e-STA copyright 2011 by see

Volume 8, N1, pp 15-22

Algorithmes Gntiques Sequentiel pour la rsolution

de problmes dordonnancement en industries agroalimentaires
Asma Karray1,2, Mohamed Benrejeb1, Pierre Borne2
1
LARA Automatique: Ecole Nationale dIngnieurs de Tunis, BP 48, Le Belvdre 1002 Tunis, Tunisie
2
LAGIS: Ecole Centrale de Lille, Cit scientifique, BP 48, 59650 Villeneuve dAscq Cedex, France
karray.asma@gmail.com, Mohamed.benrejeb@enit.rnu.tn, pierre.borne@ec-lille.fr

RsumDans cet article, un problme dordonnancement les mcanismes de la slection naturelle et de la gntique. Ils
multi-objectif dun atelier de production agroalimentaire une se sont distingus par une grande efficacit face aux problmes
machine est prsent. Les diffrentes caractristiques et dordonnancement tel que le flow shop [14], le job shop [15]
oprations le concernant sont introduites puis sa formulation et and lopen shop [16]. Aussi les algorithmes gntiques ont
sa rsolution par une nouvelle approche base sur les algorithmes montr leur efficacit pour rsoudre les problmes une
gntiques est propose. Lide de base de cette approche est machine [17], [18].
dutiliser les algorithmes gntiques de faon squentielle. Les
rsultats dune tude comparative avec des approches existantes Dans cet article, un problme dordonnancement multi-
dans la littrature montrent lefficacit de notre proposition. objectif une machine est considr, lapproche relative la
Cette comparaison se base sur la qualit du rsultat mais aussi rsolution tant base sur les algorithmes gntiques.
sur le temps dexcution.
Mots cls-component; algorithmes gntiques ; squentielle; Aprs la prsentation en section 2, des diffrentes notations
ordonnancement; agroalimentaire; multi-objectifs ; une machine. et des hypothses du problme considr. Les algorithmes
gntiques ainsi que lapproche dveloppe, sont introduits
dans la section 3. Et leurs mises en uvre dans la section 4. La
I. INTRODUCTION comparaison des efficacits de la mthode dveloppe avec
Lordonnancement est une branche de la recherche celles des mthodes classiques pour deux benchmarks,
oprationnelle et de la gestion de la production qui vise effectue dans la section 5.
amliorer lefficacit dune entreprise en termes de cots de
Notations
production et de dlais de livraison. Les problmes
dordonnancement sont prsents dans tous les secteurs Oij : jme opration du produit i
dactivits de lconomie, depuis lindustrie manufacturire [1]
jusqu linformatique [2]. tij : date effective de dbut de fabrication de
Les diffrents problmes que l'on rencontre en lopration Oij
ordonnancement dpendent principalement des machines et de rij : date de dbut au plus tt de lopration Oij
l'enchanement des oprations. Parmi ces problmes, on
distingue les problmes dordonnancement une machine. Ces ij : date de fin effective de lopration Oij
problmes, utiliss comme modle pour les autres catgories de
problmes, se sont avrs efficace en pratique [3]. d ij : date chue de lopration Oij
Malgr leur apparente simplicit, les problmes une pij : dure opratoire de lopration Oij
machine sont NP-difficiles au sens fort [4] [5] [6]. Plusieurs
mthodes doptimisation dont les mthodes exactes et les Pi : produit fini de lopration Oij
mthodes approches peuvent tre utilises pour rsoudre les : kme composant de lensemble des composants de
problmes dordonnancement. cijk
lopration Oij
Les mthodes exactes telles que la programmation linaire,
la programmation dynamique et la mthode Branch & Bound ijk : date de validit limite du composant cijk
se sont avres peu efficaces pour la rsolution des problmes
de grandes tailles, alors que les mthodes approches ont C Pi : date de fin de fabrication du produit Pi
conduit des solutions proches de loptimum. Parmi ces ren
P : prix de revient du composant cijk
mthodes, les mtaheuristiques ont prouv leur efficacit pour ijk
la rsolution de problmes dordonnancement une machine. Cmax : date de fin de lordonnancement
Parmi ces mtaheuristiques ont cite le recuit simul [7], la
recherche tabou [8], les algorithmes gntiques [9] [10], les d Plivi : date de livraison du produit Pi
colonies de fourmis [11] et les essaims particulaires [12].
DvPi : dure de vie du produit Pi
Lapproche propose dans cet article est base sur les
algorithmes gntiques, initialement dvelopps par Holland DrPi : dure de retour du produit Pi
[13], qui constituent des algorithmes dexploration fonds sur
e-STA copyright 2011 by see
Volume 8, N1, pp 15-22

PPven : prix de vente unitaire du produit Pi la contrainte de gamme qui reprsente lordre de
i passage de lopration dans la gamme,
CPstki : cot du stockage, par unit de temps, dune unit du
la contrainte de disponibilit de lopration
produit Pi ordonnancer selon sa date de dbut au plus tt.
II. POSITION DU PROBLEME
III. ALGORITHMES GENETIQUES SEQUENTIEL (AGS)
En industries agroalimentaires, les produits manipuls sont PROPOSE
en gnral de dures de vie et de dates de mise en fabrication
assez courtes. Ainsi, dans un atelier agroalimentaire, une Lapproche de rsolution, prsente dans cet article, est
opration est caractrise aussi bien par sa date de dbut au base sur le principe des algorithmes gntiques, largement
plus tt et sa date de fin au plus tard mais aussi par les dates de utiliss ces dernires annes pour la rsolution de problme
validits limites des composants ncessaires pour accomplir dordonnancement une machine [20], [21], [22].
cette opration [19]. Les algorithmes gntiques utilisent la fois les principes
En plus du critre de la minimisation de la dure maximale de la survie des structures les mieux adaptes, et les changes
dexcution de lordonnancement, les autres critres choisis dinformations alatoires, parfois guides, pour former un
sont relatifs lindustrie agro-alimentaire : algorithme dexploration qui possde certaines des
caractristiques de lexploration humaine [23].
le cot des produits prims, engendr par la
Aprs lintroduction de cette mtaheuristique, est
premption de certains composants primaires
dveloppe lalgorithme propos nomm Algorithme
ncessaires pour la fabrication du produit fini;
Gntique Squentiel AGS.
le cot du discount distribution reprsentant la perte
sur le prix de vente du produit fini, proportionnel la A. Gnralits sur les algorithmes gntiques
dure du stockage du produit fini avant sa livraison. Les algorithmes gntiques sont des techniques de
Lobjectif est alors de slectionner parmi lensemble des recherche bases sur la thorie de lvolution naturelle des
ordonnancements ralisables celui qui prsente le meilleur espces nonce par Darwin. Ils se sont avrs trs efficaces
compromis entre les diffrents critres en rduisant et en dans la rsolution des problmes complexes dans des
filtrant lespace de recherche initial. La dcision dordonnancer diffrentes disciplines [24].
a pour objectif de minimiser les cots engendrs par la Ces algorithmes manipulent un ensemble de points dans
premption de certains composants, le cot du discount de l'espace de recherche, appels population d'individus. Chaque
distribution ainsi que la dure totale de fabrication du produit individu ou chromosome reprsente une solution possible du
fini. problme donne. Il est constitu dlments, appels gnes,
Les fonctions objectifs C1, C2 et C3, considres dans cet dont les valeurs sont appeles allles. Les algorithmes
article, sont : gntiques font voluer cette population d'individus par
gnrations successives, en utilisant des oprateurs inspirs de
la minimisation de la dure maximale dexcution de la la thorie de l'volution qui sont la slection, le croisement et la
mutation.
dernire opration,
Le droulement des algorithmes gntiques standards,
figure1, peut tre rsum comme suit :
C1=Cmax = max (CP )
i (1)
1i n gnration de la population initiale,
slection,
le cot des produits prims, reproduction (croisement et mutation),
remplacement par la nouvelle population,

rev max(0,tij ijk )
C 2= Pijk (2)
B. Mthode propose
i jk
(
tij ijk )

Notre approche propose AGS, repose sur lide dutiliser
les algorithmes gntiques dune faon squentielle. En effet,
au lieu dutiliser un seul algorithme pour rpondre aux trois
le cot du discount de distribution,
critres C1, C2 et C3, trois algorithmes gntiques sont utiliss
pour rsoudre successivement ces trois critres. Le rsultat
trouv par le premier algorithme est inject dans le deuxime et
P ven
liv Pi stk ainsi de suite jusqu obtention dun rsultat qui satisfait les
C 3= max 0, d C P +C (3)
i Pi i Pi
Dv DrPi Pi
trois critres.

Le codage choisi pour lapproche AGS est le codage CLOA
Lobjectif de cet article est de construire un et les oprateurs gntiques pris en considration sont
ordonnancement qui satisfait ces critres tout en respectant les loprateur de slection par la roulette, loprateur de
contraintes du problme : croisement bi-points et loprateur de mutation bi-points.
 e-STA copyright 2011 by see
Volume 8, N1, pp 15-22

Dbut

Algorithme : Algorithmes gntiques

Dbut Gnration alatoire de la population initiale
Calculer fitness.
Tant que critre darrt non satisfait Faire
Slectionner individus Nouvelle gnration
Evaluation des individus selon le critre C1
Faire croisement des individus
Croisement
Faire mutation des individus et Mutation
Remplacer individus
non Test darrt ?
Calculer fitness Slction

Fin tant que

oui
Fin
Population finale
PF1
Figure 1. Etapes de mise en oeuvre des algorithmes gntiques
Population initiale = PF1
La rsolution par stratgie squentielle se fait en trois
tapes.
Nouvelle gnration Evaluation des individus selon le critre C2
Etape 1: Application des algorithmes gntiques pour
Croisement
la rsolution du critre C1. Dans cette tape, la population et Mutation
initiale est gnre alatoirement. Les oprateurs de
non
slection, de croisement et de mutation constituent Slction Test darrt ?

le processus de reproduction pour crer de nouvelles

oui
populations qui est rpt jusqu obtention
dune population PF1 qui sapproche au mieux de la Population finale
PF2
solution optimale.
Etape 2 : La population PF1 obtenus prcdemment est Population initiale = PF2
choisie comme population initiale de notre algorithme
pour rpondre au critre C2. A partir de cette population, Nouvelle gnration
Evaluation des individus selon le critre C3
des nouvelles populations sur lesquelles on applique les
oprateurs de croisement, de mutation et de slection sont Croisement
et Mutation
gnres de faon itrative. Au final, une nouvelle
non
population PF2 proche de la solution optimale est obtenue. Slction Test darrt ?

Etape 3 : Cette tape est semblable ltape 2. En effet, la

oui
population PF2, obtenue prcdemment, est choisie comme
population initiale de notre algorithme pour rpondre au Population finale
PF3
critre C3. Elle servira de base pour les gnrations ultrieures
qui sont obtenues partir du processus de reproduction. Stop
Ce processus est rpt jusqu lobtention dune population
PF3 qui sapproche au mieux de la solution optimale. Figure 2. Organigramme de lalgorithme AGS propos
A la fin de cet algorithme, nous obtenons une population
satisfaisant les trois critres C1, C2 et C3. La date de fin effective de lopration oij est obtenue par
Cette mthode de rsolution que nous qualifions de la relation (4) :
squentielle ou de srie est schmatise dans la figure 2.
IV. MISE EN UVRE DE LALGORITHME PROPOSEE ij = max(rij , ik ) + pij (4)
La mise en uvre de lalgorithme gntique squentiel
propos passe par plusieurs phases dont celle relative au
o ij reprsente la date de fin de lopration oik qui
codage, celle relative la gnration de la population initiale et prcde lopration oij .
ceux relatifs aux oprateurs gntiques.
B. Gnration de la population initiale
A. codage propos
La population initiale est un ensemble dindividus qui
Le codage CLOA propos dans la figure 3, dfini lordre,
servira de base pour les gnrations antrieurs. Ainsi, cet
la date de dbut au plus tt, la dure et la date de fin effective
ensemble dindividus doit tre assez diversifi.
des oprations. Ce codage est inspir du codage CLO (Codage
Liste des Oprations) [25] et du codage CPM (Codage Pour avoir un ensemble dindividus assez diversifi, la
Parallle Machines) [26] ; il consiste proposer des listes gnration de la population initiale dans notre application se
ordonnes dune gamme de produits en ligne de fabrication. fait en gnrant des individus alatoirement. La figure 4
Codage propos. prsente lalgorithme de gnration de la population initiale.
e-STA copyright 2011 by see
Volume 8, N1, pp 15-22

o , r , p , o , r , p , o , r , p ,
i1 i1 i1 i1 i 2 i2 i 2 i2 ij ij ij ij

Figure 3. Codage propos

Algorithme : Gnration Alatoire de la population

alatoire
Variable locale n : taille de la population
Dbut
Pour i=1 jusqu n
Faire Gnrer un individu valide alatoirement
Fin Pour
Fin

Figure 4. Algorithme de gnration de la population initiale

C. Oprateurs gntiques proposs

Les oprateurs gntiques permettent la diversification la
population au cours des gnrations et dexplorer lespace
dtat, reprsent par lespace des solutions.
Ces diffrents oprateurs proposs pour la rsolution du
problme trait, sont prsents dans ce qui suit. Figure 5. Exemple dun croisement bi-points
1) Oprateurs de slction: La mthode de slection
labore est base sur le principe de la roulette. Cette mthode
exploite la mtaphore dune roulette de casino pour laquelle
chaque individu de la population occupe une section de la roue
proportionnelle sa valeur dvaluation. Ainsi, la position
darrt de la bille indique lindividu slectionn.
Dans cette mthode, les individus non domins sont gards
Figure 6. Exemple dune mutation
afin de permettre lobtention de diffrentes solutions optimales
possibles qui constitueront un support de dcision et V. RESULTATS OBTENUS
garantiront aussi la diversit de lvolution des individus.
Aprs le choix du squencement des critres, est prsente
2) Oprateurs de croisement : Dans cet article, nous avons une comparaison des rsultats obtenus par lalgorithme AGS
choisi dadapter le croisement bi-points. Lopration de propose avec ceux obtenus par les mthodes classiques pour
croisement deux points, illustre par la figure 5, se droule la rsolution de problmes multi-objectifs : lapproche Pareto-
comme suit : optimalit et la pondration des fonctions objectives.
Loprateur, choisit deux individus parents et deux points de
croisement choisis alatoirement k1 et k2, ensuite, les A. Exemples datelier une machine
oprations du parent1, qui prcdent le premier point de Deux exemples, traitant de problmes en industries
croisement et qui suivent le second point de croisement, sont agroalimentaires sont considrs. Ils consistent ordonnancer
copies dans lenfant 1 et les oprations du parent 2, qui respectivement 10 et 30 produits dans des ateliers une
machine pour montrer lefficacit de lapproche dveloppe
prcdent le premier point de croisement et qui suivent le
AGS pour la rsolution de deux problmes de tailles et de
second point de croisement, sont copies dans lenfant 2. complexits diffrentes dont les donnes sont consignes dans
Finalement et la mme position, les oprations non les annexes 1et 2.
existantes du parent 2 sont copies dans lenfant 1 et les
oprations non existantes du parent 1 sont copies dans Ces donnes sont relatives aux date de dbut au plus tt des
lenfant 2. oprations ( rij ), dure opratoire des oprations ( pij ), date de
validit limite des composants ( ijk ), prix de revient des
3) Oprateur de mutation : Cet oprateur choisit
rev liv
alatoirement deux positions dun mme individu (parent), composants ( Pijk ), date de livraison du produit fini ( d Pi ),
chaque position correspond une opration oij et une opration
oik (ij et ik indices de lopration). Ensuite, il y a permutation dure de vie du produit fini ( DvPi ), dure de retour du produit
entre lopration Oij et lopration oij pour gnrer un autre ven
fini ( DrPi ), prix de vente unitaire du produit ( PPi ) et cot du
individu (enfant), figure 6.
 e-STA copyright 2011 by see
Volume 8, N1, pp 15-22
stockage, par unit de temps, dune unit du produit fini
(C
stk
).
Pi
Prenant en compte les donnes prsentes, la dure
minimale dexcution de la dernire opration, le cot des
produits prims et le cot du discount de distribution sont
calculs partir des relations (1), (2) et (3).
B. Analyse des rsultats
Aprs le choix des paramtres de lapproche AGS et le
choix du squencement des critres, est prsente une
comparaison des rsultats obtenus par lalgorithme AGS
propose avec ceux obtenus par les mthodes classiques.
1) Paramtre de lapproche AGS propose
Le tableau 1 indique les valeurs des paramtres utiliss par
lapproche AGS, afin de gnrer les solutions. Ces paramtres
sont la taille de la population, le nombre ditrations, les
probabilits de croisement et de mutation.
TABLE I. VALEURS DES PARAMETRES RELATIF A LALGORITHME AGS
Benchmark 1 Benchmark 2
Taille de la population 10 30
Nombre ditrations 300 600
Probabilit de croisement 0.7 0.7
Probabilit de mutation 0.01 0.01
2) Choix du squencement des critres
Lalgorithme AGS propos, utilisant le codage CLOA est
appliqu en vue dobtenir le meilleur ordre de passage des
oprations minimisant les critres C1, C2 et C3.
Ainsi, pour un certains nombre de gnrations, lapplication
des oprateurs de croisement et de mutation gnre
de nouveaux individus dont les nouveaux cots sont calculs
dune manire itrative jusqu lobtention du meilleur
individu de cot le plus bas.
Lapproche propose tant base sur lutilisation
des algorithmes gntiques dune faon squentielle,
trois algorithmes gntiques sont utiliss chacun resolvant le
problme relatif un critre. Le rsultat trouv par le premier
algorithme est trait par le deuxime et ainsi de suite jusqu
obtention du rsultat final minimisant les trois critres.
Cette approche est applique dabord pour les critres C1, C2
et C3 pris dans cet ordre. Par la suite, une permutation sur
les critres est ensuite effectue pour tudier linfluence
de lordre sur la qualit du rsultat final.
Pour les six algorithmes ainsi distingus : AGS123,
AGS132, AGS213, AGS231, AGS321 et AGS312. Le tableau
2 rsume les rsultats obtenus relatifs aux benchmark 1 et 2 par
application de lalgorithme AGS propos.
Le choix du premier critre a donc une influence
significative sur le rsultat final obtenu par lalgorithme
propose AGS. En effet, la valeur minimale de chaque critre
est obtenue lorsque lalgorithme propos commence par la
mise en uvre de ce critre. Par exemple, la valeur minimale
du critre C1 est 22 pour le benchmark 1 et 67 pour le second
benchmark, ces valeurs sont obtenues par les algorithmes
AGS123 et AGS132.
De mme pour le critre C2 et C3, la valeur minimale de
chaque critre est obtenue respectivement par les algorithmes
AGS213, AGS231 et les algorithmes AGS321 et AGS312.
Nous envisageons maintenant de comparer les rsultats
obtenus par AGS avec ceux relatifs au problme doptimisation
considr multi-objectifs ramen un problme mono-objectif.
Pour cela considrons la fonction F, somme pondres aux
poids respectifs 1 , 2 et 3 des trois fonctions objectifs C1,
C2 et C3 :
F = C + C + C (5)
1 1 2 2 3 3
avec :
i 0 , i=1, 2,3 et 1 + 2 + 3 = 1 .
Les coefficients i peuvent, par un choix adquat de leurs
valeurs, privilgier un critre par rapport un autre. Nous
avons impos ces valeurs 0.4 pour C1, 0.1 pour C2 et 0.5 pour
C3. Le cot du discount de distribution est ainsi privilgi par
rapport celui du makespan et par rapport celui des produits
prims.
Sur le tableau 3 qui donne la valeur de la fonction F, on
note que lalgorithme AGS321 prsente la plus basse valeur de
la fonction F pour le premier benchmark alors que lalgorithme
AGS 312 prsente la plus basse valeur de la fonction F pour le
benchmark 2.
3) Etude comparative des performances de lalgorithme
AGS propose :
Lefficacit de lapproche AGS dveloppe, est ici
compare avec celles relatives lapproche Pareto-optimalit
(APO) et lapproche base sur la pondration des fonctions
(APF) est effectu tout en se basant sur la valeur du minimum
trouv et le temps de compilation.
Dans la mise en uvre des deux approches APO et APF
sont utilises les mmes valeurs des paramtres retenus pour le
cas de lalgorithme AGS propose du tableau 1.
Les rsultats obtenus par application des diffrentes
mthodes utilises pour les deux benchmarks sont consigns
dans le tableau 4.
Le meilleur rsultat au benchmark 1 a t donc obtenu par
application de la mthode dveloppe AGS, la valeur de la
fonction F trouve tant infrieure celles obtenues par APO et
par APF. Ce rsultat reste valable mme lorsquon augmente le
nombre doprations ce qui est le cas du benchmark 2.
Du point de vue vitesse de compilation, lapproche AGS est
plus rapide que les deux mthodes prcdentes. En effet, la
diffrence de vitesses, pour le benchmark 1, entre lapproche
AGS et lAPO est approximativement de 4 seconde environ et
entre lapproche AGS et lAPF est approximativement de 2
seconde. La diffrence de vitesses, pour le second benchmark,
entre lapproche AGS et lAPO est approximativement de 22.5
seconde environ et entre lapproche AGS et lAPF est
approximativement de 26.3 seconde.
Lapproche AGS dvelopp permet donc de trouver de
meilleurs rsultats que ceux relatifs aux mthodes APO et APF
et des temps de compilation plus rapide.
 e-STA copyright 2011 by see
Volume 8, N1, pp 15-22

TABLE II. RESULTATS DE SIMULATION DU SGA_1

Benchmark 1 Benchmark 2

AGS AGS AGS AGS AGS AGS AGS AGS AGS AGS AGS AGS
123 132 213 231 321 312 123 132 213 231 321 312

C1 22 22 24 23 25 26 67 67 68 68 68 68

C2 8 8 8 8 13 14 59 59 59 58 62 64

C3 31 27 36 35 18 18 76 77 70 68 58 56

TABLE III. RESULTATS DE LA FONCTION OBJECTIVE F POUR CHAQUE ALGORITHMES

Benchmark 1 Benchmark 2

AGS AGS AGS AGS AGS AGS AGS AGS AGS AGS AGS AGS
123 132 213 231 321 312 123 132 213 231 321 312

F 25.1 23.1 28.4 27.5 20.3 20.8 70.7 71.2 68.1 67.1 62.4 61.6

TABLE IV. RESULTATS DE LA FONCTION OBJECTIVE F POUR CHAQUE ALGORITHMES

Benchmark 1 Benchmark 2

Mthode
APO APF AGS APO APF AGS
doptimisation

F 25.5 24 20.3 82.4 85 61.6

CPU (s) 9.2526 8.6694 6.5011 68,3566 72,1139 45,8669

VI. CONCLUSION computer and manufacturing process. Springer, Berlin, 1996.

La nouvelle approche multi-objectif propose exploitant les
algorithmes gntiques pour l'ordonnancement dun problme
en industries agro-alimentaires une machine, fonde sur
lide dutiliser le squencement des objectifs, permet de
fournir, en des temps acceptables, un ensemble de solutions
optimales.
Compare aux mthodes APO et APF de point de vue
qualit des rsultats et temps de calcul, elle sest rvle la plus
efficace pour les deux benchmarks tudis de diffrentes
complexits.
REFERENCES
[1] M. Pinedo, Scheduling theory, algotithms, and Systems. Prentice-
Hall, Inc., New Jersey, 1995.
[2] J. Blazewicz, K. Ecker, E. Pesch, G. Schmidt, J. Weglarz, Scheduling
[3] K. C. Ying, S. W. Lin, C. Y. Huang, Sequencing single-machine
tardiness problems with sequence dependent setup times using an
iterated greedy heuristic. Expert Systems with Applications, Vol. 36:
70877092, 2009.
[4] J.K. Lenstra, A.H.G. Rinnooy Kan, P. Bruker, Complexity of
machine scheduling problems. Annals of Discrete Mathematics, Vol.
1: 343-362, 1977.
[5] M. Garey, D. Johnson, Computer and Intractability: a Guide to the
Theory of NP- Completeness. Freeman W-H, San Francisco, 1979.
[6] J. Carlier, Scheduling jobs with release dates and tails on identical
machines to minimize the makespan. European Journal of
Operational Research, Vol. 29: 298-306, 1987.
[7] F. Jin, S. Song, C. Wu, A simulated annealing algorithm for single
machine scheduling problems with family setups. Computers &
Operations Research, Vol. 36: 2133- 2138, 2009.
[8] F. F. Choobineh, E. Mohebbi and H. Khoo, A multiobjective tabu
search for a single-machine scheduling problem with sequence-
dependent setup times. European Journal of Operational Research,
Vol. 175: 318337, 2006.
 e-STA copyright 2011 by see
Volume8, N1, pp 15-22

[9] F. Tangour, S. Hammadi, P. Borne et M. Benrejeb, Ordonnancement
dynamique dans un atelier de production agroalimentaire. Sminaire
dAutomatique-
Industrie, SAI06, Matmata, 2006.
[10] Fuh-Der Chou, An experienced learning genetic algorithm to solve
the single machine total weighted tardiness scheduling problem.
Expert Systems with Applications, Vol. 36: 38573865, 2009.
[11] M. Hassine, N. Liouane, K. Ben Othman, Elaboration dune
mtaheuristique daide lordonnancement. La cinquime
Confrence Internationale dElectrotechnique et dAutomatique,
JTEA, 02-04 Mai 2008, Hammamet.
[12] D. Anghinolfi, M. Paolucci, A new discrete particle swarm
optimization approach for the single-machine total weighted tardiness
scheduling problem with sequence-dependent setup times. European
Journal of Operational Research, Vol. 193: 7385, 2009.
[13] J.H. Holland, Adaptation in natural and artificial systems. Ann Arbor,
MI: University of Michigan Press; 1975.
[14] O. Etiler, B. Toklu, M. Atak, J. Wilson, A genetic algorithm for flow
shop scheduling problems. Journal of the Operations Research
Society Vol. 55:8305, 2004.
[15] J. F. Gonalves, J. J. D. M. Mendes, M. G. C Resende, A hybrid
genetic algorithm for the job shop scheduling problem. European
Journal of Operational Research, Vol. 167: 7795, 2005.
[16] C. F. Liaw, A hybrid genetic algorithm for the open shop scheduling
problem. European Journal of Operational Research, Vol.124:2842,
2000.
[17] P. C. Chang, S.S. Chen, C. Y. Fan, Mining gene structures to inject
artificial chromosomes for genetic algorithm in single machine
scheduling problems. Applied Soft Computing 8, 767777, 2008.
[18] F. D. Chou, An experienced learning genetic algorithm to solve the
single machine total weighted tardiness scheduling problem. Expert
Systems with Applications 36, 38573865, 2009.
[19] E. Gargouri, S. Hammadi, P. Borne, A study of scheduling problem
in agro-food manufacturing systems. Mathematics and Computers in
Simulation, Vol. 60: 277291, 2002.
[20] A. Madureira, C. Ramos, S. D. C. Sliva, A GA based scheduling
system for dynamic single machine problem. In Proceeding of the 4th
IEEE international symbosium on assembly and task planning soft
research park, pp. 28129. Japan, 2001.
[21] M. Koksalan, A. B. Keha, Using genetic algorithms for single
machine bicriteria scheduling problems. European Journal of
Operational Research 145, 543556, 2003.
[22] P. C. Chang, J.C. Hsieh, C.H. Liu, A case-injected genetic algorithm
for single machine scheduling problems with release time. Int. J.
Prod. Econ. 103 (2), 551564, 2006.
[23] D.E. Goldberg, Genetic algorithms in search, optimization, and
machine learning, Advison-Wesley, 1989.
[24] Pei-Chann Chang, Shih-Shin Chen, Chin-Yuan Fan, Mining gene
structures to inject artificial chromosomes for genetic algorithm in
single machine scheduling problems. Applied Soft Computing 8,
767777, 2008.
[25] I. Kacem, S. Hammadi and P. Borne, Flexible job-shop scheduling
problems: formulation, lower-bounds, encodings, and controlled
evolutionary approach. Computational Intelligence in Control, Idea
Group Publishing, 2003.
[26] K. Mesghouni, S. Hammadi and P. Borne, On modeling genetic
algorithm for fexible job-shop scheduling problem. Studies in
Informatics and Control Journal, Vol.7: 37-47, 1998.

ANNEXE 1 : DONNEES RELATIVES AU BENCHMARK 1

1 j1 1 j 2 1 j 3 liv PPven stk

r1 j p1 j P1rev
j1 P1rev
j2 P1rev
j3
dP Dv P DrP CP
1 i i i i

O11 0 1 13 15 - 2 1 - 14 35 10 6 3

O12 1 2 14 14 12 3 2 4 8 35 10 6 3

O13 2 4 13 5 13 4 2 3 8 35 10 6 3

O14 3 2 13 14 12 3 4 2 12 33 9 8 4

O15 4 1 12 13 11 2 3 2 20 33 9 8 4

O16 1 2 7 15 14 1 2 1 12 33 9 8 4

O17 3 1 7 15 14 1 2 3 12 33 9 8 4

O18 2 3 13 16 12 2 1 2 14 31 11 5 2

O19 1 2 9 15 14 2 4 3 8 31 11 5 2

O110 3 4 9 15 14 2 1 3 18 31 11 5 2
e-STA copyright 2011 by see
Volume 8, N1, pp 15-22

ANNEXE 2 : DONNEES RELATIVES AU BENCHMARK 2

1 j1 1 j 2 1 j 3 liv PPven stk

r1 j p1 j P1rev
j1 P1rev
j2 P1rev
j3
dP Dv P DrP CP
1 i i i i

O11 0 1 13 15 - 2 1 - 24 65 40 6 3

O12 1 2 14 14 12 3 2 4 18 65 40 6 3

O13 2 4 13 5 13 4 2 3 18 65 40 6 3

O14 3 2 13 14 12 3 4 2 22 63 39 8 4

O15 4 1 12 13 11 2 3 2 30 63 39 8 4

O16 1 2 7 15 14 1 2 1 22 63 39 8 4

O17 3 1 7 15 14 1 2 3 22 63 39 8 4

O18 2 3 13 16 12 2 1 2 24 61 41 5 2

O19 1 2 9 15 14 2 4 3 18 61 41 5 2

O110 3 4 9 15 14 2 1 3 28 61 41 5 2

O111 0 1 13 15 - 2 1 - 24 65 40 6 3

O112 1 2 14 14 12 3 2 4 18 65 40 6 3

O113 2 4 13 5 13 4 2 3 18 65 40 6 3

O114 3 2 13 14 12 3 4 2 22 63 39 8 4

O115 4 1 12 13 11 2 3 2 30 63 39 8 4

O116 1 2 7 15 14 1 2 1 22 63 39 8 4

O117 3 1 7 15 14 1 2 3 22 63 39 8 4

O118 2 3 13 16 12 2 1 2 24 61 41 5 2

O119 1 2 9 15 14 2 4 3 18 61 41 5 2

O120 3 4 9 15 14 2 1 3 28 61 41 5 2

O121 0 1 13 15 - 2 1 - 24 65 40 6 3

O122 1 2 14 14 12 3 2 4 18 65 40 6 3

O123 2 4 13 5 13 4 2 3 18 65 40 6 3

O124 3 2 13 14 12 3 4 2 22 63 39 8 4

O125 4 1 12 13 11 2 3 2 30 63 39 8 4

O126 1 2 7 15 14 1 2 1 22 63 39 8 4

O127 3 1 7 15 14 1 2 3 22 63 39 8 4

O128 2 3 13 16 12 2 1 2 24 61 41 5 2

O129 1 2 9 15 14 2 4 3 18 61 41 5 2

O130 3 4 9 15 14 2 1 3 28 61 41 5 2