80 likes | 194 Views
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. Aymeric Lesert DEA Intelligence Artificielle et Optimisation Combinatoire.
E N D
Aide au paramétrage d’un pilotage réactifAppliqué 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 Aymeric Lesert DEA Intelligence Artificielle et Optimisation Combinatoire En partenariat avec le service Avance de Phase du groupe PSA Peugeot-Citroën
Aide au paramétrage d’un pilotage réactif Stock Stock Montage Ferrage Peinture • Contexte industriel
Aide au paramétrage d’un pilotage réactif Poste 3 Poste 5 Poste 1 Poste 2 Poste 4 Lisser les caractéristiques Minimiser les non respects de contraintes d’équilibrage Lisser les véhicules « lourds » Respecter l’ordre prévu Liste des véhicules à fabriquer Contraintes d’équilibrage • Problématique Baratou, 1998
Aide au paramétrage d’un pilotage réactif Nb de combinaisons: 3.10146 • État de l’art des méthodes d’optimisation multicritères
Aide au paramétrage d’un pilotage réactif Ensemble de bonnes solutions Solution optimale pour notre jeu d’essai • La fonction d’évaluation à minimiser [0;1] • Indicateur global (agrégation de nos indicateurs de performance) Nombre d’évaluations : 48 340 000 Temps de calcul : 16 h 22 min 21 s
Aide au paramétrage d’un pilotage réactif Gradient avec le choix d’un des meilleurs voisins Algorithme Génétique Convergence Du couplage • couplage local – global • Utilisation d’une méthode de recherche locale à chaque itération d’une méthode de recherche globale
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
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