Application des algorithmes évolutionnistes dans les problèmes d'optimisation en ordonnancement de la production

Application of the evolutionary algorithms for the optimization of production job-shop scheduling problems

• Auteur / Autrice : Khaled Mesghouni
• Direction : Pierre Borne
• Type : Thèse de doctorat
• Discipline(s) : Informatique industrielle et automatique
• Date : Soutenance en 1999
• Etablissement(s) : Lille 1

Mots clés

Mots clés contrôlés

Algorithmes génétiques

Ordres stochastiques

Ordonnancement (gestion)

Résumé

Le problème d'ordonnancement des ateliers constitue sûrement pour les entreprises une des difficultés importantes de leur système de gestion et de conduite. En effet, c'est à ce niveau que doivent être prises en compte les caractéristiques réelles multiples et complexes des ateliers. Nous nous intéresserons dans ce travail aux problèmes d'ordonnancement de type job-shop flexible, ce sont des problèmes extrêmement difficiles à résoudre, ils appartiennent à la classe dite NP difficile, ils demandent un espace de recherche combinatoire et un traitement particulièrement complexe. Les méthodes exactes demandent un temps d'exécution considérable et/ou des formulations mathématiques complexes, particulièrement quand la taille du problème est importante. Toutefois, il existe des méthodes dites stochastiques telles que les algorithmes évolutionnistes qui donnent des résultats très proches de l'optimum. Nous proposons deux approches évolutionnistes originales pour résoudre les problèmes du type job-shop flexible. Ces derniers sont sujets à des contraintes diverses qu'il faut absolument respecter pour aboutir à une solution réalisable. La première approche est basée sur le premier codage dit codage parallèle des machines, le chromosome ainsi représente donne une information visible de la charge des machines et de la répartition des opérations sur ces dernières ce qui permet une utilisation efficace du parc de machines. L'utilisation des algorithmes à stratégie d'évolution passe par la mise au point d'une population de démarrage dite population initiale. Vu que cette population conditionne la convergence de notre algorithme, nous avons utilisé un processus hybride utilisant les différentes méthodes classiques pour générer une bonne première population. Dans la deuxième approche, nous proposons un deuxième codage qui intègre la majorité des contraintes du problème d'ordonnancement dans la conception même du chromosome, ceci nous permet de construire des opérateurs de croisement et du mutation sans avoir à intégrer des processus de corrections qui alourdiraient le temps de calcul. Les résultats des simulations que nous avons effectuées montrent bien la validité de nos approches, ainsi que leurs capacités à donner un ensemble de solutions réalisables et proches de l'optimum en un temps très court.