Proposition d’une nouvelle architecture des systèmes multi … · 2016. 6. 13. · Mr BOUAMRANE Karim Maître de Conférences, Université d'Oran, ES-Sénia, Algérie (Examinateur)

MINISTERE DE L'ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE

UNIVERSITE D'ORAN ES-SENIA

FACULTE DES SCIENCESDEPARTEMENT D'INFORMATIQUE

MEMOIRE

Présenté parMelle BOUHALOUAN DJAMILA

Pour obtenir

LE DIPLOME DE MAGISTER

Spécialité InformatiqueOption : Informatique et Automatique

Intitulé :

Soutenu le : / / à la salle de conférences de la faculté des sciences

Devant les membres du jury :

Mr BENHAMAMOUCH Djilali Professeur, Université d'Oran, ES-Sénia, Algérie

(Président)Mr BOUAMRANE Karim Maître de Conférences, Université d'Oran, ES-Sénia, Algérie

(Examinateur)r

(Examinateur)Mr BELDJILALI Bouziane Professeur, Université d'Oran, ES-Sénia, Algérie

(Rapporteur)Mme AISSANI Nassima Chargée de Cours, Université d'Oran, Algérie

Proposition d’une nouvelle architecture des systèmes multi-agents pour le pilotage des systèmes de production

Application des algorithmes génétiques hybrides

14 06 2009

BENYAMINA Abou Al HassaneM Maître de Conférences, Université d'Oran, ES-Sénia, Algérie

i

Remerciements

Le travail de recherche présenté dans ce mémoire a été effectué au Département d’Informatique au sein de l’équipe de l’Informatique et Automatique à l’université d’Oran Es-sénia. Il n’aurait pas pu aboutir sans le soutien des personnes que je remercie ici.

Tout d’abord, mes prières au DIEU tout puissant !..Je voudrais exprimer ma sincère double gratitude à Mr BELDJILALI Bouziane professeur à l’université d’Oran, sans qui je ne serais pas là où je suis aujourd’hui! , qui m’a offert la possibilité de rejoindre la Post-Graduation Informatique et Automatique et qui a accepté d’être le rapporteur de ce mémoire et m’a toujours soutenu dans mon travail. Je le remercie pour ses conseils judicieux et pour l’intérêt qu’il a porté à mon travail.

Un grand merci à mme AISSANI Nassima chargée de cours à l’ISP (Oran) pour avoir accepté de co-rapporter ce mémoire, pour m’avoir dirigée, guidée durant ce travail. Son aide scientifique, ainsi que ses conseils ont soutenu mon travail de recherche, je la remercie pour son engagement et sa patience, et sa disponibilité, c’était un plaisir de travailler auprès d’elle. Merci…

Que messieurs Djilali Benhamamouch1, Professeur au Département d'Informatique de l'Université d'Es-Sénia, Oran, Mr. Karim Bouamrane2, Maître de Conférences S au Département d'Informatique

3

Département d'Informatique de l'Université d'Es-Sénia, Oran, trouvent ici ma profonde reconnaissance pour m’avoir fait l’honneur d’être –respectivement – Président de jury1, Examinateurs2,3.

Je souhaite, de plus, exprimer ma gratitude à Mr. Amar Kateb (un merci tout particulier !) et MelleAmina qui ont partagé leurs connaissances avec moi et qui m’ont beaucoup aidé. Je les remercie pour leur enthousiasme et leur énergie débordante. Merci pour la confiance qu’ils m’ont accordée et qui m’ont fait avancer dans la science, je les remercie vivement pour leurs patiences et pertinences qui m'ont permis d'améliorer mon travail.

, Maître de conférenc au de l'Université d'Es-Senia,Oran et Mr Abou Al Hhassane Benyamina ,

ii

Je remercie également chaleureusement Mr Djilali BOURAS Maîtres de conférences à l’université d’Oran, Département de biologie, et un merci spécial à Mr Samir Naasan Doctorant à l’université d'USTOMB.

Merci à tous mes camarades et mes amis de l’équipe "Informatique et Automatique" pour leur soutien et leur amitié durant ces années, et parmi eux Melle Younssi Fatima Zohra, Mme Riad Amel, Mme Kaouadji Souad et Melle Ait Silarbi Yassmine, qui m’ont apporté aide et soutien pendant cette thèse. Grâce à leurs compétences et leurs qualités humaines, mon travail s’est déroulé dans une ambiance chaleureuse (et parfois bruyante !).

Un merci tout particulier à ceux qui ne sont pas cités mais je leur réserve une pensée particulière, pour leur amitié et leur soutien constant dans les moments difficiles et avec qui les discussions sont toujours « stimulantes », aussi bien que leur gentillesse et leur disponibilité.

Je tiens à remercier plus personnellement ma famille pour leur soutien tout au long de ce travail, et tout particulièrement mes parents, pour leurs encouragements et leur présence dans les moments difficiles.

iii

Je dédie le fruit de mon travail A mes parents,

A mes frères et ma sœur,A ma grand-mère, une pensée toute particulière,

A mon adorable nièce préférée Sarah (elle va trouver un jour sa place…),A mon neveu Rahim Ayman,

A ma famille...

iv

Acronymes

Acronymes Définition

AG Algorithme Génétique

AGH Algorithme Génétique Hybride

AGHASP Approche Génétique Hybride Appliqué à un Système de Pilotage

FSH Flow Shop Hybride

GP Gestion de Production

RL Recherche Locale

SMA Système Multi Agents

SID Système d’Information et de Décision

v

Tables des matières

Remerciements………………………………………………………………….…..…….….…..…..iDédicaces………………………………………………………………………..……………..…..….iiiAcronymes……………………………………………………………………………………….…....ivPréambule ……………………………………………………………………………….……...…....1

I Partie I

1. Problématique et contexte_____________________________________________________2. Contribution_______________________________________________________________3. Organisation du manuscrit____________________________________________________

1. Introduction2. Production & gestion de production 2.1 Système 2.2. Les systèmes de production…………………………………………………………………………. 2.2.1 Définitions………………………………………………………………………………………… 2.2.2 Les composants d’un système de production ………………………………………………………3. Caractéristiques des systèmes de production___________________________________________

3.1 Flexibilité…………………………………………………………………………………………….. 3.2 Réactivité…………………………………………………………………………..………………… 3.3 Proactivité……………………………………………………………………………..……………… 3.4 .Robustesse…………………………………………………………………………………………...4. Diversité des systèmes de production_________________________________________________ 4.1. La production à l’unité ou en série…………………………………………………………………… 4.2 La production continue ou discontinue………………………………………………………………. 4.3. La production sur stock ou sur commande…………………………………………………………..5. Pilotage des systèmes de production__________________________________________________ 5.1 Introduction………………………………………………………………………………………… 5.2. Définitions………………………………………………………………………………………….. 5.3 Missions du système de pilotage………………………………………………………………………6. Les différentes structures de pilotage_________________________________________________ 6.1 Choix et modélisation de notre structure de pilotage………………………………………………….7. Pilotage et ordonnancement ________________________________________________________ 7.1 Définition……………………………………………………………………………………………. 7.2 Concepts de base……………………………………………………………………………………… 7.3 Choix de notre type d’atelier…………………………………………………………………………. 7.3.1 Présentation du modèle…………………………………………………………………………… 7.4 Classes d’algorithmes d’ordonnancement………………………………………………………………

Chapitre 1 : Pilotage des systèmes de production

Introduction générale

888999111112121213131314141415161719202021222223

______________________________________________________________________________________________________________

......................................................................................................................................................

455

vi

7.4.1. Pilotage sans ordonnancement prévisionnel ………………………………………………………. 7.4.2 Pilotage à ordonnancement prévisionnel…………………………………………………..………. 7.4.2.1 Pilotage à ordonnancement prévisionnel partiel………………………………………………… 7.4.2.2 Pilotage à ordonnancement prévisionnel total…………………………………………..……… 7.5 Construction de notre ordonnancement………………………………………………………………8. Approches de modélisation des systèmes de pilotage____________________________________ 8.1 Approches stochastiques pour la conduite des systèmes de production………………..…………….. 8.2 Approche objet pour la conduite des systèmes de production……………………………………….. 8.3 Approche multi-agents pour la conduite des systèmes de production………………………………… 8.3.1 L’utilisation des SMA au sein de notre système de pilotage……………………………………….. 8.3.2 Quelques systèmes de pilotage à base d’agents………………………………………….…………9. Conclusion_______________________________________________________________________

1. Introduction______________________________________________________________________2. Motivations______________________________________________________________________3. Évolution vers l’intelligence artificielle distribuée_______________________________________ 3.1 Les Agents : Définitions……………………………………………………………………….……. 3.2 Structure générale d’agents………………………………………….………………………………. 3.3. Types d’agents……………………………………………………………………………..………..

3.3.1 Agent réactif………………………………………………………………………………….3.3.2 Agent cognitif………………………………………………………………………………...3.3.3 Architecture hybride…………………………………………………………………………3.3.4 Agents autonomes………………………………………………………………….…………3.3.5 Agents sociaux…………………………………………………………………………………3.3.6 Agents Mobiles……………………………………………………………………………… 3.3.7 Agents adaptatifs………………………………………………………………………………3.3.8 Agents flexibles………………………………………………………………………….…..…

4. L’agent comme entité d’un système : L’ approche Multi-Agents__________________________ 4.1 Définition………………………………………………………………………..……………..…… 4.2 Motivation du choix des SMAs dans notre travail…………………………………………………….. 4.3 Caractéristiques des SMAs…………………………………………………………………….……. 4.4 Organisation des agents………………………………………………………………………….…. 4.4.1 Interaction entre les agents………………………………………………………………..……… 4.4.1.1 La coordination…………………………………………………………………….………… 4.4.1.2 La coopération………………………………………………………………………….……. 4.4.1.3 La négociation………………………………………………………………………..………. 4.4.2 La communication entre agents………………………………………………………….……….. 4.5 Adaptation à notre problème………………………………………………………………………... 4.5.1 Le contrôle…...……………………………………………………………………….….………. 4.5.2 Notre architecture Multi-agents de modélisation…………………………….................................... . 4.5.3 L’ordonnancement dans notre système de pilotage par agents…………………………….………6. Domaines d’application des SMAs___________________________________________________ 6.1. Applications industrielles………………………………………………………….……………… 6.2. Autres applications……………………………………………………………………….………..7. Conclusion______________________________________________________________________

2627282830

Chapitre 2 : Les systèmes Multi-Agents

3333343536363636363737373738383839404040414242424343444647474748

23232324242525

vii

1. Introduction_______________________________________________________________________2. Méthodes de résolution des problèmes d’optimisation____________________________________ 2.1 Liens entres l’optimisation et l’apprentissage………………………………………………………….3. heuristiques et métaheuristiques_____________________________________________________ 3.1 Définition……………………………………………………………………………………………… 3.2 Propriétés....................................................................................................................................................................4. Métaheuristiques pour l’optimisation__________________________________________________ 4.1 Intensification et diversification……………………………………………………………………….. 4.2 Le Recuit Simulé……………………………………………………………………………………… 4.2.1 Définition………………………………………………………………………………………….. 4.2..2 Pseudo-code………………………………………………………………………………………. 4.3 La descente……………………………………………………………………………….……………. 4.3.1 Définition…………………………………………………………………………………………… 4.3.2 Psudo-code…………………………………………………………………………………………. 4.4. La recherche Tabou…………………………………………………………………………………… 4.4.1 Définition…………………………………………………………………………………………… 4.4.2 Psudo-code………………………………………………………………………………………… 4.5. Colonies de Fourmies………………………………………………………………………...………. 4.5.1 Définition…………………………………………………………………………………………. 4.6. La méthode GRASP (Greedy Randomized Adaptive Search Procedure)……………………………… 4.6.1 Définition-………………………………………………………………………………………… 4.7. La méthode à voisinage variable……………………………………………………………………… 4.7.1 Définition………………………………………………………………………………………….. 4.8. La recherche locale guidée……………………………………………………………………………. 4.8.1 Définition………………………………………………………………………………………….. 4.9. La méthode du kangourou…………………………………………………………………………… 4.9.1 Définition…………………………………………………………………………………………. 4.10. Les algorithmes génétiques……………………………………………………………………………. 4.10.1 Définition…………………………………………………………………………………………. 4.10..2 Terminologie et principe de fonctionnement………………………………………………………. 4.10.3 Pseudo-code………………………………………………………………………………………… 4.10.4 Les limites-………………………………………………………………………………………….5. Les métaheuristiques avancées_______________________________________________________ 5.1. Les algorithmes génétiques hybrides………………………………………………………………….. 5.1.1 Définition………………………………………………………………………………………….. 5.1.2. Pseudo-code…………………………………….………………………………………………… 5.2. La recherche dispersée (Scatter Search) ……………………………………………………………… 5.2.1 Définition…………………………………………………………………………………………... 5.3. Algorithme Génétique avec Gestion de Population (GA/PM)……………………………….………. 5.3.1 Définition…………………………………………………………………………………………. 5.4. Algorithme Génétiques Hybrides avec Gestion de Population (GHA/PM) …………………………… 5.4.1 Définition…………………………………………………………………………………………..6. Mise en place des métaheuristiques dans notre travail____________________________________ 6.1 Optimisation des problèmes d’ordonnancement de production………………………………………. 6.2 Pourquoi une approche génétique ?...................................................................................................................... 6.2.1 L’ordonnancement et les algorithmes génétiques –état de l’art-……………………………………. 6.2.1.1 Approches mettant en œuvre les AGs classiques………………………………………………. 6.2.1.2 Approches mettant en œuvre les AGs hybrides…………………………………………………

515152535353545455555555555656565657575757575757575858585858595960606061616161616262626262626363

Chapitre 3 : Métaheuristiques d’optimisation et Algorithmes génétiques hybrides

viii

6.3 Proposition d’extension pour les algorithmes génétiques standard : hybridation………………………. 6.3.1 Justification de notre choix pour une approche génétique hybride : Motivation……………………. 6.4 Place des métaheuristiques dans notre SMA……………………………………………………………. 6.4.1 Sélection et usage des algorithmes génétiques……………………………………………………….. 6.5 Application des métaheuristiques utilisées pour le problème du Fow Shop Hybride étudié…………… 6.6 Modification de l’algorithme génétique standard : d’un Algorithme Génétique vers un Algorithme Génétique Hybride……………………………………………………………………… 6.7 Principes et caractéristiques des Algorithmes Génétiques Hybrides…………………………………….. 6.7.1 Codage de la population…………………………………………………………………………….. 6.7.2 La fonction d’adaptation (fitness)……………………………………………………………………. 6.7.3 Opérateur de sélection……………………………………………………………………………… 6.7.4 Opérateur de croisement…………………………………………………………………………….. 6.7.5 Opérateur de mutation………………………………………………………………………………. 6.7.6 La recherche locale………………………………………………………………………………….. 6.7.7 Test d’arrêt………………………………………………………………………………………….6.8. Les séquences de l’algorithme génétique hybride……………………………………………………….. 7. Conclusion_______________________________________________________________________

1. Introduction____________________________________________________________________2. Modélisation du système retenue___________________________________________________

2.1 Exemple d’une configuration d’un atelier Shop………………………………………….………3. Architecture générale de notre système_______________________________________________ 3.1 Organisation du SMA………………………………………………………………..………….. 3.2 Cycle de vie d’un SMA…………………………………………………………………..………. 3.3 Conception et implémentation d’un SMA………………………………………………………… 4. Agentification du notre problème___________________________________________________

4.1 Les agents système………………………………………………………………………….…..2.2 Architecture générique d’un agent de l’AGHASP………………………………………………

4.3 La configuration de la cellule………………………………………………………………….… 4.4 Modélisation retenue………………………………………………………………………….…

4.4.1 L’agent Pièce-…………………………………………………………………………..… 4.4.2 L’agent Machine……………………………………………………………………….…. 4.4.3 L’agent Stock…………………………………………………………………………..…. 4.4.4 L’agent Transport……………………………………………………………………..….. 4.4.5 L’agent Étage-Supervisor…………………………………………………………….…… 4.4.6 L’agent Perturbateur…………………………………………………………………..…..4.5 L’agent Superviseur……………………………………………………………………………..4.5 Architecture de l’agent Superviseur………………………………………………………….….

5. Proposition d’une méthode d’ordonnancement coopératif________________________________ 5.1 Quelques définitions………………………………………………………………………….… 5.2 Ordonnancement réactif ou Réordonnancement………………………………………………… 5.3 Représentation des comportements d’agents en interaction dans notre système…..……………..6. Application de l’algorithme génétique hybride au Flow-Shop____________________________

6.1 Le codage des solution……………………………………………………………………….….6.2 Les opérateurs de croisement et mutation…………………………………………………….…

6464656667

6971717171727373737475

Chapitre 4 : Mise en œuvre & application

777879808081818181828383838485868788899092929395969698

ix

6.2.1 Le croisement…………………………………………………………………………..6.2.2 La mutation………………………………………………………………………….…

6.3 La recherche locale……………………………………………………………….…………. 6.3.1 Eléments de base……………………………………………………………….……… 6.3.2 Proposition d’un système de voisinage…………………………………………………. 6.3.2.1 Système de voisinage S pour l’ordonnancement……………………………………… 6.3.2.2 Système de voisinage A pour l’affectation……………………………………..…….. 6.4 Les critères d’optimisation utilisés………………………………………………….…………7. Conclusion___________________________________________________________________

3. Introduction_________________________________________________________________4. Réalisation du logiciel_________________________________________________________

2.1 Outils de conception…………………………………………………………………..……..2.3 Langage de programmation ……………………………………….………………………..2.4 Lancement du logiciel……………………………………………………………………….2.5 Présentation du logiciel……………………………………………………………………...

2.4.1 Lancement de la plate forme………………………………………………………….…... 2.4.1.1 Utilisation de la plate forme JADE………………………………………………….…. 2.4.1.2 La supervision du système……………………………………………………………..3. Mise en œuvre et résultats numériques_____________________________________________ 3.1 Application de l’algorithme génétique hybride……………………………………….………. 3.1.1. Application de l’AGH sur le FSH1 : FH2 (P3, P2) Cmax………………………….……. 3.1.2. Application de l’AGH sur le FSH2 : FH3 (P4, P2, P3) Cmax…………………………… 3.2. Comparaison des deux méthodes l’AGH et AG……………………………………….…….. 3.2.1 Comparaison entre l’AG avec la descente et l’AG………………………………….…….. 3.2.2. Comparaison entre AG avec le Recuit Simulé et l’AG…………………………………… 3.2.3. Comparaison entre l’AG avec la recherche tabou et AG…………………………………. 4. Expérimentation sur le prototype développé________________________________________ 4.1 Évènements inattendus……………………………………………………………………… 4.1.1 Le plan de la gestion de la perturbation…………………………………………………....5. Conclusion___________________________________________________________________

1. Conclusion______________________________________________________________1382. Perspectives_____________________________________________________________ 139

II Annexes

1. Introduction___________________________________________________________________2. Notation pour le problème du FSH________________________________________________3. Extension de la notation pour la prise en compte des stocks___________________________4. Les différents types du FSH______________________________________________________5. Conclusion____________________________________________________________________

Conclusion générale

Annexe 1 : les flow shop hybrides

Chapitre 5 : Réalisation

9999100100101101102

103104105105105106106108109121121122123124124125126128129129137

142142143143145

140

9898

x

1. Introduction___________________________________________________________________2. Bref description de JADE________________________________________________________ 3 La norme FIPA_________________________________________________________________ 3.1 Architecture logiciel de la plate-forme Jade………………………………………………………… 3.2 Langage de communication de la plate-forme JADE……………………………………………… 3.3 Les protocoles FIPA-Query et FIPA Request……………………………………………………. 3.4 Le protocole Contract-Net de JADE………………………………………………………………4. Comportements des agents dans la plate-forme JADE________________________________5. Outils de débogage de JADE_____________________________________________________ 5.1 Agent RMA Remote Management Agent…………………………………………………………. 5.2 Agent Dammy…………………………………………………………………………………….. 5.3 Agent Directory Facilitator………………………………………………………………………… 5.4 Agent Sniffer……………………………………………………………………………………… 5.5 Agent Inspector……………………………………………………………………….……..…… 6. Conclusion____________________________________________________________________

1. Introduction___________________________________________________________________I. Métaheuristiques simples________________________________________________________ 1.1 Les colonies de Fourmies……………………………….…………………………………………

1.1.1 Psudo-code……………………………………………………………………………………

1.1.2 Discussion…………………………………………………………………………………….1.2. La méthode GRASP (Greedy Randomized Adaptive Search Procedure)…………………………..

1.2.1 Psudo-code……………………………………………………………………………………… 1.2.3 Discussion……………………………………………………………………………………….1.3 La méthode à voisinage variable……………………….………………………..………………….

1.3.1 Pseudo-code…………………………………………………………………………………….. 1.3.2 Discussion……………………………………………………………………………………….1.4 La recherche locale guidée…………………………..…………………………………………….

1.4.1 Pseudo-code…………………………………………………………………………………..… 1.4.2 Discussion……………………………………………………………………………..……….1.5 La méthode de Kangourou…………………………………………………………………………

1.5.1 Pseudo-code……………………………………………………………………….………….. 1.5.2 Discussion……………………………………………………………………………………….1.6 La méthode à mémoire adaptative……………………..…………………….……………………

1.6.1 Définition……………………………………………………………………………………….. 1.6.2 Psudo-code…………………………………………………………………………………… 1.6.3 Discussion…………………………………………………………………………………….II. Métaheuristiques avancées______________________________________________________ 2.7 La recherche dispersée (Scatter Search)…………………….. ……………………………………. 2.7.1 Pseudo-code………………………………………………………………..…………………… 2.7.2 Discussion………………………………………………………………………………………. 2.8 Algorithme Génétique avec Gestion de Population (GA/PM)……………….……………………. 2.8.1 Pseudo-code…………………………………………………………………………………….. 2.8.2 Discussion………………………………………………………………………………………. 2.9 Algorithme Génétiques Hybrides avec Gestion de Population (GHA/PM)………………………..

Annexe 2 : la plate forme JADE

Annexe 3 : Complément sur les métaheuristiques

147147147148149150150152152152152152154154155

157157157157157158158158158158158159159159159159160160160160160161161161161162162162162

xi

2.9.1 Pseudo-code…………………………………………………………………………………… 2.9.2 Discussion………………………………………………………………………………….… 2.10 Métaheuristique Electromagnétique…………………………………………..…………………. 2.10.1 Définition…………………………………………………………………………………..… 2.10.2 Pseudo-code………………………………………………………….………………………3. Conclusion____________________________________________________________________

Bibliographie____________________________________________________________ 164Indexe___________________________________________________________________173

Tables des figures Chapitres

Chapitre 1Figure 1. Approche systémique du système de production……………………..………..……………….Figure 2. Composantes fondamentales d’un système de production………………………………………Figure 3. Modèle générique du pilotage des systèmes de production.[SEN 04]……….…………………..Figure 4. Hiérarchie des décisions au sein d’un système de production………………………………….Figure 5. Le modèle conceptuel du système de décision…………………………………………………..Figure 6. Structure de pilotage centralisée………………………………………………………………..Figure 7. Structure de pilotage hiérarchisée……………………………….………….…………………..Figure 8. Structure de pilotage coordonnée………………………………………………………………Figure 9. Structure de pilotage distribuée…………………………………………………………………Figure 10. Structure de pilotage distribuée supervisée…………………………………………..………..Figure 11. Un Flow Shop Hydride (FSH)…………………………………………………. …………… Figure 12. Ordonnancement prévisionnel partiel……………………………………….………………..Figure 13. Ordonnancement prévisionnel total………………………………………..…………………Figure 14 Diagramme de Gantt de l’exemple étudié……………………………….…………………….Figure 15. Exemple d’un RDP……………………………………………….…………………………..Figure 16. Architecture de conduite orientée objet………………………………………………………Figure 17. Architecture générique d’agent. [BRIO 03]……………………………….……………… ….Figure 18. Modèle conceptuel d’un élément générique……………………………………………………

Chapitre 2Figure 1. Évolution vers l’IAD…………………………………………………………………………..Figure 2. Architecture générale d’un agent [FER 05]…………………………………………… ………Figure 3. Exemples de système multi-agentss…………………………………………………..……….Figure 4. Mode de communication par tableau noir…………………………………………………..….Figure 5. Mode de communication par envoie de messages : (a)Diffusion, (b) Point à point………….…..Figure 6. Résolution de problèmes par les agents…………………………………………………………Figure 7. Modélisation de notre structure de pilotage par un SMA……………………………………….Figure 8. Architecture générique d’un agent (cf Figure2)……… …………………………………………Figure 9. Architecture logiciel de La plate-forme JADE…………………………………..………………

101015161717181818192223242526272829

343639424344444545

162162163163163163

xii

Chapitre 3Figure 1. Classification des métaheuristiques………………………….…………………………………..Figure 2 .Exemple d’un FSH2 (P3 ,P2)………………………… ……………………………………….Figure 3. L’algorithme génétique hybride……………………………………………….……………….Figure 4.Représentation schématique de l'algorithme génétique hybride utilisé…………………….……

Chapitre 4Figure 1. Introduction de l'esprit des algorithmes génétiques au sein d'un agent………………………....Figure 2 : Modèle SMA de l’ordonnancement……………………………………………..……………..Figure 3. Architecture de l’ AGHASP……………………………………………………………………Figure 4. Le modèle de référence pour une plate-forme multi-agents FIPA……………………………..Figure5. Architecture générique d’un agent système…………………………………………………...… Figure 6. Organigramme du comportement de l’agent pièce……………………………………….……..Figure 7. Organigramme du comportement de l’agent machine…………………………………….……Figure 8. Organigramme du comportement de l’agent stock……………………………………..………Figure 9. Organigramme du comportement de l’agent transport……………………………….………...Figure 10. Organigramme du comportement de l’agent Étage_Supervisor………………………………Figure11. Organigramme du comportement de l’agent Perturbateur……………………………………..Figure 12. Localité du superviseur dans notre système de pilotage…………………………….…………Figure 13. Architecture de l’agent Superviseur………………………………………………………..….Figure 14. Organigramme du comportement de l’agent superviseur……………………………………...Figure 15 : propagation d’une perturbation d’une machine à une autre…………………….……………Figure 16. Vecteurs d’affectation…………………………………………………………………….…..Figure 17. Ensemble des contraintes de précédences de la matrice P……………………………………..Figure 18. Vecteurs d’affectation et la matrice d’ordonnancement du problème FH3, (P3, P1, P2) avec 5 tâches………………………………………………………………….………..Figure 19. La recherche locale……………………………………………………………………….…..

Chapitre 5Figure 1. Message du lancement……………………………………………………………..………..…Figure 2. Fenêtre principale du logiciel…………………………………………………………….…….Figure 3. Menu principale de l’application……………………………………………………………….Figure 4. La plateforme JADE (Agent sniffer)……………………………… ………………………..…Figure 5. L’interface de l’agent Superviseur………………………………………………………………Figure 6. La plate forme logicielle complète des agents……………………………………………..……Figure 7. Menu principal de l’agent Superviseur…………………………………………………………Figure 8. Menu FICHIER……………………………………………………………………………….Figure 9. Menu CONFIGURATION……………………………………………………………………Figure 10. Configuration de l’atelier…………………………………………………………………..…..Figure 11. Menu Fichier de la fenêtre principale………………………………………………………….Figure 12. Menu ORDONNANCEMENT……………………………………………………….……..Figure 13. Choix de paramètres et algorithmes…………………………………………………………..Figure 14. Menu Options……………………………………………………………………….……….Figure 15. Choix des paramètres…………………………………………………………………………Figure 16. Temps opératoire manuel…………………………………………………………………….Figure 17. Types de Flow Shop Hybrides………………………………………………..……………….Figure 18. Paramètres de la méthode à appliquer…………………………………………………………Figure 19. Résultat de la simulation d’un algorithme……………………………………………………..Figure 20. Configuration finale de l’atelier……………………………………………………………….Figure 21. Résultat de comparaison entre l’approche génétique hybride/génétique………………….…..Figure 22. Résultat de comparaison de l’algorithme génétique hybride avec les trois RL utilisées…………

54687174

7878808283848586878889899091939697

98100

105106106107107108109109109110110110111111112113114114115116117118

xiii

Figure 23. Agendas des étages…………………………………………………………………………..Figure 24. Choix d’une méthode de résolution……………………………………………………………Figure 25. Fenêtre perturbation…………………………………………………………….……….……Figure 26. Confirmation des pannes……………………………………………………………….…….Figure 27. Structure d’un FSH : FH2 (P3, P2) Cmax…………………………………………………….Figure 28. Structure d’un FSH : FH3 (P4, P2, P3) Cmax………………………………………….…….Figure 29. Graphe de variation du Cmax pour le FSH1 avec l’application de l’AGH avec les trois recherches locales…………………………………………….……………………………..Figure 30. Graphe de variation du Cmax pour le FSH2 avec l’application de l’AGH avec les trois recherches locales…………………………………………………………………………..Figure 31. Variation du Cmax par rapport à l’application des méthodes : AG avec Descente et AG………………………………………………………………………………… Figure 32. Variation du Cmax par rapport à l’application des méthodes : AG avec Recuit Simulé, AG…………………………………………………………………..…………. Figure 33. Variation du Cmax par rapport à l’application des méthodes : AG avec Tabou, AG………………………………………………………………………………………. Figure 34. Données de l’expérience 1…………………………………………………………………….Figure 35. Configuration de l’atelier après l’invocation du module génétique…………………….………Figure 36. Plan de gestion d’une perturbation………………………………………………………..…..Figure 37. Provoquer une perturbation……………………………………………………….………….Figure 38. Aperçu sur l’état du système lors d’une perturbation…………………………………………..Figure 39. Plan de résolution immédiate (interne)…………………………………………………………Figure 40. Aperçu sur l’état du système après l’application d’une méthode de résolution………………...Figure 41. Configuration finale après calcul d’ordonnancement………………………………..………..Figure 42. Aperçu sur l’état du système lors d’une perturbation………………………………………….Figure 43. Diagramme de séquencement des comportements des agents lors de l’interaction pour la résolution d’une perturbation………………………………………………….…….Figure 44. Aperçu sur l’état du système après l’application de la résolution……………………….….……Figure 45. Exemple des ressources potentielles (candidates)……………………………………………….Figure 46. Etat du système après l’application d’une résolution…………………………………………..Figure 47. Plate-forme JADE montrant les interactions des agents………………………………………

Introduction générale Figure 1. Proposition d’un système de Réordonnancement…………………..……………………………5

Annexes

Annexe 1Figure 1. Position des stocks dans un Flow Shop Hybride………………………………………………….

Annexe 2Figure 1. Architecture logiciel de La plate-forme JADE…………………………………………………… Figure 2. L'interface de l'agent RMA…………………………………………………………………….. Figure 3. L'interface de l'agent Dammy…………………………………………………………..……… Figure 4. L'interface de l'agent DF……………………………………………………………………….. Figure 5. L'interface de l'agent Sniffer…………………………………………………………….….….. Figure 6. L'interface de l'agent Inspector…………………………………………..…………….…….....

119119120121121121

122

123

125

126

127128129129130131131131132133

134135136136137

143

149152153153154154

xiv

Liste des tableauxChapitre 1Tableau. 1 Exemple d’un FSH………………………………..………………………….……………..

Chapitre 4Tableau 1 Opérations possibles pour le réordonnancement………….……………….……………….. Tableau.2 Système de voisinage S pour l’ordonnancement…………………………………..…………Tableau.3 Système de voisinage A pour l’affectation…………………………………………...……….Tableau.4 Critères d’optimisation……………………….…………………………….………….……

Chapitre 5Tableau 1. Types des flow shop hybrides……………………………….………………..……….…….Tableau .2 Résultats de la simulation l’AGH sur le FSH1…………………………..…………….…… Tableau 3. Résultats de la simulation l’AGH sur le FSH2……………………………….………..……. Tableau 4. Résultats de la comparaison des méthodes AG avec Descente et l’AG…………..…….……Tableau 5. Résultats de la comparaison des méthodes AG avec Recuit Simulé, AG…………………… Tableau 6. Résultats de la comparaison des méthodes AG avec tabou, AG…………………………….

24

54100101101

133122123124125126

Résumé

De nos jours, les entreprises se doivent être compétitives et ont besoin pour cela d'outils performants pour gérer la complexité de leur organisation. La gestion de production appartient à ces outils permettant le contrôle et la planification du processus de production.Parmi les fonctions d'une G.P., la résolution du problème d'ordonnancement n'est pas encore complètement maîtrisée. Toutefois, de nombreux systèmes ont été développés, soit à titre expérimental, soit à titre industriel [PAP85, CAR87]. Pour de tels projets, les techniques de l'intelligence artificielle ont souvent été employées, entre autre, des méthodes conjuguant les techniques d'ordonnancement et celles des algorithmes génétiques [Koz92, DEJ89] furent employées. Cela a donné des systèmes pouvant fournir un bon ordonnancement, en un temps raisonnable.

Partant de ce constat, et sachant qu'une entreprise se doit d'avoir un comportement dynamique pour satisfaire aux exigences du marché, quelques systèmes dynamiques ont vu le jour pour tenter de satisfaire le nombre de contraintes à améliorer et tenir compte de la nature dynamique, agile et imprévisible des ateliers dans une entreprise. Ceux-ci font largement appel aux techniques de l'intelligence artificielle distribuée. Désormais, elles prennent en compte la nature distribuée de l'entreprise et la structure dynamique des ateliers qui la composent où les approches par pilotage distribué ou décentralisé ont été toujours les mieux adaptées et qui ont fait leurs preuves en terme d’adaptation et d’auto- organisation. Ce sont des techniques orientées agent telles que les systèmes multi-agents SMA [WOO95a, FER92].Toutefois, bien que ces systèmes prennent en compte le caractère social de l'organisation, c'est-à-dire la description d'une entreprise comme un ensemble d'entités indépendantes coopérantes en vue derésoudre un problème donné, ils ne prennent pas en compte le caractère évolutionniste dans un système. En effet, ces entités qui coopèrent, que l'on désignera par la suite sous le terme d'agent, évoluent dansle temps en fonction des actions qu'elles réalisent. Ainsi, ces entités ont une évolution plus ou moins importante qui reflète la progression vers une bonne solution dans leur organisation. C'est pourquoipour faire apparaître le caractère évolutif des organisations , nous proposons d'appliquer le concept de l'évolution par l'intermédiaire des algorithmes génétiques à un système dynamique basé sur desentités coopérantes.Notre projet a donc pour objectif, d’un part, d’aboutir à un système Multi-agents (le plus adapté à ce type de problèmes) avec une nouvelle organisation où la communication soit aussi fiable telle quelle participera à l’amélioration de la performance du système en recherchant une nouvelle architecture d’agents qui auront l’intelligence requise pour la résolution des problèmes de production et d’améliorer le système de pilotage, d’autre part, d'étudier l'application des algorithmes génétiques hybrides (AGH)dans un système multi-agents pour l'ordonnancement d'atelier en mettant en évidence la notion d'évolution des agents et d’étudier la contribution de ces algorithmes dans l’amélioration du système de production, à savoir qu’une approche génétique hybride est une hybridation entre un algorithme génétique et une recherche locale (RL) pour un but d’exploration efficace de l’espace de recherche (Intensification), et pour recentrer la communauté des agents autour d’une solution optimale.

Mots clés : Ordonnancement, Système de Production, système Multi-Agents, Algorithmes Génétiques, Recherche Locale.

Abstract

Nowadays, the companies must be competitive and have need for that, powerful tools to manage the complexity of their organization. The management production belongs to these tools allowing the control and the planning of the production process.Among functions of a M.P., the resolution of the problem of scheduling is not yet completely controlled. However, many of systems were developed, either on an experimental basis, or on a purely industrial basis [PAP85, CAR87]. For such projects, techniques of the artificial intelligence were often employed, amongst other things, methods combining techniques of scheduling and those of genetic algorithms [Koz92, DEJ89] were employed. That gave systems being able to provide a good scheduling, in a reasonable time.

On the basis of this report, and knowing that a company must have a dynamic behaviour to satisfy the requirements of the market, some dynamic systems were born to try to satisfy the number of constraints to improve and take account of dynamic, nimble and unforeseeable nature of the company’s workshops. Those largely call upon techniques of the distributed artificial intelligence. From now on, they take into account the distributed nature of the company and the dynamic structure of workshops which compose it, where distributed or decentralized piloting approaches were always the best adapted and which proved reliable in term of adaptation and auto- organization. They are technique directed agent such as the multi-agents systems MAS [WOO95a, FER92].However, although these systems take into account the social character of the organization, i.e. the description of a company like a whole of co-operating independent entities in order to solve a given problem, they do not take into account the evolutionary character in a system.Indeed, these entities which cooperate, that we will indicate thereafter under the term of agent, evolve in time according to the actions which they realize. Thus, these entities have a more or less important evolution which reflects the progression towards a good solution in their organization. This is why -to reveal the evolutionary character of organizations-, we propose to apply the concept of the evolution via genetic algorithms to a dynamic system based on co-operating entities.Our project thus aims at, on a side, to lead to a Multi-agents system (more adapted to this type of problems) with a new organization where the communication is also reliable such as it will take part in the improvement of the performance of the system by seeking a new architecture of agents which will have the intelligence necessary for the resolution of problems of production and to improve the piloting system, on another side, to study the application of the hybrid genetic algorithms (HGA) in a multi-agents system for the workshop scheduling by highlighting the concept of evolution of agents and to study the contribution of these algorithms in the improvement of the production’s systems, namely that a hybrid genetic approach is a hybridization between a genetic algorithm and a local research (LR) for a goal of effective exploration of the space of research (Intensification), and to center agents community around an optimal solution.

Key words: Scheduling, System of production, Multi-Agents system, Genetic algorithms, Local research.

Préambule

Jusqu’à la fin des années 70, la durée de vie des systèmes de production était suffisamment longue pour permettre aux experts d’en acquérir une connaissance approfondie. Actuellement, les experts sont de plus en plus souvent confrontés à des problèmes de productivité et de réactivité de leurs systèmes de production.Les experts ont besoin des méthodes et des outils pour :

Résoudre des problèmes de dimensionnement à priori et à posteriori ; Appréhender de manière satisfaisante le fonctionnement de leur système ; Assurer le suivi et la gestion de production ; Aider à la planification des opérations de production ; Obtenir un fonctionnement de leur système robuste aux évènements aléatoires.

Ainsi, on peut dire qu’un système de production pose, aussi bien lors de sa conception que durant son exploitation, un certain nombre de problèmes : dimensionnement, compréhension du fonctionnement interne, prise en compte des phénomènes aléatoire, évaluation des performances, optimisation…. Certains de ces problèmes peuvent acquérir une importance plus ou moins grande en fonction du contexte (sans ou avec évènements aléatoires) dans lequel évolue le système.Pour résoudre ces problèmes, des hypothèses simplificatrices permettent souvent de formaliser le problème industriel réel sous forme d’un modèle théorique. Ceci permet d’appréhender la complexité des problèmes traités, puisque les problèmes théoriques sont en général bien connus et leur complexité a été étudiée. L’approche de modélisation que nous avons utilisée est une approche orientée agent (SMA). Ces systèmes sont des modèles génériques qui peuvent être utilisés pour modéliser des systèmes de production, le modèle d’atelier que nous avons étudié est le modèle Flow Shop Hybride. Nous considérons ce modèle aussi bien dans un contexte sans évènements aléatoires qu’avec évènement aléatoires. Sur des problèmes de petite taille, des méthodes exactes permettent d’obtenir une solution optimale. Ces méthodes sont abandonnées au profit des méthodes approchées, telles que les métaheuristiques, pour des problèmes de grande taille. L’utilisation des méthodes approchées pour des problèmes de petite taille n’est justifiée que pour leur validation (solutions obtenues de même qualité).Les systèmes de productions complxes présentent en général une double compléxité représentée par la figure suivante :

Une complexité algorithmique. Par abus de langage, nous appelons complexité algorithmique la complexité des problèmes d’optimisation combinatoire. Cette complexité se traduit par la recherche d’une solution qui minimise un ou plusieurs critères de performance.

Une complexité structurelle ou fonctionnelle du système. Cette complexité se traduit par la difficulté d’évaluer de manière simple le ou les critères de performance du système.

Figure 1. La double complexité

Ce mémoire s'inscrit dans la continuité des recherches réalisées depuis à peu prés une décennie en modélisation et conduite des systèmes de production sous la responsabilité de Mr. BELDJILALI B. au sein de l'équipe de l’IA (intelligence artificielle) de la PG- Informatique et Automatique du laboratoire LIO (Laboratoire d’Informatique d’Oran) dirigée par le même responsable Mr

BELDJILALI B.

Ces recherches ont pour objectif le développement des prototypes des systèmes de production faisant appel aux différentes techniques de modélisations ainsi que la proposition de nouvelles méthodes de résolution des problèmes principaux dans ces systèmes à savoir l’ordonnancement, le pilotage et l’optimisation…

Partie I

Page 3

-Introduction générale-

Page 4

Introduction Générale

1. Problématique et contexte

En raison de l’ouverture des marchés et de la concurrence accrue, plusieurs phénomènes concourants ont lieu. Les conditions de croissance des entreprises et le développement économique ont été largement modifiés. La concurrence a contraint les entreprises à se battre pour survivre et l'objectif majeur de toute entreprise actuelle n'est plus seulement la productivité mais aussi et surtout la compétitivité. Les systèmes de production sont caractérisés par leur dynamique et leur imprévision, les tâches souvent de caractère complexe et sont soumises à des contraintes de temps et d’exigences. Alors, le système de production se donne de nouveaux objectifs à atteindre.En réponse à ces changements les entreprises doivent rechercher les moyens d’augmenter la réactivité de leurs systèmes de production. Par conséquent, la gestion des flux de l’atelier devient prépondérante et la conduite d’atelier, dont le rôle principal est de réaliser la production prévue dans un environnement dynamique et fortement perturbé.

Les modèles basés sur les approches distribuées ou décentralisés offrant des capacités d’adaptation et d’auto-organisation en utilisant, le plus souvent, les systèmes multi-agents ont fait leur preuve et ont donné les meilleurs résultats dans ce domaine.

Les problèmes d’ordonnancement dans les systèmes de production peuvent être retrouvés sous différentes formes, dans un grand nombre de sphères d’activité économique au sein de l’entreprise, ces problèmes ne peuvent être résolus par des algorithmes exacts de nature séquentielle ou parallèle, et font ainsi partie de la classe des problèmes dits NP-difficiles ; Vue l’importance de ces problèmes plusieurs méthodes de résolution ont été développé en recherche opérationnelle et en intelligence artificielle dont les méthodes exactes et les méthodes approchées.L’origine de la difficulté de ces problèmes provient de la nature même des problèmes d’ordonnancement dont trois caractéristiques principales peuvent être retenues [GOT 93], [Blazewicz et al. 96] :

La complexité calculatoire du problème : un problème d’ordonnancement est caractérisé par le risque d’explosion combinatoire de l’arbre de recherche des solutions. Cet écueil est à l’origine de toutes les approches algorithmiques en recherche opérationnelle (R.O) et en Intelligence artificielle (I.A).

La nature distribuée du problème : il s’agit, en effet, de répartir n tâche sur plusieurs ressources, chacune pouvant être dépendante l’une à l’autre.

Nombre de contraintes : un problème d’ordonnancement est un problème de résolution de contraintes, qu’elles soient physiques (contraintes fonctionnelles d’une machine, d’une tâche à exécuter,…) ou temporelle (date de fin de travail, durée de traitement d’une opération, temps de changement d’outils d’une machine,…). Ces contraintes peuvent être nombreuses et potentiellement contradictoires.


Page 5

2. Contribution

Notre projet a donc pour objectif d'étudier l'application des métaheuristiques avancées essentiellement les algorithmes génétiques hybrides dans un système multi-agents dans le contexte de l'ordonnancement d'atelier de type Flow-Shop hybride afin d’optimiser des critères de performance, tout en mettant en évidence la notion d'évolution des agents. C'est pourquoi, nous nous proposons d'appliquer le concept de l'évolution par l'intermédiaire des algorithmes génétiques hybrides à un système dynamique basé sur des entités coopérantes.

Nous proposons donc une combinaison de diverses métaheuristiques (algorithmes génétiques et des méthodes de recherche locale) dans un environnement coopératif distribué où chaque métaheuristique utilise différentes configurations de paramètres. Cette modélisation nous permettra d’identifier clairement la méthode de coopération entre les diverses métaheuristiques impliquées et ainsi d’en faciliter l’implantation. Nous démontrerons ainsi que cette combinaison de métaheuristiques, en plus d’offrir une plus grande rapidité d’exécution, permet d’offrir une plus grande robustesse de qualité de solution en comparaison avec les métaheuristiques prises individuellement.Dans un contexte perturbé, le problème d’ordonnancement peut être envisagé comme un problème de Réordonnancement dont l’objectif est de respecter au mieux les plans pré-calculés par un ordonnancement initial, face à des aléas de production ou autres. Nous abordons cet objectif selon une approche de résolution coopérative faisant interagir l’ensemble des entitéscomposant notre système nous conduisant à proposer des mécanismes de Réordonnancement coopératif (réactif).

Figure 1 : proposition d’un système de Réordonnancement

3. Organisation du manuscritLe présent manuscrit développe les principes évoqués précédemment concernant la définition et la mise en œuvre par une approche multi-agents d’une méthode hybride d’ordonnancement d’atelier (préventive - réactive). Ce manuscrit est organisé en cinq chapitres dont une brève description est donnée ci-dessous : Chapitre 1. Pilotage des systèmes de production :

Dans ce premier chapitre, nous définissons des concepts généraux ; le système de production et le système de pilotage ainsi que les différentes organisations proposées dans la littérature, nous exposons vers la fin notre choix de modélisation retenu.

Chapitre 2. Les systèmes multi agents :Le deuxième chapitre présente une revue sur les Systèmes multi-agents, avec un bref historique de l’évolution de l’intelligence artificielle distribuée qui a donné naissance aux


Page 6

SMAs. Nous expliquerons dans un premier temps les notions élémentaires des agents, leurs architectures, leurs typologies ainsi que leurs domaines d’application, pour nous intéresser ensuite à leur adaptation et mise en œuvre dans notre travail.

Chapitre 3. Les métaheuristiques d’optimisation et les algorithmes génétiques hybrides Une première partie du troisième chapitre est consacrée à la description des métaheuristiques et des métaheuristiques avancées les plus connues. Une deuxième partie décrit notre approche visant à appliquer les algorithmes génétiques et montre comment nous avons mis en place ces métaheuristiques dans notre travail, et plus précisément dans le système multi-agents que nous avons développé. Nous détaillons ensuite la structure de l’algorithme génétique hybride utilisé.

Chapitre 4. Mise en œuvre et application Ce chapitre met l’action sur le processus décisionnel associé au pilotage distribué. Nous détaillerons la modélisation de notre système dans le cadre d’une approche multi-agents, cette modélisation nécessite notamment de pouvoir spécifier les différents agents composants notre système, leur modèles retenus ainsi que leurs comportements. Nous présenterons ensuite la conception et la mise en œuvre des algorithmes génétiques hybrides dans le cadre de cette modélisation.

Chapitre 5. RéalisationLe chapitre 5 illustre la mise en œuvre de l’approche développée. Nous décrivons tout d’abord les outils utilisés pour développer ce prototype, nous précisons ensuite l’architecture informatique de notre prototype basée sur la langage JAVA, et adoptant le standard ACL-FIPA. Nous décrivons enfin les scénarios d’études retenus pour effectuer des expérimentations et une simulation de la gestion de perturbation, ainsi que sa modélisation et nous exposons les résultats obtenus pour chacun des scénarios étudiés.

Enfin, pour clôturer ce mémoire nous présenterons une conclusion générale récapitulant les résultats obtenus et ouvrant un certain nombre de perspectives de recherche jugéesintéressantes pour améliorer ce travail.

Trois annexes complètent le manuscrit, la première est consacrée au modèle théorique étudié Flow Shop Hybride, nous décrivons leurs principes fondamentaux pour compléter ce qui a été évoqué dans le premier chapitre. La deuxième détaille la plate forme informatique utilisée pour implémenter le système multi-agents qui est la plate forme JADE, et enfin la troisième annexe qui présente un complément pour le chapitre trois, nous achevons les métaheuristiques citées (incomplètes) par la proposition de leurs descriptions textuelles de l’algorithme ainsi que leurs particularités et caractéristiques.

- Le pilotage des systèmes de production -

Page 7 Chapitre 1

Plan du chapitre

1. Introduction2. Production & gestion de production 2.1 Système 2.2. Les systèmes de production…………………………………………………………………………. 2.2.1 Définitions………………………………………………………………………………………… 2.2.2 Les composants d’un système de production ………………………………………………………3. Caractéristiques des systèmes de production___________________________________________

3.1 Flexibilité…………………………………………………………………………………………….. 3.2 Réactivité…………………………………………………………………………..………………… 3.3 Proactivité……………………………………………………………………………..……………… 3.4 .Robustesse…………………………………………………………………………………………...4. Diversité des systèmes de production_________________________________________________ 4.1. La production à l’unité ou en série…………………………………………………………………… 4.2 La production continue ou discontinue………………………………………………………………. 4.3. La production sur stock ou sur commande…………………………………………………………..5. Pilotage des systèmes de production__________________________________________________ 5.1 Introduction………………………………………………………………………………………… 5.2. Définitions………………………………………………………………………………………….. 5.3 Missions du système de pilotage………………………………………………………………………6. Les différentes structures de pilotage_________________________________________________ 6.1 Choix et modélisation de notre structure de pilotage………………………………………………….7. Pilotage et ordonnancement ________________________________________________________ 7.1 Définition……………………………………………………………………………………………. 7.2 Concepts de base……………………………………………………………………………………… 7.3 Choix de notre type d’atelier…………………………………………………………………………. 7.3.1 Présentation du modèle…………………………………………………………………………… 7.4 Classes d’algorithmes d’ordonnancement……………………………………………………………… 7.4.1. Pilotage sans ordonnancement prévisionnel ………………………………………………………. 7.4.2 Pilotage à ordonnancement prévisionnel…………………………………………………..………. 7.4.2.1 Pilotage à ordonnancement prévisionnel partiel………………………………………………… 7.4.2.2 Pilotage à ordonnancement prévisionnel total…………………………………………..……… 7.5 Construction de notre ordonnancement………………………………………………………………8. Approches de modélisation des systèmes de pilotage____________________________________ 8.1 Approches stochastiques pour la conduite des systèmes de production………………..…………….. 8.2 Approche objet pour la conduite des systèmes de production……………………………………….. 8.3 Approche multi-agents pour la conduite des systèmes de production………………………………… 8.3.1 L’utilisation des SMA au sein de notre système de pilotage……………………………………….. 8.3.2 Quelques systèmes de pilotage à base d’agents………………………………………….…………9. Conclusion_______________________________________________________________________

888999111112121213131314141415161719202021222223232323242425252627282830

______________________________________________________________________________________________________________

......................................................................................................................................................


Page 8 Chapitre 1

1. Introduction

Depuis les dernières décennies, les systèmes de production ont connu un développement prodigieux, où la gestion de production et l’ordonnancement des tâches sont devenus les éléments qui demandent le plus d’efforts. Comme l’augmentation de la production et la diminution des coûts sont devenus les objectifs majeurs dans toutes les entreprises, les chercheurs ont tenté detrouver et de développer de nouvelles stratégies et méthodes pour la résolution de tels problèmes.

La gestion de production a pour but de fournir des outils permettant le contrôle et la planification de processus de production. Toutes les études montrent que ces fonctions doivent coopérer pour permettre l’automatisation de la production et que certaines sous fonctions telles que la gestion des stocks sont bien maîtrisées mais ce n’est pas le cas pour d’autres comme la planification et l’ordonnancement en particulier, qui sont encore assez mal résolues malgré les nombreux efforts faits actuellement.

Les problèmes d’ordonnancement se rencontrent très souvent notamment dans l’optimisation de la gestion des systèmes de production. La plupart des problèmes d’ordonnancement sont NP-difficiles .Il s’ensuit que ces problèmes sont impossibles à résoudre de manière exacte, les chercheurs se sont orientés vers l’utilisation des méthodes approchées appelées « heuristiques ». Contrairement à une méthode exacte qui vise à l’obtention d’une solution optimale, l’objectif d’une heuristique est de trouver une « bonne » solution en un temps raisonnable.

2. Production & gestion de production

2.1 Système :

a) Définition : Un système est un ensemble de composants ou d’entités en interaction permanente ; la coopération entre ces composants est primordiale pour atteindre un certain objectif [MOH 99].

b) Caractéristiques principales [CHE 99a] : -La structure : le nombre et la nature des éléments, -L’organisation : interaction entre les éléments (règles de fonctionnement), -Les flux de fonctionnement : relations entre les éléments.

Chapitre

1


Page 9 Chapitre 1

Comme le nombre des éléments peut être grand ou ces éléments ont des natures différentes ils peuvent se regrouper pour former des sous-systèmes et ces derniers constituent le système.Les règles de fonctionnements peuvent -par exemple- être des conditions de changement d’états ou de passage d’une étape vers une autre. On a les règles inter système : entre les sous-systèmes et intra système : entre les sous-systèmes et le système entier.Les principaux flux dans un système sont : le flux de matière, le flux d’information et le flux financier.

2.2. Les systèmes de production2.2.1 Définitions

Un système de production est un ensemble de ressources réalisant une activité de production. La production est la transformation de ressources (machines et matières) conduisant à la création de biens ou de services [GIA 88]. La transformation s'effectue par une succession d'opérations qui utilisent des ressources (machines et opérateurs) et modifient les matières premières ou composants entrant dans le système de production afin de créer les produits finis sortant de ce système et destinés à être consommés par des clients. Les modifications peuvent porter sur la forme du produit, sa structure, son apparence, etc. La transformation subie par les produits leur procure de la valeur ajoutée. Les ressources appartenant au système de production, mobilisées pour réaliser l'activité de production peuvent être des machines, des opérateurs, de l'énergie, des informations, des outillages... Une des fonctions importantes du système de production est la fabrication elle-même du produit fini, mais son bon déroulement nécessite la mise en oeuvre de fonctions additionnelles telles que les achats des composants et matières premières, la distribution du produit fini, la gestion de la qualité des composants et du produit ou la maintenance des différentes ressources interviennent aussi de manière importante.

2.2.2 Les composants d’un système de production

D’un point de vue systémique [LEM 1990], il est classique de décomposer le système « entreprise » en trois sous-systèmes qui coopèrent : le sous-système physique représentant le système opérant, le sous-système d’information permettant l’acquisition, le traitement et la gestion des données

du système et de son environnement, le sous-système de décision qui pilote (identifie, analyse et corrige les dérives en proposant des

actions correctives ou préventives) le système physique.


Page 10 Chapitre 1

Figure 1. Approche systémique du système de production.

Si cette décomposition est valable pour le système entreprise, et permet son analyse, elle est moins adaptée pour le Système de Production et sa modélisation Dans le Système de Production (SP), les sous-systèmes d’information et de décision n’ont pas d’existence propre, l’un sans l’autre. Ils constituent ensemble ce que nous appelons le système de pilotage ou le système d’information et de décision (SID) ou encore le système directeur [ROD 91]. Ainsi, il est plus conforme à la réalité de considérer le SP comme l’association d’un système de fabrication (Opérant) et d’un système de pilotage.

Figure 2. Composantes fondamentales d’un système de production

Le système de fabrication (Opérant)Dans une optique de simulation, le système de fabrication est composé de ressources et d’entités. Les ressources comprennent les machines, les stocks, les opérateurs, les moyens de transfert... et les entités comprennent les produits, les matières premières, les pièces, les lots...L’analyse des composantes d’un système de fabrication montre que les ressources présententsimultanément un aspect « machine » et un aspect « stock ». En effet, une machine peut présenter un aspect « stock » dans des conditions de blocage. Les stocks et les moyens de transfert présentent un aspect « machine » si le temps de transit n’est pas nul. Selon ce point de vue, un système de


Page 11 Chapitre 1

fabrication est un ensemble de ressources qui effectuent des opérations de transformation sur les entités.Les ressources peuvent être identifiées par deux types :

- les ressources principales (machines, robots, moyens de transfert, stocks,…) qui sont actives et qui ont une certaine autonomie vis-à-vis du reste du système. Elles peuvent évoluer dans certaines limites, indépendamment du reste du système ;

- les ressources auxiliaires (outils, palettes,…) qui sont passives et qui permettent à desressources principales d’accomplir une opération. Ce type de ressource est caractérisé parson exclusivité ou sa partageabilité.

Dans certains cas, les opérateurs humains peuvent être considérés comme ressources principales (opération de contrôle, de pesage, d’emballage,…) et dans d’autres cas comme ressources auxiliaires (réglage d’une machine).Les opérations de transformation réalisées par les ressources principales peuvent être de deux types : les opérations avec valeur ajoutée (enlèvement de matière, déformation, assemblage, emballage...) et les opérations sans valeur ajoutée (stockage, contrôle, transfert...) [HAB 01].

Le système de pilotage

Le rôle de ce système est de diriger, guider et piloter, de manière à assurer la pertinence et la cohérence du système dans un environnement donné. Le pilotage peut être considérée comme l’art d’adapter en permanence les objectifs de l’entreprise à l’évolution de l’environnement à travers l’analyse des contraintes et des opportunités. [DRA 98].

Quant au système de pilotage, il peut être composé : de points de captage (les capteurs) pour la récupération de l’information, d’un processus de décision pour l’analyse, le traitement de l’information, l’évaluation et la

génération de décisions, de points d’actions qui constituent les points de passage des ordres ou des actions vers le

système de fabrication.

3. Caractéristiques des systèmes de production

Le contexte économique dans lequel les entreprises évoluent aujourd’hui nécessite des systèmes de production basés sur des principes, ayant des nouvelles caractéristiques, telles que la flexibilité, la réactivité, la proactivité et la robustesse.

3.1 FlexibilitéElle peut être définie comme suit :

La flexibilité d'un système de production se caractérise par sa capacité d'adaptation à la production des nouveaux produits pour lesquels le système n'a pas été étudié. Cela suppose une adaptation totale du système de production au produit courant (de la distribution des flux discrets de composants aux opérations qu'effectuent les moyens de production sur le produit).


Page 12 Chapitre 1

Plusieurs types de flexibilité [ABR 96], [ADA 97] ont été mis en évidence suivant leurs incidences sur l'objectif qui est le produit fini et sur les moyens de production permettant la réalisation de ce produit.

3.2 RéactivitéLa majorité des clients (pour ne pas dire tous) exigent de recevoir leur livraison dans des délais impartis et ce quel que soit la charge des commandes, et il est clair que la satisfaction d’une telle exigence impose au système de production d'être réactif, c'est-à-dire capable de répondre rapidement et économiquement à un changement (fabrication multi-produit, introduction d'une commande urgente, modification d'une norme etc.) ou à un aléa. Ces aléas peuvent provenir soit du système de production (défauts d'alimentation, défauts de réalisations d'une tâche, pannes des machines, rebuts) soit de son environnement (approvisionnements des matières premières). Donc la réactivité peut être définie ainsi :

La réactivité se pose en terme de mesure de la qualité d'une certaine performance du système de production et celle-ci implique une maîtrise du système observé, ainsi, elle impose une vision dynamique des événements qui se passent dans le système

3.3 ProactivitéVu l'évolution rapide de l'environnement et la complexité croissante des processus de production,ces derniers doivent présenter une nouvelle propriété : la proactivité.

A côté des fonctions d’observation, de surveillance et de correction, nécessaires pour assurer la réactivité d’un système, la proactivité implique une quatrième fonction d’enrichissement desconnaissances, qui permet d’améliorer les processus d’interprétation et de décision.

3.4 .RobustesseUne autre exigence du client est d'acquérir sa commande avec la garantie d'une certaine qualité. Cela impose au système de production une certaine robustesse, d’où ;

C’est l’aptitude à répondre (réagir) dans un temps requis aux changements de son environnement interne ou externe (aléa, situation nouvelle, perturbation, sollicitation, …) par rapport au régime (fonctionnement) permanent (stable).

La proactivité d’un système de production se caractérise par ses capacités d’anticipation (prévoir et/ou provoquer) les changements d’état, d’apprentissage et d’enrichissement des connaissances (pour améliorer sa réactivité), d’adaptation ses règles de fonctionnement et par sa capacité de réorganisation reposant sur une architecture décentralisée et une délégation de responsabilité.

La robustesse d'un système de production se définit par son aptitude à produire conformément aux résultats attendus. Cela suppose la garantie de l'obtention des performances souhaitées en présence d'incertitudes


Page 13 Chapitre 1

L'acquisition de ces quatre propriétés est liée à une réorganisation notable du système deproduction existant, notamment au niveau de la conduite du système par la prise en compte desnouvelles approches. [DRA 98].

L’auteur [CHE 99a] a regroupé les caractéristiques d’un système de production dans les points suivants :

Grand nombre de processus : fabrication, transport, stockage,... Forte interaction entre les éléments : employés, ressources, stocks,… Manque d’information pour la gestion : les informations concernant le marché, les fournisseurs

et la concurrence, Phénomènes aléatoires : pannes, arrivée des approvisionnements,… Nature incertaine des décisions à prendre : pas de règle unique et claire, Grande variété des critères d’appréciation.

4. Diversité des systèmes de production 4.1. La production à l’unité ou en série

Certains biens sont produits à l’unité. Il s’agit généralement de produits spécifiques répondant à des besoins particuliers qui font l’objet d’un cahier des charges détaillé. Il peut s’agir de produits très volumineux ou très coûteux, pour lesquels on parle de production unitaire par projet (ex : viaduc de Millau, usine clé en main, …) ou de produits très personnalisés, pour lesquels on parle de production unitaire à la tâche (ex : conception d’un logiciel sur-mesure pour une entreprise donnée, conception d’un meuble sur-mesure, …).

D’autres biens sont produits en série. Il s’agit généralement de produits standardisés, fabriqués en quantité, pour réaliser des économies d’échelles (réduction des coûts de production du fait des quantités). La taille des séries est fonction de la demande des clients et des coûts. La taille optimale sera celle qui permet de répondre à la demande des clients pour un coût minimum. On distingue : La production en petite et en moyenne série (production par lot, taille de produit est plus ou

moins modeste)

Documents

Proposition d’une nouvelle architecture des systèmes multi … · 2016. 6. 13. · Mr BOUAMRANE Karim Maître de Conférences, Université d'Oran, ES-Sénia, Algérie (Examinateur)