Modélisation et conduite des systèmes hybrides. Application aux systèmes manufacturiers
No Thumbnail Available
Date
2014
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Les problèmes d’optimisation en système de production présentent plusieurs difficultés liées
aux besoins de l’utilisateur (recherche d’une solution globale, précision de la solution …), aux
caractéristiques du problème traité et aux temps de calculs importants. La résolution de telles
difficultés a fait l’objet de nombreux travaux en utilisant diverses méthodes d’optimisation.
Pour lever cette difficulté, nous avons choisi de nous intéresser au développement des
méthodes stochastiques et d’étudier leurs applications aux problèmes de conception
rencontrés en système de production.
L’efficacité de ces méthodes dépend du choix de ses paramètres de contrôle. Ce réglage est
complexe, surtout quand le nombre de paramètres est élevé et quand la plage de variation de
chacun de ces paramètres est étendue.
Cette thèse s’intéresse aux principales et les plus prometteuses des méthodes stochastiques :
les algorithmes génétiques, recuit simulé et la recherche tabou. Grâce à ces méthodes, on peut
proposer des solutions approchées pour des problèmes d'optimisation classiques de plus
grande taille et pour de très nombreuses applications qu'il était impossible de traiter
auparavant. Elles comportent souvent plusieurs paramètres contrôlant les différents opérateurs
et leur influence sur les processus stochastiques.
Pour résoudre notre problème d’optimisation, quelques contributions originales ont été
apportées, qui consistent à identifier les facteurs supposés influencer les performances et à
effectuer des comparaisons en faisant varier ces facteurs, toute en offrant un bon compromis
entre le temps de réaction et la satisfaction du critère choisi, tels que la maximisation de
nombre de pièces produites et la minimisation du temps de réalisation (Makespan).
Nous avons ensuite comparé entre ces approches, pour distinguer celle qui offre la meilleure
solution au sens des critères choisis, sur un nombre important d'échantillons.
L'algorithme génétique devance les deux autres approches.
Nous avons proposé aussi d'intégrer les trois méthodes dans un même système de décision et
d'évaluer et de choisir à chaque instant celle qui offre le meilleur résultat. Sur le même
nombre d'échantillon, nous avons constaté une amélioration du résultat global, avec la
contribution de chaque approche.