4 7 5 6
O94 9 8 7 4 5 8 56 3 7 4 56 2
J10 O101 5 8 7 4 2 5 41
O102 2 5 6 9 8 5 4 2 5 4
O103 6 3 2 5 4 7 4 2 1
O104 3 2 5 6 5 8 7 54 5 2
J11 O111 1 2 3 6 5 2 1 4 2 1
Suite à la page suivante
96
Tableau 3.10 – suite de la page précédente

M1 M2 M3 M4 M5 M6 M7 M8 M9 M10
O112 3 6325 2 1 4 10 12 1
2 O113 6 45 6 5 6 8 4 6 3 25
3 O114 1 95 2 4 1 25 2 4
4 J12 O121 9 8 3 6 5 2 4 75 63 6 5 2
O122 5 8 4 21
O123 12 5 4 6 3 2 5 4 2 5
O124 8 7 9 5 6 3 2 5 8 4
J13 O131 4 O132 2 6 8 5 6 4 6 2
3 O133 5 5 5 7 5 8 6 6 3 2
O134 3 J144 4 8 5 4 6 5 4 2
O141 2 5 2 5 3 52 6 5 4 8 5 6 85 4 4
O142 6 O143 3 4 25 4 4 6 5 4 4225 5
O144 8 J15 5 8 6 5 6
O151 2 8 5 6 3 4
O152 5 5 6 4 3 6 8 5 4
O153 6 5 6 8 6 3 2 5 4
6 5 4 2 5 214
3 52 11 2 2 5 3 2 5
5 2 8 4 7 5
2 3 6 5 4 8
Tableau 3.11 : Résultat de trois approches appliquées à trois exemples de FJSP
J8M8 J10M10 J15M10

HGA
16(temps
meilleur étalage 7 étalage moyen 7,9 Temps d'exécution moyen 14
CPU : seconde) 433,03 481,35 917,50 16.1 17.4
ÂGE
meilleur Makespan 14 7 12
Mean Makespan Temps 15.7 7.2 13.5
d'exécution moyen (temps CPU : seconde) 250,91 251,56 386,15

MOULAGE
meilleur Makespan 15 7 16
Mean Makespan Temps 15.4 7.9 17.9
d'exécution moyen (temps CPU : seconde) 290,99 344,86 694,19

meilleure solution dans la littérature (makespan) 7 ÿ 15ÿ 12ÿ
97
D'INCERTITUDE
M8 O72 O83
M7 O31 O62 O23 O54
M6 O81 O42 O53 O13
M5 O11 O12 O84 O24
M4 O52 O22 O73
M3 O71 O61 O21 O32
M2 O41 O82 O63
M1 O51 O43 O33
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Figure 3.6 : Diagramme de Gantt de la meilleure solution de J8M8
M10 O31 O72 O23
M9 O51 O52 O63
M8 O32 O43
M7 O41 O11 O92 O33
M6 O61 O62 O93
M5 O81 O103
M4 O91 O22 O73 O53 O13
M3 O101 O42 O12
M2 O102 O82 O83
M1 O71 O21
0 1 2 3 4 5 6 7
M10O91
M10 O131 O132 O23 O133 O103 O44 O94
M9 O51 O82 O113 O14
M8 O121 O151 O143 O54
M7 O21 O101 O32 O53 O93 O124
M6 O111 O52 O112 O152 O123 O144
M5 O41 O42 O122 O114 O154
M4 O81 O83 O24 O34
M3 O22 O92 O43 O13 O153
M2 O31 O61 O12 O72 O142 O33 O84 O104
M1 O11 O71 O141 O62 O102 O134
0 1 2 3 4 5 6 7 8 9 dix 11 12
98
D'après les résultats des expériences ci-dessus, nous pouvons constater que l'IGA est
supérieure aux deux autres approches dans les trois exemples. IGA peut obtenir les
meilleures valeurs comme dans la littérature. Pour l'exemple de J8M8, nous avons trouvé
un meilleur résultat que celui de la littérature. HGA fonctionne mieux que IACO dans les
problèmes à plus grande échelle, mais pire dans les problèmes plus petits pour obtenir la
meilleure valeur. IGA a besoin de moins de temps que les deux autres, suivi par IACO, tandis que HGA a besoin d
3.1.3.5 Approche complète pour FJSPPM
Sur la base de l'approche de résolution de FJSP, nous ajoutons PM dans le programme.

Nous utilisons deux approches différentes pour résoudre FJSP avec PM. L'un est l'algorithme
d'ordonnancement simultané (SSA), l'approche de Gao et al. (2006), où les travaux et les
tâches PM sont planifiés simultanément. Le second est notre nouvel algorithme d'insertion
proposé (IA), pour insérer PM après que tous les travaux ont été planifiés. Les deux sont
basés sur la même initialisation de l'heure de début de PM qui est définie au dernier instant
de la fenêtre temporelle. L'organigramme des deux algorithmes est illustré à la figure 3.9.
Figure 3.9 : Deux algorithmes de résolution de FJSPPM
Algorithme de planification simultanée (SSA)
Bien que la SSA soit déjà utilisée par Gao et al. (2006), nous aimerions examiner l'efficacité
de leur algorithme. Nous proposons deux autres méthodes à comparer avec leur algorithme.
(1) Algorithme de compactage des PM à gauche dans la littérature (Gao et al., 2006).
99
D'INCERTITUDE
Tout d'abord, toutes les tâches PM sont initialisées pour démarrer au dernier moment dans
les fenêtres de temps. Ensuite, commencez à planifier les travaux. Lorsqu'une opération d'un
travail rencontre un PM, c'est-à-dire qu'une collision se produit, compactez la tâche PM vers la
gauche autant que possible, puis rangez l'opération après PM. La procédure de compactage des
PM pour traiter la collision des PM et de la tâche est illustrée à la Figure 3.10.
Figure 3.10ÿ: Compact PM vers la gauche lorsque PM est initialisé au dernier moment
(2) Initialisation de l'heure de début de l'après-midi au dernier moment dans les fenêtres horaires et
PM compact sur le côté droit.
Sur la base de l'algorithme de la littérature, nous initialisons d'abord les tâches PM, mais au
premier instant de leur fenêtre temporelle. Lorsqu'une opération rencontre une tâche de PM,
retarder PM à droite et juste après l'opération. L'activité de retard est sûrement contrainte dans
la fenêtre temporelle de PM. L'illustration de cette méthode de traitement de la collision des PM
et de l'emploi est illustrée à la figure 3.11.
Figure 3.11ÿ: Compact PM vers la droite lorsque PM est initialisé au premier instant
(3) Changer les machines pour les tâches en cas de collision avec les tâches PM.
Commencez par initialiser les tâches PM, soit au plus tard, soit au plus tôt dans la fenêtre
temporelle. Dans notre exemple, nous prenons le dernier moment de la fenêtre temporelle. La
différence avec les deux algorithmes ci-dessus est la politique de traitement de la collision des tâches PM et
100
emplois. Contrairement aux deux méthodes ci-dessus, dans lesquelles les opérations utilisent
toujours la machine, une autre politique de traitement de la collision du PM et du travail consiste à
changer de machine de traitement du travail. C'est-à-dire que PM reste là où il est initialisé, mais le
travail choisit une autre machine. Prenons l'exemple de la figure 3.12. L'opération Oij ar portée sur
la machine g répond à une tâche de PM. Nous n'avons pas besoin de déplacer PM, mais de trouver
ÿ
une autre machine disponible, par exemple la machine g Oij .
pour
Figure 3.12ÿ: Changer de machine pour traiter la collision des PM et de la tâche
Pour choisir une nouvelle machine pour un travail ayant une collision avec la tâche PM, nous pouvons
utiliser des règles différentesÿ:
(a) Choisissez au hasard une machine disponibleÿ;
(b) Choisissez la machine avec le moins de temps de traitement pour l'opérationÿ; (c)
Choisissez la machine avec le premier moment disponible. Disponibilité des machines
les moments valides sont l'heure de fin de la dernière opération à l'instant actuelÿ;
(d) Prenez la machine avec une somme minimum de temps de traitement et de temps
d'inactivité pour l'opération. Le temps d'inactivité se produit lorsque le moment disponible du
travail est postérieur au moment disponible de la machine.
Les méthodes correspondant aux quatre règles sont résumées comme suit : choisir une
machine aléatoire, choisir une machine avec un temps de traitement minimum, choisir une machine
avec le temps disponible le plus ancien, choisir une machine avec le moins de temps d'inactivité,
respectivement. Dans ces 4 méthodes, nous initialisons l'heure de début de PM au dernier instant
de la fenêtre temporelle. Le test de comparaison de ces 6 méthodes de SSA est exécuté sur
101
exemple J8M8, identique à l'exemple de test J8M8 de la section précédente. IGA est
utilisé, avec les mêmes paramètres dans les exemples de test précédents. Les données de PM se réfèrent
à la littérature. Nous exécutons le programme de chaque méthode 10 fois. Valeur moyenne
et la meilleure valeur de Makespan sont également comparées. Les paramètres sont les mêmes que
dans le test précédent de GA. Les résultats sont présentés dans le tableau 3.12, à partir duquel nous
peut voir que l'initialisation du temps de démarrage de PM à la fin des fenêtres de temps est une bonne
choix. De plus, nous avons essayé d'utiliser IACO pour trouver un démarrage initialisé optimal
temps de PM, les résultats ne sont pas bons comme celui utilisé, non plus. La performance
des méthodes de (b) et (d) avec des machines à changer est meilleure que les méthodes de
PM mobile utilisé dans la littérature. Par conséquent, dans les tests suivants, l'heure de début de PM
initialisé au dernier instant de la fenêtre temporelle, en attendant on adopte les trois
méthodes performantes comme trois types différents de SSA : méthode traditionnelle
dans la littérature sans changer de machine ; choisir une nouvelle machine avec un minimum
temps de traitementÿ; choisir une nouvelle machine avec un minimum de temps de traitement et
temps d'inactivité.
Tableau 3.12 : Comparaison des différentes méthodes de SSA

meilleure valeur valeur moyenne
les machines ne changent pas

ET
PM initialisé à partir de t 19 19.3
L 17 17.2
PM initialisé à partir de t
choisir une nouvelle machine
(a) machine aléatoire 20 (b) machine avec un temps de 20.6
traitement minimum 17 (c) machine avec le premier temps 17
disponible 18 (d) machine avec un temps d'inactivité 18.5
minimum 17 17
Algorithme d'insertion (IA)
Dans IA, les tâches PM sont insérées dans les intervalles d'inactivité des tâches après qu'elles ont toutes été
programmé. Nous visons à utiliser pleinement les intervalles d'inactivité, qui existent toujours et
sont incontournables dans la planification. L'IA est décrite comme suitÿ:
(1) Trouvez les intervalles de temps d'inactivité effectifs de gauche à droite sur la programmation
séquence de chaque machine, dans la plage des fenêtres temporelles de la tâche PM.
102
(2) Si l'intervalle de temps d'inactivité effectif maximal ne peut pas satisfaire la durée de
la tâche PM, exécuter la tâche PM au début de l'intervalle de temps d'inactivité maximal, puis
retarder toute sa séquence d'opérations postérieure.
(3) Pour le pré-planning où il n'y a pas de temps mort utile pour insérer des tâches PM,
insérez-le à l'instant proche de la dernière fenêtre de temps puis poussez les tâches suivantes.
Approche complète pour FJSPPM
Les deux algorithmes ci-dessus doivent être combinés avec l'approche de FJSP pour résoudre
FJSP avec PM. Nous proposons d'utiliser la combinaison suivante : GA intégré avec SSA ;
GA intégré avec IAÿ; ACO intégré avec SSA. Comme nous l'avons mentionné dans la section
ci-dessus, trois types différents de SSA peuvent y être utilisés. Strictement, il existe sept
approches différentes au total. Nous comparons et différencions les 7 approches dans la
section des expériences.
(1) IGA avec SSA :

(1a) IGA avec SSA1, sans machine à changer ; (1b) IGA
avec SSA2, en choisissant une nouvelle machine avec un temps de traitement minimumÿ;
(1c) IGA avec SSA3, choix d'une nouvelle machine avec un minimum de traitement
et le temps mort.
(2) IGA avec IAÿ;

(3) IACO avec SSA :
(3a) IACO avec SSA1, sans machine de changement ; (3b)
IACO avec SSA2, en choisissant une nouvelle machine avec un temps de traitement
minimumÿ; (3c) IACO avec SSA3, choisissant une nouvelle machine avec une somme
minimale de traitement et de temps d'inactivité.
3.1.4 Expériences numériques de FJSPPM

Afin de tester l'efficacité et l'efficience de nos approches proposées, nous comparons les
sept approches décrites ci-dessus sur les exemples de Gao et al. (2006), dans lequel une
partie de FJSP sont les exemples de Xia & Wu (2005), les mêmes que les exemples de test de
FJSP que nous avons utilisés dans la section précédente. Les trois exemples de FJSPPM
sont : J8M8PM, avec une tâche de maintenance sur chaque machine ; J10M10PM, avec une
tâche de maintenance sur chaque machineÿ; J15M10PM, avec une ou deux tâches de
maintenance sur chaque machine. Les données des tâches PM proviennent de
103
(Gao et al., 2006), détaillés respectivement dans les Tableau 3.13, Tableau 3.14 et Tableau 3.15 .
Tableau 3.13 : Tâches PM dans J8M8PM

PM11 PM21 PM31 PM41 PM51 PM61 PM71 PM81
ET
Fenêtre temporelle t jl 5 6 dix 9 3 8 4 7
L
t jl dix 9 15 17 dix 16 14 13
Durée 4 3 5 3 3 5 3 4
Tableau 3.14 : Tâches PM dans J10M10PM

PM11 PM21 PM31 PM41 PM51 PM61 PM71 PM81 PM91 PM101
ET
Fenêtre temporelle t jl 2 2 1 2 3 2 2 3 2 3
L
t jl 4 7 6 5 7 6 5 7 5 6
Durée 2 1 1 2 1 2 2 3 2 3
Tableau 3.15ÿ: Tâches PM dans J15M10PM

PM11 PM21 PM31 PM32 PM41 PM51 PM61 PM71 PM81 PM82 PM91 PM101
ET
Fenêtre temporelle t jl 2 3 1 5 3 2 1 3 1 7 2 3
L
t jl 5 7 3 11 dix 8 6 7 5 11 5 8
Durée 1 1 1 2 3 2 1 1 1 1 1 1
Les paramètres sont utilisés de la même manière que les approches pour résoudre FJSP, dans le tableau
3.3. Les résultats de la comparaison des sept approches sur les trois exemples sont présentés
dans le tableau 3.16. La solution obtenue par hGA avec SSA est dans Gao et al. (2006). Gantt
les graphiques des meilleures solutions que nous avons obtenues sont présentés dans la Figure 3.13, la Figure 3.14
et Figure 3.15 respectivement.
M8 O72 O83 PM81
M7 O31 O62 O23 PM71 O54
M6 O42 O13 O53 PM61
M5 O11 O12 PM51 O24 O84
M4 O32 O52 O73 PM41
M3 O21 O61 O22 O43 PM31
M2 O41 O71 O82 PM21 O63
M1 O51 O81 O33 PM11
012345 6 7 8 9 10 11 12 13 14 15 16 17 18
Figure 3.13 : Diagramme de Gantt de la meilleure solution de J8M8PM
104
Tableau 3.16 : Résultat de sept approches appliquées sur des exemples de FJSPPM
J8M8PM J10M10PM J15M10PM
(1) IGA avec SSA

(1a) IGA avec SSA1 (pas ça fait du bien 17 8 12
changer de machine)
temps d'exécution 541.10 556.31 915.72
(1b) IGA avec SSA2 (choisir makepan 17 9 14
nouvelle machine avec un minimum
temps de traitement)
temps d'exécution 1903.79 1981.43 2273.34
(1c) IGA avec SSA3 (choisir marquespan 17 9 12
somme de l'inactivité et du traitement
temps)
temps d'exécution 1867,85 2105.32 3254.13
(2) IGA avec IA makepan 18 temps d'exécution

251,91 13
9 252,56 387.15
(3) OIAC avec SSA

(3a) IACO avec SSA1 (pas ça fait du bien 18 9 18
changer de machine)
temps d'exécution 400.15 513,22 942.36
(3b) IACO avec SSA2 (choisir makepan 18 8 16
temps de traitement)
temps d'exécution 931,60 1000,64 1188.34
(3c) IACO avec SSA3 (choisir marquespan 17 9 17
somme de l'inactivité et du traitement
temps)
temps d'exécution 835,70 923.20 1318.75
ÿ
hGA avec SSA (meilleure solution marquespan 17ÿ 8 12ÿ

Dans la littérature)
105
D'INCERTITUDE
M10O31
M10 O42 PM101
M9 O41 O51 O62 PM91 O63
M8 O32 O72 PM81
M7 O21 O22 PM71 O33
M6 O61 O91 O52 O93 PM61
M5 O81 O103 PM51
M4 O102 PM41 O43 O53 O73
M3 O101 O12 O92 PM31 O23
M2 O82 O83 PM21
M1 O11 O71 PM11 O13
0 1 2 3 4 5 6 7 8
M10O91
M10 O131 O132 O23 O133 PM101 O103 O94
M9 O51 O32 O142 PM91 O123 O14
M8 O121 O151 PM81 O143 PM82 O44
M7 O21 O81 O111 PM71 O93 O124 O114
M6 O101 O52 O112 PM61 O43 O153 O54
M5 O41 O42 O122 PM51 O144 O154
M4 O61 O82 O83 O34 O24 PM41
M3 O71 PM31 O22 O152 O13 O113 PM32
M2 O31 O12 O72 O33 O53 PM21 O134 O104
M1 O11 O141 O92 PM11 O62 O102 O84
0 1 2 3 4 5 6 7 8 9 dix 11 12
106
3.1.4.1 Analyse des résultats
D'après les résultats du tableau 3.16, nous pouvons voir que dans la plupart des cas, les performances
de IACO sont inférieures à IGA, mais IACO coûte moins de temps d'exécution que IGA. Le résultat
obtenu avec notre approche est comparable à la meilleure valeur obtenue dans la littérature. Nos
approches proposées, SSA2 et SSA3, fonctionnent généralement mieux que SSA1 dans la littérature,
en particulier combinées avec IACO. De plus, il est évident que notre IA proposée a un grand avantage
dans la vitesse d'exécution. Une vitesse d'exécution élevée peut apporter une commodité importante
lorsque le programme intégré à d'autres gestionnaires

logiciel de gestion comme l'ERP.
3.1.4.2 Discussions
Dans notre travail, nous suggérons d'utiliser le CBM comme maintenance préventive pour réduire la
disponibilité des machines. Comme nous le savons, dans la plupart des cas, des machines sont disponibles.
Étant donné que CBM n'est pas à période fixe, nous ne savons pas quand exécuter la tâche de
maintenance jusqu'à ce que l'équipement de détection envoie des résultats de maintenance.
En combinant avec la courbe P ÿ F de la figure 3.1, nous illustrons la situation de la fabrication.
Prenons l'exemple de la figure 3.16. Avant de détecter une panne cachée (point P), nous ne
prévoyons pas de tâche de maintenance dans le problème d'ordonnancement. Nous exécutons la
fabrication selon un pré-planning de FJSP classique. En arrivant au point P, nous devons envisager
d'ajouter des tâches de maintenance et avons besoin d'une solution de planification de FJSPPM.
Ainsi, un ordonnancement en temps réel est nécessaire pour cet environnement dynamique. À ce
moment, si nous appliquons l'algorithme de planification simultanée (SSA) pour FJSPPM, nous
devons arrêter la tâche en cours, comme le travail i et le travail g dans la figure 3.16, puis replanifier
les tâches de repos. Par conséquent, pour la prochaine étape de réordonnancement, nous devons
également prendre en compte les travaux arrêtés, ce qui peut augmenter la complexité du problème
d'ordonnancement. Cependant, si nous appliquons l'algorithme d'insertion (IA) pour ajouter PM dans
le schéma planifié pour FJSP normal, nous n'avons pas besoin de replanifier FJSPPM. A partir de la
section 3.1.4.1, nous avons démontré la bonne performance de l'IA plutôt compétitive avec les autres
approches pour FJSP. Même si les résultats de l'IA pour le traitement des tâches de maintenance
émergentes ne sont pas aussi bons que ceux de la SSA, l'IA est évidemment plus adaptée au FJSP
avec CBM. Par rapport au SSA, un autre avantage de l'IA est qu'il modifie moins le pré-horaire
d'origine. La préprogrammation est en grande partie liée à la planification des installations de l'usine.
Une fois l'installation fixée, elle ne devrait pas être
107
D'INCERTITUDE
changé fréquemment. Les opérations peuvent être retardées, mais il est préférable d'être
traitées sur la même machine. Il y a un problème de planification du trajet de la pièce, où la
manutention des matériaux est impliquée.
Figure 3.16 : L'interruption de la maintenance arrive à un pré-programme existant de FJSP
3.2 FJSP avec tâches à arrivée dynamique
Il n'y a pas beaucoup de recherches sur les arrivées d'emplois incertains dans le FJSP.
Berkoune (2005), qui a également travaillé dans notre groupe de recherche, a proposé deux
méthodes différentes pour insérer les commandes prévues dans les emplois existants dans
FJSP. L'une est la méthode statique, dans laquelle les travaux urgents prévus sont insérés
dans des intervalles vides de machines. Ceci est similaire à notre algorithme d'insertion (IA)
pour PM, appelé stratégie de la demande réelle dans sa thèse. Pour l'algorithme d'insertion
dynamique, les travaux ordinaires sont retardés pour garantir l'échéance des travaux urgents.
C'était une stratégie en temps réel. Il existe des recherches sur les arrivées de nouveaux
emplois dans d'autres modes de fabrication, tels que le flow shop, où l'heure d'arrivée des
emplois est générée à partir d'une distribution uniforme discrète dans la recherche de Sung
& Kim (2002), avec des plages déterminées. De même, les arrivées d'emplois dynamiques
sont considérées par Yao et al. (2011) dans l'ordonnancement de l'atelier de flux. Le temps stochastique des arrivées d'em
Sur la base des travaux de Berkoune (2005), nous considérons la situation de la demande
imprévisible, c'est-à-dire les emplois urgents. Lorsqu'un travail urgent arrive, il doit être
ajouté au schéma de planification réel pour garantir sa date d'échéance. Nous proposons
deux méthodes pour ajouter des tâches d'arrivée urgente dans le schéma d'ordonnancement
en coursÿ: la première consiste à insérer un algorithme comme l'IA de maintenance dans la
sectionÿ3.1.3.5ÿ; l'autre consiste à rééchelonner les opérations de repos du régime actuel et
des nouveaux emplois, ce qui est similaire à la méthode d'insertion dynamique de (Berkoune,
2005). La différence est que dans certains cas nous n'utilisons pas l'algorithme d'insertion, mais un réordonnancement.
108
3.2 FJSP avec tâches à arrivée dynamique
3.2.1 Insertion de l'algorithme du nouveau travail d'arrivée
L'insertion d'un job est similaire à celle de la maintenance, mais avec une contrainte de date
d'échéance des jobs différente de celle de la fenêtre de temps de maintenance. Par conséquent, nous
pouvons appliquer notre algorithme d'insertion de maintenance au problème de l'insertion d'un atelier
de travail urgent. En prenant l'exemple de la Figure 3.17, une nouvelle tâche arrive au moment 9. Tout
d'abord, nous pouvons planifier une nouvelle tâche indépendamment sur les machines disponibles,
en garantissant sa date d'échéance, comme dans la Figure 3.18. Et ensuite, nous insérons la
planification du nouveau travail d'arrivée dans le schéma de la tâche en cours. Comme l'IA de
maintenance dans la section 3.1.3.5, en cas de collision d'anciens emplois et de nouveaux emplois,
nous donnons la priorité aux nouveaux emplois d'arrivée et retardons les opérations d'anciens
emplois, comme le montre la figure 3.19. La différence avec l'IA de la maintenance est que nous
n'avons pas besoin de trouver d'abord le temps d'inactivité, car la planification d'un nouveau travail au temps d'inactivité peut
Figure 3.17ÿ: Schéma de planification en cours avant l'arrivée d'un nouveau travail
Figure 3.18 : Planification indépendante pour un nouvel emploi
109
D'INCERTITUDE
Figure 3.19ÿ: Insertion de l'algorithme de la nouvelle tâche d'arrivée
3.2.2 Replanification des opérations de repos avec de nouveaux emplois d'arrivée
Pour la même instance dans la Figure 3.17. Nous essayons de reprogrammer l'opération de repos à
partir du moment où un nouvel emploi arrive. Il devrait être préoccupé par le fait qu'en cours
les tâches ne peuvent pas être interrompues une fois démarrées, comme O33 dans l'instance. Par
conséquent, les opérations de repos dans l'exemple lorsqu'un nouveau travail arrive sont O13 et O23. Nous
ainsi les reprogrammer avec les nouveaux travaux d'arrivée pour trouver une solution optimale,
illustré à la Figure 3.20.
Figure 3.20ÿ: Replanification des opérations de repos avec nouvelle tâche d'arrivée
En raison de la limitation du temps de recherche, nous n'avons pas pu démontrer et
comparer ces deux méthodes à travers des exemples numériques. Du fait de la similitude avec les
travaux de Berkoune (2005), on peut se référer à sa thèse pour une illustration détaillée des
modalités de traitement des emplois ajoutés.
110
3.3 Impact des délais de traitement incertains des travaux vers le FJSP
3.3 Impact du temps de traitement incertain des travaux sur

FJSP
Comme le temps d'arrivée dynamique des emplois dans l'ordonnancement des ateliers, le temps
de traitement incertain est peu étudié dans la littérature. Les temps de traitement discrets sont
générés à partir de la distribution uniforme discrète de Sung & Kim (2002). Le temps de traitement
flou considéré dans JSSP est analysé par Lei (2010a) et celui considéré dans FJSP est traité par
Lei (2010b). Les nombres flous triangulaires sont utilisés pour représenter le temps de traitement
flou. Dans la recherche sur l'utilisation de la recherche de voisinage variable pour la planification
dynamique des ateliers de travail de Zandieh et Adibi (2010), les arrivées d'emplois sont une
distribution de Poisson, le temps moyen entre pannes (MTBF) et le temps moyen de réparation
(MTTR) des machines suivent également une distribution exponentielle. . La simulation est exécutée dans Artificial
Réseau neuronal.
Contrairement aux discussions sur la représentation du temps de traitement incertain dans
la planification des ateliers dans la littérature, nous discutons de l'impact du temps de traitement
incertain sur la planification des ateliers.
Bien qu'à l'heure actuelle, le temps de traitement incertain fasse l'objet d'une grande
attention sur l'ordonnancement dynamique, il n'est pas clairement déclaré dans la littérature quel
est son impact sur l'ordonnancement s'il est traité de manière statistique. Nous aimerions donner
quelques discussions sur l'impact du temps de traitement incertain sur la planification de l'atelier de travail.
Nous utilisons l'exemple de la figure 3.17. Si O11 coûte 5 unités de temps, ce qui est supérieur
à la valeur ordinaire attendue 4, cela affectera les opérations suivantes du même travail 1, O12 et
O13, et par conséquent les opérations sur la même machine, O22. Avec la même analogie, O12 et
O13 peuvent influencer les opérations sur la même machine d'entre eux, et O22 peut retarder son
opération suivante du même travail. Dans l'exemple de la Figure 3.17, étant donné que le temps
d'inactivité sur la machine M2 est exactement d' une unité de temps, seul O22 est influencé et doit
être retardé d' une unité de temps. Il n'a aucune influence sur la durée globale de planification.
L'impact d'un temps de traitement plus long sur la planification est illustré à la Figure 3.21.
De même, si O11 coûte 3 unités de temps, ce qui est inférieur à la valeur ordinaire 4, il peut
également influencer ses opérations connexes, comme les opérations du même travail, O12 et
O13, et les opérations sur la même machine, O22. Dans l'exemple, cela n'affectera que O22, mais
n'influencera pas l'étendue globale de la planification. La planification impactée par ce temps de
traitement modifié est illustrée à la Figure 3.22.
111
D'INCERTITUDE
Figure 3.21 : Impact d'un temps de traitement plus long sur la planification de l'atelier
Figure 3.22 : Impact d'un temps de traitement réduit sur la planification de l'atelier
112
Selon l'analyse ci-dessus, nous pouvons constater que le temps de traitement incertain de
chaque opération ne perturbe pas la planification globale. De plus, si le temps de traitement
incertain influence la durée de la planification globale, le degré d'impact est encore incertain. Si
l'influence est faible, nous pouvons l'ignorer. On note l'opération qui impacte beaucoup
l'ordonnancement global comme opération clé. Pour l'opération clé, on peut accorder plus
d'attention à prévoir son temps de traitement. Prenons le schéma d'ordonnancement de la Figure
3.6 comme exemple. Afin de trouver l'opération clé, nous augmentons le temps de traitement de
chaque opération pour voir quel est l'impact sur la durée globale de la planification.
Impact de l'augmentation du temps de traitement de chaque opération de la figure 3.6 sur le makepan
est illustré à la Figure 3.23 et à la Figure 3.24, correspond à une augmentation de 1
et 2 unités de temps respectivement. D'après les résultats, nous pouvons constater
que les opérations O22, O23, O24, O33, O42, O43, O51, O52, O53, O54, O61, O62,
O63, O71, O81, O82, O83 et O84 sont des opérations clés. Il n'est pas difficile
d'observer que les opérations clés que nous avons trouvées sont juste celles après
lesquelles il n'y a pas d'espace vide jusqu'aux opérations suivantes sur la même
machine. De plus, pour certaines opérations, comme O72, lorsque le temps de
traitement réel augmente de 1 unité de temps, cela n'impacte pas le planning global,
mais s'il augmente de 2 unités de temps, il le fait. Nous pouvons donc donner une
plage flottante à ces opérations. Pour O72, sa plage flottante est [0, 1], qui est
exactement l'espace vide entre lui et sa prochaine opération O83. Nous appelons ce
flotteur flotteur libre. De plus, pour les opérations comme O11, lorsqu'il augmente
d'une unité de temps, il ne retarde pas l'horaire global, mais il retardera sa prochaine opération O12, nou
Le concept de flottement vient de la méthode du chemin critique (CBM), qui est une technique
de modélisation de projet développée à la fin des années 1950 par Kelley Jr & Walker (1959).
De même, nous pouvons également trouver des opérations clés pour d'autres schémas
d'ordonnancement. Par exemple, pour la même instance de FJSP, J8M8, en plus du schéma
d'ordonnancement de la Figure 3.6, il existe plusieurs solutions optionnelles différentes, comme
celles de la Figure 3.25, de la Figure 3.26 et de la Figure 3.27. Toutes ces trois solutions
optionnelles atteignent la même valeur minimale de makespan, 14. Étant donné que les
intervalles vides entre les opérations dans le schéma d'ordonnancement jouent le rôle de
redondance du temps de traitement, ce qui est un relâchement pour tolérer un temps de
traitement incertain, le schéma avec plus d'intervalles vides ( à l'exception de l'intervalle vide en début d'horaire sur
113
D'INCERTITUDE
Figure 3.23 : Impact de l'augmentation du temps de traitement avec 1 unité de temps sur J8M8
Figure 3.24 : Impact de l'augmentation du temps de traitement avec 2 unités de temps à J8M8
114
machines) est préférable. Pour les quatre schémas différents de J8M8 dans la Figure
3.6, la Figure 3.25, la Figure 3.26 et la Figure 3.27, le nombre d'intervalles vides
(unités de temps) est respectivement de 26, 18, 18 et 22 . Par conséquent, du point de
vue de la minimisation de la durée de fabrication et de la redondance du temps de
traitement, le schéma de la figure 3.6 est la meilleure solution pour J8M8.
M8 O41 O72 O83
M7 O62 O23 O54
M6 O81 O42 O53 O13
M5 O31 O12 O24
M4 O11 O52 O32 O73
M3 O61 O21 O22 O84
M2 O71 O82 O63
M1 O51 O43 O33
0 1 2 3 4 5 6 7 8 9 dix 11 12 13 14
Figure 3.25 : Solution optionnelle 1 pour J8M8
M8 O72 O83
M7 O31 O62 O23 O54
M6 O81 O42 O53 O13
M5 O32 O24
M4 O52 O22 O73
M3 O71 O61 O21 O12 O84
M2 O41 O11 O82 O63
M1 O51 O43 O33
0 1 2 3 4 5 6 7 8 9 dix 11 12 13 14
Parce que les opérations clés ont beaucoup d'impact sur la durée du calendrier global
ing, la prédiction et l'assurance de leur temps de traitement sur les machines
connexes devraient être accordées plus d'attention que ces opérations. Une prévision
précise du temps de traitement des opérations clés est nécessaire si nous adoptons
le schéma d'ordonnancement de la figure 3.6. Ce concept allège la charge de
prévision et contribue à la gestion du temps de traitement incertain des jobs.
115
D'INCERTITUDE
M8 O41 O72 O83
M7 O31 O62 O23 O54
M6 O81 O42 O53 O13
M5 O12 O24
M4 O11 O52 O32 O73
M3 O61 O21 O22 O43 O84
M2 O71 O82 O63
M1 O51 O33
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
3.4 Conclusion
Dans notre étude de l'incertitude dans le système manufacturier, nous nous concentrons sur le
problème d'ordonnancement flexible des tâches (FJSP). Afin d'assurer la disponibilité des
machines, nous ajoutons la maintenance conditionnelle (CBM), une sorte de maintenance
préventive (PM), au problème de planification. CBM est sur une base théorique de courbe P - F et
peut utiliser pleinement les ressources, les machines pour le travail de traitement, les matériaux et le personnel
pour entretenir les machines.
La procédure pour trier FJSP avec CBM se termine en deux parties, en obtenant un schéma
de planification pour FJSP ordinaire en tant que pré-planification et en ajoutant des tâches PM
dans le calendrier existant. Pour la première partie, pour obtenir un résultat optimal du problème,
le minimum de tâches et de maintenances, nous proposons d'abord de trouver la meilleure solution
pour FJSP en comparant l'approche hiérarchique et l'approche intégrée. Trois approches
différentes sont proposées : l'Algorithme Génétique Intégré (IGA), l'Algorithme Génétique
Hiérarchique (HGA) et l'Optimisation Intégrée des Colonies de Fourmis (IACO). Contrairement aux
conclusions de certains chercheurs, affirmant que l'approche hiérarchique est supérieure à
l'approche intégrée, nous constatons que l'IGA est la meilleure des trois. Nous obtenons des
résultats prometteurs pour le benchmark de FJSP. Pour une instance de FJSP, nous obtenons un
meilleur résultat que celui de la littérature. Pour la deuxième partie, nous proposons un algorithme
d'insertion (IA) et améliorons l'algorithme d'ordonnancement simultané (SSA) dans la littérature
avec différentes heuristiques. Nous découvrons que nos deux SSA proposés, pour traiter la
collision du travail et du PM, l'un avec le choix d'une nouvelle machine avec un temps de traitement
minimum (SSA2) et l'autre avec le choix d'une nouvelle machine avec une somme minimum de
temps de traitement et de temps d'inactivité
116
3.4 Conclusion
(SSA3) fonctionnent bien. En combinant l'approche pour FJSP et les quatre algorithmes
différents pour ajouter des tâches PM à la procédure de planification de l'atelier de travail, nous
appliquons sept approches différentes : IGA avec trois types différents de SSA, IGA avec IA et
IACO avec les trois différents types de SSA. Des expériences numériques démontrent l'efficacité
de nos algorithmes proposés. Notre IA proposée fonctionne beaucoup mieux en termes de

vitesse d'exécution. Avec IA, nous essayons d'utiliser l'interne vide entre les travaux. C'est un
module indépendant du module d'obtention de solution pour FJSP. Nous pouvons changer
facilement l'un ou l'autre pour améliorer la solution. Malheureusement, il est un peu inférieur à
SSA en termes de valeur objective. De plus, IGA avec SSA dans la littérature sans changement
de machine lorsque le travail rencontre PM (SSA1) et IGA avec SSA3 fonctionnent un peu mieux
que les autres combinaisons. Les résultats sont comparables avec
que dans la littérature.
En plus des recherches sur la réduction de l'indisponibilité des machines dans les ateliers
flexibles, nous discutons également des algorithmes de traitement des nouveaux arrivages
d'emplois. Nous observons que l'IA utilisée dans FJSPPM est également appropriée pour
résoudre ce problème. Une autre stratégie réalisable consiste à reprogrammer tous les travaux
lorsque de nouveaux travaux arrivent. La troisième partie de ce chapitre étudie l'impact d'un
temps de traitement incertain sur la planification des ateliers flexibles. La nécessité de traiter les
délais de traitement incertains est déclarée. Sur la base d'expériences, nous en venons à croire
que toutes les opérations d'un certain schéma d'ordonnancement n'auront pas d'impact sur le
makepan. Il est important de rechercher les opérations clés ayant un impact important sur le
calendrier global. De plus, nous constatons que les intervalles vides entre les opérations
d'ordonnancement jouent le rôle de redondance pour tolérer un temps de traitement incertain.

Si l'on considère le taux d'utilisation des machines, il faut l'échanger avec la notion de redondance.
117

D'INCERTITUDE
118
Chapitre 4
Problème de distribution sous

environnement incertain
Après avoir discuté de l'incertitude de la demande et du système de fabrication dans les chapitres
précédents, nous voudrions présenter dans ce chapitre nos recherches sur l'incertitude dans le problème
de la distribution. Le transport est la partie préliminaire de la distribution. L'incertitude dans les transports
est principalement induite par des facteurs externes, car elle
contacts avec le monde extérieur. En ce qui concerne l'affectation du personnel et de la gestion
du système de transport, le routage des véhicules reçoit plus d'attention. Problème de routage de véhicule
est un sujet de recherche brûlant au cours des dernières décennies. Il renvoie à deux problèmes, l'ordonnancement
problème des itinéraires pour la distribution et la décision du nombre de véhicules. Dans notre travail,
nous nous concentrons sur le problème d'acheminement des véhicules avec ramassage et livraison (VRPPD),
avec un partenariat incertain des fournisseurs et des demandeurs, c'est-à-dire des VRPPD non appariés,
qui est une stratégie prometteuse pour traiter l'incertitude des clients dans les transports.
4.1 Incertitude des clients en distribution

L'objectif ultime de la chaîne d'approvisionnement est de satisfaire la demande des clients, qui est
complétée par la distribution, l'étape directe contactant le marché des consommateurs. Malheureusement,
il existe des facteurs incertains qui rendent la procédure d'exécution
ne coïncide pas avec notre plan. Bien que Mason-Jones & Towill (1998) aient illustré
que l'amélioration de la fiabilité dans les quatre principaux segments de la chaîne d'approvisionnement, la demande
côté, processus de fabrication, côté fournisseur et système de contrôle, peut réduire le
Cercle incertain, comme la procédure en relation directe avec les clients, précise de
119
4. PROBLÈME DE DISTRIBUTION DANS UN ENVIRONNEMENT INCERTAIN
la livrée est spécialement nécessaire pour être garantie. L'incertitude du temps de distribution a
été beaucoup étudié dans les recherches antérieures des praticiens et des universitaires. Ray et al.
(2005) ont considéré le délai de livraison incertain dans la prise de décision sur mesure de la chaîne
d'approvisionnement, mais le caractère aléatoire du délai de distribution est en fait ignoré. Xiang et al.
(2008) ont proposé de ré-optimiser le calendrier lorsque de nouveaux événements se produisent. Alfa
(1987) a examiné le problème du voyageur de commerce (TSP) avec un temps de déplacement variant
dans le temps (mais non stochastique). Comme la quantité de la demande, l'approche la plus largement utilisée pour traiter
l'incertitude du délai de livraison est basée sur la représentation de sa distribution de probabilité (Fu,
2002). La distribution normale est largement utilisée, comme sa représentation simple, avec une valeur
moyenne et un écart type, et une adéquation populaire aux événements stochastiques. Le temps de
parcours stochastique a été étudié par Laporte et al. (1992). Analyse de scénario de temps de trajet
variable appliquée par Huisman et al. (2004). La dynamique
VRP tenant compte des demandes en ligne et des temps de trajet incertains a été résolu avec ex
la méthode act de Chen & Xu (2006) ; Yang et al. (2004), heuristique de Fleischmann et al. (2004); Regan
et al. (1996), avec la métaheuristique de Gendreau et al. (1996); Haghani & Jung (2005).
Le temps de distribution incertain dans la pratique est généralement causé par des interférences externes
comme le changement de situation des itinéraires, l'apparition inattendue de véhicules, les fautes des
conducteurs, l'influence des autres clients, etc. Les trois principaux aspects induisant l'incertitude
dans la distribution sont : l'incertitude des véhicules, l'incertitude des itinéraires et l'incertitude des
clients. Il est évident que la disponibilité du véhicule est un problème de matériel, ce qui
peut être obtenu par inspection avant utilisation. L'incertitude des itinéraires fait référence à la situation
de l'itinéraire comme la congestion, les accidents de la circulation, etc., qui peuvent nei
être modifiés ou améliorés par des efforts individuels. Incertitude des clients principalement
fait référence à la quantité ou au délai de livraison des demandes modifiées et à l'annulation de la demande.
Nous nous concentrons sur l'incertitude des clients car son impact peut être réduit s'il y a des
bonnes mesures de réponse. Par exemple, lorsque nous sommes informés juste à l'instant
avant l'arrivée des clients que leurs demandes sont annulées, comment traiter les produits
déjà préparé pour les clients d'origine dont la demande a changéÿ? Nous constatons que le modèle de
VRPPD non apparié (problème de routage de véhicule avec ramassage et livraison) est une bonne
mesure de réponse à l'incertitude chez les clients. Nous donnons des explications dans la section
4.3.1.2.
120
4.2 Problème de routage de véhicules
Afin d'analyser la procédure de distribution, nous la décomposons en détail. Le diagramme

de subdivision de la distribution est présenté à la figure 4.1. On peut voir ça
Figure 4.1 : Procédure de répartition
la procédure de transport joue un rôle important dans la distribution, car la partie

manutention dans le chargement et le déchargement est plus certaine que le transport.
Grâce à la technique développée de conservation et de manipulation de l'équipement, la
quantité et la qualité des marchandises dans la procédure de distribution peuvent être
garanties. Inévitablement, il peut y avoir des erreurs causées par les chauffeurs ou les
manutentionnaires. Dans l'ensemble, par rapport au délai de livraison, l'incertitude de la
quantité et de la qualité dans la procédure de distribution est bien moindre. De ce fait, la
quantité et la qualité des biens sont peu prises en compte dans le problème d'optimisation de la distribution. De
Le délai de livraison comprend le temps de traitement et le temps de transport. Le temps
de traitement est assez facile à calculer et il représente une proportion relativement faible
dans l'ensemble du délai de livraison. Par conséquent, le temps de transport est le facteur
clé. De plus, outre la quantité et la qualité de la demande, le délai de livraison est un autre
élément du contenu de la demande. Cependant, en pratique, nous ne pouvons pas toujours
servir les clients un par un. Il y a toujours d'autres contraintes, comme l'utilité des
ressources, la prise en compte des coûts de distribution, etc. Par conséquent, nous
aimerions une planification de la livraison qui puisse satisfaire les délais de livraison des
clients tout en ayant un coût raisonnable. Pour ce type de problème, il existe deux types
de modèles, le problème du voyageur de commerce (TSP) et le problème de routage de véhicule (VRP).
TSP cherche un itinéraire optimal pour qu'un vendeur traverse un groupe de villes pour
terminer son projet de vente dans un délai minimum, c'est-à-dire la distance la plus courte
pour un cycle Hamiltonien. La formule mathématique originale de TSP a d'abord été étudiée
par Karl Menger (1931) et le nom est introduit par Hassler Whiteney (1934). Un traitement
détaillé de la connexion entre Menger et Whitney ainsi que la croissance de l'étude de TSP
peut être trouvé dans l'article de Schrijver (2005). VRP
121
est en fait une extension de TSP, avec plusieurs vendeurs, mais les groupes de villes ne sont pas
déterminés à l'avance. De plus, l'hypothèse d'une capacité infinie dans le TSP est assouplie avec la
contrainte de capacité du véhicule. Afin de garder la généralité du problème, nous nous concentrons
sur VRP.
Dans certaines publications, le VRP est aussi appelé Vehicle Routing and Scheduling Problem
(VRSP) (Desrosiers et al., 1986; Solomon, 1987), ou Vehicle Scheduling Problem (VSP) (Foster & Ryan,
1976; Waters, 1989). VRP est un problème NP-difficile en optimisation combinatoire. C'est l'extension
de TSP, qui s'est avérée NP difficile par Johnson & Garey (1979). Il a d'abord été proposé par Dantzig
& Ramser (1959). Dans VRP, il cherche à desservir un certain nombre de clients avec une flotte de
véhicules.
L'objectif est de satisfaire les demandes de tous les clients sous des contraintes de capacité de
véhicules, de limite d'itinéraires, etc. Pendant ce temps, dans la plupart des cas, il vise à atteindre
l'objectif de minimiser le nombre de véhicules et de prendre le moins de temps.
4.2.1 Application pratique du VRP

Selon Gregory (2010), étudier le VRP est utile pour plusieurs raisons :
je. C'est un problème difficile du monde réel dans lequel les planificateurs sont encore relativement
faibles. ii. Il existe des références existantes pour lesquelles nous pouvons évaluer la performance de
planificateurs contre les techniques existantes.
iii. Les développements technologiques qui ont rendu les solveurs VRP efficaces pourraient
également améliorer les performances des planificateurs.
De nombreux problèmes pratiques peuvent être modélisés comme VRP, comme la collection de maison
tenir les déchets, problème d'autobus scolaire, camions de livraison d'essence, système de service
de courrier, distribution de marchandises, etc. VRP joue un rôle important dans le problème de
logistique et de distribution. D'énormes recherches ont été effectuées à ce sujet depuis qu'il a été proposé.
Casco et al. (1988) ont rapporté que la résolution d'un modèle de VRP combinant les livraisons
et les ramassages a conduit à des économies à l'échelle de l'industrie en coûts de distribution de plus
de 160 millions de dollars par an. Wen et al. (2010) ont considéré un problème de routage dynamique
multi-période et multi-objectif rencontré par un grand distributeur opérant en Suède. Ils ont proposé
une heuristique en trois phases intégrée dans un schéma d'horizon glissant. Leurs résultats ont été
comparés aux solutions produites par la plate-forme de l'entreprise. La comparaison a montré que
leur méthode améliorait ces solutions en termes de temps de trajet, d'attente des clients et d'équilibre
de la charge de travail quotidienne, avec des gains de 0,2ÿ%, 24ÿ% et 35ÿ%, respectivement. Garaix et
al.
122
(2010) ont considéré un multigraphe pour les itinéraires alternatifs pour le problème de routage des véhicules.
Des expérimentations informatiques sur des données réalistes issues d'un système de
Transport à la Demande dans le Doubs Centre français soulignent les économies de
coûts apportées par les méthodes proposées, avec un écart variant entre 6% et 25%.
Puisqu'il s'agit d'un modèle d'effet pour l'optimisation d'un problème de distribution, nous avons
grand intérêt à s'y attarder.
4.2.2 Modèle classique de VRP
Bien qu'il existe différentes formes de VRP, la base reste le modèle classique.
4.2.2.1 Définition du VRP classique
Selon la définition de Laporte (1992b), le VRP est décrit comme suit :

Soit G = (V, A) un graphe où V = 1...n est un ensemble de sommets représentant des
villes avec le dépôt situé au sommet 1, et A est l'ensemble des arcs. A chaque arc (i, j), i
6= j est associée une matrice de distance non négative C = (cij ). Dans certains contextes,
cij peut être interprété comme un coût de déplacement ou comme un temps de
déplacement. Lorsque C est symétrique, il est souvent commode de remplacer A par un ensemble E d'arêtes n
De plus, supposons qu'il y ait m véhicules disponibles basés au dépôt, où mL < m < mU .
m est
Lorsque mL = mU mU = n ÿ 1, on dit que, m est libre.
dit fixe. Lorsque
Lorsque mL = pas
m n'est 1 et fixe, il est
souvent logique d'associer un coût fixe f à l'utilisation d'un véhicule. Le VRP consiste à
concevoir un ensemble d'itinéraires de véhicules à moindre coût de telle manière que : i.
chaque ville de V \{1} est visitée exactement une fois par exactement un véhiculeÿ; ii.
tous les itinéraires de véhicules commencent et se terminent au dépôtÿ;
iii. certaines contraintes secondaires sont satisfaites.
Le VRP peut alors être formulé comme suit :
Soit xij (i 6= j) une variable binaire égale à 1 si et seulement si l'arc (i, j) de A apparaît
dans la solution optimale.
RéduireX cijxij (4.1)

je =j
Sujet à:
X xij = 1, ÿi ÿ V, (4.2)
je
123
X xij = 1, ÿj ÿ V, (4.3)
j
Xxij < = |S| ÿ v(S) (S ÿ V \{1}ÿ; |S| >= 2) (4.4)

je,jÿS
xij ÿ 0, 1, ÿi, j ÿ E, je 6 = j (4.5)
Dans la formulation, 4.1, 4.2, 4.3 et 4.5 définissent un problème d'affectation modifié (ie
les affectations sur la diagonale principale sont interdites). La contrainte 4.4 sont des
contraintes d'élimination de sous-tours : v(S) est une borne inférieure appropriée sur le
nombre de véhicules nécessaires pour visiter tous les sommets de S dans la solution optimale.
4.2.2.2 Approche de la solution pour VRP classique
Des recherches considérables ont contribué au développement d'un algorithme pour VRP et
ses différentes versions. Nous passons en revue certains algorithmes, à la fois dans les algorithmes exacts
et heuristique.
Suite à l'étude de Laporte & Nobert (1987), les algorithmes exacts pour le VRP classique
peuvent être classés en trois grandes catégories : (i). méthodes de recherche arborescente
directeÿ; (ii). programmation dynamique; (iii). programmation linéaire entière. Pour chaque
catégorie, il existe différentes approches concrètes. Branch-and-bound était une approche
largement utilisée et efficace. Christofide et al. (1981) utilisent un schéma branch-and-bound

résolu avec succès des VRP allant de 10 à 25 sommetsÿ; Laporte et al. (1986) l'utilisent pour
résoudre un VRP à 260 sommets. Pendant ce temps, l'algorithme du plus proche voisin, les
algorithmes d'insertion et les procédures d'amélioration de tour développés pour VRPÿ:
l'heuristique de recherche tabou ont été appliqués par Laporte (1992a) pour TSP, qui s'est
ensuite avéré également adapté pour VRP . Gendreau et al. (1994). Plus tard, l'attention a été
portée de plus en plus sur la version développée de VRP. Nous en discutons dans les sections suivantes.
4.2.3 Classification et extension du VRP
Il existe différentes versions de VRP développées. Nous sélectionnons ceux qui ont fait l'objet de
recherches considérables pour les examiner en détail.
124
4.2.3.1 VRP capacitif (CVRP)
Contrairement au VRP classique, les itinéraires dans CVRP sont définis comme un cycle simple
de moindre coût du graphe G passant par le dépôt et tel que la demande totale des sommets
visités ne dépasse pas la capacité du véhicule. L'algorithme exact le plus prometteur pour
résoudre CVRP est le branch-and-cut (Baldacci et al., 2004 ; Fukasawa et al., 2006 ; Lysgaard et
al., 2004). Remontant aux travaux de Wren & Carr (1971) et Wren & Holliday (1972), nous
constatons que l'algorithme de balayage a été appliqué dans CVRP si tôt. La méthode est
communément attribuée à Gillett & Miller (1974) qui ont donné

c'est son nom.
4.2.3.2 VRP avec fenêtres horaires (VRPTW)
VRPTW est une extension de VRP avec des contraintes de fenêtres temporelles. Dans VRPTW,
outre les contraintes dans VRP, la contrainte de fenêtre temporelle doit être satisfaite. Là
Il existe deux types de fenêtres temporellesÿ: la fenêtre temporelle dure et la fenêtre temporelle souple. Le
anciens véhicules à la demande arrivant dans des créneaux horaires, les véhicules doivent
attendre lorsqu'ils arrivent plus tôt et refuser lorsqu'ils arrivent plus tardÿ; dans ce dernier cas,
les plages horaires n'ont pas besoin d'être strictement satisfaites, mais il y a une punition pour les véhicules arrivant a
fenêtres horaires.
Solomon (1987) a déclaré que les méthodes d'approximation semblent offrir le plus
promettent des problèmes de taille pratique et différentes heuristiques fonctionnent bien dans
différents environnements. Divers chercheurs ont étudié le VRPTW en utilisant des techniques
exactes et d'approximation. Le travail de Kohl (1995) est l'une des méthodes exactes les plus
efficaces pour le VRPTW ; il a réussi à résoudre diverses instances de taille 100 clients.
Cependant, aucun algorithme n'a été développé à ce jour qui puisse résoudre de manière
optimale tous les VRPTW avec 100 clients ou plus (Ombuki et al., 2006).
La recherche sur l'optimisation combinatoire basée sur les métaheuristiques a
particulièrement gagné en popularité. Les métaheuristiques, telles que les algorithmes
génétiques (GA) (Potvin & Bengio, 1996 ; Zhu, 2000), les stratégies d'évolution (Homberger et
al., 1999 ; Tan et al., 2006), le recuit simulé (Chiang & Russell, 1996 ; Czech & Czarnas, 2002),
recherche tabou (Cordeau et al., 2001 ; Gendreau et al., 1994). Depuis que Solomon (2003) a
construit une référence pour VRPTW, il y a eu de plus en plus de recherches sur l'approche
heuristique se concentrant sur un VRPTW pour trouver de meilleures solutions (Ombuki et al.,
2006). Les enquêtes peuvent se référer à (Braysy & Gendreau, 2005 ; Cordeau et al., 2005 ;
Gendreau et al., 2008).
125
4.2.3.3 VRP avec enlèvement et livraison (VRPPD)
Les problèmes qui doivent être résolus dans des situations réelles sont généralement
beaucoup plus compliqués que le VRP classique, comme la variation du type de
demande. Les versions de VRP discutées dans les sections précédentes, le type de
demande des clients sont tous identiques, pour vendre des marchandises aux clients ou
pour collecter des marchandises auprès d'eux. Il y a des cas où les clients ont deux
types de demandes différents, ramassage ou livraison ou les deux. Ce type de problème est nommé VRPPD.
Selon la définition de Parragh et al. (2008), les problèmes d'acheminement des

véhicules avec les ramassages et les livraisons (VRPPD) font référence aux problèmes
de transport de marchandises entre les lieux de ramassage et de livraison. La livraison
de marchandises de fournisseurs à des demandeurs déterminés est évidemment classée
dans le VRPPD de type apparié, également appelé VRPPD statique par Parragh et al.
(2008). La première tentative de généralisation du problème de ramassage et de livraison
(PDP) en notation unifiée a été proposée dans (Savelsbergh & Sol, 1995), couvrant toutes
les versions possibles du PDP, y compris le problème du dial-a-ride (DARP) (Zidi et al .,
2010). De nombreuses recherches ont été menées sur les VRPPD (Desaulniers et al.,
2002 ; Dumas et al., 1991 ; Mitrovic Minic, 1998). Comme d'autres problèmes d'optimisation,
il existe des méthodes exactes, des heuristiques et des métaheuristiques développées
pour l'approche par solution. La méthode exacte a été utilisée dans les premières années,
concluant principalement l'algorithme de branchement et de coupe (Ruland & Rodin,
1997) et la génération de colonnes (Dumas et al., 1991). Les premiers travaux sur les
contraintes de ramassage et de livraison ont été pris en compte dans TSP (Kalantari et
al., 1985). Les heuristiques sont toujours proposées en combinaison avec la méthode
exacte d'optimisation (Lu & Dessouky, 2006 ; Xu et al., 2003). Les métaheuristiques
deviennent attractives depuis quelques années : Genetic Algorithm in (Jung & Haghani,
2000) ; recherche tabou parallèle dans (Caricato et al., 2003); Recuit simulé dans (Bent &
Hentenryck, 2006); recherche de quartier dans (Ropke & Pisinger, 2006). De la conclusion
de Parragh et al. (2008), de nouveaux meilleurs résultats récents ont été présentés par Ropke & Pisinger (2006) et Be
4.2.3.4 VRP avec demande stochastique (VRPSD)
Alors que la vision classique de VRP est statique et déterministe, dans de nombreux
problèmes pratiques, il existe des contraintes importantes qui rendent le problème
dynamique et stochastique.
126
Dans VRPSD, les demandes des clients sont des variables stochastiques ÿi , i = 1, ..., n dans
distribué de manière dépendante avec des distributions connues. La demande réelle de chaque client
n'est connue que lorsque le véhicule arrive chez le client. On suppose également que ÿi ne dépasse
pas la capacité du véhicule (Bianchi et al., 2004). Il existe d'autres styles de dénomination pour
VRPSD. Il est appelé problème probabiliste de routage de véhicules (PVRP) par Bertsimas et al. (1991)
et une heuristique cyclique a été introduite pour le résoudre. Cela a été illustré dans des exemples
plus performants que l'heuristique de réoptimisation. Yang et al. (2000) l'ont nommé problème de
routage de véhicule stochastique (SVRP) et ont proposé deux algorithmes heuristiques. La
métaheuristique a été démontrée surpassant l'heuristique cyclique dans l'article de Bianchi et al.
(2004). La demande étant incertaine, la capacité du véhicule pouvant être insatisfaisante, la stratégie
de réapprovisionnement semble prometteuse (Bertsimas et al., 1991 ; Yang et al., 2000). La stratégie
de réapprovisionnement permet aux véhicules de retourner au dépôt, puis de continuer à rendre
visite aux clients de repos.

Quand revenir est une variable de décision ajoutée.
4.2.3.5 Autres types de PRV
Pour les autres types de VRP, nous les présentons brièvement. Le VRP où la longueur de toute route
ne peut pas dépasser une limite L prescrite est appelé DVRP Laporte (1992b). VRP with due times
(VRPDT) recherche le meilleur temps de service, dans lequel les limites inférieures des fenêtres de
temps sont assouplies (Kang et al., 2008). Dans les VRP à usage multiple de véhicules (VRPM), un
même véhicule peut être affecté à plusieurs tournées au cours d'une période de planification donnée
(Taillard et al., 1996). Le FSVRP fait référence à la taille de la flotte et à la combinaison de véhicules
VRP, où la taille de la flotte est fixe et les véhicules peuvent avoir des capacités différentes (Gang,
2010). Les VRP multi-dépôts (MDVRP) ajoutent l'affectation des clients aux dépôts (Lim & Wang,
2005). Split Delivery VRP (SDVRP) est un

assouplissement du VRP classique où il est permis qu'un même client soit
desservis par des véhicules différents si cela réduit les coûts globaux (Archetti et al., 2006). Même il
existe de nombreux types de variantes combinant certains des types dont nous avons discuté ci-
dessus, comme le VRP capacitif avec fenêtres temporelles (CVRPTW), le VRP multi-dépôts avec
fenêtres temporelles (MDVRPTW), etc. En fait, presque toutes les recherches sur le VRP sont CVRP,
comme dans la définition de VRPTW et VRPPD de Desrochers et al. (1987), la contrainte de capacité
est toujours considérée. VRPTW étudié par Alvarenga et al.
(2007) ont également considéré la contrainte de capacité.
127
4. PROBLÈME DE DISTRIBUTION SOUS INCERTITUDE
ENVIRONNEMENT
4.3 Problème d'itinéraire de véhicule non jumelé avec prise en charge

et Livraison
Dans le VRPPD classique, les demandes de ramassage et de livraison sont jumelées, non jumelées
VRPPD est une sous-classe de VRPPD, où les unités de marchandises ramassées peuvent être de
livré à n'importe quel lieu de livraison. De plus, la relation des clients n'est pas
limité au mappage un à un. Les marchandises ramassées à un endroit peuvent servir
plusieurs demandes de livraison. Évidemment, ce type de partenariat est plus flexible,
mais la complexité croissante du problème. Le VRPPD apparié convient à la modélisation
problème de livraison déterminé, comme celui de la société de messagerie, où la marchandise
est livré d'une origine à une certaine destination. Pour problème de livraison dans
une chaîne d'approvisionnement, dans laquelle toutes les entreprises coopèrent avec un objectif commun de
satisfaire les demandes des clients, les origines et les destinations des demandes ne sont pas allo
classés par paires à l'avance. C'est exactement VRPPD non apparié dans lequel nous sommes
intéressé. La caractéristique des VRPPD non appariés est la suivanteÿ: la relation de
le ramassage et la livraison ne sont pas fixes et les marchandises sont ramassées à un nœud de ramassage
peut être utilisé pour approvisionner plusieurs clients avec une demande de livraison.
En ce qui concerne le VRPPD apparié, le type non apparié reçoit moins d'attention. Le TSP non
apparié avec ramassage et livraison (TSPPD) (Anily & Bramel, 1999; Hernández Pérez & Salazar-
González, 2004) est également plus étudié que le VRPPD non apparié.
Plutôt moins de recherche sur le VRPPD, Dror et al. (1998) ont proposé une formulation de
programmation mixte in teger pour la redistribution des voitures électriques en libre-service,
et méthodologie de relaxation lagrangienne appliquée pour le résoudre. A notre connaissance,
il n'y a pas eu d'approche métaheuristique pour résoudre les VRPPD non appariés. Dans notre
travail, nous utilisons l'algorithme génétique de regroupement (GGA), qui a été introduit par Falke
nauer (1998) et s'est avéré capable de trouver une solution de haute qualité dans le
travaux de Pankratz (2005), qui travaille sur un VRPPD apparié. Bien que notre problème
est différent, nous modifions la procédure GA pour la rendre adaptable à notre problème.
Dans les sections suivantes, nous expliquons d'abord la motivation ou l'étude non appariée
VRPPD, puis donner une description détaillée du problème et une formule mathématique
tion, après avoir introduit notre algorithme de résolution du modèle, enfin l'algorithme est appliqué
sur des expériences numériques.
128
4.3 Problème d'itinéraire de véhicule non jumelé avec ramassage et livraison
4.3.1 Motivation d'étudier le VRPPD non apparié

Outre son adaptation au problème pratique et notre objectif de combler le vide de la
recherche, il existe deux autres motivations. L'une est que l'étude des VRPPD non appariés
est une extension de nos travaux précédents sur le traitement de l'incertitude de la demande
dans la chaîne d'approvisionnement au chapitre 2. L'autre consiste à faire face à l'incertitude des clients.
4.3.1.1 Modèle de VRPPD non apparié pour l'étage de distribution en approvisionnement

chaîne
Dans le chapitre 2, grâce à la stratégie de report, nous avons obtenu une solution optimale
d'allocation des marchandises, en période régulière et en période différée. Comme les
marchandises sont considérées comme étant en grande quantité, elles peuvent être livrées
directement du fournisseur au demandeur avec un transport en ligne spécial. Inévitablement,
il y a toujours des biens de repos, qui ne peuvent pas simplement remplir complètement le
véhicule, c'est-à-dire que la demande est inférieure à la capacité du véhicule. Afin d'utiliser
pleinement la capacité du véhicule, nous aimerions rechercher une solution optimale pour
planifier l'itinéraire des véhicules. Le VRPPD non apparié convient à la modélisation de
notre problème dans le but de réduire au minimum les coûts de transport. Il aide à intégrer
les ressources de transport, y compris les véhicules, les chauffeurs et le temps.
4.3.1.2 Faire face à l'incertitude des clients
Comme nous l'avons mentionné dans la section 4.1, il existe trois types généraux de cas
incertains chez les clients. Une demande d'urgence peut se produire dans le cas où les
clients souhaitent plus que la quantité qu'ils ont réservée. Dans ce cas, le fournisseur n'est
pas obligé d'accepter cette commande potentielle. Cependant, ce que le fournisseur
attendait, c'est qu'il y ait des marchandises excédentaires et que la demande supplémentaire
puisse être satisfaite. Un autre type normal d'incertitude est l'annulation ou la réduction de
la demande, ce qui se produit probablement de temps en temps bien qu'il désobéisse au
contrat commercial. Nous considérons le cas où ces deux types d'incertitudes se produisent
simultanément. Il vaut mieux que la quantité demandée en urgence ne dépasse pas la
quantité réduite. Pour un schéma de planification VRP normal, la quantité de marchandises
ne change pas lorsque le véhicule quitte le nœud de prise en charge. Ainsi, lorsque la
demande d'un client de livraison augmente, la quantité ajoutée ne peut pas être satisfaite
ou elle est satisfaite au prix d'une diminution de l'offre aux autres clients. Alors que pour le client avec une dimin
129
demande dans un autre acheminement, il y aura surplus de marchandises qui amènent un gaspillage
de ressource.
Exemple:
La figure 4.2 est un schéma de programmation VRP normal pour la distribution, tandis que la figure 4.3
est le modèle de VRPPD non apparié. La capacité du véhicule est supposée être de 15.
Lorsque la demande des clients change, par exemple, la demande du client 4 augmente, par rapport à l'original
quantité 1 à une nouvelle quantité 2, elle ne peut pas être satisfaite dans l'ordonnancement normal
schème. Et la réduction de la demande du client 9 dans l'acheminement du véhicule 2 apportera
un surplus de marchandises après la procédure de distribution. Cependant, si nous adoptons la
modèle VRPPD non apparié, le surplus causé par la réduction du client 9 peut être juste
utilisé pour l'augmentation du client 4. C'est un grand avantage du non apparié
Modèle VRPPD pour faire face à l'incertitude des clients. Il est évident de constater que
un autre avantage du VRPPD non apparié est l'intégration des ressources, où
un seul véhicule est nécessaire.
Figure 4.2ÿ: Schéma de programmation VRP normal
130
Figure 4.3 : Modèle VRPPD non apparié
4.3.2 Description du modèle mathématique

4.3.2.1 Modèle de problème de distribution
Nous essayons de résoudre le problème de distribution dans la chaîne

d'approvisionnement, qui est l'étape d'exécution et l'extension de l'approche de
traitement de la demande incertaine dans la gestion de la chaîne d'approvisionnement
au chapitre 2, décrite brièvement comme suit : Le problème se concentre sur l'intégration
des marchandises puis sur leur allocation aux demandeurs. Grâce à la stratégie de
report, nous avons obtenu une solution optimale d'allocation des marchandises, en
période régulière et en période différée. Les marchandises dans le problème sont
supposées être en grande quantité. Prenons un résultat numérique de nos recherches
précédentes au chapitre 1 par exemple : dans le sous-système entrepôt-distributeur,
l'allocation des marchandises est comme dans la figure 4.4. La sous-figure 4.4(a) indique
les allocations en période régulière. En période régulière, les demandes sont satisfaites
par l'inventaire ; La sous-figure 4.4(b) indique les allocations en période de report, où la
demande est satisfaite à une date différée, par de nouveaux produits. D1 à D6 sont des
distributeurs, sous l'aspect de demandeurs. W1, W2 et W3 sont des entrepôts, comme l'aspect des fournisseu
131
ENVIRONNEMENT
140 140
W2 D4 W2 D4
120 120
100 100
80 D2 80 D2
D1 D1
60 W3 60 W3
D3 D3
40 40
W1 W1
D5 D6 D5 D6
20 20
0 dix 20 30 40 50 60 70 80 90 0 dix 20 30 40 50 60 70 80 90
(a) Attribution en période régulière (b) Attribution en période de report
Figure 4.4ÿ: Répartition initiale des marchandises livrées
Comme les marchandises sont considérées avec une grande quantité, pour chaque paire de partenaires
avec la relation de l'offre de la demande dans les deux périodes, les marchandises peuvent être
livré directement du fournisseur au demandeur avec un transport en ligne spécial.
Inévitablement, il y a toujours des cas avec des marchandises restantes, qui ne peuvent pas remplir le
véhicule entièrement, c'est-à-dire que la demande est inférieure à la capacité du véhicule. Pour
utiliser pleinement la capacité du véhicule, en intégrant les ressources de transport, nous
souhaite dépenser un minimum de ressources pour livrer les marchandises restantes. Nous modélisons
ce problème de distribution en tant que VRPPD non apparié que nous avons décrit ci-dessus. Allocation de
la livraison dans la Figure 4.4 peut être transférée dans la Figure 4.5. Nous avons attribué des fournisseurs
pour chaque demandeur dans l'horaire d'origine. Afin d'optimiser la solution, nous pouvons
changer la relation entre les fournisseurs et les demandeurs, c'est-à-dire que les demandeurs peuvent être servis
par n'importe quel fournisseur. Il s'agit d'une procédure de réallocation de la demande. Il est évident
que les contraintes de capacité des fournisseurs doivent être prises en compte. Nous pouvons assembler
marchandises provenant de différents entrepôts, puis distribuées aux demandeurs. Le
des nœuds d'entrepôts et de distributeurs composent le réseau. Visite des véhicules à
chaque nœud d'entrepôt est de ramasser les marchandises, tandis que celui des distributeurs est de
livrer des marchandises. Chaque véhicule ne peut que partir et revenir au nœud
d'entrepôts. Correspondant au modèle de VRPPD, nous pouvons voir que dans notre
problème, les distributeurs jouent le rôle de clients, tandis que les entrepôts jouent le rôle de
clients et dépôts.
132
140 140
W2 D4 W2 D4
120 120
100 100
80 D2 80 D2
D1 D1
60 W3 60 W3
D3 D3
40 40
W1 W1
D5 D6 D5 D6
20 20
0 dix 20 30 40 50 60 70 80 90 0 dix 20 30 40 50 60 70 80 90
(a) Attribution en période régulière (b) Attribution en période de report
Figure 4.5ÿ: Modèle VRPPD non apparié pour le problème de distribution
4.3.2.2 Formulation pour VRPPD non apparié
Dénotons ensemble d'entrepôts comme W, ensemble de distributeurs comme D, donc ensemble de clients
C = WSD, ensemble de dépôts P ÿ W. L'ensemble de véhicules est aussi noté V . Variable

Qik désigne les marchandises restant sur le véhicule k après qu'il ait servi le client Ci . qik est
représentation de la quantité de client Ci desservie par le véhicule k. qik ÿ 0 représente
activité de collecte chez le client de l'entrepôt par véhicule k, tandis que qik ÿ 0
représente l'activité de livraison. Après avoir visité l'entrepôt, la quantité de marchandises sur le véhicule
augmente; tandis qu'après avoir visité les distributeurs, les marchandises sur le véhicule diminuent.
Pour simplifier le calcul, on suppose que :
je. Tous les véhicules disponibles ont la même capacité ;
ii. Déplacement d'un véhicule avec le même coût unitaire w1ÿ;
iii. Tous les véhicules ont le même coût d'utilisation w2.
Le problème peut être modélisé mathématiquement comme suit :
Fonction objectif :
friponne Tk w1 + X _ w2 (4.6)
kÿV kÿV
Contraintes physiques :
X X xijk = 1, ÿi ÿ D (4.7)
jÿC kÿV
133
X X xpik = 1, ÿk ÿ V (4.8)
iÿC pÿP
X X xijk ÿ 1, ÿi ÿ W (4.9)
jÿC kÿV
X xipk = 1, ÿp ÿ P, ÿk ÿ V, (4.10)
jeÿC
La contrainte 4.7 stipule que chaque client de l'entrepôt doit être affecté exactement
à un véhicule et visité une seule fois. La contrainte 4.8 indique que chaque
itinéraire de véhicules part d'un seul dépôt et une seule fois, on peut en déduire
que chaque client du distributeur, qui sert également de dépôt, est visité au moins
une fois, ce qui est représenté dans la contrainte 4.9. La contrainte 4.10 garantit
que chaque itinéraire de véhicule renvoie un dépôt choisi.
Contrainte de capacité du véhicule :
Lorsque xijk = 1,
yik + qjk = yjk, ÿj ÿ W, qjk ÿ 0ÿ; ÿj ÿ D, qjk ÿ 0, X qjk = qj (4.11)

kÿV
X X qikxijk ÿ q, ÿk ÿ V (4.12)
jeÿC jÿC
Contrainte de charge de travail du véhiculeÿ:
Tk < wl, ÿk ÿ V (4.13)
La contrainte 4.13 trouve son origine dans la prise en compte du temps de travail légal du conducteur. Cette
la contrainte de temps peut être transformée en contrainte de distance de déplacement dans les calculs
procédure de cession.
Contrainte d'entierÿ:
xijk ÿ {0, 1}, je, j ÿ C, k ÿ V (4.14)
Notationsÿ:
Ci : client i, où i = 1, 2, . . . , N
N : nombre de clients, incluant à la fois les entrepôts et les distributeurs.
134
P : nombre de dépôts, incluant uniquement les distributeurs.
qi : demande du client Ci . qjk : quantité de marchandises
au nœud j desservi par le véhicule k. q : capacité du véhicule.
Rk : trajet du véhicule k, k = 1, 2, . . . , U.
Tk : temps de parcours du véhicule k, k = 1, 2, . . , DANS.
U : nombre total de véhicules utilisés.
V : ensemble de véhicules utilisés, {k = 1, 2, . . . , U}.

wl : contrainte de charge de travail du véhicule.
w1 : coût unitaire de transport. w2 :
coût unitaire de la punition pour arriver plus tôt au-delà des plages horaires. xijk :
variable de décision pour indiquer que le véhicule k visite le nœud j après avoir desservi le
nœud i.
yjk : capacité du véhicule k après avoir servi le client j.
4.3.3 Algorithme de résolution

La procédure de GGA appliquée pour résoudre notre problème est décrite dans cette section.
Méthode d'encodage
Chaque chromosome représente une solution au problème, y compris des grappes de tous les
clients, avec une flotte de véhicules. Chaque véhicule est lié à un cluster avec un groupe de
clients. La longueur du chromosome, c'est-à-dire le nombre de gènes, est variable et dépend du
nombre de véhicules nécessaires à une solution donnée. La figure 4.6 montre un formulaire
d'encodage pour un exemple avec 13 clients, dans lequel il y a 5 entrepôts (nœuds 1 ÿ 5) et 8
distributeurs (nœuds 6 ÿ 13). 3 véhicules sont utilisés.
Figure 4.6 : Formulaire d'encodage pour le chromosome
Contrairement au style de représentation des chromosomes dans les travaux de Pankratz
(2005), nous incluons la partie routage de la solution dans le chromosome. Pour l'initialisation de
la population, pour garder la faisabilité des individus, choisissez le premier client avec une
demande de ramassage, dans l'ensemble des entrepôts, les clients suivants peuvent être aléatoirement
135
sélectionnés, mais les contraintes physiques, les contraintes de charge de travail et les
contraintes de capacité des véhicules indiquées ci-dessus doivent être respectées.
Croisement
Notre méthode de croisement est basée sur le croisement d'ordre (OX) et le schéma général de
croisement orienté groupe présenté par Falkenauer (1998). La procédure de croisement est
illustrée à la Figure 4.7, en cinq étapes :
(1) Spécifiez une section de croisement en sélectionnant au hasard deux points de croisement dans chaque
parent;
(2) Remplacez les clusters au même endroit dans le premier parent que le point de croisement
dans le deuxième parent avec la section transversale du deuxième parent.
(3) Les nœuds situés à d'autres endroits du premier parent peuvent être dupliqués avec les
nouvelles parties. Dans ce cas, supprimez les nœuds dupliqués appartenant à l'origine au
deuxième parent.
(4) Lorsque certains clients ne peuvent être affectés à aucun cluster, réinsérez-les dans
l'individu nouvellement généré, en appliquant une heuristique d'insertion. Cela peut nécessiter
ajouter un nouveau véhicule si nécessaire, pour assurer la faisabilité de la progéniture.
(5) Générez la deuxième progéniture en répétant les étapes (2) - (4) avec les rôles réservés
des parents.
Mutation
L'opérateur de mutation orienté groupe de Pankraz (2005) est appliquéÿ: sélectionnez d'abord un
groupe chez un individu, puis retirez-le de la solution, puis réinsérez-le
les clients supprimés dans l'individu par heuristique d'insertion, qui est la même
avec celui de la procédure de croisement, nouveau véhicule ajouté si nécessaire.
Sélection
Sélectionnez N (taille de la population) meilleurs individus dans le pool d'accouplement de tous
les parents et descendants, avec une méthode de roue de roulette. La fonction fitness est l'objectif
fonction du coût de l'individu.
136
Figure 4.7 : Procédure de croisement
137
Heuristique d'insertion
Contrairement au travail de Pankratz (2005), nous n'insérons pas un nœud dans un cluster avec un
coût minimum, mais pour l'insérer dans un cluster sélectionné au hasard. D'une part, du fait que les
demandes d'enlèvement et de livraison ne sont pas jumelées, sous la contrainte de la capacité et de
la charge du véhicule, il est toujours plus difficile d'obtenir une solution réalisable que celle des
demandes jumelées en PDP classique. D'autre part, le choix aléatoire du véhicule pour les clients
conservera une variété de solutions, afin d'éviter une convergence prématurée de GGA. Afin de
conserver la faisabilité des solutions, nous proposons une heuristique d'insertion spéciale pour
notre problème en trois étapesÿ:
(1). Réparer le cluster modifié dans la progéniture. Au fur et à mesure que nous supprimons les
clients dupliqués avec celui de la section d'origine, le cluster peut devenir irréalisable. Prenons le
descendant de la figure 4.7, où le premier groupe de descendants 1 a été modifié.
Comme chaque itinéraire doit commencer par une demande de ramassage. Le client 9 ne peut pas
être le premier nœud d'un cluster, avec une demande de livraison. Par conséquent, nous devrions
le réparer pour garder la faisabilité de l'individu.
(2). Ajoutez les nœuds non attribués dans le cluster faisable existant, dans lequel il existe des
clusters avec une charge de travail de repos. Nous pouvons y ajouter des nœuds pour faire
pleine utilisation des ressources du véhicule, ce qui contribue également à minimiser le nombre de
véhicules utilisés.
(3). Ajoutez des véhicules pour une demande non attribuée si nécessaire. Quand il n'y a plus
clusters dans lesquels nous pouvons ajouter des nœuds, nous devons ajouter de nouveaux véhicules.
4.3.4 Expérience d'exemple numérique

L'approche de la solution, GGA, décrite dans la section 4.3.3 a été implémentée dans Matlab R2008
et exécutée sur un ordinateur équipé d'un processeur Intel(R) Core(TM) 2 (2,66 GHz 2,67 GHz). Les
paramètres utilisés dans GA dans nos expériences sont : Taille de la population (N) = 100 ;
Génération (M) = 200ÿ; Probabilité de croisement (Pc ) = 0,9ÿ; Probabilité de mutation (Pm) = 0,1.
Nous utilisons un exemple de 1-PDTSP dans (Hernández-Pérez & Salazar-González, 2004), similaire
aux instances TSPPD utilisées dans (Mosheiov, 1994). Ils ont généré des coordonnées en [ÿ500,
500] × [ÿ500, 500], chacune correspondant à la localisation d'un client avec une demande aléatoire
en [ÿ10, 10].
Par rapport à la description du problème dans la section 4.3.2, nous avons d'autres paramètres
dans le VRPPD non apparié. Nous ajoutons la charge de travail wl = 3000ÿ; coût unitaire du transport
138
4.4 Conclusion
w1 = 10ÿ; Coût d'utilisation de chaque véhicule w2 = 2000. A travers plusieurs tests, nous
obtenir notre meilleure solution illustrée à la figure 4.8.
600
Dépôt
400
200
Dépôt
ÿ200
Dépôt
ÿ400
ÿ600
ÿ500 ÿ400 ÿ300 ÿ200 ÿ100 0 100 200 300 400 500
Figure 4.8 : Solution pour un exemple avec 30 clients
La fonction objectif de notre problème est le coût total, y compris le coût de transport et le
coût d'utilisation des véhicules, qui est différent de celui de TSPPD en
(Hernández-Pérez & Salazar-González, 2004). Ils ont obtenu environ
solution pour le même exemple avec objectif de distance de déplacement min. Les resultats
d'utiliser deux heuristiques sont 6439 et 6403. Dans la solution que nous avons obtenue, il y a
3 véhicules utilisés, avec un coût total de 75851, la distance parcourue est de 7285. Nous avons
ajouté 882 par rapport à leur résultat, causé par l'augmentation des itinéraires. Dans TSPPD,
il n'y a qu'un seul itinéraire, mais dans le nôtre il y en a 3. Nous pouvons observer que l'augmentation
est raisonnable.
4.4 Conclusion
Dans ce chapitre, le problème d'acheminement de véhicules non appariés avec ramassage et
livraison (VRPPD) est modélisé pour le problème de distribution dans le système d'approvisionnement obtenu
au chapitre 2. Il s'agit d'une mesure prometteuse pour traiter l'incertitude chez les clients
Distribution.
139
ENVIRONNEMENT
Notre travail est une tentative de recherche sur l'utilisation de métaheuristiques pour résoudre des
VRPPD, qui est une application de méthode innovante. Nous utilisons le Group Genetic Algo
rithm (GGA) comme préliminaire. Contrairement à GA classique, chaque gène dans GGA
représente un groupe d'objets au lieu d'un seul objet. Chaque chromosome est un faisable
solution au problème. En plus des contraintes générales dans VRPPD, il y a
un de plus que de vider les véhicules en fin de parcours. Notre procédure de croisement est
basée sur le croisement d'ordre (OX) et le croisement général orienté groupe

schéma présenté dans la littérature. Une heuristique d'insertion est également utilisée dans le croisement
procédure, mais différente de celle des VRPPD couplés. Un exemple numérique est appliqué
pour démontrer l'efficacité de notre approche. Le résultat de l'expérience montre
faisabilité de notre algorithme. Comme l'originalité de l'exemple, aucun comparatif
travaux peuvent être exécutés. Pour de futures recherches, nous appliquerons une autre métaheuritique,
Artificial Bee Colony (ABC), sur notre problème et comparer l'efficacité des deux
approches à travers d'autres exemples.
140
Chapitre 5
Incertitude de la demande et du rendement dans le
problème du vendeur de journaux à deux niveaux
Dans les chapitres précédents, nous avons discuté de l'incertitude à différentes étapes de sup
chaîne de distribution, incertitude de la demande au chapitre 2, incertitude de la fabrication au
chapitre 3, et l'incertitude de la distribution au chapitre 4. Dans ce chapitre, nous prenons
en compte simultanément deux types d'incertitude dans le problème du vendeur de journaux à deux niveaux,
qui est une miniature de la chaîne d'approvisionnement. Dans le problème du vendeur de journaux à deux niveaux, le vendeur de journaux est
considéré avec son fournisseur. Les deux parties entretiennent une bonne coopération
relation les uns avec les autres. La recherche du problème du vendeur de journaux à deux niveaux est essentielle et
fondamental pour la recherche sur la gestion de la chaîne d'approvisionnement. Besoin inconnu de mar
ket est considéré comme le facteur le plus important causant la difficulté de résoudre le
problème de vendeur de journaux. Dans notre recherche, outre les besoins incertains, nous considérons les besoins incertains
également l'approvisionnement, c'est-à-dire le rendement du fabricant, dont l'incertitude est causée
principalement par un taux de qualification incertain des produits. Dans ce double incertain en
virement, décider de la quantité de commande appropriée devient plus compliqué
que cela dans le problème de vendeur de journaux classique. Nous adoptons deux algorithmes populaires pour résoudre
ce genre de problème de vendeur de journaux, l'approche bayésienne et l'hybride flou intelligent
algorithme.
141
5. INCERTITUDE DE LA DEMANDE ET DU RENDEMENT DANS LE PROBLÈME DE
JOURNAL À DEUX NIVEAUX
5.1 Introduction de l'incertitude dans newsboy prob

lem
Le problème classique du marchand de journaux vise à observer une politique de

commande optimale dans un marché dynamique avec une demande stochastique. On
l'appelle aussi le problème du marchand de journaux. Le problème typique est caractérisé
par un prix fixe et une demande incertaine pour un produit périssable. En notant le
niveau de stock comme q, la quantité de demande dépassant q sera perdue, tandis que
les exemplaires invendus seront sans valeur. Le problème mathématique semble dater
de (Edgeworth, 1888) où le théorème central limite a été utilisé pour déterminer les
réserves de trésorerie optimales pour satisfaire les retraits aléatoires des déposants (Gallego, 1995).
La fonction de profit dans le problème standard du vendeur de journaux est la suivanteÿ:
ÿ = E[p · min(q, D)] ÿ c · q (5.1)
où D est une variable aléatoire pour représenter la demande, avec une distribution de
probabilité F; chaque unité est vendue au prix p et achetée au prix c ; E est l'opérateur
d'espérance. La solution à la quantité de stockage optimale du marchand de journaux
qui maximise le profit espéré estÿ:
ÿ1 p-c
q=F ( ) (5.2)
p
ÿ1
où F désigne la fonction de distribution cumulative inverse de D.
De nombreuses recherches, telles que la gestion des stocks, sont basées sur le modèle du
problème du marchand de journaux. Il mérite une attention sans faille depuis son apparition. La
plupart des études récentes portent sur l'extension et la généralisation du modèle classique. Le
problème du vendeur de journaux à deux niveaux est une nouvelle branche d'extension. Il introduit
l'idéal de SCM dans le problème du vendeur de journaux, c'est-à-dire du profit global de l'ensemble
de la chaîne d'approvisionnement, plutôt qu'un seul point comme dans le problème classique du vendeur de journaux.
Une demande incertaine et une capacité de stockage restreinte rendent difficile l'obtention
solutions optimales au problème du vendeur de journaux. Bien que l'incertitude soit une
attribution intuitive et le facteur le plus important dans le problème du vendeur de journaux,
dans la littérature considérable, il n'y a pas de recherche systématique sur l'incertitude. Afin
de combler cet écart, nous nous concentrons sur l'étude de l'incertitude dans le problème du vendeur de journaux.
142
5.1 Introduction de l'incertitude dans le problème du vendeur de journaux
Dans notre travail, nous considérons deux types d'incertitude dans le prob de journaliste à deux niveaux
lem, celui de la demande et celui du rendement. La plupart des publications sur le problème des
vendeurs de journaux portent sur l'incertitude de la demande. De plus, la demande est le plus souvent
modélisée stochastique sur une période (Gallego, 1995), avec une distribution de probabilité de type
déterminé, comme la distribution normale, qui est la plus utilisée. Pour traiter avec une demande
incertaine, la décision de commande en deux étapes est mieux démontrée que le modèle de décision
de réponse rapide (Liu, 2006). En outre, la distribution composée dans la prévision de la demande est
largement utilisée dans les travaux récents. Comme la prévision précise est difficile et coûteuse,
l'utilisation de la méthode statistique, comme la méthode de prévision des séries chronologiques,
associée à la mise à jour des informations sur la demande se développe, par exemple, l'approche
bayésienne ou avec une politique en plusieurs étapes. Il existe des distributions de probabilité
largement utilisées pour décrire les caractéristiques stochastiques et statistiques de la demandeÿ:
distribution, distribution uniforme, distribution de Poisson, etc. Cependant, dans certaines situations,
nous ne pouvons pas obtenir une distribution définitive de la demande. Le type de distribution est
inconnu ou les paramètres de la distribution sont inconnus. Les paramètres peuvent être stochastiques,
par exemple, suivant également une fonction de distribution habituelle, distincte ou non du type de
distribution d'origine (Kamath & Pakkala, 2002).
L'incertitude du rendement est plutôt moins étudiée que celle de la demande. L'incertitude de
rendement provient principalement du fournisseur ou du fabricant, en raison de l'incertitude du
processus de fabrication, d'une inspection imparfaite, de produits défectueux, de la détérioration du
transport ou du stockage, etc. De tels types d'incertitude de rendement sont toujours aléatoires et ont
des effets négatifs sur entreprendre. Surtout dans le cas de la politique de réponse rapide, l'influence
négative est évidente. Khouja (1999) résume la recherche sur le rendement aléatoire dans le problème
du vendeur de journaux. Les unités défectueuses ou la capacité de production disponible sont
considérées comme des variables aléatoires (Ciarallo et al., 1994 ; Jain & Silver, 1995), mais avec une
probabilité connue (Ehrhardt & Taube, 1987 ; Karlin, 1958). La diversification a été recommandée pour
faire face au fournisseur avec un rendement aléatoire (Parlar & Wang, 1993). Mais pour certains
grossistes à petite échelle, ils ne peuvent pas diversifier les fournisseurs, ce qui réduira le profit de la
remise sur volume. Dans une étude récente sur le problème des vendeurs de journaux, on ne se
concentre pas beaucoup sur le rendement aléatoire.
Le problème du jardinier est désigné pour couvrir le rendement aléatoire par Abdel-Malek et al. (2008).
Leurs méthodologies développées sont applicables aux fonctions générales de distribution de
probabilité. Le rendement de l'offre est modélisé à l'aide d'une distribution uniforme tenant compte à
la fois de la garantie de commande minimale et du rendement maximal (Tiwari
143
et al., 2011). Dans la revue de Yano & Lee (1995), trois questions importantes concernant
les rendements aléatoires sont : la modélisation des coûts impactés par la présence de
rendements aléatoires ; la modélisation de l'incertitude du rendement ; mesures de
performance. Il y a eu des effets énormes sur la modélisation des rendements incertains.
Cependant, ils sont limités à certains cas d'application. La distribution de rendement couramment observée est nécess
difficile à dériver.
Pour le problème avec les deux sortes d'incertitude, il y a assez peu d'études.
Les effets de l'incertitude de la demande et de l'incertitude du rendement sont étudiés par
Wang (2009) dans l'environnement de la chaîne d'approvisionnement décentralisée. Il a
indiqué qu'une incertitude plus élevée conduit à une production optimale plus petite et à
des quantités de commande du fabricant et du distributeur. Gavirneni et al. (1998)
présentent plusieurs heuristiques performantes pour résoudre le problème d'inventaire
périodique avec rendement et demande aléatoires. L'heuristique myope proposée reste la
meilleure méthode disponible pour résoudre le problème du rendement aléatoire conjoint.
Cependant, certaines investigations informatiques révèlent que les performances de
l'heuristique peuvent devenir assez médiocres si les niveaux de service sont élevés et
dépassent les valeurs pour lesquelles les résultats sont rapportés dans l'étude originale
(Inderfurth & Transchel, 2007). Tiwari et al. (2011) ont envisagé d'utiliser une politique de
commande en deux étapes et une mise à jour des prévisions de la demande pour dériver
une quantité de commande optimale, mais le pourcentage de rendement non fiable est
supposé être une distribution uniforme et considéré à la fois comme une garantie de commande minimum et un rendem
Bien qu'il soit suggéré de prendre en compte le moment incertain des rendements dans
certaines recherches (Yano & Lee, 1995), nous pouvons considérer la quantité de rendement
sur une certaine période pour simplifier la question avec un moment incertain. Cette
transformation fait que le timing incertain est inclus dans le problème de la quantité
incertaine. L'effet du temps retardé causé par la distribution est discuté dans nos travaux
futurs, distribution incertaine. Ainsi, dans notre recherche, nous considérons la quantité de
rendement dans des intervalles de temps déterminés pour éviter les effets de synchronisation.
Nous supposons que le rendement incertain est principalement causé par des défauts,
qui sont classés en deux types. L'un est dû à la fabrication et l'autre au transport. Le
fournisseur est considéré comme responsable du transport. Par conséquent, ces deux
types de défauts affectent directement le profit du fournisseur. L'inspection n'est pas
effectuée avant le transport, bien qu'elle soit recommandée par certains chercheurs. Parce
qu'une inspection immédiate n'est pas appropriée à tous les cas, p.
144
5.2 Modèle mathématique pour le problème du vendeur de journaux à deux niveaux avec une demande
et une offre incertaines
la répétition de l'inspection peut être coûteuse et peut causer des dommagesÿ; il peut n'y avoir qu'une
seule procédure d'inspection, qui n'est exécutée qu'à l'arrivée des produits.
5.2 Modèle mathématique pour un problème de vendeur de
journaux à deux niveaux avec une offre et une demande incertaines
Dans le problème classique du vendeur de journaux, le profit attendu du vendeur de journaux est
considéré comme la fonction objectif, mais le profit du fournisseur n'est pas pris en compte. Cette
planification décentralisée n'est pas bonne pour l'intégration de la chaîne d'approvisionnement. En
pratique, le fournisseur et le marchand de journaux doivent toujours conclure des contrats sur les prix
pour obtenir une politique optimale pour les deux parties, appelée stratégie gagnant-gagnant. Cette
coopération est nécessaire pour une entreprise à long terme. Bien qu'il y ait probablement plusieurs
journalistes autour d'un fournisseur et qu'il y ait même de la concurrence entre eux, nous supposons
que la situation est plus coopérative que compétitive. Nous appliquons le modèle du vendeur de
journaux pour la chaîne d'approvisionnement générale dans l'industrie manufacturière, le fabricant
jouant le rôle de fournisseur tandis que le grossiste joue le rôle de vendeur de journaux. Le modèle
simplifié avec un fabricant et un grossiste est utilisé dans notre travail, où les deux parties sont
affectées par une demande et un rendement incertains. Pour le fabricant, il a besoin d'une quantité de
production initiale optimale pour se préparer à la production, telle que la main-d'œuvre, les matériaux,
etc. Pour le grossiste, la quantité de commande optimale doit être décidée, pour réaliser un profit
maximal ou une perte minimale. Cependant, pour la recherche préliminaire, nous nous concentrons
sur le problème avec une seule couche de demande-offre. Le problème devient trop compliqué s'il y a
trop de variables inconnues. Par conséquent, nous supposons que la capacité de production initiale
du fabricant est donnée. Nous nous concentrons sur le problème de décider de la quantité de
commande optimale du grossiste.
Bien que les produits défectueux soient toujours renvoyés au fabricant pour être remplacés par
de bons produits, il y a un effet de délai pour le marchand de journaux puis pour le fabricant.
Comme mentionné dans la section précédente, l'effet temporel peut être transformé en effet quantitatif
dans une période de planification déterminée. Nous considérons des quantités incertaines pour la
demande et le rendement.
Nous supposons queÿ:
1) Pour le modèle à plusieurs grossistes, chaque grossiste du modèle se voit attribuer une fraction
définitive des rendements du fabricant. Alors pour le modèle
145
avec un seul grossiste, le rendement est juste égal à la quantité livrée à

grossiste du fabricant.
2) La période de vente est connue à l'avance, le modèle est défini dans la période de vente.
3) Capacité de production du fabricant, c'est-à-dire la quantité de production initiale
T est donné.
4) Le coût de production unitaire, le prix de gros, le prix de détail et la valeur de récupération sont tous
connu d'avance.
Nous étudions la chaîne d'approvisionnement intégrée avec un seul produit, face à la fois à l'incertitude
demande et rendement incertain.

Notationsÿ:
coût de production de
l'unitéÿcÿ; Q-quantité de
commandeÿ; q-quantité réalisée du grossiste reçue du fabricant, c'est-à-dire q = min(y, Q); r prix
de détail unitaire au consommateurÿ; T-quantité de production initialeÿ; ratio de qualification u-
produitÿ; valeur perdue de l'unité v après récupérationÿ; prix de gros unitaire w au grossisteÿ; x-
demande réaliséeÿ; rendement réalisé en y, y = T · u.
Si la demande réalisée dépasse le rendement réalisé, c'est-à-dire x ÿ y, la chaîne
d'approvisionnement perd la possibilité de réaliser un profit sur x ÿ y unités de produits. Si x < y, la
chaîne d'approvisionnement récupère y ÿ x unités de produits à une valeur unitaire de récupération et la valeur unitaire perdue est
dans.
L'objectif du problème du marchand de journaux est de déterminer la quantité de commande
optimale du grossiste pour maximiser le profit (Liu et al., 2006ÿ; Nahmias, 2005) ou pour minimiser
la perte ou le coût (Abdel-Malek et al., 2008ÿ; Boulaksil et al. , 2009ÿ; Tiwari et al., 2011). Pour la
chaîne d'approvisionnement intégrée, de même, nous utilisons un modèle de minimisation pour
déterminer la quantité de commande optimale du grossiste. Pour notre problème avec une capacité
de production initiale donnée, la perte potentielle de grossiste est représentée par l'équation 5.3ÿ:
(5.3)
f(q, x) = ( (x ÿ q)(q· ÿ
(r x) · v quand
ÿ w) quand qq <ÿ xx
146
5.2 Modèle mathématique pour le problème du vendeur de journaux à deux niveaux avec une
demande et une offre incertaines
où q = min(y, Q).
La perte potentielle du fabricant est représentée parÿ:
(5.4)
f(Q, x) = ( (y ÿ Q)(Q
· cÿquand
y) · (w Q
ÿ c)
< yquand Q ÿ y
En combinant les deux parties, nous obtenons une perte potentielle de toute la chaîne d'approvisionnement car
équation 5.5ÿ:
ÿ (y ÿ Q) · c + (x ÿ Q) · (r ÿ w) quand Q < y et Q ÿ x
(y - Q) · c + (Q - x) · v quand x < Q < y

f(Q, x, y) =
ÿÿÿÿ
(Q ÿ y) · (w ÿ c) + (x ÿ y) · (r ÿ w) quand Q ÿ y et x ÿ y
ÿÿÿÿ (Q - y) · (w - c) + (y - x) · v quand x < y ÿ Q

(5.5)
Comme y = T · u, où u est une variable aléatoire, on obtient les formules comme l'équation 5.6 :
ÿ (T · u ÿ Q) · c + (x ÿ Q) · (r ÿ w) quand Q < T · u et Q ÿ x
(T · u ÿ Q) · c + (Q ÿ x) · v quand x < Q < T · u

f(Q, x, u) =
ÿÿÿÿ
(Q - T · u) · (w - c) + (x - y) · (r - w) quand Q ÿ T · u et x ÿ T · u
ÿÿÿÿ (Q - T · u) · (w - c) + (T · u - x) · v quand x < T · u ÿ Q

(5.6)
Le modèle de décision optimal de l'ensemble de la chaîne d'approvisionnement peut être décrit comme equa
tion 5.7ÿ:
min E[f(Q, x, u)] (5.7)
st Q > 0, Q est un entier.
Nous utilisons deux méthodes pour décrire l'incertitude des deux variables, stochas
tic et flou. Lorsqu'il y a suffisamment de données historiques à partir desquelles nous pouvons obtenir le
distribution de probabilité du rendement et de la demande, nous pouvons utiliser stochastique, sinon,
nous ne pouvons obtenir qu'un intervalle à partir de l'estimation des experts, alors le flou est plus
approprié. Pour la représentation stochastique, nous considérons la double incertitude
des deux variables et utiliser l'approche bayésienne pour spécifier l'incertitude. CA
en conséquence, nous proposons un algorithme hybride intelligent pour le cas à deux flous
variables.
147
5.3 Approche bayésienne pour représenter un double un

certitude des variables stochastiques
Comme mentionné dans la section précédente, la demande et le rendement inconnus

sont estimés par des spécialistes. Ils sont estimés principalement en fonction des
connaissances de l'industrie et des expériences des spécialistes. Inévitablement, il y a des écarts
à l'état pratique. Dans une immense littérature, l'approche bayésienne est utilisée
récemment pour mettre à jour la distribution a priori.
5.3.1 Description de l'approche bayésienne
La règle de l'approche bayésienne est la suivanteÿ: étant donné la distribution a priori

variable d'investigation,
d'un aléatoire
ÿj , est P(ÿj
ek. La
), l'information
distribution conditionnelle
supplémentaire(degré
selonde
la nouvelle
vraisemblance) de ek est P(ek|ÿj ). Par conséquent, la distribution de ÿj , sous
condition d'information
représentée
donnée de
parek,
la c'est-à-dire
formule de Bayesÿ:
la post-distribution P(ÿj |ek), est
P(ÿj ) · P(ek | ÿj )
P(ÿj | ek) = (5.8)
Pn
j=1 P(ÿj ) · P(ek | ÿj )
Il est intuitif que la formule bayésienne soit appropriée à la distribution discrète.

Pour la distribution continue, elle fait également l'objet d'une énorme attention (Choi
et al., 2006 ; Kamath & Pakkala, 2002 ; Yelland, 2010).
5.3.2 Modélisation de la demande et du rendement stochastiques
La demande est supposée stochastique avec PDF (fonction de densité de probabilité)

g(x) et CDF (fonction de distribution cumulée) G(x) définies sur l'intervalle continu [0,
ÿ). F(x) est différentielle, inversible et strictement croissante sur I. Avant le début de
la saison de vente, la capacité de production est déterminée, avec la quantité T. Le
rendement y est aléatoire et proportionnel à T, c'est-à-dire y = T · u, où u est rapport
de qualification du produit stochastique, indépendant de T. Les CDF, G(u), et P DF,
g(u), de u sont dans un espace ÿ. G(u) est supposé différentiel, inversible et
strictement croissant sur ÿ (Wang, 2009).
148
5.3 Approche bayésienne pour représenter la double incertitude des variables
stochastiques
5.3.2.1 Taux de qualification du produit
Dans certaines recherches, les produits de qualité inférieure peuvent être triés à temps au
cours du processus de production (Chan et al., 2003 ; Chiu, 2006). Dans notre travail, nous
supposons que l'inspection s'exécute après la production par lots. Dans le cas où la
distribution des produits défectueux peut être obtenue à partir de données historiques,
l'incertitude du taux de défectueux peut être représentée par une variable stochastique.
Les familles de distribution habituellement utilisées, telles que la distribution normale, la
distribution uniforme, la distribution de Poisson, la distribution Gamma, etc., sont considérées comme représent
répartition de la demande incertaine. Nous utilisons la distribution normale dans notre travail. Comme
Comme nous le savons, la distribution normale (également appelée distribution gaussienne)

est souvent utilisée comme première approximation pour décrire les variables aléatoires à
valeurs réelles qui ont tendance à se regrouper autour d'une seule valeur moyenne. Elle
est considérée comme la distribution de probabilité la plus importante dans les statistiques.
Il y a plusieurs raisons : premièrement, la distribution normale est traitable analytiquement,
c'est-à-dire qu'un grand nombre de résultats impliquant cette distribution peuvent être
dérivés sous une forme explicite ; Deuxièmement, la distribution normale résulte du
théorème central limite, qui stipule que dans des conditions douces, la somme d'un grand
nombre de variables aléatoires est distribuée à peu près normalement ; Troisièmement, la
forme en « cloche » de la distribution normale en fait un choix pratique pour modéliser une
grande variété de variables aléatoires rencontrées en pratique.
De plus, la distribution normale est une bonne représentation même en cas de manque de données historiques. Nous
supposons que le ratio de qualification du produit suit : u ÿ fN (µu, ÿ2

2
une loi normale de moyenne µu et de variance ÿ dans dans
).
5.3.2.2 Demande incertaine
Différentes combinaisons de répartition de la demande et du ratio de qualification des

produits sont utilisées dans la littérature. Il existe des combinaisons couramment utilisées
de répartition de la demande et du ratio de qualification des produitsÿ: {uniforme, uniforme}
(Gavirneni et al., 1998ÿ; Tiwari et al., 2011ÿ; Wang, 2009)ÿ; {gamma, uniforme} (Boulaksil et al., 2009).
Dans les travaux de Tiwari et al. (2011), certaines propositions obtenues à partir du modèle
de distribution uniforme sont également étayées par des expériences numériques
approfondies pour la distribution normale et log-normale.
Pour une étude préliminaire, nous pouvons utiliser la forme {normale, normale} pour
expliquer le processus de calcul.
149
Comme pour le ratio de qualification du produit, la demande suit une distribution normale : x ÿ fN (µx, ÿ2 x ).
2
tion avec une moyenne µx et une variance ÿ X
5.3.3 Approche bayésienne pour représenter la double incertitude de

variables
Comme la distribution supposée dans les sections précédentes, la distribution a priori est
obtenue en fonction des données historiques et de l'expérience des experts. Nous considérons
les paramètres de la distribution décrits ci-dessus, la moyenne et la variance de la distribution

2 2
normale, µu, ÿ et la demande qui sontsont
et µx,respectivement,
dans
ÿ X,
pourégalement
un rapportincertaines.
de qualification
Nousde produit incertain
appelons
l'incertitude des paramètres l'incertitude de second niveau. Nous adoptons l'approche bayésienne
pour représenter l'ensemble de l'incertitude des variables.
L'esprit central de l'approche bayésienne est la mise à jour de l'information. Grâce à la mise
à jour de l'information, nous obtenons la distribution a posteriori de la variable incertaine. Il existe
principalement deux types de mise à jour des informations : la mise à jour directe des informations
avec de nouvelles données et la mise à jour indirecte des informations.
5.3.3.1 Mise à jour directe des informations
La mise à jour directe de l'information est le cas où de nouvelles données peuvent être obtenues
pour modifier directement la distribution antérieure de la variable incertaine.
Prenez le rapport défectueux par exemple. Nous pouvons obtenir la distribution du rapport
défectueux en fonction de la distribution a priori obtenue à partir des données historiques.
À partir de la pré-production ou de la production d'essai, nous pouvons exécuter une inspection
par échantillonnage aléatoire. En fonction de ces informations de contrôle, la diffusion préalable
peut être modifiée et mise à jour. Les informations sur la demande peuvent être mises à jour de manière similaire.
Lorsque les données de vente de produits pré-saisonniers collectées sur le marché sont proches
du produit saisonnier, nous pouvons utiliser ces données pour mettre à jour la distribution par
approche bayésienne.
Exemple:
Un détaillant commande des composants électroniques à un fournisseur de radio. Selon les
expériences historiques, la distribution de probabilité de la variété du rapport de qualification est
comme indiqué dans la troisième ligne du tableau 5.1. Maintenant, avant la nouvelle commande, il y a
150
5.3 Approche bayésienne pour représenter la double incertitude de

variables stochastiques
est une information indiquant que le taux de qualification augmente. Prendre un échantillon aléatoire de
10, à partir des produits finis, il est établi qu'il n'y a pas de produit défectueux.
Par conséquent, selon ces informations, mettez à jour la distribution de probabilité de
ratio de qualification du produit de l'usine.
Tableau 5.1 : Calcul de la distribution a posteriori avec mise à jour directe des informations
Ratio de qualification 0,95 0,90 0,85 0,80
ratio défectueux ÿj 0,05 0,10 0,15 0,20
Distribution a priori P(ÿj ) 0,1 0,4 0,4 0,1
Vraisemblance P(e0|ÿj ) 0,599 0,349 0,197 0,107
P(ÿj ) · P(e0|ÿj ) 0,0599 0,1359 0,0788 0,0107
Distribution postérieure P(ÿj |e0) 0,207 0,483 0,273 0,037
Sous la probabilité conditionnelle, la probabilité de l'événement (e0) qu'il y ait

est 0 produit défectueux dans l'échantillon de 10 obéit à l'approximation binomiale. Le
la vraisemblance peut être calculée selon l'équation 5.9 :
0 0 1
P(e0|ÿj ) = C10 p j (1 ÿ pj ) 0 (j = 1, 2, . . . , 4) (5.9)
où, pj = P(ÿj ).
La quatrième ligne du tableau 5.1 contient les résultats de la formule ci-dessus. Alors nous pouvons
calculer la distribution a posteriori selon la formule bayésienne mentionnée dans
section 5.3.1, les résultats sont ceux de la dernière ligne du tableau 5.1.
5.3.3.2 Mise à jour des informations indirectes
Contrairement à la mise à jour directe des informations, dans le cas de la mise à jour indirecte des
informations, les données nouvellement collectées ne fonctionnent pas directement sur la distribution précédente.
L'information indirecte est plus complexe et universelle que la mise à jour de l'information
directe. Ainsi, nous nous concentrons sur la mise à jour indirecte des informations.
En supposant que les paramètres de distribution normale, la moyenne µu et vari sont des
ance ÿ 2 2 2
dans
variables aléatoires, avec une distribution normale N(µ1, ÿ 1 ) et N(µ2, ÿ 2 ),
2.
respectivement, appelée distribution a priori de µu et ÿ dans
Dans la section 5.3.2, la distribution normale du ratio de qualification du produit est de
noté fN (µu, ÿ2 dans

). Nous l'appelons la distribution conditionnelle de u, basée sur
2
certaine moyenne µu et variance ÿ dans
. La distribution préalable de la qualification du produit
151
le rapport avec une moyenne et une variance incertaines est représenté par f(u) :
ÿ ÿ
g(u) · f(µu)f(ÿ u2 ) ré (µu) ré (ÿ2u )

f(u) = Z 0 0
DEPUIS
ÿ ÿ
2 2 2 2 2
fN (u | µu, ÿ2 u ) · fN (µu | µ1, ÿ 1 ) · fN (ÿ u | µ2, ÿ 2 ) ré (µu)ré (ÿ u ) = N (µ1 + µ2,12ÿ+ ÿ 2)
=Z 0 0
DEPUIS
(5.10)
Nous utilisons la valeur nouvellement collectée de uˆ, qui peut être obtenue par une simulation
dynamique du marché, une méthode de prévision de séries chronologiques, ou observée
directement à partir du marché pré-saisonnier.
Les distributions a posteriori de µu représentées par
g(û) · f(µu)
ˆf(µu) = f(û) (5.11)
où g(û) et f(û) peuvent être dérivés de la distribution conditionnelle et de la

distribution a priori avec uˆ.
Enfin, la distribution a posteriori du ratio de qualification du produit u est mise à jourÿ:
ÿ
g(u) · ˆf(µu)d(µu) (5.12)

ˆf(u) = Z ÿÿ
Outre la distribution de combinaison {normale, normale} pour les paramètres incertains,

nous pouvons également utiliser d'autres types de distribution. Par exemple, la
distribution gamma inverse est appliquée pour la variance incertaine dans (Choi et al.,
2006). La distribution exponentielle, la distribution gamma et la distribution de Poisson sont également largement u
Certains types de combinaisons peuvent être compliqués. Il est difficile
d'obtenir une expression explicite de la distribution a posteriori. Une fois les
informations mises à jour, la distribution postérieure peut conserver le même
type de distribution que la précédente, juste avec les paramètres modifiés, ce
cas appelé distribution conjuguée. Le calcul est assez simple. Parfois, après la
mise à jour des informations, le type de distribution change également, avec
un type de distribution inhabituel, voire parfois impossible d'obtenir la fonction de densité de probabilit
Pour faciliter le calcul, la distribution conjuguée est adoptée dans notre travail.
Nous supposons qu'après la mise à jour des informations, la distribution a posteriori du
ratio de qualification du produit est toujours une distribution normale.
De même, pour la distribution de probabilité de la demande avec des paramètres incertains,
152
5.3 Approche bayésienne pour représenter la double incertitude
des variables stochastiques
le deuxième niveau d'incertitude, c'est-à-dire les paramètres incertains, on

calcule la distribution a priori h(x) et la distribution a posteriori hˆ(x), qui sont conjuguées dis
cotisations.
5.3.4 Modèle de description du problème avec vari stochastique

capables
Différent du modèle de (Wang, 2009), nous considérons la perte potentielle à la fois

du grossiste et du fabricant. Puisque nous nous concentrons sur la variable de
décision, la quantité de commande du grossiste, Q, avec le modèle mathématique
de la demande et le ratio de qualification du produit, la perte attendue est exprimée en fonction de Qÿ:
P(Q) = E[f(Q, x, u)]

Q/T dehors
[(w ÿ c)(Q ÿ uT) + v(uT ÿ x)]f(x)dx+

=Z0 ( Z0
ÿ
[(w ÿ c)(Q ÿ uT) + (r ÿ w)(x ÿ uT)]f(x)dx)g(u)du+

DEPUIS
dehors
(5.13)
ÿ Q
[c(uT ÿ Q) + v(Q ÿ x)]f(x)dx+
DEPUIS ( Z0
Q/T
ÿ
[c(uT ÿ Q) + (r ÿ w)(x ÿ Q)]f(x)dx)g(u)du

DEPUIS
Q
Au sens strict, la valeur attendue de la perte potentielle de la chaîne d'approvisionnement exprimée
car la formule ci-dessus est basée sur la théorie suivante :

ÿ
Si l'intégrande f(x) satisfait la condition que l'intégrale R ÿÿ
xf(x)dx est ab
soit résolument convergente, la valeur attendue de x peut être calculée parÿ:
xf(x)dx (5.14)
E[x] = Z ÿÿ
En d'autres termes, l'intégrande dans l'équation ci-dessus doit satisfaire la

condition convergente. On suppose que les intégrandes satisfont la condition.
Cependant, il est difficile de calculer la condition exacte à laquelle les
paramètres doivent satisfaire. On garde les hypothèses pour continuer le calcul ultérieur.
Pour ce type de problème, la meilleure approche consiste à utiliser des formules
mathématiques pour calculer directement la variable de décision si elle est dans des conditions appropriées. Ainsi
153
premièrement, nous validons l'attribution de la fonction, la convexité, la dérivabilité et ainsi de suite

sur.
En prenant la dérivée première de l'équation 5.13 par rapport à Q, on obtient :
dP(Q) Q/T
g (u) du +
dQ =(w ÿ c)(F(ÿ) ÿ F(0)) Z [(c ÿ v) 0
ÿ (5.15)
g (u) du
(F(ÿ) ÿ F(0)) ÿ (r ÿ w)(F(ÿ) ÿ F(Q ))] Z Q/T
Généralement, les types de demande CDF habituellement utilisés (en référence aux tracés
du cdf de la demande simulée dans (Mostard et al., 2005)), distribution normale, lognormale
et uniforme, sont tous avec F(ÿ) = 1, et F (0) = 0. Par conséquent, nous simplifions l'équation
ci-dessus enÿ:
dP(Q) Q/T ÿ
g (u) du (5.16)
dQ = (wÿc) Z 0 g (u) du + [(c ÿ v) - (r ÿ w) (1 ÿ F (Q))] Z Q/T
La dérivée seconde de l'équation 5.13 par rapport à Q estÿ:
dP2 (Q) 1 = (2w + v ÿ r) dQ2

Qg ( ) (5.17)
J J
Si dP2 (Q) < 0, P(Q) est concave, sinon P(Q) est convexe. Par conséquent, nous devons
dQ2
discuter de la relation des quatre paramètres de prix, c, w, v, r.
Il n'y a pas de données définitives sur la relation entre les quatre types de prix.
Il diffère en cas de marchandises, d'industries, de pays, etc. différents. Le principe général
est le suivantÿ: pour les produits à bas prix ou difficiles à gérer, la différence entre le prix
de gros et le prix de détail est plutôt plus importante que pour ceux à prix plus élevé. Cela
fait que la variété des entreprises de vente au détail a à peu près le même niveau de profit.
En moyenne, la marge bénéficiaire de la marchandise est d'environ 30 %. Nous obtenons
des données sur Internet. Par exemple, d'après une enquête menée auprès d'un enseignant
chinois en juillet 2008, le prix de détail des légumes à Hangzhou (une ville de l'est de la
Chine, proche de Shanghai) est presque le double du prix de gros. Cette différence est
principalement causée par le canal de distribution peu pratique de la Chine. Dans le pays
développé, la différence de prix de détail et de gros doit être inférieure à celle du pays en
développement. Nous pouvons facilement estimer la différence de prix des marchandises
dans d'autres industries avec un prix plus élevé et une durée de vie plus longue. On peut donc en déduire que la moyen
154
5.3 Approche bayésienne pour représenter la double incertitude des variables

stochastiques
différence de prix peut être au niveau de 30%, c'est à dire w = r · 70%.

dP2 (Q)
On obtient donc : dQ2 > 0, P(Q) est convexe.
dP(0)
g (u) du (5.18)
dQ = [(c ÿ v) ÿ (r ÿ w)(1 ÿ F(Q))] Z
dP(ÿ) dQ
g (u) du (5.19)
= (w - c) Z
On trouve facilement que dP(ÿ) > 0, car il est évident que w > c et R g (u) du > 0.
Proposition 5.1 Sous la condition où dP(0) < 0, il existe un Qÿ ÿ (0, ÿ) unique et fini qui minimise
P(Q),
Preuve Il est déjà prouvé que P(Q) est convexe et dérivée du second ordre. Si la première
dérivée de P(Q), la valeur minimale de P(Q) doit sortir et est unique.
On note a = 1 ÿ F(Q), puisque 0 < F(Q) < 1, on obtient 0 < a < 1.
5.3.4.1 Discussion de la relation entre les différents paramètres de prix
Nous discutons de la relation de chaque paire de deux paramètres de prix adjacents séparément,
c'est-à-dire que les deux types de prix se situent à des étapes adjacentes de la chaîne
d'approvisionnement. Avant la discussion, nous introduisons quelques concepts largement utilisés dans la décision de pr
Prix catalogueÿ: est le prix indiqué avant les remises, avant que les remises ne soient soustraites
et taxes en sus.
Prix netÿ: correspond au prix après déduction de toutes les remises et remises du prix
catalogue.
Dans notre travail, pour faciliter le calcul, nous ne considérons pas les remises. c'est-à-
dire que le prix est indépendant de la quantité commandée.
Prix de détail = W prix de vente en gros × (1 + pourcentage de majoration).
Pourcentage de marge brute = marge bénéficiaire/prix de détail.
Généralement, la « marge » dont on parle est la marge brute. Le grossiste et les détaillants
ont généralement beaucoup plus de marge que le fabricant.
1) Coût de fabrication c et prix de gros w. Comme nous le savons, généralement, pour le

fabricant, 1 ÿ 3% est un faible taux de profitÿ; 3 ÿ 5ÿ% est un taux de profit moyenÿ; 5 ÿ 8ÿ%
est un taux de profit élevéÿ; et au-dessus de 10ÿ% , c'est du profit (bénéfice soudain énorme).
Certaines autres industries peuvent avoir un taux de profit plus élevé que cela, comme le
vêtement généralement entre 10 et 15ÿ%, les médicaments avec une moyenne de 15ÿ%, etc. Bien sûr, il y a quelques
155
des industries spéciales qui peuvent gagner beaucoup plus que d'autres, par exemple, la grande
marque de luxe, les bijoux, les voitures, les montres, etc. De plus, les données diffèrent selon les
pays et les régions. Afin d'obtenir des données universelles, nous nous concentrons sur les biens de
consommation de base. Par conséquent, pour l'industrie générale, par exemple les médicaments, les
produits électriques, l'alimentation, nous donnons la relation de prix séparément, comme indiqué
dans le tableau 5.2. Afin de donner un exemple intuitif, prenons la drogue par exemple. Pour les médicaments, c = w · 85 %.
2) Prix de gros et prix de détail. Bien qu'il existe généralement des distributeurs médians entre
les grossistes et les détaillants, nous considérons le cas où les détaillants commandent directement
les marchandises aux grossistes. Il existe une formule traditionnelle permettant aux détaillants de
déterminer le prix de détail : prix de détail = prix de gros × 2, c'est-à-dire que le pourcentage de marge
brute est de 50 %. Parce qu'il y a généralement des remises sur les promotions et d'autres raisons de
baisser le prix, enfin, le prix réalisé peut être inférieur au prix initial. Une recherche rapide donne
quelques résultats indiquant que la majoration de détail typique est de 40%, tandis que pour la vente
en gros, la marge moyenne de 30% sur les marchandises.
La plupart des épiceries travaillent sur une marge bénéficiaire d'environ 30% sur leur coût de vente.
Pour les médicaments, w = r · 85 %, pour les autres industries, se référer au tableau 5.2.
3) Prix de détail et valeur de récupération. La valeur de récupération (également appelée valeur
résiduelle) est sûrement liée à la valeur marchande actuelle des produits. Nous pouvons le calculer
en multipliant la valeur marchande actuelle par le pourcentage de valeur de récupération. Le
pourcentage de valeur de récupération a une grande différence pour des produits distincts. Il n'y a
toujours pas de valeur définitive. Même pour le même produit, le pourcentage de valeur de
récupération varie selon les entreprises. Par exemple, le pourcentage de valeur de récupération pour
les fruits et légumes frais est de 0, tandis que pour les équipements électroniques, il est d'environ 10
à 20ÿ%. La valeur de récupération des marchandises invendues est en quelque sorte différente de la
valeur de récupération des produits de dépréciation. À certains degrés, la valeur de récupération des
produits invendus est supérieure à celle des produits de dépréciation, par exemple, au point de valeur
de la ferraille, les matériaux des produits invendus que le brocanteur peut utiliser sont plus valorisés
que ceux des produits de dépréciation. De plus, en brocante, le
les produits invendus peuvent obtenir un meilleur prix que les produits de dépréciation. De plus, les
produits invendus peuvent être revendus pendant la saison des soldes après la saison des soldes. Dans
dans ce cas, ils peuvent être revendus à un prix très supérieur à la valeur de récupération.
Par exemple, certains vêtements sont revendus avec 30ÿ%, 50ÿ% ou un autre pourcentage l'année
suivante pendant la saison des remises. Il n'existe aucun document indiquant
156
5.3 Approche bayésienne pour représenter la double incertitude des

variables stochastiques
répartition générale des invendus, soit revendus, soit recyclés. Pour les médicaments, la
valeur de récupération est généralement de 20 ÿ 30 %, c'est-à-dire v = r · 25 %.
Tableau 5.2 : Relation de prix pour différentes industries ÿ
Vêtement Produit électrique c ÿ

Médicament
wc = w ÿ 85 % c = w ÿ 80 % c = w ÿ 70 % w ÿwrw = r=ÿr50
ÿ 85
%% w
= r ÿ 70 % r ÿ vv = r ÿ 25 % v = r ÿ 10 % v = r ÿ 20 %
ÿ le résultat ci-dessus provient de données statistiques sur les médicaments provenant d'Internet.
5.3.4.2 Calcul basé sur notre hypothèse
Avec l'estimation de la relation des prix dans l'industrie pharmaceutique décrite ci-
dessus, nous représentons les trois autres types de prix, v, c, w avec r comme : c =
0,72r ; w = 0,85rÿ; v = 0,25r. Par conséquent, l'équation 5.18 devient :
ÿ
dP(0)
g (u) du (5.20)
dQ = (0,47r ÿ 0,15r · a) Z 0
Puisque 0 < a < 1, il est évident que dP(0)

dQ
> 0.
Malheureusement, les résultats ne sont pas à la hauteur de nos attentes. Par

conséquent, nous constatons que dans la situation de notre hypothèse, nous ne
pouvons pas utiliser la méthode traditionnelle de calcul de l'extremum de la fonction
pour calculer la quantité de commande optimale du grossiste. Cependant, dans la
situation opposée à notre
dQhypothèse, nous
< 0, où c ÿ pouvons
v < (r ÿ w) · a. obtenir les résultats attendus dP(0)
Sous la condition c ÿ v < (r ÿ w) · a, on obtient la proposition 5.1.
Notons k = (c ÿ v) ÿ (r ÿ w) · a, k < 0.
Posons dP(Q) = 0, on obtient :
dQ
Qÿ
Qÿ (w ÿ c)[G( ) ÿ G(0)] = ÿk[G(ÿ) ÿ G( )] (5.21)
J J
Semblable à F(ÿ) et F(0), nous définissons G(ÿ) = 1, G(0) = 0. Alors,
Qÿ
G( ) = ÿk/(w ÿ c ÿ k) (5.22)
J
où
k = (c - v) - (r - w) · une, k < 0 (5.23)
157
F(Q ÿ ) > (r ÿ w)/(c ÿ v) (5.24)
ÿ w ÿ c > 0 et k < 0
k ÿ ÿ wÿcÿk ÿ (0, 1)
Qÿ
soit J ) ÿ (0, 1), donc, il existe un unique Qÿ pour faire dP(Q) = 0,
dQ
qui est
G( représenté dans l'équation 5.22.
Pour calculer la capacité de production initiale optimale T ÿ, à partir de

l'équation 5.22, on trouve que la distribution de la demande F(x) et la distribution de la
perte de rendement G(u) sont nécessaires. Les deux distributions de probabilité peuvent
utiliser les résultats de l'approche bayésienne, qui représentent complètement la double incertitude des deux
variables.
5.3.4.3 Discussion
En fait, lorsque l'équation 5.23 n'est pas satisfaite, nous substituons la distribution
originale de la demande incertaine et du ratio de qualification pour calculer l'expression
de la perte attendue, E[f(Q, x, u)]. Nous avons essayé à la fois la distribution normale et la
distribution uniforme continue. Malheureusement, nous ne pouvons pas obtenir
l'expression explicite de la fonction de la perte attendue. c'est-à-dire que nous ne pouvons
pas utiliser l'algorithme exact pour dériver la quantité de commande optimale. Par conséquent, nous obtenons le résu
Seulement sous la condition, où c ÿ v < (r ÿ w) · a, 0 < a < 1, nous pouvons utiliser la

méthode mathématique exacte pour calculer la quantité de commande optimale du
grossiste.
Dans le cas où l'hypothèse ne tient pas, nous pouvons utiliser une approche de
simulation pour calculer la quantité de commande optimale du grossiste, qui est illustrée
dans la section suivante.
5.4 Incertitude représentée par variable floue

Dans la section précédente, la demande incertaine et le ratio de qualification du produit
sont tous deux représentés par une variable aléatoire avec des distributions de type connu.
Néanmoins, il est établi que l'utilisation de l'approche bayésienne pour prévoir la demande
ou le taux de qualification est plutôt coûteuse. Parfois, il y a même beaucoup de contraintes
dans le calcul pour son application. De plus, dans la plupart des cas pratiques, il n'y a pas
suffisamment de données historiques ou fiables, le taux de qualification du produit ne peut dépendre que de la valeur
158
portée estimée par certains spécialistes. Par conséquent, nous préférons représenter les
variables incertaines avec le flou, qui est beaucoup étudié ces derniers temps.
Pour traiter le problème de décision avec information floue, la théorie des ensembles flous
proposée par Zadeh (1965) et la théorie de la crédibilité proposée par (Liu, 2006) sont largement
utilisées.
5.4.1 Théorie de la crédibilité
Zadeh (1978) a proposé la théorie des possibilités comme extension de sa théorie des
ensembles flous et de sa logique floue. Il existe deux mesures, y compris la possibilité et la mesure nécessaire.
Comme nous le savons, un événement flou peut échouer même si sa possibilité atteint 1, et
tenir même si sa nécessité est 0 (Ji & Shao, 2006). Cependant, dans la théorie de la crédibilité
proposée par Liu (2006), l'événement flou doit tenir si sa crédibilité est de 1 et échouer si sa
crédibilité est de 0.
La théorie de la crédibilité proposée par Liu (2006) est une nouvelle branche des
mathématiques pour étudier le comportement des phénomènes flous. Puisque nous l'utilisons pour le calcul dans
section ultérieure, nous la présentons brièvement ici.
5.4.1.1 Mesure de crédibilité et espace de crédibilité
D'après la théorie de la crédibilité de Liu (2006), la mesure de possibilité est la mesure de
crédibilité plutôt que la mesure de probabilité. C'est sur la base des cinq suivants
axiomes.
Soit ÿ un ensemble non vide, et soit P(ÿ) l'ensemble puissance de ÿ (ie, tous les sous-
ensembles de ÿ). Chaque élément de P(ÿ) est appelé un événement.
1) Cr{ÿ} = 1
2) Cr est croissant, c'est-à-dire que Cr{A} ÿ Cr{B} chaque fois que A ÿ B.
3) Cr est auto-duale, c'est-à-dire que Cr{A} + Cr{Ac} = 1 pour tout A ÿ P(ÿ).
4) Cr {UiAi} 0,5 = supiCr {Ai} pour tout {Ai} avec Cr {Ai} ÿ 0,5.
5) Soient ÿk des ensembles non vides sur lesquels Crk vérifie les quatre premiers axiomes,
k = 1, 2, . . . , n, respectivement, et soit ÿ = ÿ1×ÿ2×. . . ÿn. Alors : Cr{(ÿ1, ÿ2, . . . ÿn)} = Cr1{ÿ1} ÿ
Cr2{ÿ2} ÿ . . . ÿ Crn{ÿn} , pour chaque (ÿ1, ÿ2, . . . ÿn) ÿ ÿ.
159
5.4.1.2 Simulation floue
La simulation floue, développée par (Liu, 1998, 1999 ; Liu & Liu, 2002), a été définie comme
une technique permettant de réaliser des expériences d'échantillonnage sur des modèles de systèmes flous.
De nombreuses expériences numériques ont montré que la simulation floue fonctionne

bien pour manipuler les systèmes flous (Liu, 2006).
Liu (2006) a introduit la technique de simulation pour calculer la crédibilité, trouver

des valeurs critiques et calculer la valeur attendue. Certains chercheurs ont appliqué
cette technologie à des exemples numériques pour analyser son efficacité (Ji & Shao,
2006 ; Shao & Ji, 2006).
Soit ÿ une variable floue de fonction d'appartenance µ(u). Selon la théorie de la

crédibilité de Liu (2006), la possibilité, la nécessité, la mesure de crédibilité de
l'événement flou ÿ ÿ r peuvent être représentées respectivement par :
P os {ÿ ÿ r} = supuÿrµ (u) (5.25)
Ni {ÿ ÿ r} = 1 ÿ supu<rµ(u) (5.26)
1
Cr{ÿ ÿ r} = 2 [P os{ÿ ÿ} + ni {ÿ ÿ r}] (5.27)
Nous introduisons l'application de la valeur attendue, qui est utilisée dans les
section.
Supposons que f est une fonction et que ÿ = (ÿ1, ÿ2, . . . , ÿn) est un vecteur flou de
fonction d'appartenance µ. Générer aléatoirement uk à partir de l'ensemble de niveaux
ÿ r} k = 1, 2, . .ÿ. de
, etÿCr{f(ÿ)
pour N.ÿ r}
Alors
pourpour
touttout
nombre
nombre
r < 0r peut
ÿ 0, la
être
valeur
estimé
de crédibilité
en utilisantCr{f(ÿ)
les
échantillons.
Après cela, nous pouvons utiliser la simulation pour calculer l'intégrale,
+ÿ 0
Cr{f(ÿ) ÿ r}dr (5.28)
E [f (ÿ)] = Z 0 Cr{f(ÿ) ÿ r}dr ÿ Z ÿÿ
En appliquant ici l'équation de définition de la crédibilité, pour tout nombre r ÿ 0,

Cr{f(ÿ) ÿ r} peut être estimé par l'équation 5.29ÿ:
1
Cr {f (ÿ) ÿ r} = [max 2 µ µk | f (ÿ, uk) ÿ r} + 1 - max {µk | f (ÿ, uk) <r}]
k=1,2,...,N k=1,2,...,N
(5.29)
160
Pour tout nombre r < 0, Cr{f(ÿ) < r} peut être estimé par l'équation 5.30ÿ:
1
Cr{f(ÿ) < r} = 2 [max µ µk | f (ÿ, uk) ÿ r} + 1 - max {µk | f (ÿ, uk) > r}]
k=1,2,...,N k=1,2,...,N
(5.30)
5.4.2 Solutions avec variables floues

Pour le modèle de l'équation 5.6 décrit à la section 5.2, différent de la représentation avec
des variables stochastiques, les deux variables demande incertaine x et taux de qualification
du produit u sont toutes deux des nombres flous. Pour faciliter le calcul, nous considérons
les deux représentés par des nombres flous triangulaires. La quantité de commande
optimale Q est toujours la variable de décision. La fonction objective est la minimisation
des pertes potentielles de l'ensemble de la chaîne d'approvisionnement.
Pour résoudre le modèle avec des variables floues, nous combinons l'algorithme
génétique avec la simulation floue pour obtenir un algorithme intelligent hybride. Les programmes sont comme
suit :
Etape 1 Pour les grossistes, initialiser la population chromosomique de première

génération Q = (Q1, Q2, . . . , Qp) et valider la faisabilité du chromosome, où p est le nombre
de population.
Étape 2 Pour chaque chromosome Qj (j = 1, 2, . . . , p), appliquez la simulation floue

pour calculer le profit associé E(fj ), c'est-à-dire la fitness de chaque chromosome.
Étape 3 Selon l'aptitude des chromosomes, nous les sélectionnons avec la roulette,
puis appliquons les opérations de croisement et de mutation pour obtenir un nouveau gener
ation.
Étape 4 Répétez l'étape 2 à l'étape 3, et éclatez-vous jusqu'à ce que le numéro de génération

G est atteint.
Étape 5 Comparez l'aptitude à la dernière génération, sélectionnez le chromosome Q

avec la plus grande valeur d'aptitude, qui est exactement la meilleure valeur obtenue pour
la solution de quantité de commande du grossiste.
À l'étape 2, pour calculer la valeur de fitness E(fj ), une simulation floue est utilisée
pour la valeur attendue de la variable floue. Nous nous référons à la simulation floue de Liu
(2002, 2003), qui est utilisée et illustrée par Ji & Shao (2006) et Shao & Ji (2006).
Les deux articles ont appliqué une variable floue pour répondre à une demande incertaine.
A la différence d'eux, nous avons deux variables floues différentes, une demande incertaine
et un ratio de qualification de produit incertain.
161
Pour notre modèle à deux variables floues, la procédure de simulation floue de

rédigé comme suit :
1) Pour le chromosome Qj , définissez sa fitness E(fj ) = 0, j = 1, 2, . . . , p; 2)

Générer uniformément xm à partir de la plage de besoins flous x pour rendre sa possibilité
P os{xm} ÿ ÿ (où ÿ est un nombre suffisamment petit), et notons vm = P os(xm)(m = 1, 2, .
. . , M); M est le numéro de génération de simulation qui correspond

aux intervalles des variables de demande; générer de la même manière uniformément ul à partir
de la plage de rapport de qualification du produit flou u pour rendre sa possibilité P os{ul} ÿ ÿ
(où ÿ est un nombre suffisamment petit), notons vl = P os(ul)(l = 1, 2, . . . , M).

µm = xm ÿ ul ; 3)
Définir a = min1ÿm,lÿM{f(xm, ul , Qj )}, b = max1ÿm,lÿM{f(xm, ul , Qj )}ÿ; 4) Générer

uniformément rn(n = 1, 2, . . . , N) à partir de [a, b], où N est une constante
subdiviser les intervalles; 5) Si
rn ÿ 0, calculer la crédibilité Cr{f(xm, ul , Qj )
ÿ r} = µm|f(xm, ul , Qj
E(fj ) +) Cr{f(xm,
< r}) et poser
ul , QjE(fj
) ÿ )r}ÿ;
ÿ , Qj ) ÿ r}+min1ÿm,lÿM{1ÿ
1 2(max1ÿm,lÿM{µm|f(xm, ul
si rn < 0, la crédibilité Cr{f(xm, ul , Qj ) < r}ul=, Qj )

1/2(max1ÿm,lÿM{µm|f(xm,
< r}+min1ÿm ,lÿM{1ÿ µm|f(xm, ul , Qj ) ÿ r}) et ensemble

E(fj ) ÿ E(fj ) ÿ Cr{f(xm, ul , Qj ) < r}ÿ; 6) Soit E(fj ) ÿ max(a,
0) + min(b, 0) + E(fj ) · (b ÿ a)/N.
5.4.3 Opérations d'algorithme génétique

Dans la section précédente, nous avons mentionné que nous avons utilisé un algorithme
génétique combiné à une simulation floue pour résoudre le problème. Nous expliquons les
opérations explicites de l'algorithme génétique.
1) Encodage du chromosome. Nous appliquons un codage en valeur réelle pour le chromosome.

Pour cette étude, les gènes dans le chromosome représentent directement la quantité de
demande et le rapport de qualification.
2) Sélection du chromosome. Étant donné que dans ce travail, nous maintenons le nombre
d'individus dans le pool d'accouplement fixé comme le nombre de population, nous adoptons la
roue de la roulette comme méthode de sélection, ce qui est bon pour choisir des individus
performants pour générer des descendants.
162
5.5 Exemples numériques
3) Croisement du chromosome. Nous appliquons la méthode Golden Selection. Définissez le
coefficient d'or sur ÿ. Sélectionnez deux chromosomes du grossiste Qk et Ql pour exécuter
l'opération de croisement, puis les chromosomes nouvellement générés sontÿ:
Qm = ÿ · Qk + (1 ÿ ÿ) · Ql Qn = ÿ
· Ql + (1 ÿ ÿ) · Qk 4) Mutation du
chromosome. Nous utilisons les contraintes de bornes supérieures et inférieures pour garantir
la faisabilité du chromosome. Exécuter l'opération de mutation pour le chromosome Qm. Fixer les
limites supérieure et inférieure de la demande pour le grossiste est respectivement ÿmax et ÿmin .
Pour garantir la faisabilité des variables, qui doivent être dispersées dans l'intervalle entre les bornes
supérieure et inférieure, la procédure de mutation est exécutée comme suitÿ:
Qn = ÿmax + ÿmin ÿ Qm

L'exemple que nous appliquons est similaire à celui de Shao & Ji (2006). Quant à l'originalité du
problème, il n'y a pas de repère. Par conséquent, nous initialisons les données dont nous avons
besoin pour compléter les exemples. La demande du marché est considérée comme une variable
triangulaire floue D = [310, 350, 380] (cas), ratio flou de qualification du produit avec la variable
triangulaire R = [0,9, 0,95, 1,0]. Les autres paramètres sont les suivants : c = 28e, r = 40e, v = 10e, w
= 34e, T = 400 (cas).
Comme les paramètres de prix ne satisfont pas la condition d'application de l'approche
bayésienne dans la section 5.3.2, nous appliquons la méthode de simulation floue pour le résoudre.
A travers l'application sur les exemples, nous démontrons l'efficacité de la méthode de simulation
floue. Nous utilisons Matlab R2007b pour programmer, effectué sur un ordinateur personnel
configuré avec un processeur Intel Core 2 2,13 GHz.
La population de la génération initiale est de 100; le numéro de génération est 200ÿ; avec 200 courses
numéro de dom en simulation floue.
Les résultats du calcul montrent que la meilleure valeur de la quantité commandée du vendeur
en gros est de 345 caisses, avec une perte potentielle attendue de près de 1114e. La courbe de
convergence est telle qu'illustrée à la figure 5.1.
Comme le résultat de la simulation floue est aléatoire, le résultat final de la perte potentielle
n'est pas constant. Nous exécutons le programme 100 fois pour étudier la différence. Les résultats
sont présentés à la figure 5.2. nous pouvons voir que l'ordre optimal
163
5. INCERTITUDE DE LA DEMANDE ET DU RENDEMENT EN BI-NIVEAU
PROBLÈME DE JOURNAL
370 1200
365 1000
potentielle
perte
360 800
commande
optimale
quantité
de
355 600
350 400
345
0 20 40 60 80 100 120 140 160 180 200200
200
Figure 5.1 : Résultats du calcul avec GA
la quantité ne change pas beaucoup tandis que la perte potentielle varie entre 1100 et 1200.
Les moyennes sont de 345,2 et 1126,7 séparément.
Ensuite, nous modifions les prix pour analyser leurs impacts sur nos résultats. Lorsque
un paramètre change, les autres paramètres conservent la valeur par défaut donnée ci-dessus.
Pour toutes les expériences suivantes, nous exécutons le programme 100 fois pour obtenir un
valeur moyenne de la quantité de commande optimale et perte potentielle.
1) Modifier le prix de gros w.
En gardant les autres paramètres comme valeur par défaut, lorsque le prix de gros diminue,
le profit du grossiste augmentera, mais le profit du fabricant diminuera. Par conséquent, nous ne
connaissons pas le changement de la somme des pertes potentielles des deux.
Autrement dit, nous ne pouvons pas obtenir directement la relation entre la perte potentielle et
prix de gros. Les résultats des expériences sont présentés à la figure 5.3 et au tableau 5.3.
Nous testons 9 prix de gros différents, du 30 au 38. A chaque valeur de gros
prix, nous exécutons le programme à la quantité de commande optimale et au potentiel
perte. D'après les résultats, nous pouvons voir que la valeur de la quantité de commande optimale change
peu entre 345 et 346, perte potentielle entre 1100 et 1140. Les deux
ne change pas grand chose. De plus, la tendance générale des pertes potentielles est plus faible avec
augmentation du prix de grosÿ; au contraire, la quantité de commande est plus grande.
2) Modifier le prix de détail r. D'après la formule de notre modèle, nous pouvons voir que
la perte potentielle est proportionnelle au prix de détail. Lorsque les autres paramètres restent constants
et le prix de détail diminue, la perte potentielle diminuera. Lorsque le prix de détail
164
350 1300
348 1200 potentielle

perte
commande
optimale
quantité
de
346 1100
344
0 10 20 30 40 50 60 70 80 90 100
1001000
Figure 5.2 : Résultats de l'exécution 100 fois
347 1150
potentielle
perte
commande
optimale
quantité
de
346 1100
345
30 31 32 33 34 35 36 37 38
381050
prix de gros
Figure 5.3 : Évolution avec un prix de gros différent
165
Tableau 5.3 : Résultats de la quantité de commande optimale et de la perte potentielle avec différents
prix de gros
Prix de gros Perte potentielle Quantité commandée

30 1138,8 345.3
31 1135,6 345.3
32 1104.1 345,7
33 1131.2 345.2
34 1092.6 345,8
35 1112.8 345.4
36 1091.1 345.6
37 1083.2 345,8
38 1060.2 346,0
augmente, la perte potentielle augmentera. Mais nous ne connaissons pas le changement de
commander la quantité à l'avance. Les résultats ou les expériences d'augmentation de r de
38 à 46 sont présentés dans la Figure 5.4 et le Tableau 5.4, à partir desquels nous pouvons observer que
la perte potentielle augmente avec l'augmentation du prix de détail. Comme ça en expérience
1, la tendance de la perte potentielle est contraire à celle de la quantité commandée.
346 1180
345,8 1160
potentielle
perte
345.6 1140
commande
optimale
quantité
de
345.4 1120
345.2 1100
345
38 39 40 41 42 43 44 45 46
461080
prix de détail
Figure 5.4ÿ: Évolution avec un prix de détail différent
3) Réduire la plage de variation de la demande D. Cela signifie que la variance de

la demande floue est plus petite que celle d'origine utilisée dans l'expérience précédente.
On teste avec différentes valeurs du nombre flou D : D1 = [290350380], D2 =
[300350380], D3 = [310350360] , D4 = [310350370], D5 = [310350380], D6 =
[310350390], D7 = [310350400], l'unité étant les caisses. Nous nous attendons à ce que l'optimum
166
prix en détail
Prix de vente Perte potentielle Quantité commandée

38 1104,5 345,3
39 1101,7 345,5
40 1094,2 345,7
41 1126,8 345.2
42 1101,4 345.6
43 1099,9 345,9
44 1109,5 345,8
45 1118,1 345,8
46 1164,6 345.4
la quantité de commande augmentera avec une plus grande gamme de demande. Résultat de la simulation
illustré à la Figure 5.5 et au Tableau 5.5. D'après les résultats, nous pouvons constater que lorsque
la gamme augmente, la quantité de commande optimale augmente également, ce qui coïncide
avec notre attente. La tendance des pertes potentielles est également contraire à celle des
quantité de commande optimale.
360 1500
potentielle
perte
commande
optimale
quantité
de
340 1000
320 500
D1 D2 D3 D4 D6 D7
Demande floue D5
Figure 5.5 : Comparaison avec différentes demandes floues
4) Changer le ratio de qualification floue du produit R. A partir de la formule de notre
modèle, bien que nous ne puissions pas connaître la relation entre les résultats et le taux de
qualification des produits, nous pouvons en déduire que lorsque les autres paramètres restent constants
et le taux de qualification augmente, la perte potentielle de fabricant augmentera car
de production excédentaire. On teste avec différentes valeurs de R : R1 = [0,88, 0,95, 1],
R2 = [0,89, 0,95, 1], R3 = [0,90, 0,94, 1] , R4 = [0,9, 0,95, 1], R5 = [0,91, 0,95, 1],
167
demande floue
Demande floue Perte potentielle Quantité commandée
D1=[290 350 380] 1447,7 335,2
D2=[300 350 380] 1289.1 340.2
D3 = [310 350 360] 1355.4 335.1
D4 = [310 350 370] 1245.7 340.1
D5=[310 350 380] 1106,9 345,5
D6=[310 350 390] 927,8 351.3
D7=[310 350 400] 801,7 356,0
R6 = [0,92, 0,95, 1], R7 = [0,93, 0,95, 1]. Les résultats des expériences sont présentés à la figure
5.6 et au tableau 5.6. D'après les résultats, nous obtenons que la perte potentielle augmente avec
augmentation du ratio de qualification, ce qui est conforme à nos spéculations. Semblable à
expériences précédentes, lorsque la perte potentielle augmente, quantité de commande optimale

diminue.
348 1400
347 1200 potentielle

perte
commande
optimale
quantité
de
346 1000
345 800
R1 R2 R3 R4 R6 R7
Rapport de qualification floue R5
Figure 5.6 : Comparaison avec différents taux de qualification
Discussions
Nous atteignons l'objectif d'obtenir une quantité de commande optimale. Dans la situation où
les paramètres, T, w, r, c, v, et les variables floues, D, R, sont donnés, nous
peut calculer efficacement la variable de décision.
168
5.6 Conclusion
taux de qualification
Taux de qualification Perte potentielle Quantité commandée

R1 = [0,88 0,95 1] 829,7 347,1
R2=[0,89 0,95 1] 935,9 346,9
R3 = [0,9 0,94 1] 1121,3 345.2
R4 = [0,9 0,95 1] 1108,8 345,5
R5=[0,91 0,95 1] 1184,8 345.2
R6=[0,92 0,95 1] 1240,5 345.1
R7=[0,93 0,95 1] 1301.2 345.1
À partir du test initial et de toutes les expériences suivantes ci-dessus, il est facile de
constater que la perte potentielle et la quantité de commande optimale sont contraires. Cette
coïncide avec le phénomène dans la pratique que nous avons besoin d'un grand inventaire pour obtenir
bon profit et petite perte. Nous nous attendons à obtenir moins de pertes et de petites commandes
quantité. Malheureusement, cela est impossible. Par conséquent, une valeur de compromis est nécessaire.
Parmi les quatre facteurs, la demande floue influence le plus les résultats finaux, à la fois la
perte potentielle et quantité de commande optimaleÿ; suivi du rapport de qualification flou
et prix de détailÿ; le facteur ayant un impact minimal est le prix de gros. Donc,
l'estimation de la demande du marché est particulièrement importante. Les deux prix sont
les facteurs que le décideur peut contrôlerÿ; une politique de prix optimale doit être
négocié. La valeur de compromis optimale se situe au point d'intersectionÿ: la
les valeurs sont : w = 36,8, r = 40,6, D = [310350380], R = [0,89, 0,94, 1], l'autre
les paramètres sont toujours par défaut. Nous obtenons à nouveau la quantité optimale avec 345 caisses.
La perte potentielle diminue à 997,2. Il semble que les paramètres que nous avons utilisés ici
sont raisonnables. Cependant, nous ne considérons pas la relation entre la demande
et prix de détail. Pour de plus amples recherches, nous pouvons le considérer dans le modèle de problème.
5.6 Conclusion
Dans ce chapitre, nous illustrons la procédure d'utilisation de deux méthodes différentes pour
résoudre le problème du vendeur de journaux à deux niveaux avec une demande incertaine et un produit incertain
taux de qualification. Nous avons démontré que l'approche bayésienne convient
représentant la double incertitude des variables. En fait, on peut dire que Bayesian
approche est aussi une sorte de méthode de prévision. Il est évident que cela coûte plus cher
169
que les prévisions normales car il nécessite une mise à jour des informations. Si les économies
de coûts potentielles sont supérieures aux coûts prévus, nous pouvons envisager d'adopter
l'approche bayésienneÿ; sinon, nous devons utiliser directement les informations préalables.
D'après les recherches de Lee (2008), il existe une valeur seuil de prévision.
L'application de l'algorithme génétique hybride avec simulation floue dans des exemples
numériques démontre l'efficacité de cette méthode. Nous avons trouvé la relation entre les
différents paramètres et la fonction objectif. De plus, nous observons que la fonction objective
de perte potentielle de ce problème de vendeur de journaux à deux niveaux n'est pas

complètement cohérente avec la prise de décision dans la réalité. A partir de ce point, la fonction
objective de maximisation du profit est plus intuitive. Par conséquent, nous suggérons d'utiliser
la maximisation du profit comme fonction objectif.
Pour de futures recherches, nous pouvons considérer le problème du vendeur de journaux

dans une situation où il y a concurrence entre plusieurs vendeurs de journaux. Ensuite, le ratio
incertain de qualification des produits peut résulter de la concurrence. La combinaison des

deux représentations de l'incertitude, la méthode stochastique et floue, sera également intéressante.
170
Conclusions et Perspectives
Notre travail porte sur l'incertitude dans la gestion de la chaîne d'approvisionnement (SCM).
L'incertitude est ignorée dans le SCM conventionnel, qui n'est pas adapté à la situation pratique.
Nous nous concentrons sur cette recherche pour donner une recherche systématique sur
l'incertitude dans le SCM et tenter de proposer une référence pour la recherche dans ce domaine.
À toute étape de la chaîne d'approvisionnement, il existe une incertitude qui peut avoir un impact par
formation de l'activité dans la chaîne d'approvisionnement. Nous nous concentrons sur l'incertitude
à trois étapes principales de la chaîne d'approvisionnement, l'incertitude de la demande,
l'incertitude de la fabrication et l'incertitude de la distribution. Pour ces différents types
d'incertitudes, nous analysons chacune d'entre elles en détail, leur influence, leur cause et leur
mesure pour y faire face lorsqu'elles surviennent dans les problèmes de Crète. De plus, nous
avons essayé de tester les performances de nos approches proposées à travers des exemples
numériques. La recherche de l'incertitude dans les trois étapes différentes n'est en fait pas strictement parallèle car elles n
Certaines sortes d'incertitudes sont probablement indépendantes, par exemple, seule l'incertitude
de la demande doit être prise en compte lorsque nous nous concentrons sur l'analyse du marketing.
Cependant, ils peuvent interagir les uns avec les autres dans le cas d'une considération globale
de la chaîne d'approvisionnement, où ils doivent être considérés simultanément et même une
analyse d'interaction nécessaire. Ce point de vue est confirmé dans le dernier chapitre de cette
thèse où l'incertitude de l'offre et de la demande est prise en compte dans le problème du vendeur
de journaux à deux niveaux. Cette partie est également une tentative de traiter l'incertitude dans
un problème concret de gestion de la chaîne d'approvisionnement, dans lequel l'incertitude est
traitée concrètement, avec une approche particulière pour représenter l'incertitude des variables de décision.
En plus des approches concrètes pour faire face à l'incertitude des variables dans le problème
de décision, pour traiter l'incertitude dans les trois principales étapes de la chaîne
d'approvisionnement, nous avons proposé différentes stratégies. Pour l'incertitude de la demande,
nous avons proposé une stratégie de report pour obtenir une allocation optimale de la quantité
d'approvisionnement à chaque fournisseur de la chaîne. Cela s'avère être une stratégie flexible dans l'allocation des biens
171
5. INCERTITUDE DE LA DEMANDE ET DU RENDEMENT DANS LE PROBLÈME DE JOURNAL
À DEUX NIVEAUX
demandeurs pour satisfaire la demande. Grâce à des expériences, nous avons constaté que cette
stratégie est également adaptée à l'optimisation pour un problème d'approvisionnement normal. Le
traitement de l'incertitude dans la distribution peut être considéré comme un travail d'extension pour l'exécution de cette stratégie.
La distribution, en tant qu'étape d'exécution de l'approvisionnement, n'est pas facile à contrôler car
elle contacte beaucoup avec le monde extérieur à l'extérieur de la chaîne d'approvisionnement,
comme l'état de l'itinéraire que nous avons mentionné dans le quatrième chapitre de cette thèse. La
partie préliminaire de la distribution est le transport, dans lequel l'incertitude se produit principalement
en raison de l'incertitude de la demande des clients. Il existe également d'autres facteurs d'incertitude
dans les transports, mais nous ne pouvons pas prendre en compte tous les aspects. Nous constatons
que dans le modèle de problème d'acheminement de véhicules non appariés avec ramassages et
livraisons (VRPPD), le désavantage causé par l'incertitude de la demande des clients peut être atténué.
Pour résoudre le problème, nous appliquons un algorithme génétique de regroupement (GGA). À
notre connaissance, il s'agit de la première tentative d'utilisation de métaheuristiques pour résoudre
des VRPPD non appariés. Nous sommes très honorés de combler cette lacune de recherche en
résolvant les VRPPD non appariés. De toute évidence, un algorithme amélioré peut être tenté dans des recherches futures.
Pour la fabrication, nous nous concentrons sur l'atelier de travail flexible car il s'agit d'un
mode pour la demande du marché de consommation moderne. Pour faire face à l'indisponibilité des
machines, qui est la principale incertitude dans le système de fabrication, nous suggérons d'appliquer
la maintenance conditionnelle (CBM). CBM est une catégorie de maintenance préventive (PM), avec la
surveillance comme base de données. Le problème d'ordonnancement dans ce mode de système de
fabrication est modélisé comme FJSSPM (problème d'ordonnancement d'atelier flexible avec
maintenance préventive). L'attribut dynamique de CBM rend le problème adapté à la période normale
de fabrication et à la période d'exécution de la maintenance. Tout d'abord, nous obtenons un pré-
ordonnancement en résolvant le FJSP normal (problème d'ordonnancement d'atelier flexible).
Lorsqu'une maintenance est nécessaire, un algorithme d'insertion est appliqué pour ajouter des
tâches de maintenance. Différents algorithmes sont proposés pour résoudre le problème. Nous
obtenons un meilleur résultat que celui de la littérature avec notre proposition d'algorithme génétique
intégré (IGA) sur une expérience de référence en FJSP. Les performances d'autres algorithmes sont
également testées. Les résultats des expériences ont montré que nous avons obtenu une approche
efficace pour résoudre le problème.
Les problèmes concrets sur lesquels nous nous sommes concentrés, par exemple FJSPPM et
VRPPD non appariés, sont des problèmes NP difficiles. La méthode que nous avons le plus utilisée
pour résoudre le problème est l'algorithme génétique. En tant que métaheuristique largement utilisée,
elle fonctionne bien tout en résolvant nos problèmes. En résolvant FJSPPM, il s'avère plus performant que la colonie de fourmis
172
CONCLUSIONS ET PERSPECTIVES
Optimisation (ACO). Récemment, la tendance croissante est de combiner GA avec d'autres

méthodes pour résoudre le problème d'optimisation. Au cours de la prochaine période de
recherche, nous tenterons également d'améliorer l'approche.
Les limites de notre recherche existent inévitablement. Comme originalité de certains
de nos problèmes, lorsque nous utilisons le benchmark nous devons modifier ou ajouter
des paramètres pour compléter le problème. Cela rend le problème unique, par conséquent,
nous ne pouvons pas comparer notre résultat avec d'autres. Nous espérons qu'il y a
d'autres chercheurs intéressés par notre expérience problématique et nous pourrons
ensuite comparer les performances de nos approches.
Pour des recherches futures, nous voudrions nous efforcer dans le domaine d'appliquer
notre stratégie et notamment de traiter des variables incertaines dans certains projets de
problèmes réels. Nous espérons que cette recherche théorique pourra contribuer aux
problèmes pratiques de la gestion de la chaîne d'approvisionnement. De plus, pour le
problème du calcul du coût d'approvisionnement dans l'application de la stratégie de
report, la fonction objectif peut être améliorée, d'autres facteurs peuvent être pris en
compteÿ; même un modèle à objectifs multiples pourrait être envisagé. Pour la recherche
d'incertitude dans la distribution, le changement des demandes des clients peut être quantifié dans le problème,
avait besoin.
173
CONCLUSIONS ET PERSPECTIVES
174
Bibliographie
Abdel-Malek, L., Montanari, R. & Meneghetti, D. (2008). Le problème du marchand de journaux

capac ité avec un rendement aléatoire : Le problème du jardinier. International Journal of
Production Economics, 115, 113–127. 143, 146
En ligneAl-Najjar, B. (1991). Sur la sélection de la maintenance conditionnelle pour les systèmes

mécaniques. Fiabilité opérationnelle et maintenance du système, 153–73. 76
Al-Saba, T. & El-Amin, I. (1999). Réseaux de neurones artificiels appliqués à la prévision de la

demande à long terme. Intelligence artificielle en ingénierie, 13, 189– 197. 47
En ligneAlderson, W. (2006). Efficacité marketing et principe de report.

Un guide du XXIe siècle sur la pensée marketing aldersonienne, 109–113.
49
En ligneAlfa, A. (1987). Un algorithme heuristique pour le problème du voyageur de commerce

avec des coûts de déplacement variables dans le temps. Optimisation de
12,l'ingénierie+
325–338. 44,
A35 ,
120
En ligneAlvarenga, G., Mateus, G. & De Tomi, G. (2007). Une approche en deux phases de
partitionnement génétique et ensembliste pour le problème de tournées de véhicules avec fenêtres temporelles.
Recherche informatique et opérationnelle, 34, 1561–1584. 127
En ligneAnily, S. & Bramel, J. (1999). Algorithmes d'approximation pour le problème du voyageur

de commerce capacité avec ramassages et livraisons. Logis Recherche Navale
tiques, 46, 654–670. 128
Anupindi, R. & Akella, R. (1993). Diversification dans un contexte d'incertitude de l'offre.

Sciences de gestion, 944–963. 32
175
BIBLIOGRAPHIE
Archetti, C., Savelsbergh, M. & Speranza, M. (2006). Analyse du pire des cas pour les problèmes
d'acheminement des véhicules de livraison fractionnés. Sciences des transports, 226–234.

127
Ascher, W. (1979). La prévision, une évaluation pour les décideurs et les planificateurs.
35
En ligneAven, T. (1996). Politiques de remplacement basées sur les conditions - une approche
de processus de comptage. Ingénierie de la fiabilité et sécurité des systèmes, 51, 275–281. 76
En ligneAviv, Y. & Federgruen, A. (1999). Les avantages du design pour le report.

Série internationale en recherche opérationnelle et sciences de gestion, 553–
584. 51
Baldacci, R., Hadjiconstantinou, E. & Mingozzi, A. (2004). Un algorithme exact pour le problème
d'acheminement de véhicules avec capacité basé sur une formulation de flux de réseau à deux
produits. Recherche opérationnelle, 723–738. 125
En ligneBarad, M. & Even, S. (2003). Flexibilité dans la modélisation des systèmes logistiques et
l'évaluation des performances. Journal international d'économie de la production, 85, 155–170.
37, 38
Bates, J. & Granger, C. (1969). La combinaison des prévisions. OU, 451–468.

36
En ligneBengtsson, M. (2002). Maintenance conditionnelle des véhicules ferroviaires¶.

IDPMTR, 2, 06. 76
En ligneBent, R. & Hentenryck, P. (2006). Un algorithme hybride en deux étapes pour les problèmes
d'acheminement des véhicules de ramassage et de livraison avec des fenêtres horaires.
Computers & Operations Research, 33, 875–893. 126
Berkoune, D. (2005). Optimisation de l’ordonnancement prenant en compte les

tâches prévisionnelles. Ph.D. thesis. 108, 110
Berrichi, A., Yalaoui, F., Amodeo, L. & Mezghiche, M. (2010). Approche bi-objective d'optimisation
des colonies de fourmis pour optimiser la planification de la production et de la maintenance.
176
BIBLIOGRAPHIE
Bertsimas, D., Chervi, P., Peterson, M. & of Management, SS (1991).

Approches computationnelles des problèmes stochastiques de tournées de véhicules.
Sloan School of Management, Massachusetts Institute of Technology. 127
Bianchi, L., Birattari, M., Chiarandini, M., Manfrin, M., Mastro

lilli, M., Paquete, L., Rossi-Doria, O. & Schiavinotto, T. (2004).
Métaheuristiques pour le problème de routage de véhicules avec demandes
stochastiques. Dans la résolution de problèmes parallèles de Nature-PPSN VIII, 450–460, Springer. 127
Boonyathan, P. & Power, D. (2007). L'impact de l'incertitude de la chaîne d'approvisionnement

sur la performance de l'entreprise et le rôle des relations fournisseur-clientÿ: comparaison
entre les organisations de produits et de services. Dans Actes de la mini-conférence DSI
sur la gestion des services, Pittsburgh (États-Unis). 32, 34
Boulaksil, Y., Fransoo, J. & Tan, T. (2009). Réservation et utilisation des capacités pour un
fabricant dont la capacité et la demande sont incertaines. Pays-Bas : School of Industrial
Engineering, Eindhoven University of Technology. 146, 149
En ligneBrandimarte, P. (1993). Routage et planification dans un atelier flexible par tabu

chercher. Annals of Operations Research, 41, 157–183. 73
Braysy, O. & Gendreau, M. (2005). Problème de routage de véhicules avec fenêtres

temporelles, partie ii : Métaheuristiques. Sciences des transports, 39, 119–139. 125
Brennan, L., Gupta, S. & Taleb, K. (1994). Problèmes de planification des opérations dans
un environnement de montage/démontage. Journal international des opérations et de la
gestion de la production, 14, 57–67. 40
En ligneBrucker, P. & Schlie, R. (1990). Ordonnancement d'atelier avec multi-usages

Machines. Informatique, 45, 369–375. 73
Bullnheimer, B., Hartl, R. & Strauss, C. (1999). L'invention concerne un algorithme de

système de fourmis amélioré pour le problème de routage de véhicules. Annals of
Operations Research, 89, 319–328. 89
Burns, T. & Stalker, G. (2009). La gestion de l'innovation. SSRN eLi

brary. 40
177
BIBLIOGRAPHIE
Campuzano, F., Mula, J. & Peidro, D. (2010). Estimations floues et dynamique du système
pour améliorer les chaînes d'approvisionnement. Ensembles et systèmes flous, 161, 1530–
1542. 35
Caricato, P., Ghiani, G., Grieco, A. & Guerriero, E. (2003). Recherche tabou parallèle pour
un problème de ramassage et de livraison sous conflit de piste. Calcul parallèle, 29, 631–
639. 126
Casco, D., Golden, B. & Wasil, E. (1988). Routage de véhicules avec backhaulings :
modèles, algorithmes et études de cas. Routage de véhicules : méthodes et études,
127–147. 122
Chan, W., Ibrahim, R. & Lochert, P. (2003). Un nouveau modèle epq : intégrant des
situations de prix réduits, de reprise et de rebut. Planification et contrôle de la production,
14, 588-595. 149
Chen, F., Drezner, Z., Ryan, J. et Simchi-Levi, D. (2000). Quantifier l'effet coup de fouet
dans une chaîne d'approvisionnement simpleÿ: l'impact des prévisions, des délais et de
l'information. Sciences de gestion, 436–443. 35
Chen, Z. & Xu, H. (2006). Génération de colonne dynamique pour véhicule dynamique
routage avec fenêtres horaires. Sciences des transports, 74–88. 45, 120
En ligneChiang, W. & Russell, R. (1996). Métaheuristiques de recuit simulé pour le problème

de routage de véhicules avec fenêtres temporelles. Annals of Operations Research, 63,
3–27. 125
En ligneChiu, Y. (2006). L'effet de la contrainte de niveau de service sur le modèle epq avec
un taux défectueux aléatoire. Problèmes mathématiques en ingénierie, 2006, 1–13. 149
Choi, J., Realff, M. & Lee, J. (2005). Programmation dynamique stochastique avec
approximateurs localisés du coût à emporterÿ: application à la gestion de la chaîne
d'approvisionnement à grande échelle dans des conditions d'incertitude de la demande.
Recherche et conception en génie chimique, 83, 752–758. 35
Choi, T., Li, D. & Yan, H. (2006). Politique de réponse rapide avec mises à jour des
informations bayésiennes. Revue européenne de recherche opérationnelle, 170, 788–808. 148,
152
178
BIBLIOGRAPHIE
Christer, A., Wang, W. et Sharp, J. (1997). Modèle de surveillance de l'état de l'espace d'états
pour la prédiction et le remplacement de l'érosion des fours. Journal européen de recherche
opérationnelle, 101, 1–14. 76
Christofides, N., Mingozzi, A. & Toth, P. (1981). Algorithmes exacts pour le problème de
routage de véhicules, basés sur des relaxations d'arbre couvrant et de chemin le plus court.
Programmation mathématique, 20, 255–282. 124
En ligneCiarallo, F., Akella, R. & Morton, T. (1994). Un examen périodique, un modèle de

planification de la production avec une capacité incertaine et une demande-optimalité
incertaine des politiques myopes étendues. Sciences de gestion, 320–332. 143
Collopy, F. & Armstrong, J. (1992). Prévision basée sur des règlesÿ: développement et
validation d'une approche de systèmes experts pour combiner des extrap olations de
séries temporelles. Sciences de gestion, 1394–1414. 36
Colorni, A., Dorigo, M., Maniezzo, V. et al. (1992). Une enquête sur certaines propriétés d'un
algorithme de fourmi. Dans Actes de la conférence sur la résolution de problèmes parallèles
à partir de la nature (PPSN 92), 509–520, Elsevier Publishing. 89
Colorni, A., Dorigo, M., Maniezzo, V. & Trubian, M. (1994). Système Ant pour la planification
de l'atelier. Revue Belge de Recherche Opérationnelle, Statistique et
Informatique, 34, 39–53. 89
Cordeau, J., Laporte, G. & Mercier, A. (2001). Une heuristique de recherche tabou unifiée pour
les problèmes de routage de véhicules avec des fenêtres temporelles. Journal of the
Operational Research Society, 928–936. 125
Cordeau, J., Gendreau, M., Hertz, A., Laporte, G. & Sormany, J.
(2005). Nouvelle heuristique pour le problème de tournées de véhicules. Systèmes

logistiques : conception et optimisation, 279–297. 125
Cvsa, V. & Gilbert, S. (2002). Engagement stratégique contre report dans une chaîne
d'approvisionnement à deux niveaux. Journal européen de recherche opérationnelle, 141,
526–543. 50
En ligneCzech, Z. & Czarnas, P. (2002). Recuit parallèle simulé pour le problème de tournées
de véhicules avec fenêtres temporelles. En parallèle, distribué et basé sur le réseau
179
BIBLIOGRAPHIE
Traitement, 2002. Actes. 10e atelier Euromicro sur, 376–383, IEEE.

125
En ligneDantzig, G. & Ramser, J. (1959). Le problème de répartition des camions. Faire en sorte
science du développement, 80–91. 122
Dauzère-Pérès, S. & Paulli, J. (1997). Une approche intégrée pour modéliser et résoudre le
problème général de planification d'ateliers multiprocesseurs à l'aide de la recherche
tabou. Annals of Operations Research, 70, 281–306. 73
David, C. & Peter, L. (1994). Modélisation de l'évolution des prévisions de demande avec
application à l'analyse des stocks de sécurité dans les systèmes de production/
distribution. Transactions IIE, 26, 17–30. 35, 37
Davis, T. (1993). Gestion efficace de la chaîne d'approvisionnement. Revue de direction Sloan,

34, 35–35. 31
Deo, S. & Corbett, C. (2010). Allocation dynamique des ressources rares sous
l'incertitude de l'approvisionnement. 32, 33
Desaulniers, G., Desrosiers, J., Erdmann, A., Solomon, M. & Soumis, F. (2002). Vrp avec
ramassage et livraison. Le problème du routage des véhicules, 9, 225–
242. 126
Desrochers, M., Lenstra, J., Savelsbergh, M. & Soumis, F. (1987).

Routage de véhicules avec fenêtres horaires : Optimisation et approximation.
Technologie. rep., Département de recherche opérationnelle et de théorie des systèmes,
Centrum voor Wiskunde en Informatica. 127
Desrosiers, J., Soumis, F., Desrochers, M. & Sauvé, M. (1986). Routage et planification des
véhicules avec fenêtres horaires. Netflow à Pise, 249–251. 122
Dorigo, M. & Gambardella, L. (1997). Système de colonie de fourmisÿ: une approche

d'apprentissage coopératif au problème du voyageur de commerce. Calcul évolutif
tion, IEEE Transactions on, 1, 53–66. 89
Dorndorf, U. & Pesch, E. (1995). Apprentissage basé sur l'évolution dans un environnement
de planification d'atelier de travail. Recherche informatique et opérationnelle, 22, 25–40. 85
180
BIBLIOGRAPHIE
Dreyer, B. & Grønhaug, K. (2004). Incertitude, flexibilité et avantage concurrentiel durable.

Journal of Business Research, 57, 484–494. 31
Dror, M., Fortin, D., Roucairol, C. et al. (1998). Redistribution de soi

voitures électriques de serviceÿ: une affaire de ramassage et de livraison. 128
Dumas, Y., Desrosiers, J. & Soumis, F. (1991). Le problème de ramassage et de livraison

avec des fenêtres horaires. Revue européenne de recherche opérationnelle, 54,
7–22. 126
Duncan, O., Featherman, D. & Duncan, B. (1972). Retour socio-économique

terrain et réalisation. Séminaire Presse New York. 41
Edgeworth, F. (1888). La théorie mathématique de la banque. Revue de la

Société royale de statistique, 51, 113–127. 142
En ligneEhrhardt, R. & Taube, L. (1987). Un modèle d'inventaire avec des quantités de

réapprovisionnement aléatoires. Journal international de recherche sur la production, 25, 1795–1803.
143
En ligneEppen, G. & Martin, R. (1988). Détermination du stock de sécurité en présence

d'un délai et d'une demande stochastiques. Sciences de gestion, 1380–1390. 37
Eric Li, Y. & Shaw, W. (1998). Modélisation par simulation d'un réordonnancement
dynamique d'un atelier avec des contraintes de disponibilité des machines. Informatique
et génie industriel, 35, 117–120. 76
Falkenauer, E. (1998). Algorithmes génétiques et problèmes de regroupement. Jean Wiley

& Sons, Inc. 128, 136
Fattahi, P., Saidi Mehrabad, M. & Jolai, F. (2007). Modélisation mathématique et approches
heuristiques des problèmes d'ordonnancement des ateliers flexibles. Journal of
Intelligent Manufacturing, 18, 331–342. 74, 81
Fleischmann, B., Gnutzmann, S. & Sandvoß, E. (2004). Routage dynamique des véhicules
basé sur les informations de trafic en ligne. Sciences des transports, 38, 420–
433. 120
181
BIBLIOGRAPHIE
En ligneFlyvbjerg, B. (2005). Mesurer l'imprécision dans la prévision de la demande de

déplacementsÿ: considérations méthodologiques concernant la montée en puissance et
l'échantillonnage. Transportation Research Part A: Policy and Practice, 39, 522–530. 35
En ligneFlyvbjerg, B. (2008). Limiter le biais d'optimisme et les fausses représentations stratégiques

dans la planificationÿ: la prévision de classe de référence dans la pratique. Etudes d'Aménagement Européen,
16, 3–21. 35, 36
Flyvbjerg, B., Holm, M. & Buhl, S. (2005). Dans quelle mesure les prévisions de la demande sont-
elles (in)précises dans les projets de travaux publicsÿ?ÿ: Le cas des transports. Journal de
l'Association américaine de planification, 71, 131–146. 35
Foster, B. & Ryan, D. (1976). Une approche de programmation en nombres entiers du véhicule
problème d'horaire. Recherche opérationnelle trimestrielle, 367–384. 122
Frey, H. & Rhodes, D. (1998). Caractérisation et simulation de distributions de fréquences

incertainesÿ: effets du choix de distribution, de la variabilité, de l'incertitude et de la dépendance
des paramètres. Évaluation des risques humains et écologiques, 4, 423– 468. 43
Fu, L. (2002). Planification du transport adapté à la demande dans des conditions de congestion
stochastique variable dans le temps. Transportation Research Part B: Methodological, 36, 485–
506. 44, 45, 120
Fukasawa, R., Longo, H., Lysgaard, J., Aragão, M., Reis, M., Uchoa, E. & Werneck, R. (2006). Branche-
et-coupe-et-prix robuste pour le problème de tournées de véhicules avec capacité. Programmation

mathématique, 106, 491–511. 125
En ligneGalego, G. (1995). Le problème des marchands de journaux. Cours IEOR de Columbia Uni
versité. 142, 143
Gambardella, L. & Dorigo, M. (1997). Has-sop : Système hybride de fourmis pour le
problème de commande séquentielle. 89
Gambardella, M. & Mastrolilli, M. (1996). Fonctions de voisinage efficaces pour le problème du job
shop flexible ! Journal of Scheduling, 3, 3. 73
En ligneGang, C. (2010). Une méthode pso-ga pour résoudre un problème d'expédition partielle et
de planification. Dans Computer Application and System Modeling (ICCASM), 2010 International
Conference on, vol. 10, V10–330, IEEE. 127
182
BIBLIOGRAPHIE
Gao, J., Gen, M. & Sun, L. (2006). Planification des travaux et des maintenances dans un
atelier flexible avec un algorithme génétique hybride. Journal of Intelligent Man
ufacturing, 17, 493–507. 75, 76, 81, 82, 88, 99, 103, 104
Garaix, T., Artigues, C., Feillet, D. & Josselin, D. (2010). Problèmes de tournées de
véhicules avec trajets alternatifs : une application au transport à la demande. Journal
européen de recherche opérationnelle, 204, 62–75. 122
Gavirneni, S., Bollapragada, S. & E Morton, T. (1998). Problème d'inventaire stochastique

à révision périodique avec mises à jour des prévisionsÿ: bornes du pire cas pour la
solution myope. Revue européenne de recherche opérationnelle, 111, 381–392. 144,
149
Gendreau, M., Hertz, A. & Laporte, G. (1994). Une heuristique de recherche tabou pour le
problème de routage de véhicules. Sciences de gestion, 1276-1290. 124, 125
Gendreau, M., Laporte, G. & Séguin, R. (1996). Une heuristique de recherche tabou pour
le problème de routage de véhicules avec des demandes et des clients stochastiques. Opérations
Recherche, 469–477. 44, 45, 120
Gendreau, M., Potvin, J., Bräumlaysy, O., Hasle, G. & Løkketangen, A. (2008).
Métaheuristiques pour le problème de tournées de véhicules et ses extensionsÿ: une
bibliographie catégorisée. Le problème d'acheminement des véhiculesÿ: dernières
avancées et nouveaux défis, 143-169. 125
En ligneGerwin, D. (1993). Flexibilité de fabrication : une perspective stratégique. Faire en sorte

science du développement, 395–410. 41
Gillett, B. & Miller, L. (1974). Un algorithme heuristique pour la répartition des véhicules
problème. Recherche opérationnelle, 340–349. 125
Giordani, P. & Söderlind, P. (2003). Incertitude des prévisions d'inflation. Revue

économique européenne, 47, 1037–1059. 47
Girish, B. & Jawahar, N. (2009). Planification de l'atelier d'emploi associé à mul

routages tiple avec heuristique génétique et colonie de fourmis. Journal international
de recherche sur la production, 47, 3891–3917. 89
183
BIBLIOGRAPHIE
Goldberg, D., Deb, K. et Clark, J. (1992). Algorithmes génétiques, bruit et dimensionnement

des populations. Complex Systems Champaign, 6, 333–333. 84
Grabot, B., Geneste, L., Reynoso-Castillo, G. & Vérot, S. (2005).

Intégration des commandes incertaines et imprécises dans la méthode mrp. Journal de
fabrication intelligente, 16, 215–234. 42
En ligneGraman, G. (2010). Un modèle de coût de décision de report partiel. européen

Journal de recherche opérationnelle, 201, 34–44. 50, 51
Granger, C. & Ramanathan, R. (1984). Amélioration des méthodes de combinaison

prévisions. Journal of Forecasting, 3, 197–204. 36
Graves, S. & Willems, S. (2000). Optimiser le placement stratégique des stocks de sécurité
dans les chaînes d'approvisionnement. Gestion des opérations de fabrication et de service, 2, 68–83.
37
Graves, S. & Willems, S. (2003). Conception de la chaîne d'approvisionnement : placement

des stocks de sécurité et configuration de la chaîne d'approvisionnement. Manuels de
recherche opérationnelle et de sciences de gestion, 11, 95–132. 36, 37
Gregory, P. (2010). Nouveaux repères de planification : variantes de problèmes de tournées

de véhicules. Dans le 4e atelier italien sur la planification et l'ordonnancement. 122
Gumus, A., Guneri, A. & Keles, S. (2009). Conception d'un réseau de chaîne d'approvisionnement
à l'aide d'une approche intégrée neuro-fuzzy et milpÿ: une étude de conception comparative.
Systèmes experts avec applications, 36, 12570–12577. 60, 63, 68, 69
Haghani, A. & Jung, S. (2005). Un problème de tournées de véhicules dynamiques avec des
temps de trajet dépendants du temps. Informatique et recherche opérationnelle, 32, 2959–2986. 44,
120
Handfield, R., Nichols, E. & Ernest, L. (1999). Introduction à l'approvisionnement

gestion de la chaine. apprenti Hall Upper Saddle River, NJ. 46
En ligneHartman, R. (1972). Les effets de l'incertitude des prix et des coûts sur l'investissement.
Journal de théorie économique, 5, 258-266. 47
184
BIBLIOGRAPHIE
Heinonen, J. & Pettersson, F. (2007). Études d'optimisation et de visibilité de colonies de

fourmis hybrides appliquées à un problème d'ordonnancement d'atelier. Mathématiques
appliquées et calcul, 187, 989–998. 89, 92
Helliar, C., Lonie, A., Power, D. & Sinclair, D. (2001). Attitudes du Royaume-Uni
gestionnaires au risque et à l'incertitude. Bilan, 9, 7–10. 31
Hernández-Pérez, H. & Salazar-González, J. (2004). Un algorithme de branche et de coupe

pour un problème de voyageur de commerce avec ramassage et livraison.
Mathématiques discrètes appliquées, 145, 126–139. 128, 138, 139
Ho, C., Tai, Y., Tai, Y. & Chi, Y. (2005). Une approche structurelle pour mesurer l'incertitude
dans les chaînes d'approvisionnement. Journal international du commerce
électronique, 9, 91–114. 32
Homberger, J., Gehring, H. et al. (1999). Deux métaheuristiques évolutives pour le

problème de tournées de véhicules avec fenêtres temporelles. Infor-Information
Systems and Operational Research, 37, 297–318. 125
Huang, K. & Liao, C. (2008). Optimisation des colonies de fourmis combinée à la

recherche taboue pour le problème d'ordonnancement de l'atelier. Recherche
informatique et opérationnelle, 35, 1030–1046. 89
Huang, Y. & Li, S. (2008). Situations d'application appropriées de différentes approches

de post-ponement : Standardisation vs modularisation. Journal of Manu facturing
Systems, 27, 111–122. 50
Huisman, D., Freling, R. & Wagelmans, A. (2004). Une approche de solution robuste au
problème de planification dynamique des véhicules. Sciences des transports, 38, 447–
458. 45, 120
Hult, G., Craighead, C. & Ketchen Jr, D. (2010). Incertitude des risques et décisions de la
chaîne d'approvisionnementÿ: une perspective d'options réelles. Sciences de la décision, 41, 435–
458. 46
Hussain, M. & Joshi, S. (1998). Un algorithme génétique pour les problèmes

d'ordonnancement d'atelier avec routage alternatif. Dans Systèmes, homme et cybernétique, 1998.
Conférence internationale de l'IEEE sur, vol. 3, 2225-2230, IEEE. 73, 81
185
BIBLIOGRAPHIE
En ligneEnderfurth, K. (2002). Planification de la production pour la gestion de la récupération des produits.
Univ., FEMM. 36
En ligneEnderfurth, K. & Transchel, S. (2007). Note technique – note sur « l'heuristique myope
pour le problème du rendement aléatoire ». Recherche opérationnelle, 55, 1183–1186.

144
Iwata, K., Murotsu, Y., Oba, F. & Uemura, T. (1978). Optimisation de la sélection des machines-
outils, de la séquence de chargement des pièces et des conditions d'usinage dans les
systèmes d'usinage de type atelier. Annales du CIRP, 27, 447–451. 73
Iyer, A., Deshpande, V. & Wu, Z. (2003). Un modèle de report pour la demande
le management. Sciences de gestion, 983–1002. 52, 53, 54, 55
Jain, K. & Silver, E. (1995). Le problème d'approvisionnement à période unique où la capacité
d'un fournisseur dédié peut être réservée. Logistique de recherche navale (NRL), 42, 915–
934. 143
Jawahar, N., Aravindan, P. & Ponnambalam, S. (1998). Un algorithme génétique pour
l'ordonnancement de systèmes de fabrication flexibles. Le Journal international de la
technologie de fabrication avancée, 14, 588–607. 81
Ji, X. & Shao, Z. (2006). Modèle et algorithme pour le problème du vendeur de journaux à deux
niveaux avec des demandes floues et des remises. Mathématiques Appliquées et Calcul,
172, 163–174. 159, 160, 161
Johnson, D. & Garey, M. (1979). Ordinateurs et indocilité : un guide pour

la théorie de la np-complétude. Freeman&Co, San Francisco. 122
En ligneJung, S. & Haghani, A. (2000). Algorithme génétique pour un problème de ramassage

et de livraison avec fenêtres horaires. Dossier de recherche sur les transportsÿ: Journal de la
Commission de recherche sur les transports, 1733, 1–7. 126
Kaabi-Harrath, J. (2004). Contribution à l’ordonnancement des activités de maintenance dans
les systèmes de production.. Ph.D. thesis, Université de

Franche-Comté. 75
186
BIBLIOGRAPHIE
Kacem, I., Hammadi, S. & Borne, P. (2002a). Approche par localisation et optimisation évolutive
multiobjectif pour des problèmes d'ordonnancement d'ateliers flexibles. Systems, Man, and
Cybernetics, Part C: Applications and Reviews, IEEE Transactions on, 32, 1–13. 73, 82
Kacem, I., Hammadi, S. & Borne, P. (2002b). Approche d'optimalité de Pareto pour les problèmes
d'ordonnancement d'ateliers flexibles : hybridation d'algorithmes évolutionnaires et de
logique floue. Mathématiques et ordinateurs en simulation, 60, 245–276. 73
Kádár, B. & Monostoria, L. (1998). Contrôle basé sur les agents des systèmes de production
nouveaux et traditionnels. Dans Actes de l'ICME98, Séminaire international CIRP sur le calcul
intelligent dans l'ingénierie de fabrication, 1er au 3 juillet.

42
Kalantari, B., Hill, A. & Arora, S. (1985). Un algorithme pour le problème du voyageur de
commerce avec les clients de ramassage et de livraison. Journal européen de recherche
En ligneKamath, K. & Pakkala, T. (2002). Une approche bayésienne d'un modèle d'inventaire
dynamique sous une distribution de demande inconnue. Ordinateurs et opérations
Recherche, 29, 403–422. 143, 148
Kanet, J. & Sridharan, V. (1998). La valeur de l'utilisation des informations de planification dans
la planification des besoins en matériaux*. Sciences de la décision, 29, 479–496. 40
Kang, K., Lee, B., Lee, Y. & Lee, Y. (2008). Une heuristique pour le problème de routage de
véhicules avec des temps d'échéance. Informatique et génie industriel, 54, 421–
431. 127
Karlin, S. (1958). Modèles d'inventaire à une étape avec incertitude. Des études dans le
théorie mathématique de l'inventaire et de la production, 109-135. 143
Kelle, P. & Silver, E. (1990). Réduction du stock de sécurité par fractionnement des commandes. Naval
Logistique de recherche (NRL), 37, 725–743. 37
Kelley Jr, J. & Walker, M. (1959). Planification et ordonnancement du chemin critique.

Dans les articles présentés à la conférence informatique conjointe IRE-AIEE-ACM du 1er au 3
décembre 1959, 160–173, ACM. 113
187
BIBLIOGRAPHIE
En ligneKevork, I. (2010). Estimation de la quantité de commande optimale et du bénéfice maximum
attendu pour les décisions d'inventaire sur une seule période. Oméga, 38, 218–227. 35
En ligneKhouja, M. (1999). Le problème de la période unique (vendeur de nouvelles)ÿ: revue de la littérature
et des suggestions pour de futures recherches. Oméga, 27, 537–553. 143
Kim, Y., Park, K. & Ko, J. (2003). Un algorithme évolutif symbiotique pour l'intégration de la
planification des processus et de l'ordonnancement de l'atelier. Recherche informatique et
En ligneKimball, G. (1988). Principes généraux de contrôle des stocks. Journal de manu
fabrication et gestion des opérations, 1, 119–130. 36
Chevalier, F. (1921). Risque, incertitude et profit, (réédité par University of Chicago Press, Chicago,
Il, 1971). Haughton Mifflin Co, Chicago. 31
En ligneKoh, S. & Saad, S. (2003). Environnement de fabrication contrôlé par Mrp perturbé par
l'incertitude. Robotique et fabrication intégrée par ordinateur, 19, 157–171. 30, 40, 42, 43
Kohl, N. (1995). Méthodes exactes pour l'acheminement limité dans le temps et le calendrier associé
problèmes. doctorat thèse, Université technique du Danemark. 125
Krishnamurthy, S. & Kockelman, K. (2003). Propagation de l'incertitude dans les modèles d'utilisation
des terres pour les transportsÿ: enquête sur les prévisions dram-empal et utpp à austin, au texas.
Transportation Research Record : Journal of the Transportation Research Board, 1831, 219–229.
44
Lalwani, C., Disney, S. & Naim, M. (2006). Sur l'évaluation de la sensibilité à l'incertitude dans la
conception des réseaux de distribution. Journal international de la distribution physique et de la
gestion logistique, 36, 5–21. 31, 43, 48
En ligneLaporte, G. (1992a). Le problème du voyageur de commerceÿ: aperçu des algorithmes exacts
et approximatifs. Journal européen de recherche opérationnelle, 59, 231–247. 124
En ligneLaporte, G. (1992b). Le problème de routage de véhiculesÿ: un aperçu des algorithmes
exacts et approximatifs. Revue européenne de recherche opérationnelle, 59, 345– 358. 123, 127
188
BIBLIOGRAPHIE
En ligneLaporte, G. & Nobert, Y. (1987). Algorithmes exacts pour le routage des véhicules
problème. Annals of Discrete Mathematics, 31, 147–184. 124
En ligneLaporte, G., Mercure, H. & Nobert, Y. (1986). Un algorithme exact pour le problème
d'acheminement de véhicules à capacité asymétrique. Réseaux, 16, 33–46. 124
En ligneLaporte, G., Louveaux, F. & Mercure, H. (1992). Le problème de tournées de véhicules

avec des temps de parcours stochastiques. Sciences des transports, 26, 161–170. 44, 120
En ligneLee, C. (2008). Une approche bayésienne pour déterminer la valeur de l'information

dans le problème du vendeur de journaux. Journal international d'économie de la
production, 112, 391–402. 170
Lee, H., Padmanabhan, V. & Whang, S. (1997). L'effet coup de fouet dans les chaînes
d'approvisionnement1. Revue de direction Sloan, 38, 93–102. 33
Lei, D. (2010a). Problème d'ordonnancement flou de l'atelier avec des contraintes de disponibilité.
Informatique et génie industriel, 58, 610–617. 75, 111
Lei, D. (2010b). Un algorithme génétique pour la planification flexible des ateliers avec un
temps de traitement flou. Journal international de recherche sur la production, 48, 2995–3013.
111
Li, J., Mirchandani, P. & Borenstein, D. (2007). La reprogrammation des véhicules

problème : Modèle et algorithmes. Réseaux, 50, 211–229. 44
Liao, C., Chen, C. & Lin, C. (2006). Minimisation du Makespan pour deux machines parallèles
avec une limite de travail sur chaque intervalle de disponibilité. Journal de la Société de
recherche opérationnelle, 58, 938–947. 75
En ligneLim, A. & Wang, F. (2005). Problème de routage de véhicules multi-dépôtsÿ: une

approche en une étape. Science et ingénierie de l'automatisation, IEEE Transactions on, 2,
397–402. 127
En ligneLiu, B. (1998). Modèles de programmation avec contraintes Minimax chance pour floue de
systèmes de décision. Sciences de l'information, 112, 25–38. 160
En ligneLiu, B. (1999). Programmation aléatoire dépendante avec décisions floues. Système flou
tems, IEEE Transactions on, 7, 354–360. 160
189
BIBLIOGRAPHIE
En ligneLiu, B. (2002). Programmation aléatoire floue dépendante et son hybride

algorithme intelligent. Sciences de l'information, 141, 259–271. 161
En ligneLiu, B. (2003). Théorie de l'incertitudeÿ: vers des fondements axiomatiques. Note de cours,
Université de Tsinghua. 161
En ligneLiu, B. (2006). Une enquête sur la théorie de la crédibilité. Optimisation floue et prise
de décision, 5, 387–408. 143, 159, 160
En ligneLiu, B. & Liu, Y. (2002). Valeur attendue des modèles de variable floue et de valeur
attendue floue. Systèmes flous, IEEE Transactions on, 10, 445–450. 160
Liu, B., Chen, J., Liu, S. et Zhang, R. (2006). Coordination de la chaîne d'approvisionnement
avec contrat combiné pour un produit à cycle de vie court. Systems, Man and Cybernetics,
Part A: Systems and Humans, IEEE Transactions on, 36, 53–61.
146
En ligneLiu, N., Abdelrahman, M. & Ramaswamy, S. (2007). Un cadre multi-agents complet

pour une planification dynamique robuste et adaptable des ateliers de travail. Systems,
Man, and Cybernetics, Part C: Applications and Reviews, IEEE Transactions on, 37, 904–
916. 77, 78
Lu, Q. & Dessouky, M. (2006). Une nouvelle heuristique de construction basée sur l'insertion
pour résoudre le problème de collecte et de livraison avec des fenêtres temporelles.
Journal européen de recherche opérationnelle, 175, 672–687. 126
Lysgaard, J., Letchford, A. & Eglese, R. (2004). Un nouvel algorithme de branchement et de

coupe pour le problème d'acheminement de véhicules avec capacité. Programmation
mathématique, 100, 423–445. 125
Ma, S., Wang, W. & Liu, L. (2002). Communité et ajournement en multi

systèmes d'assemblage de scène. Revue européenne de recherche opérationnelle, 142, 523–
538. 50
En ligneMahmassani, H. (1984). Incertitude dans l'évaluation des systèmes de transport :

problèmes et approches. Planification et technologie des transports, 9, 1–12. 44
En ligneMahmoud, E. (1984). Précision dans les prévisionsÿ: une enquête. Journal de la prévision,
3, 139–159. 36
190
BIBLIOGRAPHIE
Mason-Jones, R. & Towill, D. (1998). Réduire le cercle d'incertitude de la chaîne

d'approvisionnement. Contrôle OIM, 24, 17–22. 31, 34, 119
Mesghouni, K. (1999). Application des algorithmes évolutionnistes dans les problèmes

d’optimisation en ordonnancement de la production. Ph.D. thesis.
88
Minifié, J. & Robert, A. (1990). Effets d'interaction sur la nervosité mrp. Le

Journal international de recherche sur la production, 28, 173–183. 40
En ligneMitrovic-Minic, S. (1998). Problème de ramassage et de livraison avec des plages

horairesÿ: une enquête. SFU CMPT TR, 12. 126
Moradi, E., Ghomi, S. & Zandieh, M. (2011). Recherche d'optimisation bi-objectif sur la
maintenance préventive intégrée à intervalle de temps fixe et la production pour la planification
d'un problème d'atelier flexible. Systèmes experts avec applications, 38, 7169ÿC7178. 75, 76
Morel, G., Panetto, H., Zaremba, M. & Mayer, F. (2003). Ingénierie des systèmes de contrôle et de
gestion des entreprises manufacturières : paradigmes et problèmes ouverts. Revues annuelles
dans Control, 27, 199–209. 42
En ligneMosheiov, G. (1994). Le problème du voyageur de commerce avec le ramassage et la livraison

éry. Journal européen de recherche opérationnelle, 79, 299–310. 138
Mostard, J., De Koster, R. & Teunter, R. (2005). Le problème du vendeur de journaux sans
distribution avec des retours revendables. Journal international d'économie de la production,
97, 329–342. 154
Mu, Q., Fu, Z., Lysgaard, J. & Eglese, R. (2010). Gestion des perturbations
ment du problème de tournées de véhicules avec panne de véhicule. Revue de la
Société de recherche opérationnelle, 62, 742–749. 45
Mula, J., Poler, R., Garcia-Sabater, J. & Lario, F. (2006). Modèles de planification de la production
dans l'incertitudeÿ: une revue. Journal international d'économie de la production, 103, 271–
285. 30, 42
Mulvey, J. & Ruszczyÿski, A. (1995). Une nouvelle méthode de décomposition de scénarios pour
l'optimisation stochastique à grande échelle. Recherche opérationnelle, 477–490. 45
191
BIBLIOGRAPHIE
Mulvey, J., Vanderbei, R. & Zenios, S. (1995). Optimisation robuste de

systèmes à grande échelle. Recherche opérationnelle, 264–281. 45
En ligneNahmias, S. (2005). Analyse de la production et des opérations. MCGRAW-HILL PRO

FESSI. 146
Najid, N., Dauzere-Peres, S. & Zaidat, A. (2002). Une méthode modifiée de recuit simulé pour un
problème d'ordonnancement d'atelier flexible. Dans Systèmes, Homme
et cybernétique, 2002 IEEE International Conference on, vol. 5, IEEE. 73
Nasr, N. & Elsayed, E. (1990). Planification de l'atelier avec des machines alternatives.
La revue internationale de recherche sur la production, 28, 1595–1609. 73
Neale, M., Associates & for Terotechnology, GBC (1979). Guide de surveillance de l'état des
machines. Papeterie HM Off. 76
En ligneOmbuki, B., Ross, B. & Hanshar, F. (2006). Algorithmes génétiques multi-objectifs

pour un problème de tournées de véhicules avec fenêtres temporelles. Intelligence appliquée,
24, 17–30. 125
Ottesen, G. & Grønhaug, K. (2002). Orientation marché et sup incertain

marché en amont : une étude exploratoire. Journal européen de la gestion des achats et de
l'approvisionnement, 8, 209–219. 31
Pagell, M. & Krause, D. (1999). Une étude à méthodes multiples de l'incertitude environnementale
et de la flexibilité de fabrication. Journal de gestion des opérations, 17, 307–325. 40, 41
En lignePankratz, G. (2005). Routage dynamique des véhicules au moyen d'un algorithme génétique.
Journal international de la distribution physique et de la gestion logistique, 35, 362–383.
128, 135, 138
En lignePark, B., Choi, H. & Kim, H. (2003). Un algorithme génétique hybride pour les problèmes
d'ordonnancement de l'atelier. Informatique et génie industriel, 45, 597–613. 85, 86
En ligneParlar, M. & Wang, D. (1993). Diversification sous rendement aléatoire dans les modèles
d'inventaire. Revue européenne de recherche opérationnelle, 66, 52–64. 143
192
BIBLIOGRAPHIE
Parragh S, Doerner K et Hartl R (2008). Une enquête sur les problèmes de ramassage et de
livraison. Journal d'administration des affaires, 58, 81–117. 126
Ponnambalam, S., Jawahar, N. & Girish, B. (2010). Une colonie de fourmis opti
Algorithme de misation pour un problème d'ordonnancement d'atelier flexible. 89
Potvin, J. & Bengio, S. (1996). Le problème de routage de véhicules avec fenêtres temporelles
partie ii : recherche génétique. Journal INFORMS sur l'informatique, 8, 165–172.
125
Pradhan, A. & Maria Kockelman, K. (2002). Propagation de l'incertitude dans un cadre de

modélisation intégré de l'utilisation du sol et des transportsÿ: variation de la sortie via
urbansim. Dossier de recherche sur les transportsÿ: Journal of the Transportation
Conseil de recherche, 1805, 128–135. 44
Ray, S., Li, S. & Song, Y. (2005). Prise de décision sur mesure de la chaîne d'approvisionnement
dans des conditions de demande stochastique sensible aux prix et d'incertitude de livraison.
Sciences de gestion, 1873–1891. 43, 120
Regan, A., Mahmassani, H. & Jaillet, P. (1996). Prise de décision dynamique

pour les opérations de la flotte commerciale en utilisant des informations en temps réel.
Dossier de recherche sur les transports: Journal du Conseil de recherche sur les transports, 1537, 91–97.
120
Reiner, G. & Fichtinger, J. (2009). Prévision de la demande pour les processus

d'approvisionnement en tenant compte des prix et des informations sur le marché. Journal
international d'économie de la production, 118, 55–62. 35
Ropke, S. & Pisinger, D. (2006). Une heuristique adaptative de recherche de grands quartiers
pour le problème de ramassage et de livraison avec des fenêtres temporelles. Transportation
Science, 40, 455–472. 126
En ligneRossi, A. & Dini, G. (2007). Planification flexible de l'atelier avec flexibilité de routage
et temps de configuration séparables à l'aide de la méthode d'optimisation des colonies de
fourmis. Robotique et fabrication intégrée par ordinateur, 23, 503–516. 89
Ruland, K. & Rodin, E. (1997). Le problème de collecte et de livraisonÿ: visages et algorithme

de branchement et de coupe. Informatique et mathématiques avec applications, 33,
1–13. 126
193
BIBLIOGRAPHIE
Saidi-Mehrabad, M. & Fattahi, P. (2007). Planification flexible de l'atelier de travail avec des
algorithmes de recherche tabou. Le Journal international de la technologie de fabrication
avancée, 32, 563–570. 73
Savelsbergh, M. & Sol, M. (1995). Le problème général de ramassage et de livraison.

Sciences des transports, 29, 17–29. 126
En ligneSchrijver, A. (2005). Sur l'histoire de l'optimisation combinatoire (jusqu'en 1960).

Manuel d'optimisation discrète, 1–68. 121
En ligneSchwarz, L. (2000). La conception d'une supply chain jit : l'effet du délai

incertitude sur le stock de sécurité. Journal de la logistique d'entreprise, 21. 37
En ligneSethiya, S. (2006). Maintenance basée sur l'état (cbm). Secy. versCME/WCR/JBP. 76
Shao, Z. & Ji, X. (2006). Problème de newsboy avec contraintes multi-produits floues.
Mathématiques appliquées et calcul, 180, 7–15. 160, 161, 163
Shou, B., Huang, J. & Li, Z. (2009). Gérer l'incertitude de l'approvisionnement

concurrence de chaîne en chaîne. 33
Sipahi, R. & Délice, I. (2010). Stabilité de la dynamique des stocks dans les chaînes
d'approvisionnement avec trois retards. Revue internationale d'économie de la production, 123, 107–
117. 51
Salomon, M. (1987). Algorithmes pour les problèmes de routage et d'ordonnancement des

véhicules avec des contraintes de fenêtre de temps. Recherche opérationnelle, 254–265. 122, 125
Salomon, M. (2003). Problèmes de référence Vrptw. Internet à l'adresse http://web. ABC.
nouveau. edu/msalomon/problèmes. htm. 125
Sridharan, V. & Lawrence LaForge, R. (1989). L'impact du stock de sécurité sur l'instabilité des
horaires, le coût et le service. Journal de gestion des opérations, 8, 327–347. 36, 37
En ligneSterman, J. (1989). Modélisation du comportement managérialÿ: perceptions erronées

du feedback dans une expérience de prise de décision dynamique. Sciences de gestion, 321–339. 33
194
BIBLIOGRAPHIE
En ligneStrijbosch, L. & Moors, J. (2006). Distributions normales modifiées de la demande dans
(< i> r</i>,< i> s</i>)-contrôle des stocks. Revue européenne de recherche opérationnelle,
172, 201–212. 35
Stützlea, T. & Hoosb, H. (2000). Système de fourmis max-min. Systèmes informatiques de la

future génération, 16, 889–914. 89
En ligneSung, C. & Kim, Y. (2002). Minimisation de la durée de fabrication dans un atelier à deux
machines avec arrivées dynamiques autorisées. Recherche informatique et opérationnelle,
29, 275–294. 108, 111
Swafford, P., Ghosh, S. & Murthy, N. (2008). Atteindre l'agilité de la chaîne d'approvisionnement
grâce à son intégration et sa flexibilité. International Journal of Production Economics, 116,
288–297. 37
Swamidass, P. & Newell, W. (1987). Stratégie de fabrication, incertitude environnementale et

performanceÿ: un modèle d'analyse de chemin. Science du management,
509–524. 41
Taillard, E., Laporte, G. & Gendreau, M. (1996). Routage de véhicules avec utilisation multiple de
véhicules. Journal de la société de recherche opérationnelle, 1065-1070.
127
Tan, K., Chew, Y. & Lee, L. (2006). Un algorithme évolutif hybride multiobjectif pour résoudre
un problème de routage de véhicules avec des fenêtres temporelles. Optimisation
computationnelle et applications, 34, 115–151. 125
En ligneTang, C. (2006). Perspectives dans la gestion des risques de la chaîne

d'approvisionnement. Journal international d'économie de la production, 103, 451–488. 37
En ligneTaylor, D. (2000). Amplification de la demande : nous a-t-elle battus ? Journal international

de la distribution physique et de la gestion logistique, 30, 515–533. 34
Tiwari, D., Patil, R. & Shah, J. (2011). Problème de vendeur de journaux peu fiable avec un
mise à jour des prévisions. Lettres de recherche opérationnelle. 143, 144, 146, 149
Tolio, T. & Urgo, M. (2007). Une approche à horizon glissant pour planifier l'externalisation dans
des environnements de fabrication sur commande affectés par l'incertitude. Technologie de
fabrication des annales du CIRP, 56, 487–490. 42
195
BIBLIOGRAPHIE
Towill, D., Naim, M. & Wikner, J. (1992). Simulateur de dynamique industrielle

modèles de distribution dans la conception des chaînes d'approvisionnement. Journal
international de la distribution physique et de la gestion logistique, 22, 3–13. 33, 34
Vandaele, N. & De Boeck, L. (2003). Planification avancée des ressources. Robotique et

fabrication intégrée par ordinateur, 19, 211–218. 42
Forest, J., Beulens, A., Wit, W. & Beek, P. (1998). Gestion de la chaîne d'approvisionnement
dans les chaînes alimentairesÿ: améliorer les performances en réduisant l'incertitude.
International Transactions in Operational Research, 5, 487–499. 30, 31, 47
En ligneWang, C. (2009). Rendement aléatoire et demande incertaine dans les chaînes

d'approvisionnement décentralisées dans le cadre des accords traditionnels et vmi. Journal
international de recherche sur la production, 47, 1955–1968. 144, 148, 149, 153
En ligneWang, S. & Yu, J. (2010). Une heuristique efficace pour un problème d'ordonnancement
d'atelier flexible avec des activités de maintenance. Informatique & Génie Industriel, 59,
436–447. 75
Waters, C. (1989). Problèmes de planification des véhicules avec incertitude et clients omis.
Journal de la Société de recherche opérationnelle, 1099-1108. 122
Wen, M., Clausen, J. & Larsen, J. (2010). Problèmes et applications de routage de véhicules
riches. doctorat Thèse, Ph. d., DTU Ingénierie de Gestion. 122
Weng, Z. & McClurg, T. (2003). Décisions de commande coordonnées pour les produits à cycle
de vie court avec incertitude dans le délai de livraison et la demande. européen
Journal de la recherche opérationnelle, 151, 12 – 24. 43
Wiendahl, H. & Scholtissek, P. (1994). Gestion et contrôle de la complexité dans la fabrication.

CIRP Annals-Manufacturing Technology, 43, 533–
540. 38
Wilding, P., Kricka, L., Cheng, J., Hvichia, G., Shoffner, M. & Fortina, P. (1998). Isolement
cellulaire intégré et analyse par réaction en chaîne par polymérase à l'aide de chambres de
microfiltre en silicium. Biochimie analytique, 257, 95–
100. 33
196
BIBLIOGRAPHIE
En ligneWilliamson, O. (1979). Sur la gouvernance de l'entreprise moderne. Hofstra L. Rev.,

8, 63. 45
Wren, A. & Carr, J. (1971). Ordinateurs dans la planification et l'exploitation des transports.
125
Wren, A. & Holliday, A. (1972). Ordonnancement informatique des véhicules depuis un ou

plusieurs dépôts vers plusieurs points de livraison. Trimestrielle de Recherche Opérationnelle,
333–344. 125
Xia, W. & Wu, Z. (2005). Une approche d'optimisation hybride efficace pour les problèmes
d'ordonnancement d'ateliers flexibles multi-objectifs. Informatique et génie industriel,
48, 409–425. 73, 84, 88, 93, 94, 103
Xiang, Z., Chu, C. & Chen, H. (2008). L'étude d'un problème dynamique de dial-a-ride dans
des environnements dépendant du temps et stochastiques. Journal européen de
recherche opérationnelle, 185, 534–551. 45, 120
Xu, D., Sun, K. & Li, H. (2008). Planification parallèle des machines avec une maintenance
quasi périodique et des travaux non préemptifs pour minimiser les durées de production.
Xu, H., Chen, Z., Rajagopal, S. & Arunapuram, S. (2003). Résoudre un problème pratique
de ramassage et de livraison. Sciences des transports, 37, 347–364.
126
Yamada, T. & Nakano, R. (1997). Algorithmes génétiques pour les problèmes

d'ordonnancement des ateliers. Dans Actes de l'heuristique moderne pour l'aide à la décision, 67–81.
85
En ligneYang, J., Jaillet, P. & Mahmassani, H. (2004). Problèmes de ramassage et de

livraison de camions multivéhicules en temps réel. Sciences des transports, 38, 135–148.
120
Yang, W., Mathur, K., Ballou, R. et al. (2000). Routage stochastique des véhicules
problème de réapprovisionnement. Science des transports, 34, 99–112. 127
Yano, C. & Lee, H. (1995). Dimensionnement des lots avec des rendements aléatoiresÿ: un examen.
Recherche opérationnelle, 311–334. 144
197
BIBLIOGRAPHIE
Yano, C. & Robert, C. (1987). Interaction entre la fréquence des réordonnancements et le rôle du
stock de sécurité dans les systèmes de planification des besoins en matériaux.
Journal international de recherche sur la production, 25, 221–232. 36
Yao, S., Zhao, M. & Zhang, H. (2011). Ordonnancement de l'atelier de flux hybride en deux étapes
avec des arrivées d'emplois dynamiques. Informatique et recherche opérationnelle. 108
En ligneYelland, P. (2010). Prévision bayésienne de la demande de pièces. International Journal of
Forecasting, 26, 374–396. 148
Yu, C. & Li, H. (2000). Un modèle d'optimisation robuste pour la logistique stochastique
problèmes. Journal international d'économie de la production, 64, 385–397. 30, 45
En ligneZadeh, L. (1965). Ensembles flous. Information et contrôle, 8, 338–353. 159
En ligneZadeh, L. (1978). Les ensembles flous comme base d'une théorie des possibilités. Ensembles flous et
systèmes, 1, 3–28. 159
En ligneZandieh, M. & Adibi, M. (2010). Planification dynamique de l'atelier de travail à l'aide d'une variable
recherche de quartier. Journal international de recherche sur la production, 48, 2449–

2458. 111
Zeng, Q., Tseng, M. & Lu, R. (2006). Report échelonné de l'engagement de spécification de
commande pour la gestion de la chaîne d'approvisionnement. CIRP Annales-Fabrication
Technologie, 55, 501–504. 50
Zheng, Y. & Mesghouni, K. (2011a). Application de la stratégie de report dans
période de distribution pour traiter la demande incertaine dans la gestion de la chaîne d'approvisionnement.
Lettres d'ingénierie, 19. 51
Zheng, Y. & Mesghouni, K. (2011b). Utilisation du report comme stratégie de réordonnancement
dans la gestion de la chaîne d'approvisionnement dans un environnement de demande incertain.
Actes de la Multiconférence Internationale des Ingénieurs et
Informaticiens, 2. 51
En ligneZhu, K. (2000). Un nouvel algorithme génétique pour vrptw. Dans Actes de l'Inter
Conférence nationale sur l'intelligence artificielle, Citeseer. 125
198
BIBLIOGRAPHIE
Zidi, I., Mesghouni, K., Zidi, K. & Ghedira, K. (2010). Une contribution à la
modélisation et à la résolution d'un problème multi-objectif compose un problème de conduite.
Dans Engineering Systems Management and Its Applications (ICESMA), 2010
Second International Conference on, 1–7, IEEE. 126
199
BIBLIOGRAPHIE
200
Le management de la chaîne logistique sous contraintes de diponibilité et d’incertitude
Résumé: Le management de la chaîne logistique concerne un large éventail d’activités.

Nombreuses ceux qui ont un caractère incertain apportant souvent des conséqunces inattendues. Malgré
cela, l’incertitude est fréquemment non considérée dans la gestion de la chaîne logistique traditionnelle. En
plus de l’incertitude, l’indisponibilité des ressources augmentera la complexité du problème. En prenant en
compte les contraintes d’incertitude et de disponibilité, nous étudions le management de la chaîne logistique
selon différents aspects. Cette thèse représente une tentative de recherche afin d’aborder ce problème
d’une façon systématique et complète et nous espérons que notre travail contriburera aux futurs travaux
de recherche et sera utile aux gestionnaires de la chaîne logistique. Nous nous concentrons sur trois
sources classiques de l’incertitude; celle de la demande, cell de la fabrication et celle liée à la distribution.
Pour chaque source d’incertitude, nous analysons ses causes et ses impacts sur les performances de la
chaîne logistique. L’incertitude est spécifiée dans des problème classiques concrets et des approches sont
proposées pour les résoudre. Nous nous somme également focalisés sur le problème bi-niveau du vendeur
des journaux qui représente une chaîne logistique miniature, concerné par une double incertitude. Les
méthodes utilisées offrent une bonne démonstration du traitement des variables incertaines dans les
problèmes de décision.
Mots-clefs: Incertitude, Management de la chaîne logistique, Demande, Ordonnance ment de job shop,
tournées de véhiules, Problème bi-niveau de vendeurs des journaux, Métaheuristique.
Gestion de la chaîne d'approvisionnement sous contraintes de disponibilité et d'incertitude
Résuméÿ: La gestion de la chaîne d'approvisionnement implique un large éventail d'activités. Parmi la

plupart d'entre eux, l'incertitude existe de manière inhérente et entraîne toujours des conséquences inattendues.
Cependant, l'incertitude n'est pas beaucoup prise en compte dans la gestion conventionnelle de la chaîne d'approvisionnement.
Dans le cas où la disponibilité des ressources n'est pas celle que nous attendons, la complexité de la
gestion de la chaîne d'approvisionnement augmente. En tenant compte des contraintes d'incertitude et de
disponibilité, nous visons à discuter de la gestion de la chaîne d'approvisionnement sous différents
aspects. Cette thèse est une tentative de recherche systématique et complète à partir de ce point et nous
voudrions offrir quelques références aux chercheurs et gestionnaires de la chaîne d'approvisionnement.
Nous nous concentrons sur trois sources classiques d'incertitude : la demande, la fabrication et la
distribution. Pour chaque source d'incertitude, nous analysons sa cause et son impact sur la performance
de la chaîne d'approvisionnement. L'incertitude est spécifiée dans le problème classique concret et
l'approche proposée pour le résoudre. De plus, le problème du vendeur de journaux à deux niveaux en tant
que miniature de la chaîne d'approvisionnement se concentre dans un environnement à double incertitude.
Le traitement des variables incertaines est en fait un traitement au niveau opérationnel. Les méthodes
utilisées offrent une bonne démonstration dans le traitement des variables incertaines dans les problèmes de décision.
Mots-clésÿ: Incertitude, Gestion de la chaîne d'approvisionnement, Demande, Ordonnancement des ateliers,

Routage des véhicules, Problème de journaliste à deux niveaux, Métaheuristique.

Uncertainty Demand

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Uncertainty Demand

Uploaded by

Copyright:

Available Formats

Machine Translated by Google

Gestion de la chaîne d'approvisionnement sous

Pour citer cette version :

Identifiant HALÿ: tel-00757822

ÉCOLE CENTRALE DE LILLE

Spécialité : Automatique, Génie Informatique, Traitement du Signal et Image

Gestion de la chaîne d'approvisionnement sous disponibilité et incertitude

Soutenue le 10 octobre 2012 devant le jury d’examen :

Président Slim HAMMADI, Professeur, Ecole Centrale de Lille

Thèse préparée dans le Laboratoire d’Automatique, Génie Informatique et Signal

« Optimisation des Systèmes Logistiques (OSL) ». Ma thèse a été soutenue par la

suis très honoré de venir en France

En premier lieu, je tiens à exprimer ma profonde gratitude à mon encadrant, M.

Je tiens à remercier tout particulièrement mon professeur de français, le professeur

étudiants de différents pays et ont visité de nombreuses régions extrêmement pittoresques

Villeneuve d’Ascq, France Yahong ZHENG

de logistique interne et les relations coopératives entre les différentes sociétés im

et tenter de réduire son influence. Nos travaux de recherche se distinguent de

Le chapitre 2 traite l’incertitude dans la demande. A la différence des méth

Dans le chapitre 4 nous nous intéressons à l’incertitude dans la distribution, et

utilisons deux algorithmes populaires pour la résolution de ce type de problème;

Nous avons en premier lieu, classé l’incertitude en perspectice du management

Troisièmement, pour le traitement de l’incertitude dans la distribution aux

Cinquièmement, nous proposons d’appliquer la maintenance

Limitation de nos recherches

Table des matières 11

Liste des figures 16

Liste des tableaux 19

1 Incertitude dans la chaîne d'approvisionnement 29

1.1 Gestion de la chaîne d'approvisionnement. . . . . . . . . . . . . . . . . . . . . . 29

1.3.1 Incertitude d'approvisionnement. . . . . . . . . . . . ... . . . . . . 32

1.3.2 Incertitude de la demande . . . . . . . ... . . . . . . . . . . 34

1.3.2.1 Facteurs d'incertitude de la demande . . ... . 34

1.3.2.2 Impact de l'incertitude de la demande sur la chaîne d'approvisionnement 34

1.3.2.3 Méthodes conventionnelles pour faire face à l'incertitude

1.3.3 Incertitude dans la fabrication . . . ... . . . . . . . . . . 38

1.3.3.1 Complexité de maintenir la stabilité et la flexibilité dans

1.3.3.2 Système de fabrication avancé . . . . . ... . 39

1.3.3.3 Recherche au niveau stratégique pour tenir compte de l'incertitude

dans le système de fabrication. . .. . . . . . ... . . 40

1.3.3.4 Recherche au niveau opérationnel à envisager

tainty dans le système de fabrication. . . . . ... . . 42

1.3.4 Incertitude de distribution . . . . ... . ... . . ... . . 43

1.3.4.1 Priorités de recherche sur l'incertitude dans la distribution . 43

1.3.4.2 Recherche d'incertitude dans le système de transport 44

1.3.5 Autres types d'incertitude . . . . ... . ... . . ... . . 45

1.4 Conclusion . . . ... . . . . . . ... . ... . ... . . ... . . 48

2 Faire face à une demande incertaine dans la chaîne d'approvisionnement 49

2.1 Introduction de la stratégie de report . ... . . . . . . ... . . 49

2.2.1 Décomposition de la chaîne d'approvisionnement. . . . . . . . . . . ... . . 52

2.2.2 Description de la démarche d'application du report . . 53

2.2.2.1 Fraction optimale de la demande reportée totale . . . 56

2.2.2.2 Fraction optimale de la quantité d'approvisionnement de chaque fournisseur 57

2.3 Instance d'application de la démarche de report . . . . . 60

2.3.1 Description du modèle du réseau SC d'origine . . . . 60

2.3.2 Résultats du calcul pour le cas avec demande estimée 63

2.3.2.1 Résultats des calculs du sous-système 1 . . . ... . . 63

2.3.2.2 Résultats des calculs du sous-système 2 . . . ... . . 64

2.3.3 Résultats du calcul pour le cas avec demande inattendue 65

2.3.3.1 Résultats des calculs du sous-système 1 . . . ... . . 65

2.3.3.2 Résultats des calculs du sous-système 2 . . . ... . . 66

2.3.4 Discussions . . . . . . . . ... . ... . . . . . . ... . . 68

2.4 Conclusion . . . ... . . . . . . ... . ... . ... . . ... . . 69