DEA Intelligence Artificielle et Optimisation Combinatoire

Slides:



Advertisements
Présentations similaires
Fabrice Lauri, François Charpillet, Daniel Szer
Advertisements

Une nouvelle voie de collaboration ?
Finalités et objectif de la sous-épreuve
déploiement inter entreprises de bonnes pratiques Vincent BRONET
au LISC, Cemagref de Clermont Ferrand
AUDIT, PERFORMANCE ET EXCELLENCE LOGISTIQUE
A Pyramid Approach to Subpixel Registration Based on Intensity
Optimisation dans les télécommunications
Le 19/ 11/ Modèle de tarification planifiée pour les réseaux mobiles Mustapha OUGHDI Alexandre CAMINADA Sid LAMROUS.
El-Djillali TALBI Doctorant systèmes industriels
Plus rapide chemin bicritère : un problème d’aménagement du territoire
Safae LAQRICHI, Didier Gourc, François Marmier {safae
L’optimisation par essaims De particules
Sélection automatique d’index et de vues matérialisées
S.T.S. S.I.O. 1ère année La gestion de projets
des produits alimentaires
UNIVERSITE DES SCIENCES ET DE LA TECHNOLOGIE D’ORAN
Application des algorithmes génétiques
1. Spécialisation de GeoConcept
Exploitation du modèle holonique dans un cadre combinant IAD et IHM
Auditez votre service achats
ÉVALUATION DES SCÉNARIOS POUR L’AIDE À LA CONDUITE DU PROJET
Option GI 2009 et cursus possibles
Option GI cursus possibles
1 Aide à la décision en production par l’intégration d'applications de MES et de Simulation des Flux à Événements Discrets Journée SCMIP Agen-LAPS, 19.
SCIENCES DE L ’INGENIEUR
Sur lévaluation de la flexibilité de latelier montage dans une usine terminale automobile Soutenance de thèse du 18 Décembre 2006 Directeurs de thèse Yannick.
« Recherche de méthode d’estimation de volume de production à risque »
Présenté à: M. Froduald Kabanza Par: Jonathan Pelletier Cody Stoutenburg Simon-Pierre Thibault.
Optimisation de formes dans l’industrie: méthodes de résolution et exemples Laurent Dumas (Maître de Conférences au Laboratoire Jacques-Louis Lions) Modélisation.
Lutin RNTL 2001 – Exploratoire – 3 ans Xavier Blanc –
Modèles de décisions financières
Détection du meilleur format de compression pour une matrice creuse dans un environnement parallèle hétérogène Olfa HAMDI-LARBI.
AIP PRIMECA des Pays de La Loire – 9 novembre 2006
Optimisation des systèmes de santé d’urgence
mémoire thématique: GLOBAL SOURCING Soutenu le 5 mars 2009
Sujet : Localisation et dimensionnement de plateformes
D. Duret / Présentation Cappi Z
Inspection Pédagogique Régionale Groupe STI Réunion académique des chefs de travaux Réunion académique des chefs de travaux Cergy – le 12 février 2008.
2. Algorithme de Recherche Tabou
Partenariat CoPilotPRo (CTDEC)-QUASAR Solutions
Institut de Recherche en Communications et Cybernétique de Nantes 1 Implémentation en précision finie modélisation et recherche de réalisations optimales.
Activités de l’équipe GCSP du Laboratoire G-SCOP Sciences pour la Conception, l’Optimisation et la Production de Grenoble UMR CNRS 5272.
Légende : vol (3 possibilités d’affectation) : possibilité d’affectation d’un niveau à un vol : niveau affecté à un vol : conflit potentiel rejeté : conflit.
GESTION DE PRODUCTION ET OPERATIONS – GPO-
Optimisation par la méthode des abeilles
1 Alain Casali Christian Ernst Extraction de Règles de Corrélation Décisionnelles 29 Janvier 2009.
Présentation du Projet
Faire le Master 2 SEGI en option GI
Présentation contribution Recherche Chaire Supply Chain
6° Conférence Francophone de Modélisation et de simulation 3 / 5 Avril Rabat Outil d’aide à l’analyse des interactions de contraintes pour l’ordonnancement.
Classification de données par l’algorithme FPSO-GA
Solution ERP pour la société CHAUSSFUN
1 6° Congrès International de Génie Industriel 7 / 10 Juin Besançon Influence des interactions de contraintes sur l’ordonnancement d’une ligne de.
1 Vers la gestion de la cohérence dans les processus multi-modèles métier Wolfgang THEURER Ecole Nationale Supérieure d’Ingénieurs des Etudes et Techniques.
Soutenance de Stage DEA / DESS
Présenté par : ABED Djemaa; BAKHOUIA Roqiya.
Intégration des Tableaux Multidimensionnels en Pig pour
Immersion en milieu industriel
1 Logiciels de confection automatique d’horaires.
Problème du Car Sequencing
1 - Gestion du projet Initialisation Préparation
TD N°5: Une GPAO pour l’usine Odyssée
Développement du jeu Ricochet Robots pour Android
RAPIDO SITUATION ▪France & Europe MÉTIER ▪Construction de véhicules automobiles (2910Z) NOMBRE D’EMPLOYÉS ▪600 CHIFFRE D’AFFAIRES SOLUTION.
Proposition d’une métaheuristique pour le
Boost Industrie 2014 Témoignage industriel filière Nucléaire 2/12/2014.
1  Objectifs du programme de formation : Assurer la montée en compétence des interlocuteurs « énergie » des entreprises et favoriser le partage des expériences,
TD N°5: Une GPAO pour l’usine Odyssée. Lancement du logiciel Logiciel « Usine Odyssée 7 » disponible dans … Entrer votre nom et un nom d’entreprise de.
Transcription de la présentation:

DEA Intelligence Artificielle et Optimisation Combinatoire Aymeric Lesert DEA Intelligence Artificielle et Optimisation Combinatoire Aide au paramétrage d’un pilotage réactif Appliqué à un flux véhicule d’une usine terminale Apport d’une méthode d’optimisation multicritère hybride à la réactivité de la gestion de production d’une usine terminale 20 s En partenariat avec le service Avance de Phase du groupe PSA Peugeot-Citroën

Aide au paramétrage d’un pilotage réactif Contexte industriel Ferrage Stock Montage Stock Peinture Une usine de production automobile, appelée « usine terminale », s’identifie à un processus de fabrication. Elle est composée de trois ateliers successifs : le ferrage, la peinture et le montage. Dans et entre ces ateliers, les stocks de véhicules permettent d’adapter, de manière réactive, le flux en fonction des contraintes de l’atelier aval. Ils remplissent deux fonctions principales : La première est la régulation du volume de production en absorbant les aléas, La deuxième est l’amélioration de la qualité en répondant aux contraintes locales à l’atelier. Notre problématique se situe dans la gestion du stock amont à l’atelier montage. 45 s

Aide au paramétrage d’un pilotage réactif Problématique Poste 1 Poste 2 Poste 3 Poste 4 Poste 5 Liste des véhicules à fabriquer Contraintes d’équilibrage Lisser les caractéristiques Minimiser les non respects de contraintes d’équilibrage Lisser les véhicules « lourds » Respecter l’ordre prévu Les stocks amonts à l’atelier montage sont pilotés par des applications informatiques assurant la supervision et la gestion de la ligne de production. Ces applications ont en charge d’engager les véhicules à fabriquer en respectant au mieux les paramètres des opérateurs (« pilotes de flux »). La problématique consiste, à partir d’une liste de véhicules à produire et à partir des contraintes d’équilibrage (cadences maximales de production à respecter pour des ressources difficiles à assembler), à proposer un paramétrage adéquat afin de : lisser les caractéristiques ( lisser l’utilisation des ressources), respecter les contraintes d’équilibrage ( respecter les capacités de production), lisser les véhicules « riches » ( lisser la charge de travail), respecter l’ordre prévu ( respecter la synchronisation), L’objectif est de proposer une méthode ou un outil qui, en fonction de quelques critères « subjectifs », propose un paramétrage adapté aux besoins des pilotes de flux. 1 min Baratou, 1998

Aide au paramétrage d’un pilotage réactif État de l’art des méthodes d’optimisation multicritères Nb de combinaisons: 3.10146 Nous pouvons classer les méthodes d’optimisation multicritères selon la hiérarchisation décrite par Talbi. Pour commencer, nous nous sommes interrogés sur la meilleure méthode à appliquer pour répondre à notre cas d’étude. De manière optimale, les pilotes de flux souhaitent être « bon » partout. Mais, pour faciliter la recherche, ils devront être capable d’ordonner leurs objectifs par ordre de priorité. L’impossibilité de définir des poids précis à chacun des critères et au vue du nombre de « bonnes solutions », nous nous orienterons vers l’application d’une méthode interactive. Algorithmes exactes : le nombre de combinaisons à tester dans une situation réelle est évalué à environ 3.10^146. Il est donc impossible d’envisager d’utiliser un de ces algorithmes. Heuristiques spécifiques : Une étude détaillée des différents paramètres à positionner dans l’algorithme nous a montré qu’il était difficile de définir une technique capable d’orienter la recherche vers une bonne solution. Nous nous sommes donc orientés vers l’étude d’une méthode d’optimisation hybride. Elle consiste à combiner les avantages de différentes heuristiques ou méta heuristiques. Comme le nombre de combinaisons est très important, nous avons besoin d’un algorithme assurant une couverture suffisante de notre espace de recherche. Lors de notre étude des paramètres de l’application, nous avons pu dégager des informations susceptibles de pouvoir améliorer un paramétrage localement. Enfin, pour transformer notre problème multiobjectif en un problème uni-objectif, nous avons opté à l’agrégation. 1 min 45 s

Aide au paramétrage d’un pilotage réactif La fonction d’évaluation à minimiser [0;1] Indicateur global (agrégation de nos indicateurs de performance) Ensemble de bonnes solutions Solution optimale pour notre jeu d’essai Comme nous venons de le préciser, pour guider la méta heuristique, nous avons dû définir une fonction d’évaluation d’un paramétrage. Cette fonction attribue une « note », valeur comprise entre 0 et 1, comme représentatif de la qualité d’un paramétrage (0 : solution optimale, 1 : solution la plus mauvaise). Elle correspond à l’agrégation de 4 indicateurs de performance. Chacun de ces indicateurs décrit un comportement souhaité par l’opérateur (Lissage des ressources, Respect des contraintes d’équilibrage, Respect de l’ordre établie et Lissage des véhicules « lourds »). Pour vous montrer à quoi ressemble un espace, nous avons effectuer un parcours exhaustif de tous nos paramètres pour un jeu d’essai restreint (100 véhicules et 4 contraintes d’équilibrage). Nous pouvons constater que nous avons une zone de « bonnes » solutions et que la solution « optimale » se situe dans cette zone. 1 min Nombre d’évaluations : 48 340 000 Temps de calcul : 16 h 22 min 21 s

Aide au paramétrage d’un pilotage réactif couplage local – global Utilisation d’une méthode de recherche locale à chaque itération d’une méthode de recherche globale Gradient avec le choix d’un des meilleurs voisins Algorithme Génétique Une méthode d’optimisation multicritère hybride consiste à combiner les avantages de plusieurs heuristiques ou méta heuristiques. Nous avons opté pour le couplage d’une méthode de recherche globale avec une méthode de recherche locale. Pour cela, nous avions 2 possibilités : Soit nous appliquons la recherche locale sur les résultats obtenus lors de la recherche globale Soit nous appliquons à chaque itération d’une recherche globale une recherche locale pour améliorer chacun des éléments sélectionnés. La première solution ne nous a pas donné les résultats escomptés. Cependant, la deuxième solution a l’air d’être nettement plus prometteuse dans le cadre de notre problématique. Locale : Nous avons choisi deux algorithmes, un basé sur le principe du recuit simulé et un autre sur le gradient. L’avantage du recuit simulé est de pouvoir éventuellement sortir d’une crevasse (une zone où l’amélioration des résultats ne paraît plus possible), son inconvénient est la difficulté de trouver les bons paramètres à appliquer (Tmin, Tmax et R). Globale : nous avons utilisé un algorithme génétique car il est reconnu pour offrir une bonne exploration de l’espace de recherche. 1. Définir une population initiale (avec un ensemble de solutions calculées) 2. Optimiser localement chacun des individus de la population 3. Procéder à l’algorithme génétique (sélection, croisement, mutation) 4. On reboucle sur l’optimisation locale Le couplage , dans notre étude, est la seule technique à avoir atteint le paramétrage optimal. (dans notre exemple, en 42721 évaluations). 3 min Convergence Du couplage

Aide au paramétrage d’un pilotage réactif Conclusion Résultats avec des jeux d’essai (100 véhicules, 4 contraintes) Bons résultats Besoin de « bonnes » solutions initiales Adapté aux problèmes industriels Résultats sur un cas réel (Site de Madrid) 90% de gains potentiels Perspectives Intégration dans un outil industriel Parallélisation de cette méthode Amélioration de l’algorithme génétique Existe-t’il encore d’autres axes d’amélioration ? Méthode applicable à tout système réactif Conclusion : Comme nous venons de le voir, les méthodes d’optimisation multicritères hybrides semblent donner de bons résultats. Cependant, comme nous avons pu l’observer, les solutions initiales doivent être bien ciblées pour apporter de bonnes performances à une méthode de recherche locale (dans notre cas d’étude, nous avons dégagé 3 solutions initiales). Il serait intéressant d’étudier la possibilité de compléter ces solutions initiales  axe de recherche possible Notre étude a également montré que cette technique est applicable à des problèmes de taille industrielle. L’application de cette méthode à un problème concret a mis en évidence les gains potentiels (environ 90% par rapport à une méthode couramment utilisée dans la littérature « le goalchasing » et par rapport à notre fonction d’évaluation). Cependant, il faut faire attention, la méthode du « goalchasing » est rarement appliquée tel quelle. Pour conforter nos résultats, il nous faut poursuivre les tests avec des données réelles et comparer la qualité du flux en fin de journée sans cette méthode et avec cette méthode. Perspectives : Ce travail doit aboutir à la spécification et à la réalisation d’une application informatique utilisable en production. Puis, nous nous sommes demandés comment améliorer encore les résultats : Soit en intégrant des notions de probabilités dans le choix de gênes à croiser ou à muter. Soit en étudiant de nouvelles possibilités de couplage Soit en explorant de nouvelles méthodes d’optimisation (colonies de fourmis, SMA, …) Pour terminer, nous pouvons étendre notre méthodologie à tout système de production utilisant des applications réactives. 2 min 30

Aide au paramétrage d’un pilotage réactif Références bibliographiques Eds. Artiba A. and Elmaghraby S.E., The planning and scheduling of production systems : Methologies and applications, Chapman & Hall, 1998 Baratou P., Gestion réactive de stocks intermédiaires d’un flux de production automobile, Thèse de doctorat, Lille : LAIL, 1998 Renders J-M., Algorithmes génétiques et réseaux de neurones, applications à la commande de processus, Hermès, 1995 Talbi E., Métaheuristiques pour l’optimisation combinatoire multi-objectif : Etat de l’art, Lille : LIFL, 2001 C.S. Wiers V., A review of the applicability of OR and AI scheduling techniques in practice, Eindhoven : University of Technology, 1997 Aymeric.lesert@wanadoo.fr MERCI DE VOTRE ATTENTION Des questions ?