Optimisation des horaires de personnel

Slides:



Advertisements
Présentations similaires
Résolution de problèmes et logiciel de calcul symbolique
Advertisements

10/31/02 Leïla Merghem - LIP6 Une approche Multi-Agents pour la Simulation de Réseaux de Télécommunications Leïla Merghem (LIP 6) Dominique Gaïti (LIP.
SIMBIO vers des outils logiciels collaboratifs pour réussir le grenelle dans le bâtiment.
Introduction aux réseaux informatiques
MANAGER LES RESSOURCES HUMAINES
Atelier régional des Nations Unies sur le traitement des données de recensement: les technologies modernes pour la saisie et la correction des données.
Organisation des Masters du Pôle Info 3
2002 Compétitif XMiner : Plate-forme de structuration texte libre multi-approches par balisage XML de Tags Actifs Lobjectif du projet est de développer.
Application de réseaux bayésiens à la détection de fumées polluantes
Equipe optimisation TempoSoft
Algorithmique du Network Calculus Participants : Laurent Jouhet et Eric Thierry Le Network CalculusLes objetsLes opérations Etat de lartObjectifs Premiers.
Présentation de l’enseignement de « Gestion et Information » Présentation conçue par : Sophie Da Costa Philippe Louchet Éric Noël Marie-Claude Rialland.
Visualisation d’information interactive 5 : Graphes
HORAIRES HEBDOMADAIRES PROPOSES Spécialité Gestion 3 heures en classe entière 2 heures en demi - groupe Soit 5 heures - élève Spécialité Communication.
Optimisation dans les télécommunications
A.Faÿ 1 Recherche opérationnelle Résumé de cours.
Génération de coupes pour la planification d’agents
Ordonnancement des mouvements de deux robots
Recherche heuristique de similitudes dans les séquences dADN École Jeunes Chercheurs en Algorithmique et Calcul Formel Laurent Noé
Génération de colonnes
Introduction aux CMS.
Introduction Modélisation Utilisation dun ensemble de relations mathématiques pour refléter le plus adéquatement possible une situation réelle Compromis.
L'emploi du temps au service du Projet d'établissement
UNIVERSITE DES SCIENCES ET DE LA TECHNOLOGIE D’ORAN
Introduction au Génie Logiciel
1. Spécialisation de GeoConcept
Algorithmique et Programmation
Sommaire Objectif de Peakup Principes de fonctionnement
Journée thématique du GDR IFS « Réduction de modèle en IFS » ENSAM – Jeudi 18 mai 2006 Validation de l’approche de la réduction a priori - POD sur l'équation.
Le Reengineering.
Séminaire de lobjectif « forage et production » Beaune, les 26,27 et 28 Avril 2000 Outils danalyse statistiques « programmation par lexemple » S. Canu,
La gestion par activités (ABM)
Les méthodes d’aide à la décision en recherche opérationnelle
RECHERCHE COMMERCIALE
Mise en oeuvre des MMCs L'utilisation des MMCs en reconnaissance des formes s'effectue en trois étapes : définition de la topologie de la chaîne de Markov,
Leçon 1 : notion dobjet IUP Génie Informatique Besançon Méthode et Outils pour la Programmation Françoise Greffier Université de Franche-Comté.
GPA750 – Gestion de Projets
Génération de colonnes pour la résolution des problemes de foresterie
Conditions aux Frontières Ouvertes
Soutenance de stage 16 Mai au 5 Août 2011
ANALYSE METHODE & OUTILS
les méthodes de recherche locale
Amélioration de la simulation stochastique
Légende : vol (3 possibilités d’affectation) : possibilité d’affectation d’un niveau à un vol : niveau affecté à un vol : conflit potentiel rejeté : conflit.
Les méthodes d’aide à la décision en recherche opérationnelle
Foued Mnasri Weal Rekik
© Petko ValtchevUniversité de Montréal Février IFT 2251 Génie Logiciel Conception Hiver 2002 Petko Valtchev.
Groupe Supply Chain Midi-Pyrénées Coordination d’entreprises dans la chaîne logistique au niveau du Plan Industriel et Commercial (PIC) Présenté par: Roberta.
Initiation à la conception des systèmes d'informations
Programmation mathématique avancée
Recherches locales et méta-heuristiques
- 5 - Optimisation linéaire et non-linéaire
Décision incertaine et logistique : Grille typologique
Algorithmes génétiques en optimisation combinatoire
Présenté par : ABED Djemaa; BAKHOUIA Roqiya.
Logiciel pour la résolution des programmes linéaires : « LINDO »
1 Logiciels de confection automatique d’horaires.
Par Serge Gagné 4 types de contrôle 1) Contrôle physique des équipements (voir contrôle interne) 2) Contrôle du traitement de l ’information (voir contrôle.
INTRODUCTION AUX BASES DE DONNEES
Modélisation des problèmes complexes et Optimisation
Proposition de possibilité d’évolution de nos spécialités Deux projets (liés) : Projet 1 : Informatique Computationnelle – Etudiants 4 e et 5 e IR Projet.
L’entreprise et sa gestion
Modélisation des Actions Mécaniques Première sti2d
Programme linéaire - solution graphique
Des occasions de perfectionnement professionnel en cours d’emploi accessibles à tous les membres de l’organisation Analyse d’un échantillon d’études sélectionnées.
Programmation par contraintes Réalisé par: WETCHA Chaima MOKDED Mohamed Ali FIA3-GL-AL 1 1.
PRÉSENTATION AGL LES TESTS LOGICIELS LES TEST LOGICIELS 1 Mickael BETTINELLI Brandon OZIOL Gaétan PHILIPPE Simon LUAIRE.
GdR MoMaS Novembre 2003 Conditions d’interface optimales algébriques pour la vibro-élasticité. François-Xavier Roux (ONERA) Laurent Sériès (ONERA) Yacine.
Transcription de la présentation:

Optimisation des horaires de personnel Bernard Gendron Université de Montréal

Domaines d’application Transport en commun Transport aérien Administration de la santé Chaînes de magasins

Contribution de la RO A Montréal même, une expertise de plus de 30 ans dans ces domaines! Centre de recherche sur les transports GERAD Quelques compagnies Pourtant relativement peu connue RO : peu connue! Informatisation très lente dans de nombreuses organisations Situation aujourd’hui : RO : méthodes de plus en plus sophistiquées Essor d’Internet et progrès technologiques

Confection d’horaires Deux problèmes distincts : Décider des quarts de travail et du nombre d’employés à affecter en fonction des besoins à combler Décider des employés à affecter aux quarts de travail Le premier problème peut être résolu par : Apprentissage statistique (voir présentation de Yoshua Bengio au CIRANO) Modèles stochastiques et simulation Le deuxième problème est traité par des méthodes d’optimisation combinatoire

Optimisation combinatoire Programmation en nombres entiers Génération de colonnes Méthodes heuristiques Programmation par contraintes Méthodes hybrides

Objectifs à considérer Minimiser les coûts Maximiser la satisfaction des employés Satisfaire les exigences particulières Affecter les quarts de façon équitable Respecter l’ancienneté des employés Satisfaire des besoins particuliers Par exemple, affecter certains quarts en priorité à certaines catégories d’employés

Exemple simplifié I employés J jours K quarts de travail/jour Contrainte 1 : un employé/quart Contrainte 2 : Un quart de travail/jour pour chaque employé Contrainte 3 : Après un soir travaillé, pas de quart le lendemain matin 24 heures/jour (cas des salles d’urgence) Contrainte 4 : Après trois nuits travaillées, au moins trois jours de congés

Programmation en nombres entiers Définir les variables d’affectation : employé i affecté au quart k du jour j On peut facilement modéliser les trois premières contraintes avec ces variables La contrainte 4 est plus complexe Une première tentative (n’utilisant que les variables d’affectation) échoue : plusieurs situations valides seraient interdites Il faut ajouter des variables de succession

Programmation en nombres entiers Avantages Approche classique Extension de la programmation linéaire Algorithme de résolution éprouvé Algorithme exact Logiciels performants Désavantages Contraintes de succession difficiles à modéliser S’il y en a trop, difficile à résoudre! Objectif parfois impossible à exprimer comme une fonction linéaire des variables d’affectation

Génération de colonnes Modèle basé sur l’affectation d’horaires : employé i affecté à un horaire h Trop de variables : les générer de façon dynamique Les deux premières contraintes sont modélisées dans le problème maître : Programmation linéaire (en nombres entiers) Les deux autres contraintes sont modélisées dans le problème auxiliaire Souvent résolu par la recherche d’un plus court chemin avec contraintes additionnelles

Génération de colonnes Avantages Permet de modéliser aisément des situations complexes (contraintes de succession, objectif non linéaire,…) Algorithme exact Problème maître a une structure connue Algorithmes très efficaces pour le calcul de plus courts chemins Désavantages Développement et implantation peuvent être très longs S’il y a trop de contraintes additionnelles, le problème auxiliaire devient difficile à résoudre

Méthodes heuristiques Méthodes ne garantissant pas l’obtention d’une solution optimale Souvent basées sur la notion de voisinage A partir d’une solution, on atteint une solution voisine par une modification Exemple : échanger les affectations de deux employés Générer une première solution (plusieurs contraintes peuvent être violées!) Passer d’une solution à une autre voisine En tentant d’améliorer l’objectif En tentant de réduire la violation des contraintes

Méthodes heuristiques Avantages Simples à concevoir Souvent très efficaces, si elles obéissent aux principes fondamentaux des métaheuristiques Permet de s’affranchir des logiciels commerciaux (économie de $...) Désavantages Implantation efficace : un art Aucune garantie d’optimalité (écart à la solution optimale?) S’il y a trop de contraintes, difficile de trouver des solutions

Programmation par contraintes Variables à domaine fini : employé i affecté au quart k du jour j Contrainte Exprime des relations de toute nature entre les variables et leurs domaines Lorsque le domaine d’une variable est réduit, déclenche un algorithme de propagation pour réduire les domaines d’autres variables Algorithme de recherche Réduit les domaines des variables Propage l’effet de ces réductions au moyen des contraintes

Programmation par contraintes Avantages Permet de modéliser toutes sortes de contraintes Souvent efficace lorsqu’il y a un grand nombre de contraintes difficiles à satisfaire simultanément Algorithmes de recherche pouvant s’adapter à des méthodes exactes ou heuristiques Désavantages Difficile d’implanter des contraintes efficaces Domaine relativement jeune (intéressant pour les chercheurs, mais pas pour les praticiens…) N’exploite pas encore très bien les algorithmes éprouvés en RO

Méthodes hybrides Combiner heuristique et programmation par contraintes Explorer des solutions par une heuristique à base de voisinage Explorer chaque voisinage au moyen de la programmation par contraintes Combiner génération de colonnes et programmation par contraintes Résoudre le problème auxiliaire au moyen de la programmation par contraintes Diriger la recherche de solutions du problème auxiliaire pour faciliter la résolution du problème maître

Application 1 : médecins d’urgence Deux hôpitaux de la région montréalaise Programmation en nombres entiers Heuristique en trois phases Affecter les fins de semaine Affecter les nuits Affecter les autres quarts Certaines contraintes sont dures, mais la plupart sont molles Force de la méthode : capacité de prendre en compte simultanément un grand nombre de contraintes

Application 1 : médecins d’urgence Premier cas (1995-98) Collaboration des médecins Implantation informatique rudimentaire Absence de budget pour poursuivre Deuxième cas (1999-2001) Intérêt de la DSP Implantation informatique incluant interface graphique et base de données Logiciel de programmation en nombres entiers jugé trop coûteux Développement d’une méthode heuristique sans logiciel de programmation en nombres entiers (2001-2004)

Application 2 : SAQ 400 magasins et 3000 employés Division par région Un même employé peut travailler dans plusieurs succursales d’une même région On traite les employés l’un après l’autre, par ordre d’ancienneté Pour chaque employé, on résout un modèle de programmation en nombres entiers Une méthode exacte est nécessaire car une solution optimale doit être identifiée!

Application 2 : SAQ Interface accessible dans chaque succursale via le Web Base de données centralisée qui reçoit les données et transmet les résultats aux succursales Base de données communique avec le moteur d’optimisation via des fichiers Nouvelles contraintes faciles à intégrer au modèle grâce aux librairies pouvant être intégrées au code C++ Implantation depuis septembre 2002

Caractéristiques des applications Environnement syndiqué Règles rigides et souvent complexes Méthode exacte souvent nécessaire Satisfaction des employés et ancienneté Environnement non syndiqué Règles flexibles Méthodes heuristiques intéressantes Équité entre employés (mais pas toujours) Demande variable : combiner la résolution des deux problèmes mentionnés au début

Conclusions Questions de recherche Progrès en pratique Programmation par contraintes Méthodes hybrides Demande variable Progrès en pratique Interface Web et base de données Moteur d’optimisation communiquant avec la base de données Progrès continus dans les méthodes d’optimisation combinatoire