1 / 25

Les Systèmes Multi-Agents pour la Gestion de Production

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. Gestion de production descendante.

jania
Download Presentation

Les Systèmes Multi-Agents pour la Gestion de Production

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


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

  2. Contenu • Les problèmes à résoudre • Cahier des charges • Solutions multi-agents • Conclusion

  3. 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

  4. 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

  5. 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

  6. 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

  7. Eco-résolution et optimisation:Le modèle Le problème à résoudre Systèmes multi-agents Optimisation par recuit simulé

  8. 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

  9. 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 • si f(c1)≥f(c2) alors accepté • sinon • si rand[0,1]<exp((f(c2)-f(c1))/T(k)) alors accepté • sinon refusé

  10. Ordonnancement d’atelier flexible: MARSA

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

  12. 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)

  13. 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

  14. 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

  15. 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

  16. 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

  17. 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.

  18. 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.

  19. 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

  20. 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

  21. 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

  22. 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

  23. 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

  24. Perspectives • Actuellement: • 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)

  25. 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)

More Related