Professional Documents
Culture Documents
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
o , r , p , o , r , p , o , r , p ,
i1 i1 i1 i1 i 2 i2 i 2 i2 ij ij ij ij
stockage, par unit de temps, dune unit du produit fini De mme pour le critre C2 et C3, la valeur minimale de
(C
stk
). chaque critre est obtenue respectivement par les algorithmes
Pi
AGS213, AGS231 et les algorithmes AGS321 et AGS312.
Prenant en compte les donnes prsentes, la dure Nous envisageons maintenant de comparer les rsultats
minimale dexcution de la dernire opration, le cot des obtenus par AGS avec ceux relatifs au problme doptimisation
produits prims et le cot du discount de distribution sont considr multi-objectifs ramen un problme mono-objectif.
calculs partir des relations (1), (2) et (3). Pour cela considrons la fonction F, somme pondres aux
B. Analyse des rsultats poids respectifs 1 , 2 et 3 des trois fonctions objectifs C1,
Aprs le choix des paramtres de lapproche AGS et le C2 et C3 :
choix du squencement des critres, est prsente une F = C + C + C (5)
1 1 2 2 3 3
comparaison des rsultats obtenus par lalgorithme AGS
propose avec ceux obtenus par les mthodes classiques. avec :
1) Paramtre de lapproche AGS propose
i 0 , i=1, 2,3 et 1 + 2 + 3 = 1 .
Le tableau 1 indique les valeurs des paramtres utiliss par
lapproche AGS, afin de gnrer les solutions. Ces paramtres Les coefficients i peuvent, par un choix adquat de leurs
sont la taille de la population, le nombre ditrations, les valeurs, privilgier un critre par rapport un autre. Nous
probabilits de croisement et de mutation. 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
TABLE I. VALEURS DES PARAMETRES RELATIF A LALGORITHME AGS
rapport celui du makespan et par rapport celui des produits
Benchmark 1 Benchmark 2 prims.
Taille de la population 10 30
Sur le tableau 3 qui donne la valeur de la fonction F, on
note que lalgorithme AGS321 prsente la plus basse valeur de
Nombre ditrations 300 600 la fonction F pour le premier benchmark alors que lalgorithme
Probabilit de croisement 0.7 0.7 AGS 312 prsente la plus basse valeur de la fonction F pour le
benchmark 2.
Probabilit de mutation 0.01 0.01
3) Etude comparative des performances de lalgorithme
2) Choix du squencement des critres AGS propose :
Lalgorithme AGS propos, utilisant le codage CLOA est
appliqu en vue dobtenir le meilleur ordre de passage des Lefficacit de lapproche AGS dveloppe, est ici
oprations minimisant les critres C1, C2 et C3. compare avec celles relatives lapproche Pareto-optimalit
Ainsi, pour un certains nombre de gnrations, lapplication (APO) et lapproche base sur la pondration des fonctions
des oprateurs de croisement et de mutation gnre (APF) est effectu tout en se basant sur la valeur du minimum
de nouveaux individus dont les nouveaux cots sont calculs trouv et le temps de compilation.
dune manire itrative jusqu lobtention du meilleur Dans la mise en uvre des deux approches APO et APF
individu de cot le plus bas. sont utilises les mmes valeurs des paramtres retenus pour le
Lapproche propose tant base sur lutilisation cas de lalgorithme AGS propose du tableau 1.
des algorithmes gntiques dune faon squentielle, Les rsultats obtenus par application des diffrentes
trois algorithmes gntiques sont utiliss chacun resolvant le mthodes utilises pour les deux benchmarks sont consigns
problme relatif un critre. Le rsultat trouv par le premier dans le tableau 4.
algorithme est trait par le deuxime et ainsi de suite jusqu Le meilleur rsultat au benchmark 1 a t donc obtenu par
obtention du rsultat final minimisant les trois critres. application de la mthode dveloppe AGS, la valeur de la
Cette approche est applique dabord pour les critres C1, C2 fonction F trouve tant infrieure celles obtenues par APO et
et C3 pris dans cet ordre. Par la suite, une permutation sur par APF. Ce rsultat reste valable mme lorsquon augmente le
les critres est ensuite effectue pour tudier linfluence nombre doprations ce qui est le cas du benchmark 2.
de lordre sur la qualit du rsultat final. Du point de vue vitesse de compilation, lapproche AGS est
Pour les six algorithmes ainsi distingus : AGS123, plus rapide que les deux mthodes prcdentes. En effet, la
AGS132, AGS213, AGS231, AGS321 et AGS312. Le tableau diffrence de vitesses, pour le benchmark 1, entre lapproche
2 rsume les rsultats obtenus relatifs aux benchmark 1 et 2 par AGS et lAPO est approximativement de 4 seconde environ et
application de lalgorithme AGS propos. entre lapproche AGS et lAPF est approximativement de 2
Le choix du premier critre a donc une influence seconde. La diffrence de vitesses, pour le second benchmark,
significative sur le rsultat final obtenu par lalgorithme entre lapproche AGS et lAPO est approximativement de 22.5
propose AGS. En effet, la valeur minimale de chaque critre seconde environ et entre lapproche AGS et lAPF est
est obtenue lorsque lalgorithme propos commence par la approximativement de 26.3 seconde.
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 Lapproche AGS dvelopp permet donc de trouver de
benchmark, ces valeurs sont obtenues par les algorithmes meilleurs rsultats que ceux relatifs aux mthodes APO et APF
AGS123 et AGS132. et des temps de compilation plus rapide.
e-STA copyright 2011 by see
Volume 8, N1, pp 15-22
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
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
Benchmark 1 Benchmark 2
Mthode
APO APF AGS APO APF AGS
doptimisation
[9] F. Tangour, S. Hammadi, P. Borne et M. Benrejeb, Ordonnancement [18] F. D. Chou, An experienced learning genetic algorithm to solve the
dynamique dans un atelier de production agroalimentaire. Sminaire single machine total weighted tardiness scheduling problem. Expert
dAutomatique- Systems with Applications 36, 38573865, 2009.
Industrie, SAI06, Matmata, 2006. [19] E. Gargouri, S. Hammadi, P. Borne, A study of scheduling problem
[10] Fuh-Der Chou, An experienced learning genetic algorithm to solve in agro-food manufacturing systems. Mathematics and Computers in
the single machine total weighted tardiness scheduling problem. Simulation, Vol. 60: 277291, 2002.
Expert Systems with Applications, Vol. 36: 38573865, 2009. [20] A. Madureira, C. Ramos, S. D. C. Sliva, A GA based scheduling
[11] M. Hassine, N. Liouane, K. Ben Othman, Elaboration dune system for dynamic single machine problem. In Proceeding of the 4th
mtaheuristique daide lordonnancement. La cinquime IEEE international symbosium on assembly and task planning soft
Confrence Internationale dElectrotechnique et dAutomatique, research park, pp. 28129. Japan, 2001.
JTEA, 02-04 Mai 2008, Hammamet. [21] M. Koksalan, A. B. Keha, Using genetic algorithms for single
[12] D. Anghinolfi, M. Paolucci, A new discrete particle swarm machine bicriteria scheduling problems. European Journal of
optimization approach for the single-machine total weighted tardiness Operational Research 145, 543556, 2003.
scheduling problem with sequence-dependent setup times. European [22] P. C. Chang, J.C. Hsieh, C.H. Liu, A case-injected genetic algorithm
Journal of Operational Research, Vol. 193: 7385, 2009. for single machine scheduling problems with release time. Int. J.
[13] J.H. Holland, Adaptation in natural and artificial systems. Ann Arbor, Prod. Econ. 103 (2), 551564, 2006.
MI: University of Michigan Press; 1975. [23] D.E. Goldberg, Genetic algorithms in search, optimization, and
[14] O. Etiler, B. Toklu, M. Atak, J. Wilson, A genetic algorithm for flow machine learning, Advison-Wesley, 1989.
shop scheduling problems. Journal of the Operations Research [24] Pei-Chann Chang, Shih-Shin Chen, Chin-Yuan Fan, Mining gene
Society Vol. 55:8305, 2004. structures to inject artificial chromosomes for genetic algorithm in
[15] J. F. Gonalves, J. J. D. M. Mendes, M. G. C Resende, A hybrid single machine scheduling problems. Applied Soft Computing 8,
genetic algorithm for the job shop scheduling problem. European 767777, 2008.
Journal of Operational Research, Vol. 167: 7795, 2005. [25] I. Kacem, S. Hammadi and P. Borne, Flexible job-shop scheduling
[16] C. F. Liaw, A hybrid genetic algorithm for the open shop scheduling problems: formulation, lower-bounds, encodings, and controlled
problem. European Journal of Operational Research, Vol.124:2842, evolutionary approach. Computational Intelligence in Control, Idea
2000. Group Publishing, 2003.
[17] P. C. Chang, S.S. Chen, C. Y. Fan, Mining gene structures to inject [26] K. Mesghouni, S. Hammadi and P. Borne, On modeling genetic
artificial chromosomes for genetic algorithm in single machine algorithm for fexible job-shop scheduling problem. Studies in
scheduling problems. Applied Soft Computing 8, 767777, 2008. Informatics and Control Journal, Vol.7: 37-47, 1998.
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
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