Recherche Opérationnelle Société Française de Recherche Opérationnelle : ROADEF .
1 Thèse Recherche Opérationnelle 2003 Gestion dynamique dun portefeuille de commandes Par Claude...
-
Upload
vivienne-munoz -
Category
Documents
-
view
103 -
download
0
Transcript of 1 Thèse Recherche Opérationnelle 2003 Gestion dynamique dun portefeuille de commandes Par Claude...
1Thèse Recherche Opérationnelle 2003
Gestion dynamique d’un portefeuille de commandes
Par Claude YUGMA
2Thèse Recherche Opérationnelle 2003
Problématique
Entreprise travaillant à la commande
Caractéristiques techniques de la commande
Date de livraison souhaitée
Contraintes de l'Entreprise
Faisabilité de la commande
Capacité de production: disponibilité des ressources, charge de travail en cours
Exigences du Client
3Thèse Recherche Opérationnelle 2003
ProblématiqueNégociation des dates de livraison
2) Client Entreprise
Le client fixe la date de livraison voulue
L’entreprise peut accepter ou refuser la commande proposée.
Remarque : la négociation ne s’arrête pas uniquement à une réponse binaire « oui » ou « non » d’une des deux parties. Les dates, les prix sont négociables.
1) Entreprise Client
L'entreprise propose une date de livraison (due date assignment)
Le client peut l'accepter ou la refuser
4Thèse Recherche Opérationnelle 2003
Problématique
Nous nous plaçons dans le cas où: le client impose une date de livraisonl'entreprise accepte ou refuse.
Une commande acceptée et livrée à l’heure dégage une marge (le gain).
L’entreprise se voit retenir des pénalités en cas de retard de livraison.
Ceci pour conserver de bonnes relations avec le client On a prévu des pénalités au moment de la commande
5Thèse Recherche Opérationnelle 2003
Problématique
Comment sélectionner et ordonnancer les commandes de sorte à maximiser le gain ?
On a donc un problème de sélection et un problème d’ordonnancement
Sélectionner les commandes qui seront acceptées par l’entreprise.
Ordonnancer ces commandes de sorte à maximiser le profit.
6Thèse Recherche Opérationnelle 2003
Problématique Exemple
2
1
3
1 2 3
Gain total=15+50+(30-20)=753
2
Gain total=50+30=80
2 3
3 commandes C1(10,15,20) C3(25,30,40)C2(15,50,30)
Pénalité fixe et égale à 20Pi Gi di
7Thèse Recherche Opérationnelle 2003
Plan
Modélisation du problème dans un contexte statique
Etat de l’art des problèmes présentant des similitudes
Résolution par des méthodes exactes
Résolution par des heuristiques
Contexte dynamique
Conclusion & perspectives
8Thèse Recherche Opérationnelle 2003
Plan
Modélisation du problème dans un contexte statique
Etat de l’art des problèmes présentant des similitudes
Résolution par des méthodes exactes
Résolution par des heuristiques
Contexte dynamique
Conclusion & perspectives
9Thèse Recherche Opérationnelle 2003
L'entreprise comporte un poste (atelier) goulot
problème à une machine
On se place dans un contexte statique• on a un portefeuille de commandes sur lesquelles l'entreprise
doit statuer• pour chaque commande , on connaît
le temps de process , la date de livraison voulue par le client , le gain
la pénalité
Modélisation
n
idig
ip
i
)( ii Tfi fixe
iiTw linéaire
10Thèse Recherche Opérationnelle 2003
Formulation du problème
1) le meilleur sous ensemble de commandes à accepter et
2) un ordonnancement
S
S
Le Problem of Selection and Scheduling (PSS) consiste à:
retard de la commande dans l’ordonnancement
iiT
))(( ii
Sii Tfg
gain pénalités
De sorte à maximiser
où
11Thèse Recherche Opérationnelle 2003
Reformulation du problème
i
iiii UTfg ))(,min(
Le Problem of Scheduling (PS) consiste à déterminer un ordonnancement pour les commandes de sorte à minimiser
Où iU
1 si la tâche i est en retard dans
0 sinon
12Thèse Recherche Opérationnelle 2003
Reformulation du problème
Lemme: Le problème (PSS) et (PS) sont équivalents : une solution optimale de (PSS) peut être transformée en temps polynomial en une solution de (PS) et vice versa.
Le (PS) généralise 2 problèmes connus de la littérature
iiii UTfg ))(,min(1 iiTw1
iiUg1
13Thèse Recherche Opérationnelle 2003
Plan
Modélisation du problème dans un contexte statique
Résolution par des méthodes exactes
Résolution par des heuristiques
Contexte dynamique
Conclusion & perspectives
Etat de l’art des problèmes présentant des similitudes
le problème de minimisation du retard
le problème de minimisation de tâches
iiTw1
iiUw1
14Thèse Recherche Opérationnelle 2003
Problème 1||wiTi
Lawler (1977) Algorithme pseudo polynomial par la programmation dynamique O( ) ( pour le cas )Pn4 1iw
Emmons relations de dominance (position relative des tâches)
Du et Leung (1990) NP-Difficile au sens ordinaire pour le cas wi=1.
Lawler (1977), Lenstra, Rinnooy Kan & Brucker:
est NP-Difficile au sens fort. ni
iiTw,1
1
15Thèse Recherche Opérationnelle 2003
Problème 1||giUi
Karp (1972) : NP-Difficile au sens ordinaire.
Lawler & Moore (1969) : Algorithme pseudo -polynomial par la programmation dynamique . )( 3 ignO
Moore & Hodgson (1968): Algorithme polynomial où 1ig
)log( nnO
Baptiste (1999) : montre que le problème en et pour le problème une complexité de où et k est le nombre distincts de
iiii Ugrpp ,1
)log( 3 nnO iii Ugpmtnr ,1
)( 22GnkO igG ir
Karger (1997) proposa une FPTAS
16Thèse Recherche Opérationnelle 2003
Modélisation du problème dans un contexte statique
Etat de l’art des problèmes présentant des similitudes
Résolution par des heuristiques
Contexte dynamique
Conclusion & perspectives
Plan
Résolution par des méthodes exactes Complexité du problème
Programmation linéaire
Branch and Bound
Programmation dynamique
17Thèse Recherche Opérationnelle 2003
Cas des pénalités fixes
Théorème: le problème de sélection et d ’ordonnancement avec des pénalités fixes est NP-difficile au sens ordinaire.
Idée de la preuve: le problème avec des pénalités fixes se ramène au problème qui est NP-difficile au sens ordinaire.
iiUw1
Quelques cas particuliers
Si où est le minimum des gains min)( gTf ii ming iU1
Si où est le maximum des gains et les dates de livraison identiques Knapsack.
max)( gTf iii maxg
Le problème s’écrit oùproblème qui est résolu en .
iiUw1
) , min(i i ig w
)( iwnO
Ce problème admet une FPTAS
18Thèse Recherche Opérationnelle 2003
Cas des pénalités linéaires
Théorème: le problème de sélection et d’ordonnancement avec des pénalités linéaires i.e. est NP-difficile au sens fort.
iii TTf )(
Idée de la preuve: la réduction se fait à partir du problème qui est un problème NP-difficile au sens fort.
iiTw1
On part d’une instance de NP-difficile au sens fort
iiTw1),,,( KwdpI iii
On construit l’instance I’iiii TwTf )(
ii pp '
''ii pd
)(' iii pwg
KgK i '
Il s’agit de montrer l’existence d’une sélection S et d’un ordonnancement qui garantissent un profit ssi il existe un ordonnancement pour l’instance I avec un retard inférieur à K
S
19Thèse Recherche Opérationnelle 2003
Cas des pénalités linéairesFormulation linéaire
Les contraintes
jix
iy
iz
yMdpxz
ix
jixx
ij
i
i
jiijjiii
ii
jiij
,1,0
,1,0
,0
))1((
,1
,1
(1)
(2)
(3)
(4)
(5)
(6)
Résolu avec Cplex 5 sur un ordinateur Pentium II
i j
,0
,1ijx
précède
sinon
Variables de décision :
rejeté
acceptéyi ,0
,1
)( iii
i zyg maxFonction objectif
iz Coûts de pénalité
20Thèse Recherche Opérationnelle 2003
Tests expérimentaux
iii TTf )(ii pg
Les suivent une loi Gaussienne deip )100,200(N
...
Comparaison des temps d exécution 200t
Nbre commandes
15
20
23
10
PL1 PL2
25.47 s
>15 mns 0.79 s
>30 mns 30.33 s
0.78 s
0.53 s 0.05 s
Optimale
2087
4739
4161
3568
100tRésultats des tests pour
OptimaleNbre commandes Tps d’exécution
14
12
10
>30 mns
5.13 s
1.27 s
1.20 s
13
1161
1689
1541
ii ptid *t
21Thèse Recherche Opérationnelle 2003
•Les tâches en retard:Si 2 tâches consécutives i et j sont en retard et même en les interchangeant alors il est dominant de les placer par croissants
i
i
w
p
Branch and Bound
•Si une tâche i est telle que , alors elle est rejetéeiii gTw
• Les tâches à l’heure :• Si 2 tâches consécutives i et j sont à l’heure avec j placée avant i et
alors il est dominant de les placer par EDD (Emmons)ji dd
22Thèse Recherche Opérationnelle 2003
Branch and Bound
Pour la tâche i, la date à laquelle le gain devient nul est :
i
iii w
gdD
Considérons le problème en prenant Di comme due date (rappel : pseudo-polynomial). Soit V l’optimum.
iiUg1
Théorème: La valeur de l’objectif du problème de sélection et d’ordonnancement est bornée par Vgi
t
Profit
di Di
gi
23Thèse Recherche Opérationnelle 2003
Calcul: borne supérieure
Calcul de la borne:
NP-Difficile [Lawler & Moore (1969), algorithme pseudo polynomial ]
iiUg1
)( 3 ignO
Calculer la borne peut prendre un temps relativement élevé
Nous faisons le choix d’un calcul rapide de la borne au détriment de sa précision heuristique, relaxer la borne
T1
1
T2
4
T3
8 10
T4 T1
1
T2
4
T3
8
T4
6
Max pi
Rejeter
Min wi
24Thèse Recherche Opérationnelle 2003
Tests expérimentauxContribution de la borne
3483 0.01 s20873479
5077862 2.08 s41614991039
30 mn84621447436881
1447436918
n Sans borne
Nnavec borne
Nn
opt temps
10
20
30
200tCas
La borne supérieure n’est pas efficace !
Néanmoins le traitement va jusqu’à 30 tâches !
n Sans borne
Nnavec borne
Nn
opt temps
10
20
30
3209
818375
24245330
3164
816008
24245317
1161
2200
5751
0.01 s
0.85 s
25.3 mn
100tCas
25Thèse Recherche Opérationnelle 2003
Programmation dynamique
Le problème traité est constitué d’un problème de sélection et d’un problème d’ordonnancement :
On s’intéresse à une situation un peu différente
Si on se fixe une séquence, comment trouver le meilleur sous-ensemble ?
Lemme: le problème ainsi défini est NP-difficile au sens ordinaire.
i
iiTw1 Si on se fixe l’ensemble S à sélectionner on cherche le meilleur ordonnancement
26Thèse Recherche Opérationnelle 2003
Programmation dynamique
avec
),1()(
),1(max),(
)()()()( )( iiii ptiGdptfg
tiGtiG
i
Le programme est en )( PnO i
ipP
Soit une séquence fixée , la ième tâche )(i
)()...2(),( ni Notons : gain maximal que l’on peut obtenir sur
t: représente la date de début de l’ordonnancement
),( tiG
)1( i)(i )(n)2( i
)1( i )3( i)2( i )2( n
27Thèse Recherche Opérationnelle 2003
Cas particulier , , on se fixe séquence EDD
Tests expérimentaux
ii pg iii TTf )(200t
Propriété: La séquence EDD est dominante lorsque les gains sont égaux au temps des tâches, et les pénalités linéaires.
n DP B&B Tps DP Tps B&B
10
20
30
2087
4161
4529
2087
4161
4529
0.01 s
0.03 s
0.09 s
0.01 s
0.79 s
30 min
100 10093 ?? 1 s ??
Corollaire: Sous ces hypothèses, la PD sur EDD permet d’obtenir la meilleure sous-séquence.
28Thèse Recherche Opérationnelle 2003
Modélisation du problème dans un contexte statique
Etat de l’art des problèmes présentant des similitudes
Résolution par des méthodes exactes
Contexte dynamique
Conclusion & perspectives
Plan
Résolution par des heuristiquesiiTw1Heuristiques proches de
Un recuit simulé
29Thèse Recherche Opérationnelle 2003
Approche par des heuristiques
Il existe dans la littérature des algorithmes de liste basés sur des règles de priorité pour iiTw1
iiTw1Le problème traité est proche du problème
COVERT
ATC
WPD
GPD
Rôle Définition fonction
Apparent Tardiness Cost
Gain Processing Due date
Weighted Processing Due date
Weighted Cost Over Time
)max(ii
i
dp
w
))),0max(
1,0max(max(i
ii
i
i
kp
ptd
p
w
))),0max(
exp(max(pk
ptd
p
w ii
i
i
)max(ii
ii
dp
gw
Algorithmes fournissant de bons résultats Adaptation au problème.
30Thèse Recherche Opérationnelle 2003
Adaptation des algorithmes
On rappelle que pour une tâche i est la date qui annule le profit i
iii w
gdD
iii Ddd )1( On fixe des deadlines
Pendant la construction dynamique de la solution dès qu’une tâche i est sélectionnée pour être ordonnancée on la compare à :
id
ii dC La tâche est rejetée
Sinon elle est acceptée
31Thèse Recherche Opérationnelle 2003
Tests expérimentaux
200t
32Thèse Recherche Opérationnelle 2003
Tests expérimentaux
100tgi indépendants de pi
33Thèse Recherche Opérationnelle 2003
Un recuit simulé
Pour cette technique, nous avons besoin de définir les voisinages de recherche.
On dira que 2 séquences sont voisines si l’une peut être obtenue par transposition de 2 tâches
L’espace de recherche est l’ensemble des séquences sur [1…n]. Pour une séquence donnée, il y a O( ) voisins2n
Les tests expérimentaux ont montré que les heuristiques sont intéressantes. Compromis entre optimisation et heuristique: recuit simulé
34Thèse Recherche Opérationnelle 2003
Le recuit simulé
G( ): est le meilleur gain obtenu par PD sur la séquence
Le principe de l’algorithme est le suivant:
Choisir y au voisinage de et calculer G = G(y) - G() Si G > 0 remplacer : y
Si G(y) > G(meilleur) alors meilleur y fin Si
Sinon accepter y avec une certaine probabilité (Boltzmann)
35Thèse Recherche Opérationnelle 2003
Tests expérimentaux
Comparaison Recuit & PD 100t
36Thèse Recherche Opérationnelle 2003
Plan Modélisation du problème dans un contexte statique
Etat de l’art des problèmes présentant des similitudes
Résolution par des méthodes exactes
Résolution par des heuristiques
Conclusion & perspectives
Contexte dynamiqueRésolution par la méthode du statique itératif
37Thèse Recherche Opérationnelle 2003
Contexte dynamique
Les commandes arrivent au fil de l’eau dans l’entreprise
On connaît
le portefeuille de commandes déjà accepté i.e.
différentes commandes qu’il faut réaliser
le mix prévisionnel
Les proportions pour chaque famille de produits
Entreprise
Comment décider d’accepter ou refuser une commande?
38Thèse Recherche Opérationnelle 2003
Le statique itératif
Principe: A chaque instant de décision le décideur fixe un certain nombre de paramètres et prend une décision sur des données déterministes en respectant les contraintes tout en cherchant à optimiser son objectif.
2 événements correspondant aux décisions à prendre
Une commande arrive
Disponibilité de la machine
Accepter ou refuser
Quoi ordonnancer ?
39Thèse Recherche Opérationnelle 2003
Statique itératif
Evénement 1
Commande arrive ??
Horizon
Portefeuille + commande en cours + k tâches fictives
Machine
Tâche en exécution
Tâches dans le portefeuille
Tâches fictives
Tâche en cours d’exécution
40Thèse Recherche Opérationnelle 2003
Statique itératif (suite)
Horizon
Fin d’exécution d’une tâche
Portefeuille + k tâches fictives
Evénement 2
L’algorithme calcule au fur et à mesure le gain généré G1.
On mémorise l’ensemble des tâches reçues. A posteriori, on fait tourner l’heuristique ATC sur cet ensemble, G2
Performance=2
1
G
G
Fin d’exécutionMachine disponible
Performance de l’algorithme
41Thèse Recherche Opérationnelle 2003
Protocole des tests
Nous avons considéré qu’il y a 3 Familles de produits
f1 a une durée moyenne de 30, un mix de 20%
f2 a une durée moyenne de 100, un mix de 30%
f3 a une durée moyenne de 200, un mix de 50%
Moyenne des durées des tâches 136
Le temps de travail effectif est fixé à 150000
travail global
Le nombre moyen de commandes
L’inter arrivée est 1251213
150000
1213136
165000
165000150000*)1.01(
42Thèse Recherche Opérationnelle 2003
Résultats des tests
43Thèse Recherche Opérationnelle 2003
Plan
Modélisation du problème dans un contexte statique
Etat de l’art des problèmes présentant des similitudes
Résolution par des méthodes exactes
Résolution par des heuristiques
Contexte dynamique
Conclusion & perspectives
44Thèse Recherche Opérationnelle 2003
Conclusion & perspectives
Nous avons étudié un nouveau problème d’ordonnancement qui est un mix entre le retard et le nombre de tâches en retard pour 2 types de pénalités
Pour les 2 types de pénalité le problème est NP-difficile, et au sens fort pour des pénalités linéaires.
Pour le résoudre nous avons proposé une résolution par des méthodes exactes et approchées.
Programmation linéaire en nombres entiers 20 tâches
Procédure par séparation et évaluation progressive 30 tâches
45Thèse Recherche Opérationnelle 2003
Conclusion
Pour tenter d’améliorer le nombre de tâches à traiter nous avons proposé des méthodes heuristiques
En dynamique où les commandes arrivent au fil de l’eau nous avons proposé une méthode de statique itératif. Les tests ont montré que les résultats sont intéressants par rapport au ratio indiqué.
Ces heuristiques sont issues de .
Nous avons adapté ces heuristiques au problème. L’adaptation donne de bons résultats
Un recuit simulé basé sur des séquences a été proposé et fournit des résultats intéressants
iiTw1