Professional Documents
Culture Documents
Uncertainty Demand
Uncertainty Demand
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
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.
Machine Translated by Google
Numéro de commande : 1 9 3
THÈSE
présentée en vue d’obtenir le grade de
DOCTEUR
dans
Yahong ZHENG
DOCTORAT DELIVRE PAR L’ECOLE CENTRALE DE LILLE
Titre de la thèse :
À mes parents,
à ma sœur,
à toute ma famille,
à mes professeurs,
et à mes chèr(e)s ami(e)s.
Machine Translated by Google
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
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.
3
Machine Translated by Google
REMERCIEMENTS
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.
4
Machine Translated by Google
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
Machine Translated by Google
RÉSUMÉ EN FRANÇAIS
6
Machine Translated by Google
RÉSUMÉ EN FRANÇAIS
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.
7
Machine Translated by Google
RÉSUMÉ EN FRANÇAIS
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).
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
Machine Translated by Google
RÉSUMÉ EN FRANÇAIS
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.
9
Machine Translated by Google
RÉSUMÉ EN FRANÇAIS
dix
Machine Translated by Google
Contenu
Remerciements 2
Résumé en français 5
Abréviations 20
Introduction 23
11
Machine Translated by Google
CONTENU
2.2 Report appliqué pour répondre à une demande incertaine dans la chaîne d'approvisionnement 51
12
Machine Translated by Google
CONTENU
3.3 Impact du temps de traitement incertain des travaux sur FJSP . . . . . . . . 111
3.4 Conclusion . . . . ... . . . . . . ... . ... . . . . . . . . . . 116
4.3 Problème d'itinéraire de véhicule non apparié avec ramassage et livraison . . . 128
13
Machine Translated by Google
CONTENU
5 Incertitude de la demande et du rendement dans le problème du vendeur de journaux à deux niveaux 141
5.2 Modèle mathématique pour le problème du vendeur de journaux à deux niveaux avec incertain
14
Machine Translated by Google
CONTENU
Références 174
15
Machine Translated by Google
CONTENU
16
Machine Translated by Google
17
Machine Translated by Google
. .. . .
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
4.3 Modèle VRPPD non apparié . . . . . ... . ... . ... . . ... . . 131
18
Machine Translated by Google
19
Machine Translated by Google
3.16 Résultat de sept approches appliquées sur des exemples de FJSPPM .. . 105
20
Machine Translated by Google
Abréviations
GA - Algorithme génétique
IA - Algorithme d'insertion
LP - production allégée
21
Machine Translated by Google
ABRÉVIATIONS
SA - Recuit simulé
SC - Chaîne d'approvisionnement
22
Machine Translated by Google
Introduction
Cette thèse présente les résultats de mes recherches à l'École Centrale de Lille en France au
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
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
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
Machine Translated by Google
INTRODUCTION
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
délai de livraison et peut-être le prix de vente. La quantité modifiée de la demande peut induire un
véhicules dans le processus de distribution perturberont directement le temps de distribution. Par conséquent, la gestion de l'in
différentes entreprises, la fonction et la structure normales sont similaires. Nous pouvons diviser
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
24
Machine Translated by Google
INTRODUCTION
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
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.
différentes étapes en plusieurs sous-systèmes avec une relation demande-offre. Nous suivons
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
qui est la deuxième étape. La distance de transport pendant la période d'approvisionnement est considérée comme une
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
hiérarchique (HGA), un algorithme génétique intégré (IGA) et une optimisation intégrée des
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
Machine Translated by Google
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
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
journaux est considéré avec son fournisseur. Les deux parties entretiennent de bonnes relations de
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.
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.
classification des incertitudes est complète et peut couvrir toutes les étapes de la chaîne
pour les trois principales classes d'incertitude, l'incertitude de la demande, la distribution et la fabrication.
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
fabrication, de l'approvisionnement, etc. L'orientation de nos recherches est naturellement dirigée vers ces étapes de l'opérationnel.
26
Machine Translated by Google
INTRODUCTION
niveau de la chaîne d'approvisionnement. Plutôt qu'une discussion vague, nous considérons l'incertitude dans
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.
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
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
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
approches pour résoudre des problèmes pratiques. Nous espérons qu'il y aura des études de cas
dans ce domaine.
27
Machine Translated by Google
INTRODUCTION
28
Machine Translated by Google
Chapitre 1
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
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.
l'émergence du concept de logistique. La logistique est d'abord apparue dans les armées. Avec
(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
29
Machine Translated by Google
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
devenue une arme puissante. Généralement, de nombreuses stratégies et activités de SCM, telles que
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,
ne pouvons pas connaître de manière prévisible peuvent facilement influencer les opérations de 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
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.
dimensions. Forest et al. (1998) ont déclaré que le SCM devrait se préoccuper de la réduction ou
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
Machine Translated by Google
un responsable logistique était de savoir comment prendre une décision d'optimisation avec
Malgré le large éventail d'activités couvertes par le SCM, la tâche principale est souvent décrite
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
pour chaque source d'incertitude, plusieurs principes d'amélioration sont identifiés dans les
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
Machine Translated by Google
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
électronique produisent une échelle d'incertitude validée qui peut aider à diagnostiquer les problèmes
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,
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.
On peut définir l'offre sous deux aspects. L'un est, comme mentionné dans notre travail, dans la
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
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
(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
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
Machine Translated by Google
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,
décisions d'optimisation de la quantité de commande dans différents scénarios. Ils ont traité
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
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
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
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
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
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
33
Machine Translated by Google
réduire cette source, c'est trouver une substitution à une ressource rare. Une autre cause est
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.
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
Machine Translated by Google
Effet », qui entraîne des conséquences difficiles et mesurables d'un service client médiocre
La distance de diffusion est plus longue, l'augmentation de l'incertitude augmente. Entre les deux
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
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
de coulée. David & Peter (1994) ont démontré l'importance d'une bonne prévision
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
de la demande ont été proposées, enquête sur les intentions des acheteurs, méthode Delphi, avis
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
Machine Translated by Google
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 &
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
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
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
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
Machine Translated by Google
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
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
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
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
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
Tang (2006) a envisagé dans sa recherche des stratégies robustes pour atténuer les risques opérationnels et de pertur
37
Machine Translated by Google
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
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
arrivée des matières premières; modification des dates de sortie et d'échéanceÿ; l'incertitude dans le
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
le besoin multifonctionnel des produits. À l'heure actuelle, la complexité croissante est l'une
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
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
Machine Translated by Google
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.
Du point de vue de SCM, compte tenu de la réalisation de la méthode de fabrication la plus efficace et
incertitude, il existe des stratégies et des concepts prometteurs pour rendre la production
système, production allégée, etc. Les systèmes idéaux, tels que la planification des besoins en
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
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
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
et les machines sont toutes pour aider à réaliser la stratégie et la décision de haut niveau. Ils
Cependant, aucune de ces théories existantes ci-dessus ne tient compte des incertitudes dans la pro
pannes de machine, indisponibilité de la main-d'œuvre, indisponibilité de l'outillage, demande d'agrandissement de la taille du lot
39
Machine Translated by Google
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
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
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
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
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
des points de vue différents. En général, de nombreux chercheurs ont estimé qu'il existe une évidence
40
Machine Translated by Google
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
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
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
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
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
un modèle qui postule que l'incertitude environnementale conduit à une stratégie de fabrication
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
41
Machine Translated by Google
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
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
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
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
certitudes. L'objectif est de trouver un délai réduit, un dimensionnement optimal des lots et la
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
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
42
Machine Translated by Google
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
Avant de discuter de l'incertitude dans la distribution, nous la décomposons en détail pour mieux
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.
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
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
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
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
Incertitude dans le traitement des origines du processus à partir des sources suivantesÿ:
43
Machine Translated by Google
un démontage est nécessaire, ce qui peut avoir un impact sur l'efficacité de la manutention.
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
Nous pouvons spécifier l'incertitude dans le processus de manipulation dans la portée de l'équipement et
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.
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
l'environnement politique et technique. Différent du transport pour les déplacements des personnes,
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
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
44
Machine Translated by Google
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
• 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.
dimensions critiques pour caractériser les transactions sont : 1) l'incertitude, 2) la fréquence avec
45
Machine Translated by Google
quelles transactions se reproduisent, et 3) le degré auquel des investissements durables spécifiques aux
reconnu comme un attribut critique ». L'importance des relations dans la chaîne d'approvisionnement a
d'approvisionnement est basé sur la coopération d'entreprise à entreprise. Il consiste en un partage d'informations et de ressources, au sein
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
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
phénomène de l'univers est celui des "silos d'information", c'est-à-dire le manque de réciprocité entre
La coopération entre entreprises est toujours limitée dans les métiers temporaires. Le partage de formation
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
des entreprises à faible flux aux entreprises en amont. L'effet "coup de fouet" est exactement causé par
46
Machine Translated by Google
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
• 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
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
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
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,
consacrer beaucoup d'efforts à cet égard. Nous voudrions nous préoccuper de la recherche
47
Machine Translated by Google
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.
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
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
48
Machine Translated by Google
Chapitre 2
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,
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
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
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
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
Machine Translated by Google
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
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
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
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
service, etc. Ma et al. (2002) ont constaté qu'un facteur clé pour les décisions de communité et de
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
Machine Translated by Google
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
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)
facteurs, économies d'échelle statistiques et mutualisation des risques via des coussins communs.
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
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
stratégie, plutôt qu'un phénomène de retard objectif dans le processus de 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
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
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
51
Machine Translated by Google
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
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
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
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
Machine Translated by Google
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
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.
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
53
Machine Translated by Google
l'approvisionnement dans ce sous-système. À ce stade, nous avons terminé la planification d'un sous-système.
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
54
Machine Translated by Google
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
Avant de détailler les trois étapes, nous donnons les notations utilisées dans les modèles
mathématiques suivants.
Notationsÿ:
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.
55
Machine Translated by Google
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.
(1 ÿ ÿ) Xn Di Xm _ kj (2.1)
je=1 j=1
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
Machine Translated by Google
2.2 Report appliqué pour répondre à une demande incertaine dans la chaîne
d'approvisionnement
K S
ÿÿÿ1- (2.5)
ré ré
période, est
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.
fraction de ponement ÿ. Par conséquent, le coût minimum de l'approvisionnement pourrait être obtenu
avec le minimum ÿ.
ÿ
K
b =1- (2.7)
ré
ÿ
DANS
1 (ÿ) = c1K + (D ÿ K)(c2 + c3 + c4) + c4(K ÿ D)
(2.8)
= c1K + (D ÿ K)(c2 + c3)
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
57
Machine Translated by Google
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.
Diÿij ÿ ÿ (2.10)
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
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
Machine Translated by Google
2.2 Report appliqué pour répondre à une demande incertaine dans la chaîne
d'approvisionnement
chaque fournisseur dans la période régulière ont été déterminés, la fraction optimale
Diÿij ÿ ÿ (2.15)
Xn Xm Diÿij = ÿ ÿ Xn De (2.16)
je=1 j=1 je=1
Xn Diÿij ÿ t · sj , ÿj = 1, 2, . . . , M. (2.17)
je=1
0 ÿ ÿij ÿ 1 (2.19)
À partir du calcul des formulations ci-dessus, nous pouvons obtenir la fraction de la demande
59
Machine Translated by Google
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.
Toutes les contraintes, 2.10, 2.12, 2.13, 2.15, 2.16, 2.17, 2.18 et 2.19, dans les deux
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
60
Machine Translated by Google
Tout d'abord, nous simplifions le réseau de la chaîne d'approvisionnement en deux sous-systèmes comme
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
Machine Translated by Google
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
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
et entrepôts dans notre modèle, dans le sous-système 1, k1 = 3, 785, 630, k2 = 1, 564, 479,
62
Machine Translated by Google
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.
qui est supposé satisfaire au principe de transport, en utilisant certaines méthodes telles que
Pour le sous-système 1, à partir des données de quantité de demande estimée dans le tableau 2.4, nous
Comme D < K, nous n'avons pas besoin d'utiliser la stratégie de report pour reprogrammer le SC
63
Machine Translated by Google
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
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
demande des distributeurs
D1 0
D2 65771
D3 329144
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
Des usines Entrepôts
W1 W2 W3
F1 0,000000 0,034962 1,000000
F2 0,000000 0,965038 0,000000
64
Machine Translated by Google
stratégie de report est juste appropriée pour faire face à la demande inattendue.
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
Nous calculons la quantité totale de la demande dans le sous-système 1 avec la date dans le tableau
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
Entrepôts Distributeurs
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
Entrepôts Distributeurs
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
Machine Translated by Google
Nous utilisons les résultats de calcul du sous-système 1 comme données d'entrée pour le calcul
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
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
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
Tableau 2.11 : Allocation optimale de la demande des entrepôts à chaque usine dans le cas 1
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
Machine Translated by Google
Tableau 2.13 : Affectation optimale de la demande des entrepôts à chaque usine en période
de report
Des usines Entrepôts
W1 W2 W3
F1 0,204368 0,000000 1,000000
F2 0,000000 0,169873 0,000000
Cas 2 : Les usines n'ont besoin d'envoyer qu'une quantité de stock sûr à l'entrepôt
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
Des usines Entrepôts
W1 W2 W3
F1 0,000000 0,150693 0,849307
F2 0,000000 1. 000000 0,000000
67
Machine Translated by Google
Tableau 2.16 : Affectation optimale de la demande des entrepôts à chaque usine en période de
report dans le cas 3
Des usines Entrepôts
W1 W2 W3
F1 0,577312 0,000000 0,000000
F2 0,000000 0,391524 0,000000
2.3.4 Discussions
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
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),
tributaire. C'est exactement ce que nous voulons traiter, le cas où la quantité de la demande
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
peut exécuter notre stratégie de report dans différents cas séparément. Nous pouvons
comparer les performances de différentes stratégies de réapprovisionnement pour trouver celle qui
68
Machine Translated by Google
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
Machine Translated by Google
70
Machine Translated by Google
chapitre 3
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
flexibles avec CBM, deux étapes sont nécessaires. Tout d'abord, nous utilisons une méthode de résolution ordinaire
puis, lorsque des tâches de maintenance sont nécessaires, nous les ajoutons au pré-programme. Pour le
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.
71
Machine Translated by Google
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.
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
Machine Translated by Google
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.
Pour résoudre FJSP qui comprend deux sous-problèmes, tous deux étant des problèmes
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
problèmes. Gambardella & Mastrolilli (1996) ont présenté deux fonctions de voisinage
73
Machine Translated by Google
3. PROBLÈME DE PLANIFICATION D'UN ATELIER FLEXIBLE DANS UN ENVIRONNEMENT
D'INCERTITUDE
tions. Fathi et al. (2007) ont comparé les deux approches et ont conclu que l'approche
considère pas l'indisponibilité des machines. Cependant, dans la plupart des environnements
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
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
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
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
Machine Translated by Google
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
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
est prioritaire. Lorsque l'entretien est urgent, s'il n'est pas effectué immédiatement, une panne
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
coût des pannes inattendues. Comme il est contraire à l'objectif ultime de maximiser
Il n'y a pas beaucoup de recherches sur le JSSP en ce qui concerne les activités de maintenance. Nous
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
75
Machine Translated by Google
3. PROBLÈME DE PLANIFICATION D'UN ATELIER FLEXIBLE DANS UN ENVIRONNEMENT
D'INCERTITUDE
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.
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
Bien que PM ait été étudiée dans FJSP pour augmenter la disponibilité des machines et la
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-
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
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
Machine Translated by Google
77
Machine Translated by Google
3. PROBLÈME DE PLANIFICATION D'UN ATELIER FLEXIBLE DANS UN ENVIRONNEMENT
D'INCERTITUDE
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
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.
PÿF T de CBM. C'est-à-dire que l'activité de maintenance est exécutée dans la période de
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
78
Machine Translated by Google
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 ;
(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
79
Machine Translated by Google
3. PROBLÈME DE CALENDRIER FLEXIBLE JOB SHOP SOUS
ENVIRONNEMENT D'INCERTITUDE
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 :
st[( chg ÿ cik ÿ thgj )xhgjxikj ÿ 0] ÿ [(cik ÿ chg ÿ tikj )xhgjxikj ÿ 0],
[(yjl - cik - pjl) xikj ÿ 0] ÿ [(cik - yjl - tikj ) xikj ÿ 0], ÿ (i, k), (j, l) (3.3)
tLjl , l , j (3.5)
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.
80
Machine Translated by Google
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
Machine Translated by Google
3. PROBLÈME DE CALENDRIER FLEXIBLE JOB SHOP SOUS
ENVIRONNEMENT D'INCERTITUDE
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
contribuent également à changer les machines. Pour l'ordonnancement des séquences, en commençant
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.
(1) Codage : les gènes du chromosome représentent l'affectation machine des opérations, avec
(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
(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
Machine Translated by Google
83
Machine Translated by Google
3. PROBLÈME DE PLANIFICATION D'UN ATELIER FLEXIBLE DANS UN ENVIRONNEMENT
D'INCERTITUDE
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.
objectifs sont pondérés ensemble comme Fitness=w1· temps de traitement total + w2·
(5) Sélectionÿ: les individus chez les parents se joignent à la concurrence avec la
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 ·
(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
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
84
Machine Translated by Google
Matlab R2008a. Les paramètres utilisés dans GA dans notre simulation sont répertoriés dans le tableau
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.
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).
(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
85
Machine Translated by Google
3. PROBLÈME DE PLANIFICATION D'UN ATELIER FLEXIBLE DANS UN ENVIRONNEMENT
D'INCERTITUDE
M1 3 2 1 3
M2 2 4 3
M3 3 1 1 4
M4 1 2 4 4 2
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.
(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.
86
Machine Translated by Google
Le chromosome est le même que celui de GA-1 dans la section 3.1.3.1, en gardant le même
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
séquence, puis le makepan est calculé. Les opérations sur la même machine sont séquencées en
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
Machine Translated by Google
3. PROBLÈME DE PLANIFICATION D'UN ATELIER FLEXIBLE DANS UN ENVIRONNEMENT
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
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
Machine Translated by Google
Tableau 3.5ÿ: Résultat de la comparaison des méthodes de séquence d'ordonnancement dans l'AG intégré
sur l'exemple J8M8
Tableau 3.6ÿ: Résultat de la comparaison des méthodes de séquence d'ordonnancement dans l'AG intégré
sur l'exemple J15M10
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
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
Machine Translated by Google
3. PROBLÈME DE PLANIFICATION D'UN ATELIER FLEXIBLE DANS UN ENVIRONNEMENT
D'INCERTITUDE
les pistes sont utilisées séparément pour l'affectation des machines et la planification des séquences.
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
L'affectation de la machine est exécutée dans la première étape. Une fourmi choisit la machine k
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
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
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 =
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
Machine Translated by Google
• Temps de traitement le plus court (SPT), les opérations avec le traitement le plus court
• Temps de traitement le plus long (LPT), les opérations avec le temps de traitement le plus long
• Le plus de travail restant (MWR), les travaux avec le plus de travail restant ont
• Durée des tâches non planifiées dans le travail (LTJ), les travaux avec le plus de tâches restantes
• Temps de démarrage le plus court (SST), les opérations qui peuvent démarrer
• 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
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.
Les heures de début et de fin sont programmées simultanément, selon la règle de non-chevauchement
du modèle de la section 2.
91
Machine Translated by Google
3. PROBLÈME DE PLANIFICATION D'UN ATELIER FLEXIBLE DANS UN ENVIRONNEMENT
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.
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,
1
ÿÿ_m = ÿÿ = (3.15)
f(ibest)
92
Machine Translated by Google
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
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
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.
Comme mentionné dans la section précédente, notre méthode de résolution de FJSPPM est basée sur
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
d'une flexibilité totale, 10 travaux avec 30 opérations traitées sur 10 machines ; J15M10,
93
Machine Translated by Google
3. PROBLÈME DE CALENDRIER FLEXIBLE JOB SHOP SOUS
ENVIRONNEMENT D'INCERTITUDE
Les données originales des trois exemples se trouvent dans le tableau 3.8, le tableau 3.9 et le tableau 3.10
la solution optimale des trois exemples est illustrée dans la Figure 3.6, la Figure 3.7 et
Figure 3.8 respectivement.
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
Machine Translated by Google
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
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
Machine Translated by Google
3. PROBLÈME DE CALENDRIER FLEXIBLE JOB SHOP SOUS
ENVIRONNEMENT D'INCERTITUDE
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
96
Machine Translated by Google
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
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
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
ÂGE
meilleur Makespan 14 7 12
meilleur Makespan 15 7 16
97
Machine Translated by Google
3. PROBLÈME DE PLANIFICATION D'UN ATELIER FLEXIBLE DANS UN ENVIRONNEMENT
D'INCERTITUDE
M8 O72 O83
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
M8 O32 O43
M5 O81 O103
M1 O71 O21
0 1 2 3 4 5 6 7
M10O91
M10 O131 O132 O23 O133 O103 O44 O94
0 1 2 3 4 5 6 7 8 9 dix 11 12
98
Machine Translated by Google
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
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
Machine Translated by Google
3. PROBLÈME DE PLANIFICATION D'UN ATELIER FLEXIBLE DANS UN ENVIRONNEMENT
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
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
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
Machine Translated by Google
emplois. Contrairement aux deux méthodes ci-dessus, dans lesquelles les opérations utilisent
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
Pour choisir une nouvelle machine pour un travail ayant une collision avec la tâche PM, nous pouvons
utiliser des règles différentesÿ:
(b) Choisissez la machine avec le moins de temps de traitement pour l'opérationÿ; (c)
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
Machine Translated by Google
3. PROBLÈME DE CALENDRIER FLEXIBLE JOB SHOP SOUS
ENVIRONNEMENT D'INCERTITUDE
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
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
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.
minimum 17 17
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
(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
Machine Translated by Google
(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.
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.
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
Machine Translated by Google
3. PROBLÈME DE CALENDRIER FLEXIBLE JOB SHOP SOUS
ENVIRONNEMENT D'INCERTITUDE
(Gao et al., 2006), détaillés respectivement dans les Tableau 3.13, Tableau 3.14 et Tableau 3.15 .
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
012345 6 7 8 9 10 11 12 13 14 15 16 17 18
104
Machine Translated by Google
Tableau 3.16 : Résultat de sept approches appliquées sur des exemples de FJSPPM
J8M8PM J10M10PM J15M10PM
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
nouvelle machine avec un minimum
somme de l'inactivité et du traitement
temps)
temps d'exécution 1867,85 2105.32 3254.13
temps de traitement)
temps d'exécution 931,60 1000,64 1188.34
(3c) IACO avec SSA3 (choisir marquespan 17 9 17
nouvelle machine avec un minimum
somme de l'inactivité et du traitement
temps)
temps d'exécution 835,70 923.20 1318.75
ÿ
105
Machine Translated by Google
3. PROBLÈME DE PLANIFICATION D'UN ATELIER FLEXIBLE DANS UN ENVIRONNEMENT
D'INCERTITUDE
M10O31
M10 O42 PM101
0 1 2 3 4 5 6 7 8
M10O91
M10 O131 O132 O23 O133 PM101 O103 O94
0 1 2 3 4 5 6 7 8 9 dix 11 12
106
Machine Translated by Google
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
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
Prenons l'exemple de la figure 3.16. Avant de détecter une panne cachée (point P), nous ne
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.
107
Machine Translated by Google
3. PROBLÈME DE PLANIFICATION D'UN ATELIER FLEXIBLE DANS UN ENVIRONNEMENT
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.
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
Machine Translated by Google
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
109
Machine Translated by Google
3. PROBLÈME DE PLANIFICATION D'UN ATELIER FLEXIBLE DANS UN ENVIRONNEMENT
D'INCERTITUDE
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,
Figure 3.20ÿ: Replanification des opérations de repos avec nouvelle tâche d'arrivée
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
110
Machine Translated by Google
3.3 Impact des délais de traitement incertains des travaux vers le FJSP
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.
la planification des ateliers dans la littérature, nous discutons de l'impact du temps de traitement
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
111
Machine Translated by Google
3. PROBLÈME DE PLANIFICATION D'UN ATELIER FLEXIBLE DANS UN ENVIRONNEMENT
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
Machine Translated by Google
3.3 Impact des délais de traitement incertains des travaux vers le FJSP
Selon l'analyse ci-dessus, nous pouvons constater que le temps de traitement incertain de
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
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
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
traitement incertain, le schéma avec plus d'intervalles vides ( à l'exception de l'intervalle vide en début d'horaire sur
113
Machine Translated by Google
3. PROBLÈME DE PLANIFICATION D'UN ATELIER FLEXIBLE DANS UN ENVIRONNEMENT
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
Machine Translated by Google
3.3 Impact des délais de traitement incertains des travaux vers le FJSP
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.
0 1 2 3 4 5 6 7 8 9 dix 11 12 13 14
M8 O72 O83
M5 O32 O24
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
Machine Translated by Google
3. PROBLÈME DE PLANIFICATION D'UN ATELIER FLEXIBLE DANS UN ENVIRONNEMENT
D'INCERTITUDE
M5 O12 O24
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
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,
Hiérarchique (HGA) et l'Optimisation Intégrée des Colonies de Fourmis (IACO). Contrairement aux
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
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
Machine Translated by Google
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
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
117
Machine Translated by Google
118
Machine Translated by Google
Chapitre 4
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
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.
complétée par la distribution, l'étape directe contactant le marché des consommateurs. Malheureusement,
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
Cercle incertain, comme la procédure en relation directe avec les clients, précise de
119
Machine Translated by Google
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
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
Machine Translated by Google
121
Machine Translated by Google
4. PROBLÈME DE DISTRIBUTION DANS UN ENVIRONNEMENT INCERTAIN
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
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
iii. Les développements technologiques qui ont rendu les solveurs VRP efficaces pourraient
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
Machine Translated by Google
(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.
Bien qu'il existe différentes formes de VRP, la base reste le modèle classique.
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.
Sujet à:
X xij = 1, ÿi ÿ V, (4.2)
je
123
Machine Translated by Google
4. PROBLÈME DE DISTRIBUTION DANS UN ENVIRONNEMENT INCERTAIN
X xij = 1, ÿj ÿ V, (4.3)
j
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.
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
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.
Il existe différentes versions de VRP développées. Nous sélectionnons ceux qui ont fait l'objet de
124
Machine Translated by Google
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
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
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 ;
125
Machine Translated by Google
4. PROBLÈME DE DISTRIBUTION DANS UN ENVIRONNEMENT INCERTAIN
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.
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
Machine Translated by Google
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
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
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,
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
127
Machine Translated by Google
4. PROBLÈME DE DISTRIBUTION SOUS INCERTITUDE
ENVIRONNEMENT
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
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
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
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
128
Machine Translated by Google
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.
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
Machine Translated by Google
4. PROBLÈME DE DISTRIBUTION DANS UN ENVIRONNEMENT INCERTAIN
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
modèle VRPPD non apparié, le surplus causé par la réduction du client 9 peut être juste
Modèle VRPPD pour faire face à l'incertitude des clients. Il est évident de constater que
130
Machine Translated by Google
131
Machine Translated by Google
4. PROBLÈME DE DISTRIBUTION SOUS INCERTITUDE
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
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
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
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
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
Machine Translated by Google
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
Dénotons ensemble d'entrepôts comme W, ensemble de distributeurs comme D, donc ensemble de clients
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.
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
Machine Translated by Google
4. PROBLÈME DE DISTRIBUTION DANS UN ENVIRONNEMENT INCERTAIN
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,
X X qikxijk ÿ q, ÿk ÿ V (4.12)
jeÿC jÿC
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:
Notationsÿ:
Ci : client i, où i = 1, 2, . . . , N
N : nombre de clients, incluant à la fois les entrepôts et les distributeurs.
134
Machine Translated by Google
Rk : trajet du véhicule k, k = 1, 2, . . . , U.
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.
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
nombre de véhicules nécessaires à une solution donnée. La figure 4.6 montre un formulaire
(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
Machine Translated by Google
4. PROBLÈME DE DISTRIBUTION DANS UN ENVIRONNEMENT INCERTAIN
sélectionnés, mais les contraintes physiques, les contraintes de charge de travail et les
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
(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
(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
(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
les clients supprimés dans l'individu par heuristique d'insertion, qui est la même
Sélection
les parents et descendants, avec une méthode de roue de roulette. La fonction fitness est l'objectif
fonction du coût de l'individu.
136
Machine Translated by Google
137
Machine Translated by Google
4. PROBLÈME DE DISTRIBUTION DANS UN ENVIRONNEMENT INCERTAIN
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
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
(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
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
(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.
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
Machine Translated by Google
4.4 Conclusion
w1 = 10ÿ; Coût d'utilisation de chaque véhicule w2 = 2000. A travers plusieurs tests, nous
600
Dépôt
400
200
Dépôt
ÿ200
Dépôt
ÿ400
ÿ600
ÿ500 ÿ400 ÿ300 ÿ200 ÿ100 0 100 200 300 400 500
La fonction objectif de notre problème est le coût total, y compris le coût de transport et le
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
Machine Translated by Google
4. PROBLÈME DE DISTRIBUTION SOUS INCERTITUDE
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
un de plus que de vider les véhicules en fin de parcours. Notre procédure de croisement est
procédure, mais différente de celle des VRPPD couplés. Un exemple numérique est appliqué
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
Machine Translated by Google
Chapitre 5
Dans les chapitres précédents, nous avons discuté de l'incertitude à différentes étapes de sup
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
principalement par un taux de qualification incertain des produits. Dans ce double incertain en
que cela dans le problème de vendeur de journaux classique. Nous adoptons deux algorithmes populaires pour résoudre
algorithme.
141
Machine Translated by Google
5. INCERTITUDE DE LA DEMANDE ET DU RENDEMENT DANS LE PROBLÈME DE
JOURNAL À DEUX NIVEAUX
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
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
Machine Translated by Google
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,
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
L'incertitude du rendement est plutôt moins étudiée que celle de la demande. L'incertitude de
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
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
Le problème du jardinier est désigné pour couvrir le rendement aléatoire par Abdel-Malek et al. (2008).
probabilité. Le rendement de l'offre est modélisé à l'aide d'une distribution uniforme tenant compte à
143
Machine Translated by Google
5. INCERTITUDE DE LA DEMANDE ET DU RENDEMENT DANS LE PROBLÈME DE
JOURNAL À DEUX NIVEAUX
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
Machine Translated by Google
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.
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
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
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
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.
1) Pour le modèle à plusieurs grossistes, chaque grossiste du modèle se voit attribuer une fraction
145
Machine Translated by Google
5. INCERTITUDE DE LA DEMANDE ET DU RENDEMENT DANS LE PROBLÈME DE
JOURNAL À DEUX NIVEAUX
2) La période de vente est connue à l'avance, le modèle est défini dans la période de vente.
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
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
produitÿ; valeur perdue de l'unité v après récupérationÿ; prix de gros unitaire w au grossisteÿ; x-
chaîne d'approvisionnement récupère y ÿ x unités de produits à une valeur unitaire de récupération et la valeur unitaire perdue est
dans.
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
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
Machine Translated by Google
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).
(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
(Q ÿ y) · (w ÿ c) + (x ÿ y) · (r ÿ w) quand Q ÿ y et x ÿ y
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
(Q - T · u) · (w - c) + (x - y) · (r - w) quand Q ÿ T · u et x ÿ T · u
Le modèle de décision optimal de l'ensemble de la chaîne d'approvisionnement peut être décrit comme equa
tion 5.7ÿ:
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
nous ne pouvons obtenir qu'un intervalle à partir de l'estimation des experts, alors le flou est plus
en conséquence, nous proposons un algorithme hybride intelligent pour le cas à deux flous
variables.
147
Machine Translated by Google
5. INCERTITUDE DE LA DEMANDE ET DU RENDEMENT DANS LE PROBLÈME DE
JOURNAL À DEUX NIVEAUX
P(ÿj ) · P(ek | ÿj )
P(ÿj | ek) = (5.8)
Pn
j=1 P(ÿj ) · P(ek | ÿj )
148
Machine Translated by Google
5.3 Approche bayésienne pour représenter la double incertitude des variables
stochastiques
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
De plus, la distribution normale est une bonne représentation même en cas de manque de données historiques. Nous
149
Machine Translated by Google
5. INCERTITUDE DE LA DEMANDE ET DU RENDEMENT DANS LE PROBLÈME DE
JOURNAL À DEUX NIVEAUX
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
obtenue en fonction des données historiques et de l'expérience des experts. Nous considérons
l'incertitude des paramètres l'incertitude de second niveau. Nous adoptons l'approche bayésienne
L'esprit central de l'approche bayésienne est la mise à jour de l'information. Grâce à la mise
principalement deux types de mise à jour des informations : la mise à jour directe des informations
La mise à jour directe de l'information est le cas où de nouvelles données peuvent être obtenues
Prenez le rapport défectueux par exemple. Nous pouvons obtenir la distribution du rapport
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:
comme indiqué dans la troisième ligne du tableau 5.1. Maintenant, avant la nouvelle commande, il y a
150
Machine Translated by Google
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.
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
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
section 5.3.1, les résultats sont ceux de la dernière ligne du tableau 5.1.
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
151
Machine Translated by Google
5. INCERTITUDE DE LA DEMANDE ET DU RENDEMENT DANS LE PROBLÈME DE
JOURNAL À DEUX NIVEAUX
le rapport avec une moyenne et une variance incertaines est représenté par f(u) :
ÿ ÿ
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.
g(ˆu) · f(µu)
ˆf(µu) = f(ˆu) (5.11)
152
Machine Translated by Google
5.3 Approche bayésienne pour représenter la double incertitude
des variables stochastiques
xf(x)dx (5.14)
E[x] = Z ÿÿ
153
Machine Translated by Google
5. INCERTITUDE DE LA DEMANDE ET DU RENDEMENT DANS LE PROBLÈME DE
JOURNAL À DEUX NIVEAUX
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
Si dP2 (Q) < 0, P(Q) est concave, sinon P(Q) est convexe. Par conséquent, nous devons
dQ2
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
Machine Translated by Google
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.
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.
Généralement, la « marge » dont on parle est la marge brute. Le grossiste et les détaillants
ont généralement beaucoup plus de marge que le fabricant.
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
Machine Translated by Google
5. INCERTITUDE DE LA DEMANDE ET DU RENDEMENT DANS LE PROBLÈME DE
JOURNAL À DEUX NIVEAUX
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
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.
résiduelle) est sûrement liée à la valeur marchande actuelle des produits. Nous pouvons le calculer
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
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
156
Machine Translated by Google
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 %.
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.
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
Qÿ
Qÿ (w ÿ c)[G( ) ÿ G(0)] = ÿk[G(ÿ) ÿ G( )] (5.21)
J J
Qÿ
G( ) = ÿk/(w ÿ c ÿ k) (5.22)
J
où
157
Machine Translated by Google
5. INCERTITUDE DE LA DEMANDE ET DU RENDEMENT DANS LE PROBLÈME DE
JOURNAL À DEUX NIVEAUX
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.
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
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.
158
Machine Translated by Google
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.
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
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-
1) Cr{ÿ} = 1
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,
159
Machine Translated by Google
5. INCERTITUDE DE LA DEMANDE ET DU RENDEMENT DANS LE PROBLÈME DE
JOURNAL À DEUX NIVEAUX
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.
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
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
Machine Translated by Google
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)
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
Machine Translated by Google
5. INCERTITUDE DE LA DEMANDE ET DU RENDEMENT DANS LE PROBLÈME DE
JOURNAL À DEUX NIVEAUX
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
génétique combiné à une simulation floue pour résoudre le problème. Nous expliquons les
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
162
Machine Translated by Google
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
Qn = ÿmax + ÿmin ÿ Qm
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
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
La population de la génération initiale est de 100; le numéro de génération est 200ÿ; avec 200 courses
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
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
Machine Translated by Google
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
la quantité ne change pas beaucoup tandis que la perte potentielle varie entre 1100 et 1200.
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
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
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.
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
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
164
Machine Translated by Google
350 1300
commande
optimale
quantité
de
346 1100
344
0 10 20 30 40 50 60 70 80 90 100
1001000
347 1150
potentielle
perte
commande
optimale
quantité
de
346 1100
345
30 31 32 33 34 35 36 37 38
381050
prix de gros
165
Machine Translated by Google
5. INCERTITUDE DE LA DEMANDE ET DU RENDEMENT EN BI-NIVEAU
PROBLÈME DE JOURNAL
Tableau 5.3 : Résultats de la quantité de commande optimale et de la perte potentielle avec différents
prix de gros
38 à 46 sont présentés dans la Figure 5.4 et le Tableau 5.4, à partir desquels nous pouvons observer que
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
[310350390], D7 = [310350400], l'unité étant les caisses. Nous nous attendons à ce que l'optimum
166
Machine Translated by Google
Tableau 5.4 : Résultats de la quantité de commande optimale et de la perte potentielle avec différents
prix en détail
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
avec notre attente. La tendance des pertes potentielles est également contraire à celle des
360 1500
potentielle
perte
commande
optimale
quantité
de
340 1000
320 500
D1 D2 D3 D4 D6 D7
Demande floue D5
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
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
Machine Translated by Google
5. INCERTITUDE DE LA DEMANDE ET DU RENDEMENT EN BI-NIVEAU
PROBLÈME DE JOURNAL
Tableau 5.5 : Résultats de la quantité de commande optimale et de la perte potentielle avec différents
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
348 1400
commande
optimale
quantité
de
346 1000
345 800
R1 R2 R3 R4 R6 R7
Rapport de qualification floue R5
Discussions
Nous atteignons l'objectif d'obtenir une quantité de commande optimale. Dans la situation où
168
Machine Translated by Google
5.6 Conclusion
Tableau 5.6 : Résultats de la quantité de commande optimale et de la perte potentielle avec différents
taux de qualification
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
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
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
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
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
Machine Translated by Google
5. INCERTITUDE DE LA DEMANDE ET DU RENDEMENT DANS LE PROBLÈME DE
JOURNAL À DEUX NIVEAUX
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
objective de maximisation du profit est plus intuitive. Par conséquent, nous suggérons d'utiliser
la maximisation du profit comme fonction objectif.
170
Machine Translated by Google
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
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
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
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
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
Machine Translated by Google
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
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
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.
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
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
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
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
Machine Translated by Google
CONCLUSIONS ET PERSPECTIVES
173
Machine Translated by Google
CONCLUSIONS ET PERSPECTIVES
174
Machine Translated by Google
Bibliographie
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
175
Machine Translated by Google
BIBLIOGRAPHIE
Archetti, C., Savelsbergh, M. & Speranza, M. (2006). Analyse du pire des cas pour les problèmes
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
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
En ligneBarad, M. & Even, S. (2003). Flexibilité dans la modélisation des systèmes logistiques et
37, 38
En ligneBent, R. & Hentenryck, P. (2006). Un algorithme hybride en deux étapes pour les problèmes
Berrichi, A., Yalaoui, F., Amodeo, L. & Mezghiche, M. (2010). Approche bi-objective d'optimisation
176
Machine Translated by Google
BIBLIOGRAPHIE
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
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
177
Machine Translated by Google
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 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
Machine Translated by Google
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
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
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
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
Machine Translated by Google
BIBLIOGRAPHIE
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
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
Desrosiers, J., Soumis, F., Desrochers, M. & Sauvé, M. (1986). Routage et planification des
véhicules avec fenêtres horaires. Netflow à Pise, 249–251. 122
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
Machine Translated by Google
BIBLIOGRAPHIE
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
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
Machine Translated by Google
BIBLIOGRAPHIE
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
Foster, B. & Ryan, D. (1976). Une approche de programmation en nombres entiers du véhicule
problème d'horaire. Recherche opérationnelle trimestrielle, 367–384. 122
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–
Fukasawa, R., Longo, H., Lysgaard, J., Aragão, M., Reis, M., Uchoa, E. & Werneck, R. (2006). Branche-
En ligneGalego, G. (1995). Le problème des marchands de journaux. Cours IEOR de Columbia Uni
versité. 142, 143
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
Machine Translated by Google
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
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
Gillett, B. & Miller, L. (1974). Un algorithme heuristique pour la répartition des véhicules
problème. Recherche opérationnelle, 340–349. 125
183
Machine Translated by Google
BIBLIOGRAPHIE
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
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.
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
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
Machine Translated by Google
BIBLIOGRAPHIE
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
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
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
185
Machine Translated by Google
BIBLIOGRAPHIE
Univ., FEMM. 36
En ligneEnderfurth, K. & Transchel, S. (2007). Note technique – note sur « l'heuristique myope
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
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
d'un fournisseur dédié peut être réservée. Logistique de recherche navale (NRL), 42, 915–
934. 143
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,
186
Machine Translated by Google
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
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
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
187
Machine Translated by Google
BIBLIOGRAPHIE
attendu pour les décisions d'inventaire sur une seule période. Oméga, 38, 218–227. 35
Kim, Y., Park, K. & Ko, J. (2003). Un algorithme évolutif symbiotique pour l'intégration de la
Chevalier, F. (1921). Risque, incertitude et profit, (réédité par University of Chicago Press, Chicago,
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
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
exacts et approximatifs. Revue européenne de recherche opérationnelle, 59, 345– 358. 123, 127
188
Machine Translated by Google
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
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
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 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
Machine Translated by Google
BIBLIOGRAPHIE
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
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
En ligneMahmoud, E. (1984). Précision dans les prévisionsÿ: une enquête. Journal de la prévision,
3, 139–159. 36
190
Machine Translated by Google
BIBLIOGRAPHIE
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
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,
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
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
Machine Translated by Google
BIBLIOGRAPHIE
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
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
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
Machine Translated by Google
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
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
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
193
Machine Translated by Google
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
Shao, Z. & Ji, X. (2006). Problème de newsboy avec contraintes multi-produits floues.
Mathématiques appliquées et calcul, 180, 7–15. 160, 161, 163
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
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
194
Machine Translated by Google
BIBLIOGRAPHIE
(< i> r</i>,< i> s</i>)-contrôle des stocks. Revue européenne de recherche opérationnelle,
172, 201–212. 35
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
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
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
195
Machine Translated by Google
BIBLIOGRAPHIE
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
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
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
Machine Translated by Google
BIBLIOGRAPHIE
Wren, A. & Carr, J. (1971). Ordinateurs dans la planification et l'exploitation des transports.
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.
Recherche informatique et opérationnelle, 35, 1344–1349. 75
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
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.
197
Machine Translated by Google
BIBLIOGRAPHIE
Yano, C. & Robert, C. (1987). Interaction entre la fréquence des réordonnancements et le rôle du
Yao, S., Zhao, M. & Zhang, H. (2011). Ordonnancement de l'atelier de flux hybride en deux étapes
Yu, C. & Li, H. (2000). Un modèle d'optimisation robuste pour la logistique stochastique
En ligneZadeh, L. (1978). Les ensembles flous comme base d'une théorie des possibilités. Ensembles flous et
En ligneZandieh, M. & Adibi, M. (2010). Planification dynamique de l'atelier de travail à l'aide d'une variable
Zeng, Q., Tseng, M. & Lu, R. (2006). Report échelonné de l'engagement de spécification de
période de distribution pour traiter la demande incertaine dans la gestion de la chaîne d'approvisionnement.
Informaticiens, 2. 51
En ligneZhu, K. (2000). Un nouvel algorithme génétique pour vrptw. Dans Actes de l'Inter
198
Machine Translated by Google
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
Machine Translated by Google
BIBLIOGRAPHIE
200
Machine Translated by Google
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.