Ordonnancement des blocs operatoires avec des durations floues et des dates limites floues

1. GISEH 2010 Ordonnancement des blocs operatoires avec des durations floues et des dates limites floues Mejdi SOUKI Faculté des Sciences Économiques et de Gestion de Sfax E-mail: mejdisouki@gmail.com Conférence Francophone Gestion et Ingénierie des SystèmEs Hospitaliers, Clermont-Ferrand, France, 2, 3 et 4 septembre 2010.

2. Contexte et Problématique • L’environnement hospitalier • L’évolution contenue, augmentation des coûts, problèmes de productivité. • Le bloc opératoire • La ressource la plus critique • Consomme le plus grand budget Bloc opératoire 1 2 3

3. Contexte et Problématique • Objectif de ce travail : • Prise en compte de l’imprécision dans l’ordonnancement du bloc opératoire • Dates limite des interventions • Durées de l’intervention et du réveil des patients • Les paramètres temporels sont représentés par des nombres triangulaires flous • Date début et date fin des interventions et de réveil des patients • La fonction objectif

4. Contexte et Problématique • Model d’ordonnancement du bloc opératoire • Avec la contrainte no-wait, la date d’achèvement flou du réveil du patient i : • Le retard flou de l’intervention i : • La fonction objectif du modèle d’ordonnancement flou du bloc opératoire traité : • minimisation de la somme pondérée de la somme totale pondérée des dates d’achèvement floue des patients dans le bloc opératoire et de la somme du retard flou

5. Approches de résolution • Préliminaires : • Utilisation des opérateurs d’addition et de soustraction de deux intervalles flous • Utilisation de la méthode deLiou and Wang (1992) pour la comparaison de deux intervalles flous utilisant la valeur intégrale totale. • Approches de résolution : • Algorithme génétique (Reeves, 1995) • Recherche à voisinage variable (Hansen et Mladenovic, 2001) • Iterated greedy algorithm (Ruiz et Stutzle, 2007) • Nouveau principe de Recherche à voisinage variable

6. Approches de résolution Algorithm 1: VNS_2 S← Generate_initial_solution; S1←Swap_Perturbation (S); While (Stoping condition not satisfied) // Local_search S2←Swap_moves (S1); S3←Insert_moves(S2); If (fitness (S3) < fitness (S)) S←S3; S1←Swap_Perturbation (S); Else S1←Insert_Perturbation (S); End_if End_while

7. Approches de résolution Algorithm 2:INSERT_MOVES (s) i←0; While (i<N) s’ ← s; Cpt_SANS_AML ←0; AML←0; While ((Cpt_SANS_AML < Cpt_Max_Li) et (AML==0)) j← Random_position (j!=i); s’ ← insérer l’intervention de la the position i dans la position j; • If (fitness(s’) < fitness(s)) • s ← s’; • AML←1; • Else Cpt_SANS_AML ++; • End_while • i ← i+1; • End_while • Returns;

8. Expérimentations Pourcentage moyen d’amélioration de méta-heuristiques par rapport à la meilleure solution trouvée par les heuristiques basées sur les règles de priorité version la pondération α Pourcentage moyen de déviation de méta-heuristiques par rapport à la meilleure solution trouvée version la pondération α

9. Merci pour votre attention