These de Doctorat Sur La Planification Et L'ordonnancement Des Plateformes Logistiques

Planification et ordonnancement des plateformes
logistiques
Susana Carrera
To cite this version:

Susana Carrera. Planification et ordonnancement des plateformes logistiques. Informatique
[cs]. Institut National Polytechnique de Lorraine - INPL, 2010. Francais. <tel-00606411>
HAL Id: tel-00606411

https://tel.archives-ouvertes.fr/tel-00606411
Submitted on 7 Jul 2011
HAL is a multi-disciplinary open access

archive for the deposit and dissemination of scientific research documents, whether they are published or not. The documents may come from
teaching and research institutions in France or
abroad, or from public or private research centers.
Larchive ouverte pluridisciplinaire HAL, est

destinee au depot et `a la diffusion de documents
scientifiques de niveau recherche, publies ou non,
emanant des etablissements denseignement et de
recherche francais ou etrangers, des laboratoires
publics ou prives.
AVERTISSEMENT
Ce document est le fruit dun long travail approuv par le jury de

soutenance et mis disposition de lensemble de la communaut
universitaire largie.
Il est soumis la proprit intellectuelle de lauteur au mme titre que sa
version papier. Ceci implique une obligation de citation et de
rfrencement lors de lutilisation de ce document.
Dautre part, toute contrefaon, plagiat, reproduction illicite entrane une
poursuite pnale.
Contact SCD INPL: mailto:scdinpl@inpl-nancy.fr
LIENS
Code de la proprit intellectuelle. Articles L 122.4

Code de la proprit intellectuelle. Articles L 335.2 L 335.10
http://www.cfcopies.com/V2/leg/leg_droi.php
http://www.culture.gouv.fr/culture/infos-pratiques/droits/protection.htm
D
epartement de formation doctorale en informatique
Institut National
Polytechnique de Lorraine
Ecole
doctorale IAEM Lorraine
Planification et Ordonnancement de
Plateformes Logistiques
`
THESE
presentee et soutenue publiquement le 05 novembre 2010
pour lobtention du
Doctorat de lInstitut National Polytechnique de Lorraine

(sp
ecialit
e informatique)
par
Susana Carrera
Composition du jury
Rapporteurs :
Marie-Ange Manier
Aziz Moukrim
Examinateurs :
El Houssaine Aghezzaf
Lionel Amodeo
Zineb Habbas
Matre de Conferences HDR,

Universite de Technologie de Belfort-Monbeliard
Professeur,
Universite de Technologie de Compi`egne
Professeur,
Universite de Gand, Belgique
Professeur,
Universite de Technologie de Troyes
Matre de Conferences HDR,
Universite Paul Verlaine, Metz
Directrice de thse :
Marie-Claude Portmann
Professeur,
Institut National Polytechnique de Lorraine
Co-directrice :
Wahiba Ramdane Cherif
Matre de conferences,
Institut National Polytechnique de Lorraine
Laboratoire Lorrain de Recherche en Informatique et ses Applications UMR 7503
Remerciements
Je tiens tout dabord remercier sincrement Marie-Claude Portmann, Professeur mrite
lEcole des Mines de Nancy, qui ma initie la recherche (et la comprhension des expressions lorraines !), pour ses conseils qui mont guide pendant ces trois annes de thse, pour
sa disponibilit et sa patience, et finalement pour sa persistance trouver des thmes de recherche intressants. Cela a t un plaisir de travailler sous la direction dune personne aussi
ptillante et passionne par son travail. Je voudrais galement remercier Wahiba Ramdane Cherif, Matre de confrences lEcole des Mines de Nancy, pour mavoir co-encadr et apport son
soutien tout au long de cette thse, mais aussi pour tre toujours aussi sympathique et souriante.
Je tiens aussi exprimer ma reconnaissance Marie-Ange Manier, Matre de Confrences
lUniversit de technologie de Belfort-Monbeliard, et Aziz Moukrim, Professeur lUniversit
de technologie de Compigne qui mont fait lhonneur dtre rapporteurs de cette thse. Je les
remercie aussi pour leurs remarques et commentaires qui mont permis damliorer ce mmoire.
Je voudrais remercier Zineb Habbas, Matre de Confrences lUniversit Paul Verlaine,
Lionel Amodeo, Professeur lUniversit de technologie de Troyes, et El-Houssaine Aghezzaf,
Professeur lUniversit de Gand, pour avoir accept de faire partie de mon jury de thse.
Mes remerciements vont galement Ammar et Franoise et toutes les personnes de lquipe
ORCHIDS. De mme tous ceux avec qui jai partag le bureau des thsards : Adrien, Zerouk,
Smail et enfin Jos pour ses remarques et sa trs agrable compagnie pendant mes dernires semaines.
Je garde en mmoire les pauses caf et jungle speed
R avec les collgues du LORIA, merci
Stphane (aussi fournisseur DVD, trs apprci !), Pierre, et les doctorants, post-doctorants
et autres membres de lquipe Orpailleur. Je profite pour faire passer un grand merci Jean
Lieber pour mavoir, de manire compltement dsintresse (bazinga !), mise en contact avec
Marie-Claude dans un premier temps.
Jai rencontr de nombreuses personnes sans qui ces annes passes Nancy nauraient pas
t aussi agrables. Je pense en particulier toutes les personnes du club de plonge avec qui jai
partag des moments de fatigue et de dtente les mercredis soir la piscine et certains week-ends
dans les eaux froides (trs froides) des lacs des Vosges. Merci aussi toute la famille Cojan pour
leur bonne humeur, leur gentillesse et leurs encouragements.
Quiero agradecer a dos personas sin las cuales no habran sido posibles estos ltimos seis
aos. Chame, gracias a su entusiasmo, me abri la puerta al mundo y, con ello, al mayor cambio
en mi forma de ver las cosas. Te agradezco por ser fuente de motivacin, adems de ser un gran
ejemplo y amigo. A mi mejor amigo, Edu, quien siempre est ah, quien sabe darme nimo en
todas las circunstancias, y sobre todo por la franqueza que lo caracteriza y que me ha hecho
ms fuerte. Me siento muy afortunada de haber podido comenzar esta aventura contigo, y te
agradezco por tu apoyo incondicional.
Agradezco a mis hermanos : Pablo, Marce y David por haber compartido nuestra infancia y
parte de nuestras vidas de adultos, por su carnio y su apoyo, por su inteligencia y su actitud
frente a la vida que me hace sentir orgullosa de ser su hermana. A mis padres porque soy el
i
fruto de todos sus esfuerzos y enseanzas, por el amor y la confianza que siempre me han dado,
los amo y los respeto profundamente. A mi familia, mis xitos son sus xitos, les agradezco por
haberme llevado tan lejos.
Finalmente, a la mejor persona que conozco y con quien tengo la suerte de compartir mi
vida, Julien. Gracias por tu paciencia, tu estmulo contnuo, por ponerte al frente de la cocina
durante los ultimos meses de redaccin, pero sobre todas las cosas, por creer en m.
ii
Introduction gnrale
La globalisation de lconomie et limplantation des centres de production dans des zones
gographiques cots de revient infrieurs ont conduit la constitution de rseaux dentreprises de plus en plus complexes et des flux importants de produits lchelle mondiale. Ces
produits sont dplacs par dirents moyens de transport via des entrepts (pour des dures
relativement importantes) et des plateformes (pour des dures gnralement plus courtes avec
re-conditionnement et re-distribution vers les clients industriels ou particuliers).
Lirrgularit dans les productions et dans les demandes induit des surcharges certaines priodes, diciles supporter car il nest pas possible de dimensionner les plateformes la charge
maximale de manire permanente. Malgr, ou cause de, lutilisation massive de personnel
intrimaire et/ou dheures supplmentaires pendant les priodes de pointe, les goulets dtranglement induisent des pertes financires importantes pour les organismes concerns. Il est donc
ncessaire de proposer des solutions ecaces afin damliorer la situation actuelle, sachant que
lon peut agir en interne, en optimisant le fonctionnement interne de la plateforme (avec toute
la complexit que les contraintes propres aux plateformes logistiques induisent), ou en externe
en considrant globalement les flux, par exemple, au moyen de ngociations avec les partenaires
pour avancer ou retarder les livraisons. Et ce, aux niveaux tactique et oprationnel.
Cest dans le contexte de loptimisation et laide la dcision pour la gestion de la chane
logistique en gnral, et de loptimisation des entrepts et des plateformes logistiques en particulier, que le prsent mmoire sinscrit. Il est le rsultat des travaux de recherche mens lors
de ma thse co-encadre par Marie-Claude Portmann et Wahiba Ramdane-Cherif, au sein de
lquipe ORCHIDS (Operations Research for Complex HybrId Decision Systems) du laboratoire
dinformatique LORIA Nancy.
La question pose dans cette thse est celle de loptimisation de la planification et de lordonnancement des plateformes logistiques. Nous tudions deux problmes propres ces structures,
un au niveau tactique et lautre au niveau oprationnel, avec des hypothses constates dans
des applications relles et qui ont t ngliges, daprs le rsultat de nos recherches bibliographiques, dans la littrature concernant les entrepts.
Au niveau de la planification notre problme est celui du lissage de charge avec des ngociations
pendant les priodes de pointe pour minimiser les pertes financires dues la saisonnalit de la
demande. La thse de Latifa Ouzizi [113], co-encadre par Franois Vernadat et Marie-Claude
Portmann, proposait dj des modles de ngociation semi-distribus pour le niveau tactique
(planification prvisionnelle dans un rseau dentreprise), mais ces modles simplifis tenaient
essentiellement compte des contraintes de production des dirents sites, les transports taient
modliss par des dcalages temporelles et les plateformes logistiques ignores ou modlises
comme des centres de production alors que les contraintes sont direntes. Nous poursuivons
ces travaux, pour traiter un problme qui, notre connaissance, na pas t trait auparavant.
iii
Introduction gnrale
Ce problme combine le lissage de charge avec des ngociations et la gestion de lorganisation
du travail en y intgrant toutes les spcificits lies aux plateformes logistiques. Nos travaux
font la jonction entre les choix stratgiques et les choix oprationnels, en proposant des outils
daide la dcision permettant doptimiser les rsultats des ngociations entre les partenaires
intervenant au niveau de la ngociation des flux.
Au niveau oprationnel, nous tudions plusieurs problmes dordonnancement lis aux activits
de prparation de commandes dans les plateformes logistiques. Ce type de structures ont des
contraintes particulires, lies la forme des arrives des composants et la faon dont lexpdition des commandes se fait. Ces deux types de contraintes particulires sont prsentes dans la
littrature pour des problmes dordonnancement dateliers mais nont pas t traites ensemble
auparavant. En raison du caractre NP-dicile de nos problmes et du manque dtudes les
concernant dans la littrature (pour la plupart des problmes considrs), nous avons dcid de
dvelopper des approches de rsolution exactes pour des problmes simplifis dordonnancement
pour plateforme ; notamment une plateforme avec une seule machine de prparation de commande, et ce, avec lobjectif de construire une base pour ltude de plateformes plus complexes.
Nous examinons plusieurs extensions nos problmes dans les perspectives la fin de ce mmoire.
Dans le premier chapitre de cette thse, nous dfinissons prcisment le contexte gnral dans
lequel se positionne notre tude. Nous introduisons la problmatique de gestion de la chane logistique o plusieurs entits juridiques interagissent, et celle du contrle des flux et de la gestion
de production dune seule entit avec un centre de dcision centralis. Nous dressons un panorama gnral des problmes de planification, dordonnancement et de leur coordination, pour
un partenaire quelconque de la chane logistique en gnral, et pour les entrepts en particulier.
Nous mettons en vidence que la coordination entre partenaires (mais aussi entre les types de
dcisions prendre), souvent avec des objectifs antagonistes, nest pas facile mettre en uvre.
Nous prsentons les principaux modles et logiciels daide la dcision relatifs ce domaine.
Enfin, nous terminons le chapitre par positionner nos travaux de recherche dans le contexte
introduit. Nous concluons cette partie en dgageant les motivations et les objectifs de la thse.
Dans le deuxime chapitre, nous abordons le problme de lissage de charge dans les plateformes logistiques pendant les priodes de pointe pour minimiser les cots (incluant ceux de
personnel). Nous commenons le chapitre en introduisant le problme de lissage de charge auquel les plateformes logistiques font face pendant les pics de charge. Ensuite, nous prsentons
le cas de lentreprise de distribution de chaussures, avec toutes ses particularits, qui a motiv
notre travail. Nous analysons la littrature concernant le lissage de charge, les mcanismes de
ngociation et la gestion des ressources humaines dans les centres de production et les entrepts.
Dans le but de concevoir des outils daide la dcision gnriques, nous prsentons les lments
gnriques susceptibles dtre appliqus de nombreux problmes de ce type, que ce soit pour
les plateformes logistiques ou pour des ateliers de production. Deux modles linaires (en raison
du caractre moyen terme du problme de lissage de charge) gnriques, incluant deux types de
ngociations concernant les dates et les quantits des livraisons des partenaires en amont et en
aval de la plateforme, sont exposs ensuite. Nos modles peuvent tre appliqus des structures
ayant des organisations physiques et de travail direntes. Nous expliquons galement comment
nous avons gnr des jeux de donnes regroups dans trois familles dinstances qui dpendent
de lagencement physique de la plateforme. A partir des rsultats (obtenus avec ILOG CPLEX)
de nos modles linaires sur ces jeux de donnes, nous sommes en mesure dvaluer lintrt de
notre approche sur le lissage de charge et la pertinence des types de ngociation envisags.
iv
Les problmes dordonnancement pour plateforme sont tudis dans le chapitre trois. Nous
tudions un type de plateforme bien spcifique qui excute des activits de prparation de commande. Nous commenons le chapitre en prsentant les hypothses particulires de ce type de
plateformes lies aux arrives de composants, aux demandes des magasins et aux contraintes
dexpdition, ainsi que les applications industrielles qui ont motiv notre recherche. Ensuite,
nous analysons la littrature concernant le problme et les hypothses que nous considrons,
savoir : le problme de prparation de commandes, cest--dire un ordonnancement avec des
contraintes de ressources consommables et avec des dates de livraison fixes, nous concluons que
nos hypothses nont pas t considres simultanment dans la littrature. Nous distinguons
trois problmes dordonnancement selon les direntes hypothses sur la manire dont lexpdition des commandes est ralise. Nous introduisons les mthodes de rsolution que nous avons
considres : un modle linaire en nombres entiers pour le plus simple des problmes et des
Procdures par Sparation et Evaluation (PSE) avec un schma de sparation classique. Pour
chaque problme, nous dcrivons les lments ncessaires pour la PSE, en particulier les mthodes approches polynomiales (algorithmes de listes), les bornes infrieures et les rgles de
dominance ventuelles. Nous expliquons galement comment nous avons gnr des jeux de donnes pour ces problmes qui nont pas encore t traits dans la littrature. Nous comparons
nos mthodes exactes avec nos mthodes approches et bornes infrieures, et, pour le problme
le plus simple, nous comparons les performances de nos procdures par sparation et valuation
avec les performances obtenues en utilisant un logiciel de programmation linaire du commerce
(ILOG CPLEX).
Le mmoire se termine par un chapitre de conclusion contenant une synthse des rsultats
obtenus et quelques perspectives pour la poursuite de ces travaux.
Introduction gnrale
vi
Table des matires

Introduction gnrale
iii
Chapitre 1 Contexte du Travail

1.1
Chane logistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1.1
Prsentation gnrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1.2
Gestion de la production et contrle de flux au sein dune entit de la

chane logistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Plateformes logistiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
16
Outils daide la dcision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
22
1.2.1
Modlisation et valuation des chanes logistiques . . . . . . . . . . . . . .
23
1.2.2
Systmes dinformation . . . . . . . . . . . . . . . . . . . . . . . . . . . .
25
1.2.3
Mthodes de rsolution . . . . . . . . . . . . . . . . . . . . . . . . . . . .
27
Positionnement du travail de la thse et ses objectifs . . . . . . . . . . . . . . . .
30
1.1.3
1.2
1.3
Chapitre 2 Lissage de charge moyen terme
33
2.1
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
35
2.2
Motivation industrielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
36
2.3
Etat de lart . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
38
2.3.1
Gestion de personnel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
39
2.4
Formalisation du problme et hypothses spcifiques . . . . . . . . . . . . . . . .
41
2.5
Modles Linaires proposs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
42
2.5.1
Elments du modle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
42
2.5.2
Modle avec les ngociations des dates de livraison . . . . . . . . . . . . .
46
2.5.3
Modle avec ngociations des dlais et des quantits . . . . . . . . . . . .
53
Exprimentations et Rsultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
55
2.6.1
Agencements de plateforme tests . . . . . . . . . . . . . . . . . . . . . .
55
2.6.2
Mise en uvre et donnes utilises . . . . . . . . . . . . . . . . . . . . . .
57
2.6.3
Expriences numriques . . . . . . . . . . . . . . . . . . . . . . . . . . . .
60
2.6.4
Rsultats obtenus avec les ngociations des dlais . . . . . . . . . . . . . .
61
2.6
vii
Table des matires

2.6.5
2.7
Rsultats obtenus avec les ngociations des dlais et des quantits . . . .
69
Conclusion du chapitre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
75
Chapitre 3 Ordonnancement pour plateforme de prparation de commandes
77
3.1
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
79
3.2
Motivation industrielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
79
3.3
Etat de lart . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
80
3.3.1
Ordonnancement sous contrainte de ressources consommables . . . . . . .
81
3.3.2
Ordonnancement avec des dates de livraison fixes . . . . . . . . . . . . . .
82
3.4
Dfinition du problme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
82
3.5
Mthodes de rsolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
84
3.6
Modle de programmation linaire mixte . . . . . . . . . . . . . . . . . . . . . . .
84
3.7
Procdure par Sparation et Evaluation (PSE) . . . . . . . . . . . . . . . . . . .
87
3.7.1
Prsentation gnrale des Procdures par Sparation et Evaluation . . . .
87
3.7.2
Mthodes approches polynomiales . . . . . . . . . . . . . . . . . . . . . .
88
3.7.3
Bornes infrieures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
96
3.7.4
Schma des Procdures par Sparation et Evaluation proposes . . . . . . 110
3.7.5
Rgles de dominance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
3.8
3.9
Expriences . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
3.8.1
Gnration de donnes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
3.8.2
Etude comparative des bornes infrieures et des mthodes approches rapides116
3.8.3
Rsultats des mthodes de rsolution exactes . . . . . . . . . . . . . . . . 119
Conclusion du chapitre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
Chapitre 4 Conclusion Gnrale et Perspectives
125
4.1
Synthse des travaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
4.2
Perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
4.2.1
Perspectives concernant la planification des plateformes . . . . . . . . . . 128
4.2.2
Perspectives concernant lordonnancement de plateforme . . . . . . . . . . 129
4.2.3
Perspectives concernant lintgration des deux niveaux temporels . . . . . 130
Annexes
1
131
Gnration des donnes pour le problme de planification . . . . . . . . . . . . . 131

1.1
Gnration des donnes pour la ngociation des dlais . . . . . . . . . . . 131
1.2
Gnration des donnes pour la ngociation des dlais et des quantits . . 133
Synthse des rsultats de complexit des problmes dordonnancement . . . . . . 133

2.1
Complexit des problmes dordonnancement avec des ressources consommables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
viii
2.2
Complexit des problmes dordonnancement avec des dates de livraison

fixes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
Bibliographie
139
ix
Table des matires
Table des figures

1.1
1.2
1.3
1.4
Exemple de chane logistique trois tages (Khouja [88])

Problmes de planification dans la chane logistique (Meyr
Zones et flux dans une plateforme . . . . . . . . . . . . . .
Positionnement des outils (Erschler et Grabot [54]) . . . .
2.1
2.2
2.3
2.4
2.5
Plateforme du problme industriel . . . . . . . . . . . . . . .

Diagramme des oprations dassemblage et de dsassemblage
Courbes cumules en amont pour un produit . . . . . . . . .
Agencements de plateforme . . . . . . . . . . . . . . . . . . .
Construction des courbes cumules en amont pour un produit
3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
3.9
3.10
3.11
3.12
3.13
3.14
3.15
3.16
3.17
3.18
1
. . . . . . .
et al. [106])
. . . . . . .
. . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
3
5
18
27
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
37
44
45
56
69
Flux externes dun nud de la chane logistique . . . . . . . . . . . . . . . . . . .

Types de modlisation en ordonnancement avec exemples de valeurs pour les
variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Optimalit de LP T pour une ressource et consommations gales . . . . . . . . .
Optimalit de CC pour une ressource et temps de traitement gaux . . . . . . .
Contre exemple doptimalit de lordre LP T SCD pour minimiser le Cmax . .
Contre exemple doptimalit de lordre W SP T pour minimiser la somme des
pnalits des jobs en retard . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Borne infrieure pour le temps mort total et/ou partiel . . . . . . . . . . . . . . .
Impact de la relaxation des contraintes de disponibilit des composants . . . . .
Schma de construction de la borne suprieure (Martello et Toth [102]) du problme de sac dos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Problme de sac dos sous-jacent avec une borne suprieure de sa capacit . . .
Calcul de borne infrieure avec des ordres agrables et f sac dos pour wj Cj .
Discrtisation du temps par vnements, minimisation du Cmax . . . . . . . . .
Discrtisation du temps par vnements, hypothse (B) . . . . . . . . . . . . . .
Discrtisation du temps par vnements, cas gnral . . . . . . . . . . . . . . . .
Relaxation TKEX pour une ressource . . . . . . . . . . . . . . . . . . . . . . . .
Courbe darrive uniforme en escalier pour un composant . . . . . . . . . . . . .
Deux relaxations TKEX successives pour une ressource . . . . . . . . . . . . . .
Exemple de la construction de larbre de recherche pour nos PSE . . . . . . . . .
83
.
.
.
.
p
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
85
91
92
93
95
98
98
99
100
100
102
104
105
106
107
108
110
Complexit des problmes avec des ressources consommables pour minimiser le

Cmax . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
xi
Table des figures
xii
Chapitre 1
Contexte du Travail
Dans ce premier chapitre, nous dcrivons le contexte gnral dans lequel se situe cette thse,
celui de la gestion et de loptimisation de la chane logistique. Plus particulirement, nous nous
intressons aux dcisions, moyen et court terme, relatives au traitement des flux au sein dun
de ses maillons, les plateformes logistiques, et aux interactions de celles-ci avec les partenaires
en amont et en aval.
La premire section est consacre la dfinition des aspects importants de la gestion de
la chane logistique ainsi qu la caractrisation des problmes rencontrs dans la gestion de
la production et du contrle des flux moyen et court terme. Nous y mettons en vidence
les problmes dcisionnels et les hypothses particulires associs aux plateformes logistiques
moyen et court terme. Ensuite, nous nous intressons aux outils daide la dcision qui ont t
labors pour la gestion de la chane logistique en gnral, et pour les problmatiques associes
aux plateformes logistiques en particulier. Des mthodes et des outils issus de lapplication des
techniques doptimisation y sont prsents. Enfin, nous terminons en positionnant nos travaux
de recherche par rapport lenvironnement considr.
Contents
1.1
Chane logistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2
1.1.1 Prsentation gnrale . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2
1.1.2 Gestion de la production et contrle de flux au sein dune entit de la
chane logistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7
1.1.3 Plateformes logistiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.2 Outils daide la dcision . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.2.1 Modlisation et valuation des chanes logistiques . . . . . . . . . . . . . 23
1.2.2 Systmes dinformation . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.2.3 Mthodes de rsolution . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.3 Positionnement du travail de la thse et ses objectifs . . . . . . . . . 30
Chapitre 1. Contexte du Travail

Lobjectif principal de cette thse est de proposer des outils daide la dcision qui permettent
de piloter les flux sous contrainte tout en essayant de minimiser les cots dans les plateformes
logistiques. En particulier, nous cherchons dvelopper des outils daide la dcision ecaces
pour la planification et lordonnancement des plateformes logistiques, intgrant des facteurs
importants comme : les variations des flux qui peuvent tre saisonnires, les contraintes locales
de chaque partenaire et la coordination entre eux via des ngociations, les contraintes sociales
dont la formulation change selon le degr de granularit des modles de gestion de flux considrs,
etc.
Bien que la spcificit des plateformes logistiques fait que ces outils soient dirents de ceux
dvelopps pour les centres de production ou pour dautres entits de la chane logistique, nous
analysons la littrature concernant la gestion de production et le contrle de flux dans dautres
entits de la chane que les plateformes, pour constituer ventuellement une base pour notre
travail, mais aussi pour prciser les dirences de gestion avec les plateformes logistiques.
Dans ce chapitre, nous commenons, dans une premire partie, par dcrire la structure globale
dans laquelle les plateformes logistiques sintgrent, la chane logistique, et ce, dans le but de
positionner les entrepts et les plateformes, et de souligner leur importance dans cette structure.
Nous faisons ensuite le zoom sur une entit de la chane (dans le cas o la prise de dcisions est
centralise) et dcrivons les problmes moyen et court terme quelle peut rencontrer. Enfin,
nous introduisons les plateformes logistiques en dcrivant le type de problmes les plus tudis
dans la littrature, les processus associs aussi bien en amont quen aval de lentrept ainsi que
les contraintes lis son fonctionnement et les indicateurs dvaluation de sa performance.
Concernant les outils daide la dcision concevoir, il existe de nombreuses mthodes
de rsolution issues de la recherche oprationnelle, le choix dune dentre elles se justifie par les
caractristiques des problmes traits et des outils concevoir. La deuxime partie de ce chapitre
se focalise sur lanalyse des outils daide la dcision existant pour la rsolution des problmes
dans les chanes logistiques. Nous y dcrivons le type doutils et les mthodes de rsolution qui
y sont souvent imbriques et donnons des exemples dutilisation.
1.1
Chane logistique
Dans cette section nous commenons par introduire des lments importants dans la dfinition et la gestion des chanes logistiques. Ensuite, nous prsentons le problme de la gestion et
du contrle des flux dans les maillons de la chane logistique. Enfin, nous faisons le point sur
les problmes de gestion rencontrs dans la partie de la chane concerne par nos travaux de
recherche, les plateformes logistiques.
1.1.1
Prsentation gnrale
Dfinitions de la littrature
Dans la littrature, on dfinit les chanes logistiques comme le rseau de toutes les entits
qui interviennent dans la fabrication des produits selon les exigences des consommateurs et qui
ont un impact sur le cot de ces produits. Govil et Proth [69] dfinissent une chane logistique
comme un rseau global dorganisations qui cooprent afin damliorer les flux dinformation et
de matriels entre fournisseurs et clients au plus bas cot et dans les meilleurs dlais.
Gunasekaran et al., dans [74], dfinissent la chane logistique comme un rseau de fournisseurs,
usines, entrepts, centres de distribution, et magasins au travers duquel les matires premires
sont achetes, transformes et livres aux consommateurs.
2
1.1. Chane logistique
Figure 1.1 Exemple de chane logistique trois tages (Khouja [88])
Selon Hall et Potts [78], la chane logistique reprsente tous les tages auxquels on donne de
la valeur ajoute aux produits, ceci inclut lapprovisionnement des matires premires et des
composants intermdiaires, la fabrication de produits finis, le conditionnement, le transport,
lentreposage, et la logistique. Un exemple de chane logistique trois tages est prsent dans
la figure 1.1.
Pour Moon et al. [108], il sagit dun processus intgr dans lequel plusieurs entits travaillent
ensemble pour obtenir des produits de qualit bas prix, avec des niveaux de stocks rduits et
un niveau lev de performances.
Lobjectif premier dun tel rseau, sous des conditions satisfaisantes de rentabilit pour tous,
est la satisfaction du client final ; et donc toutes les activits de la chane doivent tre conues
selon les besoins des clients. Plusieurs notions importantes peuvent tre retenues des dfinitions
prcdentes. Les notions de flux, dentits, de coopration, ainsi que les notions lies aux activits
transformant les produits en leur donnant de la valeur ajoute dirents niveaux de la chane.
Toutes ces notions sont importantes dans la dfinition de la chane logistique et sont abordes
individuellement la suite de cette section.
Structure des chanes logistiques
Les chanes logistiques peuvent tre considres du point de vue du produit et de lentreprise.
Du point de vue du produit, la chane qui le concerne est constitue de tous les partenaires (entits juridiques) intervenant dune manire ou dune autre dans la production et la satisfaction
de la demande du produit en question, le client lui mme fait partie de ce rseau. Nous pouvons identifier direntes fonctions que ces partenaires peuvent eectuer au sein de la chane :
approvisionnement, fabrication, entreposage, sous-traitance, distribution, ventes, ... Une entit
juridique peut regrouper plusieurs fonctions. Du point de vue de lentreprise (regroupant une
ou plusieurs fonctions), on considre toutes les chanes logistiques o lentreprise intervient. Si
une entit juridique regroupe plusieurs fonctions, on parle de chane logistique interne pour les
fonctions quelle gre directement et les liens quelle supervise avec ses partenaires directs.
3

Chaque entit a un champ daction ou un rle bien dfini dans la chane logistique. De
mme, chaque organisation a des problmes rsoudre et doit prendre des dcisions concernant
son champ dactivit. Ce nest pas pour autant que toutes les entits sont indpendantes ; elles
interagissent entre elles et subissent leet des dcisions des autres. Lecacit avec laquelle se
font les interactions a un impact fondamental dans la performance de la chane logistique.
Gestion de la chane logistique
Lorsque lon cherche traiter de manire regroupe ou associer les problmatiques qui
concernent chacune des entits, et que lon veut obtenir un niveau de performance global, alors
on parle de gestion de la chane logistique. Simchi-Levi et al. [134] dfinissent la gestion de la
chane logistique comme un ensemble dapproches utilises pour intgrer, de manire ecace,
fournisseurs, fabricants, entrepts, et magasins, de sorte que les bonnes quantits de marchandise
sont produites et distribus aux bons endroits et aux bons instants, tout en minimisant les cots
et en satisfaisant le niveau de service exig.
Cest vers le dbut des annes 80 que la gestion de la chane logistique a pris de plus en plus
dimportance. Les entreprises avaient russi rduire les cots de production internes avec la
mise en pratique de direntes stratgies de production. Les entreprises ont pris conscience que
lamlioration de leurs propres systmes de production ntait pas susante et quil fallait grer
ecacement les interactions des entits de la chane. Ceci leur permettrait de rduire les cots
inutiles associs aux politiques de transport, aux cots de stockage, entre autres. Ainsi, lobjectif
de la gestion de la chane logistique est dtre ecace au niveau des cots tout au long de la
chane logistique. Il sagit de minimiser les cots oprationnels, les cots de transport et de
distribution et les cots de stockage des matires premires et des produits finis. Le but nest
pas de minimiser les cots de distribution, ni de rduire les stocks de manire indpendante,
mais davoir une approche de gestion globalement ecace.
La gestion de la chane logistique peut tre vue comme une approche intgre de la gestion de la
production dans chaque maillon, dont nous donnons plus de dtails dans la suite de ce chapitre
(c.f. section 1.1.2).
La dicult de la gestion de la chane logistique rside dans le dfi que cela reprsente de
concevoir la chane et de minimiser les cots transversaux en conservant les niveaux de service
tout au long de la chane. En eet, il est dj dicile de grer une seule entit en minimisant les
cots et en gardant le niveau de service. La dicult saccrot exponentiellement quand le nombre
dorganisations se multiplie. Plusieurs facteurs rendent presque impossible loptimisation globale
de la chane logistique comme la complexit du rseau logistique, les objectifs antagonistes et les
fluctuations de demande et de cot. Ces fluctuations peuvent tre dues limpact des variations
saisonnires, aux ores des concurrents, aux tendances du march, sans oublier les alas.
Dans la suite de cette section, nous dcrivons quelques aspects de la gestion de la chane
logistique. Pour une description plus dtaille des aspects concernant la conception et la gestion
des chanes logistiques, ainsi que les approches qui sont utilises, nous renvoyons le lecteur
Govil et Proth [69], Manzini et al. [101], Gunasekaran et al. [74], Simchi-Levi et al. [134], et
Chopra et Meindl [43].
Dcomposition temporelle et hirarchique des problmes de dcision
Comme nous pouvons le voir, la gestion du rseau logistique est une tche complique
laquelle sont associes des prises de dcisions tous les niveaux : ds ltape de conception de
la chane jusqu son fonctionnement oprationnel. Toutes les dcisions prendre auront un im4
Figure 1.2 Problmes de planification dans la chane logistique (Meyr et al. [106])
pact dans une priode de temps dfinie. Aussi, comme en gestion de production, nous pouvons
identifier trois niveaux temporels auxquels les dcisions sont associes : stratgique, tactique et
oprationnel qui auront un eet long, moyen et court terme respectivement.
Le niveau stratgique tudie des problmes de dcision qui ont un impact long terme sur lorganisation. Celui-ci inclut des dcisions concernant le nombre, la localisation, et la capacit des
entrepts et des centres de production, le choix de partenaires, lorganisation des flux au sein
du rseau logistique, etc. Le niveau tactique inclut des dcisions qui sont reconsidres priodiquement, avec des priodes qui vont de trois mois un an. Les champs dcisionnels sont par
exemple : les dcisions dapprovisionnement et de planification de la production, les politiques
dentreposage, les stratgies de transport et aussi la frquence de visite des clients. Enfin, le
niveau oprationnel se concentre sur les dcisions de tous les jours, telles que : ordonnancement, allocation des ressources, dtermination des dlais de livraison, routage, chargement des
camions, etc.
En plus de la dimension temporelle des dcisions, Stadtler [141] donne une dcomposition
hirarchique des dcisions pour la gestion de la chane logistique o lobjectif premier est damliorer la comptitivit du rseau et la qualit du service que lon fournit aux clients. Lauteur
tablit deux piliers fondamentaux pour atteindre lobjectif : lintgration des entits et la coordination des flux.
Chaque pilier induit dirents problmes dcisionnels. Lintgration dentits inclut, par exemple,
le choix des partenaires (fournisseurs, sous-traitants, etc.) pour lequel on prendra en compte
plusieurs aspects comme ltat actuel du rseau, les besoins que lon cherche satisfaire, les emplacements gographiques, les capacits des partenaires potentiels. Une fois que les partenaires
sont dtermins, on peut dfinir lorganisation exacte du rseau ; on cherche alors dterminer
de manire prcise les relations entre les partenaires en prenant en compte les objectifs communs.
Cette procdure dintgration a, videmment, une influence non ngligeable sur les performances
5

du rseau logistique et aussi sur le partage du march entre les concurrents.
De mme, pour la coordination des flux on doit faire face la prise de dcision dans dirents domaines : les choix technologiques qui permettront les changes dinformation entre les
partenaires, la conception des processus tout au long de la chane pour liminer les activits inutiles, ou encore la planification coordonne des flux. Cette dernire est, de loin, la tche la plus
complique cause de la complexit du rseau et des objectifs contradictoires des partenaires.
Nous y reviendrons dans la section suivante. Dans la figure 1.2 on peut trouver la classification
temporelle et fonctionnelle des problmes de planification que lon retrouve dans la gestion des
chanes logistiques selon Meyr et al. [106].
Coordination dans la chane logistique
Nous venons de voir que pour une gestion ecace du rseau logistique, la bonne prise des
dcisions au sein dune seule entit ne sut pas. Il est donc ncessaire qu chaque tage de la
chane, les partenaires prennent en compte limpact de leurs actions sur les autres tages.
Gunasekaran et al. [74] parle de la chane logistique comme une relation long terme entre
fournisseurs et clients. Dans le but de continuer cette relation, la coordination doit amliorer la
rentabilit de tous. Quil sagisse des changes dinformation ou de la coordination des activits
entre fournisseurs, producteurs, entrepts et magasins ; lintgration sera moins dicile si les
direntes entits appartiennent la mme entreprise (et qui cherchent donc atteindre la
mme performance globale), que si elles font partie de compagnies direntes avec des intrts
parfois conflictuels.
Limpact du manque de coordination peut se sentir plusieurs endroits de la chane : au niveau
des cots de production, des cots de stockage, des cycles de rapprovisionnement, des cots
de transport, du cot de personnel, de la disponibilit de certains produits, des relations entre
partenaires de la chane.
Pour ces raisons, le besoin de coordonner les dcisions est vident si lon souhaite amliorer les
performances globales et tre meilleur que ses concurrents.
Dans la littrature, plusieurs articles traitent la coordination du rseau logistique. Nous renvoyons le lecteur vers Li et Wang [99] et Sahin et Robinson [129] pour une revue des travaux
sur les mcanismes de coordination de flux et dinformations dans les chanes logistiques.
Thomas et Grin [145] classifient les modles de coordination dans les chanes logistiques en
trois catgories : acheteur-vendeur, production-distribution et stockage-distribution. La cration
de partenariats entre les acteurs de la chane est lune des formes de coordination les plus courantes dans la ralit, les objectifs sont, en gnral, de trouver des stratgies favorables pour
lensemble, de dfinir les responsabilits,...
De manire gnrale, nous pouvons identifier plusieurs sources de coordination dans la littrature
qui peuvent tre classes dans les catgories prcdentes : lintgration des dcisions stratgiques
pour ce qui est la conception de la chane (Stadtler [141], Manzini et al. [101]), la planification
coordonne de la production, le transport et le stockage (Lei et al. [97], Sarmiento et Nagi
[131]), lordonnancement de la production et la distribution ou la gestion de stocks (Mouloua
[109], Khouja [88], Crdenas-Barrn [25], Giard et Mendy [67], Hall et Potts [78], Kaminsky et
Kaya [87], Ganeshan [63], Giannoccaro et al. [66], Hnaien [84]).
Il est aussi vident que la tche de coordination est trs dicile cause de la structure de
la chane logistique, des objectifs antagonistes des partenaires et de la dicult de partage des
informations. Cest pourquoi, dans la littrature, la plupart des recherches se sont concentres
sur lintgration de certains sous secteurs de la chane logistique.
6
1.1.2
Gestion de la production et contrle de flux au sein dune entit de la

chane logistique
Dans une conomie concurrentielle, les entreprises de tous les secteurs se voient contraintes
organiser leurs productions de manire fabriquer une grande varit de produits de qualit et
au moindre cot. De plus, la concurrence impose quelles aient des dlais de livraison courts et
fiables. Il est aussi de leur intrt dtre au courant de lvolution technologique sur les processus
intervenant dans la production et la conception des produits, pour ventuellement accrotre les
rendements (augmenter les dbits et minimiser les cots de production). Dans cette section nous
abordons le problme de la gestion de la logistique du point de vue dune entreprise (ou dune
entit juridique) qui fait partie du rseau logistique. Nous donnons par la suite une description
des problmes moyen et court terme rencontrs dans la gestion de la production dune
entit et nous consacrons une partie de cette section lanalyse des mcanismes de coordination
concernant les fonctions de la gestion de production. Ici nous nabordons pas les problmes
long terme car ils sortent du contexte de cette thse.
A. Notions gnrales
Gestion de la production
La gestion de la production est un ensemble dactivits moyen et court terme (conception,
planification, ordonnancement, gestion de linformation et contrle) qui ont pour objectif doptimiser les processus qui donnent de la valeur ajoute aux produits tout au long de la production.
Lobjectif final est de rduire les dlais et minimiser les cots en respectant les contraintes auxquelles ces activits sont soumises. Face cette situation, lamlioration continue des flux est
envisage en supprimant les oprations inutiles dans tous les processus de lentreprise. Ainsi, la
gestion de la production se place au cur de la stratgie de lentreprise, elle dtermine la dure
du cycle de fabrication, les ressources (conomiques, humaines, techniques) mises en place pour
assurer la production et la dure dutilisation de ces moyens.
Nous pouvons identifier les mcanismes daction de la gestion de production suivants : la diminution des stocks, lamlioration du squencement des oprations, la dtermination des tailles des
lots de fabrication pour chaque famille de produits, la diminution des temps de configuration,
la coordination. Lvolution de la gestion de la production incite travailler chez chacun des
partenaires de la chane logistique interne mais principalement au niveau des connexions. Par la
suite, nous faisons le point sur ces mcanismes au moyen et court terme.
Gestion des flux
Le contrle des flux a un rle primordial dans la gestion de production. On parle ici dune part
des flux physiques : approvisionnement, transport des matires premires et des composants dans
des usines, transport et livraison des produits finis ; et dautre part des flux dinformation comme
le suivi de commandes, des ordres de fabrication, des heures de main duvre, etc. Le contrle
des flux consiste piloter lensemble des activits successives ralises lors de la fabrication
ou la distribution dun produit. Cest ce mouvement des matires premires, des composants,
des sous-ensembles, des en-cours, des produits finis le long de la chane de fabrication et de
distribution, qui forme le flux. La gestion de production veut, par le contrle des flux, simplifier
les flux physiques, faciliter les changes en les fluidifiant ou en les acclrant. Dans le but dviter
des pannes, de diminuer les temps de configuration et de dvelopper la collaboration entre les
fournisseurs et les distributeurs.
Il existe direntes approches pour grer les flux. Lenvironnement concurrentiel actuel des
7

entreprises fait que lapproche de gestion des flux qui se rvle la plus ecace, du point de vue
conomique, est celle des flux tendus. Sa caractristique est quelle minimise les stocks et les
en-cours le plus possible par rapport au risque de non satisfaction de la demande cause des
dlais. Deux types de flux sont identifis dans cette approche : les flux pousss et les flux tirs.
La gestion par flux pousss est une technique base sur la prvision et la planification (Material
Requirement Planning - MRP). Cette technique de gestion permet danticiper les besoins exacts
avec leur dcalage dans le temps. Il faut faire la distinction entre les flux programms et les
flux subis. Les flux programms sont ceux concernant les produits finis ou pices de rechange,
vendus au client et que lon connat par les prvisions. Les flux subis sont ceux ncessaires pour
rpondre la demande prvue ou imprvue, donc tous les processus de production des produits
finis et pices de rechange. La gestion par flux pousss consiste prvoir le mieux possible la
demande (flux programms) et calculer les flux qui devraient tre subis en produisant au plus
tard compte tenu des capacits de production.
La gestion par flux tirs est une approche o la matire nest pas pousse de lamont vers laval
(pour satisfaire la demande temps), mais tire par la consommation (demande dj satisfaite).
Dans cette approche, des petits stocks de produits finis et semi-finis sont gards tout au long
de la chane de production. Le principe est le suivant : ds que le client, interne ou externe,
consomme les composants en provenance de son fournisseur le stock doit tre rempli nouveau
et un ordre de fabrication est envoy au fournisseur (Erschler et Grabot [54]).
Nos travaux de recherche prsents dans cette thse se basent sur le principe de flux prvus et
calculs.
Pour une prsentation dtaille de la gestion de la production et toutes ses sous-fonctions on
dirige le lecteur vers Courtois et al. [46].
B. Gestion de production et contrle des flux moyen terme - Problmes de
planification
La gestion de la production moyen terme a pour but de planifier les dcisions relatives
lactivit globale dune usine. A ce niveau de granularit temporelle, on cherche la rponse
aux deux questions suivantes : Combien produire de chaque famille de produits ? Quand la
production de ces quantits doit tre lance ? De manire gnrale, il sagit de la planification de
tous les processus qui interviennent depuis la production jusqu la satisfaction de la demande.
Ceci correspond ltape de la planification du rseau dapprovisionnement" dans la figure 1.2.
Les activits concernes sont : la planification de la demande et des activits de production ;
la gestion des stocks ; la configuration du rseau de distribution ; la dfinition des contrats avec
les fournisseurs ; la dtermination des stratgies de distribution (par exemple la distribution
directe fournisseurs-clients ou le passage dans une plateforme de stockage) ; la gestion de la
main duvre. Lobjectif recherch ce niveau est de coordonner les flux toutes les tapes
de la production, de trouver lquilibre entre les demandes prvisionnelles et la capacit relle
de production de lentreprise, de calculer les tailles des lots de production pour chaque famille
de produits et dviter les goulets dtranglement. La taille importante du problme rsoudre
conduit souvent une reprsentation agrge des produits et des ressources.
Dans cette section nous donnons une description dtaille des direntes activits de la
gestion de la production au moyen terme et expliquons comment elles sont abordes dans la
littrature.
Planification de la demande
Nous venons de le voir, dans nimporte quelle industrie, toute production est motive par
8

la satisfaction de la demande. La demande, quelle soit connue avec certitude ou pas, est une
information ncessaire pour pouvoir prendre des dcisions comme combien produire ? Dans la
gestion de la production dune entreprise, lestimation de la demande se fait long, moyen et
court terme, et ce pour rpondre des questions qui concernent ces trois niveaux temporels.
Toutes les dcisions prises moyen terme seront donc bases sur les commandes connues ou
sur les prvisions de la demande faites pour les mois ou lanne venir. Dans le moyen terme,
le calcul des prvisions se fait, par exemple, pour dfinir et matriser les capacits globales de
production et dapprovisionnement, acheter une machine, embaucher du personnel, ...
Dans la plupart des cas, la principale source dinformation pour lestimation de la demande
est constitue par lhistorique des ventes de lentreprise. Paralllement, on peut faire appel aux
sondages et aux autres tudes de march pour avoir des donnes dactualit. Dun autre ct,
lentreprise peut avoir aussi une influence sur lvolution de la demande, en faisant des promotions, par exemple. De toutes faons, cause de la distorsion de linformation qui peut survenir
par une communication dficiente entre les dirents tages de la chane logistique, la perception
de la demande peut changer chaque niveau. Cet eet a un impact trs important sur les cots
de production et sur la performance globale du rseau. Do limportance davoir un systme de
prvisions de la demande fiable.
Il existe de nombreuses mthodes qui fournissent des estimations plus ou moins correctes de la
demande. Ces mthodes sortent du cadre de cette thse, nous conseillons les travaux de Courtois
et al. [46] et Chopra et Meindl [43] pour des explications approfondies de ces mcanismes.
Planification de la production
Lobjectif de la planification de la production est de dterminer exactement combien et approximativement quand produire, pour cela on doit prendre des dcisions concernant lactivit
globale dune usine. La planification de la production cherche : prvoir et planifier la disponibilit et lutilisation de ressources (quipes de travail, dispositifs de stockage et de transport,
machines, main duvre, ...) ; optimiser les cots ; et avoir un plan de production qui soit ractif
aux fluctuations du march, Erschler et Grabot [54].
Avec la planification de la production on connat, en moyenne et par familles de produits,
chaque priode la quantit produire en fonction des processus de production (gammes, nomenclatures, capacit des ressources, ...), de ltat du systme de production (niveaux des stocks,
des encours, pannes machine, ...), des prvisions de demande actualises et des cots mis en
jeu (production, stockage, mise en fabrication). Etant donn que la planification se fait sur un
horizon temporel assez long et que les prvisions de la demande changent avec le temps, la planification de la production est souvent remise en cause.
Au dpart, la planification de la production se faisait avec un systme de calcul automatique de
type MRP (Material Requirement Planning) ou MRP II (Manufacturing Resource Planning).
Le premier est un modle qui calcule les quantits ncessaires des matriaux, le long de la chane
de production, afin de satisfaire les demandes en produits finaux, il a t propos par Orlicky
[112] dans les annes 60-70. Ce modle ne tient pas compte des contraintes lies la charge des
ressources, ce qui reprsente un problme quant la faisabilit du plan obtenu. Le MRP II est
apparu, dans les annes 70, en rponse cette insusance. Le MRP II est une mthode de simulation industrielle qui permet de grer la production depuis le long terme jusquau court terme.
Il considre un systme plus complexe contrlant lutilisation des capacits des ressources.
Avec lvolution de la recherche oprationnelle et des outils mathmatiques, on sest rendu
compte quil est possible doptimiser le plan de production des composants et des produits
finis sans avoir dcomposer le problme et faire le calcul des besoins par une technique de
type MRP. De nombreux modles de planification optimale de la production existent dans la
9

littrature. En gnral on y considre les fonctions dapprovisionnement, de production et de
consommation. Ces modles tiennent compte de lvolution des stocks, des contraintes de ressources, des capacits de stockage, des nomenclatures, de la satisfaction de la demande. Dans
un premier temps, lobjectif tait de dterminer un plan de production qui minimise les cots de
production et de stockage (Dauzre-Pres et Lasserre [48], zdamar et Yazga [114]). Dautres
aspects de la production se sont intgrs aux modles avec le temps, comme la possibilit davancer ou de retarder la satisfaction de la demande, ou la prise en compte des cots de personnel
ou de prparation de machines. On a pu intgrer aussi des hypothses de plus en plus ralistes,
par exemple, la production par lots de taille fixe dans le cas o les processus technologiques
limposent. Le problme de calcul optimal de cette taille est aussi un problme de planification
appel lot-sizing (Robert [125], Belvaux et Wosley [11], Billington et al. [12], Drexl et Kimms
[52], Absi [1]).
La premire partie de nos travaux, qui sera prsente dans le chapitre 2, se situe dans ce
contexte. La planification de la production dune entit avec des techniques de coordination
entre ses partenaires.
Gestion de stocks dapprovisionnement et/ou de distribution
Pour plusieurs auteurs, les dcisions concernant la gestion des stocks et la distribution sont
les dcisions les plus importantes au niveau tactique. Pourquoi y a-t-il des stocks ? Les stocks ont
un rle de rgulation du processus de production, ils permettent de dsynchroniser la demande
dun produit de sa production. Ainsi, ils donnent de la flexibilit la production et ils vitent
la rupture et la perte des ventes cause des grands dlais de production. Nanmoins, les stocks
bloquent une grande quantit de moyens financiers et physiques qui reprsentent entre 25% et
35% des capitaux immobiliss dune entreprise. Ceci constitue videmment un dsavantage de
taille, et la rduction des cots de stock sannonce ncessaire.
Daprs Silver [133], on cherche rpondre aux trois questions suivantes : Avec quelle frquence
doit-on faire un bilan des stocks ? Quand faut-il mettre un ordre de rapprovisionnement ? De
quelle taille doit tre cet ordre ? (Giannoccaro et al. [66], Axster et Zhang [4]). Et tout cela
dans lobjectif de maintenir un seuil acceptable au niveau des services qui utilisent le stock. Il
faut savoir que les stocks se trouvent partout o il y a de la production dans la chane logistique.
Ils se matrialisent sous formes de matires premires, de pices de rechange pour les machines
ou doutillages, des en-cours de production ou des produits semi finis et des produits finis.
La gestion des stocks runit des fonctions telles que le magasinage, la gestion de linformation, et
la classification des produits par catgories. Comme nous lavons vu prcdemment, lincertitude
sur lvolution de la demande peut avoir un impact catastrophique sur la production. La solution
qui a t propose dans un premier temps tait davoir des grandes quantits de produits finis
stockes pour rpondre la demande. Ceci nest certainement pas une bonne ide car les cots
de stockage peuvent tre bien plus grands que la perte ventuelle de ventes cause des dlais de
livraison et de production. Cependant, lexistence des stocks de scurit est une ncessit pour
pallier aux dirents alas qui peuvent apparatre.
Dans la littrature, la gestion de stocks est aborde sous plusieurs angles. Les auteurs font, la
plupart du temps (et comme pour beaucoup de problmes de gestion de production), des hypothses irralistes telles que : des systmes de production qui nont quun seul produit, des
demandes ou dlais dapprovisionnement compltement dterministes, des paramtres stationnaires, ... pour simplifier leurs modles (Ganeshan [63]).
Les problmes de dimensionnement et lutilisation des lieux de stockage est trait avec plus de
dtail dans la section 1.1.3. La solution de ce problme varie selon le systme de production
considr et ses interactions avec le march. Kaminsky et Kaya [87], par exemple, fournissent
10

une approche pour dterminer les endroits de la chane logistique interne auxquels on doit avoir
des stocks pour des matires premires, des produits semi finis ou des produits finis, ainsi que
les quantits de ces produits.
Transport et stratgies de distribution
Le transport est une fonction primordiale dans les chanes logistiques, il consiste dplacer
les produits entre deux entits de la chane. En particulier pour une entreprise, cette fonction
est charge de faire arriver les produits chez les clients en respectant certains critres. Comme
pour toutes les autres fonctions, les cots de transport sont loin dtre ngligeables et limpact
de la qualit de la distribution sur les performances globales est trs important, par exemple une
distribution rapide permet lentreprise dtre plus ractive. Par ailleurs, le type de transport
quune entreprise utilise a une influence sur les stocks et le bon positionnement des installations.
Les dcisions associes au transport incluent le choix dune stratgie de distribution et le choix
dun moyen de transport (avion, camion, train, bateau). Ces dcisions concernent plutt le niveau
stratgique, au niveau tactique on trouve la planification de la distribution.
Bien que le choix dune stratgie de distribution soit une dcision stratgique, nous prsentons rapidement les types de stratgies. Simchi-Levi et al. [134] identifient trois stratgies de
distribution qui sont le plus souvent utilises :
Lexpdition directe est une stratgie o les produits sont expdis directement du fournisseur
vers les magasins sans passer par les centres de distribution. Lentreposage est la stratgie classique o les produits sont stocks dans des entrepts et sont achemins vers les clients selon leurs
besoins. Le cross-docking est une stratgie o les produits sont distribus sans aucun traitement
intermdiaire du fournisseur aux clients en passant par les centres de distribution ou entrepts.
Les produits restent une trs courte dure (souvent moins de 12 heures) dans les entrepts qui
agissent donc comme des coordinateurs du processus dapprovisionnement et comme des points
de transbordement des commandes des dtaillants qui nont pas de stocks chez eux.
Un autre problme, dordre stratgique, li la distribution est celui de concevoir le rseau
de distribution des produits dune entreprise, cest--dire dterminer le nombre de centres de
production et dentrepts et/ou centres de distribution ou points de transbordement et leurs
localisations. Nous envoyons le lecteur intress vers Chopra et Meindl [43] et Amiri [2] pour
plus dinformation sur la conception du rseau de distribution et les problmes doptimisation
associs.
Le problme de planification de la distribution consiste dterminer les quantits qui doivent
tre livres, et prvoir les dates de livraison chez les clients. Ce problme prend en compte les
capacits des vhicules dont dispose lentreprise ou ses partenaires de distribution, la capacit
de production et bien sr des prvisions de la demande. Trs souvent dans la littrature, on
trouve le problme de planification de la distribution associ au problme de planification de la
production ou celui du stockage. Par exemple, zdamar et Yazga [114] traitent le problme
de production-distribution dune entreprise. Ils proposent une approche de planification de production hirarchique itrative avec dirents niveaux dagrgation (du temps, des capacits, des
demandes, des produits) pour dterminer des plans de production et de distribution prvisionnels
tout en minimisant les cots de stockage et le nombre de vhicules. Gen et Syarif [65] proposent
un algorithme gntique pour le problme de planification de production, de distribution et de
stockage pour satisfaire les demandes dans les dlais. Sarmiento et Nagi [131] prsentent un tat
des problmes de planification stratgique et tactique qui incluent des dcisions concernant la
distribution.
11

C. Gestion de production et contrle de flux court terme - Problmes dordonnancement
La gestion de la production court terme consiste dcider exactement quand et par quelle
ressource produire. De manire gnrale, tant donns un horizon de temps, un ensemble de
ressources et leur disponibilit sur lhorizon, un ensemble dactivits auxquelles sont associes
les ressources permettant leur excution, la capacit quelles requirent et leur dure dexcution,
le problme dordonnancement consiste dcider, pour chaque activit, ses dates de dbut et
de fin ainsi qu aecter les ressources (humaines et matrielles) pour excuter ces activits.
En gestion de production, ces activits sont associes la production des commandes. Les
dcisions sont prises, court terme, sur la base tablie par le plan de production prvisionnel
fourni par la gestion de production moyen terme. Dans cette partie nous nous concentrons sur
lordonnancement de la production (correspondant ltape ordonnancement dans la figure
1.2), mais cela peut aussi concerner les fonctions distribution et approvisionnement de la gestion
de production et toute activit qui met disposition des ressources.
Dans ce qui suit nous dcrivons brivement le problme dordonnancement des direntes
activits de la gestion de la production : ordonnancement de la production (ordonnancement
datelier), ordonnancement du transport, ...
Ordonnancement datelier
Un atelier de production est lendroit physique o la production se droule. Il est compos
des ressources (matires premires, composants, machines, main duvre, outils) et des installations ncessaires la production. Un atelier est caractris par : le type de tches excuter et
les relations de prcdence entre elles, le type de ressources, les gammes de fabrication (ordre de
passage par les machines). Les tches excuter peuvent tre interrompues au cours dexcution
(premptives) ou non ; les ressources peuvent tre consommables (leur quantit diminue avec
lexcution des tches) ou renouvelables (le cas des machines ou du personnel). Nous pouvons
distinguer plusieurs types datelier selon lorganisation du travail entre les machines : flowshop,
jobshop et openshop. Dans un flowshop chaque job visite chaque machine de latelier et lordre
de passage dun job sur les direntes machines est le mme pour tous les jobs. Dans un jobshop
lordre de passage des jobs sur les direntes machines varie dun job un autre. Finalement,
dans les openshops les gammes de fabrication ne sont pas fixes lavance, lordre de passage
des jobs sur les machines est alors une dcision prendre.
Lordonnancement datelier consiste : identifier les donnes du problme (ensemble de ressources, ensemble de jobs raliser ou ordres de fabrication donns par le plan de production,
une fonction objectif optimiser), placer les oprations selon la disponibilit des ressources ou
des contraintes technologiques pour rpondre un certain nombre dobjectifs, tout en respectant
les contraintes de production. Un job est un regroupement doprations, pour quun job soit fini,
toutes les oprations le concernant doivent tre excutes.
La rsolution du problme dordonnancement se fait dans le but de trouver des solutions ralisables ou de trouver la meilleure solution selon un critre. Parmi les critres classiques de la
littrature on trouve : la minimisation des en-cours, la minimisation des dlais de fabrication,
le respect des dlais (Sourd et Kedad-Sidhoum [140], Blbul et al. [17]), la maximisation de
loccupation des ressources, la minimisation de la dure totale (Chang et Lee [35]), le nombre
de tches excutes (Hassin et Shani [80]), ...
Nous pouvons citer les travaux de Fondrevelle [57], Chen et Lee [37] et Gupta et Staord [76]
pour le flowshop, ce dernier prsente un bilan des travaux de lordonnancement de flowshop
pendant les dernires 50 annes. Ainsi que ceux de Baptiste et al. [6], Salegna et Park [130] et
12

le livre de Pinedo [119] pour plus dinformation sur lordonnancement datelier. En reprenant la
notation introduite par Graham et al. [70], une classification des variantes du problme peut tre
ralise en fonction de lenvironnement machine, des caractristiques des activits ordonnancer
et du critre doptimalit considr.
Souvent, la combinatoire associe des problmes dordonnancement fait quils sont diciles
rsoudre de manire optimale pour le critre choisi. Dans la littrature associe, on trouve
des mthodes de rsolution optimale pour des problmes avec des hypothses simplificatrices
avec une ou deux machines par exemple mais qui, en gnral, sont utiliss comme base pour
le dveloppement de solutions pour des problmes plus compliqus (Chang et Lee [35], Sourd
et Kedad-Sidhoum [139], Blbl et al. [18]). Il existe trs peu de logiciels doptimisation exacte
de problmes dordonnancement de taille industrielle en raison de la dicult de proposer des
mthodes de rsolution gnriques ecaces. Par contre, beaucoup doutils daide la dcision
fournissent des solutions ralisables considres comme satisfaisantes.
D. Coordination dans la gestion de production et le contrle des flux

Dans cette partie, nous nous intressons la prise de dcisions conjointes dans la gestion
de production dans lobjectif dobtenir de meilleures solutions dun point de vue global. Lide
dtudier conjointement des fonctions concurrentes sest prsente comme un nouveau mcanisme damlioration de la gestion de production. Tout comme dans la chane logistique, au sein
dune seule entit juridique, deux types de coordination dcisionnelle peuvent tre identifis.
Le premier type de coordination est la prise de dcisions intgre, o plusieurs fonctions de la
gestion de production sont considres ensemble, dans le mme niveau temporel, pour la prise
de dcisions comme par exemple lordonnancement de la production et la distribution (si celle-ci
est intgre lentreprise). Le deuxime type consiste tudier une fonction particulire de la
gestion de la production et de coordonner les dcisions dirents niveaux temporels. Lobjectif
final dans tous les cas est de trouver un quilibre.
Dans ce qui suit, nous commenons par nous placer un niveau temporel pour prsenter les
techniques de coordination, dans la planification et lordonnancement, trouves dans la littrature, ainsi que les approches de rsolution utilises. Ensuite, les mmes aspects sont analyss
pour la coordination entre les niveaux tactique et oprationnel. Notre objectif nest pas de faire
une recherche bibliographique exhaustive des approches, mais didentifier les problmes tudis
dans la littrature concernant la coordination en gestion de la production.
Coordination un mme niveau temporel
Il y a dirents types de coordination possibles entre les oprations dune entreprise (une
entit juridique avec ou sans centre de dcision centralis). Par exemple, si cest elle mme
qui gre la distribution vers ses clients, lidal serait de coordonner les activits concernant la
production et la distribution car ce sont des activits qui se suivent directement dans le processus
de satisfaction de la demande des clients. En gnral, lintrt port sur les modles dintgration
de la production et de la distribution, et autres, est d aux eorts de rduction des niveaux de
stockage, car ce type de modles cre une interaction plus serre entre les partenaires de la
chane logistique interne.
Le premier type de coordination concerne justement la production et la distribution aux niveaux tactique ou oprationnel. De nombreux articles (moins nombreux pour la coordination
dans lordonnancement) traitent ce sujet avec des objectifs trs varis comme minimiser les cots
de production et satisfaire la demande des consommateurs dans les dlais, ventuellement mi13

nimiser le cot global de production et de distribution, etc. ; mais aussi avec des hypothses
simplificatrices, comme supposer que les fonctions de production et du transport sont gres
par le mme dpartement au sein de lentreprise et la coordination est, de ce fait, possible, ou
dcider que la production et la distribution ne concerne quun seul type de produit, etc. Chandra
et Fisher [34] combinent lordonnancement de la production et le problme de tournes de vhicules au niveau de la planification, les auteurs comparent lapproche intgre avec lapproche de
rsolution squentielle et montrent lintrt de lintgration de la prise des dcisions concernant
la production et la distribution. De mme, Hall et Potts [78] tudient le problme au niveau
oprationnel, dans des chanes plusieurs tages, en ordonnanant la production dans un ou
plusieurs ateliers et en constituant les batches des jobs qui doivent tre livrs ensemble, ils ne
considrent pas la construction de tournes de vhicules mais des dures de livraison pour chaque
client.
Un autre type de coordination identifi concerne les fonctions de la distribution et le stockage
sans prendre en compte la production. Lobjectif est de minimiser les cots de stockage (en minimisant les stocks retenus dans les centres de stockage) et de transport. Ce type de modles de
coordination sadresse des entreprises de distribution pour lorganisation de la distribution
leurs clients, cela concerne les plateformes logistiques et les entrepts dont nous parlons dans la
section suivante. Nous faisons une prsentation plus dtaille de ce type de coordination dans la
section 1.1.3.
Quelques travaux considrent les trois fonctions : production, distribution et stockage ensemble et essaient de rsoudre le problme de coordination des trois fonctions simultanment.
Ce problme est trs compliqu et il faut faire appel des mthodes heuristiques, de dcomposition et des mtaheuristiques pour sa rsolution. Lei et al. [97], par exemple, traitent coordination
de la production, la gestion des stocks et lorganisation de la distribution pour satisfaire la demande des consommateurs et minimiser les cots. Les auteurs considrent un seul produit (mais
leur modle peut tre tendu au cas plusieurs produits), un ensemble de sites de production
htrognes avec des flottes de transport et un ensemble de clients communs. Lobjectif est de
minimiser les cots de transport, de stockage et de production. Les auteurs proposent un algorithme par dcomposition o lon dtermine en premier le planning de production, de stockage
et de transport, puis laide dune heuristique ils calculent les tournes de vhicule.
Bard et Nananukul [8] traitent aussi le problme de coordination entre la production, le
stockage et la distribution. Dans ce travail, les auteurs supposent quil y a un seul centre de
production et plusieurs clients qui ont des demandes connues lavance, les stocks sont retenus chez les clients, il y a galement une flotte de vhicules homogne. Les auteurs proposent
un algorithme bas sur la recherche tabou pour dterminer le planning de production, tout en
prenant en compte les contraintes de stockage chez les clients et pour calculer les tournes des
vhicules, dans le but de minimiser les cots (production, stockage, distribution). Ils proposent
galement une analyse des tudes rcentes concernant le problme de production, distribution
et stockage intgr.
Nous citons aussi les travaux de Park [115], Pundoor et Chen [123], Chen et Vairaktarakis
[40], Hall et Potts [79], Chang et Lee [35], Li et al. [98], zdamar et Yazga [114] et Martin
et al. [103]. En particulier, Sarmiento et Nagi [131] et Chen [39] prsentent des analyses de ltat
de lart concernant la coordination entre la production et la distribution, incluant des dcisions
lies au stockage.
Coordination plusieurs niveaux temporels
14

Pour la coordination dune mme activit aux niveaux tactique et oprationnel, Robert [125]
identifie les approches monolithiques et les procdures itratives. Les approches monolithiques
consistent intgrer dans une seule formulation les niveaux temporels. Dans les approches itratives, la planification et lordonnancement se font de manire indpendante dans des procdures
itratives, mais les dcisions sont remises en cause chaque itration. La plupart des articles qui
abordent ce problme dintgration concernent la production, mais le mme principe sapplique
dautres problmes comme les problmes de transport, de gestion de personnel, etc.
Dauzre-Prs et Lasserre [48] montrent lintrt de la coordination entre les niveaux temporels, ils expliquent que les approches hirarchiques, o lon dcompose la prise de dcisions
en trois niveaux : stratgique, tactique et oprationnel, ne sont pas ecaces car elles ignorent
ou ngligent les contraintes au niveau oprationnel, et, de ce fait, trs souvent les plannings
obtenus en pratique ne sont pas ralisables. Dans cet article, les auteurs traitent le problme de
la planification et lordonnancement de la production o lon minimise les cots de production et
de stockage. Ils expliquent que lapproche monolithique na pas dintrt cause des nombreuses
perturbations du systme de production et cause de la dicult de la rsolution de problmes
de grande taille. Ils comparent lapproche hirarchique (ou la capacit de production est agrge,
et souvent surestime), avec des approches itratives sur deux processus, lun eectue du lotsizing en supposant que les squences doprations sont fixes, lautre ordonnance en supposant
que la taille des lots est connue et fixe. Le but est de dterminer un planning optimal faisable
en considrant la capacit de lordonnancement. Lordonnancement dfinitif est calcul par la
suite.
Rcemment Moon et al. [108] ont tudi le problme de planification de la production et de
lordonnancement dans un environnement o il y a des relations de prcdence. Ils proposent une
formulation mathmatique qui intgre les deux problmes pour minimiser le temps total dexcution pour avoir des solutions optimales globales, et rsolvent le problme avec un algorithme
gntique. Dautres travaux comme Tan [143], Drexl et Kimms [52], Brandimarte et Calderini
[20], et plus rcemment Wolosewicz [155] traitent le problme de coordination de la planification
et de lordonnancement de la production.
Approche juste--temps (JAT)
Lapproche juste--temps est une technique de gestion de production qui a pour objectif de
ne produire que ce qui sera vendu juste temps pour quil soit vendu. Dans la logique du JAT,
la fabrication dun produit est dclenche par sa non-disponibilit chez le client immdiat alors
quil est trs possible quil en ait besoin nimporte quel instant (flux tirs par la consommation).
Lapplication du JAT est trs lie lintroduction du systme du Kanban qui permet, au moyen
dtiquettes signalant les demandes de chaque poste de la chane de production, de mettre en
uvre simplement une politique de production JAT. Suivant la logique du juste--temps, il est
facile de dduire que son ecacit est trs sensible aux alas de la production comme les pannes,
les temps dattente, les produits dfectueux, etc. et aux gaspillages comme les dplacements et
les stocks inutiles qui ne font quaugmenter les cots. Cest pourquoi les gestionnaires redoublent
deorts pour solutionner ces problmes et pourquoi le JAT induit loptimisation des processus
de lentreprise. Au dpart, le JAT ne concernait que les lieux de production mais peu peu la
philosophie sest tendue dautres problmes comme la distribution, o la livraison se fait pour
que les produits arrivent chez les clients juste au moment o ils sont requis.
Dans les entreprises utilisant le JAT, lorganisation des processus moyen terme se fait souvent laide dun systme MRP (ces deux modes de gestion ne sont pas incompatibles car ils se
15

placent des niveaux temporels dirents). Par contre, court terme le dimensionnement et la
date de la production sont imposs par la logique du JAT. Il est toutefois ncessaire dorganiser
le travail avec les contraintes propres de la production, comme la capacit des ressources, qui ne
peuvent pas tre prises en compte par une mthode de type kanban par exemple. Sourd [138]
introduit les lments de base de lordonnancement juste--temps. La particularit du JAT dans
lordonnancement est que les dates dchance sont donnes et doivent tre respectes dans la
mesure du possible, lintgration de pnalits davance et de retard est la faon la plus courante
dimposer le juste--temps. Voir les travaux de Baptiste et al. [6], Hendel et Sourd [82], Sourd
et Kedad-Sidhoum [140], Blbl et al. [18], Esteve et al. [55], Blbl et al. [17], Hassin et Shani
[80] et Lau et Werner [93] pour un aperu des hypothses et mthodes considres.
La vision thorique du JAT est idaliste car elle demande une qualit de service irrprochable,
en nautorisant aucune erreur, aucun imprvu et aucune conomie dchelle. De surcrot, il faut
une main duvre flexible, des dlais de fabrication courts, etc. Dans un cadre de production
rel, les conomies faites sur le stockage et les rductions de dlais sont vite confrontes aux
investissements ncessaires pour assurer la ractivit des machines, la flexibilit du personnel,
la disponibilit des moyens de transport. Dans le contexte de la chane logistique, le JAT est un
processus qui sapplique sur les flux entre les fournisseurs et les centres de production, et entre
ces derniers et les clients. Selon des tudes thoriques, cette approche de gestion conduirait des
amliorations importantes des processus. Nanmoins, daprs Khouja [88], malgr la popularit
de JAT dans la chane logistique, les fournisseurs continuent de conserver des quantits relativement importantes de produits en stockage quils dlivrent par petits lots ; la raison est que le
JAT est un systme sensible qui ne peut pas prendre en compte les variations importantes du
march.
1.1.3
Plateformes logistiques
Dans cette section nous introduisons lentit de la chane logistique sur laquelle nos travaux
de recherche se sont centrs, mme si nos modles peuvent tre utiliss dans un cadre plus large.
Dans les sections prcdentes nous avons parl de la gestion de stocks comme lune des activits
les plus importantes dans la gestion de la production. Maintenant nous nous intressons au rle
que les plateformes logistiques jouent dans la gestion des stocks (fonction magasinage) et de
limportance quelles ont dun point de vue conomique.
Dans cette partie nous introduisons quelques lments qui vont claircir ce point et nous prsentons les problmes dcisionnels que lon peut rencontrer dans la gestion des entrepts.
Dfinitions gnrales et objectifs des entrepts
Mocellin [107] est la seule rfrence trouve dans laquelle lauteur souligne la dirence entre
un entrept et une plateforme logistique.
Lauteur dfinit un entrept comme lendroit physique o sont stockes les marchandises dans
des buts prcis parmi lesquels on compte : le groupage ou le fractionnement de conditionnement
de produits finis avant rexpdition, dconditionnement ou reconditionnement, lutilisation diffre en production de matires premires, attente spculative pour les marchandises lies des
fluctuations de prix, ...
La plateforme logistique (hub ou cross-docking) dun autre ct dsigne plutt lendroit o lon
reoit de la marchandise pour la rexpdier dans un dlai trs court. Il est rare de pratiquer des
oprations de reconditionnement sur une plateforme, puisque lobjectif principal est de rediriger
16

les flux vers une autre destination.
Lentreposage (warehousing) : est une prestation qui concerne toutes les activits associes
la gestion dun entrept. Cest--dire toutes les oprations de mouvement des produits
lintrieur de lentrept et dans les centres de distribution, savoir : rception, stockage, picking
(ou extraction), emmagasinage, tri et expdition. La rception et lexpdition de la marchandise
reprsentent lentre et la sortie des flux de lentrept. Le stockage concerne lorganisation des
biens dans les zones de stockage.
Le picking : est une activit qui consiste slectionner et extraire du stock de produits
livrer ou utiliser dans le processus de production ou de constitution de commandes.
Nous ne ferons pas, pour notre part, la distinction entre entrepts et plateformes logistiques
dans la suite du document. Et nous considrons, comme la majorit des autres auteurs, quaussi
bien lentrept que la plateforme logistique peut regrouper lensemble des oprations cites pour
les entrepts.
Comme nous pouvons le voir, lobjectif premier dune plateforme logistique est celui de
stocker des produits (pices, matires premires, produits finis, ...) pour quils soient disponibles
quand les consommateurs de ces produits en ont besoin. On peut traduire cela par le besoin : de
satisfaire rapidement la demande, de rduire les dlais dattente et de donner de la flexibilit la
production. Un autre objectif est celui de servir de point de transbordement des marchandises
et ventuellement deectuer les activits ncessaires pour la livraison des produits, comme
lemballage.
Les problmes de dcision dans les entrepts
Comme toute entit dans la chane logistique, la gestion des entrepts est concerne par des
dcisions stratgiques, tactiques et oprationnelles. Au niveau stratgique on prend des dcisions
concernant la taille du ou des entrepts, leur localisation, la slection du matriel dentreposage,
le niveau dautomatisation des oprations, la taille des direntes zones fonctionnelles, lagencement physique de la plateforme et tout ce qui concerne sa conception et qui a un impact sur la
capacit de stockage ... A moyen et court terme on soccupe doptimiser la logistique interne de
lentrept. Les dcisions tactiques ont plus voir avec la gestion de la main duvre comme le
calcul du personnel ncessaire, lallocation des produits aux zones fonctionnelles, le calcul de la
capacit de travail de la plateforme, la gestion des ngociations avec les partenaires en amont et
en aval de la plateforme. Pour finir, les dcisions oprationnelles consistent essentiellement :
dterminer les tournes de picking, laectation du personnel aux direntes missions selon leur
niveau de polyvalence, lordonnancement des tches selon le planning dentre.
Lun des objectifs de la gestion des entrepts est doptimiser la capacit de dbit. Optimiser
la capacit de dbit dune plateforme logistique consiste faire transiter les produits le plus
rapidement possible en fonction des besoins des clients. Les pices, produits, matriels ne doivent
pas perdre de temps dans les direntes tapes du processus de rception ou de la mise en rserve
par exemple. Mais dans beaucoup de situations pratiques, cet objectif nest pas le seul. Souvent,
les commandes ont des dates dues, et les pnalits de non respect de ces dates sont souvent
leves. Ainsi, un compromis est ncessaire entre la productivit et lurgence.
La plupart des travaux traitant les plateformes logistiques se basent sur quatre problmatiques, tudies sparment ou en essayant de mesurer leet combin du choix des modalits
de chacune sur la performance de lentrept. A savoir, lorganisation interne de lentrept, la
politique de rangement, la politique de picking et la politique de groupage des commandes ou
batching.
17
Figure 1.3 Zones et flux dans une plateforme
Dans cette thse nous abordons seulement les problmes de planification et dordonnancement des plateformes logistiques. Cest pourquoi dans ce qui suit nous parlons des aspects moyen
et court terme des problmatiques prsentes dans les entrepts. Nous envoyons le lecteur vers
Van Den Berg [148], et Mocellin [107] pour une description complte de la problmatique des
entrepts et pour avoir plus de dtail sur la prise des dcisions stratgiques.
Organisation interne des entrepts
Lorganisation interne des plateformes logistiques est dtermine par ses zones fonctionnelles
et les interactions entre ces zones. Ces interactions sont reprsentes par des flux de produits
dans lentrept. Bien que le choix de lorganisation interne soit une dcision stratgique, nous
introduisons les principaux flux et zones de stockage que lon peut retrouver dans les entrepts
car les autres problmatiques dpendent fortement de la configuration physique choisie.
Selon la structure de la plateforme, plusieurs types de flux et zones fonctionnelles peuvent
exister au sein dune plateforme logistique, voir Heragu et al. [83]. En gnral, nous pouvons
distinguer cinq zones et quatre types de flux (Figure 1.3). Dans la zone de rception, les produits
sont reus et mis dans le quai de dchargement. La zone de transit, aussi appel zone de crossdocking, permet de transfrer les produits depuis la zone de rception vers la zone dexpdition
directement. La rserve est une zone de stockage pour des produits, emballs ou pas, qui resteront
dans lentrept pour une longue priode. La zone de picking rapide est rserve au stockage
de produits qui doivent tre expdis rapidement ; cette zone a une capacit assez limite et
gnralement contient les produits les plus courants. Finalement, derrire la zone dexpdition
on trouve les quais de chargement.
Les flux dcrits peuvent exister ou non dans les plateformes. Le flux 1, cross-docking, est
utilis quand les produits doivent traverser la plateforme directement de la zone de rception
jusqu la zone dexpdition sans subir dopration de conditionnement. Le flux 2 concerne les
produits qui passent de la zone de rception la rserve pour tre livrs au del de lhorizon
considr. Quant au flux 3, les produits sont dabord stocks dans la rserve et par la suite
transfrs (avec ou sans conditionnement) la zone de picking rapide. Finalement, le flux 4 est
18

une variante du flux 1 ; dans ce cas, les produits reus vont directement la zone de picking
rapide pour des oprations dassemblage et pour la consolidation de commandes.
Pour diminuer les cots de manutention, il peut tre intressant de transformer du flux 3
en flux 4, mais les contraintes de stockage, de scurit et dorganisation limitent lampleur de
cette modification. Nos modles doivent permettre dtudier partiellement cette possibilit en
particulier en ce qui concerne les contraintes de stockage.
Il existe des travaux dans la littrature qui tudient le problme dorganisation des plateformes logistiques, Heragu et al. [83] et Bartholdi et Gue [9] traitent des problmes de dimensionnement et de structure physique optimales selon dirents critres de performance.
Allocation des produits aux zones de stockage
Cette problmatique concerne lorganisation des biens dans les zones de stockage pour atteindre une occupation optimale de lespace et faciliter la manipulation des outils, des produits
et des ressources matrielles. Les critres dorganisation des stocks peuvent tre physiques ou
peuvent aussi prendre en compte des facilits de gestion telles que lemplacement des direntes
zones de stockage, limpact du placement des biens dans lecience du picking, etc.
Van den Berg [147], De Koster et al. [49] distinguent direntes politiques daectation des
produits aux zones de stockage : stockage bas sur la classification des produits, stockage alatoire, stockage ddi, stockage dans le premier emplacement vide et stockage selon le niveau de
demande. Nous ne donnons pas plus de dtail sur ces politiques car ce problme ne constitue
pas le cur de notre recherche. Heragu et al. [83] proposent une approche doptimisation pour
ce problme. Les auteurs tudient le problme dallocation des produits aux zones fonctionnelles
tout en minimisant le temps de traitement des produits et un cot qui dpend des flux suivis par
les produits. Dans Strack et Pochet [142], les auteurs intgrent la prise de dcisions concernant
lallocation des produits aux direntes zones et le choix des politiques de rapprovisionnement,
les auteurs font une revue des travaux rcents sur lallocation des produits aux zones de stockage.
Picking et batching
Le picking, se trouve au cur du fonctionnement dun entrept. Des tudes ont montr que
le cot li au picking peut atteindre jusqu 50% du cot total de gestion des entrepts. Aussi
est-il important de rduire ce cot.
Dun point de vue tactique les dcisions consistent constituer des regroupements astucieux
de commandes et planifier les tournes de picking avec lobjectif de minimiser les trajets
vide (cest--dire les distances inutiles franchies par le prparateur de commandes lors de ses
tournes de picking). Pendant les dernires annes, et dans le but dtre plus ractif vis--vis
des consommateurs, les entreprises ont adopt une stratgie o lon reporte, au plus tard dans
la chane logistique, des activits qui donnent de la valeur ajoute ou qui personnalisent les
produits. Par rapport cela, les entrepts et centres de distribution se voient chargs des tches
dtiquetage, dassemblage de produits, de personnalisation de paquets ou de constitution de
pallettes. En pratique, ces tches sont intgres aux processus de planification et dordonnancement du picking (Van Hoek [150]).
Il existe plusieurs mthodes pour faire le picking et le choix dune dentre elles est une dcision
tactique. Lecacit du picking est troitement lie la planification des tournes de picking. Le
problme de planification des tournes de picking peut tre assimil au problme de voyageur
de commerce avec certaines spcificits. Lobjectif reste celui de trouver le chemin le plus court
qui permettra au prparateur dextraire du stock tous les produits demands, sauf quil peut
passer plusieurs fois par le mme endroit. Plusieurs approches ont t proposes pour traiter ce
19

problme : des mthodes exactes aboutissant une solution optimale ainsi que des mthodes
approches beaucoup plus simples implmenter et largement utilises. Les systmes spcialiss
dans la gestion des entrepts utilisent gnralement des heuristiques simples.
Ratli et Rosenthal [124] et De Koster et al. [49] proposent des algorithmes permettant de
rsoudre le problme de tournes de picking de faon optimale pour des entrepts ayant des caractristiques bien prcises. Les algorithmes dpendent fortement de lagencement de lentrept,
sil y a des alles transversales, si les alles sont troites ou larges par exemple.
Les heuristiques sont dusage courant dans la planification des tournes de picking. A titre
dexemple, la plus simple des heuristiques est la politique de traverse : toute alle contenant au
moins un produit de la commande doit tre traverse entirement. Nous pouvons citer encore les
politiques de demi tour, de point intermdiaire, le plus grand vide, etc. Les heuristiques tant
trs nombreuses, nous nallons pas faire ici une prsentation exhaustive. Le lecteur intress peut
se rfrer Roodbergen et De Koster [126] et De Koster et al. [49] pour une description dtaille.
Le batching (ou regroupement) des commandes est une mthode o lon regroupe des commandes, relativement petites, dans un certain nombre de sous-ensembles, chaque sous-ensemble
sera par la suite prpar dans la mme tourne. Cest--dire que les activits de picking, tri,
emballage et expdition se font en mme temps pour toutes les commandes dun mme batch.
Le gain de temps potentiel du batching nest pas ngligeable puisque cette solution minimise
le temps moyen de prparation par commande, mais il peut tre augment par le tri qui doit
seectuer la fin de la prparation dun batch. Lopration de tri consiste trier les produits
par commandes quand plusieurs commandes sont collectes ensemble. Gadelmann et al. [61] ont
dmontr que le problme de minimisation des dlais du picking est NP-dicile. De mme Gadelman et Van de Velde [60] montrent que le problme de batching supposant connu le temps total
du picking minimal pour tout batch est NP-dicile au sens fort quand le nombre de commandes
par batch est plus grand que deux.
Il existe plusieurs politiques pour faire le batching dans les entrepts. Le lecteur intress
peut se rfrer Le Duc et De Koster [95] pour la prsentation et lvaluation de quelques unes
des politiques de batching. Par ailleurs, le batching tant un problme dicile, il nest pas rare
de trouver dans la littrature de nombreux articles qui dveloppent des mthodes heuristiques
pour le rsoudre. Dans ltat de lart propos par De Koster et al. [49], plusieurs types dheuristiques sont identifis, elles sont bases sur des techniques de tournes de vhicule o lon cherche
minimiser les distances ou le temps de parcours. Une valuation des performances de deux de
ces heuristiques est donne dans De Koster et al. [50].
Pour plus dinformation sur le picking et le batching, De Koster et al. [49] font une revue des
travaux sur le dveloppement et le contrle du processus de picking manuel. Les auteurs analysent
le problme ds la prise des dcisions stratgiques jusqu la prise des dcisions oprationnelles :
choix optimal dagencement, mthodes dallocation des produits aux zones, techniques de routage, batching et tri. De mme, Petersen et Aase [117] valuent simultanment par une mthode
de simulation plusieurs politiques de picking, tournes et allocation de stockage. Leur objectif
est de dterminer quelle combinaison de politiques a le plus grand eet dans la performance du
systme.
Quelles que soient les techniques de routing ou de batching choisies, il faut quelles ne soient
pas trs compliques mettre en uvre. Notamment, les mthodes de rsolution exactes fournissent assez souvent des rsultats qui ne sont pas facilement interprtables par les employs de
la plateforme. Dans ce cas, les erreurs des employs sont nombreuses car la logique des tournes
leur chappe et ils prfrent agir leur faon quand ils ne comprennent pas.
20
Loutil le plus utilis dans les tudes des entrepts, pour les problmes que nous venons de
dcrire, est la simulation. Cest un lment puissant, car il permet dvaluer les performances
sans changer eectivement les agencements ou politiques, voir Petersen et Aase [117], Ascheuer
et al. [3]. On trouve des mthodes exactes pour la rsolution de petites instances pour le batching Gademann et al. [61] et Gademann et Van de Velde [60] mais, en gnral, on voit que
lutilisation des mthodes heuristiques pour le picking est une pratique rpandue.
Autres problmes tactiques et oprationnels
Rcemment, Gu et al. [72], Rouwenhorst et al. [127] et van den Berg [147] ont prsent
des revues des tudes sur les problmes de planification et dordonnancement rencontrs dans
les entrepts. Parmi les problmes que les auteurs identifient on trouve : la gestion de stocks,
lordonnancement des oprations de la plateforme (autres que le picking), et la conception du
systme de distribution.
Le problme de gestion des stocks dans les plateformes logistiques consiste dfinir quels
produits sont stocker dans lentrept et en quelles quantits. Van den Berg et Zijm [149] indiquent que la plupart des modles de la littrature, concernant la gestion des stocks, ont comme
objectif la rduction des niveaux de stock. En gnral, la rduction des stocks se fait en ordonnanant soigneusement les livraisons des fournisseurs et des clients, en rduisant les quantits
des commandes ou en faisant les livraisons plus souvent. Les modles classiques de gestion de
stocks dterminent des politiques pour un seul produit, en gnral avec une demande constante
mais, assez souvent, avec des capacits de stockage limites.
En ce qui concerne loptimisation de processus des plateformes logistiques et notamment
lordonnancement des oprations, nous trouvons beaucoup de travaux sur ltude des flux de
produits qui traversent la plateforme aux direntes phases : la rception, le stockage, le picking
et lexpdition. Ici, les dcisions de base consistent dterminer les flux internes la plateforme, lutilisation des ressources internes en connaissant les dates et les quantits des livraisons
entrantes et sortantes avec des contraintes de ressources, temps, dbit, rendements, etc. Nous
avons dj fait une analyse sur les processus de stockage et de picking, maintenant nous abordons les processus de rception et dexpdition. Dans la littrature, la recherche sur le processus
de rception et dexpdition est trs rduite et elle sest surtout concentre sur laectation et
le squencement des camions aux quais et des quais aux destinations (Baptiste et Maknoon [7],
Yu et Egbelu [159], Boysen et al. [19]).
On retrouve aussi des travaux sur lordonnancement des activits de dchargement et de transbordement dans les plateformes qui font du cross-docking, et qui minimisent les cots oprationnels et de stockage intermdiaire (Kon [90], Yu [158], Larbi et al. [91], Song et Chen [137],
Larbi et al. [92], Sadykov [128]), ou la dure totale de lordonnancement (Chen et Lee [37] dmontrent que ce problme est NP-dicile), ou encore la somme des pnalits de retard (Chen
et al. [38]). Les travaux dordonnancement se centrent sur ce type de plateformes car les activits
des plateformes qui pratiquent le cross-docking sont les plus simples modliser car elles ne sont
pas associes au picking et au stockage. Par ailleurs, lintrt du cross-docking est de plus en
plus grand car il permet de rduire les cots de stockage. Il existe tout de mme des travaux
o lon traite des activits externes (notamment le transport) aux plateformes qui pratiquent
le cross-docking ; ces travaux consistent principalement minimiser des cots de transport, du
nombre de camions ncessaires et de la planification de leur trajet (Lee et al. [96], Chen et al.
[38]).
21
Dans la littrature, nous trouvons des tudes de systmes qui incluent des entrepts. Ces
systmes sont, la plupart du temps, de type fournisseurs-entrepts-magasins et les tudes se
concentrent sur les dcisions de distribution et de stockage qui, dans ce cas, sont prises ensemble
(un exemple de coordination). Il sagit dun problme de coordination entre lentrept et ses
partenaires en amont et en aval. Dans les systmes de distribution plusieurs tages, on peut
toujours trouver des moyens de rduire les cots et damliorer lecience, do lintrt dtudier
les dirents systmes ensemble. Nous donnons par la suite quelques exemples des problmes de
coordination qui incluent des plateformes logistiques.
Chandra [33], par exemple, dveloppe un modle intgr deux tages (entrept-dtaillants) qui
dtermine les politiques de rapprovisionnement (gestion des stocks) dun entrept en supposant que celui-ci est aussi responsable de fournir des programmes ecients de distribution des
biens aux clients. Le problme consiste dterminer la politique de rapprovisionnement et le
calcul de tournes de distribution (deux problmes NP-diciles) simultanment dans le but de
minimiser les cots de distribution et de stockage.
Viswanathan et Mathur [151] traitent, pour leur part, un problme similaire de prise de dcision intgr de tournes de vhicule et de politique de stockage. Il sagit dun mcanisme de
coordination entre lentrept et ses clients directs, les dtaillants. Ici, les auteurs dterminent
les quantits livrer ( des instants fixs par un planning prvisionnel) chaque tourne et les
tournes de vhicule pour satisfaire une demande connue. Lentrept joue le rle de point de
transbordement et ne garde pas de stock, le stock est ainsi cumul chez les clients. Lobjectif est
de minimiser les cots de stockage chez les clients et les cots de transport. Les auteurs utilisent
des mthodes heuristiques pour rsoudre le problme.
Ganeshan [63] prsente une politique de gestion de stocks pour une chane logistique trois
tages (fournisseurs, entrept, dtaillants). Il considre un environnement mono produit, avec
une demande et des temps de transport stochastiques, et o il y a plusieurs entits qui peuvent
fournir un mme client et o aucun centre de production nest considr. Lobjectif est de minimiser le cot de stockage, le modle est bas sur les interactions entre le cycle des fournisseurs
et les demandes des clients. Le modle est test par simulation et lauteur a pu constater que les
retards des commandes taient rduits. Lauteur assure que les rsultats obtenus avec le modle
peuvent servir de base pour dterminer les stocks de scurit et les stocks en dplacement par
la suite.
Voir aussi les travaux de Lim et al. [100], Sindhuchao et al. [135], Cagri et al. [24], Che et Leon
[36] pour dautres mcanismes de coordination et mthodes de rsolution, et Williams et Tokar
[153] pour une revue des travaux sur la gestion des stocks et des modles coopratifs.
Pour notre part, dans notre travail sur les plateformes logistiques, au niveau tactique nous
nous concentrons sur la partie de coordination entre les entrepts et ses partenaires pour ce
qui est de la gestion des stocks, et de la planification des oprations et de la main duvre
lintrieur de la plateforme pour ce qui est la rception, le stockage, et lexpdition (chapitre
2) ; au niveau oprationnel nous travaillons sur lordonnancement des activits de prparation
de commandes (chapitre 3).
1.2
Outils daide la dcision
La gestion de la chane logistique et notamment la gestion de la production manipulent normment de donnes et sont troitement lies aux systmes dinformation des entreprises. Depuis
22
1.2. Outils daide la dcision

lidentification de ces problmatiques, des logiciels informatiques, pour fournir de lassistance
aux managers, sont apparus. Cette assistance se manifeste par lutilisation doutils daide la
dcision, lesquels, en gnral, se concentrent sur des fonctions bien prcises de la gestion de la
chane logistique : gestion des matires premires, gestion des moyens de production, gestion
administrative de la production.
Les dcideurs veulent des outils daide la dcision qui fournissent des solutions ralisables.
La complexit des chanes logistiques induit de nombreuses contraintes et la combinatoire des
problmes rsoudre est souvent trs grande, do la dicult de trouver des mthodes satisfaisantes quant au temps de calcul et la qualit des solutions obtenues. Par ailleurs, les
particularits associes chaque domaine industriel font quil est pratiquement impossible de
crer des outils assez gnriques pour pouvoir rpondre aux besoins dcisionnels de chaque domaine. Cest pour cette raison que le plus souvent les outils daide la dcision sont ddis
un certain domaine dapplication. Un lment cl est la base de la conception de ces outils, la
modlisation de la dynamique de la structure de la chane sur laquelle les logiciels agissent.
Dans cette section nous commenons par prsenter rapidement les direntes manires de modliser et dvaluer les chanes logistiques que lon peut trouver dans la littrature. Ensuite, nous
prsentons les principaux systmes dinformation dvelopps depuis lidentification du problme
de la gestion de production. Enfin, nous dcrivons les mthodes de rsolution qui constituent la
base des outils daide la dcision.
1.2.1
Modlisation et valuation des chanes logistiques
Modlisation
La modlisation est au cur de la conception des outils daide la dcision. Un modle nest
quune reprsentation externe et explicite dune part de la ralit comme elle est perue par les
personnes qui souhaitent utiliser ce modle pour comprendre, changer, grer, et contrler cette
partie de la ralit dune faon ou dune autre (Pidd [118]).
La modlisation de la chane logistique peut prendre en compte les flux de matires et dinformation, des rgles de comportement, les particularits des donnes, etc. Beamon [10] classifie les
approches de modlisation de la chane logistique en quatre catgories selon le type de donnes
et lobjectif de ltude : modles dterministes, modles stochastiques, modles conomiques et
modles de simulation.
Les modles dterministes ne font intervenir aucune variable alatoire. Dans ce cas, les relations entre les variables sont strictement fonctionnelles. Ce type de modle a lavantage de
permettre dinclure des relations complexes, mais a aussi le dsavantage de faire des hypothses
non ralistes quant lincertitude de certaines variables ou paramtres comme la demande ou
le temps de transport, par exemple.
Les modles stochastiques, au contraire, incluent au moins une variable alatoire.
Les modles conomiques considrent les entits du systme comme des agents qui prennent
des dcisions dans le but doptimiser un indicateur de performance conomique. La modlisation
de linteraction vendeur-acheteur par la thorie des jeux est un exemple de modle conomique.
Ce type de modle est trs limit car il ne prend pas en compte des mesures qui ne soient pas
dordre financier.
Les modles de simulation sont trs rpandus dans la modlisation des chanes logistiques.
Ces modles essaient dimiter le comportement des composants du systme. Ils ont lavantage
de permettre aux dcideurs dexplorer les consquences possibles des actions sans avoir les
23

excuter en ralit, aussi ils peuvent capturer les incertitudes et traiter laspect dynamique des
systmes complexes et des systmes grandes chelles. (Taylor [144])
Taylor [144] identifie encore deux types de modles : les modles conceptuels et les modles
mathmatiques. Lintersection entre ces deux types et ceux dcrits avant nest pas vide. Par
exemple, beaucoup de modles dterministes de la littrature sont aussi des modles mathmatiques.
Les modles conceptuels sont les plus simples. Ils regroupent les lments de base qui devraient
tre prsents dans une situation idale du systme a modliser, il peut sagir de diagrammes ou
dexplications verbales. Ces modles servent de base pour dbattre sur les dirences entre le
systme tel quil est et ce quil serait dans une situation hypothtique. Ces modles sont trs
diciles mettre en uvre pour les systmes complexes tels que les chanes logistiques et leur
utilit se limite la comprhension du systme modlis.
Les modles mathmatiques pour leur part sont les plus utiliss dans la gestion des chanes
logistiques. Ils consistent modliser des contraintes et des mesures de performance par des
quations. La programmation linaire en nombres entiers (PLNE), introduite par Fisher [56],
est la plus utilise. Linconvnient de ce type de modles est que bien quils reprsentent assez
prcisment la ralit ils font appel des techniques de rsolution complexes et induisent des
temps de calcul importants pour des instances de taille relle.
Evaluation
Toutes les tudes faites sur la gestion de la chane logistique et de la production nauraient
aucun intrt si lon ne pouvait pas valuer limpact quelle a sur lecacit du systme. La
premire ide qui vient lesprit du manager est de mesurer cette influence dun point de vue
conomique. Le problme qui survient avec ce type de mesure est que des conomies peuvent se
faire de plusieurs manires : une meilleure stratgie de distribution par exemple ou tout simplement une baisse de la qualit du service fourni. Avec cet exemple, on peut voir quil y a dautres
aspects surveiller, cest--dire, dautres mesures prendre. Dans ce cas, ce sera lensemble
dvaluations qui permettront de faire un diagnostique global de la gestion.
Un indicateur de performance peut tre dfini comme une donne quantifie qui mesure
lecacit de tout ou une partie dun processus ou dun systme, par rapport une norme, un
plan ou un objectif qui aura t dtermin et accept, dans le cadre dune stratgie densemble
(Courtois et al. [46]).
Gunasekaran et Kobu [73] prsentent une revue des indicateurs de performances des niveaux stratgique, tactique et oprationnel dune chane logistique. Dans leur recherche bibliographique, les auteurs ont trouv peu prs 90 indicateurs de performance de la chane logistique ; aprs limination des doublons ils nont retenu que 27 indicateurs (ceci rvle le besoin de
standardisation des indicateurs de performance, ne serait-ce que pour avoir un langage commun
entre partenaires) parmi lesquels on compte : utilisation de la capacit de production, prcision
de lordonnancement, fiabilit de livraison, cots de stockage, satisfaction des employs, satisfaction du client, ... Un indicateur de performance peut donner des informations sur plusieurs
aspects.
Ltude de Gunasekaran et al. indique que environ 38% des indicateurs de la littrature restent
des indicateurs conomiques, et cela malgr le fait que les indicateurs oprationnels soient tout
24

aussi importants pour vrifier la bonne sant du rseau. Des indicateurs de temps et de productivit concernent 40% des mesures prises. Lutilisation des ressources et la flexibilit concernent
35% et 27% des indicateurs respectivement ; les auteurs remarquent, cependant quil sagit daspects trs diciles mesurer mais quils jouent un rle trs important dans la gestion. Les
indicateurs concernant les performances de : la planification, les fournisseurs, la production,
les livraisons et la satisfaction du client, constituent 50%, 15%, 35%, 12% et 27% des mesures
prises respectivement. Les auteurs donnent aussi une classification des indicateurs selon le niveau
temporel et ltage considr dans la chane logistique.
Nous renvoyons le lecteur intress vers Gunasekaran et al. [75] et Beamon [10] pour plus de
dtail sur les mesures quantitatives et qualitatives concernant les indicateurs dvaluation de la
performance de la planification de commandes, des fournisseurs, de la production, des livraisons,
de la qualit de service, des cots de la logistique.
1.2.2
Systmes dinformation
La gestion de la chane logistique consiste intgrer les fonctions du rseau logistique et

coordonner les partenaires. Vue la complexit des tches dintgration et de coordination, les
systmes dinformation, qui prennent en compte tous les paramtres qui interviennent dans le
processus dcisionnel, sont indispensables. Cest pourquoi des outils informatiques sont apparus
pour grer la chane logistique aux niveaux tactique et oprationnel ds lidentification de ces
problmatiques.
Les systmes dinformation concerns regroupent tout ce qui implique : la production, les
stocks, le transport et lentreposage, les moyens de production (machines, personnel), la qualit,
etc. Pour que ces outils deviennent vraiment oprationnels et ecaces, il a t ncessaire de les
intgrer dans des plateformes de communication et dchange de donnes informatises.
En gnral, ces outils informatiques considrent la chane logistique comme un ensemble
dagents informatiques, o chacun est responsable dune ou plusieurs activits de la gestion de
la chane et o chaque agent interagit avec les autres dans la planification et lexcution de
leurs responsabilits. Fox et al. [58] prsentent tout un cadre pour la construction de ce type de
structures de gestion par agents. Les modules des outils daide la dcision sont implments de
manire progressive et organisationnelle de faon ce que les activits de lentreprise puissent tre
suivies et contrles plusieurs niveaux de granularit temporelle. De plus, les logiciels de gestion
possdent de plus en plus une intgration de fonctionnalits verticale, mais aussi horizontale par
la prise en compte des contraintes multi-sites et des relations clients-fournisseurs.
Nous prsentons ici les fonctionnalits de trois des familles de progiciels de gestion qui
semblent tre les plus rpandus : les Entreprise Resource Planning (ERP), les Advanced Planning
Systems (APS) et les Manufacturing Execution Systems (MES).
Entreprise Resource Planning
Ces progiciels de gestion sont destins la gestion globale des dirents flux dune entreprise
aux trois niveaux temporels. Au dpart les ERP ont t conus pour le pilotage de la gestion
de production dans les ateliers et les usines aprs lapparition du MRP II. Laccroissement de
la complexit des systmes a fait que dautres domaines de comptence ont t intgrs aux
ERP : la gestion des stocks ; la gestion dapprovisionnement et des achats ; gestion commerciale ;
gestion des ressources humaines ; gestion comptable et financire. Ainsi, les ERP permettent la
hirarchisation temporelle et conceptuelle des problmatiques concernant la gestion de flux de
tout type dentreprise et pas seulement aux industries manufacturires.
25

LERP ajoute encore un degr de hirarchisation en dcoupant lentreprise en multiples
entits, toutes dotes de leur propre systme de gestion mais communiquant entre elles. Le
principal avantage des ERP est quils possdent une unique base de donnes, cela facilite le
partage dinformations entre les direntes entits et entre les niveaux oprationnel et tactique.
En revanche, le champ daction des ERP reste celui de la gestion dune entreprise et ils ne
peuvent pas grer la totalit de la chane logistique. Cependant, les ERP favorisent lintgration
de la gestion de plusieurs entreprises qui ont leur propre systme de gestion.
Les ERP sont bass sur le MRP I et le MRP II qui nont pas de bases thoriques doptimisation, mais qui sont plutt des mthodes de gestion ou de contrle. De manire gnrale,
les ERP prennent en charge la dtermination des prvisions de vente et de production, lquilibrage entre la charge et la capacit relle de lentreprise, la planification de la production, et
lordonnancement et la gestion datelier.
Advanced Planning Systems
Les APS, comme les ERP, peuvent prendre en compte toutes les fonctions de gestion dune
entreprise : les achats, les approvisionnements, la production, le stockage, le transport et la
distribution. La dirence des APS par rapport aux ERP est que les APS utilisent les donnes
des ERP (de demandes et de ressources) et orent des rponses optimises en temps rel. Ils
sont capables, par exemple, de proposer un planning de production optimal selon la demande,
la capacit des ressources et les contraintes de production.
Erschler et Grabot [54] dfinissent les APS comme des systmes daide la dcision qui sappuient sur des algorithmes puissants, capables dapporter des propositions de solutions ralistes
des problmes de planification et de programmation complexes. Dans lobjectif de rendre la
chane logistique la plus ractive possible, les systmes dinformation doivent tre capables de
prendre en compte, en temps rel, la rpercussion des contraintes de lun des maillons sur les
autres. Cest le cas des APS. En plus ils sont capables de connecter en temps rel loprationnel
et la planification et de faire ventuellement la coordination entre ces deux niveaux.
A la dirence des ERP, dans les APS aucune rgle nest dfinie a priori, toute la procdure
est base sur la prise de dcisions. Pour prendre des dcisions, lhomme modlise ses problmes
et cherche la meilleure solution par optimisation ou simulation. LAPS permet de modliser des
contraintes, dexprimer des fonctions de cot et de chercher des valeurs des variables de dcision
qui optimisent ces critres. Loptimisation est faite grce des moteurs de rsolution bass sur
des techniques doptimisation telles que la programmation linaire par exemple.
Les APS peuvent tre consacrs quelques fonctions de la gestion des chanes logistiques,
nous pouvons identifier trois familles dAPS : logistique, transport avec gestion des entrepts,
ordonnancement, gestion de production.
Manufacturing Execution Systems
Les MES sont des systmes daide la dcision qui agissent au niveau oprationnel de latelier
de production. Etant donn que les contraintes associs la production dpendent fortement
du secteur industriel, les MES sont, en gnral, trs spcialiss. Dun point de vue fonctionnel, ils sont en mesure de positionner dans le temps des oprations sur des ressources avec des
contraintes. Autrement dit ils peuvent eectuer lordonnancement capacit finie, la gestion
des ressources de production, la traabilit des produits, lanalyse des performances, la gestion
du travail au sein de latelier, etc. La plupart des MES sont des systmes doptimisation qui
assurent la continuit du flux logistique avec des plannings donns en entre.
26
Figure 1.4 Positionnement des outils (Erschler et Grabot [54])
La position par rapport la hirarchie fonctionnelle, des trois familles doutils daide la
dcision prsentes ci-dessus, est donne dans la Figure 1.4.
Limportance des outils daide la dcision est quils permettent doprer simplement lensemble des fonctions dune entreprise, et aussi ils orent la capacit de grer leurs problmes et
de prendre leurs propres dcisions. En plus, ces outils permettent dautomatiser le processus de
prise de dcisions.
Notre travail se situe au niveau des APS pour la partie planification (Chapitre 2) et au
niveau des MES pour la partie ordonnancement (Chapitre 3).
1.2.3
Mthodes de rsolution
Dans cette partie nous nous intressons aux mthodes utilises dans la littrature pour
rsoudre les problmes dcisionnels des chanes logistiques, et doptimisation en gnral, et qui
constituent le support thorique des outils daide la dcision que nous venons dintroduire.
De manire gnrale, les approches daide la dcision peuvent faire appel des techniques de
simulation, de recherche oprationnelle, de thorie organisationnelle, ..., ou a des combinaisons
de celles-ci. Pour notre part, ici nous nous concentrons sur les mthodes issues de la recherche
oprationnelle pour la rsolution de problmes doptimisation.
Rsoudre un problme doptimisation consiste trouver, parmi un ensemble de solutions,
celle qui minimise ou maximise un critre donn. Trouver la meilleure solution est le but des
mthodes exactes comme les procdures par sparation et valuation (PSE) ou la programmation
dynamique. Malheureusement, dans le domaine dapplication de la gestion des chanes logistiques
et notamment de la gestion de production, les problmes sont NP-diciles (pas dalgorithme
de rsolution polynomiaux si P = NP, Gary et Johnson [64]), la taille des problmes industriels
est importante et utilisent des variables de dcision binaires ou entires (temps discrtis, par
exemple). En consquence, lexploration du grand nombre de solutions possibles pour extraire
une solution optimale est impossible en des temps raisonnables. Ainsi, les mthodes exactes
sont rserves des problmes de petite taille et ne sont donc pas adapts la rsolution de
27

problmes diciles de taille industrielle. Nanmoins, les rsolutions exactes peuvent tre utilises
pour des sous-problmes ou des problmes simplifis, par exemple, agrgation des donnes au
moyen terme ou limitation de lhorizon considr court terme.
Lalternative pour ces problmes de planification et dordonnancement de grande taille sont les
mthodes approches. Ces mthodes sont trs utilises dans le milieu industriel (souvent dans les
progiciels dordonnancement) car elles fournissent gnralement de bonnes solutions. Bien que
la plupart du temps les solutions fournies ne soient pas optimales, les mthodes approches sont
conues pour fournir un bon compromis entre la qualit dune solution et son temps de calcul.
Dans cette partie, notre objectif nest pas de faire une description exhaustive des mthodes de
rsolution de la littrature mais de citer les grandes familles. Nous reprenons ici la classification
fournie par Portmann [121].
Familles de mthodes
Par la suite nous donnons une explication rapide des familles de mthodes de rsolution
et donnons, dans la mesure du possible, quelques exemples dutilisation des mthodes dans les
problmes doptimisation de la gestion des chanes logistiques.
Programmation linaire
La programmation linaire est une formulation mathmatique du problme doptimisation
o le critre et les contraintes sont des fonctions linaires des variables du problme. Pour des
variables entires, en absence de bonnes proprits dunimodularit, les problmes associs aux
modles linaires sont NP-diciles. Nanmoins, grce lexpertise des chercheurs et laugmentation de la rapidit des ordinateurs, les progiciels commercialiss permettent actuellement de
rsourdre, de manire exacte, des problmes de taille intressante.
La programmation linaire est la mthode la plus rpandue (pour son adaptabilit) dans les
problmes de planification o les variantes les plus simples (en gnral les cas un seul produit,
avec capacit infinie, constante ou finie), mnent des problmes qui restent polynomiaux ou
NP-diciles au sens faible. Cest le cas du modle propos par Wirojanagud et al. [154] pour
la planification de la main duvre dans un centre de production. Cependant, pour certains
problmes il existe des contraintes (ou la fonction objectif) qui ne peuvent pas tre linarises de
manire satisfaisante (obtention dun modle de taille peu raisonnable). Dans ces cas, dautres
mthodes peuvent tre labores pour la rsolution des problmes, des mthodes bases sur la
relaxation lagrangienne ou des heuristiques de dcomposition peuvent tre appliques.
Par contre, pour les problmes dordonnancement, la programmation linaire devient trs vite
inapplicable cause des problmes de taille car la combinatoire associe est beaucoup plus importante et alors les performances de la programmation linaire se rvlent encore inssufisantes
actuellement.
Mthodes par construction
Il sagit de mthodes itratives qui consistent construire une solution, en partant dune
solution vide, en appliquant certaines rgles qui dterminent les choix, jusqu lobtention dune
solution complte. Cest le cas des algorithmes de listes pour lordonnancement o lon dtermine
un ordre au fur et mesure que lon parcourt une liste de jobs pr-ordonne selon un certain
critre.
Une mthode de construction est dite gloutonne si lors de la construction on ne remet pas en
cause une dcision prise, cest le cas de lalgorithme dordonnancement NEH (Nawaz et al. [111]).
Si on considre des heuristiques par construction non gloutones alors avec cette dfinition trs
28

large les procdures par sparation et valuation (PSE) et la programmation par contraintes
(PPC) sont des mthodes par construction.
Pour les PSE, qui sont aussi des mthodes exactes, la solution est construite avec lexploration
dun arbre de recherche dans lequel chaque nud correspond un sous-problme, et on a loption
de retourner en arrire lorsque lon ne peut plus complter la solution par des choix valides. Les
procdures par sparation et valuation sont utilises dans la rsolution exacte de problmes o
la combinatoire est importante comme les problmes dordonnancement, un exemple est donn
dans Baptiste et al. [6] pour lordonnancement juste--temps dans un jobshop. Nous faisons
une prsentation approfondie des procdures par sparation et valuation dans la section 3.7 du
chapitre 3.
Mthodes par dcomposition
Ce type de mthodes consistent diviser le problme initial en plusieurs sous-problmes,
qui, en pratique, sont plus simples rsoudre. Ensuite, les solutions des deux problmes sont
fusionnes pour obtenir une solution globale. Selon le type de dcomposition du problme initial,
cette combinaison de solutions peut tre trs complique mettre en uvre, on retrouve assez
souvent des procdures itratives. Selon Portmann [120] cette dcomposition peut tre hirarchique (par exemple la dcomposition dcisionnelle long, moyen et court terme de la gestion de
la production), structurelle, spatiale, temporelle. Chandra [33] utilise une dcomposition structurelle de deux problmes diciles pour dterminer les politiques de rapprovisionnement et de
distribution ensemble.
Il est noter que les procdures par sparation et valuation, ainsi que la programmation dynamique sont galement des mthodes par dcomposition, dcomposition de lespace des solutions
et/ou de lespace des dcisions. Cette classification, ne conduit donc pas des sous-ensembles
disjoints, mais permet de dcrire les mthodes en utilisant les caractristiques de chaque famille.
Mthodes par voisinage/recherche locale
Les mthodes de recherche locale sont des mthodes amliorantes. A partir dune solution
initiale, ces mthodes explorent les solutions voisines de la solution initiale jusqu ce quune
condition darrt soit satisfaite. Les dfinitions de voisinage et les techniques de choix dune
solution du voisinage sont trs diverses, parmi les algorithmes de recherche locale on trouve
lalgorithme de plus forte pente, la recherche tabou (Glover [68]), le recuit simul, ...
Chen et al. [38] et Wan et Yen [152] prsentent des exemples dapplication de la recherche tabou
sur des problmes dordonnancement avec des fentres de temps. Heragu et al. [83] utilisent
le recuit simul pour un problme daectation de dimensionnement des zones de stockage et
aectation de produits ces zones.
Mthodes base de populations
Comme pour le cas prcdent, ces mthodes sont aussi des mthodes amliorantes. Dans ce
cas, on commence par gnrer une population initiale de solutions, cette population volue avec
les itrations et les meilleurs lments ont plus de chance dtre conservs, jusqu ce que la
condition darrt soit atteinte. Lexemple le plus connu de ce type de mthodes sont les algorithmes gntiques pour lesquels lvolution de la population se fait par un oprateur de mutation
et le croisement de solutions. Kim et al. [89] et Gen et Syarif [65] ont conu des algorithmes
gntiques pour rsoudre des problmes dquilibrage de charge dans des lignes dassemblage et
pour la planification conjointe de la production et la distribution respectivement.
Comme on peut le voir, les champs dapplication des direntes familles dapproches de
29

rsolution est trs vaste et pas exclusif, cest pourquoi dans la littrature nous pouvons trouver
des combinaisons dalgorithmes de ces familles, ces nouvelles procdures sont des mthodes
hybrides qui ont souvent des performances meilleures que les mthodes simples.
En pratique, dans lindustrie lutilisation des algorithmes dvelopps par les chercheurs est
trs limite. Notamment, dans la gestion de la production, lutilisation de progiciels inclus dans
les APS, les ERP est la plus rpandue sans que lon connaisse les qualits relles des algorithmes internes, pour cause de confidentialit ; les recherches dans ce domaine se concentrent
dans lintgration dapproches de rsolution plus ecaces aux logiciels dj existants, cest le
but de la thse de Robert [125]. Dans dautres domaines dapplication qui font appel aux mmes
techniques de rsolution, des solveurs commercialiss sont de plus en plus utiliss. La rsolution
de programmes linaires par ces progiciels (CPLEX de ILOG ou GLPK) est de plus en plus
ecace, lutilisation de mthodes hybrides (combinaison de PSE avec des mthodes de coupes,
heuristiques, recherche locale) permet de rendre ces logiciels de plus en plus robustes. Pour les
problmes quelconques, la programmation par contraintes (PPC) est une mthode trs rpandue.
Dans cette thse nous nous concentrons sur les approches de rsolution exactes pour nos
problmes de planification et dordonnancement. Pour la planification, nous avons choisi la
programmation linaire et sa rsolution avec un progiciel (CPLEX). Pour le problme dordonnancement notre choix a t une procdure par sparation et valuation.
1.3
Positionnement du travail de la thse et ses objectifs
Lenvironnement dans lequel nos travaux se situent est celui de la gestion des plateformes
logistiques et des entrepts, bien que la plupart de nos rsultats soient gnralisables des environnements de production. Dans cette thse, nous avons cherch intgrer des particularits
caractrisant le travail dans les plateformes et les entrepts. Plus particulirement nous nous
concentrons sur les fonctions de distribution/organisation du travail et de prparation de commandes pour la rsolution de problmes de planification et dordonnancement respectivement.
Le type de produits utiliss par les plateformes de distribution et de prparation de commande que nous tudions sont des produits finis dure de vie limite, qui ont des dlais de
livraison dans des intervalles de temps limits d au caractre saisonnier de la demande. Au
niveau tactique (distribution/organisation du travail), le dlai eectif de livraison peut encore
rsulter dune ultime ngociation sur un intervalle trs limit entre la plateforme et ses partenaires en amont et en aval, tandis quau niveau oprationnel (prparation de commande), nous
supposons que les dlais sont dtermins par les priorits propres chaque commande. Dans nos
travaux, nous supposons que la demande est connue et est calcule dans les niveaux temporels
suprieurs.
Dans nos travaux moyen terme nous intgrons la plateforme logistique dans un systme
trois tages fournisseur-plateforme-dtaillants. Nous dterminons un planning des livraisons
en amont et en aval en prenant en compte linteraction de la plateforme avec ses partenaires.
Nous dterminons galement la planification du travail dans la plateforme en considrant les
caractristiques physiques, oprationnelles et techniques de la plateforme. Lune des particularits de notre plateforme est quil est possible de considrer des oprations de dsassemblage et
dassemblage de produits, oprations pour lesquelles il est ncessaire de considrer des nomenclatures. Au niveau oprationnel, nous avons restreint les oprations de la plateforme lopration
30
1.3. Positionnement du travail de la thse et ses objectifs

dassemblage que nous assimilons la prparation de commandes, chaque commande utilise
(consomme) des quantits connues des produits arrivant la plateforme des instants dtermins dans la phase de planification.
Par rapport au type de ressources considres, en planification, la principale ressource de
notre plateforme logistique est le personnel. Cette ressource, dans notre cas, est critiques. Nous
acceptons des heures supplmentaires et du personnel intrimaire, nous prenons en compte leurs
comptences.
En ordonnancement, nous supposons que les ressources humaines seront disponibles grce
la planification de la plateforme. En outre, nous assimilons le travail de la plateforme au
travail eectu par une machine (mais une lgre extension nous permettrait de considrer des
machines en parallle). Nous rsolvons un problme dordonnancement une machine avec les
caractristiques des livraisons amont hrites du niveau planification de la plateforme logistique
et avec direntes hypothses pour les livraisons aval.
Lobjectif gnral de cette thse est de proposer des outils daide la dcision pour les
problmes moyen et court terme des plateformes logistiques qui ont les caractristiques
que nous venons dintroduire. De manire gnrale, dans ce chapitre nous avons fait une brve
description du cadre dans lequel se place notre tude. En outre, nous avons pu mettre en vidence
limportance conomique et stratgique des plateformes logistiques et des entrepts dans les
chanes logistiques. Ainsi, ltude de problmes doptimisation de ces structures est ncessaire.
31
32
Chapitre 2
Lissage de charge moyen terme

Nous abordons dans ce chapitre le problme de planification de la production dans les plateformes logistiques. En particulier, nous tudions le lissage de charge dans les plateformes qui
doivent satisfaire une demande saisonnire. Ce mme problme peut tre identifi dans des structures telles que les ateliers de production, pour cette raison nous avons essay dadopter une
approche gnrique. La caractristique principale de notre travail est de jouer, lgrement, sur
la flexibilit donne par la ngociation des dates et des quantits des livraisons en amont et en
aval de la plateforme de distribution avec comme objectif essentiel de rduire les cots de main
duvre.
Le caractre moyen terme de cette problmatique nous a conduit proposer des modles
linaires pour les dirents types de ngociations que nous envisageons comme recours possibles
au problme de lissage de charge.
Dans ce chapitre, nous commenons par donner la description prcise du problme industriel
qui a motiv notre recherche et du problme de planification que nous tudions. Ensuite, nous
analysons les travaux existant dans la littrature concernant les problmes de lissage de charge
dans la production incluant ou pas des contraintes de personnel et/ou qui font appel des
ngociations, et nous positionnons notre problme par rapport la littrature rapporte.
Enfin, nous dcrivons les approches de modlisation et de rsolution retenues pour notre
problme et nous enchanons avec la prsentation des exprimentations et lanalyse des rsultats.
Les travaux prsents dans ce chapitre ont fait lobjet de deux communications dans des
confrences internationales Carrera et al. [29] et Carrera et al. [30].
Contents
2.1
2.2
2.3
Introduction . . . . . . . . . . . . . . . . . . . . . . . .
Motivation industrielle . . . . . . . . . . . . . . . . . .
Etat de lart . . . . . . . . . . . . . . . . . . . . . . . . .
2.3.1 Gestion de personnel . . . . . . . . . . . . . . . . . . .
2.4 Formalisation du problme et hypothses spcifiques
2.5 Modles Linaires proposs . . . . . . . . . . . . . . .
2.5.1 Elments du modle . . . . . . . . . . . . . . . . . . .
2.5.2 Modle avec les ngociations des dates de livraison . .
2.5.3 Modle avec ngociations des dlais et des quantits .
2.6 Exprimentations et Rsultats . . . . . . . . . . . . .
2.6.1 Agencements de plateforme tests . . . . . . . . . . .
2.6.2 Mise en uvre et donnes utilises . . . . . . . . . . .
2.6.3 Expriences numriques . . . . . . . . . . . . . . . . .
33
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. . . . .
. . . . .
. . . . .
. . . . . .
. . . . .
. . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . .
. . . . . .
. . . . . .
. . . . . .
35
36
38
39
41
42
42
46
53
55
55
57
60
Chapitre 2. Lissage de charge moyen terme

2.6.4 Rsultats obtenus avec les ngociations des dlais . . . . . . . . . . . . . 61
2.6.5 Rsultats obtenus avec les ngociations des dlais et des quantits . . . 69
2.7 Conclusion du chapitre . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
34
2.1. Introduction
2.1
Introduction
Dans nimporte quelle industrie, dterminer de manire prcise la capacit de production

nest pas un problme facile. Puisque notre tude se place dans un contexte o la demande est
saisonnire, on peut se demander si la dtermination de la capacit de production doit tre base
sur la demande que le centre de production aronte pendant les priodes de pointe. Si oui, ceci
impliquerait que la plupart du temps, le fabricant a des ressources chres inactives. Ou alors,
la capacit de production doit se baser sur la demande moyenne, auquel cas il y a besoin dune
capacit supplmentaire, et chre, pendant les priodes de pointe, Simchi et al. [134]. Le mme
problme se prsente lorsquon veut planifier la capacit de transport ou la capacit de stockage,
par exemple.
Chopra et Meindl [43] identifient plusieurs mcanismes pour assurer la satisfaction de la
demande pendant les priodes de pointe. Ces mcanismes touchent aux domaines de la gestion
de la capacit de production et de la gestion des stocks. Les auteurs proposent de :
Jouer sur la flexibilit temporelle de la main duvre, en ayant des horaires de travail
particuliers (3 8) ou des heures supplmentaires par exemple ;
Utiliser de la main duvre temporelle, laquelle est, en gnral, embauche pendant toute
la priode de pointe ;
Sous-traiter la production excdante ;
Avoir des centres de production spcialiss et dautres flexibles. Les centres de production
spcialiss produisent de manire ecace des quantits stables, dune gamme limite de
produits, tout instant. Les centres flexibles peuvent produire des volumes variables et une
varit plus grande de produits un cot plus lev. Ainsi les fluctuations sont absorbes
par les installations flexibles ;
Avoir des lignes de production flexibles avec des taux de production qui peuvent varier
facilement. La production est ainsi change pour satisfaire la demande. Les lignes de
production sont conues pour que le fait de changer le nombre de ressources alloues
une ligne varie significativement le taux de production. Cette approche ne marche que si
la variation de la demande, sur les direntes lignes de production, est complmentaire (la
demande augmente pour certains produits et diminue pour dautres) pour ne pas avoir
augmenter les ressources ; une autre condition est que les ressources sadaptent facilement
aux lignes de production ;
Avoir des stocks de produits trs demands et dautres de demande prvisible. Les produits de demande prvisible doivent tre produits avant la priode de pointe, ainsi, la plus
grande partie de la capacit de production sera rserve pour la production des produits
trs demands.
Dans tous les cas, la coordination entre la production et la distribution est ncessaire (Chen et
Pundoor [41]). Les procdures dcrites pour faire face la demande peuvent aussi tre appliques
au contexte des plateformes logistiques. Lapproche adopte par les plateformes logistiques que
nous tudions est celle de lutilisation de la flexibilit de la main duvre et du personnel
intrimaire. Cette dernire, en particulier, est une pratique qui cote trs chre, do lintrt de
la rduire le plus possible. Le problme que nous tudions dans ce chapitre est celui du lissage
de charge pendant les priodes de pointe pour minimiser les cots de personnel.
Lobjectif de ce chapitre est de proposer une approche daide la dcision base sur des
mthodes doptimisation et de recherche oprationnelle pour le lissage de charge dans les plateformes logistiques dans le but de rduire les cots de main duvre supplmentaire engags. Les
35

moyens que nous utilisons pour lisser la charge sont les ngociations des flux avec les partenaires
en amont et en aval de la plateforme et ltude de la structure physique des zones de stockage.
Les ngociations concernent les dates de livraison et les quantits eectivement livres chaque
tourne des fournisseurs et des clients (magasins). Notre travail analyse des contraintes ralistes
qui ne sont pas souvent considres dans la littrature concernant les plateformes logistiques.
Note : Par analogie aux plateformes logistiques, le problme que nous traitons correspond
au problme de planification dans les ateliers de production. Ce dernier est pris en charge par
les logiciels de MRP (MRP3 pour la prise en compte des contraintes de capacit). La grande
dirence entre la planification en atelier ou dans une plateforme logistique se situe au niveau
des ressources. En eet, MRP gre principalement les ressources matrielles (machines) alors que
dans une plateforme logistique (surtout dans les moins automatises dentre elles) la ressource
essentielle est la ressource humaine.
Nous proposons un modle de programmation linaire en nombres entiers, le plus gnral possible, pour le lissage de charge des plateforme logistiques et la planification de la main doeuvre.
Dans le cadre des chanes logistiques en gnral, nous modlisons plusieurs types de ngociations
avec les partenaires en amont et en aval. On peut utiliser du personnel intrimaire et on dispose
dun nombre limit dheures supplmentaires pour chaque catgorie de personnel. Dans ce modle, nous considrons quelques unes des fonctions les plus importantes dun entrept, telles que
la prise en compte de nomenclatures pour ce qui concerne lassemblage et le dsassemblage de
produits. Lanalyse exprimentale de plusieurs agencements physiques de plateforme, complt
par des organisations direntes des flux et du travail, nous permet de comparer les agencements
de plateforme et de montrer limportance des ngociations.
La suite de ce chapitre est organise comme suit : dans 2.2 nous prsentons le cadre industriel
de nos recherches. Dans 2.3, nous analysons ltat de lart concernant les dirents aspects de
notre problme. En suite, dans 2.4, nous dtaillons le problme tudi ainsi que les contraintes
industrielles qui peuvent tre intgres la problmatique de lissage de charge et les critres
considrs ; puis, dans 2.5 nous dcrivons les modles de programmation linaire qui ont t
conus. Dans 2.6, les modles proposs sont tests sur une varit de structures de plateforme,
aussi ces modles sont tests avec des donnes gnres alatoirement, les rsultats sont prsents
et comments. Enfin, la section 2.7 donne la conclusion du chapitre.
2.2
Motivation industrielle
Dans le cadre de contacts entre lquipe Orchids et des entreprises grant des plateformes
logistiques, plusieurs problmes reviennent de faon rcurrente et, en particulier, les problmes
de lissage de la charge de ces plateformes. En eet, les entreprises perdent de largent car il y a
des priodes de lanne o la charge de travail augmente et o elles sont obliges de recruter du
personnel intrimaire, alors qu dautres priodes leur personnel est sous-employ.
Plusieurs mcanismes daction peuvent tre identifis pour pallier ce problme de lissage de
charge : ngociations de contrats avec les clients et les fournisseurs, rgles de fonctionnement
rgissant les flux amont et aval ainsi quune meilleure organisation interne de la plateforme
(agencement, organisation des activits, aectation optimale des produits aux emplacements de
stockage).
En particulier, le problme de lissage de charge nous a t inspir suite un audit dun cas industriel qui est celui de lentreprise de distribution de chaussures, que nous appelons dans cette
thse SAVAT. Nous prsentons dans ce qui suit notre cas de rfrence, les problmes rencontrs
36
2.2. Motivation industrielle

par cette entreprise et lapproche que nous proposons pour la rsolution de ce problme. Une
approche qui se veut gnrique et qui permettrait de traiter ce type de problmes sur dautres
cas de plateformes logistiques et de certaines structures de production comme les ateliers.
Figure 2.1 Plateforme du problme industriel

Lentreprise SAVAT a t cre en Lorraine en 1936. Cest une entreprise de distribution,
sans fabrication. Elle possde ou gre environ 100 magasins en France, une flotte de vhicules et
possde une plateforme logistique en Champagne. Son chire daaires est de 60 millions deuros
par an pour environ 2 millions de paires de chaussures vendues.
Lentrept en Champagne joue le rle dintermdiaire entre les fournisseurs et les magasins (les
clients), mais aussi entre les magasins eux-mmes.
Si on observe la charge de la plateforme, deux fois par an il y a des pics de charge dus au dbut
de saison printemps/t et automne/hiver. Les magasins reoivent une premire livraison avec
les nouveaux produits de saison. Plus tard, pour rapprovisionner des pointures manquantes
(rassortiment), les magasins peuvent demander des livraisons complmentaires la plateforme
ou aux autres magasins. Pendant plusieurs semaines, correspondant aux premires livraisons, la
plateforme subit une charge importante de travail, lentreprise se voit contrainte de recruter du
37

personnel intrimaire, ce qui augmente ses cots oprationnels.
Le schma des flux externes la plateforme est prsent dans la figure 2.1. La structure des flux
lintrieur de lentrept, en dbut dtude, est la suivante. Les livraisons fournisseurs arrivent
dans des camions, qui sont dchargs et les produits dposs dans la zone de rception. Les
produits sont ensuite transfrs vers les tables de dballage o ils sont dballs (lopration de
dballage comprend aussi une vrification). Des caristes mettent ensuite les produits en rayon,
lendroit qui leur est ddi, 20% des produits sont stocks pour une priode plus longue que le
pic de charge considr et 80% repartent des rayons pour tre envoys aux magasins (qui sont
les clients de la plateforme). Le picking consiste prlever les produits du stock (les rayons)
afin de constituer les commandes clients, et lorsque le picking est concentr sur certains rayons
ou certaines tagres, le packing (dnomination propre lentreprise) intervient pour diminuer
les vides entre les botes et rduire ainsi le temps de travail des agents de picking. Enfin, les
produits sont dposs dans la zone de chargement o ils sont chargs dans les camions pour les
livrer aux clients.
Les quantits et les dates des livraisons des fournisseurs sont ngocies avec eux dans un niveau
de granularit plus grand, ces livraisons peuvent ventuellement tre modifies dans la pratique
selon les niveaux de tolrance des fournisseurs et des clients, et les besoins de la plateforme. Par
ailleurs, cette entreprise supervise lorganisation des tournes de livraison vers les magasins.
Lobjectif associ cette problmatique est de proposer un outil pour lisser la charge de la
plateforme, de faon minimiser les cots de main duvre et faire en sorte que le personnel
permanent suse assurer le bon fonctionnement de celle-ci. Et ce en tenant compte de toutes
les contraintes au niveaux des flux, des ressources et de la demande de la plateforme. Loutil
daide la dcision peut aussi tre utilis pour comparer plusieurs agencements et organisations
de travail de la plateforme, car laudit a suggr que dautres agencements pourraient rduire le
nombre de fois o un produit est manipul pendant son passage par la plateforme.
2.3
Etat de lart
La littrature concerne par notre problme de planification touche dirents sujets.

Dabord celui de loptimisation des entrepts que nous avons analys lors de la prsentation des entrepts dans la section 1.1.3 du chapitre 1. Par ailleurs, nous nous sommes aussi
intresses aux mcanismes de coordination et aux types de ngociations entre les entrepts et
leurs partenaires (section 1.1.3).
Lanalyse faite sur loptimisation des entrepts nous a permis de constater que la plupart
des travaux sintressent la minimisation du dbit de la plateforme selon sa structure et ses
politiques de picking pour prparer les expditions. Le problme de loptimisation de la capacit
de dbit est trs rarement considr de faon globale. En eet, les articles traitent soit des
politiques de picking ou de rangement des produits ou encore de lagencement de lentrept,
mais sans se proccuper de linteraction entre ces dirents facteurs sauf dans quelques modles
de simulation. De plus les phnomnes tudis sont dans la plupart des cas considrs comme
stationnaires (auquel cas les ngociations avec les partenaires en amont et en aval pour lisser la
charge deviennent inutiles), et des contraintes telles que la date de livraison au plus tard date
due, ou encore les pnalits de retard de livraison dune commande, ne sont que trs rarement
prises en considration alors que la ralit du march imposerait le contraire.
Par ailleurs, la littrature concernant les problmes de coordination incluant les entrepts
et les plateformes logistiques sest concentre en gnral sur le calcul de stratgies de rappro38
2.3. Etat de lart

visionnement et la gestion des stocks au sein des chanes logistiques plusieurs tages de type :
fournisseurs (ou producteurs)-entrepts-dtaillants. Les problmes traits prennent surtout en
compte des caractristiques associes la distribution comme les temps de transport, parfois
des caractristiques associes la production comme le temps et la capacit de production, et
considrent la capacit de stockage. Les modles proposs dans la littrature pour ce type de
problme prennent rarement en compte lorganisation du travail dans les entrepts, leur organisation physique et la gestion de leurs ressources.
2.3.1
Gestion de personnel
Les ressources humaines sont la principale ressource des plateformes logistiques que nous
tudions ; en particulier, la conception doutils de lissage de charge pour la minimisation des
cots associs au personnel est lobjectif des travaux de ce chapitre. Pour cette raison, dans
cette partie, nous prsentons quelques travaux qui montrent la faon dont les ressources humaines sont traites dans la littrature ainsi que les direntes contraintes et modes de gestion
qui sont souvent considrs.
Pour la gestion de personnel court terme, Billionet [13], par exemple, tudie un problme
o lon prend en compte les comptences des dirents ouvriers qui sont classs en catgories
(un ouvrier plus qualifi peut remplacer un ouvrier moins qualifi, mais pas linverse), et des
contraintes sociales o chaque ouvrier doit avoir un nombre minimal de jours libres par semaine.
Lauteur suppose que la charge de travail peut changer pendant lhorizon temporel considr,
le nombre de tches excuter chaque jour est connu et est donn par la planification de la
production prvisionnelle. Lauteur propose un modle en nombres entiers pour ce problme o
lobjectif est de minimiser le cot de personnel et de calculer lordonnancement qui satisfait les
exigences de travail, un solveur de programmation linaire est utilis pour la rsolution de ce
problme. Lauteur propose quelques extensions son modle, le modle peut tre adapt pour
minimiser aussi le nombre douvriers qui doivent eectuer des tches pour lesquelles ils ont une
qualification suprieure celle exige, ou pour trouver un planning dans lequel les jours libres
de chaque ouvrier soient conscutifs.
Sekiner et al. [132] pour sa part, reprend le problme tudi par Billionnet et suppose que les
ouvriers sont en travail post (du type 3/8 ou autre organisation) et peuvent tre aects durant
la mme semaine dirents postes, que nous dsignerons par la notation anglaise de shift car
le mot poste a trop de significations en franais. Lide de ce article est dutiliser des semaines
de travail condenses pour rduire les cots. Les entreprises peuvent adopter une varit de
politiques dordonnancement flexible pour les heures de travail dune journe ouvrable. Lauteur
suppose quune semaine de travail condense est une semaine qui a moins de jours ouvrables
avec des journes de travail plus longues. Le fait davoir des shifts variables, peut permettre de
rduire les cots de personnel car les ouvriers peuvent travailler moins de jours par semaine mais
plus de temps par jour ou vice-versa. Les rsultats exprimentaux de ce travail nous permettent
de constater que les cots sont rduits par rapport ceux trouvs lorsquon considre un seul
shift (Hung [85], Narasimhan [110]), la raison est quon peut trouver une solution pour satisfaire
la demande avec moins de personnel.
Le problme dembaucher du personnel pour des priodes indtermines est abord dans
Wirojanagud et al. [154]. Ici les auteurs considrent un atelier avec dirents groupes de machines, o chaque ouvrier possde au moins un domaine de comptences et o ils peuvent tre
forms pour utiliser dautres machines. Lobjectif de cet article est de calculer combien douvriers
faut-il embaucher, former et licencier chaque priode pour satisfaire une demande donne. Les
39

auteurs proposent un modle en nombres entiers dont lobjectif est de minimiser les cots de
personnel sur lensemble des priodes. La rsolution du modle linaire nest pas envisageable
sur des donnes de taille relle, en consquence, une mthode de dcomposition densembles de
comptences est propose.
Franchini et al. [59] expliquent que, dans le milieu industriel, la charge par groupe de comptences est calcule selon lordonnancement des ressources techniques (ressources critiques).
Le problme trait est daecter les ressources humaines tout en respectant les exigences de
comptences par priode et les contraintes propres aux ressources humaines. Pour ce faire, il
faut prendre en compte le cadre lgal de lentreprise. En gnral, les approches de planification
et dallocation des ressources humaines sont bases sur un inventaire de comptences et sont
rsolus en utilisant une approche multi objectif et de la programmation sous contraintes. Les
auteurs de ce travail proposent une revue des techniques de gestion des ressources humaines. Il
faut considrer les exigences de travail, les rgles sociales ou les rgles de lentreprise, les rglementations lgales et oprationnelles, la disponibilit et les congs des employs. Lapproche de
cet article considre les ressources techniques comme critiques, la principale donne dentre est
lensemble des ordonnancements des ressources techniques, partir desquels on calcule la charge
par ressource et par priode et la charge ncessaire par comptence. Selon les comptences des
oprateurs, on les aecte (selon leurs disponibilits) aux ressources et on adapte leur charge
selon les lois. Lobjectif est de minimiser les cots de personnel (ou le personnel externe). On
considre que lon peut lisser la charge du personnel pour que les conditions de travail soient
plus agrables mais pas pour rduire les cots.
De manire gnrale, les documents trouvs traitent la gestion de personnel comme un problme dordonnancement (ou de planification) avec lordonnancement (ou la planification) dactivits prfix, cest--dire que la planification et ordonnancement du personnel est trait comme
un problme part. De ce fait, le problme de planification et dordonnancement de personnel
nest pas souvent inclut dans des modles de prise de dcisions intgrs comme par exemple, la
planification de la production et la gestion de personnel. Nous conseillons les travaux de Gresh
et al. [71] et Ernst et al. [53], en particulier ce dernier pour un tat de lart de la littrature
concernant la planification et lordonnancement de la main duvre dans dirents secteurs
dactivit.
Dans ce chapitre nous proposons de lisser la charge dans les plateformes, pour cela nous
utilisons les ngociations avec les partenaires de lentreprise situs en amont et en aval de la
plateforme et nous prenons en compte les ressources humaines de la plateforme. A notre connaissance, ce problme est nouveau et na pas t considr auparavant. Vu le caractre moyen terme
des dcisions, nous avons dvelopp un modle de programmation linaire pour rsoudre ce problme. Dans ce chapitre nous proposons un modle le plus gnrique possible afin de pouvoir
lappliquer direntes configurations de plateformes logistiques, et direntes organisations
de flux, tout en prenant en compte plusieurs types de ngociations, dans le but de fournir une
solution gnrique du lissage de charge.
40
2.4. Formalisation du problme et hypothses spcifiques
2.4
Formalisation du problme et hypothses spcifiques
Lhorizon de temps que nous considrons correspond lune des deux priodes o un pic de
charge est constat, cest--dire entre 6 et 8 semaines. Lobjectif est de grer toutes les livraisons
pendant cet horizon et de trouver une planification prvisionnelle des ressources de la plateforme
(ou dun centre de production).
Les produits de notre application industrielle sont des chaussures, ce sont des produits semiprissables, cest--dire des produits dure dexistence limite avec une date limite de consommation, dans notre cas cette date limite est donne par la saisonnalit des chaussures. Nous
avons rencontr dautres gestions de plateformes correspondant des produits semi-prissables
(produits froids ou congels, brochures distribuer) pour lesquels les modles proposs ici pourraient tre adapts.
Quant aux livraisons, pour chaque magasin et pour chaque fournisseur, il pourrait y avoir plus
dune livraison planifie sur lhorizon temporel. Pour notre problme industriel, les quantits et
les dates de ces livraisons sont prvues en avance, dans le but de satisfaire tous les partenaires
(fournisseurs, transporteurs, plateforme et magasins) aussi bien que possible aprs ngociations.
Notre outil daide la dcision a pour but daider les ngociations pour rduire les cots de personnel. Dans notre modle, nous considrons que les quantits et les dates de livraison choisies,
dans la phase de planification prliminaire avant lutilisation de notre outil daide la dcision,
constituent des dates idales pour lensemble des partenaires, mais pas pour les plateformes.
Nous supposons que les fournisseurs et les clients autorisent des avances et des retards limits
pour les livraisons (par rapport la position idale et par rapport aux dates limites de consommation des produits transports), ce qui donne une lgre flexibilit la planification de la main
doeuvre de la plateforme.
Les avances et les retards, par rapport la date idale, pnalisent les fournisseurs car ils doivent
modifier leurs propres productions, et aussi les magasins car ils pourraient perdre des ventes.
Dans notre modle, ces pnalits sont reprsentes par des cots fictifs. Ces cots sont supposs
tre proportionnels la longueur de lcart entre les dates relles des livraison et les dates idales
prfixes. Ils sont calculs tout en prenant en compte les quantits prvues de chaque livraison
et les perturbations que ces carts sont senss produire.
En plus des dcalages temporels des livraisons, pour ajouter un degr de libert pour le lissage
de charge, nous supposons que les quantits associes chaque livraison peuvent tre galement
ngocies. Tout comme dans la ngociation des dates, pour chaque livraison et pour chaque
fournisseur (ou magasin), il y a des pnalits associes pour les raisons dcrites auparavant. Ces
pnalits sont associes aux quantits qui sont en avance ou en retard par rapport aux courbes
cumules idales, voir 2.5.1 et figure 2.2.
Quand laudit de lentreprise de chaussures a t men, il a t constat que dans la plateforme il y avait peu prs 20% de flux 1 (cross-docking) et 80% de flux 3, voir figure 1.3. Tous
les produits qui ne sont pas traits par le cross-docking passent par la rserve. Il est noter que
le cross-docking, sans traitement sur la plateforme, o les colis destins chaque magasin sont
prpars en amont par les fournisseurs, semble idal, mais il augmente les cots chez les fournisseurs et les volumes transports. En outre, il diminue la flexibilit de la gestion de lentreprise
de chaussures.
Au dpart, une des motivations de notre tude tait de dterminer les pourcentages optimaux
de chaque flux dans la plateforme pour minimiser les cots en diminuant les passages par la
rserve et non pas en augmentant le cross-docking, considr son optimum compte tenu des
cots.
41

Dans la plateforme de notre application, la principale ressource dexcution doprations
est constitue par la main duvre. La plateforme est compose de personnel permanent, avec
un contrat dure dtermine ou indtermin. Mais, comme nous lavons dj expliqu, pour
assurer la satisfaction de la charge de travail pendant les priodes de pointe, la plateforme peut
faire appel du personnel intrimaire qui, dans notre modle, sont embauchs par priode et
leur emploi du temps est prfix (en dehors des limites de notre modle) pour avoir assez de
personnel chaque priode. La main doeuvre est classe en catgories selon leurs ecacits
moyennes et leurs comptences pour excuter les oprations. Lecacit dune catgorie est
donne par un pourcentage qui reprsente un niveau de performance par rapport la meilleure
performance possible. Evidemment, les cots dembauche dpendent des ecacits du personnel
vis. Par ailleurs, dans notre modle, chaque ouvrier peut travailler une quantit maximale
dheures supplmentaires par priode ; le nombre dheures supplmentaires et le cot de ces
heures dpendent de chaque catgorie. Les heures supplmentaires cotent plus cher lentreprise
que les heures de travail normales.
Afin de rendre notre modle susamment gnrique pour quil puisse sadapter aussi des
structures de production, nous avons considr lexistence doprations dassemblage et de dsassemblage et des nomenclatures associes 1 . Pour cette raison, les familles de produits contiennent
des produits simples et des produits composs qui sont le rsultat de nomenclatures. Les activits
dassemblage, de dsassemblage et de transformation sont direncies dans le modle. Quelques
activits ncessitent un pourcentage minimal de travail excut par une personne plus qualifie
ou un expert chaque priode.
2.5
Modles Linaires proposs
Nous avons choisi la programmation linaire plutt que la simulation (comme souvent retrouve dans la littrature sur des problmes lis aux entrepts et plateformes) en raison de notre
choix dlibr de nous placer, dans ce chapitre, au niveau de la planification (moyen terme) et
non pas au niveau oprationnel. Dans cette section, nous introduisons les modles linaires que
nous proposons, ils sont susamment gnriques pour tre appliqus plusieurs types dentrepts, pour reprsenter les direntes contraintes lies ces derniers, et pour tenter de trouver
une solution au problme de lissage de charge. Nous avons initi notre rflexion grce au cas de
SAVAT, entreprise de commercialisation de chaussures, et nous avons essay de le gnraliser
tous les entrepts, voir mme aux ateliers de production.
Dans cette section nous commenons par donner une description des direntes entits du
modle avec les hypothses qui concernent chaque famille dentits. Ensuite, dans la section
2.5.2, nous introduisons le premier modle qui admet seulement des ngociations sur les dates
des livraisons. Enfin, dans 2.5.3, le deuxime modle avec des ngociations des dates et des
quantits est prsent.
2.5.1
Elments du modle
Paramtres temporels : En raison du caractre moyen terme de notre modle, nous avons
choisi une unit de temps note . Selon la granularit temporelle du modle, peut tre gal
une heure, une demi-journe ou une journe, voir Belvaux et Wosley [11]. Lhorizon temporel,
1. Si une commande magasin doit tre livre en totalit de manire groupe dans la mme livraison, on peut
la considrer comme un assemblage, cest notre hypothse au chapitre 3 qui concerne le niveau oprationnel
(ordonnancement). Par contre dans ce chapitre, certains lments dune commande pourraient tre livrs en
retard, ce qui relaxe la contrainte dassemblage.
42
2.5. Modles Linaires proposs

qui correspond aux priodes de pointe, est not H et est dfini par un nombre entier de priodes
de dure . Notre modle value les niveaux de stock seulement au dbut et la fin de chaque
priode. Nous supposons que est assez petit pour que les variations de stocks ne soient pas
trs grandes lintrieur dune priode. Autrement, les capacits des zones de stockage devraient
tre sous-estimes dans le modle pour viter le sur-stockage.
Activits de la plateforme : Comme dans tout systme de gestion moyen terme,
nous distinguons deux groupes dentits : les zones de stockage et les activits qui dplacent
les produits dune zone de stockage une autre. Des activits, comme le contrle, le dballage,
lassemblage, le dsassemblage, ..., donnent de la valeur ajoute aux produits dplaces. Dans
ce chapitre, nous considrons que toutes les livraisons des fournisseurs qui arrivent la mme
priode, reprsentent un seul stock de produits dans un seul camion ; ce camion doit tre pris en
charge par une seule activit fictive de dchargement dans le modle.La mme situation apparat
avec les livraisons vers les clients.
Dans nos expriences numriques la capacit de la plateforme logistique est illimite car, tout
instant, elle peut stocker tous les produits arrivant pendant les priodes de pointe. Nanmoins,
la capacit de chaque zone de stockage lintrieur de lentrept est limite, exception de la
rserve.
Pour certains cas de notre tude, parmi les activits de la plateforme, nous ajoutons une activit
appele mise en rserve qui absorbe le pourcentage de flux 3 (voir figure 1.3) qui doit aller la
rserve. Les produits dans la rserve nabandonnent pas la plateforme avant la fin de lhorizon
du modle, car en ralit les magasins demandent encore des rassortiments aprs la fin de la
priode o le pic de charge est constat. Nous supposons que lactivit mise en rserve est
excute obligatoirement juste avant la fin de lhorizon.
Familles de produits : Rouwenhorst et al. [127] remarquent que le nombre de produits
dirents peut tre trs grand dans un entrept de distribution, alors que les commandes des
clients sont typiquement composes de plusieurs produits dirents mais en trs petite quantit
pour chacun, ce qui rend la logistique interne complexe. Au niveau tactique, en gnral, la
planification agrge les produits similaires en familles, cest pourquoi nous avons choisi davoir
des familles de produits sans direncier les produits lintrieur de chacune (travailler au niveau
des produits augmenterait considrablement le nombre de variables, mais ne modifierait pas notre
modle). Pour notre application industrielle, par exemple, nous ne faisons pas la dirence entre
les pointures des chaussures dune mme famille. Pour simplifier la rdaction, par la suite les
direntes familles seront appeles simplement produits. La quantit de chaque produit dans un
camion qui arrive ou dans un camion qui part est dfinie en units de produit et non pas en
paquets ou palettes (la remarque de Rouwenhorst et al. [127] le justifie), mme si lon manipule
des groupes de produits. Nous distinguons les produits selon les caractristiques physiques des
produits ; pour nous il sagit des poids et des tailles des paquets de chaque produit. Selon ces
caractristiques physiques, nous sommes en mesure de dterminer des dlais de traitement pour
les activits de chargement, dchargement, assemblage ou dsassemblage de la plateforme.
Dans notre modle, nous supposons quil y a des produits simples et des produits composs
(SP et CP dans la figure 2.2). Les produits simples sont obtenus en dsassemblant un produit
compos, comme montr dans la figure 2.2. De la mme faon, les produits composs peuvent
tre obtenus par une opration dassemblage qui prendra plusieurs produits simples pour former
un produit compos, par exemple, une commande dun magasin. Dans la figure 2.2, les oprations de dsassemblage, assemblage et transformation (tel que le contrle) sont reprsentes
avec des flches continues, gras et pointilles respectivement. Dans un atelier de production, nous
43

Figure 2.2 Diagramme des oprations dassemblage et de dsassemblage
pouvons assimiler lactivit dassemblage lactivit de production o on utilise des composants

pour obtenir un nouveau produit semi-fini. Par ailleurs, il nest pas illogique de considrer des
activits dassemblage dans un entrept car dans certains cas industriels, lassemblage final est
fait dans les entrepts et cela doit tre pris en compte par le modle.
Organisation des flux : La modlisation de lorganisation des flux est ncessaire quand
plus dun chemin possible existe dans la plateforme. Par exemple, une fois quune livraison des
fournisseurs arrive et que le camion est dcharg, selon lagencement de la plateforme, les produits peuvent aller deux endroits : un pourcentage des produits va directement la zone de
cross-docking et le pourcentage restant va la rserve. Pour modliser lorganisation des flux,
nous prsentons deux possibilits. La premire consiste utiliser des contraintes de flux qui font
quun pourcentage de produits aille la zone que lon souhaite dans la plateforme sur lhorizon
temporel ; ces contraintes sont souvent redondantes avec les commandes des clients qui sont calcules en prenant en compte ces pourcentages et qui assurent lquilibre des flux. La deuxime
possibilit est dintroduire des contraintes pour modliser le fait que certains stocks doivent tre
vides certaines priodes, spcialement la fin de lhorizon temporel. Ainsi, tous les produits
qui restent dans la plateforme seront dans la rserve la fin de lhorizon. Dans ce chapitre, nous
proposons dutiliser les deux types de modlisation des flux.
Ngociations : Dans le but de donner de la flexibilit pour lisser la charge dans la plateforme
et pour viter, si possible, la main duvre supplmentaire, nous autorisons des modifications
limites (que lon appelle ngociations) des dates darrive et de dpart des livraisons des fournisseurs et des clients. Les quantits prvues pour ces livraisons peuvent tre modifies lgrement
galement.
Pour les ngociations des dlais prvus, les retards et les avances tolrs des livraisons et les
pnalits associes (relles ou virtuelles), correspondant aux fournisseurs ou aux magasins sont
supposs connues. Par ailleurs, pour grer la ngociation des quantits, nous dfinissons des
courbes cumules, par client (ou fournisseur) et par produit. Ces courbes seront utilises soit
comme des bornes suprieures et infrieures obligatoires ou comme des courbes cumules idales
qui permettent de calculer des pnalits davance et de retard de lcart entre ces courbes idales
et les courbes cumules associes une solution de planification, voir figure 2.3. Une courbe cu44
Figure 2.3 Courbes cumules en amont pour un produit
mule, pour un produit, en amont (resp. en aval) est dfinie comme la somme cumule des
quantits livres par les fournisseurs (resp. aux magasins).
Contrairement aux pnalits davance et de retard des livraisons, la pnalit de variation de
quantits est plus directement associe des cots de production (et de stockage) en amont
et en aval de la plateforme. Leur calcul peut nanmoins tre dicile car il ncessite dtudier
les consquences de ces avances/retards en utilisant, par exemple, des modles doptimisation
moyen terme. Le cot associ chaque unit de surface en avance ou et en retard de la courbe
calcule par rapport la courbe idale, voir figure 2.3, est aussi suppos connu.
Ressources humaines : La plateforme logistique fonctionne essentiellement avec des

ressources humaines. Il est ncessaire de prendre en compte leur savoir-faire dans lecacit
avec laquelle chaque personne excute les tches qui lui sont attribues. Ainsi, dans nos modles,
nous avons choisi de dfinir des catgories de personnel. Les personnes dans la mme catgorie
sont capables dexcuter des activits avec la mme ecacit. Selon la granularit du modle,
pour chaque produit et pour chaque activit, des temps de traitement minimaux sont dfinis.
Ces temps de traitement correspondent au temps quun expert mettrait excuter la tche sur
la famille de produits considre. Pour calculer le temps pass par les autres catgories, nous
avons introduit une matrice decience par activit, par famille de produit et par catgorie de
personnel. Les valeurs de cette matrice correspondent des taux decience qui sont infrieurs
ou gaux 1. Nous prenons en compte dautres contraintes relatives aux ressources humaines,
telles que la possibilit de faire des heures supplmentaires ou dimposer des niveaux dexpertise
pour certaines activits.
45
2.5.2
Modle avec les ngociations des dates de livraison
Dans cette section, nous prsentons le premier modle qui permet les ngociations des dates,
dans la section suivante nous montrons comment tendre ce premier modle pour quil prenne
en compte les ngociations des quantits.
Paramtres et Variables
Ce premier modle a plusieurs paramtres. Aussi souvent que possible, nous utilisons la
premire lettre du nom de chaque famille de paramtres pour la caractriser ; nous donnons
aussi le symbole qui identifie lensemble dindices correspondant. Dans le tableau 2.1, la premire
colonne contient la notation la plus utilise pour les indices, la deuxime colonne contient un
sigle dsignant une famille dindices et la dernire colonne la description de cette famille.
Table 2.1 Ensembles dindices et notations
Indice
H
t
nth
z
w
p
o
du
dd
d
a
Ensemble Description
dure dune priode donne en heures (granularit temporelle)
horizon temporel (entre 6 et 8 semaines)
NT
indice du temps
nombre de priodes dans lhorizon temporel
NZ
zones de stockage
NW
catgories de personnel
NP
familles de produits
N OA
oprations dassemblage
N OD
oprations de dsassemblage
N OT
oprations de transformation : contrle, dplacement ou production en
gnral
NO
ensemble de toutes les oprations de la plateforme (N O = N OA
N OD N OT )
OC
oprations de chargement des camions (OC N O)
OD
oprations de dchargement des camions (OD N O)
dans le modle les ensembles OC et OD ont seulement un lment car
nous avons considr un seul quai de chargement et de dchargement
N DU
livraisons amont/fournisseurs
N DD
livraisons aval/clients
ND
ensemble dindices de toutes les livraisons (N D = N DU N DD)
NA
ensemble de toutes les activits de la plateforme. Chaque activit modifie ltat des zones de stockage (N A = N O N D)
Les paramtres (connus) les plus importants sont donnes dans le tableau 2.2. Ces paramtres sont regroups par familles de paramtres, les descriptions des variables et les familles
de contraintes sont prsentes par la suite.
Puisque dans cette sous-section nous ngocions seulement les avances et les retards des
livraisons, nous supposons que les quantits de tous les produits dans une livraison ont dj t
ngocis et ne peuvent pas tre changes. Elles font donc partie des paramtres connus.
46

Table 2.2 Notations des Paramtres
Notation
Description
Paramtres associs aux stocks et aux produits
V Pp
volume dune unit de produit p
V Zz
capacit en volume de la zone de stockage z
SIp,z
stock initial du produit p dans la zone de stockage z (le stock est donn en
units de produit)
LZEa,z
matrice qui dfinit les relations entre les oprations et les variations des
stocks, selon que lactivit a N A augmente (ou diminue) le stock z (0
sil ny a pas de relation entre a et la zone de stockage z, 1 si a augmente le
stock et 1 si a rduit le stock)
PC
ensemble des produits composs
Paramtres associs aux nomenclatures
P a(o)
ensemble de produits qui sont assembls par lopration dassemblage o
P d(o)
ensemble de produits qui sont dsassembls par lopration de dsassemblage
o
Ao,p
ensemble des produits ncessaires pour obtenir p P a(o) en appliquant
lopration o N OA
Do,p
ensemble des produits obtenus en appliquant lopration o N OD sur le
produit p P d(o)
o,p,pi
matrice qui indique la quantit de produit pi utilise par lopration o pour
obtenir une unit de produit p
o,p,pi
matrice qui indique la quantit de produit pi que lon obtient par lapplication
de lopration o sur le produit p
Paramtres associs aux avances et aux retards
QPd,p
quantit de produit p prsent dans la livraison d
T Sd
date idale pour la livraison d
M AXEd
valeur maximale autorise pour lavance de la livraison d
M AXTd
valeur maximale autorise pour le retard de la livraison d
ECd
pnalit davance par unit de temps de la livraison d
T Cd
pnalit de retard par unit de temps de la livraison d
Paramtres sur lorganisation des flux : premire possibilit
nd(z)
nombre de destinations possibles partir de la zone de stockage z dans la
plateforme
Zd(z)
ensemble des destinations directes depuis la zone de stockage z si nd(z) > 1
P erz,z
pourcentage de produit allant de z z Zd(z)
Oz,z
ensemble doprations qui dplacent les produits de la zone z la zone z
Paramtres sur lorganisation des flux : deuxime possibilit
T Zz
indice de temps aprs lequel le stock de la zone z est fix et maintenu zro
SZ
ensemble dindices des zones de stockage qui doivent tre vides avant la fin
de lhorizon de temps
47

Paramtres sur la main duvre
Ew,o,p,
ecacit de la catgorie w pour excuter lopration o sur le produit p
P ESo
pourcentage minimal de temps pass (par priode) par un expert sur lopration o
M AXT W
temps maximal de travail par priode (pay au salaire normal)
HSDw,t
nombre maximal dheures supplmentaires que le personnel de catgorie w
peut faire pendant la priode t
CU HSw
cot dune heure supplmentaire pour la catgorie de personnel w.
N ORM nrhw,t quantit initiale de personnel de catgorie w qui tait prvue pour la priode
t (calcule dans une phase prliminaire)
M AXnrhw,t
quantit maximale de personnel permanent et temporaire disponible la
priode t pour la catgorie w
CU nrhw,t
cot dembauche dune personne de catgorie w pendant la priode t
Autres paramtres
T Uo,p
dure de traitement minimale pour une unit de produit p par lopration o,
cette dure est 0 si le produit nest pas trait par lopration
M
est un trs grand nombre caractrisant +
Les variables du modle sont prsentes dans le tableau 2.3. Les variables auxiliaires sont des
variables dtat, elles sont associes aux stocks ou des variables intermdiaires qui simplifient
le modle.
Table 2.3 Variables de dcision et variables auxiliaires

Variable
Description
Variables de dcision
Qa,p,t
quantit de produit p traite (rsultant ou subissant lactivit) par lactivit a
pendant la priode t
T Ww,o,p,t
temps (exprim en heures) que le personnel de catgorie w passe sur lopration
o et sur le produit p pendant la priode t
M oved,t
variable boolenne gale 1 si la livraison d arrive la priode t et 0 sinon
nrhw,t
nombre de personnes de la catgorie w dans la plateforme pendant la priode
t
HSw,t
quantit dheures supplmentaires de travail du personnel de catgorie w pendant la priode t
Variables auxiliaires
Cht
charge de travail de la plateforme pendant la priode t exprime en heures de
travail
M oyCh
charge moyenne sur lhorizon de temps
M axCht
cart entre la charge moyenne et la charge la priode t quand cet cart est
positif
M inCht
cart entre la charge moyenne et la charge la priode t quand cet cart est
ngatif
48

Sz,p,t
Td
DEd
DTd
P eak
stock de produit p dans la zone de stockage z la fin de la priode t

date laquelle la livraison d est eectivement livre
avance (exprime en nombre de priodes) de la livraison d
retard de la livraison d
charge maximum pendant lhorizon
Formalisation du modle
Dans ce qui suit, nous prsentons les familles de contraintes regroupes par type de contraintes.
Des explications sont donnes aprs chaque famille. La formulation mathmatique du modle
est la suivante :
Bornes pour les variables :
a, t, p
Qa,p,t 0
o N OD, p
/ P d(o) p P d(o) Do,p , t
Qo,p,t = 0
o N OA, p
/ P a(o) p P a(o) Ao,p , t
Qo,p,t = 0
w, o, p, t
T Ww,o,p,t 0
z, p, t
Sz,p,t 0
d
0 Td nth
w, t
N ORM nrhw,t nrhw,t M AXnrhw,t
w, t
0 HSw,t HSDw,t
t
M axCht 0
t
M inCht 0
d
0 DEd M AXEd
d
0 DTd M AXTd
(1)
(2)
(3)
(4)
(5)
(6)
(7)
(8)
(9)
(10)
(11)
(12)
Les familles de contraintes (1), (4), (5), (9) et (10) assurent la positivit des variables. Les familles (2) et (3) indiquent que seulement les produits qui doivent tre assembls ou dsassembls
et leurs composants peuvent tre traits par une opration dassemblage ou de dsassemblage.
Les contraintes (6) tablissent que les livraisons doivent tre livres dans lhorizon temporel ; (7)
dit que le nombre de personnes dans chaque catgorie doit tre suprieur au nombre de personnel
fixe et infrieur au nombre maximal de personnel autoris (y compris le personnel temporaire).
La famille de contraintes (8) exprime le fait que les heures supplmentaires par catgorie et par
priode ne peuvent pas dpasser la quantit autorise dans la plateforme. Les familles (11) et
(12) contraignent les avances et les retards des livraisons au nombre de priodes davance et de
retard tolr pour chaque livraison.
Variations des stocks et contraintes de capacit :
z N Z, p N P
Sz,p,0 = SIz,p
z N Z, p P C, t N T
Sz,p,t = Sz,p,t1 + d LZEd,z Qd,p,t + oN OT LZEo,z Qo,p,t
+ oN OD:LZEo,z =1 LZEo,z Qo,p,t + oN OA:LZEo,z =1 LZEo,z Qo,p,t

z N Z, p N P \P C, t N T
Sz,p,t = Sz,p,t1 + d LZEd,z Qd,p,t + oN OT LZEo,z Qo,p,t
(13)
(14)
49

+
z, t
pN P
+ oN OA:LZEo,z =1 LZEo,z Qo,p,t

Sz,p,t V Pp V Zz
o,z Qo,p,t
oN OD:LZEo,z =1 LZE
(15)
(16)
La famille de contraintes (13) donne aux stocks leurs valeurs initiales connues. Les familles
(14) et (15) sont des contraintes de conservation des flux pour les produits composs P C et pour
les produits simples respectivement (figure 2.2). Ces contraintes reprsentent le fait que le stock
dun produit dans une zone de stockage, la fin dune priode donne, est gal au stock la fin
de la priode prcdente plus (ou moins) les quantits traites par les oprations de transformation (flches pointilles dans la figure 2.2), oprations dassemblage (flches continues en gras)
et oprations de dsassemblage (flches continues simples) qui modifient cette zone de stockage.
La famille (16) assure que la capacit physique dune zone de stockage nest pas dpasse.
Avance et retard des livraisons :
d
tN
T M oved,t = 1
Td = tN T t M oved,t
DEd T Sd Td
DTd Td T Sd
(17)
(18)
(19)
(20)
La famille (17) garantie que la livraison d est livre en une seule fois pendant une seule priode. Les contraintes (18) calculent la date de livraison retenue par la solution du programme
linaire ; les familles (19) et (20) dterminent lavance et le retard eectif de chaque livraison.
Lien entre les livraisons et le flux :
p, d, t
Q
= QPd,p M oved,t
d,p,t
p, t
Qo,p,t = dN DU Qd,p,t
oOD
p, t
oOC Qo,p,t =
dN DD Qd,p,t
(21)
(22)
(23)
Satisfaction de la charge :
o, t, p
w, t
T Uo,p Qo,p,t = w:Ew,o,p =0 T Ww,o,p,t Ew,o,p

o
p T Ww,o,p,t nrhw,t M AXT W + HSw,t
(24)
(25)
TW
Ew,o,p M
w,o,p,t
P ESo
p T Ww ,o,p,t 100
w
p T Ww,o,p,t
(26)
(27)
La famille (21) fait le lien entre les livraisons et les flux manipuls dans la plateforme. Les
contraintes (22) et (23) indiquent que les camions des livraisons sont chargs et dchargs pendant une seule priode.
Les contraintes (24) tablissent que, pour toute priode t et pour tout produit p, le temps
total pass par toutes les catgories de personnel sur une opration doit tre suprieur ou gale
la charge associe cette opration pour la priode et pour le produit donns. La famille de
contraintes (25) est une manire simple de grer les heures supplmentaires par catgorie de
personnel : pour toute catgorie et pour toute priode, la charge doit tre infrieure ou gale
au temps maximum travaill par tout le personnel prsent sur la plateforme plus les heures
supplmentaires maximales autorises du personnel permanent (de cette catgorie).
Contraintes de personnel :
w, o, t, p
o, t
o w argmaxwN W Ew,o,p
50

Si lecacit dune catgorie de personnel est nulle pour une opration, la famille de contraintes
(26) interdit laectation dune personne de cette catgorie lopration en question. La famille
(27) (qui est optionnelle) dit que le temps pass par un expert sur une opration doit tre suprieur ou gal au pourcentage de temps dexpert souhait pour cette opration.
Calcul de la charge :
t
Cht = w o p T Ww,o,p,t
1
M oyCh = nth
tN T Cht
M axCht Cht M oyCh
M inCht M oyCh Cht
P eak Cht
(28)
(29)
(30)
(31)
(32)
Les contraintes de la famille (28) calculent la charge totale par priode ; la famille (29) calcule
la charge moyenne tandis que (30) et (31) calculent lcart entre la charge de travail de chaque
priode par rapport la charge moyenne. La famille (32) nous permet de calculer la charge
maximale sur lhorizon temporel.
Contraintes dorganisation des flux :
- Premire possibilit :
p N P \P C, z N Z : nd(z) > 1, z Zd (z)

P erz,z
t
oK1 Qo,p,t = 100
t
o N OT A:LZEo ,z =1 Qo ,p,t
o K1 = Oz,z (N OT N OA) et N OT A = N OT N OA
(33)
p P C, z N Z : nd(z) > 1, z Zd (z)

P erz,z
t
oK2 Qo,p,t = 100
t
o N OT D:LZEo ,z =1 Qo ,p,t
o K2 = Oz,z (N OT N OD) et N OT D = N OT N OD
(34)
- Deuxime possibilit :
z SZ, t T Zz , p
(33)
Sz,p,t = 0
Les contraintes dorganisation des flux tablissent que la quantit de produits sortant de la
zone de stockage z et allant vers z sur lhorizon de temps est gale un pourcentage donn.
Nous ne vrifions pas ces contraintes chaque priode mais seulement la fin de lhorizon. Les
familles de contraintes correspondantes sont (33) et (34). La famille de contraintes, (34), pour
les produits composs (ceux de lensemble P C) et la famille, (33) pour les produits simples. Les
contraintes (33) correspondent la deuxime possibilit de grer lorganisation des flux, ces
contraintes indiquent que les stocks des zones de stockage intermdiaires z SZ doivent tre
zro aprs la priode T Zz .
Contraintes des nomenclatures :
o N OD, p P d(o), p Do,p , t
Qo,p ,t = pi P d(o) o,pi ,p Qo,pi ,t

o N OA, p P a(o), p Ao,p , t
Qo,p ,t = pi P a(o) o,pi ,p Qo,pi ,t
(35)
(36)
Finalement, les contraintes associes aux nomenclatures sont donnes par les familles (35)
51

et (36), ces contraintes calculent les quantits de produits simples traites par une opration
dassemblage ou une opration de dsassemblage selon les quantits de produits assembler ou
dsassembler.
Indicateurs de performance
Toute entreprise concerne se voit contrainte prendre des dcisions multi-critres, pour cela
elles utilisent des indicateurs de performance. Nous avons conu des mesures de performance
pour aider lentreprise dans son processus de prise de dcision. Comme le lissage de charge tait
lorigine de notre travail de recherche, nous proposons une premire mesure de performance
(A), laquelle calcule lcart entre la charge moyenne et la charge maximale et minimale.
t (M axCht
+ M inCht )
(A)
Cette mesure permet de comparer le lissage global de deux solutions. Nanmoins, nous verrons dans les expriences numriques que minimiser cet indicateur de performance peut rduire
les performances dautres mesures importantes dcrites plus bas, car pour amliorer ce critre, la
charge moyenne (qui est exprime en heures de travail quelles que soient les eciences utilises)
est gnralement augmente.
Comme autre indicateur, nous considrons la minimisation de la variable P eak (dfinie
dans (32)) comme un indicateur de performance alternatif de la charge.
Avant de proposer notre modle, les dates de livraison taient totalement imposes la plateforme. Nous supposons que des modifications lgres peuvent tre ngocies avec les fournisseurs
et que des petites modifications peuvent tre tolres dans les livraisons vers les magasins. Il
nest pas possible de modliser prcisment les vraies consquences de ces modifications lgres.
Nous proposons donc des pnalits fictives pour reprsenter le niveau dimpact des ngociations.
Ici nous utilisons une pnalit proportionnelle la dviation de temps (en nombre de priodes).
Nimporte quelle fonction linaire de pnalit peut remplacer la fonction (B).
d [(DEd
ECd ) + (DTd T Cd )]
(B)
Beaucoup dindicateurs de performance peuvent tre associs au cot de la main duvre.

Dans (C), nous nous intressons la quantit de personnel de chaque catgorie disponible
chaque priode. Dans (D), nous considrons le cot des heures supplmentaires par priode et
par catgorie. Ces cots reprsentent des dpenses directes pour lentreprise.

(nrhw,t N ORM nrhw,t ) CU nrhw,t
t w
(C)
(D)
(A) + (B) + (C) + (D) + (P eak)
(OBJ)
w HSw,t CU HSw
A part les deux dernires mesures, les autres mesures sont seulement des indicateurs de tendance, en consquence, dterminer le front de Pareto na pas de sens. Aussi, pour donner de
la flexibilit aux dcideurs et pour quils puissent donner plus ou moins dimportance chaque
indicateur, nous utilisons lapproche traditionnelle dagrgation. Pour construire la fonction objectif (OBJ), lutilisateur doit choisir cinq paramtres : , , , et .
52

Pour chaque recherche de solutions, les cinq indicateurs de performance prsents ci-dessus
seront fournis par les dcideurs.
2.5.3
Modle avec ngociations des dlais et des quantits
Paramtres et Variables
Pour intgrer les ngociations des quantits au modle que nous venons dintroduire 2.5.2,
nous devons ajouter de nouveaux paramtres et variables. Le tableau 2.4 contient ces variables
et paramtres. La srie de paramtres associe aux livraisons reprsente les consquences que les
modifications des dates ont sur les courbes cumules des quantits livres et les modifications
des quantits de chaque livraison. Il est ncessaire dajouter quelques variables dtat au modle,
elles sont introduites dans le tableau 2.5.
Table 2.4 Paramtres associs aux ngociations des quantits
Notation
Description
Paramtres associs aux produits
QP Up
quantit totale de produit p livre par les fournisseurs dans lhorizon de temps
QP Dp
quantit totale de produit p livre aux clients dans lhorizon de temps
QLLd,p
borne infrieure pour la quantit de produit p prsente dans la livraison d
QU Ld,p
borne suprieure pour la quantit de produit p prsente dans la livraison d
Paramtres associs aux livraisons
EU CCp,t
courbe cumule au plus tt en amont (fournisseurs) pour le produit p
EDCCp,t
courbe cumule au plus tt en aval (clients) pour le produit p
LU CCp,t
courbe cumule au plus tard en amont pour le produit p
LDCCp,t
courbe cumule au plus tard en aval pour le produit p
N U CCp,t
courbe cumule idale en amont ngocie pour le produit p
N DCCp,t
courbe cumule idale en aval ngocie pour le produit p
M Cp
cot associ chaque unit de surface en avance entre la courbe cumule idale
pour le produit p et la courbe cumule associe aux livraisons prvisionnelles
LCp
cot associ chaque unit de surface en retard entre la courbe cumule idale
pour le produit p et la courbe cumule associe aux livraisons prvisionnelles
Table 2.5 Variables associes la ngociation des quantits

Variable
Description
Variables Auxiliaires
U DCCp,t
courbe cumule des livraisons en amont pour le produit p
DDCCp,t
courbe cumule des livraisons en aval pour le produit p
N U Ep,t
quantit de produit p livre en avance la priode t pour les livraisons des
fournisseurs
53

N U Tp,t
N DEp,t
N DTp,t
quantit de produit p livre en retard la priode t pour les livraisons des

fournisseurs
quantit de produit p livre en avance la priode t pour les livraisons aux
clients
quantit de produit p livre en retard la priode t pour les livraisons aux
clients
Formalisation et indicateurs de performance

Quelques modifications doivent tre apportes au modle avec les ngociations des dlais, et
quelques contraintes doivent tre ajoutes pour avoir le cas gnral avec les deux ngociations.
Toutes les contraintes de (1) (36) sont utilises dans le modle des ngociations des quantits,
lexception de la famille de contraintes (21) qui doit tre gnralise comme suit :
p, d, t
QLLd,p M oved,t Qd,p,t QU Ld,p M oved,t
(21)
On remarque que si le produit p nest pas concern par la livraison d, alors les bornes
QLLd,p = QU Ld,p = 0. Ces bornes peuvent prendre la mme valeur seulement si les dates
peuvent tre ngocies et non les quantits. Notamment, si lon fixe QLLd,p = QU Ld,p = QPd,p
on retrouve lensemble de contraintes (21).
Les familles de contraintes (37) (46) doivent tre ajoutes au modle. Les contraintes (37)
et (42) nous permettent de calculer les courbes cumules en amont et en aval respectivement. Les
quantits de produit arrives en avance ou en retard avec une livraison en amont (respectivement
en aval) sont calcules par (39 et 40)(respectivement (44 et 45)). Les contraintes (38) et (43)
sont des contraintes de respect des bornes pour les quantits en avance et en retard chaque
priode pour chaque produit. Finalement, les familles de contraintes (41) et (46) tablissent que,
pour chaque produit, la quantit totale planifie de produit doit tre livre sur lhorizon temporel.
Pour les fournisseurs :
p, t
Pour les clients :

p, t
(37)
(38)
(39)
(40)
(41)
(42)
(43)
(44)
(45)
(46)
U DCCp,t = t =1 du N DU Qdu ,p,

EU CCp,t U DCCp,t LU CCp,t
N U Ep,t U DCCp,t N U CCp,t
N U Tp,t N U CCp,t U DCCp,t
dN DU
tN T Qd,p,t = QP Up
DDCCp,t = t =1 dd N DD Qdd ,p,

EDCCp,t DDCCp,t LDCCp,t
N DEp,t DDCCp,t N DCCp,t
N DTp,t N DCCp,t DDCCp,t
dN DD
tN T Qd,p,t = QP Dp
En plus, on peut remarquer que QP Up = dN DU QPd,p et QP Dp = dN DD QPd,p . Nous

pouvons dire que le modle avec les ngociations des dates est un cas particulier du modle avec
les deux ngociations que nous venons de voir. Par ailleurs, puisque les quantits en avance et en
retard des produits livrs sont pnalises, nous intgrons un dernier indicateur de performance
lobjectif. Les pnalit associes aux quantits livres en avance et en retard sont calcules dans
le critre (E) qui est ajout aux autres critres proposs pour le modle de la section 2.5.2. Dans
ce modle nous voulons minimiser (OBJ).
54
2.6. Exprimentations et Rsultats
pN P
2.6
tN T
M Cp (N U Ep,t + N DEp,t ) + LCp (N U Tp,t + N DTp,t ) (E)
(A) + (B) + (C) + (D) + (E) + (P eak)
(OBJ)
Exprimentations et Rsultats
Dans ce qui suit, nous commenons par introduire, dans 2.6.1, les agencements de plateforme
simplifis que nous avons utilis pour notre tude. Dans 2.6.2, nous prsentons les caractristiques
des donnes utilises pour les expriences. Ensuite, dans 2.6.3 nous expliquons la mthodologie
dvaluation utilise. Finalement, les rsultats, pour les modles avec ngociation des dates de
livraisons et avec les ngociations des dates et des quantits, sont prsents dans les sections
2.6.4 et 2.6.5 respectivement.
2.6.1
Agencements de plateforme tests
Aprs laudit de lentreprise, on sest rendu compte que des gains plus importants sur le
cot de la main duvre pouvaient tre faits si lagencement de la plateforme tait modifi. Au
dpart, notre objectif tait de construire un outil daide la dcision qui permette de comparer
les performances de dirents agencements de plateforme avec ou sans ngociations des dates de
livraison. La compagnie de chaussures nous a fourni les donnes correspondant lagencement
de plateforme existant. Il faut remarquer que la modification de la configuration physique et
des processus de la plateforme induit aussi des changements importants sur une partie des
activits que les employs excutent. Ainsi, il ntait pas possible de modliser un gnrateur
valide des temps de traitement pour les nouveaux agencements. En consquence, nous avons
choisi de prsenter dans ce travail des agencements simplifis et de nous concentrer sur lintrt
des ngociations pour chaque agencement de manire indpendante, sachant que la modification
inconnue des temps de traitement rendait la comparaison impossible.
Dans cette section, nous dcrivons les trois agencements de plateforme que nous avons considr pour nos exprimentations, ils reprsentent la situation actuelle de la plateforme et deux
autres situations hypothtiques. Nous les prsentons dans lordre croissant de leur complexit.
Premier agencement
Le premier agencement test correspond une plateforme o les camions arrivent avec les
livraisons, ensuite les produits sont dchargs dans la zone de rception. Le seul flux possible
pour les produits est le cross-docking (flux de type 1 dans la Figure 1.3). Ainsi, les produits
passent travers la plateforme directement vers la zone dexpdition o ils sont chargs dans
des camions et sont livrs aux clients. Cest lagencement le plus intressant en termes de cot
de transport et de stockage pour la plateforme. En fait, il dplace les cots de prparation des
commandes chez les fournisseurs qui ne sont pas forcment quips pour cela. Il faut en outre leur
transmettre les informations associes et, par ailleurs, le remplissage des camions fournisseurs
peut tre sous-optimis.
Cet agencement est reprsent dans la figure 2.4(a). Cest le cas le plus simple au niveau
des flux, puisquil y a un seul parcours de flux possible dans la plateforme, la modlisation de
lorganisation de lclatement des flux nest donc pas ncessaire. Par ailleurs, nous ne considrons
que des oprations de dplacement des colis qui sont tris pour tre envoys vers les clients
concerns.
55
(a) Agencement 1
(b) Agencement 2
(c) Agencement 3
Figure 2.4 Agencements de plateforme
Deuxime agencement
Le deuxime agencement test, reprsent dans la figure 2.4(b), sapproche plus de lagencement de la plateforme de notre application industrielle au moment de laudit. Il prend en compte
deux possibilits de flux dans la plateforme. La premire possibilit des flux est le cross-docking
comme dans la figure 1.3. La deuxime possibilit, consiste stocker les produits dans la rserve
(Z3 dans la figure 2.4(b)) une fois quils ont t dchargs. Nous supposons que la capacit de
la rserve est illimite car elle peut stocker la totalit des produits arrivant la plateforme
nimporte quel instant. Les flux observs dans cet agencement correspondent aux flux 1 et 2 de
56

la figure 1.3. Dans ce cas, des contraintes dorganisation des flux ((33) et (34) ou (33)) sont
ncessaires. Nous supposons encore quil ny a ni assemblages, ni dsassemblages possibles dans
cette configuration de plateforme.
Troisime agencement
Ce troisime agencement est reprsent dans la figure 2.4(c). Dans ce cas, en plus des flux
considrs dans le deuxime agencement, il y a une troisime possibilit de flux de produits, cette
possibilit consiste faire passer les produits de la zone de rception vers une zone de stockage
(Z4 dans la figure) qui peut avoir une capacit limite ou illimite. Dans ce cas, les produits ne
quittent la zone Z4 quaprs la fin de lhorizon temporel de notre tude pour des raisons que nous
avons dj expos. La principale caractristique de cet agencement est lexistence doprations de
type assemblage ou dsassemblage (reprsentes par les flches continues dans la figure 2.4(c)).
Cette fois-ci, il est ncessaire dajouter au modle des contraintes dorganisation des flux (comme
pour le cas prcdent) mais aussi des contraintes des nomenclatures ((35) et (36)) associes aux
produits. Cet agencement reprsente des situations relles dans la plateforme de SAVAT, comme
le fait quune partie des produits arrivs ne sorte quaprs la fin de lhorizon et le fait quil y ait
des oprations de constitution de commandes (assemblage et dsassemblage).
2.6.2
Mise en uvre et donnes utilises
Nous avons gnr de manire alatoire 44 instances pour le modle avec des ngociations de
dates (gnrateur alatoire programm en Visual C++). Avec quelques modifications, ces instances ont t gnralises dans la section 2.6.5 pour tre utilises avec le modle de ngociations
des dates et des quantits. Plus de dtail sur la gnration des donnes peut tre trouv dans
lannexe 1. Dans le tableau 2.6, nous prsentons : le code choisi pour dnommer chaque famille
dinstances, le type dagencement de plateforme associ, la dure (en journes) dune priode
de planification (correspondant au paramtre ) et le nombre dinstances gnres dans chaque
famille.
Table 2.6 Paramtres considrs
Code de
famille
C1
C2
C3
Agencement
de plateforme
1
2
3
(jours)
random (1, 1/2)
random (1, 1/2)
random (1, 1/2)
Nombre
dinstances
10
18
16
Nous considrons un horizon temporel de 6 semaines (correspondant 30 priodes dune

journe ou 60 priodes dune demi-journe). Cette dure correspond la dure du pic de charge
de la plateforme que nous tudions. Le nombre de familles de produits est gnr de manire
alatoire entre 6 et 10.
Les instances sont gnres en deux tapes. Dans la premire tape, toutes les donnes sont
gnres de manire homogne (alatoirement choisies dans un intervalle rel connu pour chaque
paramtre). Par exemple, les caractristiques des produits (poids, volume) sont gnres alatoirement entre 0.2 et 1 (units de poids ou de volume), par exemple 0.2 m3 pour le volume du
57

paquet dun produit o m3 est lunit de volume choisie. Ensuite, la deuxime tape consiste
transformer les donnes dj gnres dans le but dobtenir des instances htrognes. Nous avons
fait le choix de travailler sur des instances htrognes car dans la ralit les caractristiques des
produits, et dautres donnes, peuvent avoir des carts types importants qui sont souvent mal
reflts par la gnration alatoire, uniforme dans un intervalle. Nous procdons comme suit :
pour les caractristiques des produits, nous calculons lcart type de chaque caractristique, et
nous modifions, de manire alatoire, quelques unes dentre elles pour intensifier lcart type.
Toutes les donnes qui dpendent des caractristiques des produits, comme les temps de traitement et les ecacits, sont gnres seulement quand la deuxime tape de consolidation est
finie.
Pour le troisime agencement de plateforme, quand il y a des oprations dassemblage et de
dsassemblage, les produits qui sont assembls ou dsassembls sont crs lors de la deuxime
tape de traitement. Les livraisons sont gnres seulement aprs que les caractristiques des
produits sont fixes. Pour tous les produits, le gnrateur assure lquilibre global des flux entre
les entres, les sorties et le stockage dans la rserve. Les livraisons des fournisseurs arrivent
principalement pendant la premire partie de lhorizon temporel H, tandis que les livraisons
aux clients sont expdies pendant tout lhorizon temporel.
Table 2.7 Catgories de personnel
Habilet
nh
h
f
nf
F = rand(f, nf)
Force
Niveau dexprience
Dbutant (D) Moyen (M) Expert (E)
nh.f.D
nh.f.M
nh.f.E
nh.nf.D
nh.nf.M
nh.nf.E
h.F.D
h.F.M
h.F.E
Le nombre de catgories de personnel est 6 ou 9 selon les caractristiques de personnel

considres. La premire caractristique que nous prenons en compte est le niveau dexprience ;
il y a trois niveaux dexprience : dbutant, moyen et expert. La deuxime caractristique est la
force physique, la raison est que, dans lapplication dune plateforme logistique, la force est un
facteur prendre en compte pour lexcution de certaines oprations non automatises. Ainsi,
les hommes sont plus ecaces pour le chargement et le dchargement de camions par exemple.
La troisime caractristique considre est lhabilet, cette caractristique est ncessaire pour
des oprations qui doivent tre excutes soigneusement, comme la prparation de commandes
ou le picking. Dans les entrepts, il a t constat que les femmes font moins derreurs dans ce
type de tches.
Les catgories de personnel que nous considrons sont prsentes dans le tableau 2.7. Les
niveaux dexprience sont reprsents dans les trois dernires colonnes du tableau (D, M et E
pour dbutant, moyen et expert respectivement), la force (f et nf pour fort et non fort respectivement) et lhabilet (h et nh pour habile et non habile respectivement) sont reprsentes dans
les lignes.
Quand nous avons 6 catgories de personnel, nous prenons en compte seulement deux caractristiques du personnel : la force et le niveau dexprience, alors toutes les catgories sont
considres non habiles (nh). Nous gnrons donc deux catgories pour chaque niveau dexprience (avec et sans force), par exemple des dbutants forts et des dbutants faibles, nots
respectivement nh.f.D et nh.nf.D dans la table 2.7. Nous procdons de la mme manire pour
58

les travailleurs dexprience moyenne (nh.f.M et nh.nf.M) et les experts (nh.f.E et nh.nf.E) pour
obtenir 6 catgories.
Pour avoir 9 catgories, nous considrons, en plus de lexprience et de la force, lhabilet. Il
est clair que si nous considrions toutes les combinaisons possibles des trois caractristiques nous
aurions 12 catgories de personnel, mais comme le nombre de catgories a un impact important
sur la taille des modles linaires, nous avons choisi de rduire artificiellement 9 le nombre de
catgories. Pour ce faire, nous avons une seule catgorie habile par niveau dexpertise en plus
des deux non habiles dcrites ci-dessus. Cette nouvelle catgorie peut tre forte ou pas forte et
cela est dtermin de manire alatoire. Par exemple, pour les dbutants nous avions dj les
nh.f.D (dbutants forts et non habiles) et les nh.nf.D (dbutants non forts et non habiles), la
nouvelle catgorie peut tre soit h.f.D ou h.nf.D (dbutants forts et habiles ou dbutants non
forts et habiles). La mme procdure est applique pour les autres niveaux dexprience pour
obtenir 9 catgories.
Les temps de traitement, par opration et par produit, sont gnrs alatoirement selon les
caractristiques des produits. Quant aux ecacits de chaque niveau dexprience, elles sont
gnres alatoirement dans un intervalle [a, b] (a 0, b 1). Selon les caractristiques supplmentaires de chaque niveau dexprience, force et habilet, les ecacits sont gnres dans
[1 a, 2 b] o 1 et 2 sont des paramtres qui dpendent du niveau dexprience. Ceci est
fait pour sassurer que, par exemple, pour le mme niveau dexprience (disons moyen), pour
une opration qui ncessite un eort physique important, la catgorie qui a la force est plus
ecace que celle qui est plutt faible.
Le modle a t implment en Visual C++ ; notre programme utilise le solveur de programmation linaire CPLEX pour rsoudre le problme. Pour les agencements deux et trois, le temps
de calcul a t limit 900 secondes, la raison est que nous avons not quaprs ce temps, le
solveur narrive plus amliorer la meilleure solution trouve. Nous supposons que la meilleure
solution connue est probablement prs de loptimum et que le solveur essaie de prouver son
optimalit.
Taille des modles linaires
La taille des modles que nous cherchons rsoudre dpend des valeurs de paramtres
des instances de donnes que nous gnrons. Ces paramtres sont : le nombre de familles de
produits, le nombre de priodes, le nombre de livraisons et le nombre de catgories de personnel.
Dautres paramtres comme le nombre dactivits et le nombre de zones de stockage dpendent
de lagencement de la plateforme que nous considrons lors de lapplication des modles. Dans
le tableau 2.8, nous donnons le nombre de variables de dcision et le nombre de contraintes pour
chaque agencement (indiqu dans la premire colonne du tableau) et pour les deux modles :
Ngociation des dates et Ngociation des dates et des quantits.
Deux valeurs sont indiqus dans chaque case du tableau 2.8. Ces valeurs (calcules thoriquement partir des valeurs de gnration des instances) correspondent aux nombres minimaux
et maximaux des variables de dcision et des contraintes pour chaque famille dinstances et pour
chaque modle. Les valeurs minimales sont calcules avec les plus petites valeurs de gnration
pour tous les paramtres mentionns prcdemment. Par exemple, le nombre de produits est
gnr entre 6 et 10, le nombre de livraisons entre 30 et 40 ; le calcul du nombre minimal de
contraintes et de variables suppose quil y a 6 familles de produits et 30 livraisons. La mme
procdure est applique pour le calcul du nombre maximal mais avec les valeurs maximales des
59

Table 2.8 Taille des modles (min - max)
Agencement
1
2
3
Ng. Dates
Variables
Contraintes
5040 - 21480
16404 - 69820
7560 - 33480
21912 - 95390
12240 - 56760 32397 - 147070
Ng. Dates
Variables
10440 - 45480
12960 - 57480
18000 - 80760
et Quantits
Contraintes
29364 - 125020
34872 - 150590
45417 - 202270
paramtres.
2.6.3
Expriences numriques
Nous avons ralis des expriences de manire indpendante pour les trois agencements de
plateforme prsents dans 2.6.1. Pour chaque agencement, 4 (resp.6) hypothses de fonctionnement de la plateforme sont considres selon que les heures supplmentaires sont autorises
ou non (o ou n) et selon que le nombre maximal de priodes davance ou de retard associs
aux livraisons est 0 ou 1 (resp. 0, 1 ou 2) pour le tableau 2.9 (resp. 2.10). Chaque hypothse
correspond une ligne pour chaque agencement dans les tableaux. Pour quelques expriences
prsentes ultrieurement, plus dhypothses sont considres.
Les tableaux 2.9 2.14 sont composs de trois familles de colonnes spares par des traits
doubles. La premire famille, appele Paramtres, indique les 4 (ou 6) hypothses de fonctionnement considres (indices par u dans les formules de calcul). La deuxime famille, appele
Lissage de Charge, contient les colonnes mesures de charge, cot de personnel et pnalits.
La troisime famille de colonnes est consacre des mesures dcart constat sur les dates de
livraison (Ecart des livraisons).
Les valeurs prsentes dans les colonnes de Lissage de Charge correspondent des moyennes
des valeurs de mesures de performance. Les moyennes sont calcules lintrieur de chaque ensemble dinstances C1, C2 ou C3. Ici, les moyennes ne sont pas appliques directement sur les
mesures elles-mmes, mais sur lcart entre la meilleure performance obtenue parmi toutes les
hypothses de fonctionnement et la performance de lhypothse en question. Plus prcisment,
pour chaque famille dinstances Cj (j {1, 2, 3}), pour chaque hypothse (u {1, . . . , 6}) ; si
V ALi,u est la valeur obtenue pour une colonne pour la mesure correspondante note VAL
pour linstance i avec lhypothse de fonctionnement u, la valeur dans le tableau correspond :
V ALu =
1
|Cj |
V ALi,u BV ALi
iCj max(1,BV ALi )
100%
(F)
o BV ALi = minu V ALi,u est la meilleure performance, nous divisons par max(1, BV ALi )
pour viter une division par zro si jamais BV ALi est gal 0. Nous rappelons que notre objectif
est de tester les 4 (ou 6) possibilits et danalyser leur impact sur les mesures considres.
Lorsque lhypothse de fonctionnement interdit lutilisation des heures supplmentaires ou des
ngociations des dlais, alors les cots des heures supplmentaires et les pnalits davance et
de retard sont nuls ; dans ces cas il ny a pas de sens de les valuer par rapport aux autres
hypothses de fonctionnement ni de les considrer dans lvaluation des autres hypothses de
fonctionnement. Nous reprsentons cela en mettant dans les cases concernes dans les tableaux. Autrement dit, si VAL gal aux mesures Heures Sup. (resp. Pnalits de dlai)
alors BV ALi = minu V ALi,u pour les hypothses de fonctionnement u qui ninterdissent pas les
60

heures supplmentaires (resp. les ngociations des dlais).
Pour les mesures dvaluation de la charge (Mesures de Charge) les critres que nous analysons sont : Moyenne qui reprsente la charge moyenne sur lhorizon temporel (correspond la
valeur de la variable M oyCh dans le modle, nous rappelons que la charge moyenne, exprime
en heures varie en fonction de lecacit des personnes qui excutent les oprations) ; Peak
qui est la charge maximale atteinte sur lhorizon temporel et qui correspond : maxtN T Cht ;
Ecart qui est lcart maximal par rapport la moyenne (critre (A) dans la section 2.5.2).
Pour les colonnes du cot de personnel les critres sont : Intrimaires qui reprsente le
cot total de personnel embauch (critre (C)) ; Heures Sup. qui est le cot total dheures
supplmentaires (critre (D)) ; et Total gal au cot total associ la main duvre. Des
colonnes correspondant aux pnalits de Dlai et des Quantits (critres (B) et (E)) sont ajouts
cet ensemble de colonnes selon le modle (ngociations des dates ou ngociation des dates et
des quantits) que nous valuons.
Pour la dernire famille de colonnes appele Ecart des livraisons, on ne compare plus les
hypothses entre elles, mais on fournit des statistiques sur lutilisation ou non de la potentialit
de dcaler les livraisons de 1 ou 2 priodes. Les moyennes sont calcules sur des pourcentages ;
ces pourcentages reprsentent le nombre de livraisons dcales (avec dcalage dune ou deux
priodes) par rapport au nombre total de livraisons considres pour les fournisseurs et pour les
clients.
2.6.4
Rsultats obtenus avec les ngociations des dlais
Dans cette partie nous analysons les expriences ralises pour tester le modle de lissage de
charge avec des ngociations des dates prsent dans la section 2.5.2.
Nous commenons par faire une remarque sur limpact que lutilisation du critre de lissage
de charge (A), avec un poids non ngligeable dans la fonction objectif globale (OBJ), a sur
les autres indicateurs de performance tablis pour ce premier modle. Ensuite, nous analysons
limpact des six hypothses de fonctionnement de la plateforme (dcrites dans 2.6.3) sur les
autres indicateurs, savoir : les critres (B) les cots davance et de retard ; et (C) et (D)
reprsentant les cots de personnel. Enfin, dans le but dvaluer leet des ngociations, nous
regardons comment varient les rsultats quand nous donnons plus ou moins dimportance (en
augmentant ou en diminuant le poids () du critre (B)) aux pnalits davance et de retard
dans la fonction objectif (OBJ).
Remarque sur le critre de Lissage de Charge
Des expriences prliminaires, o lon avait compar les rsultats obtenus avec et sans le
critre de lissage de charge dans la fonction objectif (OBJ), ont montr que le fait de considrer
le critre de lissage de charge explicitement dans la fonction objectif pnalise les valeurs des
autres critres qui mesurent le vrai intrt conomique de lentreprise et de ses partenaires.
Premirement, ce critre va lencontre des pratiques classiques face aux priodes de pointe, si
lon connat lavance les variations de la charge pendant lhorizon temporel, les gestionnaires
de la plateforme peuvent utiliser des ordonnancements dynamiques pour avoir plus de personnel
ou des heures supplmentaires pendant les priodes de pointe.
Deuximement, le critre de lissage de charge est redondant avec lutilisation des ngociations
et le fait de considrer le cot de personnel dans la fonction objectif. En eet, lorsquon introduit
de la flexibilit dans le modle, quelle soit au niveau de lutilisation des ressources (heures
61

supplmentaires, main duvre temporelle) ou au niveau des ngociations des dates, la charge
est automatiquement lisse en utilisant au maximum cette flexibilit grce la minimisation des
cots rels de lentreprise. Il nest donc pas ncessaire dajouter un terme de lissage de charge
dans lobjectif.
Puisque notre objectif est de lisser la charge pour rduire les cots de main duvre nous
concluons que le critre de lissage de charge est inutile quand on autorise les ngociations des
dates. Pour cette raison, dornavant, nous avons choisi daecter un petit poids ce critre de
lissage de charge dans la fonction objectif, et tout autre critre qui ne reprsente pas des cots
rels pour la plateforme. Nous fixons = 0.01 et = 0.02 (respectivement les poids du critre
de lissage de charge (A) et de la variable P eak dans les fonctions objectifs (section 2.5.2))
dans (OBJ) et (OBJ) pour toutes les expriences partir de maintenant.
Critres de Pnalits de dlai et de Cot de personnel
Ici nous voulons valuer linfluence que les ngociations ont sur les critres conomiques
de la fonction objectif (OBJ). Nous prsentons les rsultats obtenus pour le modle avec des
pnalits de dlai (critre (B)) et le cot de personnel (critres (C) et (D)) quand le paramtre
, associ aux avances/retards, est gal 1 dans la fonction objectif (OBJ). Pour chaque famille
dinstances C1, C2 et C3, nous testons 4 ou 6 hypothses de fonctionnement de la plateforme
(Tableau 2.9 et 2.10 respectivement) : heures supplmentaires autorises ou non (o/n dans la
colonne Heures supplmentaires) et 1 priode de ngociation maximum dans le tableau 2.9 et
2 priodes de ngociation maximum dans le tableau 2.10. Nous avons spar les rsultats en deux
tableaux, un avec 1 priode de ngociation maximum (tableau 2.9) et lautre avec 2 priodes
de ngociation maximum (tableau 2.10) pour pouvoir observer lvolution des rsultats quand
on passe daucune flexibilit 1 priode de ngociation, et daucune flexibilit ou 1 priode 2
priodes.
Nous analysons leet des ngociations des dates, ensuite celui de la possibilit dutilisation
des heures supplmentaires dans les cots de lentreprise et sur la charge de la plateforme.
Nous terminons par lanalyse de lutilisation eective des ngociations sur les livraisons des
fournisseurs et celles allant vers les clients.
Les valeurs prsentes dans les tableaux 2.9 et 2.10 correspondent, comme nous lavons expliqu dans 2.6.3, la relation donne par (F). De manire gnrale, pour la famille de colonnes
Lissage de Charge, les valeurs prsentes dans les tableaux 2.9 et 2.10 sont meilleures quand
elles sont plus petites.
Influence des ngociations des dates
Les ngociations des dates ont un impact trs positif sur les cots de main duvre. Nous
pouvons voir que la valeur du cot total de main duvre dcrot quand les priodes de ngociation autorises augmentent. Dans les tableaux 2.9 et 2.10, ceci est reflt par les grands
pourcentages dcart observs dans les colonnes Total du cot de personnel. Les meilleures
valeurs sont obtenues lorsque le nombre maximal de priodes de ngociation est autoris. Cest le
cas dans le tableau 2.9, le meilleur rsultat apparat lorsquon autorise 1 priode de ngociation ;
titre dexemple pour la famille C1 la valeur obtenue pour le cot total (sans ngociation) est
27.9% plus grand que la valeur minimale (obtenue avec 1 priode de ngociation et quand les
heures supplmentaires sont autoris). De mme, lutilisation de 2 priodes de ngociation donne
le meilleur rsultat dans le tableau 2.10. Par exemple, le cot total obtenu sans ngociation, pour
la famille C1, est 47.2% plus grand que le cot minimal obtenu avec une ngociation de deux
priodes. Ces dirences sont moins importantes pour les autres deux familles. La dirence est
62

peut-tre due la complexit des agencements des familles C2 et C3 o lorganisation des flux,
et donc du travail, limite les rductions de charge.
63
37.6
33.7
4.53
0.13
42.8
34.2
6.64
0.39
82.3
51.4
33.7
2.78
Ecart
27.9
26.7
1.22
0
21.3
19.7
1.71
0
20.9
18.2
4.12
0
Total
45.1
29.9
15.7
0
49.6
25.8
26.2
0
89.3
35.1
65.5
0
Temporaire
5.55
5.39
1.78
12.0
0.51
18.2
Heures Sup.
0.82
0.97
1.15
36.2
19.6
14.8
Pnalit de dlai
100
100
77.4
76.8
100
100
81.7
79.8
100
100
79.8
80.4
0 priodes
22.6
23.2
18.3
20.2
20.2
19.6
1 priode
100
100
53.3
53.8
100
100
62.5
62.2
100
100
66.1
62.4
0 priodes
46.7
46.2
37.5
37.8
33.9
37.6
1 priode
Ecart des livraisons

Fournisseurs
Clients
22.7
22.2
0.50
0.31
33.1
32.7
2.19
1.19
33.1
32.2
3.06
2.64
Peak
Lissage de Charge
Mesures de Charge Cot de Personnel
Table 2.9 Rsultats des Ngociations des Dates (d M AXEd = M AXTd = 1, = 1)
1
0
1
1.75
1.66
0.30
0.19
1.35
1.11
0.42
0.11
1.18
1.01
0.46
0.37
Moyenne
Paramtres
C1
C3
Heures Sup.
C2
Ngociations
n
o
n
o
n
o
n
o
n
o
n
o
64
Agencemments
Agencemments
C3
C2
C1
n
o
n
o
n
o
n
o
n
o
n
o
n
o
n
o
n
o
Ngociations
Heures Sup.
Moyenne
2.36
2.27
0.89
0.78
0.22
0.12
1.87
1.63
0.93
0.62
0.44
0.04
1.43
1.26
0.70
0.61
0.36
0.31
Peak
35.7
35.2
9.32
9.04
2.56
0.19
46.6
46.1
11.2
10
1.79
0.56
43.5
42.7
10.4
9.94
6.2
3.06
Ecart
65
60.5
24.3
19.2
4.19
0.12
75.7
64.9
30.9
23.1
9.11
0.12
126
90
60.7
23.9
45.3
1.26
Total
47.2
45.9
15.4
13.9
1.44
0
37.6
35.8
14.8
12.9
1.97
0
37.3
34.4
16.6
12.2
3.69
0
Temporaire
70.9
53.4
34.9
17
18.9
0
75.6
48.2
47.2
16.9
31.3
0
132
67.3
101
22.2
82.8
0.49
Heures Sup.
11.6
10.1
14.8
2.92
13.2
15.1
0.79
18.4
23.1
2.05
2.19
87.2
88.5
1.15
36.2
94.2
74.4
19.7
14.9
94.1
110
0 priodes
100
100
77.4
76.8
72.1
74.4
100
100
81.7
79.8
77.4
77.6
100
100
79.8
80.4
75.5
76.8
1 priode
22.6
23.2
15.6
11.7
18.3
20.2
16.9
17
20.2
19.6
17.3
14.6
12.3
13.9
5.7
5.4
7.2
8.6
2 priodes

Fournisseurs
Clients
100
100
53.3
53.8
43.1
40.3
100
100
62.5
62.2
55.7
50.9
100
100
66.1
62.4
60.7
53.2
0 priodes
Lissage de Charge
Mesures de Charge Cot de personnel
46.7
46.2
31.3
37.1
37.5
37.8
24.4
28.4
33.9
37.6
20.6
21.5
1 priode
Paramtres
Pnalit de dlai
Table 2.10 Rsultats des Ngociations des Dates (d M AXEd = M AXTd = 2, = 1)
2 priodes
25.6
22.6
19.9
20.7
18.7
25.3
65

Une autre remarque intressante est que le pourcentage de rduction des cots de personnel
(par rapport la situation sans ngociation) sont situes entre 20% et 30% quand il y a 1 priode
de ngociation et entre 37% et 47% quand il y a 2 priodes. Cest dire, que selon lagencement
de la plateforme, lamlioration potentielle avec les ngociations des dlais peut aller jusqu
47% quand on autorise 2 priodes de ngociation.
Nous pouvons voir aussi que le cot minimal est obtenu, pour toutes les instances de C1,
C2 et C3, quand les heures supplmentaires sont autorises et avec 1 priode de ngociation
dans le tableau 2.9 ; et avec 2 priodes de ngociation pour les expriences du tableau 2.10 pour
toutes les instances. Ainsi, les rsultats obtenus quand nous autorisons les ngociations nous
permettent de quantifier lintrt conomique des ngociations des dates des livraisons.
Par ailleurs, nous voyons que pour tous les problmes tudis, quand les ngociations sont
autorises, le lissage de charge, reprsent par la colonne Ecart, samliore. Par exemple, pour
la famille dinstances C2, la meilleure valeur pour le lissage de charge est donne par la valeur
minimale de la colonne cart : 0.39 (resp. 0.12) dans le tableau 2.9 (resp. tableau 2.10). Cette
valeur correspond lapproche de rsolution qui permet les ngociations les plus grandes dans
les deux cas (1 (resp. 2) priodes de ngociation et avec heures supplmentaires). Nous observons
la mme situation pour les familles C1 et C3. Les rsultats pour le lissage de charge, confirment
que la charge ne fait que se lisser quand les ngociations sont introduites au modle. De plus,
avec les ngociations la charge moyenne naugmente pas, ce qui tait le cas quand le poids de
(A) ntait pas ngligeable.
Influence des heures supplmentaires
Lintrt conomique dutiliser les heures supplmentaires est troitement li aux valeurs
numriques utilises dans les instances gnres pour les cots unitaires des heures supplmentaires, dembauche des intrims et des pnalits davance et de retard. Cest pour cette raison,
quessayer de quantifier limpact conomique de lutilisation des heures supplmentaires nest
pas vraiment pertinent dans ce contexte.
Nanmoins, nous pouvons faire quelques remarques sur le comportement group des mesures
de cot de personnel quand les heures supplmentaires sont autoriss et quand elles ne le sont
pas. De manire gnrale, lutilisation dheures supplmentaires entrane une diminution du cot
de personnel temporaire et donc des cots totaux de personnel. Ce comportement est observ
quel quil soit le nombre de priodes de ngociation maximal autoris, dans les tableaux 2.9 et
2.10. Et ce malgr le fait quune heure supplmentaire soit plus chre quune heure de travail
dun intrimaire, une explication possible est que quand on embauche un intrimaire il faut le
payer pour une priode complte mme sil ne travaille quune heure, ce qui nest pas le cas
pour lutilisation des heures supplmentaires. Ou alors, les heures supplmentaires changent la
distribution des catgories de personnel embauch (moins dexperts et plus de dbutants par
exemple) et ainsi le cot total.
Nous ne pouvons pas tirer de conclusion concernant la relation entre le nombre de ngociation et lutilisation des heures supplmentaires, il ny a pas de raison pour quil y ait une
tendance. Avec nos jeux dessais, cependant, il semblerait que la plus grande utilisation dheures
supplmentaires se fasse quand le nombre maximal de priodes de ngociation est autoris.
Ici nous voulons constater la faon dont les ngociations sont utilises pour les livraisons
en amont et en aval selon les priodes de ngociation autorises. Les rsultats associs aux
livraisons en avance ou en retard (prsent dans les colonnes Ecart des livraisons), compte
tenu des valeurs choisies pour les pnalits fictives davance/retard, montrent que les avances et
66

les retards sont utiliss de manire limite par le modle, voir tableau 2.10 : entre 18.3% (cas de
la famille dinstances C2 sans heures supplmentaires et avec 1 priode de ngociation) et 27.9%
(cas de la famille C1 sans heures supplmentaires et avec 2 priodes de ngociation) pour les
fournisseurs et entre 33.9% (cas de la famille C3 sans heures supplmentaires et avec 1 priode
de ngociation) et 59.7% (cas de la famille C1 avec heures supplmentaires et 2 priodes de
ngociation) pour les clients.
Si nous observons ce qui se passe lorsquon passe de 1 priode de ngociation maximum
2 priodes, on peut voir que le pourcentage de livraisons dcales dune priode (dans le
tableau 2.9) est redistribu entre les livraisons dcales dune priode et de deux priodes (dans
le tableau 2.10). Cest--dire quil ny a presque pas de nouvelles livraisons dcales, part celles
qui ltaient dj, ce qui veut dire quil existe des livraisons qui sont planifies des moments trs
contraignants pour la charge ce qui induit les cots de personnel : des heures supplmentaires
ou des intrimaires.
Logiquement, les pnalits davance et de retard (rsultats de la colonne Pnalit de dlai)
sont plus grandes quand le pourcentage de livraisons dcales est plus grand.
Autres valeurs pour (poids des pnalits davance/retard)
Les rsultats que nous venons de prsenter dpendent du poids du critre de pnalits
davance et de retard dans la fonction objectif, critre (B). Ce poids est donn par le paramtre que nous avons fix 1 au dbut de cette section. Pour cette raison, nous avons voulu
vrifier linfluence de la valeur de sur lutilisation des avances et des retards autoriss et aussi
sur les autres mesures de performance.
Comme nous lavons dj expliqu, le choix dautoriser les heures supplmentaires est un
mode de fonctionnement de la plateforme toujours gagnant, car il sagit dune relaxation. Par
simplicit, nous avons dcid de comparer les rsultats obtenus quand = 0.5, = 1 et = 1.5
quand les heures supplmentaires sont toujours permises et avec toutes les familles dinstances
confondues. Le tableau 2.11 montre lvolution des livraisons dcales pour les trois valeurs de
. Les valeurs prsentes dans la famille de colonnes Lissage de charge correspondent la
relation donne par (F) dans la section 2.6.3, ici les approches de rsolution u sont dtermines
par la valeur de (0.5, 1 ou 1.5) et le nombre maximal de priodes de ngociation autorises
0, 1 or 2. Nous pouvons voir que quand la ngociation de dlai nest pas autoris nimporte
quelle valeur de donne le mme rsultat car il ny a pas davance ni de retard possible si les
ngociations ne sont pas autorises. Nous comptons donc 7 hypothses de fonctionnement que
nous allons valuer.
Comme attendu, les rsultats du tableau 2.11 montrent que, en moyenne, les meilleures solutions, pour le cot de personnel et pour les mesures de charge, sont obtenues avec lhypothse
de fonctionnement avec 2 priodes de ngociation et quand le poids des pnalits dans lobjectif
(OBJ) est le moins important ( = 0.5). Cependant, pour le mme nombre de priodes de ngociation, laugmentation attendue du cot total de personnel lorsque lon donne plus dimportance
au critre avance/retard (en augmentant ) est peu important. Nous pouvons aussi voir que la
dirence entre le pourcentage de livraisons dcales quand = 0.5 et = 1.5 est infrieur
10%. Plus prcisment, quand 1 priode de ngociation est autorise, 25.2% des livraisons
venant des fournisseurs sont dcales dune priode pour = 0.5 tandis que 18% le sont pour
= 1.5 et limpact sur le cot total de personnel est quasiment ngligeable, tout comme pour
les autres mesures de charge.
67
Table 2.11 Rsultats de Ngociation des dlais toutes instances confondues
46.1
9.39
2.49
12.5
4.88
14.6
8.05
Peak
78
23.7
2.29
25.7
3.17
26.1
6.35
Ecart
37.8
13
0
13.1
0.18
13.2
0.26
Total
56.9
19.4
0.53
19.3
0.59
19.7
1.35
Temporaire
4.44
13.5
18.4
14.7
18.3
14
17
Heures Sup.
58.7
169
27.9
103
1.54
84.9
Pnalit de dlai
100
74.8
70.7
79.3
76.6
82
79.1
0 priodes
25.2
17.3
20.7
14.9
18
13.4
1 priode
12
8.5
7.5
2 priodes
100
55.4
45.8
60.4
49.3
63.7
54.2
0 priodes
44.6
26.7
39.6
27.9
36.3
24.8
1 priode
27.5
22.8
21
2 priodes
Ecart de livraison
Fournisseurs
Clients
1.61
0.59
0.15
0.64
0.11
0.66
0.15
Moyenne
Lissage de charge
Mesures de charge Cot de personnel
Ngociations
Paramtres
0.5
1
1.5
0
1
2
1
2
1
2
68
Beta
2.6.5
Rsultats obtenus avec les ngociations des dlais et des quantits
Dans cette section nous analysons les rsultats obtenus pour le modle de lissage de charge
avec deux types de ngociations, dlais et quantits, prsent dans la section 2.5.3.
Nous commenons la prsentation en expliquant comment nous avons gnralis les donnes,
initialement gnres dans 2.6.2, pour pouvoir les utiliser dans cette srie dexpriences. Nous
introduisons aussi les nouveaux indicateurs prsents dans les tableaux de rsultats concernant
cette partie. Ensuite, nous valuons limpact de la prise en compte des ngociations des quantits
en plus de celle des dates de livraison en analysant les rsultats des exprimentations.
Remarques prliminaires
Donnes
Pour eectuer les expriences du modle 2.5.3, nous avons gnralis les instances utilises
pour le premire modle avec les ngociations des dlais seulement. La gnralisation consiste
calculer des courbes cumules en amont et en aval des quantits livres de chaque famille
de produits partir des donnes initialement gnres. Ainsi, nous avons calcul des courbes
cumules idales des livraisons en amont et en aval avec les quantits idales pr-ngocies.
Ensuite, nous donnons de la flexibilit pour les quantits livres (pour chaque livraison prngocie) en introduisant des carts autoriss par rapport aux quantits idales de livraison. En
prenant en compte les carts maximaux et minimaux des quantits de livraison et la flexibilit
sur les dates de livraison, nous sommes en mesure de calculer des courbes cumules des livraisons
au plus tt et au plus tard en amont et en aval. Plus de dtail sur la gnralisation des instances
est donn dans lannexe 1.2.
Figure 2.5 Construction des courbes cumules en amont pour un produit p

Indicateurs
69

Pour mieux valuer le modle avec les ngociations des quantits, nous avons ajout de
nouveaux indicateurs aux tableaux 2.12 2.14. Dans ces tableaux nous prsentons les rsultats
associs aux mmes ensembles de critres que dans les sections prcdentes, nous trouvons les
mmes familles de colonnes introduites dans la section 2.6.3. Cependant, nous avons ajout une
colonne Pnalit des quantits associe aux quantits de produits qui arrivent tt ou tard
par rapport aux quantits idales qui sont donnes par la courbe cumule idale pour chaque
produit. Cette pnalit est donne par la relation (E) de la section 2.5. Dans les tableaux 2.12
2.14, nous avons aussi ajout deux colonnes la famille de colonnes Ecart des livraisons.
La colonne Taux de quantit (une pour les fournisseurs et une deuxime pour les clients)
donne le pourcentage moyen (sur lensemble de produits) de produits arrives en avance et en
retard par rapport aux courbes cumules idales de chaque produit, pour les 6 hypothses de
fonctionnement de la plateforme dcrites dans 2.6.3.
Rsultats
Il est noter que les ngociations de dates changent les courbes cumules idales darrive et
de dpart des produits, mme si on ne ngocie pas les quantits. Cela peut tre observ dans la
figure 2.5, si une livraison est avance ou retarde alors la courbe cumule obtenue sera dirente
de la courbe cumule idale (N U CC dans la figure).
Lcart entre les courbes idales et les courbes obtenues par une solution, est pnalise dans
la fonction (OBJ) du modle avec les ngociations des dates et des quantits, mais pas dans
lobjectif (OBJ) du modle avec les ngociations des dates seulement. De ce fait, nous ne pouvons
pas comparer les rsultats obtenus quand nous autorisons les deux types de ngociations 2.5.3
avec les rsultats du modle avec la ngociation des dlais seulement 2.5.2.
Ainsi, pour pouvoir valuer limpact que la ngociation des quantits a sur les dirents
critres conomiques et sur le lissage de charge, il faut comparer le modle avec des ngociations
des quantits avec le mme modle sans ngociations des quantits. Pour ce faire, nous avons fait
deux sries dexpriences avec les mmes familles dinstances et avec le modle de ngociation
des dlais et des quantits 2.5.3.
Dans la premire srie dexpriences, voir tableau 2.12, nous fixons zro les ngociations des
quantits, pour cela nous avons fix QLLd,p = QU Ld,p = QPd,p d, p (bornes suprieures des
quantits livres gales aux bornes infrieures pour tout produit et pour toute livraison), mais
nous avons toujours les courbes cumules au plus tt, au plus tard et idales pour les fournisseurs
et les clients. Quand une livraison arrive en avance ou en retard, la courbe cumule ngocie est
dirente de la courbe cumule idale et cela induit des pnalits dcart des quantits livres
dans la fonction objectif (OBJ). Dans la deuxime srie dexpriences, voir tableau 2.13, nous
introduisons les ngociations des quantits en vrifiant lingalit suivante pour au moins un
produit et une livraison : QLLd,p < QPd,p < QU Ld,p .
Ngociation des quantits non autorise (QLLd,p = QU Ld,p = QPd,p )
Les rsultats du tableau 2.12 (avec zro ngociation de quantits) montrent que pour nimporte quel agencement la meilleure hypothse de fonctionnement de la plateforme est celle avec
deux priodes de ngociation de dlai et avec les heures supplmentaires, pour les cots de personnel et pour les indicateurs de charge. Dans ce cas, les pourcentages donns dans la colonne
Taux de quantits sont seulement associs aux dcalages des livraisons dans le temps. Cela
veut dire que plus de livraisons sont dcales, plus grand est le pourcentage de dcalage des
quantits par rapport aux courbes cumules idales.
70
Agencements
C3
C2
C1
n
o
n
o
n
o
n
o
n
o
n
o
n
o
n
o
n
o
Ngociations
Heures Sup.
Moyenne
2.52
2.41
0.86
0.76
0.30
0.21
1.95
1.68
1.04
0.66
0.67
0.14
1.39
1.14
0.73
0.48
0.34
0.26
Peak
22.9
22.4
5.39
5.31
3.76
0.64
33.0
32.9
10.3
9.55
7.58
4.49
20.7
19.9
4.37
4.14
3.36
2.89
Ecart
61.9
57.3
23.5
18.5
4.46
0.19
64.3
53.9
26.3
17.1
11.5
1.39
89.6
56.5
60.9
13.9
46.6
1.07
Total
46.4
45.0
15.8
14.4
1.47
0.01
36.4
34.6
14.6
13.1
4.51
0.31
28.2
25.3
12.8
7.85
5.3
0.83
Temporaire
68.9
51.5
34.6
16.6
18.3
0
70.9
44.4
44.5
15.8
32.4
0
111
48.3
89.6
13.2
79.6
2.22
Heures Sup.
9.50
10.1
8.62
4.24
14.7
12.3
8.56
24.7
18.8
Pnalit de dlai
5.22
2.48
133
86.5
26.1
7.31
199
83.7
68.8
96.0
96.5
181
Pnalit de quantit
5.49
3.49
138
103
11.3
6.99
147
79.6
14.7
41.6
107
143.8
100
100
76.9
77.5
71.6
74.7
100
100
83.9
84.5
77.2
82.4
100
100
86.3
84.3
81.4
79.1
1 priode
23.1
22.5
12.9
13.4
16.1
15.5
17.1
12.3
13.7
15.7
13.4
16.4
2 priodes
15.5
11.9
5.7
5.3
5.2
4.5
Taux de quantit
0.75
0.74
1.35
1.19
0.41
0.39
0.74
0.61
0.36
0.42
0.67
0.68
100
100
65.3
64.5
48.7
54.8
100
100
74.8
76
65.6
70.9
100
100
80.1
75.6
71.8
67.1
0 priodes

Fournisseurs
Clients
34.7
35.51
29.2
25.6
25.2
24
18.5
16.2
19.9
24.4
13.3
18.4
1 priode
Lissage de charge
22.1
19.6
15.9
12.9
14.9
14.5
2 priodes
Paramtres
0 priodes
Table 2.12 Rsultats des ngociations de dlais et de quantits (d, p QLLd,p = QU Ld,p = QPd,p , = 1, = 1)
Taux de quantit
1.42
1.45
3.17
2.99
1.13
1.09
2.11
1.99
0.74
0.86
1.56
1.73
71

Nous pouvons aussi observer que, comme dans les rsultats prcdents avec ngociation
des dates seulement, les pourcentages de livraisons dcales est plus grand pour les clients que
pour les fournisseurs, mais cela est srement associ aux pnalits davance/retard. Quand nous
nautorisons pas la ngociation des quantits livres, nous pouvons voir que lcart des quantits
par rapport aux courbes cumules idales, est infrieur 1.35% pour les fournisseurs et 3.17%
pour les clients, les deux valeurs sont obtenues pour le premier agencement et avec lapproche de
rsolution avec ngociation de dlais de deux priodes maximum et sans heures supplmentaires.
Les ngociations de dlais sont utilises entre 13.7% (cas de la famille dinstances C3 avec une
priode de ngociation de dlai maximum et sans heures supplmentaires) et 28.4% (famille C1
avec deux priodes de ngociation de dlai et sans heures supplmentaires) pour les fournisseurs
et entre 19.9% (famille C3 avec une priode de ngociation de dlai et sans heures supplmentaires) et 51.3% (famille C1 avec deux priodes de ngociation et sans heures supplmentaires)
pour les clients. Le fait de pnaliser les avances et les retards des livraisons non seulement en
temps de retard mais aussi en quantits, provoque une chute de lutilisation des ngociations
des dlais si on la compare aux taux dutilisation du tableau 2.10.
Ngociation des quantits autorise (QLLd,p < QPd,p < QU Ld,p )
Quand la ngociation des quantits est autorise, rsultats du tableau 2.13, nous pouvons
toujours dire que la meilleure hypothse de fonctionnement, pour les mesures de charge et pour
les cots de personnel, est celle avec 2 priodes de ngociation de dlais maximum et avec heures
supplmentaires, et ce pour toutes les familles dinstances.
Le pourcentage (colonne taux de quantits) dcart des produits par rapport aux courbes
cumules idales reste trs limit, 3.47% (famille C1 pas de ngociation de dlai et avec heures
supplmentaires) pour les fournisseurs et 8.58% (famille C1 avec une priode de ngociation
de dlai maximum et avec heures supplmentaires) pour les clients, mais ces pourcentages sont
plus grands que ceux obtenus quand les ngociations des quantits ne sont pas permises,
savoir 1.35% et 3.17% (voir tableau 2.12) ; nous pouvons conclure que des variations limites
des quantits en plus des variations des dlais peuvent induire des rductions importantes des
cots.
Le pourcentage dutilisation des ngociations de dlais est situ entre 7.3% (famille C3 avec
deux priodes de ngociation et avec heures supplmentaires) et 24.7% (famille C1 avec une
priode de ngociation et avec heures supplmentaires) pour les fournisseurs et entre 16.2% (famille C3 avec deux priodes de ngociation et avec heures supplmentaires) et 51.1% (famille
C1 avec deux priodes de ngociation et avec heures supplmentaire) pour les clients. Ces pourcentages ne varient pas beaucoup par rapport ceux obtenus avec les ngociations des dlais
seulement, voir tableau 2.12. la flexibilit apporte par les ngociations des quantits ne vient
pas remplacer celle donne par la ngociation des dlais, notre modle utilise tous les moyens
mis sa disposition pour rduire les cots.
Impact des ngociations des quantits
Puisque les approches de rsolution quand les heures supplmentaires sont permises donnent
toujours les meilleurs rsultats, nous avons dcid de fixer le paramtre Heures supplmentaires oui (o) pour les rsultats prsents dans le tableau 2.14. A lieu du paramtre Heures
Supplmentaires nous ajoutons le paramtre Quantits la famille de colonnes Paramtres.
Ici nos 6 hypothses de fonctionnement sont donnes par les valeurs des ngociations des dlais
0, 1 ou 2 et par les ngociations des quantits qui sont autorises ou non.
72
Agencements
C3
C2
C1
n
o
n
o
n
o
n
o
n
o
n
o
n
o
n
o
n
o
Ngociations
Heures Sup.
Moyenne
1.56
1.42
0.59
0.49
0.34
0.17
1.34
1.04
0.79
0.48
0.50
0.21
0.62
0.61
0.50
0.28
0.39
0.27
Peak
23.1
21.7
8.27
5.74
4.55
1.96
26.2
22.3
10.9
3.99
7.39
3.48
31.4
25.1
15.6
6.71
12.9
0.79
Ecart
81.1
65.4
38.3
18.8
24.2
1.84
102
67.1
47.3
13.4
31.2
3.72
105
29.0
80.7
10.9
72.8
0.25
Total
37.8
35.7
13.8
11.3
5.93
1.19
30.4
27.7
16.2
8.37
2.64
2.63
17.2
12.9
10.8
5.32
4.02
0.26
Temporaire
92.9
58.1
55.7
19.4
43.9
3.66
113
52.4
84.5
11.0
66.4
1.96
160
25.3
153
10.2
144
0
Heures Sup.
15.3
24.6
15.2
3.36
12.2
19.4
6.56
10.8
16.8
Pnalit de dlai
5.33
12.5
75.6
102
255
35.4
209
58.5
142
34.4
171
132
Pnalit de quantit
21.9
39.2
66.9
98.4
178
269
9.85
21.7
96.5
117
109
176
9.53
98.8
56.7
107
71.9
117
100
100
80.1
75.3
74.4
77.2
100
100
77.7
85.9
81.8
87.6
100
100
81.6
89.7
87.9
92.7
1 priode
19.9
24.7
15.9
12.6
22.3
14.1
12.3
10.2
18.4
10.3
7.83
6.4
2 priodes
9.7
10.2
5.9
2.2
4.29
0.9
Taux de quantit
3.37
3.47
2.82
3.02
3.16
3.44
1.39
1.47
1.45
1.70
1.55
1.85
0.51
0.66
0.82
0.78
0.90
0.85
100
100
59.2
56.6
58.7
49.9
100
100
70.5
78
70.8
78.1
100
100
81
82.5
78.2
83.8
0 priodes

Fournisseurs
Clients
40.8
43.4
25.3
27.4
29.5
22
16.7
13
19
17.5
13.4
11.6
1 priode
Lissage de charge
16.0
22.7
12.5
8.9
8.39
4.6
2 priodes
Paramtres
0 priodes
Table 2.13 Rsultats des ngociations de dlai et de quantits (d, p QLLd,p QPd,p QU Ld,p , = 1, = 1)
Taux de quantit
7.31
7.68
7.85
8.58
8.82
9.69
2.20
2.48
3.58
3.94
3.72
4.38
2.56
3.08
2.71
3.21
3.10
3.69
73
Table 2.14 Rsultats des ngociations de dlai et de quantits ( = 1, = 1)
61.9
19.5
41.3
3.81
36.1
0.11
55.7
23.3
30.8
4.89
24.5
4.41
53.5
27.3
35.1
8.96
33.2
3.05
Peak
200
65.4
126
18.8
87.5
1.84
206
66.1
135
12.6
90.8
2.96
116
29.0
57.9
10.9
38.4
0.25
Ecart
120
35.7
73.8
11.4
50.9
1.22
84.2
27.6
53.0
8.29
32.8
2.56
50.1
12.9
28.6
5.34
17.9
0.29
Total
184
58.1
117
19.4
83.2
3.66
199
52.4
135
11.0
89.2
1.96
117
25.3
66.6
10.2
46.3
0
Temporaire
20.2
27.3
22.2
36.4
21.7
26.9
6.65
34.6
17.4
45.3
15.0
53.9
12.1
36.0
28.3
41.9
22.5
50.4
Heures Sup.
19.2
27.5
112
141
125
57.1
241
93.5
293
29.2
516
86.3
Pnalit de dlai
513
2.65
510
102
644
275
20.5
398
94.4
471
250
5.03
264
98.0
305
Pnalit de quantit
100
100
77.5
75.3
74.7
77.2
100
100
84.5
85.9
82.4
87.6
100
100
84.3
89.7
79.2
92.7
0 priodes
22.5
24.7
13.4
12.6
15.5
14.1
12.3
10.2
15.7
10.3
16.3
6.4
1 priode
11.9
10.1
5.3
2.2
4.5
0.9
2 priodes
3.47
0.74
3.02
1.19
3.44
1.47
0.39
1.70
0.61
1.85
0.66
0.42
0.78
0.68
0.85
Taux de quantit
100
100
64.5
56.6
54.8
49.9
100
100
76
78
70.9
78.1
100
100
75.6
82.5
67.1
83.8
0 priodes
35.5
43.4
25.6
27.4
24
22
16.2
13
24.4
17.5
18.4
11.6
1 priode
19.6
22.7
12.9
8.9
14.5
4.6
2 priodes
7.68
1.46
8.58
2.99
9.69
2.48
1.09
3.94
1.99
4.38
3.08
0.86
3.21
1.74
3.69
Taux de quantit

Fournisseurs
Clients
3.18
1.48
1.42
0.55
0.87
0.23
2.37
0.99
1.34
0.43
0.82
0.15
1.72
0.43
1.06
0.10
0.84
0.09
Moyenne
Lissage de charge
n
o
n
o
n
o
n
o
n
o
n
o
n
o
n
o
n
o
Quantits
Paramtres
0
C1
C3
C2
Ngociations
2
74
Agencements
2.7. Conclusion du chapitre

Nous notons que lhypothse de fonctionnement avec deux priodes de ngociation de dlai
et avec des ngociations des quantits donne les meilleurs rsultats pour les mesures de charge et
les cots de personnel pour les trois agencements de plateforme. La ngociation des quantits a
un impact non ngligeable sur le cot de personnel. Par exemple, pour la famille dinstances C2,
quand aucun type de ngociation nest permis, lcart entre la valeur du cot total et la valeur
minimale obtenue entre les 6 hypothses de fonctionnement est gal 84.2%. Cette valeur dcrot
27.6% quand la ngociation des quantits est autorise, ce qui veut dire que le fait dautoriser
la ngociation des quantits rduit considrablement le cot total de personnel. Par ailleurs, le
pourcentage dcart des volumes des produits (entre les courbes cumules) est relativement petit
(1.47% pour les fournisseurs et 2.48% pour les clients). Pour les familles C2 et C3, quand la
ngociation des quantits est autorise, le pourcentage de livraisons dcales diminue ainsi que
la pnalit de dlai. Par exemple, pour la famille C2 avec une priode de ngociation de dlai
et quand la ngociation des quantits nest pas permise, pour les fournisseurs le pourcentage de
livraisons non dcales est 84.5% et il est 85.9% quand la ngociation des quantits est autorise.
Par ailleurs, quand les ngociations des quantits sont permises, le taux de quantits dcales
ainsi que leur pnalit augmente en considrant les mmes modles. En conclusion, la ngociation
des quantits a un eet trs positif dans le lissage de charge et sur le cot de personnel, ceci est
intressant quand on constate que seulement un petit pourcentage de produits est dcal (moins
de 8.58%).
2.7
Conclusion du chapitre
Ltude dun problme industriel, qui consiste mieux organiser le travail pendant les priodes de pointe pour rduire les cots de personnel, nous a permis de mettre en place des
approches de rsolutions gnriques pour des structures de production et de plateformes logistiques o le lissage de charge savre ncessaire. D au caractre moyen terme de notre problme
dcisionnel, ces approches de rsolution sont des modles linaires gnriques qui peuvent tre
rsolues avec des solveurs de programmation linaire du march comme CPLEX.
Nos modles linaires admettent des ngociations des dates et des quantits des livraisons
en amont et en aval de la plateforme, et ils ont t valus avec direntes hypothses de fonctionnement de la plateforme. Pour lensemble dinstances que nous avons gnr, lvaluation
exprimentale montre lintrt des ngociations dans lamlioration du lissage de charge et dans
la rduction du cot de personnel. Les rsultats ont aussi montr que dans les solutions, les
ngociations taient utilises de manire limite (i.e. des variations raisonnables des dates de
livraison et des quantits livres sont utilises par le modle). Les hypothses de fonctionnement
de la plateforme incluent direntes hypothses sur le type de ngociations qui sont admises par
les partenaires et des hypothses sur la manire de grer le travail des ressources humaines.
Lanalyse de la littrature, concernant loptimisation des plateformes logistiques (dans la
section 1.1.3 du chapitre 1) et le lissage de charge dans des centres de production, montre que
ce type de problme, qui combine le lissage de charge avec des ngociations et la gestion de
lorganisations du travail, na pas t trait auparavant notre connaissance.
Nos modles peuvent tre considrs comme des outils daide la dcision ecaces pour les
managers des plateformes logistiques qui peuvent comparer dirents agencements et organisations du travail dans la plateforme. Ils peuvent aussi valuer la rduction potentielle des cots
associs direntes valeurs des paramtres comme le nombre maximal de priodes davance
75

et de retard pour les livraisons. Malheureusement, pour lentreprise de chaussures considre,
SAVAT, il na pas t possible de faire une comparaison convenable des agencements de plateforme, la raison est quune modification dagencement entrane la modification des dures de
traitement des oprations ainsi que des cots et des niveaux decience associs et nous navons
pas les connaissances ncessaires pour gnrer des dures opratoires ralistes pour les dirents
agencements associs notre plateforme dapplication soumise aux mmes contraintes de charge.
Finalement, nous pouvons noter que nos modles pour le lissage de charge peuvent aussi
tre utiliss pour des sites de production, ventuellement des versions simplifies. Ainsi, notre
modle peut tre adapt pour les ngociations de dates et des quantits lintrieur de la chane
logistique avec des nuds productifs et des plateformes logistiques.
76
Chapitre 3
Ordonnancement pour plateforme de

prparation de commandes
Dans ce chapitre nous tudions un problme dordonnancement qui nous a t inspir par
la plateforme de lentreprise SAVAT mais aussi par une plateforme de prparation dexpdition
de magazines. Au niveau de la chane logistique, ce problme se trouve dans les plateformes
de prparation de commandes o des arrives de produits sont prvues des dates connues et
o de nombreuses faons deectuer les livraisons sont identifies. Dans cette partie dordonnancement, nous faisons plusieurs hypothses pour les dparts des livraisons aux clients et nous
cherchons minimiser des critres associs chacune de ces hypothses ; notre problme consiste
ordonnancer les activits de prparation de commandes en respectant les contraintes induites
par les arrives de produits et les dparts des camions.
Ce problme dordonnancement combine deux hypothses qui ont dj t tudies dans
la littrature et qui sont NP-diciles : lordonnancement avec des ressources consommables et
lordonnancement avec des dates de livraison fixes. A notre connaissance, la combinaison de ces
deux hypothses na pas t traite auparavant. Cela constitue loriginalit de notre problme.
Nous dveloppons une Procdure par Sparation et Evaluation utilisant un schma de branchement classique pour rsoudre ces nouveaux problmes. Des bornes infrieures ainsi que des
mthodes approches polynomiales sont conues.
Dans ce chapitre, nous commenons par donner la description du problme dordonnancement que nous tudions. Ensuite, nous analysons les travaux de la littrature concernant les
problmes dordonnancement avec des ressources consommables et/ou avec des dates de livraison
fixes. Nos approches de rsolution sont donnes ensuite. Enfin, les rsultats de nos exprimentations sont prsents.
Les travaux de ce chapitre ont t prsents deux confrences internationales Carrera et al.
[32] et Carrera et al. [31]
Contents
3.1
3.2
3.3
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Motivation industrielle . . . . . . . . . . . . . . . . . . . . . .
Etat de lart . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.3.1 Ordonnancement sous contrainte de ressources consommables
3.3.2 Ordonnancement avec des dates de livraison fixes . . . . . . .
3.4 Dfinition du problme . . . . . . . . . . . . . . . . . . . . . .
3.5 Mthodes de rsolution . . . . . . . . . . . . . . . . . . . . . .
3.6 Modle de programmation linaire mixte . . . . . . . . . . .
77
. . . . .
. . . . .
. . . . .
. . . . . .
. . . . . .
. . . . .
. . . . .
. . . . .
79
79
80
81
82
82
84
84
Chapitre 3. Ordonnancement pour plateforme de prparation de commandes

3.7
Procdure par Sparation et Evaluation (PSE) . . . . . . . . . . . .

3.7.1 Prsentation gnrale des Procdures par Sparation et Evaluation . . .
3.7.2 Mthodes approches polynomiales . . . . . . . . . . . . . . . . . . . . .
3.7.3 Bornes infrieures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.7.4 Schma des Procdures par Sparation et Evaluation proposes . . . . .
3.7.5 Rgles de dominance . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.8 Expriences . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.8.1 Gnration de donnes . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.8.2 Etude comparative des bornes infrieures et des mthodes approches
rapides . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.8.3 Rsultats des mthodes de rsolution exactes . . . . . . . . . . . . . . .
3.9 Conclusion du chapitre . . . . . . . . . . . . . . . . . . . . . . . . . . .
78
87
87
88
96
110
112
115
115
116
119
123
3.1. Introduction
3.1
Introduction
Ltude bibliographique concernant les plateformes logistiques dans la section 1.1.3 du Chapitre 1, montre que la plupart de problmes dcisionnels, traits dans la littrature, concernant
les plateformes logistiques et les entrepts se centrent autour de quatre problmatiques : lorganisation interne de lentrept, la politique de rangement, la politique de picking et la politique de
regroupement des commandes ou batching. Cependant, dautres problmes peuvent tre traits
dans ces structures. Dans le chapitre 2, nous avons tudi des problmes de planification rencontrs dans les plateformes logistiques, ces problmes concernent la planification de lutilisation
des ressources humaines dans les entrepts, les ngociations avec les partenaires en amont et en
aval, et le lissage de charge.
Dans les entrepts, au niveau oprationnel, en gnral les problmes dordonnancement
consistent dterminer les politiques optimales de picking (des fois combin la dtermination de politiques de rapprovisionnement) et le regroupement de commandes selon dirents
critres. On pourrait penser ce qui se passe une fois que le batching de commandes et le picking
respectif a t fait, il faut trier et regrouper les produits pour chaque commande et organiser la
livraison des commandes dans les dlais. Pour ce dernier problme, il est ncessaire de prendre
en compte la disponibilit des ressources (humaines ou matrielles) qui sont charges de prparer
les commandes quand les produits (composants) sont disponibles.
Dans ce chapitre, nous nous plaons dans le contexte dune plateforme de prparation de
commandes, cette plateforme a des arrives de composant dj prvues au niveau de la planification. La manire de travailler de la plateforme, quant au personnel et aux machines de
prparation des commandes, est connue. Les politiques de distribution de la plateforme ainsi
que les demandes des magasins (en termes de quantits de chaque composant, des dures de
prparation et des pnalits de retard), sont aussi connues. Le problme que nous tudions dans
ce chapitre est celui de lordonnancement de la prparation des commandes, tout en prenant
en compte la disponibilit des composants, les caractristiques techniques de la plateforme et la
faon dont la distribution est organise. Ce problme combine deux caractristiques qui nont
pas t traites conjointement dans la littrature pour des problmes dordonnancement.
Nous imaginons direntes faons dorganiser la distribution dans la plateforme, les critres
que nous cherchons optimiser dpendent de la politique de livraison adopte dans chaque cas.
Nous proposons et testons des mthodes approches et exactes pour ces problmes dordonnancement.
3.2
Motivation industrielle
Notre tude a t motive par une plateforme logistique de distribution. Il sagit de lentreprise de distribution de chaussures SAVAT qui a inspir nos travaux de planification prvisionnelle dans le chapitre 2 et dont la structure a dj t dcrite dans la section 2.2.
Dans le niveau tactique, nous avons considr les flux en amont (livraisons des fournisseurs)
comme tant lgrement flexibles, mais au niveau oprationnel, les flux en amont sont fixs et les
arrives des produits peuvent tre reprsentes par des courbes cumules en forme descalier qui
sont connues, voir figure 3.1. Par ailleurs, lentreprise de chaussures possde les magasins et gre
compltement lorganisation des tournes de distribution entre la plateforme et les magasins.
Dans le but doptimiser le cot des tournes de vhicule associes la distribution, des tournes
optimises peuvent tre calcules pour des sous-ensembles de magasins (regroups par rgions,
par exemple), des dates et des quantits idales, supposes connues, peuvent tre associs aux
79

tournes planifies.
Notre problme concerne la prparation des commandes des magasins. Dans la plateforme
de notre application, nous distinguons deux types doprations associes la prparation dune
commande : le premier type est le cross-docking quand les produits passent par la plateforme
sans aucun conditionnement ; le deuxime type correspond lassemblage qui consiste regrouper dirents produits avant de les livrer ensemble au mme magasin. Les commandes prpares
doivent tre livres selon les dates de livraison prfixes qui correspondent aux tournes optimises.
Dans notre problme dordonnancement, chaque commande reprsente un job ordonnancer.
Une commande contient une liste de produits. Une liste de paramtres est associe chaque
type de produit, par exemple la quantit du produit contenue dans la commande. Lobjectif
est dordonnancer la prparation des commandes des magasins sous contraintes en amont et en
aval. En amont, on doit considrer la contrainte de disponibilit des composants, cest--dire
que les courbes cumules darrive de composants ne doivent pas tre dpasses par lutilisation
des composants pour constituer les commandes. En aval, les dates idales des tournes imposent
des instants de livraison de commandes bien prcis.
On peut trouver dautres applications industrielles qui induisent des problmes dordonnancement similaires celui que nous venons de dcrire. Par exemple, un petit atelier, localis prs
de Nancy, reoit des magazines et des documents de publicit ; ces articles doivent tre regroups
et envelopps dans du plastique, ventuellement complts avec des gadgets et des tiquettes
avec les adresses de destination (magasins ou consommateurs privs) avant dtre livrs par des
camions. Chaque jour, un camion de la poste eectue une livraison une heure fixe (16h00) ; une
deuxime livraison est eectue par un camion priv pour les commandes qui nont pas pu partir
16h00, ce deuxime camion quitte latelier une heure flexible qui dpend de la date de fin du
dernier job urgent de la journe. Quelques jobs associs seulement des documents de publicit
ont un dlai relativement long entre larrive des composants ncessaires pour sa constitution
et leurs dates dues, tandis que dautres jobs, associs aux magazines ont des dates de livraison
optimales bien dtermines. Cet atelier possde quatre machines parallles trs complexes qui
excutent de manire synchronise une srie doprations sur des lots de produits.
3.3
Etat de lart
La littrature associe notre problme concerne les tudes au niveau de lordonnancement

dans les plateformes logistiques et les entrepts, en particulier les plateformes qui prennent
en compte les activits de prparation de commandes ou dassemblage. Nous nous intressons
aussi aux tudes dordonnancement menes avec les hypothses que nous tudions dans notre
problme, savoir lordonnancement avec des ressources consommables ou non-renouvelables et
lordonnancement avec des dates de livraison fixes.
Dans cette section, nous ne parlons pas des problmes dordonnancement des plateformes
logistiques en gnral car cela a dj t rappel dans le premier chapitre de cette thse 1.1.3.
Nous avons vu que cela concerne surtout lordonnancement des activits de picking et batching,
mais aussi lordonnancement des tches de plateformes qui pratiquent le cross-docking mais qui
ne prennent pas en compte des activits de composition de commandes ni les caractristiques
des arrives et ni celles concernant les dparts des tournes dexpdition.
Dans cette partie, nous prsentons dans un premier temps les aspects tudis dans la litt80
3.3. Etat de lart

rature concernant le type de plateformes auxquelles nous nous intressons. Puis, nous analysons
les travaux de la littrature qui intgrent les hypothses de nos problmes dordonnancement.
3.3.1
Ordonnancement sous contrainte de ressources consommables
Dans la plupart de problmes dordonnancement avec des contraintes de ressources, deux

types de ressources sont distingues : ressources renouvelables et non-renouvelables (ou consommables). Puisque les composants dans le nud de la chane logistique sont considrs comme
consommables, nous nous concentrons sur ce type de ressources dans notre analyse bibliographique. Blazewicz et al. [14] et Blazewicz et al. [16] ont identifi deux problmes o lallocation
de ressources contraignantes a t considre, ces problmes sont : lordonnancement de projet
avec des contraintes associes aux ressources (RCPSP, Brucker et al. [23]) et lordonnancement
de machine.
Les travaux de Carlier et Rinnooy Kan [28] et Carlier [26] associent les ressources consommables aux ressources financires en raison des similarits observes dans les contraintes de
disponibilit que ces deux types de ressources induisent. Carlier [26] prouve que le problme
dordonnancement de projet (RCPSP) avec des ressources financires et avec des contraintes de
prcdence arbitraires est polynomial si lon ne considre pas de machine (ou autre ressource
renouvelable) ; Carlier [26] dmontre que ce problme devient NP-dicile si lon admet la production et la consommation de ressources. Patterson et al. [116] proposent une procdure exacte
pour rsoudre le problme dordonnancement de projet avec des hypothses dinterruptibilit
des oprations, des contraintes de prcdence et de ressources qui peuvent tre produites et
consommes. Carlier et al. [27] ont tudi le problme dordonnancement de projet o des units
de ressource peuvent tre produites et consommes lors de lexcution de certains vnements.
Les auteurs proposent un algorithme de liste pour minimiser la dure totale dordonnancement
(makespan).
Carlier [26] fournit plusieurs rsultats de complexit pour le problme dordonnancement
non interruptible dune machine avec des contraintes financires. Il montre que ce problme
est NP-dicile quand les temps de traitement des jobs ne sont pas tous gaux 1. Slowinski
[136] traite lordonnancement interruptible dans un environnement de machines parallles avec
des contraintes financires. Dans ce papier, lauteur suppose que le taux de consommation des
ressources financires est constant pendant le traitement des jobs ; lauteur propose une procdure exacte deux phases utilisant la programmation linaire pour minimiser la dure totale de
lordonnancement (note Cmax).
Cochand et al. [44] considrent des ressources consommables dont lapprovisionnement varie
avec le temps (i.e. en escalier ou linaire par morceaux), les auteurs gnralisent lalgorithme
deux-phases pour machines parallles, avec lhypothse de splitting et pour ce type de ressources. Toker et al. [146] tudient lordonnancement dune machine avec une seule ressource
financire dont lapprovisionnement est continu un taux constant. Toker et al. montrent que
ce problme est quivalent un flowshop deux machines sans ressources financires, ils rsolvent le problme avec lalgorithme de Johnson [86]. Xie [156] gnralise le rsultat prcdent
au problme dordonnancement une machine avec plusieurs ressources financires, o chaque
ressource arrive de manire continue avec un taux darrive dirent.
Gafarov et Lazarev [62] tudient le problme dordonnancement de machine avec une ressource consommable dans le cadre de la minimisation de la somme des retards. Ils fournissent
des rsultats de complexit pour direntes variantes de ce problme.
81
3.3.2
Ordonnancement avec des dates de livraison fixes
Matsuo [104] a introduit un environnement o les dates de livraison sont fixes et donnes
a priori et ne dpendent pas des jobs ordonnancer. Matsuo a montr que les problmes dordonnancement qui minimisent la somme pondre des retards et le retard total, avec des dates
dexpdition fixes, sont NP-diciles. Dans Hall et al. [77], pour toute une varit dobjectifs, les
auteurs fournissent soit un algorithme polynomial ou une preuve de complexit de problmes
NP-diciles au sens fort, des problmes avec des dates de livraison fixes. Chhajed [42] tudie le
problme o il y a deux dates de livraison fixes qui sont donnes des intervalles gaux. Chhajed
montre que ce problme est NP-dicile quand lobjectif est de minimiser la somme des pnalits davance ou lavance maximale. Des bornes infrieures et suprieures sont dveloppes et
testes pour ce problme. Yang [157], pour sa part, tudie le problme o des dates de livraison
de batches sont fixes a priori. Les batches sont constitus des jobs qui sont dj finis et qui
attendent dtre livrs la prochaine tourne. Lauteur minimise la somme pondre des temps
couls entre la fin dexcution des jobs et linstant o ils sont livrs. Il montre que ce problme
est NP-dicile au sens fort.
Notre travail propose de combiner ces trois problmes dordonnancement : ordonnancement
avec des contraintes de ressources financires, ordonnancement de prparation de commande et
ordonnancement avec des dates de livraison fixes. A notre connaissance, ce problme na pas t
trait auparavant. Une synthse des rsultats de complexit pour ces problmes est prsente
dans lannexe 2.
3.4
Dfinition du problme
Un ensemble N de n jobs indpendants, qui correspondent des prparations de commandes,

doit tre trait par la plateforme. Nous supposons que linterruptibilit des jobs nest pas permise.
Toutes les ressources de la plateforme, humaines ou matrielles comme les machines, peuvent
grer seulement un job la fois. Chaque job est considr comme prt pour tre trait quand
tous les composants ncessaires pour lexcution du job sont disponibles. Ces composants sont
alors consomms par lexcution du job. Nous notons pj (> 0) le temps de traitement du job j.
Chaque job j N consomme aj,k ( 0) units de composant k au dbut de lexcution du job j.
Les composants arrivent des dates direntes avec les livraisons des fournisseurs, nous notons
Th,k la h-ime arrive du composant k. Larrive de chaque composant peut tre reprsente
comme une courbe cumule en forme descalier note CCAk et o CCAt,k indique la quantit
totale de composant k arrive jusqu linstant t, incluant les ventuelles arrives de composant
en t. Dans la notation // (c.f. Graham et al. [70]), nous dsignons cette contrainte par
Stairs(nc), o nc ressources consommables sont dfinies par des courbes cumules darrives en
forme descalier, voir figure 3.1.
Dans ce chapitre, nous faisons plusieurs hypothses pour les livraisons des commandes. Dans
le cas le plus gnral, nous avons des dates de livraison fixes D1 , D2 , . . . , Df , chacune de ces dates
correspond une tourne optimise associe un sous-ensemble de consommateurs (clients).
Eventuellement, une dernire date (flexible) de livraison, aprs Df , les jobs restants pourraient
tre distribus la fin de lordonnancement (Cmax). A chaque date de livraison Dd , toute
commande dj prpare, et qui est destine au sous-ensemble de clients desservis par la tourne
de livraison, est charge dans les camions qui font la livraison cet instant. Nous ne considrons
pas de limite de capacit pour chaque livraison, ceci sera discut dans les perspectives de cette
thse. Comme dans Hall et al. [77], nous notons Cj la date laquelle le job j est livr. Cette
82
3.4. Dfinition du problme
Figure 3.1 Flux externes dun nud de la chane logistique
date correspond la premire date de livraison qui suit la fin de lexcution du job, Cj . Une
pnalit wj est associe chaque job j, elle reprsente une estimation de la perte de ventes par
unit de temps quand la commande arrive en retard chez le magasin.
Dans ce chapitre, nous supposons que chaque tourne visite tous les clients et nous considrons trois hypothses pour les dates de livraison, voir figure 3.1.
Avec lhypothse (A), il y a une seule date de livraison flexible la fin de lexcution du
dernier job (alors le nombre de tournes fixes, f est gal 0). En fait, cette date correspond au
critre Cmax (ici, Cj = Cmax pour tout j). Ainsi, tous les jobs sont considrs en retard et le
cot total de retard est proportionnel au Cmax. Le critre minimiser est alors le Cmax.
Avec lhypothse (B), il y a deux livraisons de commandes, la premire une date fixe
note D1 (f = 1) et la deuxime la fin de lordonnancement (Cmax). La date D1 peut tre
considre comme une date due fixe et commune pour tous les jobs. Ainsi, tous les jobs qui ne
sont pas envoys la date D1 sont considrs en retard (cela correspond au problme industriel
des magazines, par exemple). Pour chaque job j, nous dfinissons la variable u
j , u
j = 1 si le
job j est en retard et u
j = 0 sinon. Le critre utilis pour lhypothse (B) est proportionnel
la pnalit wj et Cmax D1 , qui correspond au retard des jobs qui ne sont pas livrs avec la
premire livraison. Puisque D1 est une constante, le terme Cmax D1 peut tre remplac par
Cmax dans le critre. En plus, Cj = D1 si Cj D1 et Cj = Cmax sinon.
Pour lhypothse (C), f 2 et nous supposons que Df est susamment grand pour que la
dernire livraison soit aprs la fin de lexcution de tous les jobs (Df Cmax). Ici, Cj = Dd
o Dd est la premire livraison aprs la fin dexcution de j, Cj . Sous cette hypothse, tous les
jobs sont considrs en retard, nous voulons minimiser le retard des jobs, ils doivent donc tre
livrs aussi tt que possible.
Dans la suite du chapitre nous allons travailler sur ces problmes dordonnancement une
machine. Les notations || (voir Graham et al. [70]) correspondantes, pour nos problmes
dordonnancement NP-diciles, sont :
(A) : 1/Stairs(nc), aj,k /Cmax
83
(B) : 1/Stairs(nc), aj,k , D1 /(1 + wj u

j )Cmax
(C) : 1/Stairs(nc), aj,k , D1 , . . . , Df / wj Cj
Lobjectif est de dterminer, pour chaque problme, la squence des jobs = (j1 , j2 , . . . , jn )
qui minimise lobjectif. A notre connaissance, exception de lhypothse (A), ces problmes
dordonnancement nont pas t considrs dans la littrature.
3.5
Mthodes de rsolution
Pour rsoudre des problmes NP-diciles dordonnancement, comme les ntres, il y a le

choix entre deux possibilits. La premire est de les rsoudre avec des mthodes approches
(aussi appeles heuristiques) qui fournissent des bonnes solutions, pas forcment optimales. La
deuxime possibilit est de chercher rsoudre les problmes loptimalit, avec des mthodes
exactes de complexit exponentielle. Ces mthodes exactes peuvent avoir des temps de calcul
importants et dpendent fortement de la taille des problmes traits, principalement du nombre
de jobs ordonnancer. Les mthodes exactes comme la procdure par sparation et valuation
sont, en gnral, consacres la rsolution dinstances de petite taille. Tandis que pour des
instances de taille industrielle, les mthodes approches sont le plus souvent utilises en raison
de leur facilit dimplmentation et de leurs temps de calcul rduits. Cependant, il est toujours
ncessaire dvaluer la qualit des solutions que les mthodes approches fournissent. Pour cela,
souvent on compare les solution soit avec des bornes infrieures, soit avec la solution optimale
(pour des instances de taille raisonnable pour lesquels le calcul de la solution optimale peut se
faire rapidement), soit avec des solutions obtenues avec des algorithmes performance garantie,
comme les procdures par sparation et valuation tronques. Ce qui montre que la conception
de mthodes exactes nest pas inintressante.
Puisque nos problmes dordonnancement, exception de lhypothse (A), nont pas t
tudis auparavant dans la littrature, dans ce chapitre nous avons choisi de fournir une premire
approche de rsolution exacte pour ces problmes dordonnancement. Lutilisation de proprits
de dominance laisse esprer que pour certaines familles dinstances, intressantes pour notre
application industrielle, on pourrait rsoudre des problmes de taille suprieure (en particulier
pour les hypothses (A) et (B)). Dans un premier temps nous avons conu une procdure par
sparation et valuation. Ensuite nous avons voulu comparer les performances de notre PSE
avec celles des solveurs commercialiss pour lhypothse (A).
Dans la suite du chapitre, nous commenons par prsenter le modle de programmation
linaire en nombres entiers pour lhypothse (A) dans la section 3.6. Les procdure par sparation
et valuation sont dtailles dans la section 3.7. Les rsultats exprimentaux sont prsents dans
la section 3.8.
3.6
Modle de programmation linaire mixte
Dans cette partie, nous proposons un modle linaire en nombres entiers pour la minimisation
du Cmax. Il ntait pas possible de formuler un modle linaire pour (B), car son critre est par
nature quadratique. Par ailleurs, pour lhypothse (C), les modles essays nous ont toujours
galement conduit une formule quadratique de lobjectif.
Il existe direntes faons de modliser un problme dordonnancement (Blazewicz et al. [15],
Hatfield et Pierce [81]) une machine : avec des variables de position indiquant si un job est
une position v dans lordonnancement ou pas ; avec des variables de prcdence qui indiquent si
84
3.6. Modle de programmation linaire mixte
Figure 3.2 Types de modlisation en ordonnancement avec exemples de valeurs pour les
variables
un job j est avant un job i dans lordonnancement ; ou avec des variables associes une discrtisation du temps, indiquant si un job j est en train dtre excut un instant t, voir la figure 3.2.
Pour viter la grande quantit de variables et de contraintes indexes par le temps, nous
avons choisi dutiliser des variables de position. Ces variables indiquent si un job j est une
position v dans lordonnancement ou non. Le tableau 3.1 prsente les variables, qui sont toutes
positives. Il est noter que les variables auxiliaires Yv,t sont lies au temps, cest ncessaire pour
vrifier la faisabilit de la consommation des ressources, nanmoins un nombre restreint dindices
de temps est considr, ceux lis aux vnements correspondant aux arrives de composants.
Table 3.1 Variables de dcision et variables auxiliaires
Variable Description
Variables de dcision
Zj,v
variable de positionnement des jobs, gale 1 si le job j est en position v et 0
sinon
cpv
date de fin de traitement du job en position v
Variables auxiliaires entires
ppv
temps de traitement du job en position v
apv,k
quantit de ressource k que le job en position v consomme
spv
date de dbut de traitement du job en position v
Yv,t
variable boolenne gale 1 ou 0 si spv t et 0 sinon
85

Minimisation de la dure totale (Cmax)
La formulation mathmatique du problme sans livraison fixe (f = 0) et une seule livraison
flexible la fin de lordonnancement (hypothse (A)), est la suivante :
Contraintes daectation
v
j
Z =1
j j,v
(1)
(2)
cp0 = 0
cpv1 + ppv cpv
Cmax cpn
(3)
(4)
(5)
Zj,v = 1
Les familles de contraintes (1) et (2) indiquent quun job doit tre aect une seule position
de lordonnancement et que chaque position nest aecte qu un job.
Calcul des temps de traitement
v
La famille de contraintes (3) dit que le dbut de lordonnancement est linstant 0, la famille
(4), permet de calculer les temps de fin de traitement des jobs chaque position v. La famille de
contraintes (5) tablit que le Cmax doit tre plus grand ou gal la date de fin de traitement
du dernier job de lordonnancement.
Calcul des variables auxiliaires
v
v, k
v
p Zj,v = ppv
j j
j aj,k Zj,v = apv,k

spv = cpv ppv
(6)
(7)
(8)
Les familles de contraintes (6) et (7) permettent de faire le lien entre les caractristiques des
jobs, dure de traitement et consommation de chaque composant respectivement, et les positions
quils occupent dans lordonnancement. La famille (8) calcule la date de dbut du job en position
v.
Contraintes de ressources
k, u = 1, . . . , n
v, t = T1 , . . . , Th , Tmax
v, t = T1 , . . . , Th
h
Tt=T
CCAt,k (Yu,t Yu,t+1 )
1
M (Yv,t 1) spv t
Yv,t Yv,t+1 0
v=1 apv,k
(9)
(10)
(11)
Tmax = Th+1 est un instant susamment grand o tous les composants sont dj arrivs
et lordonnancement est dj fini et M est un nombre positif trs grand. Tmax peut tre par
exemple la date de la dernire arrive sur lensemble de composants plus la somme des dures
de traitement de tous les jobs (Tmax = maxp Th,p + pj ).

La famille de contraintes (9) vrifie, pour chaque composant k et pour chaque position de
lordonnancement u, que la consommation totale du composant linstant de dbut dexcution
du job en position u ne dpasse pas ce qui est arriv la plateforme jusqu cet instant spu .
Cette vrification est ncessaire seulement aux instants o les jobs commencent tre excuts,
nous vitons ainsi lexplosion du nombre de variables de la discrtisation temporelle. Les familles
de contraintes (10) et (11) permettent de faire le lien entre la variable Yv,t et linstants de dbut
dexcution du job en position v.
86
3.7. Procdure par Sparation et Evaluation (PSE)

Fonction objectif
M in (Cmax)
Dans le problme sans date de livraison fixe, tous les jobs sont supposs en retard. Ainsi,
nous voulons minimiser la pnalit totale de retard qui est proportionnelle la date eective de
livraison Cmax.
3.7
Procdure par Sparation et Evaluation (PSE)
Dans cette partie nous dtaillons la procdure par sparation et valuation que nous avons
conue pour rsoudre de manire exacte les problmes des hypothses (A), (B) et (C).
Nous commenons la section en faisant une prsentation des PSE en gnral. Ensuite nous
introduisons un un les lments ncessaires pour notre PSE, nous commenons par les mthodes approches pour obtenir des bornes suprieures dans 3.7.2, puis par les bornes infrieures
obtenues pour les trois problmes, dans 3.7.3. Le schma gnral de la procdure ainsi que les
rgles de dominance sont prsents dans 3.7.4 et 3.7.5 respectivement.
3.7.1
Prsentation gnrale des Procdures par Sparation et Evaluation
Nous donnons ici une description gnrale de lobjectif et du fonctionnement des PSE.
Comme nous lavons dit dans la section 1.2.3 du chapitre 1, les Procdures par Sparation et
Evaluation font partie des mthodes par construction exactes pour des problmes doptimisation
combinatoire. Il sagit dune mthode qui numre toutes les solutions et garde la meilleure pour
le critre que lon minimise (resp. maximise). Lnumration faite par les PSE ne consiste pas
numrer explicitement toutes les solutions ralisables et les valuer une une pour en choisir la
meilleure. Il faut noter que les PSE sont aussi une mthode qui est capable de dcomposer lespace
de solutions et dliminer les sous-espaces qui ne fournissent pas des solutions potentiellement
meilleures que la meilleure solution connue. Ainsi, lnumration faite par une PSE est implicite.
La procdure de dcomposition de lespace de solutions est une procdure arborescente qui
dcompose lensemble de solutions S considr chaque nud en sous-ensembles, les fils du
nud en question, S1 , S2 , . . . S (gnralement disjoints mais pas exclusivement) recouvrent S,
celle-ci correspond ltape de sparation de la PSE. Si on est en mesure de dterminer, pour un
problme de minimisation (resp. un problme de maximisation), une borne infrieure (resp. suprieure) pour la meilleure solution de chaque sous-ensemble, on peut liminer les sous-ensembles
Sq de solutions dont la meilleure solution serait plus grande (resp. plus petite) que la meilleure
solution connue ou quune borne suprieure (resp. infrieure) de la solution optimale, on dit
alors que les sous-ensembles Sq sont domins et sont limins de larbre de recherche (et donc
non explors ainsi que tous ses enfants). Ceci est eectu grce ltape dvaluation de la PSE.
En suivant cette procdure itrative, on arrive soit un ensemble dont on peut dterminer facilement une solution, soit un sous-ensemble de solutions domines que lon limine. La solution
optimale correspond la meilleure solution ralisable obtenue, incluant les solutions donnes
par des heuristiques, utilises pour obtenir les bornes suprieures (resp. infrieures). Le premier
nud de larbre dexploration reprsente lensemble de toutes les solutions ralisables.
Pour toute conception de PSE, la qualit des bornes suprieures et infrieures est un facteur
dterminant dans le temps dexploration de larbre de recherche. Plus proches sont les bornes
de la solution optimale, plus densembles de solutions seront limins dans larbre dexploration.
Pour cette raison, une grande partie du travail dans llaboration des procdures par sparation
et valuation est la conception de bornes ecaces.
87

Une PSE est caractrise par les lments suivants : le schma de sparation qui explique la
manire de dterminer les ensembles et sous-ensembles de solutions ; la ou les bornes infrieures
(resp. suprieures) utilises pour liminer des sous-ensembles de solutions qui correspondent
des branches de larbre de recherche ; la ou les bornes suprieures (resp. infrieures) correspondant aux meilleures solutions ralisables connues ; les rgles de dominance ventuelles qui
dpendent des caractristiques du problme et qui permettent didentifier des ensembles de solutions dominants (i.e. qui contiennent au moins une solution optimale), on peut alors liminer
les sous-ensembles de solutions qui ne contiennent pas de solution ayant cette proprit ; la stratgie dexploration qui indique lordre suivant lequel on explore larbre des sous-ensembles de
solutions.
Dans les sections qui suivent, nous caractrisons un un les dirents lments pour dfinir
notre PSE. Pour plus de dtaille sur les PSE nous renvoyons le lecteur vers Lawler et Wood [94].
3.7.2
Mthodes approches polynomiales
Notre objectif dans cette partie est de concevoir des mthodes approches rapides, qui sont
incluses dans notre procdure par sparation et valuation dans la section 3.7.4. Notre choix
a t dutiliser des algorithmes de listes bass sur des rgles de priorit pour construire des
ordonnancements actifs et/ou sans dlai. Cette section est divise en quatre parties. Dans la
premire nous rappelons quelques dfinitions concernant lordonnancement. Dans la deuxime
nous rappelons comment construire des ordonnancements actifs et sans dlai dans le cadre des
problmes dordonnancement considrs. Dans la troisime partie, nous proposons une srie de
rgles de priorit que nous utilisons pour trier les jobs. Dans la dernire partie nous expliquons
comment nous combinons les rgles de priorit que nous avons conu.
Dfinitions
Ici nous donnons quelques dfinitions concernant les ordonnancements, ces dfinitions sont
bases sur celles proposes par Baker [5], Brucker [22] et Conway et al. [45].
Ordonnancement valide : Un ordonnancement est dit valide si toutes les contraintes de prcdence entre les oprations et toutes les contraintes de ressources sont satisfaites.
Ordonnancement semi-actif (HSA) : Un ordonnancement est dit semi-actif sil est valide et
sil est impossible de translater une opration vers la gauche pour obtenir un nouvel ordonnancement valide tout en conservant le mme ordre de succession des oprations sur les direntes
ressources. Ces types dordonnancements sont aussi dits cals gauche
Ordonnancement actif (HA) : Un ordonnancement est dit actif, sil est valide et si on ne
peut pas ordonnancer un job plus tt sans retarder un autre job. Autrement dit, il nexiste pas
de temps mort qui puise contenir compltement une opration ordonnance plus tard.
Ordonnancement sans dlai (HN D) : Un ordonnancement est dit sans dlai, sil est valide
et si aucune machine ne reste inactive pendant quun job attend dtre trait (ici on suppose
que les composants ncessaires sont disponibles).
HN D HA HSA
Critre rgulier : Un critre est dit rgulier sil est une fonction croissante des dates de fin
des jobs. Les fonctions : Cmax, wj u

j et wj Cj sont des critres rguliers pour des problmes
doptimisation.
88

Ensemble dominant : Un ensemble de solutions est dit dominant sil contient au moins une
solution optimale pour le critre considr.
Gnrateurs de solutions
Pour construire des ordonnancements avec des algorithmes de listes, il est ncessaire de trier
les jobs selon des ordres avant de commencer la construction. Ces ordres reprsentent des
rgles de priorit. Par exemple, le job avec le plus petit temps de traitement est prioritaire ; il
sut alors de trier les jobs dans lordre croissant de leurs temps de traitement, ensuite nous
construisons des ordonnancements actifs (algorithme 1) et sans dlai (algorithme 2) avec la liste
L de jobs tris.
Gnrateur dordonnancements actifs (HA)
Soit L la liste des jobs tris selon lordre ;
t = 0;
pour chaque composant k faire
calculer CCAk = courbe cumule darrive du composant k;
initialiser CCUk = [0, 0, . . . , 0] = courbe cumule dutilisation du composant k;
fin
tant que L nest pas vide faire
M inC = +;
pour pour chaque job j faire
placer le job j aussi tt que possible aprs linstant t pour que les courbes
modifies de consommation CCU restent infrieures ou gales aux courbes des
arrives CCA;
calculer Sj et Cj les temps de dbut et de fin de traitement du job j
respectivement;
M inC = min(M inC, Cj );
fin
soit j0 le premier job de la liste L tel que Sj0 < M inC;
ordonnancer j0 entre Sj0 et Cj0 ;
actualiser les courbes de consommation CCU de tous les composants;
retirer j0 de la liste L;
t = Cjo ;
fin
Algorithm 1: Algorithme gnrique pour ordonnancement actif avec lordre : HA
89

Gnrateur dordonnancements sans dlai (HN D)
Note : Lalgorithme pourrait fonctionner sans utiliser le boolen no-idle-time, sa prsence
permet dcourter lalgorithme ds linstant o on trouve un job qui ne cre pas de temps mort.
Soit L la liste des jobs tris selon lordre ;
t = 0;
pour chaque composant k faire
calculer CCAk = courbe cumule darrive du composant k;
initialiser CCUk = [0, 0, . . . , 0] = courbe cumule dutilisation du composant k;
fin
tant que L nest pas vide faire
M inS = +;
No-idle-time = faux;
pour chaque job j de la liste L jusqu ce que no-idle-time == vrai faire
placer le job j aussi tt que possible aprs linstant t pour que les courbes
modifies de consommation CCU restent infrieures ou gales aux courbes des
arrives CCA;
calculer Sj et Cj les temps de dbut et de fin de traitement du job j
respectivement;
M inS = min(M inS, Sj );
si M inS == t alors
no-idle-time = vrai;
fin
fin
soit jo le premier job de la liste L tel que Sj0 == M inS;
ordonnancer jo entre Sjo et Cjo ;
actualiser les courbes de consommation CCU pour tous les composants;
retirer jo de la liste L;
t = Cjo ;
fin
Algorithm 2: Algorithme gnrique pour ordonnancement sans dlai avec lordre : HN D
Si lon veut minimiser la dure totale de lordonnancement Cmax de lhypothse (A), minimiser les temps morts apparat comme une bonne ide, ce qui nous amne prfrer les
ordonnancements sans dlai, nanmoins un job ordonnanc plus tt pour minimiser un temps
mort peut consommer beaucoup de composants et crer des temps morts plus grands plus tard.
Rgles de priorit associes
Pour obtenir de bons ordonnancements avec nos mthodes approches, il convient de trier
les jobs selon des ordres (ou rgles de priorit) que lon considre comme intressants. Nous
prsentons ici deux techniques intuitives et heuristiques, qui sont antagonistes, et qui peuvent
tre utilises pour donner des priorits aux jobs. Quelques rsultats concernant ces ordres sont
donnes.
Ordre dcroissant des temps de traitement et croissant de consommation
90

Pour toutes les hypothses, les critres sont rguliers. En consquence une bonne rgle empirique doit viter de crer des temps morts. Pour cela, il semble intressant de placer en premier
les jobs les plus longs qui consomment le moins possible des composants, de manire placer
les courbes cumules de consommation en dessous des courbes des arrives sans trop retarder
les jobs.
Dans le cas dun seul composant cet ordre est lordre dcroissant de pj /aj,1 . Dans le cas o il
y a plusieurs composants, il faut plus ou moins arbitrairement pour obtenir un ordre, accorder
des poids (importance relative) aux dirents composants. Par exemple, un poids plus grand
associ aux composants qui arrivent tardivement. Dans lathse, nous
nous sommes contents
(arbitrairement) de prendre des poids gaux. Dou lordre
pj
a
k k j,k
Nous notons cet ordre LP T SCD (quand les poids sont gaux) ou LP T W SCD. Nous
prsentons dans ce qui suit, quelques cas polynomiaux issus de lapplication de cet ordre.
Lemme 3.7.1 Quand tous les jobs ncessitent exactement la mme quantit ak de composant
pour chaque composant k, alors placer les jobs dans lordre LP T (ordre dcroissant des dures
de traitement) minimise Cmax.
Figure 3.3 Optimalit de LP T pour une ressource et consommations gales
Preuve Soit un ordre quelconque des jobs , qui ne vrifie pas lordre LP T , et soit S()
lordonnancement cal gauche associ cet ordre. Il existe au moins deux jobs conscutifs i et
j tels que le temps de traitement du deuxime job j est strictement plus grand que le temps de
traitement du premier job i. Soit S lordonnancement obtenu en changeant les positions des
deux jobs considrs. Dans cet ordonnancement, j commence linstant de dbut de i et i se
termine linstant de fin dexcution de j. S est videmment un ordonnancement ralisable,
car les courbes cumules dutilisation associes S sont plus petites ou gales aux courbes
cumules dutilisation de composants associes S(). La fin de lordonnancement ne change
91

pas et Cmax(S ) Cmax(S()) (potentiellement Cmax(S ) peut tre strictement plus petit en
dcalant gauche i et tous les autres jobs qui suivent). En appliquant cet change deux deux
sans dtriorer la valeur du Cmax on finit par obtenir lordonnancement quon obtiendrait avec
lordre LP T . Voir figure 3.3 o dans un exemple trois jobs, aprs une srie de changements
deux deux et en plaant les jobs au plus tt, on retrouve lordonnancement qui minimise le
Cmax.
Avec des hypothses lgrement direntes : arrives de composant uniformes et continues ;

le lemme 3.7.1 a t propos par Xie [156].
Lemme 3.7.2 Sil y a un seul composant o et si les temps de traitement de tous les jobs sont
identiques (gaux p), alors lordre croissant des consommations de composant CC minimise
le Cmax.
Figure 3.4 Optimalit de CC pour une ressource et temps de traitement gaux
Preuve Soit un ordre des jobs quelconque, qui ne vrifie pas lordre CC, et soit S() lordonnancement cal gauche associ cet ordre. Il existe au moins deux jobs conscutifs i et
j tels que la consommation de composant du deuxime job j est strictement plus petite que la
consommation de composant du premier job i. Soit S lordonnancement obtenu en changeant

les positions des deux jobs considrs (ceci est possible car la consommation de j est plus petite
que celle de i, la disponibilit de la ressource est toujours respecte), dans cet ordonnancement
j commence linstant de dbut de i et i se termine linstant de fin dexcution de j. S

est videmment un ordonnancement ralisable, car les courbes cumules dutilisation associes
S sont plus petites ou gales aux courbes cumules dutilisation de composants associes
S(). La fin de lordonnancement ne change pas et Cmax(S ) Cmax(S()) (potentiellement
Cmax(S ) peut tre strictement plus petit en dcalant gauche i et tous les autres jobs qui
92

suivent). En appliquant cet change deux deux sans dtriorer la valeur du Cmax on finit par
obtenir lordonnancement quon obtiendrait avec lordre CC. Dans la figure 3.4, nous montrons
un exemple trois jobs qui ont la mme dure mais des consommations direntes, on constate
quen eectuant des changements deux deux et en plaant les jobs au plus tt chaque fois,
on trouve une squence qui minimise le Cmax.
Lemme 3.7.3 Si pour un problme dordonnancement lordre dcroissant des temps de traitement LP T est identique lordre croissant des consommations de composant CC, alors les
ordres sont agrables et minimisent le Cmax.
Preuve Ce lemme est une consquence des lemmes 3.7.1 et 3.7.2.
Lemme 3.7.4 Pour un problme dordonnancement avec un seul composant, si les ordres ne
sont pas agrables, la rgle de priorit correspondant placer les jobs selon lordre dcroissant
p
des temps de traitement diviss par la consommation de composant ( ajj ) ne minimise pas le
Cmax.
Preuve Comme on peut le voir dans le contre-exemple de la figure 3.5 avec un composant et
p
deux jobs. Les deux jobs ont des caractristiques telles quen suivant la rgle ( ajj ), il faudrait
placer 1 avant 2, mais cette squence est sous-optimale pour la minimisation du Cmax.
Figure 3.5 Contre exemple doptimalit de lordre LP T SCD pour minimiser le Cmax
Ordre dcroissant des pnalits de retard
Ces ordres sont intressants essentiellement pour les hypothses (B) et (C). Pour minimiser
la somme des pnalits des jobs en retard, il est prfrable de placer en priorit les jobs les
93
plus courts ayant les plus grandes pnalits pjj . Cette rgle correspond lordre W SP T
bien connu. Sans prendre en compte ni les courbes cumules de consommation ni celles des
arrives de composant, lordre W SP T fournit une bonne borne suprieure pour le problme
de sac dos sous-jacent (c.f. Dantzig [47]), cette borne peut tre amliore en choisissant de
manire intelligente les deux derniers jobs placs juste avant le dpart de la livraison fixe prvue
linstant D1 (c.f. Martello et Toth [102]). Comme le montre le lemme 3.7.5 cet ordre est optimal
seulement sil ny a pas de contrainte de ressources et lordre (wi ) est gal lordre (pi ),
cest dire quand les ordres sont agrables. Dans le cas contraire le lemme 3.7.6 montre que cet
ordre nest pas optimal pour minimiser la somme des pnalits des jobs en retard dans le cas
gnral.
w
Lemme 3.7.5 Si pour un problme dordonnancement lordre croissant des temps de traitement
SP T est identique lordre dcroissant des pnalits de retard, alors les ordres sont agrables et
lordre W SP T minimisent la somme des pnalits de retard wj uj .
Preuve Sans contrainte de ressource, si la dure de traitement tait identique pour tous les jobs
pi = p, placer les jobs dans lordre dcroissant des pnalits minimise la somme des pnalits
des jobs en retard. En eet, il sut de placer les jobs avec les plus grandes pnalits au dbut
de lordonnancement pour quils soient temps pour tre livrs linstant D1 .
Si par contre, toujours sans contrainte de ressource, les pnalits taient identiques pour
tous les jobs wi = w, placer les jobs dans lordre croissant des temps de traitement minimise la
somme des pnalits des jobs en retard. En eet, placer autant de jobs que possible avant D1
minimise le nombre de jobs qui sont en retard et donc la somme de leurs pnalits. On peut
faire cela en plaant les jobs avec les plus petites dures avant D1 .
Le lemme est une consquence des deux remarques prcdentes.
Lemme 3.7.6 Mme si une infinit de composants arrivait linstant 0 (correspondant la
relaxation des contraintes de disponibilit), lordonnancement sans dlai correspondant cet
ordre nest pas optimal pour la minimisation des pnalits des jobs en retard (sauf chance).
Preuve Le contre-exemple de la figure 3.6 montre quen respectant lordre pjj , il se pourrait que lon donne priorit un job plus long et qui est en retard (cest le cas de j dans le
contre-exemple) et empcher un job plus court (j + 1 dans la figure), et qui pourrait partir avec
la livraison D1 , d tre plac avant. Le principe est le mme pour la minimisation de la somme
pondre des dates de livraison des jobs (critre de lhypothse (C)).
w
Ce rsultat a t dmontr dans Hall et al. [77], pour le cas avec des dates de livraison fixes.
Construction des mthodes approches rapides
Nous insrons, au sein des algorithmes 1 et 2, les ordres que nous venons de dcrire. Nous les
utilisons de manire individuelle Ordre, ou hirarchique Ordre1 /Ordre2 (le deuxime ordre est
utilis pour dcider du job placer en cas dgalit pour le premier), ou encore dynamiquement
(Ordre1 Ordre2 ) :
Lutilisation dynamique des rgles de priorit consiste commencer par un ordre donn
et continuer avec un autre lorsquune condition est vrifie. La raison est que aprs certaines
conditions, lempirisme qui conduit choisir un ordre peut disparatre. Par exemple quand
t D1 pour le problme (B), ou quand t est plus grand que la date de la dernire arrive de
composant pour tous les problmes. Nous avons distingu trois cas :
94
Figure 3.6 Contre exemple doptimalit de lordre W SP T pour minimiser la somme des
pnalits des jobs en retard
1. lordre LP T W SCD ou LP T SCD devient inutile (pour les hypothses (A) et (B))
aprs la date de la dernire arrive de composant, car cet instant tous les jobs peuvent
tre placs dans nimporte quel ordre sans modifier la dure totale de lordonnancement, on
utilise alors lordre W SP T (cette rgle dynamique est note LP T W SCD W SP T ) ;
2. lordre W SP T est inutile (pour les hypothses (B) et (C)) quand t D1 ou Df 1
car tous les jobs qui nont pas t livrs cet instant sont en retard et alors il nest
plus ncessaire de continuer de chercher minimiser les pnalits, on utilise alors lordre
LP T W SCD (cette rgle dynamique est note W SP T LP T W SCD) ;
3. il faut remarquer que si les deux conditions t D1 (ou Df 1 pour lhypothse (C)) et
t plus grand que la date de la dernire arrive de composant alors nimporte quel ordre
des jobs peut tre utilis pour complter lordonnancement sans plus de contrle pour
nimporte quel hypothse. Cette rgle est applique lors de la construction des ordonnancements actifs et sans dlai dcrits prcdemment, et ce pour nimporte quel ordre.
Nous construisons des ordonnancements actifs et sans dlai avec les ordres (intressants pour
minimiser les critres de nos trois problmes (A), (B) et (C)) suivants :
= 1 : LP T W SCD/W SP T ,
= 2 : W SP T /LP T W SCD,
= 3 : DY N (LP T W SCD W SP T )/W SP T ,
= 4 : DY N (W SP T LP T W SCD)/LP T W SCD
Les ordres = 1, 2 sont des ordres hirarchiques. Les ordres 3 et 4 sont des ordres dynamiques correspondant aux conditions darrt 1 et 2 respectivement. Dans nos expriences, nous
95

travaillons avec ces 4 ordres, lesquels combins avec les deux gnrateurs dordonnancement
nous fournissent 8 mthodes approches polynomiales (on pourrait obtenir plus si lon utilisait
des ensembles de poids non unitaires pour les consommations des composants dans W SCD).
Puisque le calcul des ordonnancements avec chaque mthode se fait rapidement, nous appliquons
toutes les heuristiques au dpart pour trouver des solutions pour nos problmes et nous appelons
BEST H lheuristique globale qui consiste appliquer successivement toutes les mthodes et
garder la meilleure solution obtenue.
Il faut remarquer que les ordres = 2 et = 4 ainsi que = 1 et = 3 sont identiques
pour la minimisation du Cmax (hypothse (A)). Pour les ordres 2 et 4, il ny pas de tourne de
livraison prvue, dans ce cas, le changement dynamique prvu t = D1 na pas lieu. Pour les
ordres 1 et 3 le changement dynamique devrait arriver aprs la date de la dernire livraison de
composant, mais cet instant placer les jobs dans nimporte quel ordre fournit le mme rsultat
pour la minimisation du Cmax. Nous avons donc 4 mthodes approches pour la minimisation
du Cmax.
3.7.3
Bornes infrieures
Pour pouvoir concevoir notre procdure de sparation et valuation, il est ncessaire davoir
des bonnes bornes infrieures de nos problmes. Les trois problmes (A), (B) et (C) que nous
tudions ont pour critres Cmax, (1 + wj u

j )Cmax et wj Cj respectivement.
Nous sommes capables dobtenir des bornes infrieures pour les problmes (A) et (C) en
travaillant directement sur leurs critres. Par contre, pour obtenir des bornes infrieures pour le
problme (B) nous dcomposons le critre (1 + wj u

j )Cmax en deux parties, nous calculons
des bornes infrieures pour le Cmax dune part, et des bornes infrieures pour la somme des
pnalits des jobs en retard wj u

j dautre part.
Dans cette section nous dcrivons les trois techniques que nous avons utilis pour concevoir
des bornes infrieures pour nos dirents critres : Cmax, wj u

j et wj Cj . Nous introduisons
une une les techniques et expliquons comment elles sont utilises pour chaque critre.
Bornes infrieures utilisant des ordres agrables
La technique des ordres agrables est une technique trs utilise pour obtenir des bornes en
ordonnancement. Lide de base est de construire la meilleure instance possible avec les donnes
du problme original (caractristiques des jobs, capacits des machines, etc.) et de rsoudre
le problme doptimisation avec cette instance. Toute autre instance, obtenue avec une autre
combinaison des mmes donnes, incluant linstance originale, donne des solutions moins bonnes
pour le mme problme doptimisation.
Nous appliquons la technique des ordres agrables en construisant des pseudo-jobs avec les
caractristiques des jobs rels et en rsolvant le problme dordonnancement avec ces pseudojobs. Par exemple, pour un problme de sac dos, il serait idale que les jobs avec les plus
grands cots (c1 c2 c3 cn ) aient les plus petits poids (w1 w2 w3 wn ),
si ctait le cas, placer les jobs dans cet ordre dans le sac maximiserait le cot total. Si ce nest
pas le cas, on peut construire des pseudo-jobs de telle faon que le premier pseudo-job ait le
plus grand cot et le plus petit poids (de tous les cots et poids des jobs rels), le deuxime
pseudo job aura le deuxime plus grand cot et le deuxime plus petit poids et ainsi de suite
pour le reste de pseudo-jobs et des caractristiques. Ainsi, avec cette nouvelle pseudo-instance
il est facile de rsoudre le problme loptimalit, cette solution constitue une borne suprieure
pour le problme original, qui est ici un problme de maximisation.
96

Dans ce qui suit nous prsentons des bornes infrieures obtenues en appliquant la technique
des ordres agrables pour le Cmax, pour le temps mort total, pour la somme des pnalits des
jobs en retard
wj u
j et pour la somme pondre des dates de livraison des jobs
w C . La
j j
borne infrieure pour les temps morts est utilise pour amliorer les bornes pour
wj u
j et
wj Cj .
Borne infrieure pour le Cmax

Nous dcrivons ici la borne obtenue pour la minimisation du Cmax (concernant les hypothses (A) et (B)) avec lutilisation des ordres agrables. Nous avons vu dans le lemme 3.7.3
que si lordre dcroissant des temps de traitement et lordre croissant des consommations de
composant sont gaux alors placer les jobs dans cet ordre minimise le Cmax. En consquence, il
est pertinent dutiliser la technique des ordres agrables, dcrite avant, pour trouver une borne
infrieure pour le Cmax.
Sil y a plusieurs composants, nous utilisons la technique des ordres agrables de manire
indpendante pour chaque composant et nous retenons la plus grande valeur obtenue. Pour
minimiser le makespan, la technique des ordres agrables doit tre applique comme suit :
Pour chaque composant o, soit le problme de minimisation du Cmax tudi dans ce cha
pitre, et soit (o) une relaxation du problme obtenue comme suit : le premier job de (o)
se voit aect le plus grand temps de traitement et la plus petite consommation de composant
o, le deuxime job de (o) reoit le deuxime plus grand temps de traitement et la deuxime
plus petite consommation de composant o, etc. et ainsi de suite jusquau dernier job. Le rsultat
est tel que les jobs de (o) sont tris simultanment dans lordre dcroissant de leurs temps de
traitement (pi ) et dans lordre croissant des consommations du composant o (ai,o ) dans ce
cas, le lemme 3.7.3 peut tre appliqu.
En appliquant les ordres agrables chaque composant, nous avons une valeur dirente du
Cmax pour chaque composant, la valeur que lon retient est la valeur maximale parmi celles de
tous les composants (maxk Cmax( (k))), elle est note LB|AGO|CT (borne infrieure avec les
ordres agrables pour la dure totale de traitement).
Borne infrieure pour le temps mort total et/ou partiel (IT )
Pour calculer une borne infrieure du temps mort avec les ordres agrables, nous utilisons
la borne obtenue pour le Cmax avec cette technique. Il sut dappliquer les ordres agrables
pour chaque composant et calculer le temps mort total. On garde comme borne infrieure de IT
la valeur maximale obtenue parmi tous les composants : maxk IT ( (k)), cette borne est note
LB|AGO|IT . Nous avons le lemme suivant :
Lemme 3.7.7 Pour nimporte quel intervalle [0, H], la somme des temps morts induits par
nimporte quel ordonnancement construit en utilisant les ordres agrables du lemme 3.7.3, est
une borne infrieure de la somme des temps morts inclus dans nimporte quel ordonnancement
ralisable du problme dans lintervalle [0, H].
Preuve Le lemme 3.7.7 est une consquence du lemme 3.7.3. Soit U P/H une borne suprieure
de la somme des temps de traitement des jobs qui peuvent tre placs dans lintervalle [0, H]
tout en prenant en compte les arrives de composant. Elle est gale la dirence entre H, la
longueur de lintervalle et LB|AGO|IT (H), la plus grande borne infrieure du temps mort total
sur lintervalle [0, H]. Voir figure 3.7 pour un exemple du calcul des bornes pour le temps mort
total ou dans un intervalle.
97
Figure 3.7 Borne infrieure pour le temps mort total et/ou partiel
Borne infrieure pour la somme des pnalits des jobs en retard

wj u
j
Le problme de minimisation de la somme des pnalits des jobs en retard (considr pour
lhypothse (B)) est quivalent un problme de maximisation de la somme des pnalits des
jobs qui sont temps. Notre premier rflexe pour trouver des bornes infrieures pour ce problme
a t de rsoudre le problme de sac dos sous-jacent en relaxant les contraintes des arrives
des composants (i.e. la totalit des composants est disponible au dbut de lordonnancement,
voir figure 3.8(b)).
(a) Sans relaxation
(b) Avec relaxation
Figure 3.8 Impact de la relaxation des contraintes de disponibilit des composants

En obtenant une borne suprieure du problme de la maximisation de la somme des pnalits
des jobs temps, on obtient automatiquement une borne infrieure de la somme des pnalits
des jobs en retard. Pour obtenir une borne suprieure de la somme des pnalits des jobs
temps, nous devons placer dans lintervalle [0, D1 ] un sous-ensemble de jobs (dont la dure
totale est infrieure D1 ) qui maximise la somme des pnalits. Ce problme est quivalent
un problme de sac dos, dans lequel les valeurs de satisfaction sont les pnalits de retard wj ,
les poids correspondent aux temps de traitement des jobs pj et la capacit du sac est gale
D1 .
98
Figure 3.9 Schma de construction de la borne suprieure (Martello et Toth [102]) du problme
de sac dos
Pour obtenir une borne suprieure de ce problme, nous utilisons la borne suprieure propose
par Martello et Toth [102] (qui amliore celle de Dantzig [47]) pour le sac dos. Cette borne
consiste trier les jobs dans lordre (wj /pj ), les placer dans cet ordre dans le sac jusquau job
s qui nentre pas compltement. Les auteurs valuent les bornes obtenues quand des changes
des positions, entre les jobs s et s 1 et entre s et s + 1 dans lordonnancement, sont faits et
prennent la plus grande valeur. Voir le schma de la figure 3.9.
Les premiers rsultats exprimentaux nous ont montr que la relaxation des contraintes de
disponibilit de composant est trop forte, et donc que la borne du sac dos sous-jacent de
capacit D1 nest pas bonne. En eet, cette relaxation limine tout le temps mort associ aux
ruptures de composant, les jobs peuvent aller dans le sac sans aucune contrainte (figure 3.8(b)),
de ce fait, les pnalits des jobs en retard sont sous-estimes considrablement.
Pour pallier ce problme, nous utilisons la borne suprieure des temps morts induits par les
ruptures de composant dans lintervalle [0, D1 ]. Nous utilisons la borne infrieure LB|AGO|IT (D1 )
du temps mort et nous rsolvons un nouveau problme de sac dos de capacit U P/H en prenant
H = D1 , comme montr dans la figure 3.10.
La borne infrieure pour la somme des pnalits des jobs en retard, note LB|AGOK|ST
(borne infrieure de la somme des pnalits des jobs en retard en utilisant les ordres agrables et
le problme de sac dos relax), est gale la dirence entre la somme totale des pnalits de
retard wj , et la borne suprieure du sac dos de capacit U P/D1 obtenue avec lalgorithme
de Martello et Toth [102], note U P/SW1 .
99
Figure 3.10 Problme de sac dos sous-jacent avec une borne suprieure de sa capacit
Borne infrieure pour la somme pondre des dates de livraison des jobs
wj Cj
La procdure utilise pour

wj u
j (hypothse (B)) peut tre adapte facilement pour le
critre de lhypothse (C), en rsolvant f problmes de sac dos, un pour chaque date de
livraison fixe, voir figure 3.11.
Figure 3.11 Calcul de borne infrieure avec des ordres agrables et f sac dos pour
wj Cj
Pour chaque intervalle [0, Dd ] nous pouvons calculer U P/Dd correspondant la borne suprieure du temps utilisable dans cet intervalle en retirant la borne infrieure du temps mort
de la dure de lintervalle. Ensuite, nous pouvons calculer U P/SWd , une borne suprieure de la
somme des pnalits des jobs qui peuvent tre placs dans lintervalle [0, U P/Dd ] en utilisant la
borne suprieure propose par Martello et Toth [102] et dj utilise pour lhypothse (B). Ces
bornes suprieures permettent de calculer la borne infrieure de wj Cj en appliquant le lemme

3.7.8.
100
Lemme 3.7.8 La somme fd=1 (U P/SWd U P/SWd1 ) Dd est une borne infrieure de la
somme pondre des dates de livraison des jobs

wj Cj . Avec U P/SW0 = 0 et U P/SWf =
j wj .
Preuve Pour un ordonnancement quelconque, soit nd la somme des pnalits des jobs dont
la date de livraison est Dd . La valeur de la somme pondre des dates de livraison des jobs,
S(), est donne par :
S() = (nf nf 1 )Df + (nf 1 nf 2 )Df 1 + + (nd nd1 )Dd + + (n2 n1 )D2 + n1 D1
qui peut tre rcrit comme suit :
S() = nf Df nf 1 (Df Df 1 ) nd (Dd+1 Dd ) n2 (D3 D2 ) n1 (D2 D1 )
puisque nd U P/SWd pour tout d et Dd Dd1 0 d, on en dduit
S() U P/SWf Df U P/SWf 1 (Df Df 1 ) U P/SWd (Dd+1 Dd ) U P/SW2 (D3 D2 )
U P/SW1 (D2 D1 )
ou encore
S() (U P/SWf U P/SWf 1 )Df + (U P/SWf 1 U P/SWf 2 )Df 1 + +

+(U P/SWd U P/SWd1 )Dd + + (U P/SW2 U P/SW1 )D2 + U P/SW1 D1
S()
d=1
(U P/SWd U P/SWd1 )Dd
et ce pour nimporte quel ordonnancement . Ainsi, fd=1 (U P/SWd U P/SWd1 )Dd est une
borne infrieure de la somme pondre des dates de livraison des jobs.
Cette borne a t obtenue en utilisant les ordres agrables pour calculer une borne infrieure
des temps morts et la borne suprieure de Martello et Toth [102] pour les problmes induits de
sac dos. Nous la notons LB|AGOK| CT .

Bornes infrieures base de relaxation entire
Une relaxation de nos problmes peut tre obtenue en acceptant linterruptibilit des jobs
et en supposant que la consommation des composants se fait de manire continue et uniforme
pendant le traitement des jobs et pas au dbut de lexcution comme nous lavons suppos
jusqu maintenant.
Nous prsentons ici des bornes infrieures pour les trois critres Cmax (pour les hypothses
(A) et pour (B)), wj u

j (pour lhypothse (B)) et wj Cj (pour lhypothse (C)).
Borne infrieure pour le Cmax

Le problme obtenu en utilisant cette relaxation est un cas particulier du problme considr
par Cochand et al. [44], qui cherchent minimiser la dure totale de lordonnancement avec des
arrives de composant en forme descalier. Les auteurs utilisent la programmation linaire pour
rsoudre ce problme.
101
Figure 3.12 Discrtisation du temps par vnements, minimisation du Cmax
Dans Cochand et al. [44], laxe du temps est divis en g priodes, le dbut et la fin de chaque
priode correspondent des vnements Et . Pour la minimisation du Cmax, un vnement
correspond une arrive de composants (tous composants confondus), la premire arrive dun
des composants a toujours lieu linstant 0 (dbut de laxe des temps si tout job ncessite au
moins un composant). Le dernier vnement, Eg+1 , correspond la fin de traitement du dernier
job, sa date est inconnue. Aucun vnement ne peut survenir dans une priode, comme indiqu
dans la figure 3.12.
Les auteurs ont conu une procdure deux phases, la premire phase consiste dterminer
combien de chaque job est trait dans chaque priode (en rsolvant un programme linaire),
la deuxime phase consiste trouver un ordonnancement ralisable dans chaque priode avec
lalgorithme de De Werra [51]. Seulement la premire phase est utilise ici car obtenir un ordonnancement ralisable pour leur problme est inutile pour calculer notre borne infrieure.
Le programme linaire pour la premire phase, correspondant nos hypothses, utilise les
paramtres de la table 3.2.
Table 3.2 Paramtres
Paramtre
t
Qk,t
aj,k
Description
dure de la priode t, qui correspond Et+1 Et
quantit de composant k arrive Et
consommation de composant k par unit de temps du job j. Pour chaque job
j et chaque composant k, aj,k est gal au rapport entre la consommation aj,k

et la dure pj .
Il y a deux ensembles de variables. La variable Xj,t qui dtermine la quantit de temps pendant laquelle le job j est traite pendant la priode t. Puis, Eg+1 qui correspond la date du
dernier vnement et donc Cmax. Le modle linaire est formalis comme suit :
102

Contraintes temporelles et dexcution des jobs
t
X t
jg j,t
j
t=1 Xj,t = pj
(1)
(2)
La famille de contraintes (1) limite la somme des temps de traitement associs une priode
la dure donne de cette priode ; la famille (2) assure que les jobs sont compltement excuts.
Contraintes de composants
= 1, . . . , g, k
t=1
Xj,t a,j,k
(3)
t=1 Qk,t
La famille (3) implique que les courbes cumules des consommations de composants sont
toujours plus petites que les courbes des arrives. Lobjectif est de minimiser Eg+1 = t t . Ce
problme est rsolu par programmation linaire.
La borne infrieure pour le Cmax, obtenue en appliquant la mthode propose par Cochand
et al. [44] sur ce problme relax, est note LB|IR|CT (borne infrieure en utilisant la relaxation
entire pour le Cmax).
On peut noter que, comme dans le cas des ordres agrables, la longueur de chaque intervalle
[0, Et ] peut tre corrige en prenant en compte une borne infrieure des temps morts dans cet
intervalle. Il faut alors ajouter la famille de contraintes suivante qui limite lutilisation des temps
la dure utilisable de lintervalle (sans les temps morts).
Contraintes de temps morts
= 1, . . . , g
t=1
Xj,t E LB|AGO|IT (E )
(4)
En faisant cela, nous nous retrouvons avec des contraintes plus strictes pour la somme des
temps de traitement dans chaque intervalle. La borne infrieure pour le Cmax obtenue en
introduisant la contrainte des temps morts, est note LB|IT IR|CT .
Lemme 3.7.9 La borne LB|IT IR|CT domine la borne infrieure LB|AGO|CT et la borne
LB|IR|CT .
Preuve En eet, la famille de contraintes (4) impose que le temps mort total du programme
linaire est suprieur ou gal la borne infrieure du temps mort obtenue avec les ordres agrables
LB|IT IR|IT (Cmax) LB|AGO|IT (Cmax).
Nous supposons prsent que la borne LB|IT IR|CT ne domine pas LB|AGO|CT . Donc
il existe au moins une instance pour laquelle :
hors LB|AGO|CT =
IR|IT (Cmax), do
il sen suit que
LB|AGO|CT > LB|IT IR|CT
pj + LB|AGO|IT (Cmax) et LB|IT IR|CT =
pj + LB|AGO|IT (Cmax) >
pj + LB|IT
pj + LB|IT IR|IT (Cmax)
LB|AGO|IT (Cmax) > LB|IT IR|IT (Cmax)

103

ce qui est une contradiction. On en conclut que LB|IT IR|CT LB|AGO|CT pour toute
instance.
Par ailleurs, LB|IT IR|CT domine LB|IR|CT car on ajoute une famille de contraintes
qui ne peut quaugmenter les temps morts et donc la valeur de Cmax.
Lemme 3.7.10 La borne LB|IT IR|CT = M ax(LB|AGO|CT, LB|IR|CT ).
Preuve Si LB|AGO|CT est infrieure LB|IR|CT , ceci implique que la borne LB|AGO|IT (Cmax)
pour les temps morts (obtenue avec les ordres agrables) est infrieure la borne LB|IR|IT (Cmax)
(obtenue avec la relaxation entire), alors la famille de contraintes (4) na aucun eet et LB|IT
IR|CT = LB|IR|CT .
Si, LB|AGO|CT est suprieure LB|IR|CT alors la borne des temps morts LB|AGO|IT (Cmax)
(obtenue avec les ordres agrables) est suprieure la borne LB|IR|IT (Cmax) (obtenue avec
la relaxation entire) et la famille de contraintes (4) implique que :
LB|IT IR|IT (Cmax) = LB|AGO|IT (Cmax)
et donc LB|IT IR|CT = LB|AGO|CT .
Nous pouvons conclure que LB|IT IR|CT = M ax(LB|AGO|CT, LB|IR|CT ).
Borne infrieure pour la somme des pnalits des jobs en retard

wj u
j
En utilisant la mme relaxation entire que pour le Cmax, nous pouvons adapter le programme linaire pour obtenir une borne suprieure de la somme des pnalits des jobs temps.
Nous ajoutons un vnement pour la discrtisation du temps, la date D1 , comme dans la
figure 3.13. Dans cette partie, nous supposons quil y a g + 1 vnements (et g priodes) o Eg+1
correspond linstant D1 , le dpart du camion de livraison aux magasins.
Figure 3.13 Discrtisation du temps par vnements, hypothse (B)

Nous conservons ici les mmes paramtres que pour la borne du Cmax, ainsi que la variable
Xj,t et les familles de contraintes (1) et (3). La famille de contraintes (2) doit tre modifie
comme suit :
104

Contraintes dexcution des jobs
g
j
t=1 Xj,t pj
(2)
car en acceptant linterruptibilit des jobs, les jobs peuvent trs bien ne pas tre termins
avant D1 . Il est aussi ncessaire de modifier la fonction objectif, celle-ci consiste maintenant
maximiser les pnalits associes aux proportions des morceaux de jobs ordonnancs avant la
date D1 :
M ax
Xj,t
j t=1
pj
wj
Comme pour les ordres agrables, cette borne suprieure des pnalits des jobs temps est
transforme en une borne infrieure des pnalits des jobs en retard. La borne infrieure pour
wj u
j est note LB|IR|ST .
On peut remarquer que, comme nous lavons fait pour le Cmax, il est possible dajuster
les temps utilisables de chaque intervalle [0, Et ] laide des bornes infrieures des temps morts
obtenues avec les ordres agrables. Il faudrait ajouter la famille de contraintes (4). On obtient
alors autre nouvelle borne suprieure pour les pnalits des jobs temps et ainsi une borne
infrieure des pnalits des jobs en retard, que nous notons LB|IT IR|ST et qui est au moins
aussi bonne que LB|IR|ST .
Borne infrieure pour la somme pondre des dates de livraison des jobs
wj Cj
Pour appliquer la relaxation entire pour la somme pondre des dates de livraison des jobs
(hypothse (C)), nous sommes dans le cas gnral o les vnements correspondent des arrives
de composant ou des dparts de livraisons, voir figure 3.14. Ici aussi il y a g + 1 vnements et
g priodes, le dernier vnement correspond au dernier dpart de livraison Df .
Figure 3.14 Discrtisation du temps par vnements, cas gnral

Avec les mmes paramtres et les mmes notations que pour les deux problmes prcdents,
nous supposons que si lvnement Et ne correspond pas une arrive de composant, alors la
quantit de composant arrive avec lvnement t, Qk,t est gale 0 pour tout composant k.
Les familles de contraintes (1), (2) et (3) sont conserves pour ce cas. La fonction objectif
105

correspond maintenant la minimisation de la somme pondre des portions de job livres
chaque date de livraison, qui sexprime comme suit :
M in
d=1 j 1tg:Dd1 <Et+1 Dd
Xj,t
wj Dd
pj
La borne obtenue avec cette relaxation entire pour la minimisation de la somme pondre
des dates de livraison des jobs est note LB|IR| CT . Nous pouvons corriger les temps des
intervalles [0, Et ] comme pour les autres bornes (avec une borne infrieure des temps morts) en
ajoutant la famille de contraintes (4) au modle. La borne ainsi obtenue est note LB|IT
IR| CT .
Il faut remarquer quil ny a pas de dominance entre les bornes infrieures LB|IT IR|ST et
LB|AGOK|ST ni entre LB|IT IR| CT et LB|AGOK| CT car les relaxations utilises

sont complmentaires. Dans les bornes obtenues avec AGOK, linterruptibilit est interdite,
mais lassociation entre les temps de traitement et les pnalits sont modifies pour devenir
agrable, en plus nous utilisons un algorithme de sac dos sans contraintes de disponibilit
des composants. Dans les bornes obtenues avec IT IR, lassociation entre les temps et les
pnalits ne sont pas modifies tandis que linterruptibilit est autorise et les contraintes des
composants sont respectes. En consquence, les bornes peuvent tre meilleures ou moins bonnes
selon les instances considres.
Bornes infrieures utilisant lalgorithme de Johnson pour le Cmax
Dans cette section, nous construisons une borne infrieure pour la minimisation du Cmax
concernant les hypothses (A) et (B). Nous utilisons une relaxation de la faon dont les composants arrivent la plateforme, nous supposons quau lieu davoir des courbes cumules en
escalier, les composants arrivent de manire continue et linaire comme montr dans la figure
3.15.
Figure 3.15 Relaxation TKEX pour une ressource

De manire gnrale, sil existe plusieurs composants, le mme procd de relaxation sera
excut pour nimporte quel composant, nous prendrons la plus grande borne infrieure obtenue
106

pour tous les composants. Pour simplifier les explications nous considrons de manire arbitraire un composant k. Nous relaxons larrive en escalier du composant en prenant une courbe
linaire, qui commence la coordonne (t0 , CCAk,t0 ), qui est toujours au dessus de la courbe
en escalier CCA et qui est tangente au moins un point de CCAk , voir la figure 3.15.
Le problme dordonnancement une machine avec des arrives continues de composant
a t rsolu de manire polynomiale par Toker et al. [146] quand il y a un seul composant k
et par Xie [156] pour plusieurs composants. Si k est le taux darrive du composant k par
unit de temps (la pente de la courbe relaxe), les auteurs montrent que le problme not
1/Cont(1) : k , aj,k /Cmax, selon la notation //, est quivalent un problme de flowshop
deux machines sans contrainte de composant o les temps de traitement sur les machines 1 et
a
2, pj,1 et pj,2 , sont gaux j,k
et pj respectivement. Les temps morts dans le problme original
k
correspondent des temps morts sur la deuxime machine dans le problme du flowshop. Ainsi,
le problme avec une ressource k, que nous notons 1/Cont(1) : k , aj,k /Cmax, peut tre rsolu
en utilisant la rgle de Johnson (Johnson [86]) pour le problme du flowshop deux machines.
La rgle de Johnson pour le problme du flowshop deux machines consiste partitionner
les jobs en deux sous-ensembles : lensemble 1 contient les jobs pour lesquels pj,1 pj,2 et
lensembles 2 contient les jobs pour lesquels pj,1 > pj,2 . la solution est obtenue en commenant
par les jobs de lensemble 1 tris dans lordres SP T et en terminant par les jobs de lensemble
2 tris dans lordre LP T ; lordre utilis est le mme sur les deux machines (flowshop de
permutation). Cette rgle minimise le Cmax. En utilisant les rsultats de Toker et al. [146] et
de Xie [156], dans lordonnancement optimal qui minimise le Cmax pour le composant k, le job
j prcde le job i si :
aj,k
ai,k
M in
, pi M in
, pj
k
k
Il est noter que la rgle de Johnson nest pas optimale dans le cas gnral o les arrives de
composant sont en forme descalier. Le lemme 3.7.11 donne un contre-exemple de non optimalit.
Lemme 3.7.11 Mme pour le cas le plus simple, quand les consommations et les dures des jobs
sont quelconques, et o il y a un seul composant k qui arrive en escalier de manire rgulire, V
units de composant toutes les V priodes, comme illustre la figure 3.16(a), la rgle de Johnson
ne minimise pas le Cmax.
(a) Solution de Johnson
(b) Solution Optimale
Figure 3.16 Courbe darrive uniforme en escalier pour un composant
107

Preuve Soient les jobs j = 1, 2, 3 qui consomment a1,k = V2 , a2,k = V2 + 2 et a3,k =
de composant k, et dont les dures de traitement sont p1 = V2 + 2, p2 = V2 + 3 et p3 =
respectivement.
V
2
V
2
En appliquant la rgle de Johnson entre les jobs deux deux on obtient :

Le job 1 est ordonnanc avant le job 2 si :
M in(
V
V
V
V
V
V
, + 3) M in( + 2, + 2)
+ 2 vrai
2
2
2
2
2
2

M in(
V
V
V
V
V
V
, ) M in( + , + 2)
+ vrai
2
2
2
2
2
2

M in(
V
V
V
V
V
V
+ 2, ) M in( + , + 3)
+ vrai
2
2
2
2
2
2
alors la rgle de Johnson donne lordonnancement : 1, 2, 3 de dure 2V + 2 (figure 3.16(a))

tandis que lordonnancement optimal est donn par la squence : 1, 3, 2 de dure 1.5V + 4
(figure 3.16(b)) qui est plus petit ds que est strictement infrieur 0.25V .
Nous concluons que la rgle de Johnson nest pas optimale pour les problmes avec des
arrives en composant en forme descalier.
(a) Solution de Johnson
(b) Solution Optimale
Figure 3.17 Deux relaxations TKEX successives pour une ressource

Comme cette relaxation peut tre trop forte, particulirement au dbut de lordonnancement,
nous avons conu une procdure itrative qui amliore la borne.
Soit JH(t0 ) lordonnancement obtenu en appliquant la rgle de Johnson avec la courbe
relaxe partir de linstant t0 , la procdure itrative consiste analyser le nouveau problme
obtenu en relaxant la courbe cumule des arrives en escalier actualise aprs la fin de chaque
job (cj[i] ) de lordonnancement JH(t0 ) , en commenant par le premier job i = 1. Nous rsolvons
un nouveau problme si la pente de la nouvelle relaxation est strictement plus petite que la
pente de la relaxation en cours.
108

Cette procdure est explicite dans lalgorithme 3. Soient t = t0 , = JH(t0 )) , q = 0 la
quantit de jobs placs avant t = t0 et = t la pente de la courbe relaxe partir de linstant
t.
si i n q alors
actualiser la courbe cumule en escalier des arrives (CCAk ) avec la consommation
du job j[i] de JH(t) , CCAk = CCAk aj[i] ,k ;
si CCAk,cj[i] 0 et cj[i] < alors
calculer lordonnancement JH(cj ) avec la courbe de pente cj[i] et les jobs qui
nont pas t placs avant cj[i] ;
i = 1, t = cj[i] , q = q + 1;
appliquer lalgorithme 3;
sinon
i = i + 1, q = q + 1;
appliquer algorithme 3
fin
[i]
fin
Algorithm 3: Procdure itrative de relaxation continue des arrives des composants
Nous pouvons voir un exemple de la procdure itrative, pour un composant et pour deux
itrations dans les figures 3.17(a) et 3.17(b). Lamlioration considre peut tre applique pour
chaque composant de manire indpendante, nous garderons la plus grande valeur de Cmax
parmi tous les composants.
La borne infrieure pour le Cmax obtenue avec cette relaxation est note LB|U CA|CT
(borne infrieure avec relaxation des arrives uniformes et continues pour le Cmax).
Rcapitulatif des bornes infrieures
Le tableau 3.3 rsume les bornes conues pour les dirents critres, Cmax (hypothses (A)
et (B)),
wj u
j (hypothse (B)) et wj Cj (hypothse (C)), avec les trois techniques : ordres
agrables des caractristiques des jobs, relaxation entire de traitement des jobs et relaxation
continue des arrives de composant.
Table 3.3 Tableau rcapitulatif des bornes infrieures
Critre
Cmax
wj u
j
wj Cj
Ordres
Agrables
LB|AGO|CT
LB|AGOK|ST
LB|AGOK| CT
Relaxation Entire
Interrup.
+ Temps Morts
LB|IR|CT
LB|IT IR|CT
LB|IR|ST
LB|IT IR|ST
LB|IR| CT LB|IT IR| CT
Relaxation
continue
LB|U CA|CT
Pour chaque critre, nous prendrons la meilleure borne infrieure trouve, en liminant des
calculs les bornes domines. La borne infrieure pour le critre gnral de lhypothse (B) :
(1 + wj u
j )Cmax est calcule avec les meilleures bornes infrieures pour le Cmax et pour
wj u
j .
109
3.7.4
Schma des Procdures par Sparation et Evaluation proposes
Nous prsentons ici le schma de sparation et la stratgie dexploration que nous avons
utilis dans les procdures par sparation et valuation pour chaque problme correspondant
aux hypothses (A), (B) et (C). Ensuite, nous donnons le schma de fonctionnement gnral de
nos PSE.
Schma de sparation
Pour les hypothses (A), (B) et (C), les critres sont toujours rguliers. Pour les critres
rguliers, les ordonnancements, semi-actifs (cals gauche ou au plus tt en respectant les
contraintes) sont des ensembles dominants (Baker [5]), cest--dire quils contiennent au moins
une solution optimale. Si lobjectif est de fournir une solution optimale, il sut donc dexplorer
lensemble des ordonnancements semi-actifs. Pour les problmes de n jobs une machine, cet
ensemble est en correspondance biunivoque avec lensemble des n! permutations. Nous allons
donc utiliser la technique de sparation la plus classique pour les problmes de permutation.
Il existe en particulier, trois grandes familles de schmas : ordonnancements partiels en partant du dbut, ordonnancements partiels en partant de la fin (Brown et Lomnicki [21], McMahon
and Burton [105]) et ordonnancements partiels en partant simultanment du dbut et de la fin
(Potts [122]). Dans le cas o il y a des temps morts, les schmas les plus intressants (ou au
moins les plus faciles mettre en uvre) sont gnralement ceux qui partent du dbut.
Pour les permutations, le schma de sparation le plus classique consiste chaque niveau de
larbre, complter une squence partielle avec lun des jobs non encore placs. De manire
gnrale, la racine de larbre reprsente la squence vide = ; chaque nud du niveau i
de larbre, une squence partielle, () de i lments est associe, cette squence correspond aux
i jobs qui sont dans les i premires positions dun ordonnancement partiel. Chaque nud de
larbre de recherche a n i fils, chacun correspond une nouvelle squence de i + 1 lments,
composes des i lments de leur pre suivis dun job j non encore considr, comme illustr
dans la figure 3.18. Suivant cette logique de dcomposition, chaque feuille de larbre correspond
une squence de n lments et donc un ordonnancement complet.
Figure 3.18 Exemple de la construction de larbre de recherche pour nos PSE
110

Stratgie dexploration
Tout comme la qualit des bornes infrieures et suprieures, le choix dune stratgie dexploration de larbre de recherche a un impact dterminant sur lecacit de la procdure par
sparation et valuation. En gnral, lobjectif de lexploration est de trouver le plus rapidement
possible des solutions de bonne qualit qui nous permettent de couper les branches de larbre le
plus tt possible et ainsi viter leur exploration et donc les pertes de temps faire des recherches
infructueuses.
Pour eectuer lexploration dans un arbre dune P SE, il existe deux types de stratgies
dexploration : en profondeur dabord et en largeur dabord. Les stratgies en profondeur dveloppent un nud par niveau la fois. Tandis que les stratgies en largeur dveloppent tous les
nuds dun mme niveau de manire conscutive, dans ce cas il est ncessaire de stocker en mmoire les nuds dun mme niveau qui sont dj dvelopps et cela entrane souvent lexplosion
de lutilisation de la mmoire. Cependant les stratgies dexploration en largeur ont un intrt
lorsque lon transforme les PSE, en mthodes exactes, en mthodes arborescentes approches
comme le beam search qui nexplore que les fi meilleurs nuds supposs du niveau i.
Dans le but de minimiser lutilisation de mmoire, nous utilisons une stratgie dexploration
en profondeur dabord. Lors de la sparation dun nud A, le nouveau nud traiter est le
premier de la liste des fils de A si celui-ci a une borne infrieure qui montre quil a potentiellement
une solution meilleure que la meilleure solution connue ou quune borne suprieure, sinon la
branche correspondante est coupe et on passe au fils suivant de A ; sil ne reste plus de fils
explorer, on remonte dans la branche de larbre et on explore un frre de A. Lexploration
consiste donc se dplacer vers le bas et vers le haut de larbre, en ajoutant ou en enlevant un
job de la squence partielle la fois.
Nous notons que puisque nos critres sont rguliers, et que lensemble dordonnancements
actifs est dominant pour ce type de critres (Baker [5]), nous construisons seulement des ordonnancements partiels actifs (sous-ensembles plus petits que les ordonnancements semi-actifs), i.e.
les jobs ajouts ne crent jamais de temps mort dans lequel un job non encore plac pourrait
tre compltement ordonnanc. Ainsi, lors de la sparation dun nud du niveau i, les jobs qui
peuvent tre placs aprs lordonnancement partiel sont seulement les jobs qui construisent des
ordonnancements actifs et pas tous les n i fils quil aurait selon le schma de sparation.
Fonctionnement gnral de nos Procdures par Sparation et Evaluation
Comme nous venons de le dire, nos PSE ne construisent que des ordonnancements actifs en
raison du caractre rgulier des critres : Cmax, (1+ wj uj )Cmax et wj Cj , des problmes
(A), (B) et (C) respectivement. Nous rappelons aussi que des temps morts peuvent tre cres
dans nos problmes en cas de rupture des composants ncessaires lexcution des jobs. Nous
utilisons les bornes infrieures et les mthodes dapproximation polynomiales, prsentes dans
les sections 3.7.2 et 3.7.3 respectivement, pour dcrire la procdure par sparation et valuation
gnrique pour les trois hypothses (A), (B) et (C). Pour les trois problmes dordonnancement,
la procdure que nous dcrivons ici est applique.
Avant le dbut de notre PSE, une srie de mthodes dapproximation polynomiales (dcrites
dans 3.7.2) sont appliques pour trouver une bonne valeur, note BEST, pour le critre considr, la solution associe tant note (BEST ). En outre, un niveau quelconque de larbre
dexploration (par exemple, quand le niveau est gal 1 modulo 2 avec 1 = 3 et 2 = 6), et
dans le but damliorer la valeur de la meilleure solution connue BEST , ces mthodes rapides
111

sont utilises pour complter lordonnancement partiel du nud considr. La solution BEST
est galement amliore quand un ordonnancement strictement meilleur est construit, i.e. lorsquon arrive une feuille de larbre de recherche.
Puisquil y a plusieurs bornes infrieures, et pour limiter raisonnablement le cot dvaluation
de chaque nud, pour chaque critre, nous intercalons leur utilisation un niveau sur deux ou
sur trois (selon le nombre de bornes infrieures quil y a pour le critre en cours) pour couper
des branches.
Par ailleurs, nimporte quel niveau de larbre dexploration, lordonnancement partiel est optimalement complt quand le sous-problme associ devient polynomial. Par exemple, aprs la
dernire arrive de composant pour la minimisation du Cmax pour lhypothse (A).
Une fonction appele SELECT ACT IV E est capable de choisir dune liste La (cette liste
contient seulement les jobs qui donnent des ordonnancements actifs) un job qui sera ajout
lordonnancement partiel considr P tout en prenant en compte les rgles de priorit statiques
et dynamiques et les proprits agrables prsents en section 3.7.2. Par ailleurs, une fonction
appele F OLLOW IN GACT IV E a exactement le mme rsultat sauf que les jobs qui ont dj
t considrs pour complter le mme ordonnancement partiel P sont limins et le rsultat de
la fonction est gal 1 quand tous les jobs intressants ont t considrs pour complter P .
Un nud quelconque de larbre est caractris par : lordonnancement partiel P quil reprsente ;
linstant de fin dexcution t de cet ordonnancement partiel compte tenu des contraintes de ressources ; la liste La des jobs qui peuvent tre ajouts lordonnancement partiel P ; la liste Lc
des jobs qui ont dj t considrs ; la borne infrieure des ordonnancements ayant la squence
partielle P au dbut.
Avant le dbut de la PSE : lordonnancement partiel P initial est vide ; le temps t est gal
0 ; la liste Lc des jobs dj considrs pour complter P est vide ; A0 dnote le nud qui est
la racine de larbre de recherche correspondant ces paramtres et la pile S dordonnancements
partiels construits ne contient que A0 . Avec ces paramtres, lalgorithme 4 met en uvre nos
procdures par sparation et valuation.
3.7.5
Rgles de dominance
Les rgles de dominance et autres rgles de priorit sont trs utiles pour limiter lexploration
de larbre de recherche. En eet, comme nous lavons dit avant, lorsque lon sait quun type de
solutions est dominant alors on peut ne pas explorer les sous-ensembles qui ne contiennent pas de
solution de ce type. Nous dcrivons ici les rgles que nous avons dfinies pour nos trois problmes.
En rgle gnrale, quand deux jobs (i, j) vrifient une proprit agrable soit intrinsquement soit parce que le temps courant t est plus grand que la dernire arrive de composant (pour
le Cmax) ou aprs la date de livraison fixe D1 (pour la minimisation la somme des pnalits des
jobs en retard), alors le job i est ordonnanc avant le job j, un cas particulier apparat quand
deux jobs ont exactement les mmes caractristiques.
Les proprits de dominance globales deviennent de plus en plus riches au fur et mesure que
la squence partielle grandit et que lon approche de la fin de livraison des dirents composants.
Lemme 3.7.12 de dominance (dynamique) globale pour lhypothse (A) :
Pour tout ordonnancement ralisable qui commence par la squence partielle se terminant
linstant t :
112
P = ; t = 0 ; Lc = ;
BEST = la meilleure valeur du critre correspondant la meilleure solution obtenue;
LB = la meilleure valeur dune borne infrieure du critre pour lordonnancement partiel
P vide;
si LB == BEST alors
BEST est optimale et on arrte lexploration;
sinon
A0 = {P, t, La , Lc , LB};
S = A0 ;
tant que S = faire
A = {P, t, La , Lc , LB}, le haut de la pile S;
si Lc == alors
i = SELECT ACT IV E(A);
sinon
i = F OLLOW IN GACT IV E(A);
fin
si i == - 1 alors
Eacer le haut de la pile S;
sinon
i est ordonnanc aussi tt que possible aprs P ;
P = P i;
t = Ci ;
Lc = Lc i;
LB = la borne infrieure du critre pour lordonnancement commenant par
la squence partielle P (calcule diremment selon le niveau);
LB = max(LB, LB );
si le niveau de A dans larbre modulo k2 est gal 0 alors
BEST new = la meilleure valeur du critre correspondant des solutions
ralisables obtenues avec les mthodes rapides, qui compltent
lordonnancement partiel P ;
si BEST new < BEST alors
BEST = BEST new ;
fin
fin
si LB < BEST alors
Lc = ;
A = {P , t , Lc , LB } sur le haut de la pile S;
fin
fin
fin
fin
Algorithm 4: Procdure par sparation et valuation pour les problmes (A), (B) et (C)
113

1. si t Tlast (date de dernire arrive de composants) alors les jobs restant peuvent tre
placs dans nimporte quel ordre pour minimiser Cmax.
2. Si, la date t, pour deux jobs i et j non encore placs, on a, pour tous les composants k
pour lesquels ils restent des livraisons aprs t, pi pj et ai,k aj,k alors placer i avant j
lintrieur de la fin de la squence minimise Cmax.
Preuve du lemme 3.7.12
1. Une fois que tous les composants sont arrivs il ny a plus de temps mort, aussi on peut
placer les jobs restants dans nimporte quel ordre sans pour autant changer la valeur du
Cmax.
2. Cest une consquence du lemme 3.7.3 car ces jobs ont des ordres agrables.
Lemme 3.7.13 de dominance (dynamique) locales (1, 2 et 3) et globale (4) pour lhypothse
(B) (resp. (C)) :
Pour tout ordonnancement ralisable qui commence par la squence partielle se terminant
linstant t :
1. si t max(Tlast , D1 ) (resp. t Df 1 o Df 1 est lavant dernire tourne) alors les
jobs restant peuvent tre placs dans nimporte quel ordre pour minimiser le critre de
lhypothse (B) (resp. (C)).
2. si D1 t < Tlast et si, la date t, pour deux jobs i et j qui ne sont pas encore placs,
on a, pour tous les composants k pour lesquels ils restent des livraisons aprs t, pi pj et
ai,k aj,k alors placer i avant j lintrieur de la fin de la squence minimise le critre
de lhypothse (B).
3. si Tlast t < D1 (resp. Tlast t < Dd avec d quelconque) et si, pour deux jobs i et j non
encore placs, on a, wi wj et pi pj , alors placer i avant j lintrieur de la fin de la
squence minimise le critre de (B) (resp. (C)).
4. Si, la date t, pour deux jobs i et j non encore placs, on a wi wj , pi = pj et, pour tous
les composants k pour lesquels ils restent des livraisons aprs t, ai,k aj,k placer i avant
j lintrieur de la fin de la squence minimise (B) (resp. (C)).
Preuve du lemme 3.7.13
1. Pour lhypothse (B) aprs D1 tous les jobs sont en retard, aprs Tlast il ny a plus moyen
de minimiser le Cmax. Ainsi, aprs ces deux dates, les jobs non encore placs peuvent tre
squencs les uns aprs les autres sans changer la valeur du critre de (B). Pour lhypothse
(C) tous les jobs placs aprs la date Df 1 sont livrs la date Df , il nest donc pas possible
damliorer la valeur du critre de (C) en cherchant une meilleure squence aprs Df 1 ,
les jobs peuvent donc tre placs dans nimporte quel ordre.
2. Pour lhypothse (B) les jobs excuts aprs la date D1 sont en retard, en revanche on
peut toujours essayer de minimiser le Cmax sil y a encore des livraisons de composant.
Sil y a des jobs non encore placs qui ont un ordre agrable pour minimiser le Cmax,
le lemme 3.7.3 montre que les placer (les jobs avec les ordres agrables) dans lordre des
consommations dcroissantes minimise le Cmax.
3. Pour les hypothses (B) et (C), une fois que tous les composants sont compltement arrivs,
et quil reste des tournes, on cherche minimiser la somme des pnalits des jobs en retard.
Pour cela, sil y a des jobs non encore placs qui ont des ordres agrables pour minimiser
les retards, ceci est une consquence du lemme 3.7.5 car cet instant t il ny a plus de
contrainte dindisponibilit des composants.
114
3.8. Expriences
4. Sil y a un job i qui la fois cre moins de temps morts quun autre job j et qui minimisent la
somme des pnalits des jobs en retard, alors le job i doit tre plac avant j car il minimise
les deux parties du critre (B) et le critre (C). Cette armation est une consquence des
lemmes 3.7.3 et 3.7.5.
Remarque : Pour toutes les hypothses. Pour tout ordonnancement ralisable qui commence
par la squence partielle et qui se termine linstant t : Soit E lensemble dvnements {Eg }
o Eg peut tre une arrive de ressource ou un dpart de camion. Soit Dispok,t la quantit de
ressource k disponible linstant t gale la dirence entre la courbe cumule des arrives de
k, CCAk,t , et la courbe cumule des consommations de k, CCCk,t . Si Eg t Eg+1 et il existe
deux jobs i et j non encore placs tels que ai,k + aj,k Dispok,t et que t + pi + pj Eg+1 alors
lors de lexploration, il sut dexplorer seulement lune des branches entre ij ou ji.
3.8
Expriences
Dans cette section, nous prsentons les rsultats des expriences menes pour lvaluation
des procdures proposes pour la rsolution de nos trois problmes dordonnancement. Nous
commenons cette section en faisant une prsentation rapide des familles dinstances sur lesquelles nous avons eectu les exprimentations. Ensuite, dans la section 3.8.2, nous menons
une premire tude comparative entre les bornes infrieures et les bornes suprieures pour les
hypothses (A), (B) et (C). Enfin, dans la section 3.8.3, nous analysons les rsultats obtenus
avec nos procdures par sparation et valuation pour les hypothses (A), (B) et (C), et nous
comparons les performances du modle linaire en nombres entiers et la PSE pour lhypothse
(A).
3.8.1
Gnration de donnes
Nous faisons des tests sur dirents ensembles dinstances gnres alatoirement. Deux paramtres sont utiliss pour direntier les familles dinstances gnres : la dispersion des arrives
des composants et la position de la livraison fixe D1 pour lhypothse (B). Lhorizon temporel
est estim en utilisant une borne suprieure pour la valeur du Cmax. Concernant la dispersion,
les arrives de composants peuvent tre disperses tout au long de lhorizon temporel (nous
notons cette caractristique par DA) ou relativement groupes au dbut de lhorizon temporel
(not RA). Pour lhypothse (B), la date de livraison fixe est gnre soit vers le milieu de
lhorizon temporel (caractristique note MD) soit aux trois quarts de lhorizon (note GD).
La combinaison de ces caractristiques nous permet davoir quatre familles dinstances notes :
RA/GD, RA/M D, DA/GD et DA/M D. Chaque famille dinstances contient 20 instances avec
n = 10 ou 20 ou 50 jobs. Pour les hypothses (A) et (C) nous regroupons les familles RA/GD
(resp. DA/GD) et RA/M D (resp. DA/M D) dans une seule famille de 40 instances RAD (resp.
DAD). La date de livraison D1 gnre pour chaque instance est ignore pour lhypothse (A)
et pour lhypothse (C) les mmes instances sont utilises pour les test mais avec des dates de
livraison fixes (dans ce cas, nous avons fix le nombre de dparts de camion f 4) rgulirement
espaces sur lhorizon temporel.
Par ailleurs, nous avons gnr les instances pour quil y ait toujours une solution ralisable,
cest--dire que, pour chaque ressource consommable, le besoin total de ressource est toujours
infrieur ou gal la quantit totale de la ressource arrivant la plateforme.
115

Les rsultats que nous prsentons dans ce qui suit, ont t obtenus sur un PC avec un
processeur 2.80 GHz.
3.8.2
Etude comparative des bornes infrieures et des mthodes approches

rapides
Cette section exprimentale compare les performances des bornes infrieures pour les trois
problmes (A), (B) et (C). Les performances des bornes suprieures fournies par les approches
de rsolution rapides sont aussi values par comparaison avec la meilleure borne infrieure pour
chaque critre.
Les bornes infrieures pour le Cmax (ncessaires pour les hypothses (A) et (B)) sont compares dans le tableau 3.4. Pour chaque borne infrieure et pour chaque ensemble dinstances, le
temps moyen de calcul (CP U ) est donn en secondes. La performance est donne dans la colonne
GAP qui contient le pourcentage derreur moyen gal la dirence entre la meilleure borne
infrieure et la borne infrieure courante divise par la valeur de la meilleure borne infrieure,
multipli par 100.
Table 3.4 Comparaison des bornes infrieures pour le Cmax
Ensemble
dinstances
RAD
DAD
LB|AGO|CT
GAP CPU
0.38
0.03
5.07
0.00
LB|IR|CT
GAP CPU
0.07
0.08
0
0.04
LB|IT IR|CT
GAP
CPU
0
0.10
0
0.06
LB|U CA|CT
GAP CPU
0.41
0.02
10.8
0.03
Daprs les rsultats du tableau 3.4, pour toutes les familles dinstances, la meilleure borne
infrieure pour le Cmax est LB|IT IR|CT suivie de LB|IR|CT , puis de LB|AGO|CT et
finalement LB|U CA|CT . Concernant les temps de calcul, ils restent relativement petits. On
remarque que la relaxation entire prend environ trois fois plus de temps que les autres bornes
infrieures.
Dans le tableau 3.5 nous prsentons une comparaison entre les bornes infrieures des temps
morts induits par le calcul des bornes du Cmax avec les direntes techniques.
Table 3.5 Comparaison des bornes infrieures pour IT (H)
Ensemble
dinstances
RAD
DAD
LB|AGO|IT
GAP
16.6
54.6
LB|IR|IT
GAP
2.5
0
LB|IT IR|IT
GAP
0
0
LB|U CA|IT
GAP
19.5
89.9
Nous observons que les carts sont trs grands pour les bornes obtenues avec la technique
des ordres agrables et avec celle des arrives de composant continues. Cet cart est tout de
mme moins important pour les instances o les arrives de composant sont rassembles au dbut de lordonnancement, et o les temps morts associs la rupture de composants sont moins
importants. La borne LB|IR|IT est meilleure que LB|AGO|IT . Cela explique que lamlioration espre, sur la borne du Cmax, en intgrant la contrainte des temps morts au programme
116
3.8. Expriences
linaire de LB|IR|CT est trs faible pour les instances de la famille RAD et nulle pour les
instances de la famille DAD.
La comparaison entre les deux bornes infrieures pour la somme des pnalits des jobs en
retard, wj u
j (ncessaire pour lhypothse (B)), est prsente dans le tableau 3.6.
Table 3.6 Comparaison des bornes infrieures pour la somme des pnalits des jobs
en retard
wj u
j
Ensemble
dinstances
RA/GD
RA/M D
DA/GD
DA/M D
LB|AGOK|ST
GAP CPU
1.68
0.03
0.29
0.04
24.3
0.03
13.7
0.03
LB|IR|ST
GAP CPU
2.00
0.05
0.86
0.05
0.03
0.04
0.07
0.05
LB|IT IR|ST
GAP
CPU
2.00
0.05
0.86
0.05
0.03
0.04
0.07
0.05
Pour nos expriences, les bornes LB|IR|ST et LB|IT IR|ST donnent toujours les mmes
rsultats. Lanalyse de performances montre que la borne LB|AGOK|ST est lgrement meilleure
pour les instances o les arrives de composants sont regroupes, tandis que LB|IR|ST et
LB|IT IR|ST sont considrablement meilleures pour les familles dinstances avec des arrives de composant disperses. La performance de la borne LB|AGOK|ST pour les instances
avec des arrives disperses, nous laisse penser que la borne infrieure pour les temps morts,
obtenue avec les ordres agrables, nest pas bonne pour les cas o les arrives de composants
sont disperses o il risque dy avoir des ruptures de composants plus souvent et donc plus de
temps morts induits qui seraient ngligs par la relaxation des ordres agrables (ceci est confirm
par les rsultats du tableau 3.5). Dans ce cas, et pour le calcul de LB|AGOK|ST , on remplit un
sac dos de capacit beaucoup trop grande par rapport la capacit relle, ce qui justifierait
la mauvaise qualit de cette borne dans ce cas.
Dans le tableau 3.7 nous comparons la meilleure solution obtenue avec les mthodes approches rapides de la section 3.7.2, avec la meilleure borne infrieure pour les critres Cmax,
wj u
j et (1+ wj u
j )Cmax (le critre gnral de lhypothse (B), not CG dans le tableau).
La colonne GAP correspond au pourcentage derreur moyen entre la meilleure borne suprieure
et la meilleure borne infrieure pour chaque famille dinstances. En outre, la colonne BEST H indique le pourcentage de fois o une mthode approche rapide fournit la meilleure solution pour
le critre global. Dans ce tableau seulement le nom des trois meilleures heuristiques (HN D ou
HA, comme dfinies dans la section 3.7.2) est donn, pour les critres de lhypothse (A) et
(B), avec les pourcentages correspondants.
Lvaluation des performances des mthodes approches compares avec les bornes infrieures
montre que lcart pour le Cmax est petit pour la famille dinstances avec des arrives de composant regroupes et moins bon pour les familles dinstances avec des arrives disperses. Une
explication possible est que les temps morts associs aux contraintes de ressources disparaissent
aprs la dernire arrive de composant et lerreur potentielle des mthodes approches sont faits
seulement pour les sous-ensembles de jobs placs dans la premire moiti de lhorizon (avec les
instances darrives regroupes RA). Pour la somme des pnalits des jobs en retard, mme en
prenant en compte les contraintes de ressources, en utilisant une borne infrieure des temps
117

Table 3.7 Comparaison des bornes suprieures et infrieures pour les critres des
hypothses (A) et (B)
Ensemble
dinstances
Cmax
GAP
wj u
j
15.2
RA/GD
CG
BEST H Cmax
Heuristique %BEST
16.2
0.84
RA/M D
9.18
10.9
DA/GD
31.8
39.5
3.71
DA/M D
14.1
20.6
HN D1
19.1
HN D2
16.6
HA1
10.8
HA1
28.8
HN D1
9.6
HA2
5.8
BEST H CG
Heuristique %BEST
HN D2
27.9
HN D4
27.9
HN D3
14.2
HN D2
32.5
HN D4
32.5
HA2
17.5
HA1
15
HA3
15
HN D3
13.8
HA4
22.5
HN D2
20
HN D4
20
morts dans lintervalle [0, D1 ], lcart (GAP) restent assez grands, ce qui induit naturellement
des grands carts pour le critre global. Deux solutions pour rduire ces carts consistent
concevoir des meilleures bornes infrieures ou amliorer les mthodes approches. La premire
possibilit est certainement plus dicile.
Pour lhypothse (C) la comparaison entre les bornes infrieures est prsente dans le tableau
3.8. La performance est donne dans chaque colonne correspond au pourcentage derreur moyen.
Table 3.8 Comparaison des bornes infrieures pour le critre
Ensemble
dinstances
RAD
DAD
LB|AGOK| CT
GAP
CPU
0.67
0.02
13.7
0.02
LB|IR| CT
GAP CPU
0.51
0.04
0.04
0.07
wj Cj
LB|IT IR| CT
GAP
CPU
0.51
0.09
0.04
0.08
En moyenne la borne LB|IT IR| CT est meilleure pour les deux familles dinstances
avec des arrives disperses et regroupes, en particulier elle est meilleure que la borne obtenue
avec les ordres agrables et le sac dos, LB|AGOK| CT , pour la famille RAD pour laquelle
nous supposons quil y a le mme problme destimation de la capacit des sacs dos que lon
rempli. Cette borne est lgrement plus coteuse en temps de calcul que les deux autres.
Comme nous lavons fait pour les critres (A) et (B), dans le tableau 3.9, nous comparons,
pour le critre (C), la valeur de la meilleure solution obtenue avec les mthodes approches
rapides avec la meilleure borne infrieure. Les carts relatifs sont donns pour la somme pondre
des dates de livraison des jobs. De mme les trois meilleures heuristiques sont donnes dans la
colonne BEST H avec les pourcentages de fois o elles ont donn la meilleure solution.
Tout comme pour les autres critres, lcart (GAP) est plus important dans le cas o les
118
3.8. Expriences
arrives de composants sont disperses. Cela est peut tre d, comme avant, la qualit de la
borne infrieure pour les temps morts dans les intervalles [0, Dd ].
Table 3.9 Comparaison des bornes suprieures et infrieures pour le critre de
lhypothses (C)
Ensemble
dinstances
RAD
DAD
3.8.3
GAP
wj Cj
6.87
15.3
BEST H
Heuristique
HN D2
HN D4
HA2
HA2
HA4
HN D2
wj Cj
%BEST
30
30
21.3
24.4
24.4
13.5
Rsultats des mthodes de rsolution exactes
Ici nous valuons les mthodes de rsolution exactes pour les trois problmes dordonnancement tudis. Des procdures par sparation et valuation pour les hypothses (A), (B) et (C)
et un programme linaire en nombres entiers pour (A).
La dure dexcution dune PSE tant gnralement trop importante pour la drouler entirement, nous avons limit le temps dexcution des mthodes 1000 secondes.
A. Rsultats de la minimisation du Cmax
Dans cette partie, nous commenons par comparer les deux mthodes conues pour la rsolution du problme o lon minimise le Cmax. Ensuite, nous comparons les solutions obtenues
avec les bornes infrieures et les mthodes approches pour avoir une meilleure ide de leur
qualit.
Dans le tableau 3.10, nous comparons les performances de la PSE et du programme linaire
en nombres entiers (ILP) introduit dans la section 3.6 pour minimiser le Cmax et rsolu avec le
solveur de programmation linaire CPLEX. Deux paramtres peuvent tre utiliss pour eectuer
cette comparaison, le premier est le temps dexcution et le deuxime la solution obtenue qui
peut ne pas tre optimale car nous limitons le temps dexcution. En plus de la famille dinstances, nous avons choisi de direntier les rsultats selon le nombre de jobs car cela a forcment
une influence sur les temps de calcul. La premire colonne du tableau 3.10 contient la famille
dinstances, la deuxime indique le nombre de jobs. La colonne 3 indique le pourcentage dinstances rsolues loptimalit. Nous notons BEST la meilleure solution obtenue par nimporte
laquelle des deux mthodes PSE ou ILP. Dans la colonne 4 (resp. 5) nous prsentons lcart
relatif moyen entre la solution de la PSE (resp. ILP) et la meilleure solution BEST (optimale ou
pas), cet cart est donn par la moyenne des carts relatifs pour chaque instance donns par :
BEST
SE BEST
100 SOLPBEST
et 100 SOLILP
. Finalement, dans les colonnes 6 et 7 nous indiquons
BEST
les temps moyens dexcution pour la PSE et pour ILP respectivement, ces moyennes sont calcules seulement sur les instances qui ont t rsolues loptimalit par les deux mthodes.
119

Table 3.10 Comparaison des mthodes exactes pour la minimisation du Cmax
Ensemble
dinstances
RAD
DAD
Nombre
de jobs
10
20
50
10
20
50
%
OPT
100
100
100
100
100
53.8
% Ecart/BEST
PSE
ILP
0
0
0
0
0
0
0
0
0.25
0
1.89
0
Temps moyen (s)

PSE
ILP
0.19
0.14
0.09
0.25
10.1
3.77
8.91
0.56
6.83
6.68
37.5
5.70
Les rsultats du tableau 3.10 nous montrent que lexception des instances avec 50 jobs
et avec des arrives de composants disperses (famille DAD), toutes les instances des autres
ensembles ont t rsolues loptimalit par au moins lune de nos deux mthodes exactes. En
particulier, la colonne 5 montre que le programme linaire fournit toujours la meilleure solution.
Notre procdure par sparation et valuation trouve la meilleure solution pour les instances avec
des arrives regroupes (RAD) et toutes les petites instances (i.e. 10 jobs) des familles avec des
arrives disperses (DAD). Nanmoins, en moyenne, les rsultats obtenus avec la PSE se situent
0.25% de la meilleure solution (trouve avec ILP) pour les instances 20 jobs et avec des
arrives disperses, et 1.89% pour les instances 50 jobs et avec des arrives disperses. Bien
que ces pourcentages soient petits, il faut remarquer quil sagit derreurs relatives calcules sur
des chires plutt grands.
Si nous comparons les temps de calcul, nous pouvons observer que la programmation linaire
se rvle plus ecace que la procdure par sparation et valuation, sauf pour les cas avec des
arrives regroupes et 20 jobs. Nous signalons quen gnral les temps de calcul sont trs proches
pour les deux procdures, les grands carts de temps montrs dans la table 3.10 sont souvent dus
aux temps de calcul de quelques instances pour lesquelles notre PSE a une dicult pour prouver
loptimalit des solutions obtenues. De mme, nous avons pu constater quil y a des instances
qui nont pas t rsolues loptimalit par la PSE (excution arrte 1000 secondes), pour
lesquelles la borne infrieure base de relaxation entire a une dicult particulire prouver
loptimalit dune solution des sous-problmes associs aux nuds de larbre dexploration. Nous
pourrions essayer de refaire des expriences sur ces instances en faisant appel moins souvent
cette borne qui, bien que plus ecace, se rvle trs coteuse pour ces cas.
120
3.8. Expriences
Table 3.11 Evaluation des bornes infrieures et des mthodes approches par
rapport la meilleure solution obtenue pour la minimisation du Cmax
Ensemble
dinstances
RAD
DAD
Nombre
de jobs
10
20
50
10
20
50
% Ecart/BEST
LB
UB
1.60
0.53
0.39
0.00
0.05
0.20
5.07
0.03
1.24
1.84
0.26
2.81
% Proximit
LB
UB
28.6
71.4
0
100
100
0
25
75
62
38
92.3
7.7
Dans le tableau 3.11 nous faisons une comparaison entre les bornes infrieures ou les bornes
suprieures obtenues avec la meilleure mthode approche et la meilleure solution connue. Dans
la troisime colonne nous donnons lcart relatif entre la meilleure borne infrieure et BEST
(optimal ou pas) et dans la quatrime colonne entre la meilleure mthode approche et BEST.
En complment de cette information, dans les colonnes % Proximit nous indiquons le pourcentage de fois o la meilleure solution est plus proche de la borne infrieure (colonne 5) et plus
proche de la borne suprieure (colonne 6).
Nous ne pouvons pas dgager une tendance gnrale pour lecacit des bornes infrieures
et suprieures. Dans tous les cas, la meilleure solution obtenue est infrieure celle fournie par
la meilleure mthode approche, lexception de la famille dinstances RAD et 20 jobs o les
deux solutions sont toujours gales et o les bornes suprieures fournissent toujours loptimum
puisque toutes les instances de cette famille ont t rsolues loptimalit (c.f. tableau 3.10).
Pour les instances les plus grandes (avec 50 jobs) les bornes infrieures semblent plus ecaces
contrairement aux rsultats des petites instances o les mthodes approches sont plus proches
de la solution optimale.
B. Rsultats de la minimisation de (
wi u
i + 1) Cmax
Dans cette partie, nous valuons les performances de la procdure par sparation et valuation
pour le problme dordonnancement de lhypothse (B). Contrairement au cas de la minimisation
du Cmax, ici nous navons pas la possibilit de comparer les performances de la PSE avec des
approches plus ou moins performantes. Pour cette raison, le tableau 3.12 fournit uniquement
les carts relatifs de la meilleure borne suprieure ou la meilleure borne infrieure et la solution
obtenue avec la procdure par sparation et valuation. Dans la troisime colonne du tableau,
nous indiquons les pourcentages dinstances de chaque groupe rsolues loptimalit. Puis,
comme pour lhypothse (A), les colonnes %Proximit indiquent, pour chaque groupe de
donnes, le pourcentage de fois o la meilleure solution connue SOL est plus proche de la borne
infrieure ou de la borne suprieure.
121

rapport la meilleure solution obtenue pour la minimisation de ( wi u

i + 1)Cmax
Ensemble
dinstances
RA/GD
RA/M D
DA/GD
DA/M D
Nombre
de jobs
10
20
50
10
20
50
10
20
50
10
20
50
%
OPT
100
14.3
0
100
14.3
33.3
85.7
0
0
100
14.3
0
%Ecart/SOL
LB
UB
23.9
4.93
5.73
4.21
5.66
4.31
12.8
7.08
6.98
0.97
1.72
0.70
33.32
12.38
23.04
7.06
34.11
1.86
13.32
3.25
12.2
6.08
21.95
3.08
% Proximit
LB
UB
0
100
42.9
57.1
28.6
71.4
42.9
57.1
0
100
0
100
14.3
85.7
14.3
85.7
0
100
16.7
83.3
42.9
57.1
0
100
Nous pouvons constater que la PSE a des dicults pour rsoudre loptimalit les instances de 50 jobs (en un temps limit 1000 secondes), aucune instance de cette taille na t
rsolue loptimalit. Nanmoins, on observe quen moyenne la meilleure solution obtenue par
les mthodes approches est amliore jusqu 12.38% par la PSE pour des petites instances (c.f.
colonne %Ecart/SOL (UB)). De mme, les colonnes %Proximit indiquent que les solutions
obtenues par la PSE sont toujours plus proches des bornes suprieures.
Puisque pour ce problme, exception des instances 10 jobs, nous navons pas avec certitude
la solution optimale, nous ne pouvons pas juger la qualit des bornes infrieures et suprieures.
Nous pouvons dire, par exemple, que la meilleure borne infrieure se situe au plus un pourcentage de la solution optimale 33.3% pour les jobs 10 instances, 23.01% pour les jobs 20
instances et 34.1% pour les jobs 50 instances.
C. Rsultats de la minimisation du
wi Ci
Tout comme pour lhypothse (B), pour la minimisation de la somme pondre des dates des
livraisons, nous ne pouvons pas comparer les solutions obtenues par la PSE avec des mthodes
autres que les mthodes approches et les bornes infrieures. Nous retrouvons dans le tableau
3.13 les mmes lments que dans le tableau 3.12.
122
3.9. Conclusion du chapitre

rapport la meilleure solution obtenue pour la minimisation de

wi Ci
Ensemble
dinstances
RAD
DAD
Nombre
de jobs
10
20
50
10
20
50
%
OPT
100
21.4
0
100
35.7
0
%Ecart/SOL
LB
UB
9.25
3.15
4.11
1.31
2.11
0.47
14.1
5.17
7.64
5.17
11.24
1.51
% Proximit
LB
UB
7.7
92.3
14.3
85.7
15.4
84.6
23.1
76.9
42.9
57.1
7.7
92.3
Les conclusions sont peu prs les mmes que pour les deux autres hypothses. A lexception
des instances 10 jobs, les rsultats nous indiquent seulement que la solution fournie par la
procdure par sparation et valuation aprs 1000 secondes est meilleure que la meilleure solution
obtenue par les mthodes approches. Pour les groupes o toutes les instances ont t rsolues
loptimalit (i.e. instances avec 10 jobs) nous savons certainement que la solution optimale
est 9.25% (en moyenne) de la borne infrieure pour les familles avec des arrives regroupes
et 14.1% pour les familles avec des arrives disperses, ce qui nous confirme que les bornes
infrieures ne sont pas trs bonnes. Par ailleurs, de manire gnrale, les solutions obtenues sont
plus proches des bornes suprieures que des bornes infrieures. Cela est peut-tre d au temps
dexcution de la PSE qui est plutt court pour la rsolution dinstances 50 jobs, et o la
solution nest pas beaucoup amliore.
3.9
Conclusion du chapitre
Nous tudions dans ce chapitre de nouveaux problmes dordonnancement qui peuvent apparatre dans des nuds de la chane logistique tels que les plateformes de distribution et les
entrepts. Ces problmes combinent deux familles de problmes dordonnancement connus mais
(notre tude bibliographique le montre) pas excessivement tudis, des problmes avec des arrives de ressources consommables et des problmes avec des dates fixes de tournes dexpdition
et mme potentiellement une tourne flexible la fin de lordonnancement. Nous considrons
trois problmes dont les caractristiques dpendent de la manire dont les livraisons aux clients
seectuent. On a suppos par exemple quil y a une seule livraison flexible la fin de lordonnancement, ce qui nous conduit minimiser la dure totale dordonnancement (Cmax). En nous
basant sur lapplication industrielle dune plateforme de prparation de magazines, nous avons
conu un deuxime problme o une livraison fixe et une livraison flexible sont considres. Finalement, nous avons gnralis le problme plusieurs livraisons fixes et minimisons la somme
pondre des dates de livraison.
Comme la montr notre tude bibliographique, aucune mthode de rsolution navait t
propose jusqu maintenant pour ces problmes particuliers qui sont NP-diciles. Nous avons
choisi de concevoir des algorithmes de rsolution exacts, des procdures par sparation et valuation, pour chaque problme pour rsoudre des instances de taille rduite, mais qui nous
permettraient dvaluer les solutions obtenues par les mthodes approches souvent utilises
pour des problmes de taille industrielle.
123
Plusieurs mthodes approches rapides base dalgorithmes de listes pour obtenir des bonnes
solutions initiales pour les PSE ont t conues. Par ailleurs, nous proposons des bornes infrieures pour les trois problmes, elles sont obtenues base de dirents types de relaxations :
ordres agrables, relaxation entire. Finalement, quelques rgles de dominance ont t dgages et utilises dans des procdures par sparation et valuation avec un schma de sparation
classique. Nous avons aussi propos un modle linaire en nombres entiers pour le problme le
plus simple qui minimise le Cmax.
Les bornes infrieures et les mthodes approches sont values dans une srie dexpriences
eectues sur des familles dinstances gnres alatoirement. Les procdures par sparation et
valuation ont t testes sur lensemble dinstances. De mme, le modle linaire en nombres
entiers propos pour la minimisation du Cmax. En conclusion, pour le problme de minimisation du Cmax le modle linaire se rvle plus ecace que la procdure par sparation et
valuation. De manire gnrale les PSE ont des dicults pour rsoudre des instances de taille
suprieure 10, nous pensons que le cot des bornes infrieures qui rsolvent des programmes linaires avec CPLEX, est trs pnalisant pour les performances des PSE pour les trois problmes
dordonnancement.
Les familles dinstances gnres sont direnties par les valeurs des paramtres choisis pour
leur gnration, savoir la faon dont les arrives de composants sont faites et la date de livraison fixe pour lhypothse (B), ces paramtres nous permettent de distinguer les instances en
fonction de leur dicult et dinterprter les rsultats selon leurs caractristiques.
Plusieurs extensions nos problmes sont discutes dans les perspectives de cette thse.
124
Chapitre 4
Conclusion Gnrale et Perspectives

Nous commenons cette partie par donner une synthse gnrale des travaux dvelopps
dans cette thse. Plusieurs perspectives nos travaux sont donnes par la suite.
Contents
4.1
4.2
Synthse des travaux . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2.1 Perspectives concernant la planification des plateformes . . . . . . . . .
4.2.2 Perspectives concernant lordonnancement de plateforme . . . . . . . . .
4.2.3 Perspectives concernant lintgration des deux niveaux temporels . . . .
125
126
127
128
129
130
Chapitre 4. Conclusion Gnrale et Perspectives
4.1
Synthse des travaux
Les travaux que nous venons de prsenter nous permettent dtudier les plateformes logistiques sous un nouveau point de vue. Nous avons abord deux problmes, un au niveau de
la planification, lautre au niveau de lordonnancement, qui ont t ngligs dans ce type de
structure et qui rpondent des applications industrielles. Le premier problme est celui du
lissage de charge pendant les priodes de pointe dans les plateformes logistiques ; le deuxime
problme, motiv par les caractristiques de la plateforme de notre application industrielle,
consiste ordonnancer les travaux au sein dune plateforme de prparation de commande qui a
des contraintes de ressources consommables (ou non renouvelables) et des contraintes lies aux
tournes dexpdition, et qui induisent des problmes trs particuliers.
Puisque le problme de lissage de charge est susceptible dapparatre aussi dans des systmes
tels que les centres de production, et dans le but de positionner notre problme et didentifier
les ventuelles solutions proposes dans la littrature ce problme, dans le premier chapitre
nous avons dress un panorama des problmes de dcision dans la gestion de production et
dans le contrle des flux dans un systme de production en gnral, et sur les problmes doptimisation abords dans la littrature pour les entrepts et plateformes logistiques en particulier.
Dans le deuxime chapitre, nous avons trait le problme de lissage de charge dans une plateforme logistique dans un cadre industriel o des variations saisonnires importantes des flux
induisent des cots supplmentaires importants. Dans un premier temps, nous avons valu les
mcanismes daction face cette problmatique et avons choisi ceux qui taient le plus en accord
avec notre application industrielle, savoir : accepter des ngociations avec les partenaires en
amont et en aval de la plateforme, et utiliser au maximum la flexibilit des ressources humaines
de la plateforme, ou embaucher du personnel intrimaire, et ce dans lobjectif premier de lisser
la charge pour rduire les cots de personnel. Ensuite, nous avons fait un bilan de ltat de
lart concernant le lissage de charge, les mcanismes de ngociation et la gestion des ressources
humaines dans les centres de production et les entrepts. Cette tude bibliographique, complmentaire celle du chapitre 1, nous a permis de constater que le problme de lissage de charge na
pas fait lobjet de recherches concernant les plateformes logistiques tout en prenant en compte les
contraintes et les caractristiques particulires de lorganisation interne du travail (par rapport
au type doprations qui y sont excutes, assemblage, dballage, contrle, etc.) et les spcificits de la main duvre. Nous avons propos deux modles linaires, agrgs au niveau de la
planification, (assez gnriques pour tre appliqus des centres de production par exemple) qui
considrent deux types de ngociations direntes concernant les dates et les quantits prvisionnelles des livraisons des fournisseurs et des clients, avec des pnalits davance et de retard. Nos
modles sont capables de considrer direntes catgories de personnel, de prendre en compte
dirents agencements physiques (une plateforme qui ne fait que du cross-docking par exemple)
tout en intgrant plusieurs hypothses de fonctionnement de la plateforme, comme par exemple
autoriser des heures supplmentaires et limiter les avances et les retards. Finalement, nous avons
test nos modles avec des ensembles dinstances gnres alatoirement, mais qui sont bases
sur des scnarios de lapplication industrielle de notre problme. Nos rsultats montrent lintrt
des deux types de ngociations pour le lissage de charge. Cependant il est dicile de tirer des
conclusions catgoriques sur nos comparaisons exprimentales car les rsultats dpendent fortement des donnes utilises pour gnrer les instances. Les travaux prsents dans ce chapitre,
on fait lobjet de deux communications des confrences internationales Carrera et al. [29] et
Carrera et al. [30].
126
4.2. Perspectives
Le troisime chapitre se positionne au niveau oprationnel. Nous nous intressons aux problmes dordonnancement plus particulirement associs aux plateformes logistiques. Spcifiquement nous y avons tudi le problme dordonnancement de prparation de commandes
pour dirents clients avec des contraintes darrive de composants en forme descalier (notes
Stair(nc)) et des tournes de camion dexpdition aux clients des dates fixes (Dd ) ou non
fixe (Cmax). Nous avons commenc en identifiant les direntes particularits de ce problme
en nous basant sur des applications industrielles, la premire application correspond la plateforme de distribution de chaussures SAVAT qui a motiv notre travail au niveau tactique, la
deuxime application correspond une plateforme de distribution de magazines. Ensuite, nous
avons fait une analyse de ltat de lart concernant lordonnancement qui prend en compte les
ressources consommables (correspondant aux arrives en escalier des composants) et les dates
de livraison fixes. Suite cette analyse nous avons observ que ces deux hypothses navaient
pas t tudies simultanment, au moins pour des problmes dordonnancement. La synthse
des rsultats de complexit pour lordonnancement avec ces deux caractristiques montre que
les deux problmes sont NP-diciles (ds quil y a une machine pour lordonnancement avec des
ressources consommables), avec lexistence de quelques cas particuliers polynomiaux. Selon la
manire dont lexpdition se fait (une livraison flexible, deux livraisons : une fixe et une flexible,
plusieurs livraisons fixes et pas de livraison flexible), nous avons dgag trois problmes (NPdiciles) dordonnancement de prparation de commande, tous avec des arrives de composant
en forme descalier. Nous nous sommes volontairement limits des problmes dordonnancement une machine car notre objectif tait de fournir une premire base thorique pour notre
tude, qui peut prsenter de nombreuses variantes et applications. Nous montrons dans les perspectives comment quelques extensions pourraient facilement tre introduites dans notre modle
gnrique.
Nous avons propos un modle linaire en nombres entiers pour le cas le plus simple, il est rsolu
avec un logiciel de programmation linaire (ILOG CPLEX). Nous avons propos des mthodes
de rsolution exactes de type procdure par sparation et valuation (PSE) avec des schmas de
sparation classiques. Des mthodes approches rapides base de listes construisant des ordonnancements actifs et sans dlais ont t conues pour obtenir des bornes suprieures pour nos
problmes. Nous avons galement conu des bornes infrieures laide de trois types de relaxations : ordres agrables, relaxation entire (interruptibilit autorise) et relaxation continue
pour les arrives des composants. En outre, des rgles de dominance principalement bases sur
des proprits agrables des jobs ont t dgages. Dans la partie exprimentale, tous les lments de nos PSE ont fait lobjet dtudes comparatives sur des familles dinstances gnres
alatoirement qui cherchent reprsenter des situations ralistes. Les travaux prsents dans ce
chapitre ont fait lobjet de deux communications des confrences internationales Carrera et al.
[32] et Carrera et al. [31].
4.2
Perspectives
Dans cette section nous prsentons des ides dextensions possibles nos problmes de planification et dordonnancement de plateformes. Nous distinguons les pistes de recherche pour les
niveaux tactique et oprationnel, mais aussi pour les techniques de rsolution comme pour les
extensions des problmes traits. Nous dcrivons une une les pistes et nous essayons de donner
quelques premiers lments de rponse
127
4.2.1
Perspectives concernant la planification des plateformes
Extensions des problmes de planification

Un certain nombre dextensions immdiates nos modles linaires, pour les rendre plus
ralistes, peuvent tre dgages, mais elles entraneraient la rsolution de problmes sous-jacents
qui rendraient trs complexes nos modles de rsolution, par exemples :
dterminer laectation dtaille des ressources humaines aux oprations ou encore embaucher le personnel temporaire uniquement pour des priodes contigus minimales ou
gales des multiples de priodes, ce qui inclut des contraintes qui peuvent tre considres comme plus ralistes. Pour la premire proposition, il faudrait intgrer un problme
dordonnancement de personnel au sein de la mthode de rsolution du problme de planification,
avoir plusieurs quais de chargement et de dchargement (avec un problme daectation
des quais aux camions, Baptiste et Maknoon [7], Yu et Egbelu [159], Boysen et al. [19]),
prendre en compte les problmes de transport associs la distribution en amont et en
aval : constitution de tournes de vhicule dont les contraintes sont prendre en compte
explicitement dans les modles (Viswanathan et Mathur [151], Chandra [33]),
donner de la flexibilit quant au nombre de livraisons (pour linstant ce nombre est fixe),
on pourrait faire cela en autorisant lclatement de livraisons ou en permettant quune
livraison soit supprime, dans ce cas il faudrait prendre en compte le cot de transport
dans la fonction objectif (ce qui serait le cas si jamais on dcidait dintgrer la planification
de tournes, Lee et al. [96], Chen et al. [38]).
Cependant, les modles obtenus seraient trs compliqus et probablement pas vidents utiliser. Une piste intressante serait que des mthodes de dcomposition itratives qui combinent
nos modles de planification avec des procdures ecaces pour les problmes sous-jacents, et qui
amliorent de manire alternative, par exemple le calcul de tournes de vhicule et le planning
des livraisons et la planification des travaux sur les plateformes.
Dans le chapitre traitant le problme de planification nous avons utilis une approche de
ngociations o la plateforme logistique prend les dcisions de manire unilatrale (approche
distribue), nous avons essay nanmoins de prendre en compte les contraintes imposes par les
partenaires en amont et en aval de la plateforme en intgrant des intervalles o les livraisons
pouvaient tre eectues, et en utilisant des pnalits pour tout type de dcalage par rapport
la planification prvisionnelle. Cependant, nous ne pouvons pas modliser rellement les consquences du planning obtenu chez les partenaires. Une premire ide dextension de notre tude
est dintgrer les outils dvelopps ici dans une chane logistique plusieurs niveaux (ventuellement avec plusieurs lments par niveau) de manire simuler des scnarios de ngociation
entre partenaires dans le cadre de prises de dcision semi-distribues ou distribues. La thse de
Latifa Ouzizi [113] considrait dj des modles de ngociation partiellement centraliss pour le
niveau tactique mais en considrant seulement des centres de production avec des modles linaires plus simples. Il serait intressant dintgrer ses modles de simulation dautres lments
de la chane logistique, autres que les centres de production, avec toutes leurs spcificits. Cela
pourrait fournir de puissants outils daide la dcision pour la prise de dcisions totalement
distribues ou semi-distribues.
128
4.2. Perspectives
4.2.2
Perspectives concernant lordonnancement de plateforme
Extension des problmes dordonnancement

Plusieurs extensions immdiates peuvent tre faites aux problmes dordonnancement de
plateforme de prparation de commandes, prsents dans le chapitres 3. Dans ce qui suit, nous
les numrons une une et nous expliquons comment les lments de la PSE (bornes infrieures,
mthodes rapides approches et schma dexploration) doivent tre modifis pour prendre en
compte ces extensions.
La premire extension laquelle nous avons pens, est dintgrer des dates, pour chaque job,
partir desquelles les jobs peuvent tre excuts (ready dates en anglais, et notes ri pour
le job i). Avant cette date, mme si les composants ncessaires lexcution du job sont disponibles, le job i ne pourra pas tre trait. Lutilisation de nos modles dordonnancement pour les
trois problmes avec ces dates est quasi immdiate. Pour les bornes infrieures, aussi bien celles
construites avec des ordres agrables (les ri sont tris dans lordre croissant) que celles obtenues
avec les relaxations entires (les ri sont intgrs lensemble dvnements). Pour les bornes
suprieures et pour la procdure par sparation et valuation, il sut dintgrer lexistence des
ri dans le sous-programme de construction dordonnancement sans dlai (resp. actif) en ajoutant
la squence partielle sans dlai (resp. active) un job dont la date ri est infrieure la date courante (resp. la date de fin au plus tt dun job non encore place). Par ailleurs, il faut aussi prvoir
la gnration des ri pour les instances, plus ces dates seront disperses et plus la PSE aura de
chance dtre rapide car le nombre de possibilits chaque tage de larbre de recherche diminue.
La deuxime extension consiste utiliser des machines identiques en parallle (ce qui est
intressant, par exemple, pour lapplication de la plateforme de prparation de paquets de magazines). Pour cette extension, il ny a pas vraiment de dicult technique. Pour les bornes
infrieures avec les ordres agrables nous pourrions utiliser une macro-machine fictive o les
dures seraient divises par le nombre de machines. Pour les bornes infrieures calcules avec les
relaxations entires il faudrait introduire des variables qui dpendent aussi de la machine o les
portions de jobs sont excutes. En outre, pour la relaxation entire on peut mme considrer des
machines vitesses proportionnelles ou des machines non relies. Pour ladaptation des bornes
suprieures au cas avec des machines parallles, on pourrait, par exemple placer toujours les jobs
sur la premire machine disponible. Adapter le schma dexploration de la procdure par sparation et valuation, est plus compliqu, il faudrait considrer des ordonnancements partiels sur
chaque machine et bien sr la taille de larbre dexploration augmente de manire combinatoire.
Finalement, pour les rgles de dominance, nous avons montr que selon les caractristiques des
jobs il est intressant de placer certains jobs avant dautres dans lordonnancement pour le cas
une machine. Pour le cas plusieurs machines, ces rgles devraient tre toujours respectes dans
les squences partielles de chaque machine, et aussi si par exemple selon une rgle de dominance
i prcde j, alors on devrait sassurer que le temps de dbut de i est infrieur au temps de dbut
de j mme sils ne sont pas traits sur la mme machine.
La troisime perspective dextension de nos modles peut tre daccepter linterruptibilit de
lexcution des jobs. Pour le cas o il y a seulement une livraison flexible la fin de lordonnancement (hypothse (A), minimisation du Cmax), le problme a dj t tudi par Slowinski
[136] et il devient polynomial (c.f. de Werra [51]). Pour les problmes des hypothses (B) et (C)
cette extension est intressante, car, notre connaissance la complexit du problme dordon129

nancement avec des dates de livraison fixes et avec interruptibilit na pas t tudie par Hall
et al. [77].
4.2.3
Perspectives concernant lintgration des deux niveaux temporels
Dans le cadre de la thse, une autre perspective, pourrait tre de proposer des simulations
qui intgreraient la rsolution des problmes dordonnancement sur des sous-horizons et sur des
donnes plus prcises de manire vrifier la faisabilit des solutions de planification. Cela na
pas t possible dans la thse pour deux raisons. Le passage de donnes agrges des donnes dtailles et rciproquement est un problme dicile pour lequel il nexiste pas, notre
connaissance, de solutions pertinentes et utilisables. En outre, les problmes dordonnancement
de plateforme que nous avons considrs prennent bien en compte les caractristiques amont
et aval des plateformes ainsi que la prparation de commandes, comme notre modle de planification, mais nous ny avons pas intgr de contraintes cumulatives associes aux ressources
humaines et leur ecience. Nous aurions pu le faire en abandonnant la piste des PSE et en
nous tournant vers, par exemple, des mtaheuristiques, piste trs dirente complmentaire de
ce qui a t dvelopp dans cette thse.
130
Annexes
1
Gnration des donnes pour le problme de planification
Dans cet annexe, nous expliquons comment nous avons gnr les paramtres ncessaires
pour lvaluation des modles linaires pour la ngociation des dlais et pour la ngociation des
dlais et des quantits dcrits dans les sections 2.5.2 et 2.5.3 respectivement.
La gnration de donnes se fait en trois tapes. Pour une instance quelconque, nous commenons par gnrer une premire srie de paramtres de manire alatoire (i.e. dans un intervalle
selon une loi uniforme ou entre les direntes valeurs que le paramtre peut prendre). Ensuite,
nous vrifions la conformit des paramtres gnrs et les modifions pour obtenir des produits
plus htrognes. Enfin, nous gnrons les donnes associes aux caractristiques des produits
comme les temps de traitement et les ecacits des direntes catgories de personnel.
Dans les sections qui suivent, des tableaux rcapitulatifs indiquant si les paramtres sont
gnrs (g), lus dun fichier contenant les caractristiques de lagencement de plateforme choisi
() ou calculs partir dautres paramtres (c).
1.1
Gnration des donnes pour la ngociation des dlais
Pour commencer, les principales entits telles que les nombres doprations, de livraisons, de
produits, de zones de stockage, etc. sont prsentes. Ensuite, nous expliquons la gnration des
autres paramtres.
g//c
g
g
g
g
g
c
Indice Ensemble Caractristiques
dure dune priode, elle peut tre une journe (8-10 heures) ou
une demi-journe (4-5 heures)
H
horizon de temps gal six semaines
nth
dduit de et de H
z
NZ
donn par lagencement de plateforme choisi
w
NW
six ou neuf catgories
p
NP
entier dans [6, 10]
o
NO
donne par lagencement de plateforme choisi
du
N DU
entier dans [15, 20]
dd
N DD
entier dans [15, 20]
a
NA
dduit du nombre doprations de la plateforme et du nombre
de livraisons
131
Annexes
g//c
Stocks
g
c
Paramtre
et Produits
V Pp
V Zz
SIp,z
LZEa,z
c
PC
Nomenclatures
c
P a(o), P d(o)
c
Ao,p , Do,p
c
o,p,pi , o,p,pi
Avances et Retards
g
T Sd
Caractristiques
dans (0,1] pour chaque p
calculs sur le volume moyen de produits qui passe par la plateforme
sur H
les stocks initiaux sont fixs zro pour toute zone de stockage z
donne par lagencement de plateforme choisi
dtermin selon les caractristiques des produits
dduits selon P C
calculs selon les caractristiques des produits
dduits des caractristiques de p et de pi
dans lintervalle [0, H/2] pour les livraisons fournisseurs et dans [0, H]
pour les livraisons aux clients
g
QPd,p
gnres alatoirement sachant quil doit y avoir environ 1000000 de
produits passant par la plateforme sur H.
M AXEd
zro, une ou deux priodes selon lhypothse de fonctionnement de la
plateforme
M AXTd
zro, une ou deux priodes
g
ECd
dans lintervalle des cots dembauche de personnel, cette pnalit est
plus grande pour les fournisseurs que pour les clients
c
T Cd
dduit partir des pnalits davance
Organisation des flux : premire possibilit
nd(z), Zd(z) donn par lagencement choisi
P erz,z , Oz,z donn par lagencement choisi

Organisation des flux : deuxime possibilit
T Zz
correspond la dernire priode de lhorizon temporel
SZ
donn par lagencement de plateforme choisi
Main duvre
g
Ew,o,p,
les intervalles dpendent des catgories dans [0.4 1 , 0.6 2 ) pour
les dbutants, dans [0.6 1 , 0.8 2 ) pour les moyens et dans
[0.8 1 , 1 2 ] pour les experts. 1 et 2 dpendent des caractristiques supplmentaires des catgories (force, astuce)
P ESo
zro par dfaut pour toute opration o
c
M AXT W
gal
c
N ORM nrhw,t calcul sur une estimation de la charge journalire de la plateforme,
qui est satisfaite par une seule catgorie de personnel w avec une
matrice decacit gale la moyenne des ecacits de toutes les
catgories par produit et par opration. Nous estimons la quantit de
personnes par priode. Cette quantit est ensuite divis alatoirement
entre les six ou neuf catgories.
c
HSDw,t
dduit de N ORM nrhw,t et dun pourcentage dheures supplmentaires par individu qui dpend de (dans la thse nous avons utilis
0.1 ).
c
CU HSw
calcul avec la fonction croissante CU HSw = 10 + 15 (w 1) pour
w {1, . . . , nw}
132
2. Synthse des rsultats de complexit des problmes dordonnancement

Main duvre (suite)
c M AXnrhw,t
correspond 1.8 N ORM nrhw,t
c CU nrhw,t
plus cher que de faire travailler une personne de la catgorie immdiatement
suprieure travaillant toute une priode au prix des heures supplmentaires
CU nrhw,t = CU HSw+1 M AXT W
Autres :
g T Uo,p
gnr de manire alatoire entre 1 et 5 minutes, une fois que les caractristiques des produits sont fixes.
1.2
Gnration des donnes pour la ngociation des dlais et des quantits
Tous les paramtres supplmentaires pour le modle avec des ngociations des dates et des
dlais, prsent dans la section 2.5, sont calculs partir des paramtres gnrs pour le modle
de lissage de charge avec des ngociations des dates. Nous donnons quelques prcisions sur la
manire dont nous avons eectu les calculs.
g//c Notation Description
Paramtres associs aux familles de produits
c
QP Up
gale dN DU QPp,d
c
QP Dp
gale dN DD QPp,d
c
QLLd,p
correspond un pourcentage de la quantit pr-ngocie de p dans la
livraison d, ici QLLd,p est gal 0.4 QPd,p
c
QU Ld,p
gal 1.6 QPd,p
Paramtres associs aux livraisons en amont et en aval
c
EU CCp,t gale la courbe cumule des arrives (resp. dpart) de produit p o les
(resp.
dates des livraisons d N DU (resp. d N DD) des fournisseurs (resp.
EDCCp,t ) clients) ont t avances de M AXEd priodes (par rapport leurs dates
souhaites T Sd ) et les quantits livres avec d sont gales aux bornes
suprieures QU Ld,p
c
LU CCp,t gale la courbe cumule des arrives (resp. dpart) de produit p o les
(resp.
dates des livraisons d N DU (resp. d N DD) des fournisseurs (resp.
LDCCp,t ) clients) ont t retardes de M AXEd priodes (par rapport leurs dates
souhaites T Sd ) et les quantits livres avec d sont gales aux bornes
infrieures QLLd,p
c
N U CCp,t gale la courbe cumule obtenue avec les dates et quantits pr
(resp.
ngocies t =1 dN DU :T Sd = QPd,p (resp. t =1 dN DD:T Sd = QPd,p )
N DCCp,t )
c
M Cp
gal au cot moyen associ une unit de produit p quand il arrive une
(resp.
priode en avance (resp. en retard) par rapport la date pr-ngocie
LCp )
Synthse des rsultats de complexit des problmes dordonnancement
Nous prsentons dans cette annexe une synthse des rsultats de complexit connus pour le
problme dordonnancement avec des ressources consommables et pour le problme dordonnancement avec des dates de livraison fixes.
133
Annexes
2.1
Complexit des problmes dordonnancement avec des ressources consommables
Nous commenons par analyser les problmes qui minimisent le Cmax, puis le nombre de
tches en retard ui et la somme des retards Ti , nous terminons par parler rapidement de
la complexit de la minimisation dautres critres dans ce contexte.
Minimisation du Cmax
La figure 1 rsume les rsultats de complexit du problme dordonnancement tches non
interruptibles avec des ressources consommables (Stairs(nc)) pour minimiser la dure totale
de lordonnancement (Cmax), obtenus par Carlier et Rinnooy Kan [28], ainsi que quelques cas
polynomiaux que nous avons dgag. De manire gnrale, les problmes deviennent NP-diciles
au sens fort quand les dures des jobs sont quelconques.
Un cas particulier apparat lorsque la (ou les) ressources consommables arrivent de manire
continue (Cont(nc)) un taux k pour la ressource k. Ce cas a t tudi par Toker et al. [146]
et par Xie [156]. Les rsultats de complexit pour ces problmes sont prsents dans la table 1.
Nous donnons les notations des problmes dordonnancement (selon la classification de Graham
et al. [70]) et leurs complexits.
Table 1 Complexit des problmes avec des ressources consommables arrivant de
manire continue pour la minimisation du Cmax
Problme
1/Cont(1) : 1 = 1, pi , ai /Cmax
1/Cont(nc) : k = 1, pi , ai,k /Cmax
1/Cont(nc) : k = 1, pi , ai,k = ak /Cmax
Complexit
O(n log(n))
O(nc n log(n))
O(n log(n)), ordre lpt optimal
Ces rsultats peuvent tre gnraliss au cas o les taux darrive sont dirents de 1, k = 1
et dirents pour chaque composant. Les problmes obtenus restent polynomiaux.
Minimisation de
ui et de
wi ui
Dans cette partie, nous prsentons la complexit de problmes dordonnancement, tches

non interruptibles, du nombre de tches en retard avec une ressource consommable (Carlier et
Rinnooy Kan [28] et Gafarov et Lazarev [62]). Ici, on suppose que chaque job i a une date due
di laquelle son excution devrait tre finie, ventuellement des ready dates peuvent tre
considres. Dans la table 2, nous indiquons les problmes tudis ainsi que leur complexit.
Pour la somme pondre des tches en retard, Carlier et Rinnooy Kan [28] montrent que
mme pour le cas sans ressource renouvelable (i.e. sans machine) et o les dures pi sont gales
1, ce problme est NP-dicile au sens faible. Par ailleurs, ils dmontrent que le problme
P m/pi = 1, di , ai = 1/ wi ui peut tre rsolu avec des mthodes de flot cot minimum.
Minimisation de
Ti
Rcemment, Gafarov et Lazarev [62] ont tudi le problme de minimisation de la somme

totale des retards avec une ressource consommable arrivant en forme descalier. Le tableau 3
synthtise les principaux rsultats.
134
Figure 1 Complexit des problmes avec des ressources consommables pour minimiser le
Cmax
135
Annexes
Table 2 Complexit des problmes avec une ressource consommable pour la
minimisation du nombre de tches en retard
Problme avec Stairs(1)
1/pi , di , ai / ui
1 ou P m/pi = 1, di , ai / ui
1 ou P m/pi , di = d, ri , ai / ui
1/pi , di , ri = 0, ai / ui
1 ou P m/pi = 1, di , ri , ai / ui
1/pi = 1, di , ri = 0, ai / ui
1/pi , di , ai / wi ui
Complexit
NP-dicile au sens fort
ouvert
NP-dicile
NP-dicile
O(n log(n))
Table 3 Complexit des problmes avec une ressource consommable pour la

minimisation de la somme des retards
Problme avec Stairs(1)
1/pi , di = d, ai / Ti
1/pi , di , ai = a/ Ti
1/pi = p, di , ai / Ti
1/pi , di = d, ai = a/ Ti
Complexit
NP-dicile
NP-dicile
NP-dicile
Les auteurs ont tudi deux cas particuliers. Le premier est un cas o les jobs satisfont des
ordres agrables o lordre croissant des consommations (ai ) est gal lordre croissant
des dates dues (di ), dans ce cas, il sut de placer les jobs dans cet ordre pour minimiser la
somme des retards (algorithme en O(n log(n))).
Le deuxime cas suppose que une unit de ressource arrive chaque instant, les auteurs
notent ce problme 1/Stair(1) : 1 = 1, pi , di , ai / Ti et montrent que ce problme est NPdicile. En fait, si les consommations sont supposes entires ce problme est quivalent
1/Cont(1) : 1 = 1, pi , di , ai / Ti .
Autres problmes
Carlier [26] et Gafarov et Lazarev [62] ont tudi la complexit dautres problmes avec
des ressources consommables pour la minimisation de la somme des temps de fin dexcution
Ci , du retard maximal Lmax, de la dure moyenne ti . Ils montrent que ces problmes sont
NP-diciles au sens fort dans le cas gnral.
2.2
Complexit des problmes dordonnancement avec des dates de livraison

fixes
Nous prsentons ici la complexit des problmes dordonnancement, sans interruptibilit des
tches, avec des dates de livraison fixes, ces problmes ont t tudis par Matsuo [104] et Hall
et al. [77]. Les auteurs supposent quil y a f livraison aux instants Dd (d = 1, . . . , f ). Nous
analysons la complexit des problmes o f est arbitraire et non fixe.
Puisque les jobs ne sont livrs quaux instants o des livraisons sont prvues, les critres
136

minimiser sont calculs par rapport aux dates de livraison eectives des jobs et pas par rapport
aux dates de fin dexcution des jobs. Ainsi, par exemple, le Cmax correspond la premire
date de livraison Dd suprieure la date de fin dexcution du dernier job cn . Le critre est alors
not Cmax.
Dans le tableau 4, nous donnons quelques rsultats de complexit pour dirents
critres.
Table 4 Complexit des problmes avec des dates de livraison fixes
Problme avec D1 , . . . , Df
1/pi /Cmax
1/pi / Ci
1/pi / wi Ci
1/pi , di / u
i
1/pi , di / wi u
i
1/pi , di / Ti
1/pi , di / wi Ti
P m/pi /Cmax
ou Ci
P m/pi /
ui ou wi u
i
P m/pi , di / Ti
P m/pi , di / wi Ci ou wi Ti
Complexit
O(n)
O(min {n log(n), nf })
O(n log(n))
NP-dicile
NP-dicile
NP-dicile
NP-dicile
ouvert
Selon les notations et les problmes introduits dans la section 3.4, nous nous intressons aux
problmes dordonnancement avec des dates de livraison fixes pour la minimisation de la somme
pondre des dates de livraison wi Ci , et pour la minimisation de la somme des pnalits des
jobs en retard
wi u
i . Le tableau 4 montre que ces problmes (sans ressource consommable)
sont NP-diciles.
137
Annexes
138
Bibliographie
[1] N. Absi : Modlisation et rsolution de problmes de lot-sizing capacit finie. Thse de
doctorat, Universit Pierre et Marie Curie, 2005.
[2] A. Amiri : Designing a distribution network in a supply chain system : Formulation and
ecient solution procedure. European Journal of Operational Research, 171:567576, 2006.
[3] N. Ascheuer, M. Grtschel et A.A.A. Abdel-Hamid : Order picking in an automatic warehouse : solving online asymmetric tsps. Mathematical Methods of Operational
Research, 49:501515, 1999.
[4] S. Axster et W.-F. Zhang : A joint replenishment policy for multi-echelon inventory
control. International Journal of Production Economics, 59:243250, 1999.
[5] K.R. Baker : Introduction to sequencing and scheduling. John Willey & Sons, Inc., 1974.
[6] P. Baptiste, M. Flamini et F. Sourd : Lagrangian bounds for just in time job shop
scheduling. Computers & Operations Research, 35:906915, 2008.
[7] P. Baptiste et M.Y. Maknoon : Cross-docking : scheduling of incoming and outgoing
semi trailers. In 19th International Conference on Production Research, ICPR 2009, Valparaiso, Chile. Proceedings, page 6p, 2009.
[8] J. F. Bard et N. Nananukul : The integrated production-inventory-distribution-routing
problem. Journal of Scheduling, 12:257280, 2009.
[9] J.J. Bartholdi et K.R. Gue : The best shape for a crossdock. Transportation Science,
38(2):235244, 2004.
[10] B.B. Beamon : Supply chain design and analysis : Models and methods. International
Journal of production economics, 55:281294, 1998.
[11] G. Belvaux et L.A. Wolsey : Modelling practical lot-sizing problems as mixed integer
programs. Management Science, 37(7):9931007, 2001.
[12] P.J. Billington, J.O. McClain et L.J. Thomas : Heuristics for multilevel lot-sizing
with a bottleneck. Management Science, 32(8):9891006, 1986.
[13] A. Billionnet : Integer programming to schedule a hierarchical workforce with variable
demands. European Journal of Operational Research, 114(1):105114, 1999.
[14] J. Blazewicz, W. Cellary, R. Slowinski et J. Weglarz : Scheduling under resource
constraints deterministic models. In Annals of Operations Research, volume 7, pages
9891006. Kluwer Academic Publishers, The Netherlands, 1986.
[15] J. Blazewicz, M. Dror et J. Weglarz : Mathematical programming formulations for
machine scheduling : A survey. European Journal of Operational Research, 51(3):283300,
1991.
[16] J. Blazewicz, J.K. Lenstra et A.H.G. Rinnooy Kan : Scheduling subject to resource
constraints : classification and complexity. Discrete Applied Mathematics, 5(1):1124, 1983.
139
Bibliographie
[17] K. Blbl, P. Kaminsky et C. Yano : Flow shop scheduling with earliness, tardiness,
and intermediate inventory holding costs. Naval Research Logistics, 51:407444, 2004.
[18] K. Blbl, P. Kaminsky et C. Yano : Preemption in single machine earliness/tardiness
scheduling. Journal of Scheduling, 10:271292, 2007.
[19] N. Boysen, M. Fliedner et A. Scholl : Scheduling inbound and outbound trucks at
cross docking terminals. OR Spectrum, 32:135161, 2010.
[20] P. Brandimarte et M. Calderini : A heuristic bi-criterion approach to integrated process plan selection and job shop scheduling. International Journal of Production Research,
66:161181, 1995.
[21] A.P.G. Brown et Z.A. Lomnicki : Some applications of the branch and bound algorithm
to the machine scheduling problem. Operational Research Quarterly, 17:173186, 1966.
[22] P. Brucker : Scheduling Algorithms. Springer Lehrbuch, Inc., 1995.
[23] P. Brucker, A. Drexl, R. M 12 hring, K. Neumann et E. Pesch : Resource constrained
project scheduling : Notations, classification, models and methods. European Journal of
Operational Research, 112:341, 1999.
[24] M. Cagri, K. Moinzadeh et Y.-P. Zhou : Coordinated replenishment strategies in
inventory/distribution systems. Management Science, 57(2):293307, 2007.
[25] L. E. Crdenas-Barrn : Optimizing inventory decisions in a multi-stage multicustomer supply chain : A note. Transportation Research Part E : Logistics and Transportation Review, 43(5):647654, 2007.
[26] J. Carlier : Problmes dordonnancement contraintes de ressources : Algorithmes et
complexit. Thse dtat. Thse de doctorat, Universit Pierre et Marie Curie (Paris VI),
1984.
[27] J. Carlier, A. Moukrim et H. Xu : The project scheduling problem with production
and consumption of resources : A list-scheduling based algorithm. Discrete Applied Mathematics, 157(17):36313642, 2009.
[28] J. Carlier et A.H.G Rinnooy Kan : Scheduling subject to nonrenewable resource
constraints. Operations Research Letters, 1:5255, 1982.
[29] S. Carrera, K. Chami, R. Guimaraes, M.C. Portmann et W. Ramdane Cherif :
Negotiation models for logistic platform planning and scheduling. In Eleventh International Workshop on Project Management and Scheduling, PMS 2008, Turquie. Proceedings,
pages 4346, 2008.
[30] S. Carrera, M.C. Portmann et W. Ramdane Cherif : Outils daide la dcision
pour le lissage de charges des plateformes logistiques. In Congrs International de Gnie
Industriel, CIGI 2009, Tarbes, France. Proceedings, page 8p, 2009.
[31] S. Carrera, M.C. Portmann et W. Ramdane Cherif : Scheduling problems for logistic
platforms with fixed staircase component arrivals and various deliveries hypotheses. In
Lecture Notes in Management Science, Proceedings of the 2th International Conference on
Applied Operational Research - ICAOR, Turku, Finlande, pages 517528, 2010.
[32] S. Carrera, M.C. Portmann et W. Ramdane Cherif : Scheduling supply chain node
with fixed components arrivals and two partially flexible deliveries. In 5th International
Conference on Management and Control of Production and Logistics - MCPL, Coimbra,
Portugal. Proceedings, page 6p, 2010.
140
[33] P. Chandra : A dynamic distribution model with warehouse and customer replenishment
requirements. The Journal of the Operational Research Society, 44(7):681692, 1993.
[34] P. Chandra et M. L. Fisher : Coordination of production and distribution planning.
European Journal of Operational Research, 72:503517, 1994.
[35] Y-C. Chang et C-Y. Lee : Machine scheduling with job delivery coordination. European
Journal of Operational Research, 158:470487, 2004.
[36] L. Che et V.J. Leon : Power-of-two single-warehouse multi-buyer inventory coordination
with private information. International Journal of Production Economics, 111(2):562574,
2008.
[37] F. Chen et C.-Y. Lee : Minimizing the makespan in a two-machine cross-docking flow
shop problem. European Journal of Operational Research, 193:5972, 2009.
[38] P. Chen, Y. Guo, A. Lim et B. Rodrigues : Multiple crossdocks with inventory and
time windows. Computers & Operations Research, 33(1):4363, 2006.
[39] Z.-L. Chen : Integrated production and distribution operations : Taxonomy, models, and
review. In D. Simchi-Levi, S. D. Wu et Z.-J. Shen, diteurs : Handbook of Quantitative
Supply Chain analysis : Modelling in the E-Business Era. Kluwer Academic Publishers,
2004.
[40] Z.-L. Chen et G. L. Vairaktarakis : Integrated scheduling or production and distribution operations. Management Science, 51:614628, 2005.
[41] Z.L. Chen et G. Pundoor : Order assignment and scheduling in a supply chain. Operations Research, 54(3):555572, 2006.
[42] D. Chhajed : A fixed interval due-date scheduling problem with earliness and due-date
costs. European Journal of Operational Research, 84:385401, 1995.
[43] S. Chopra et P. Meindl : Supply Chain Management : strategy, planning and operations.
Pearson Education, New Jersey, 2007.
[44] M. Cochand, D. de Werra et R. Slowinski : Preemptive scheduling with staircase
and piecewise linear resource availability. Methods and Models of Operations Research,
33:297313, 1989.
[45] R.W. Conway, W.L. Maxwell et L.W. Miller : Theory of scheduling. Addison-Wesley,
Inc., 1967.
[46] A. Courtois, M. Pillet et C. Martin-Bonnefous : Gestion de Production. Eyrolles,
Paris, 2003.
[47] G.B. Dantzig : Discrete variable extremum problems. Operations Research, 5:266277,
1957.
[48] S. Dauzre-Prs et J.B. Lasserre : On the importance of sequencing decision in
production planning and scheduling. International Transactions in Operational Research,
9(6):779793, 2002.
[49] R. de Koster, T. Le-Duc et K. J. Roodbergen : Design and control of warehouse order
picking : a literature review. European Journal of Operational Research, 182:481501, 2007.
[50] R. de Koster, E.S. Van der Poort et M. Wolters : Ecient orderbatching methods
in warehouses. International Journal of Production Research, 37(7):14791504, 1999.
[51] D. de Werra : A decomposition property of polyhedra. Mathematical Programming,
30:261266, 1984.
141
Bibliographie
[52] A. Drexl et A. Kimms : Lot sizing and scheduling - survey and extensions. European
[53] A.T. Ernst, H. Jiang, M.K. Moorthy, B. Owens et D. Sier : An annotated bibliography of personnel scheduling and rostering. In Annals of Operations Research, volume
127, pages 21144. Kluwer Academic Publishers, The Netherlands, 2004.
[54] J. Erschler et B. Grabot : Gestion de production. Hermes, Paris, 2001.
[55] B. Esteve, C. Aubijous, A. Chartier et V. Tkindt : A recovering beam search
algorithm for the single machine just-in-time scheduling problem. European Journal of
Operational Research, 172:798813, 2006.
[56] M. Fisher : Optimal solution of scheduling problem using lagrange multipliers : Part i.
Operations Research, 21:11141127, 1973.
[57] J. Fondrevelle : Rsolution exacte de problmes dordonnancement de type flowshops
de permutation en prsence de contraintes dcarts temporels entre oprations. Thse de
doctorat, Institut National Polytechnique de Lorraine, 2005.
[58] M.S. Fox, M. Barbuceanu et R. Teigen : Agent-oriented supply chain management.
International Journal of Flexible Manufacturing Systems, 12:165188, 2000.
[59] L. Franchini, E. Caillaud, P. Nguyen et G. Lacoste : Workload control of human
resources to improve production management. International Journal of Production Research, 39(7):13851403, 2001.
[60] A.J.R.N. Gademann et S. Van de Velde : Batching to minimize total travel time in a
parallel-aisle warehouse. IIE Transactions, 37(1):6375, 2005.
[61] A.J.R.N. Gademann, J.P. Van den Berg et H.H. Van der Hoff : An order batching
algorithm for wave picking in a parallel-aisle warehouse. IIE Transactions, 33:385398,
2001.
[62] E.R. Gafarov et A.A. Lazarev : Single machine scheduling with a non-renewable
financial resource. Working paper, 2010.
[63] R. Ganeshan : Managing supply chain inventories : a multiple retailer, one warehouse,
multiple supplier model. International Journal of Production Economics, 59:341354, 1999.
[64] M.R. Gary et S.S. Johnson : Computers and Intractability, A guide to the Theory of
NP-Completeness. Freeman, San Francisco, 1979.
[65] M. Gen et A. Syarif : Hybrid genetic algorithm for multi-time period production/distribution planning. Computers & Industrial Engineering, 48(4):799809, 2005.
[66] I. Giannoccaro, P. Pontrandolfo et B. Scozzi : A fuzzy echelon approach for inventory management in supply chains. European Journal of Operational Research, 149:185
196, 2003.
[67] V. Giard et G. Mendy : Scheduling coordination in a supply chain using and advance
demand information. Production Planning & Control, 19(7):655667, 2008.
[68] F. Glover : Tabu search : a tutorial. Interfaces, 20(4):7494, 1990.
[69] M. Govil et J.M. Proth : Supply Chain Design and Management. J.D. Irwin, Academic
Presse, London, 2002.
[70] R.L. Graham, E.L. Lawler, J.K. Lenstra et A.H.G. Rinnooy Kan : Optimization
and approximation in deterministic sequencing and scheduling theory : a survey. Annals
of Discrete Mathematics, 5:287326, 1979.
142
[71] D. L. Gresh, D. P. Connors, J. P. Fasano et R. J. Wittrock : Applying supply chain

optimization techniques to workforce planning problems. IBM Journal of Research and
Development, 51(3-4):251261, 2007.
[72] J. Gu, M. Goetschalckx et L.F. McGinnis : Research on warehouse operation : A
comprehensive review. European Journal of operational Research, 177:121, 2007.
[73] A. Gunasekaran et B. Kobu : Performance measurements and metrics in logistics and
supply chain management : a review of recent literature for research and applications.
International Journal of Production Research, 45(12):28192840, 2007.
[74] A. Gunasekaran, D.K. Macbeth et R. Lamming : Modelling and analysis of supply
chain management systems : an editorial overview. Journal of the Operational Research
Society, 51:11121115, 2000.
[75] A. Gunasekaran, C. Patel et R.E. McGaughey : A framework for supply chain
performance measurement. International Journal of production Economics, 87:333347,
2004.
[76] J.N.D. Gupta et Jr E.F. Stafford : Flowshop scheduling research after five decades.
European Journal of Operational Research, 169(3):669711, 2006.
[77] N.G. Hall, M. Lesaoana et C.N. Potts : Scheduling with fixed delivery dates. Operations Research, 49(1):134144, 2001.
[78] N.G. Hall et C.N. Potts : Supply chain scheduling : Batching and delivery. Operations
Research, 51(4):566584, 2003.
[79] N.G. Hall et C.N. Potts : The coordination of scheduling and batch deliveries. In
Annals of Operations Research, volume 135, pages 4164. Kluwer Academic Publishers,
The Netherlands, 2005.
[80] R. Hassin et M. Shani : Machine scheduling with earliness, tardiness and non-execution
penalties. Computers & Operations Research, 32:683705, 2005.
[81] D.J. Hatfield et J.F. Pierce : On the application of combinatorial programming to a
class of single stage sequencing problems. Working paper, 1966.
[82] Y. Hendel et F. Sourd : An improved earliness-tardiness timing algorithm. Computers
& Operations Research, 34:29312938, 2007.
[83] S.S. Heragu, L. Du, R.J. Mantel et P.C. Shuur : Mathematical model for warehouse
design and product allocation. International Journal of Production Research, 43(2):327
338, 2005.
[84] F. Hnaien : Gestion des stocks dans des chanes logistiques face aux alas des dlais
dapprovisionnements. Thse de doctorat, Ecole Nationale Suprieure des Mines de SaintEtienne, 2008.
[85] R. Hung : Single-shift o-day scheduling of a hierarchical workforce with variable demands. European Journal of Operational Research, 78(1):4957, 1994.
[86] S.M. Johnson : Optimal two and three stage production schedules with setup time
included. Naval Research Logistic Quarterly, 1:6168, 1954.
[87] P. Kaminsky et O. Kaya : Inventory positioning, scheduling and lead-time quotation in
supply chains. International Journal of Production Economics, 114(1):276293, 2008.
[88] M. Khouja : Optimizing inventory decisions in a multi-stage multi-customer supply chain.
Transportation Research, 39:193208, 2003.
143
Bibliographie
[89] Y.J. Kim, Y.K. Kim et Y. Cho : A heuristic-based genetic algorithm for workload smoothing in assembly lines. Computers & Operations Research, 25(2):99111, 1998.
[90] O. Kon : Nouvelles approches pour la rsolution du problme dordonnancement de projet
moyens limits. Thse de doctorat, Universit de Toulouse, 2009.
[91] R. Larbi, G. Alpan, P. Baptiste et B. Penz : Scheduling of transshipment operations in
a single strip and stack doors crossdock. In 19th International Conference on Production
Research, ICPR 2009, Valparaiso, Chile. Proceedings, page 6p, 2007.
[92] R. Larbi, G. Alpan et B. Penz : Scheduling transshipment operations in a multiple
inbound and outbound door crossdock. In International Conference on Computers &
Industrial Engineering, CIE 2009. Troyes, France. Proceedings, page 6p, 2009.
[93] V. Lauff et F. Werner : On the complexity and some properties of multi-stage scheduling problems with earliness and tardiness penalties. Computers and Operations Research,
31:317345, 2004.
[94] E.L. Lawler et D.E. Wood : Branch and bound methods : a survey. Operations Research,
14:699719, 1966.
[95] T. Le-duc et R. de Koster : Travel time estimation and order batching in a 2-block
warehouse. European Journal of Operational Research, 176(1):374388, 2007.
[96] Y. H. Lee, J. W. Jung et K. M. Lee : Vehicle routing scheduling for cross-docking in the
supply chain. Computers & Industrial Engineering, 51:247256, 2006.
[97] L. Lei, S. Liu, A. Ruszczynski et S. Park : On the integrated production, inventory,
and distribution routing problem. IIE Transactions, 38(11):955970, 2006.
[98] C.-L. Li, G. Vairaktarakis et C.-Y. Lee : Machine scheduling with deliveries to multiple
customer locations. Discrete Optimization, 164:3951, 2005.
[99] X. Li et Q. Wang : Coordination mechanisms of supply chain systems. European Journal
of Operational Research, 179:116, 2007.
[100] A. Lim, Z. Miao, B. Rodrigues et Z. Xu : Transshipment through crossdocks with
inventory and time windows. In K.-Y. Chwa et J.I. Munro, diteurs : COCOON 2004,
LNCS 3106, Springer-Verlag, pages 122131, Berlin, 2004.
[101] R. Manzini, M. Gamberi, E. Gebennini et A. Regattieri : An integrated approach to
the design and management of a supply chain system. International Journal of Advanced
Manufacturing Technology, 37:625640, 2008.
[102] S. Martello et P. Toth : Knapsack Problems. John Wiley & Sons, New York, 1990.
[103] C.H. Martin, D.C. Dent et J.C Eckhart : Integrated production, distribution, and
inventory planning at libbey-owens-ford. Interfaces, 23:6878, 1993.
[104] H. Matsuo : The weighted total tardiness problem with fixed shipping times and overtime
utilization. Operations Research, 36(2):293307, 1988.
[105] G.B. McMahon et P.G. Burton : Flow-shop scheduling with the branch-and-bound
method. Operations Research, 15:473481, 1967.
[106] H. Meyr, M. Wagner et J. Rohde : Structure of advanced planning systems. In
H. Stadtler et C. Kilger, diteurs : Supply Chain Management and Advanced Planning
Concepts, Models Software and Case Studies, pages 99104, Berlin, 2002.
[107] F. Mocellin : Gestion des entrepts et plates-formes. Dunod, Paris, France, 2006.
144
[108] C. Moon, Y. H. Lee, C. S. Jeong et Y. Yun : Integrated process planning and scheduling
in a supply chain. Computers & Industrial Engineering, 54:10481061, 2008.
[109] Z. Mouloua : Ordonnancements coopratifs pour les chanes logistiques. Thse de doctorat, Institut National Polytechnique de Lorraine, 2007.
[110] R. Narasimhan : An algorithm for single shift scheduling of hierarchical workforce.
European Journal of Operational Research, 96(1):113121, 1997.
[111] M. Nawaz, E.E. Enscore et I. Ham : A heuristic algorithm for the m-machine, n-job
flow shop sequencing problem. Omega, 1:9195, 1983.
[112] J. Orlicky : The successful Computer Systems : Its Planning, development, and management in a business enterprise. McGraw-Hill, 1968.
[113] L. Ouzizi : Planification par ngociation dans un systme de dcision semi-distribu pour
une entreprise en rseau. Thse de doctorat, Universit de Metz, 2005.
[114] L. Ozdamar et T. Yazga : A hierarchical planning approach for a productiondistribution system. International Journal of Production Research, 37(16):37593772,
1999.
[115] Y.B. Park : An integrated approach for production and distribution planning in supply
chain management. International Journal of Production Research, 43(6):12051224, 2005.
[116] J.H. Patterson, R. Slowinski, F.B. Talbot et J. Weglarz : An algorithm for a
general class of precedence and resource constrained scheduling problems. In Advances in
Project Scheduling, pages 328, Amsterdam, 1989. Elsevier Science Publishers B.V.
[117] C.G. Petersen et G. Aase : A comparison of picking, storage, and routing policies in
manual order picking. International Journal of Production Economics, 92(1):1119, 2004.
[118] M. Pidd : Just modelling through : a rough guide to modelling. Interfaces, 19(2):118132,
1999.
[119] M. L. Pinedo : Scheduling : Theory, Algorithms, and Systems. Prentice Hall, New York,
2008.
[120] M.-C. Portmann : Mthodes de dcomposition spatiales et temporelles en ordonnancement
de la prodution. Thse dtat. Thse de doctorat, Universit de Nancy 1, 1987.
[121] M.-C. Portmann : Scheduling methodology : optimization and compu-search approaches
I. In A. Artiba et S.E. Elmaghraby, diteur : The planning and scheduling of production
systems, pages 271300. Chapman et Hall edition, 1997.
[122] C.N. Potts : An adaptive branching rule for the permutation flow-shop problem. European
[123] G. Pundoor et Z.-L. Chen : Scheduling a production-distribution system to optimize
the tradeo between delivery tardiness and distribution cost. Naval Research Logistics,
52(6):571589, 2005.
[124] H.D. Ratliff et A.S. Rosenthal : Order-picking in a rectangular warehouse : A solvable
case of the travelling salesman problem. Operations Research, 31(3):507521, 1983.
[125] A. Robert : Optimisation des batches de production. Thse de doctorat, Universit Pierre
et Marie Curie, 2007.
[126] K.J. Roodbergen et R. De Koster : Routing methods for warehouses with multiple
cross aisles. International Journal of Production Research, 39(9):18651883, 2001.
145
Bibliographie
[127] B. Rouwenhorst, B. Reuter, V. Stockrahm, G.J. van Houtum, R.J. Mantel et
W.H.M Zijm : Warehouse design and control : Framework and literature review. European
Journal of operational Research, 122:515533, 2000.
[128] R. Sadykov : A polynomial algorithm for a simple scheduling problem at cross docking
terminals. INRIA Research Report, 2009.
[129] F. Sahin et E. P. Robinson : Flow coordination and information sharing in supply chains :
review, implications, and directions for future research. Decision Sciences, 33(4):505536,
2002.
[130] G. J. Salegna et P. S. Park : Workload smoothing in a bottleneck job-shop. International
Journal of Operations & Production Management, 16(1):91110, 1996.
[131] A.M. Sarmiento et R. Nagi : A review of integrated analysis of production distribution
systems. IIE Transactions, 31:10611074, 1999.
[132] S.U. Sekiner, H. Gken et M. Kurt : An integer programming model for hierarchical
workforce scheduling problem. European Journal of Operational Research, 183(2):694699,
2007.
[133] E. A. Silver : Operations research in inventory management : a review and critique.
Operations Research, 29(4):628644, 1981.
[134] D. Simchi-Levi, P. Kaminsky et E. Simchi-Levi : Designing and Managing the Supply
Chain. McGraw Hill, New York, 2003.
[135] S. Sindhuchao, H. E. Romeijn, E. Akali et R. Boondiskulchok : An integrated
inventory routing system for multi item joint replenishment with limited vehicle capacity.
Journal of Global Optimization, 32:93118, 2005.
[136] R. Slowinski : Preemptive scheduling of independent jobs on parallel machines subject
to financial constraints. European Journal of Operational Research, 15:366373, 1984.
[137] K. Song et F. Chen : Scheduling cross docking logistic optimization problem with multiple inbound vehicles and one outbound vehicle. In IEEE International Conference on
Automation and Logistics. Jinan, China. Proceedings, pages 30893094, 2007.
[138] F. Sourd : Ordonnancer Juste temps. Mmoire dhabilitation diriger des recherches.
Thse de doctorat, Universit Pierre et Marie Curie, 2008.
[139] F. Sourd et S. Kedad-Sidhoum : A faster branch-and-bound algorithm for the earlinesstardiness scheduling problem. Journal of Scheduling, 11:533549, 2003.
[140] F. Sourd et S. Kedad-Sidhoum : The one machine problem with earliness and tardiness
penalties. Journal of Scheduling, 6:533549, 2003.
[141] H. Stadtler : Supply chain management and advanced planning basics overview and
challenges. European Journal of Operational Research, 163:575588, 2005.
[142] G. Strack et Y. Pochet : An integrated model for warehouse and inventory planning.
European Journal of Operational Research, 204:3550, 2010.
[143] W. Tan : Integration of process planning and scheduling - a review. Journal of Intelligent
Manufacturing, 11:5163, 2000.
[144] D.A. Taylor : Supply Chains : A Managers Guide. Adisson Wesley, USA, 2003.
[145] D.J. Thomas et P.M. Griffin : Coordinated supply chain management. European Journal
of Operational Research, 94(1):115, 1996.
146
[146] A. Toker, S. Kondakci et N. Erkip : Scheduling under a non-renewable resource

constraint. Journal of the Operational Research Society, 42(9):811814, 1991.
[147] J. P. van den Berg : A literature survey on planning and control of warehousing systems.
IIE Transactions, 31:751762, 1999.
[148] J.P. Van Den Berg : Integral Warehouse Management. Management Outlook, Netherlands, 2007.
[149] J.P. Van Den Berg et W.H.M. Zijm : Models for warehouse management : classification
and examples. International Journal Production Economics, 59(1-3):519528, 1999.
[150] R. I. Van Hoek : The rediscovery of postponement a literature review and directions for
research. Journal of Operations Management, 19(2):161184, 2001.
[151] S. Viswanathan et K. Mathur : Integrating routing and inventory decisions in onewarehouse multi-retailer multi-product distribution system. Management Science, 43(3):
294312, 1997.
[152] G. Wan et B. P.-C. Yen : Tabu search for single machine scheduling with distinct due
windows and weighted earliness/tardiness penalties. European Journal of Operational
Research, 142:271281, 2002.
[153] B. D. Williams et T. Tokar : A review of inventory management research in major logistics journals : Themes and future directions. International Journal of Logistics
Management, 19(2):212232, 2008.
[154] P. Wirojanagud, S.E. Gel, J.W. Fowler et R. Cardy : Modelling inherent worker
dierences for workforce planning. International Journal Production Research, 45(3):525
553, 2007.
[155] C. Wolosewicz : Approche intgre en planification et ordonnancement de la production.
Thse de doctorat, Ecole Nationale Suprieure des Mines de Saint-Etienne, 2008.
[156] J. Xie : Polynomial algorithms for a single machine scheduling problems with financial
constraints. Operations Research Letters, 21:3942, 1997.
[157] X. Yang : Scheduling with generalized batch delivery dates and earliness penalties. IIE
Transactions, 32:735741, 2000.
[158] W. Yu : Operational Strategies for cross-docking systems. Thse de doctorat, Iowa State
University, 2002.
[159] W. Yu et P.J. Egbelu : Scheduling of inbound and outbound trucks in cross docking
systems with temporary storage. European Journal of Operational Research, 184:377396,
2008.
147

These de Doctorat Sur La Planification Et L'ordonnancement Des Plateformes Logistiques

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

These de Doctorat Sur La Planification Et L'ordonnancement Des Plateformes Logistiques

Încărcat de

Drepturi de autor:

Formate disponibile

Planification et ordonnancement des plateformes

To cite this version:

HAL Id: tel-00606411

HAL is a multi-disciplinary open access

Larchive ouverte pluridisciplinaire HAL, est

Ce document est le fruit dun long travail approuv par le jury de

Code de la proprit intellectuelle. Articles L 122.4

Doctorat de lInstitut National Polytechnique de Lorraine

Matre de Conferences HDR,

Wahiba Ramdane Cherif

Laboratoire Lorrain de Recherche en Informatique et ses Applications UMR 7503

Table des matires

Chapitre 1 Contexte du Travail

Gestion de la production et contrle de flux au sein dune entit de la

Outils daide la dcision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Modlisation et valuation des chanes logistiques . . . . . . . . . . . . . .

Positionnement du travail de la thse et ses objectifs . . . . . . . . . . . . . . . .

Chapitre 2 Lissage de charge moyen terme

Formalisation du problme et hypothses spcifiques . . . . . . . . . . . . . . . .

Modles Linaires proposs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Modle avec les ngociations des dates de livraison . . . . . . . . . . . . .

Modle avec ngociations des dlais et des quantits . . . . . . . . . . . .

Agencements de plateforme tests . . . . . . . . . . . . . . . . . . . . . .

Mise en uvre et donnes utilises . . . . . . . . . . . . . . . . . . . . . .

Rsultats obtenus avec les ngociations des dlais . . . . . . . . . . . . . .

Table des matires

Rsultats obtenus avec les ngociations des dlais et des quantits . . . .

Chapitre 3 Ordonnancement pour plateforme de prparation de commandes

Ordonnancement sous contrainte de ressources consommables . . . . . . .

Ordonnancement avec des dates de livraison fixes . . . . . . . . . . . . . .

Modle de programmation linaire mixte . . . . . . . . . . . . . . . . . . . . . . .

Procdure par Sparation et Evaluation (PSE) . . . . . . . . . . . . . . . . . . .

Prsentation gnrale des Procdures par Sparation et Evaluation . . . .

Mthodes approches polynomiales . . . . . . . . . . . . . . . . . . . . . .

Schma des Procdures par Sparation et Evaluation proposes . . . . . . 110

Rgles de dominance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112

Gnration de donnes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115

Etude comparative des bornes infrieures et des mthodes approches rapides116

Rsultats des mthodes de rsolution exactes . . . . . . . . . . . . . . . . 119

Conclusion du chapitre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123

Chapitre 4 Conclusion Gnrale et Perspectives

Synthse des travaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126

Perspectives concernant la planification des plateformes . . . . . . . . . . 128

Perspectives concernant lordonnancement de plateforme . . . . . . . . . . 129

Perspectives concernant lintgration des deux niveaux temporels . . . . . 130

Gnration des donnes pour le problme de planification . . . . . . . . . . . . . 131

Gnration des donnes pour la ngociation des dlais . . . . . . . . . . . 131

Synthse des rsultats de complexit des problmes dordonnancement . . . . . . 133

Complexit des problmes dordonnancement avec des ressources consommables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134

Complexit des problmes dordonnancement avec des dates de livraison

Table des matires

Table des figures

Exemple de chane logistique trois tages (Khouja [88])

Plateforme du problme industriel . . . . . . . . . . . . . . .

Flux externes dun nud de la chane logistique . . . . . . . . . . . . . . . . . . .

Complexit des problmes avec des ressources consommables pour minimiser le

Table des figures

Chapitre 1. Contexte du Travail

1.1. Chane logistique

Figure 1.1 Exemple de chane logistique trois tages (Khouja [88])

Chapitre 1. Contexte du Travail

1.1. Chane logistique

Chapitre 1. Contexte du Travail