Les Systèmes Multi-Agents pour la Gestion de Production Jean-Pierre Müller IIUN - Université de Neuchâtel jean-pierre.muller@unine.ch

Contenu Les problèmes à résoudre Cahier des charges Solutions multi-agents Conclusion 31 March 2017

Gestion de production descendante Décomposition en sous-problèmes Conception, ordonnancement, production, marketing La décomposition repose sur des connaissances de moyen et long termes Prévision des marchés, produits et processus de longue durée Limites Plus difficile avec des cycles de vie courts La connaissance à moyen et long terme n’est plus disponible Manque de flexibilité, adaptabilité 31 March 2017

Gestion de production ascendante Réalisation de comportement globaux par auto-organisation Ordonnancement, optimalité, etc. comme phénomènes émergents Avantages: Flexibilité, adaptabilité Peut reposer sur des prédictions locales/ciblées Limites: Manque de compréhension de la conception de systèmes auto-organisants Sentiment de perdre le contrôle 31 March 2017

Pourquoi les systèmes multi-agents? Agents comme entités autonomes: Propres buts et objectifs Connectivité/communication Complétude Modélisation et résolution de problèmes des systèmes complexes Focus sur les interactions plutôt que les comportements individuels Adequat pour: Des systèmes très complexes et hétérogènes Prise en compte de l’auto-organisation 31 March 2017

Ordonnancement dynamique Caractéristique du système cible Planification de type « Flow-shop » ou « Job-shop » Prise en compte dynamique des modifications Lissage des centres de charge Les séquences des opérations dépendent des articles à produire Traitement des perturbations en mode interactif Fonction objectif à minimiser 31 March 2017

Eco-résolution et optimisation: Le modèle Le problème à résoudre Systèmes multi-agents Optimisation par recuit simulé 31 March 2017

Eco-résolution et optimisation: Le recuit simulé (I) Plusieurs sous-espaces de solutions Fonction f définie sur l’espace de recherche Problème: trouver une solution pour laquelle f est optimale f 31 March 2017

Eco-résolution et optimisation: Le recuit simulé (II) Proposition d’un déplacement: c1 => c2 Approche “hill climbing” si f(c1)≥f(c2) alors accepté sinon refusé Approche par recuit simulé sinon si rand[0,1]<exp((f(c2)-f(c1))/T(k)) alors accepté sinon refusé 31 March 2017

Ordonnancement d’atelier flexible: MARSA 31 March 2017

MARSA: le problème NP-complet Hypothèses Objectif Flow shop Modèle stationnaire Graphe d'actions = séquence linéaire d'actions Objectif Minimisation des temps de réglage Minimisation des retards des ordres clients 31 March 2017

MARSA: dynamique globale les DCs demandent les ressources en essayant de placer leurs actions par ordre de précédence Les premières actions sont placées temporellement au hasard Les ressources calculent le nouvel état Les ressources décident d’accepter ou non le nouvel état (recuit simulé) 31 March 2017

Dynamique multi-agent: les agents DC Accointances Ressources potentielles actions Comportement de satisfaction Rien Comportement d'insatisfaction Activation d'une action Ai Réactions aux messages si Ai alloué, activation de Ai+1 si DC rejeté (Ai refusé), activation de A1 si Ai rejeté (dépassement date limite), réactivation de Ai 31 March 2017

Dynamique multi-agent: les agents ressource Accointances Ressources précédentes et suivantes CDs des actions potentielles Condition de satisfaction Tolerance=0 Comportement de satisfaction Rien Comportement d'insatisfaction si tous les CDs alloués et tolerance != 0 alors Rejète un CD aléatoirement 31 March 2017

Dynamique multi-agent: les agents ressource Réaction aux messages: génération d'un nouvel état Placement de l'action Détermination des dates (début et fin) si date de fin du CD dépasse la date limite, satisfaisant les contraintes: Ejections d'autres CD Déplacement des actions sur la gauche Réaction aux effets de bord Décision si accepté, ressource informe les CDs de partir si refus, ressource informe le CD de partir si tolerance=0, relaxation de la contrainte et placement du CD à la fin 31 March 2017

Comment modéliser sous la forme d’agents ? Chaque livraison -> 1 Agent Livraison Gammes d’articles -> Opérations gérées par Agent Livraison Chaque centre de fabrication -> 1 Agent Centre Planification -> émerge par le placement des opérations dans les agents centres Chaque stocks -> 1 Agent Stock Fonction Objectif -> Information centralisée par un agent global 31 March 2017

Fonction objectif (à minimiser) nb. commandes placées en retard : (1,nc) Uj (1) retardement des commandes avec priorité : (1,nc) j * Uj (2) retard moyen : 1/nc * (1,nc) Tj (3) Coût à optimiser = c1 * (1) + c2 * (2) + c3* (3) c1, c2, c3 sont des coefficients associés. 31 March 2017

Agent Commande (1) : généralité Création : Quand une commande de livraison est arrivée au SMA Par la plate-forme Destruction : Quand sa dernière opération est terminée (la fabrication est finie). Par l’agent lui-même Objectif : Assurer que toutes ses opérations sont placées sur les centres. 31 March 2017

Agent Commande (2) : Comportement Comportement proactif Envoyer ses opérations à placer vers les agents centres pour qu’ils puissent les placer Comportement réactif Recevoir des perturbations (messages) et traiter la modification sur le délai insertion/suppression des opérations opération rejetée par les centres 31 March 2017

Agent Commande (3) : Opérations Opération : créé avec l'agent commande Valeurs initialement données durée d’exécution, séquence (op-avant, op-après), centre Valeurs calculées par Agent Commande temps-plus-tôt : valeur estimée pour la fin d’exécution (au plus tôt) de l’opération avant, ou 0 (= maintenant) temps-plus-tard : pour respecter le délai, valeur estimée pour le début d’exécution de l’opération d’après 31 March 2017

Agent Centre (1) : généralité Création : Au moment de l’initialisation de la plate-forme. Par la plate-forme Destruction : Quand le message de destruction arrive. Par l’agent lui-même. Objectif : Placer le maximum d’opérations possibles Maximiser le taux d’utilisation 31 March 2017

Agent Centre (2) : comportement Comportement proactif : trouver une place pour mettre l’opération demandée sans surcharge Comportement réactif : s’il y a une perturbation i.e., une nouvelle opération à placer ou demande de retirer des opérations déjà placées, retirer l’opération et la rendre à l’agent commande. Prise de décision : placer ou rejeter une opération par recuit simulé 31 March 2017

Interaction Exemple d ’interaction pendant le traitement de nouvelle livraison Black Board Introduction nouvelle commande Demande évaluation de la fonction objectif Confirmation, livraison en retard Opération à placer Agents Centres Agents Commandes Confirm. Date-debut Rejet opération 31 March 2017

Perspectives Actuellement: Distribution: A faire: Le système multi-agent est sur un serveur Distribution: Mettre les agents (Stock et centre) dans les applications clients sur les centres de charge et les magasins A faire: Gestion des machines des centres de charges (contrôle de production Utilisation pour faire les offres (délais de livraison) 31 March 2017

Conclusion Les systèmes multi-agents: Pour les systèmes complexes Pour la modèlisation, résolution et organisation des systèmes de support Méthodologie de conception pour la résolution de problèmes par émergence Application à des problèmes réels de gestion de production Permet l’intégration d’entreprise (entreprise virtuelle) 31 March 2017