COVID-19
COVID-19

PFE. Hybridation d’algorithmes génétiques avec les systèmes immunitaires artificiels pour la résolution du problème de l’ordonnancement conjoint de la production et de la maintenance : Cas du flow shop

ESI > Articles > Non classé > PFE. Hybridation d’algorithmes génétiques avec les systèmes immunitaires artificiels pour la résolution du problème de l’ordonnancement conjoint de la production et de la maintenance : Cas du flow shop

Intitulé du Sujet :

Hybridation d’algorithmes génétiques avec les systèmes immunitaires artificiels pour la résolution du problème de l’ordonnancement conjoint de la production et de la maintenance : Cas du flow shop

 

Organisme d’accueil : Laboratoire LMCS (ESI).

Encadreur: F. BENBOUZID-SITAYEB M. BESSEDIK

Mots-clés : Algorithmes génétiques ; Systèmes immunitaires artificiels ; Ordonnancement ; Production ; Maintenance ; Flow shop.

 

Résumé

Les algorithmes génétiques forment une approche métaheuristique évolutive qui a prouvé son efficacité face à plusieurs problèmes NP-difficiles de l’optimisation combinatoire. Le principal avantage des algorithmes génétiques est leur rapidité. Cependant, le fait qu’ils se basent sur des opérateurs génétiques n’utilisant aucune connaissance du problème traité, a pour effet de limiter considérablement leur efficacité.

L’optimisation par système immunitaire est une famille récente de métaheuristiques qui s’inspire du comportement du Système Immunitaire Naturel (SIN). Les Systèmes Immunitaires Artificiels (en anglais AIS pour Artifcial Immune System) sont des systèmes informatiques abstraits utilisant les idées, les théories et les composants du système immunitaire naturel. Les AIS apportent d’un point de vue informatique, des propriétés telles que la reconnaissance, la discrimination, la mémorisation, l’apprentissage, l’auto-organisation, l’adaptation, la robustesse et l’évolutivité. Toutes ces caractéristiques permettent aux algorithmes basés sur les systèmes immunitaires artificiels de palier à plusieurs obstacles lors de la résolution des problèmes combinatoires difficiles.

Pour palier aux faiblesses des algorithmes génétiques, nous proposons dans ce travail de développer un algorithme génétique pour la résolution du problème de l’ordonnancement conjoint de la production et de la maintenance utilisant des crossovers inspirés des AIS.

La maintenance et la production sont deux fonctions qui agissent sur les mêmes ressources. Cependant l’ordonnancement de leurs activités respectives est indépendant, et ne tient pas compte de cette contrainte. Les ressources (machines) sont toujours considérées comme disponibles à tout moment ou éventuellement durant certaines fenêtres de temps. Dès lors la planification de la maintenance n’est jamais prioritaire sur la production, pour effectuer des interventions préventives. Le problème de l’ordonnancement conjoint de la production et de la maintenance consiste à ordonnancer d’une part la production sous les contraintes de respect des délais, coût et qualité des produits et d’autre part planifier la maintenance sous les contraintes de sûreté de fonctionnement des équipements qui assurent la pérennité de l’outil de production. La complexité du problème dû aux incertitudes liées notamment aux données et des objectifs à atteindre nous fait penser qu’une approche par les méthodes exactes n’est pas envisageable, et nous fait nous tourner naturellement vers les méthodes heuristiques qui permettent de résoudre même partiellement ce type de problème.

Une étude empirique faisant varier les différents paramètres de l’approche proposée sera faite. Pour évaluer notre travail, nous proposons aussi de comparer les résultats obtenus avec ceux des travaux relatifs au même problème.

We are using cookies to give you the best experience. You can find out more about which cookies we are using or switch them off in privacy settings.
AcceptPrivacy Settings

GDPR