See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/231538025

Simulation D'une chaîne logistique à echelle réelle sous Arena

Conference Paper · May 2010

DOI: 10.13140/RG.2.1.3640.9681

CITATIONS READS

0 881

3 authors:

Bensmaine Abderrahmane Lyes Benyoucef

Abou Bakr Belkaid University of Tlemcen Aix-Marseille Université
14 PUBLICATIONS   88 CITATIONS    115 PUBLICATIONS   1,294 CITATIONS   

SEE PROFILE SEE PROFILE

Zaki Sari
Abou Bakr Belkaid University of Tlemcen
152 PUBLICATIONS   392 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Heuristics for Flow shop scheduling problem View project

Manufacturing Scheduling under uncertainties View project

All content following this page was uploaded by Bensmaine Abderrahmane on 27 November 2015.

The user has requested enhancement of the downloaded file.

 International Conference On Industrial Engineering and Manufacturing ICIEM’10, May, 9-10, 2010, Batna, Algeria
Simulation D’une Chaîne Logistique À Echelle Réelle
sous Arena®
A. Bensmaine1, L. Benyoucef2 et Z. Sari1
1
Laboratoire d’Automatique, Université de Tlemcen, Algérie ({a_bensmaine, z_sari}@mail.univ-tlemcen.dz)
2
INRIA-Nancy Grand-Est, COSTEAM-Project, ISGMP Bat. A, Metz, 57000, France (lyes.benyoucef@loria.fr)
Résumé -- Le contexte économique actuel est instable. Il
oblige les entreprises industrielles à passer à une nouvelle
forme d’organisation, qui intègre les partenaires logistiques
afin de conserver un avantage concurrentiel. Cette nouvelle
forme organisationnelle, nommée « la chaîne logistique », est
d’un intérêt majeur sur le plan économique, vu l’importance
des gains potentiels promis en comparaison avec une
stratégie de gestion interne. Néanmoins, elle présente un
système complexe difficile à évaluer, et donc difficile à
maitriser et gérer. La simulation informatique, grâce aux
avantages qu’elle offre, se présente comme un outil idéal pour
analyser des systèmes comportant des phénomènes
stochastiques, dont les chaines logistiques font partie. Dans ce
travail, nous présentons une modélisation/simulation d’une
chaîne logistique à échelle réelle sous Arena/SIMAN, un outil
de simulation très populaire auprès des industriels. Nous
nous intéressons plus précisément à la création du modèle de
simulation, comment elle se fait à partir du cas d’étude et les
différentes techniques et astuces utilisées pour aboutir au
modèle final.
I. INTRODUCTION
Les entreprises industrielles modernes concurrent dans
un contexte économique instable, et supervisent des usines
de productions géographiquement distribuées. Pressées par
une compétition globale dans un marché mondiale
imprévisible, elles s’efforcent de fournir des produits et des
services de haute qualité aux clients.
Dans ce contexte, nombreuses sont les entreprises à la
recherche de nouvelles formes d’organisation et d’alliance
afin de conserver un avantage concurrentiel. Les
organisations, qui par le passé se sont senties protégées de
la concurrence étrangère à bas prix, constatent maintenant
qu’elles doivent non seulement créer de la valeur pour
leurs clients, mais garantir des prix inferieurs à ceux
proposés par les concurrents sur le marché.
Cet accroissement de compétitivité dans tous les
secteurs industriels pousse les entreprises vers la recherche
d’une optimisation supplémentaire de leurs processus
organisationnel, et particulièrement la poursuite de
nouvelles formes de collaboration avec leurs compléments
logistiques. Par conséquence, au niveau de l’entreprise est
apparue une orientation progressive vers une perspective
externe de conception et d’implémentation de nouvelles
stratégies de gestion, ce qui est généralement nommé la
gestion de la chaîne logistique. Comme le constatent les
praticiens, la concurrence dans un futur proche ne sera pas
entre différentes entreprises mais entre différentes chaînes
1
logistiques [1].
Une gestion réussie d’une chaîne logistique nécessite
une connaissance solide des performances de cette chaîne,
pour pouvoir prendre les bonnes décisions et prévoir au
mieux.
L’évaluation des performances d’une chaîne logistique
fait souvent appel à la simulation informatique, qui, quant à
elle, est un outil puissant qui a prouvé son habilité à
analyser des systèmes complexes comportant des
phénomènes stochastiques et dynamiques. Grâce à ses
avantages [19], la simulation informatique est considérée
comme la seule perspective pour analyser les performances
de cas à échelle réelle.
II. CHAINES LOGISTIQUES
A. Definition
Dans la littérature, plusieurs définitions ont été données
à la chaîne logistique, parmi lesquelles on trouve des
définitions simplistes :
 "Une chaîne logistique est une série d'activités et
d'organisations par lesquelles passent des matériaux
dans leurs parcours, à partir des fournisseurs
initiaux jusqu'aux clients finaux" [2].
Et d’autres plus précises:
 "Une chaîne logistique est un réseau de toutes les
organisations qui participent à :
l'approvisionnement, la production, la distribution
ou la vente d'un produit au client final. Une chaîne
logistique forme un réseau complexe de flux
physique (matière/financier) et non physique
(information)." [5] ;
L’intérêt accordé à la notion de chaîne logistique résulte
d’une vision globale de l’entreprise. Les études montrent
que les gains potentiels par une entreprise qui s’intéresse
uniquement à sa gestion interne sont très limités si on les
compare aux gains potentiels sur toute la chaîne logistique,
d’où l’intérêt de dépasser les frontières de l’entreprise et
intégrer tous les partenaires (fournisseurs, centres de
distribution, etc.), de manière à ce que les produits
demandés soient fabriqués, avec la qualité exigée, et
distribués aux bons clients, aux bons moments, en profitant
de la synergie des partenaires à travers une gestion globale
de la chaîne [4].
 International Conference On Industrial Engineering and Manufacturing ICIEM’10, May, 9-10, 2010, Batna, Algeria
B. Les composants d’une chaîne logistique
Dans toute chaîne logistique il existe une combinaison
d’organismes qui assument des fonctions différentes.
Certaines sont des fournisseurs, d’autres producteurs, des
distributeurs, des détaillants, des clients finaux (des
entreprises ou des particuliers) et des fournisseurs de
services (transport, design de produit, finances) [7].
Un fournisseur est responsable de la fabrication (ou
assemblage) des produits pour qu’ils soient vendus aux
acheteurs (usines, centres de distribution ou clients finaux).
Une usine fabrique et assemble la matière première et les
composants afin d'obtenir des produits finis destinés au
marché. Le rôle du centre de distribution dans une chaîne
logistique est triple et consiste en : la réception, le
stockage et l'expédition des produits de différentes natures
(matières premières, composants, produits finis, etc.). Le
client représente le « client final dans » dans une chaîne
logistique. Les clients sont généralement les nœuds d’un
réseau, où les opérations de transport des flux de matières
touchent à leurs fins.
C. Evaluations des performances des chaînes logistiques
Généralement, l’évaluation des performances d’un
système quelconque peut être menée de trois façons :
1. les méthodes analytiques ;
2. la simulation ;
3. l’expérimentation physique.
Dans le contexte des chaînes logistiques, les approches
analytiques ne sont pas très utilisées car le modèle
mathématique correspondant est très complexe pour être
résolu. Pour l’expérimentation physique, elle souffre de
limitations techniques et de coût [10]-[8]-[9]. La
simulation semble donc la seule perspective pour analyser
les performances de cas à échelle réelle. Elle permet
l’évaluation des performances et/ou de la structure de la
chaîne logistique avant l’implémentation du système.
III. SIMULATION DES CHAINES LOGISTIQUES, ETAT DE
L’ART
A. Simulation des chaînes logistiques avec des outils
développés :
Rossetti [12] a développé un Framework de simulation
des chaînes logistiques en utilisant les éléments
fondamentaux nécessaires à la modélisation d’une chaîne
logistique générique. Il présente une étude conceptuelle
orientée objet.
Biswas [11] propose un modèle Orienté-Objet pour
son outil DESSCOM (Decision Support for Supply Chains
through Object Modeling), avec deux types d’objets : objet
de structure (Client, Ordre, Usine, …) et objet de
"politiques" (Politique de : stockage, production, gestion
des ordres, …).
Liu et al. [13] ont développé un outil de simulation des
2
chaînes logistiques appelé EASY-SC. Il est développé sous
Java incluant des méthodes d’optimisation pour déterminer
les valeurs de quelques paramètres comme le point de
commande et le choix du routage.
Chatfield [14] décrit SISCO (Simulator for Integrated
Supply Chain Operations), un outil graphique de
simulation Orienté Objet. L’auteur a critiqué les outils déjà
réalisés et présente SISCO comme remédiassions à ces
critiques ; il sépare bien entre l’interface et l’engin (cœur)
ce qui facilite l’utilisation distribuée.
L’outil SNOW (Supply-chain Network Optimization
Workbench) d’IBM est présenté par Ding [15]. Ce logiciel,
développé sous l’environnement Eclips (un IDE Java), est
utilisé dans le cadre de la conception des chaînes
logistiques. SNOW inclut quelques méthodes analytiques
d’optimisation pour résoudre les problèmes de localisation
et de transport. Il utilise l’optimisation et la simulation
d’une manière séquentielle.
B. Simulations des chaînes logistiques en utilisant Arena :
Arena est un outil de simulation populaire basé sur un
concept orienté objet pour une modélisation complètement
graphique. Le modèle est créé en plaçant des blocs sur
l’espace de travail Arena, puis en créant des liaisons entres
ces différents blocs.
Vu ça simplicité et flexibilité, cet outil permet de
simuler pratiquement tout système à événements discrets,
notamment les chaînes logistiques.
Ingalls [16] présente CSCAT (Compaq Supply Chain
Analysis Tool), un package Arena développé par Compaq
pour la simulation des chaînes logistiques. Son objectif
principal est de répondre aux questions : quel est le profit
de l’organisation pour une configuration donnée ? Et quel
est le niveau de service pour le client pour une
configuration donnée ? Le modèle est définit avec 9
structures (client, entreprise, stock, produit...).
Vieira [5]-[6] propose un modèle hiérarchique à trois
niveaux : le premier niveau, le plus générale, est composé
des quatre éléments principaux (usine, entrepot,
fournisseur et client) et leur intégration issue des ordres et
du flux des matériaux/informations. Le deuxième niveau
constitue une modélisation intermédiaire, de chaque
membre de la chaîne. La modélisation détaillée est sur le
3ème niveau. Pour mesurer les performances de la chaîne,
l’auteur utilise trois indicateurs : le temps de cycle entre
détaillant et producteur, la variation de la moyenne totale
du stock dans la chaîne logistique et la variation de la
production/demande chez les fournisseurs.
Persson [17] a créé un package Arena qui respecte le
modèle SCOR. La conception de la chaîne se fait par
placement des composants sur l’espace dédié d’une
manière graphique très simple.
Cope et al. [18] présente une approche qui génère un
 International Conference On Industrial Engineering and Manufacturing ICIEM’10, May, 9-10, 2010, Batna, Algeria
modèle de simulation Arena à partir des données exprimées
en XML. Ce simulateur vise la simplicité d’utilisation, il
permet de générer automatiquement les blocks du modèle
Arena à partir des informations et de la structure de la
chaîne modélisée codés en XML.
IV. MOTIVATION
Une chaîne logistique est un système complexe pouvant
s’étendre à une architecture internationale. L’analyse des
performances d’une chaîne logistique est d’un intérêt
majeur pour les décideurs, et la simulation informatique se
propose comme l’outil idéal pour cette tâche.
Dans la littérature, plusieurs auteurs se sont intéressés à
la simulation des chaînes logistiques, via des outils qu’ils
ont développés par eux même ou en utilisant des logiciels
qui existent sur le marché, dont le célèbre Arena.
Les travaux basés sur Arena concernent, dans la
majorité des cas, le développement de stratégies de
modélisation ou des packages prêts à l’emploi qui servent
comme moyens de modélisation, mais nul ne propose un
modèle complet pour un cas à échelle réelle. En effet, la
phase de création du modèle est complètement omise, et
les modèles utilisés ne sont pas, dans la majorité des cas,
tirés à partir du monde réel.
Pour remédier à ce manque, nous présentons dans cet
article une modélisation d’une chaîne logistique à échelle
réelle en utilisant le logiciel simulation Arena.
V. CAS D’ETUDE
La chaîne logistique étudiée dans le cadre de ce travail
est un réseau de production/distribution pour un type de
véhicule à l’échelle internationale [20].
La fonction principale de ce réseau est de produire les
différents véhicules et les distribuer aux clients selon leurs
demandes spécifiques. Face à une concurrence de plus en
plus forte sur le marché, l’entreprise cherche à évaluer les
performances de ce réseau en termes de niveau de
satisfaction du client final (Le Taux de commandes
satisfaites dans les délais et le Temps de réponse moyen).
Fig. 1 Illustre la configuration du réseau étudié. Ce
réseau est composé de trois usines (Usine1, 2 et 3), cinq
centres de distribution (CDC, RDC1, RDC2, RDC3 et
RDC4) et six zones clients. Les trois usines ainsi que CDC
sont situes dans le pays A. Les autres sites sont dans un
autre pays B.
Figure 1. Configuration de la chaîne logistique étudiée
3
Les véhicules sont convoyés en utilisant différents
moyens de transport des usines aux zones clients en
passant par les différents sites. En effet, tous les véhicules
produits par les trois usines, de type MTS (Make To
Stock : véhicules standards) et MTO (Make To Order :
véhicules avec options spécifiques), sont accumulées dans
le CDC. Afin de réduire le coût de transport, les véhicules
MTS sont transportés en bateau vers RDC1, où ils sont
stockés par anticipation
. Au contraire, pour diminuer le temps de transport, les
véhicules MTO sont convoyés directement par train vers le
RDC correspondant. Les véhicules sont distribués par
camions aux zones clients.
Les six clients génèrent des demandes hebdomadaires
indépendantes. La quantité demandée suit une loi normale
de moyenne égale à 10 et une variance égale à 3. Chaque
demande est divisée en deux parties : une partie pour des
véhicules de type MTS (60% de la quantité initiale) et le
reste pour les véhicules de type MTO (40% de la quantité
initiale). Une date due est associée à chaque demande
client suivant une loi Triangulaire TRIANG(2,6,6) (Les
paramètres de cette loi sont exprimés en semaines).
Les deux types de demandes sont traités différemment.
Une demande MTO est affectée à l’usine la moins chargée,
en comparant sa capacité de production et les ordres de
production déjà affectés en attente de leurs traitements.
Les demandes MTS sont servies par les RDCs selon le
stock disponible dans RDC1 car en effet, les autres RDCs
(2, 3 et 4) ne possèdent pas de moyens de stockage. Au
cas où une rupture du stock est observée dans RDC1, les
demandes MTS sont mises en attente jusqu’à la prochaine
livraison.
Comme le réseau est géré en flux tirés, tous les
véhicules fabriqués ont déjà leurs propres destinations.
Tous les véhicules assemblés dans les usines sont d’abord
acheminés par train jusqu’à CDC. De là, les véhicules
MTO sont envoyés directement par train aux RDCs dans le
but de réduire le temps de transport. Pour les véhicule
MTS, ils sont stockés dans CDC jusqu’à réception d’un
nouveau ordre d’approvisionnement généré par RDC1.
Dans le but d’optimiser les coûts de transport, ces
véhicules sont transportés par bateau puis par train jusqu’à
RDC1, où ils sont stockés. Le processus de livraison
commence si des demandes clients de type MTS sont en
attente dans RDC1. Pour les demandes émises par des
clients directement rattachés à RDC1, les véhicules sont
livrés par camions. A l’inverse, pour les demandes
transmises par les autres RDCs (2, 3 et 4), les véhicules
sont transportés par camions aux RDCs respectives puis
livrés par camions également aux clients finaux.
Etant donné que les camions représentent un moyen de
transport maitrisable avec une taille de charge relativement
faible (quantité transporté entre 7 et 10 véhicules), un
camion ne peut pas être considéré prêt à quitter son
emplacement si la quantité présente à transporter est
inférieure à sa capacité.
 International Conference On Industrial Engineering and Manufacturing ICIEM’10, May, 9-10, 2010, Batna, Algeria
Les autres modes de transport (maritime et ferroviaire)
sont gérés différemment. En effet, chaque fin de journée
les trains et le bateau transportent les produits finis en
attente d’être transportés vers leurs destinations, quelque
soit la charge à transporter.
Pour la gestion de ses ordres d’approvisionnement en
véhicules de types MTS, le RDC1 envoie ses commandes à
CDC. Si le stock dans CDC le permet, ces véhicules sont
livrés, dans le cas contraire, ces ordres sont mis en attente
dans CDC jusqu’à sa prochaine livraison. Pour la gestion
de ses ordres d’approvisionnement en véhicules de types
MTS, CDC les envoie directement aux différentes usines.
Ces ordres sont considérés comme des ordres de
production par les usines.
VI. MODELE DE SIMULATION
Afin de maintenir une ressemblance visuelle entre la
structure de la chaîne logistique réelle et la partie visible du
modèle réalisé, nous avons utilisé des sous-modèles pour
une poursuite "intuitive" du déroulement de la simulation,
Figure 2. Le modèle de simulation sous Arena.
chacun des sous modèle représente un composant de la
chaine logistique (usine, client et entrepôt) (Fig. 2).
Le niveau global, ou le niveau I, contient les principales
entités qui composent la chaîne, notamment les usines
(Factory1, Factory2 et Factory3), les centres de
distribution (CDC, RDC1, RDC2, RDC3 et RDC4) ainsi
que les clients (Client1 jusqu’au Client6). Chacune de ces
entités est représentée par un sous-modèle regroupant un
ensemble de blocs Arena qui servent à le faire fonctionner.
Dans ce niveau du modèle, pour ne pas l’encombrer avec
plusieurs liaisons entre les sous-modèles, nous ne
représentons pas le flux d’information d’une manière
explicite, i.e. il n’existe pas une liaison visible qui servira à
transmettre une commande client à son fournisseur. Par
contre, le flux physique est explicité via des liaisons
visibles.
A. Client
Le sous-modèle "client" est composé de trois parties
(FiG. 4). La partie (a) est la responsable de la génération
des commandes. Une fois une commande générée, une
copie d’elle est mise dans la liste des commandes en attente
d’être satisfaites, puis elle est divisée en deux
commandes différentes : MTS envoyée au RDC en amant,
et MTO envoyée à l’usine la moins chargée.
4
La partie (b) est consacrée à la réception des véhicules
provenant du centre de distribution. Pour chaque véhicule
entrant, nous recalculant la quantité restante de sa
commande d’origine en soustrayant "1". Après chaque
soustraction, nous vérifions l’état de la commande en
question, c'est-à-dire que nous vérifions si elle est
complètement satisfaite ou il manque encore quelques
véhicules. Les commandes qui ne sont pas encore
complètement satisfaites sont remises dans la file d’attente.
Ce teste est effectué dans la partie (c) du sous-modèle, où
nous enregistrons la différence entre la date due et la date
de satisfaction, en vue de calculer le taux de satisfaction à
la fin de la simulation.
B. Centres de distribution
Les centres de distributions de la chaîne logistiques
étudiée n’ont pas tous le même mode de fonctionnement.
En effet, ils diffèrent entre eux par le nombre de
connexions et la politique de stockage utilisée.
Le RDC2 (Fig. 3) représente un centre intermédiaire qui
ne possède aucun moyen de stockage. Pour cette raison,
son modèle est très simple si nous le comparons avec le
modèle du RDC1 ou du CDC.
Figure 3. Sous-modèle RDC2 et 4
Le RDC4 est identique au RDC2 puisqu’ils ont le même
mode de fonctionnement. La même chose peut être
soulignée pour le RDC3, à part qu’il possède deux sortie
vu qu’il serve deux clients à la fois.
Le modèle du RDC1 (Fig. 5) est relativement plus
compliqué en le comparant avec les autres RDCs. Cette
complexité et due au fait qu’il joue le rôle de distributeur
principal dans le pays B, qu’il gère un stock MTS, et qu’il
serve à la fois deux clients ainsi que les autres RDCs. La
partie (a) du modèle du RDC1 est responsable de la
réception des véhicules provenant du CDC, alors que la
partie (b) surveille le stock, quand le stock minimal est
atteint, elle génère une commande et l’envoie au CDC.
Le reste du sous-modèle RDC1 est chargé de la
réception et le traitement des commandes provenant des
clients 1 et 2 ainsi que celles provenant des autres RDCs.
Le stock dans le RDC1 ne satisfait pas nécessairement
toutes les commandes, pour cette raison, ces commandes
passent d’abord par le module de teste "Deliverable"
avant d’être répondues. Ce teste vérifie que le stock
disponible est plus grand que la quantité de véhicules
demandée par une commande donnée. Dans le cas ou le
stock est insuffisant, la commande est mise en attente dans
une file d’attente dédiée.
International Conference On Industrial Engineering and Manufacturing ICIEM’10, May, 9-10, 2010, Batna, Algeria

Figure 4. Sous-modèle "Client"

Figure 5. Sous-modèle "RDC1"

5
International Conference On Industrial Engineering and Manufacturing ICIEM’10, May, 9-10, 2010, Batna, Algeria

Figure 6. Sous-modèle "CDC"

Figure 7. Sous-modèle "Usine"

6
 International Conference On Industrial Engineering and Manufacturing ICIEM’10, May, 9-10, 2010, Batna, Algeria
Figure 8. Sous-modèle "ligne d’assemblage"
À chaque réception d’une quantité de véhicules MTS
par le RDC1, les commandes en attente sont réévaluées, en
vue de les satisfaire.
Dans le cas ou le stock est suffisant pour répondre à
une commande, la quantité demandée est retirée du stock
et regroupé via un bloc "batch" en vue de l’envoyer à la
destination de la commande.
Le sous-modèle CDC (Fig. 6) possède une architecture
qui s’approche à celle du RDC1. Il est constitué de quatre
parties principales : une partie gestion de commande (a),
une deuxième pour la réception des véhicules (b), une
partie pour le transport (d) et une dernière qui surveille le
stock (c).
C. Usine :
Nous avons modélisé une usine (Fig. 7) par un ensemble
de blocs pouvant être regroupés en trois parties ; (a) et (b)
pour la gestion des commandes MTS et MTO
respectivement, une partie (c) concernant le transport, ainsi
qu’une ligne d’assemblage qui représente le cœur de
l’usine (la partie (d) est décrite ci-dessous).
Une commande reçue est tout de suite transformée en
véhicules en attente de passer par la ligne d’assemblage
pour être assemblés. Le nombre de ces véhicules est égal à
la taille de la commande. Les véhicules assemblés sortant
qui sortent de la ligne d’assemblage sont stockés
temporairement dans l’attente d’être transportés à leurs
destinations respectives.
Suivant le calendrier de transport, les véhicules en
attente sont groupés des blocs "batch", puis envoyés vers
le CDC. Etant donné que la taille d’une commande MTS
est relativement importante, et que chaque commande est
transformée en véhicules en attente de passer par a ligne
7
d’assemblage, le nombre de véhicules risque d’être très
élevé à l’entrée de la ligne d’assemblage. Pour cette raison,
nous subdivisons les commandes MTS en plusieurs sous-
commandes de tailles moins importantes, qui seront par la
suite facilement manipulées (partie (d)).
Le système d’assemblage dans les usines est constitué
principalement d’une ligne d’assemblage à modèles
mélangés (Mixed Model Assembly System) composée de
six stations d’assemblage (Fig. 8). Dans ce type de lignes
d’assemblage, le système de manutention (convoyeur)
avance d’une station à l’autre avec une vitesse constante,
et les véhicules qu’il porte sont espacés d’une manière
équitable. Si l’assemblage sur une station particulière se
fait manuellement, les ouvriers suivent l’avancement du
convoyeur tout en réalisant leur tâche ; une fois la tâche
accomplie, ils reviennent au point du convoyeur qui
correspond au début de leur station. Le temps de retour au
point du début est négligeable par rapport au temps
consacré à l’accomplissement de l’opération.
Dans la pratique, il existe des parties dans le modèle ou
on doit faire appel à l’optimisation, en vue d’avoir une
meilleure représentation du monde réel.
VII. RESULTATS NUMERIQUES
Le modèle a été simulé sur un horizon d’une année. Une
période de réchauffement, d’une durée d’un mois, est
utilisée pour diminuer l’impact des conditions initiales sur
la simulation. Nous ne tenons pas compte des valeurs
prises par les indicateurs de performance dans le premier
mois lors des analyses statistiques.
Les indicateurs de performance pris en compte par ce
modèle de simulation sont le Taux de satisfaction (Taux
des commandes satisfaites dans les délais) et le Temps de
 International Conference On Industrial Engineering and Manufacturing ICIEM’10, May, 9-10, 2010, Batna, Algeria

réponse moyen (Temps de réponse à une commande [7] S. Umed and Y. T. Lee, “Design specifications of a generic supply
chain simulator”. Proceedings of the 2004 Winter Simulation
client). Conference. 2004.
La simulation a été lancée sur un Pentium IV 3GHz. [8] M. J. Tarokh and M. Golkar, “Supply chain simulation methods”.
Les résultats suivants ont été obtenus : Service Operations and Logistics, and Informatics. 2006.
[9] C. Thierry, A. Thomas and G. Bel, “La simulation pour la gestion
des chaînes logistiques”. Lavoisier. 2008.
Temps de réponse moyen Taux de satisfaction
(semaines) [10] J. S. Carson, “Introduction to modeling and simulation”.
Proceedings of the 2005 Winter Simulation Conference. 2005.
5,83 69,84%
[11] S. Biswas and Y. Narahari, “Object oriented modeling and decision
TABLEAU I. RÉSULTATS OBTENUS support for supply chains”. European Journal of Operational
Research, 153:704–726. 2004.

VIII. CONCLUSION [12] M. D. Rossetti, and H. T. Chan, “A prototype object-oriented supply

Dans la littérature, plusieurs travaux ont concerné la
simulation des chaînes logistiques via l’outil Arena,
s’adressant au développement de stratégies de
modélisation ou des packages prêts à l’emploi, mais aucun
de ces travaux ne proposent un modèles complets pour des
cas à échelle réelle, et la phase de création du modèle est
souvent omise ou décrite très brièvement.
chain simulation framework”. Proceedings of the 2003 Winter
Simulation Conference. 2003.
[13] J. Liu, W. Wang, Y. Chai and Y. Liu, “Easy-sc: A supply chain
simulation tool”. Proceedings of the 2004 Winter Simulation
Conference. 2004.
[14] D. C. Chatfield, T. P. Harrison and J. C. Hayya, “SISCO: An object-
oriented supply chain simulation system”. Decision Support
Systems, 42:422–434. 2006.

Dans le cadre de ce travail nous avons présenté une
manière de créer un modèle de simulation Arena d’une
chaîne logistique à échelle réelle à partir d’une description
textuelle de celle-ci. La conception du modèle n’était pas
une tâche aisée, nous avons utilisé en total plus de 650
blocs Arena pour modéliser la chaîne entière avec ses
différentes fonctionnalités et règles de gestion. Simuler
harmonieusement un tel nombre de modules est une
opération très délicate, aussi bien pendant la conception
que pendant la validation.
Néanmoins, cette difficulté de modélisation est
compensée par la grande flexibilité qu’offre cet outil de
simulation, grâce au principe de blocs primitifs. Ce
principe, proche des langages de programmation, ne limite
pas le modélisateur par une vision standard des entités
composant la chaîne logistique, car en effet, le
modélisateur a un accès direct aux moindres détails sur le
modèle, et par conséquence, la chaîne conçue est très
personnalisable.
[15] H. Ding, W. Wang, J. Dong, M. Qiu, and C. Ren, C. “IBM supply-
chain network optimization workbench: an integrated optimization
and simulation tool for supply chain design”. Proceedings of the
2007 Winter Simulation Conference. 2007.
[16] R. G. Ingalls, “CSCAT: The COMPAQ supply chain analysis tool”.
Proceedings of the 1998 Winter Simulation Conference. 1998.
[17] F. Persson and M. Araldi, “The development of a dynamic supply
chain analysis tool-integration of SCOR and discrete event
simulation”. International Journal of Production Economics. 2007.
[18] D. Cope, M. S. Fayez, M. Mollaghasemi and A. Kaylani, “Supply
chain simulation modeling made easy: an innovative approach”.
Proceedings of the 2007 Winter Simulation Conference. 2007.
[19] C. A. Chung, “Simulation Modeling Handbook, A Practical
Approach”. CRC PRESS. 2004.
[20] H. Ding, “une approche d'optimisation basée sur la simulation pour
la conception des chaînes logistiques : Applications dans les
industries automobile et textile” Ph.D. Dept. Automatique. Univ.
Metz ; 2004.

RÉFÉRENCES
[1] M. Christophe, “Logistics and supply chain management: Strategies
for reducing costs and improving services”. Pitman publishing.
1992.
[2] D. Waters, “Logistics - An Introduction to Supply Chain
Management”. Palgrave Macmillan. 2003.
[3] M. Hugos, “Essentials of Supply Chain Management”. John Wiley
and Sons, Inc. 2003.
[4] D. Kassmann and R. Allgor, “Supply chain design, management
and optimization”. 16th European Symposium on Computer Aided
Process Engineering. 2006.
[5] G. E. Vieira, “Ideas for modeling and simulation of supply chains
with arena”. wsc, pages 357–366. 2004.
[6] G. E. Vieira and O. C. Júnior, “A conceptual model for the creation
of supply chain simulation models”. Proceedings of the 2005 Winter
Simulation Conference. 2005.

View publication stats