EQUILIBRAGE DES LIGNES D`USINAGE

Transcription

EQUILIBRAGE DES LIGNES D`USINAGE
Industrial Engineering and Computer Sciences Division (G2I)
EQUILIBRAGE DES LIGNES D'USINAGE :
LA RESOLUTION DES PROBLEMES
DE GRANDE TAILLE
O. GUSCHINSKAYA, A. DOLGUI
Octobre 2006
RAPPORT DE RECHERCHE
2006-500-011
G2I research reports
are available in PDF format
on the site Web of ENSM-SE
Les rapports de recherche
du Centre G2I de l'ENSM-SE
sont disponibles en format PDF
sur le site Web de l'Ecole
www.emse.fr
Centre G2I
Génie Industriel et Informatique
Division for
Industrial Engineering and Computer Sciences
(G2I)
Par courier :
By mail:
Ecole Nationale Supérieure des Mines de Saint-Etienne
Centre G2I
158, Cours Fauriel
42023 SAINT-ETIENNE CEDEX 2
France
ÉQUILIBRAGE DES LIGNES D'USINAGE : LA
RÉSOLUTION DES PROBLÈMES DE GRANDE TAILLE
O. Guschinskaya and A. Dolgui
Abstract. This paper deals with the optimization of decisions that
must be taken at preliminary design of serial machining lines. Such
lines consist of a sequence of unit head machines which are equipped
by several spindle heads performing simultaneously the operations assigned to them. The quantity of equipments requisite to produce a part
with the given productivity rate and to provide the required characteristics of a part denes the nal cost of the machining line which must
be minimized. In this paper, a mixed optimization approach is suggested in order to integrate exact and heuristic methods in a common
algorithmic scheme. Numerical tests are reported and analyzed.
Keywords: Line Balancing, Decomposition, Graphs, Mixed Integer
Programming, Heuristics
Mathematics Subject Classication. 90B80, 90C27, 49M27,
90C59
Résumé. Ce travail porte sur l'optimisation de la conguration des
lignes d'usinage lors de leur conception. Une telle ligne est constituée
des machines-outils avec des têtes d'usinage multi-broches qui exécutent plusieurs opérations en parallèle. Le problème d'optimisation
consiste à déterminer le nombre minimal d'équipements (têtes d'usinage multi-broches et machines) nécessaires pour assurer la fabrication
de la pièce tout en respectant les contraintes technologiques et économiques connues. Dans cet article, nous proposons une approche mixte
intégrant des méthodes de résolution exactes et approchées dans un
schéma algorithmique commun. Les performances de notre approche
ont été évaluées par des expérimentations numériques dont les résultats sont présentés et analysés.
Ce travail est supporté par le projet INTAS 03-51-5501.
2
Introduction
Les lignes d'usinage dédiées forment le coeur de beaucoup de systèmes de fabrication en grande série [31]. De telles lignes sont constituées de machines-outils
disposées de façon linéaire. Nous considérons le cas où la ligne est sans stock intermédiaire. À intervalle de temps régulier, égal au temps de cycle, toutes les pièces
se trouvant sur la ligne sont déplacées de manière synchrone à la machine-outil
suivante. Les pièces sont positionnées et un nouveau cycle commence. Le temps
de cycle donne donc l'intervalle de temps entre deux produits nis sortant de la
ligne (cadence).
Pour réduire le coût de la ligne et l'espace occupé, les machines-outils sont
munies de plusieurs têtes d'usinage dont chacune a une ou plusieurs broches. Le
mode d'activation des têtes d'usinage (séquentiel, parallèle ou mixte) est décidé
durant les étapes initiales de la conception. Le choix dépend de la productivité
voulue et des solutions techniques adaptées. Dans cet article, nous traitons le cas
où les têtes d'usinage de chaque machine-outil sont activées séquentiellement dans
un ordre xe à dénir lors de la conception de la ligne. Chaque tête d'usinage peut
comporter plusieurs outils pour eectuer simultanément toutes les opérations qui
lui sont aectées. Les opérations sur chaque machine-outil (station) s'exécutent
donc bloc par bloc où toutes les opérations d'un bloc se font en parallèle.
La repartition des opérations par blocs et stations est un problème dicile
à cause d'un nombre important de contraintes liées d'une part au processus de
fabrication et d'autre part aux caractéristiques des équipements. Mais étant donné
que le nombre de blocs correspond au nombre de têtes d'usinage et que le nombre
de stations donne le nombre de machine-outils à installer, la recherche d'une bonne
variante de conception (et si possible d'une variante optimale) minimisant ces
paramètres (et donc le coût de la ligne) est un problème de grande importance.
Dans cet article, nous utilisons les termes 'bloc' et 'station' pour désigner respectivement une tête d'usinage et une machine-outil. An de pouvoir formuler le
problème d'optimisation, nous émettons les hypothèses suivantes :
(1) Toutes les opérations nécessaires pour la fabrication du produit auquel la
ligne est dédiée sont à priori connues et dénies par deux paramètres : la
longueur de la course de l'outil λ et l'avance par minute υ .
(2) Les opérations doivent être groupées dans des blocs. Toutes les opérations
d'un bloc sont à exécuter simultanément. Les valeurs des paramètres λ et
υ d'un bloc sont calculées à partir des valeurs individuelles de toutes les
opérations du bloc. Ces paramètres déterminent le temps de cycle du bloc.
(3) Comme les têtes d'usinage d'une machine-outil sont activées de façon séquentielle, le temps de cycle d'une station est la somme des temps de cycle
de tous ses blocs.
(4) Une station est munie d'au moins un bloc. Les blocs ne sont pas connus
d'avance et doivent être conçus à la phase d'optimisation. Le nombre maximal de blocs par station est borné, d'une part pour des raisons économiques, d'autre part par des contraintes technologiques.
3
(5) Les contraintes de précédence entre les opérations, les contraintes d'inclusion (elles imposent que certains sous-ensembles d'opérations soient réalisés sur une même station) et les contraintes d'exclusion (elles interdisent
l'exécution de certains sous-ensembles d'opérations sur une même station
ou par une même tête d'usinage) sont connues et invariables.
(6) Le coût de la ligne dépend uniquement du nombre de stations et du nombre
de blocs.
Le problème d'optimisation consiste à créer des blocs et des stations de sorte
que toutes les opérations soient assignées, toutes les contraintes soient respectées,
et que le coût de la ligne soit le plus petit possible.
Le reste de cet article est organisé comme suite. Dans la section 1, nous positionnons le problème que nous traitons par rapport aux travaux existants dans la
littérature. Puis, dans la section 2, nous proposons une formulation mathématique
du problème. Ensuite, nous donnons dans la section 3 le schéma général de l'approche ainsi que les techniques utilisées. La section 4 est consacrée à la comparaison
de diverses stratégies de combinaison des techniques à travers des test numériques
sur un échantillon de problèmes de grande taille. Enn, la section 5 termine cet
article avec la présentation des conclusions et des perspectives envisageables.
1. État de l'art
1.1. équilibrage des lignes d'assemblage
La littérature de la Recherche Opérationnelle est riche en travaux concernant
l'équilibrage des lignes d'assemblage (Assembly Line Balancing Problem dans la
littérature anglo-saxonne) [7, 26, 42]. Le premier modèle mathématique de ce problème a été présenté par Salveson en 1955 [40]. Le terme Simple Assembly Line
Balancing Problem (SALBP) a été introduit par Baybars [7] en 1986. Pour ce
problème classique, la chaîne d'assemblage a comme objectif de fabriquer un seul
type de produit. Un ensemble d'opérations élémentaires à réaliser sur la chaîne
ainsi que des contraintes de précédence de ces opérations (un ordre partiel obtenu
en analysant toutes les gammes d'assemblage possibles) sont connues. Le temps de
cycle de la ligne (productivité voulue) est également connu. Il faut alors repartir
les opérations sur les stations de travail de sorte que le temps mort total de la
ligne soit minimal. Le temps mort de chaque station est déni comme la diérence
entre le temps de cycle voulu (la charge objective) et la charge réelle (la somme
des temps d'opérations aectées à cette station). Le temps mort total de la ligne
est égal à la somme de temps morts de toutes les stations. Pour ce problème, la solution avec le minimum de temps mort total donne le nombre de stations minimal
et donc le coût de la ligne minimal.
L'état de l'art des méthodes exactes pour la résolution du SALBP a été présenté
dans [7], une comparaison exhaustive des méthodes approchées a été faite dans [45],
d'autres articles avec l'état de l'art existent, par exemple [26, 43].
4
La formulation du SALBP n'exprime pas toute la réalité industrielle à cause
des hypothèses simplicatrices qu'elle comprend [26]. Plusieurs chercheurs ont essayé d'y introduire des hypothèses plus générales, dans ce cas on parle du GALBP
(General Assembly Line Balancing Problem). Les articles présentant l'état de l'art
du GALBP [8, 26, 39] permettent d'observer l'évolution des hypothèses considérées et des approches de résolution proposées. Ghosh et Gagnon en 1989 [26] ont
comparé 64 travaux concernant les problèmes de type SALBP et de GALBP (publiés pendant la période 1955-1985), Boysen et al. en 2006 [8] ont considéré 146
travaux traitant seulement les problèmes de type GALBP (publiés pendant la période 1965-2006). Plusieurs méthodes ont été proposées dans la littérature pour la
résolution du GALBP notamment : des techniques de relaxation Lagrangienne [1],
des procédures par séparation et évaluation [42], des heuristiques et des métaheuristiques [5, 30, 38].
Le problème étudié dans cet article, lui aussi, peut être considéré comme une
version du GALBP. Cependant, il ne s'agit pas de lignes d'assemblage mais de
lignes d'usinage avec des contraintes et la fonction objectif spéciques à ce domaine. À notre connaissance, le problème que nous traitons dans cet article ne
peut pas être réduit à aucune formulation du GALBP existant dans la littérature.
Pour démontrer cela, nous analyserons dans le texte qui suit les hypothèses proposées dans la littérature concernant les points suivants : la prise en compte des
temps opératoires, les contraintes sur l'aectation des opérations, l'introduction
de l'exécution parallèle d'opérations, le choix des équipements et la formulation
de la fonction objectif.
Temps opératoires. Les modèles peuvent être classés en trois catégories selon
la façon dont les temps opératoires sont pris en compte, à savoir déterministes,
aléatoires et dynamiques [10, 39]. Dans le premier cas, les temps opératoires sont
connus et invariables [32], dans le deuxième cas ils sont des variables aléatoires [36,
41,44], dans le troisième cas les temps opératoires diminuent en fonction du temps
de fonctionnement de la ligne grâce à l'eet d'apprentissage subi par les opérateurs
[9, 17]. Dans le cas où la formulation du GALBP implique des alternatives pour
le choix d'équipements [11, 12, 25] ou pour les séquences de précédence [1316],
les temps opératoires varient généralement en fonction de l'alternative. Il y a une
diversité des modèles, néanmoins, dans tous les cas considérés dans la littérature
soit le temps opératoire, soit sa loi de distribution est connu pour chaque opération.
Dans notre problème, les temps opératoires dépendent des paramètres λ et υ de
la tête d'usinage correspondante et ces derniers ne sont pas connus a priori. Ces
paramètres sont déterminés en fonction de l'ensemble des opérations qui sont dans
le même bloc. Alors les temps opératoires ne sont pas connus tant que toutes les
décisions d'aectation ne sont pas prises.
Quand des temps auxiliaires sont pris en compte, on parle des incréments associés aux stations de travail [10]. Dans notre problème, nous devons en considérer
deux types : le temps auxiliaire de manipulation au niveau d'une station (correspondant au temps de xation, de chargement, et de déchargement de la pièce) et
le temps de mise en fonctionnement des broches pour chaque tête d'usinage. Alors
l'incrément pour une station est constitué dans notre cas de son propre temps
5
auxiliaire plus le temps total des incréments de toutes ses têtes d'usinage, mais
nous ne savons pas à l'avance combien de têtes d'usinage seront aectées à chaque
station.
Contraintes sur l'aectation des opérations. Les origines des contraintes
peuvent être de nature technologique, économique ou logique (préférence du concepteur). Dans la littérature on peut trouver des contraintes concernant les relations opérations-stations et opérations-opérations. La première classe comprend
les contraintes liées à l'interdiction ou à l'obligation d'aecter une opération à
une station précise ou à un type de station [32]. La deuxième classe comporte les
contraintes suivantes :
les contraintes de précédence entre les opérations (ce sont les contraintes les
plus utilisées) [7, 40] ;
les contraintes d'inclusion imposant que certains sous-ensembles d'opérations
soient réalisés sur une même station de travail [42] ;
les contraintes d'exclusion interdisant l'exécution de certains sous-ensembles
d'opérations sur une même station de travail [42] ;
les contraintes imposant des distances entre les opérations (minimum ou
maximum), les distances sont dénies soit en terme de nombre de stations
soit du temps entre la n d'une opération et le début de l'autre [37].
Dans notre problème, toutes les contraintes peuvent être ramenées aux contraintes de cette deuxième classe (opérations-opérations) puisqu'à l'étape de conception
préliminaire d'une ligne d'usinage, nous ne connaissons pas les futures congurations des stations pour pouvoir dénir les contraintes opérations-stations.
Les facteurs technologiques et la nature du processus d'usinage font que la modélisation des contraintes pour les problèmes d'optimisation des lignes d'usinage
ont plusieurs particularités par rapport au cas des lignes d'assemblage. Le processus d'assemblage est très contraint par des relations de précédence, tandis que la
densité des contraintes de précédence pour l'usinage est plus petite. En contrepartie, un nombre important de contraintes d'inclusion et d'exclusion apparaît pour
la conception des lignes d'usinage. Les contraintes d'exclusion concernent, par
exemple, les opérations situées sur des faces diérentes de la pièce qui ne peuvent
pas être réalisées dans le même bloc, parce qu'on ne peut pas xer les outils pour
leur réalisation dans la même tête d'usinage. D'autres contraintes d'exclusion sont
dues, par exemple à : l'inuence réciproque des opérations ; l'impossibilité de xation requise de la pièce ; l'inaccessibilité de certaines zones de travail par les outils ;
des particularités de construction des têtes d'usinage et des broches ; etc. Il faut
introduire des contraintes d'exclusion à deux niveaux : pour les têtes d'usinage et
pour les stations. Les contraintes d'inclusion permettent d'assurer une précision ou
une tolérance requise lors de l'usinage. Nous aurons besoin de ces contraintes seulement au niveau des stations. En eet, les opérations qui doivent être exécutées dans
le même bloc peuvent être simplement fusionnées en une seule macro-opération.
L'utilisation des outils tranchant à étages permet l'exécution par le même outil
de ce type des opérations liées par une contrainte de précédence. Cela nécessite
d'une modélisation adaptée des contraintes de précédence. Si l'utilisation d'un outil
tranchant à étages pour l'exécution de deux opérations liées par une contrainte de
6
précédence n'est pas souhaitable ou n'est pas réalisable, il faut alors compléter
la contrainte de précédence par une contrainte d'exclusion au niveaux de têtes
d'usinage pour ces deux opérations.
Comme le lecteur a pu constater, les lignes d'usinage ont beaucoup de spécicités et des contraintes plus complexes, pour ces raisons les approches adaptées aux
problèmes d'équilibrage des lignes d'assemblage peuvent être peu ecaces pour la
résolution des problèmes des lignes d'usinage.
Parallélisme d'exécution des opérations. Dans la littérature, les travaux
admettant un certain parallélisme d'exécution des opérations à la même phase de
fabrication peuvent être classiés en 3 catégories [8, 10].
(1) les lignes parallèles. L'installation de plusieurs lignes d'assemblage, chacune étant équilibrée pour la production d'un seul type de produit, peut
être une alternative à une ligne d'assemblage produisant plusieurs types
de produit en même temps [6, 35]. Dans ce cas nous avons plusieurs ux
de produits (un par ligne) et les opérations d'un même étage s'exécutent
en parallèle mais sur des ux diérents.
(2) les stations parallèles. En présence d'opérations ayant un temps opératoire
qui dépasse le temps de cycle de la ligne, des stations parallèles peuvent
être installées. Elles possèdent un temps de cycle local égal au nombre de
stations parallèles multiplié par le temps de cycle de la ligne. Les mêmes
opérations sont dédoublées et s'exécutent en parallèle mais sur des stations
diérentes et sur des unités de produit diérentes.
(3) les positions de travail parallèles. La diérence principale de ce mode de
fonctionnement par rapport aux deux précédents réside dans le fait qu'ici
les opérations s'exécutent en parallèle sur la même pièce (sur le même
ux). Les travaux prenant en compte cette possibilité restent limités. La
plupart sont consacrés au traitement d'un cas particulier des lignes d'assemblage organisées de telle manière que les opérateurs ou les équipements
sont situés sur deux cotés de la ligne, à gauche et à droite (two-sided assembly lines dans la littérature anglo-saxonne). Cette organisation permet
d'eectuer 2 opérations à la fois : une de chaque coté. Un cas plus général
est considéré dans [33]. Il s'agit de lignes d'assemblage robotisées, où plusieurs robots (4 dans la plupart des cas) sont installés sur chaque station
de travail et sont capables de réaliser des opérations distinctes en même
temps. Cependant, les auteurs n'abordent pas le problème d'équilibrage
lors de la conception de telles lignes, ils se focalisent sur le problème de la
réallocation des opérations, qui apparaît quand le robot sensé les exécuter
tombe en panne.
La troisième catégorie est la plus dicile (et la moins étudiée), car si
pour les catégories 1 et 2 il est possible de les ramener aux problèmes
sans parallélisme, la catégorie 3 demande de nouvelles contraintes (quelles
sont les opérations qui peuvent être mises en parallèle) et a des nouvelles
propriétés (le temps d'une station n'est plus la somme des temps opératoires des opérations qui lui sont assignées). Le problème traité dans cet
7
article est une généralisation des problèmes de la troisième catégorie. En
eet, les broches d'une tête d'usinage peuvent être considérées comme des
positions parallèles. Alors, nous arriverons au problème avec un nombre
inconnu a priori des positions parallèles (ce nombre se décide en même
temps que l'aectation des opérations). De plus, ce nombre est variable
pour une même station au cours de la réalisation des opérations (activation
des têtes d'usinage de la station qui n'ont pas forcément le même nombre
d'outils).
Choix des équipements. Les problèmes traitant à la fois le choix des équipements et l'équilibrage de la ligne sont connus dans la littérature anglo-saxonne
sous le nom de Assembly Line Design Problem (ALDP). La majorité de ces travaux se contentent du choix d'un équipement par station dans la liste des équipements disponibles [11,12,25]. Cette approche peut être étendue au cas de plusieurs
équipements par station, si on est capable de savoir d'avance tous les ensembles
d'équipements éligibles. En considérant chaque ensemble comme un seul équipement nous ramenons ce problème au cas connu.
Pour notre problème nous ne connaissons pas à l'avance les congurations possibles des équipements, alors nous sommes obligés de les concevoir lors du processus d'optimisation en déterminant la composition et le nombre de têtes d'usinage
installées sur chaque station.
Fonction objectif orientée coût. Une nouvelle classe des problèmes est introduite dans les publications ou les auteurs essaient d'optimiser à la fois les coûts liés
à l'installation et à l'utilisation de la ligne. Cette classe de problèmes est connue
dans la littérature anglo-saxonne sous le nom Cost oriented Assembly Line Balancing Problem (CALBP). Un état de l'art des travaux consacrés au CALBP et un
classement des coûts possibles ont été présentés dans [24]. Les coûts peuvent être
engendrés par l'investissent et l'amortissement (liés aux achats des équipements, à
l'installation des stations de travail, à la longueur de la ligne, etc .) ou par son utilisation (salaires des opérateurs). Le c÷ur de ces modèles réside dans la possibilité
de tenir compte des opérations de qualication diérente avec des taux de salaire
diérents. Comme nous traitons le cas de lignes entièrement automatisées, nous
n'avons pas besoin de considérer les salaires des opérateurs. Nous pouvons donc
nous limiter aux coûts d'investissements qui sont engendrés par chaque station et
chaque tête d'usinage. Comme nous l'avons déjà mentionné, nous ne connaissons
pas à l'avance les congurations possibles des équipements, celles-ci sont déterminées lors du processus d'optimisation, mais nous savons que les coûts xes d'une
station de travail et d'une tête d'usinage (bâtis, tables, porte-pièces, porte-outils,
actionneurs, asservisseurs, etc .) sont largement supérieurs aux autres coûts (outils
utilisés, etc .). Pour pouvoir aborder le problème de la conception préliminaire de
manière ecace, nous avons opté pour le critère suivant : minimiser une somme
pondérée du nombre de stations et du nombre de têtes d'usinage. Ce critère est
une généralisation du critère du SALBP où seul le nombre des stations est pris en
compte.
8
1.2. Travaux précédents
Historiquement, la première formulation du problème d'équilibrage des lignes
d'usinage a été proposé par Dolgui et al. [22] en 1999. Dans un premier temps,
les auteurs ont mis en avant l'intérêt de développer une méthode exacte pour sa
résolution et ont proposé de transformer le problème initial en un problème de
recherche du plus court chemin dans un graphe spécialement construit. Dans cette
approche, la diculté principale réside dans la construction de ce graphe [23].
Ensuite, les auteurs ont montré que le problème étudié peut être présenté sous
la forme d'un programme linéaire en variables mixtes et être résolu par le biais
du logiciel d'optimisation Cplex d'ILOG [24]. Les auteurs ont amélioré les performances de cette approche en diminuant le nombre de variables et de contraintes
du modèle par une analyse plus approfondie des contraintes du problème initial ;
les premiers résultats ont été publiés dans [20].
L'étude des performances de ces deux méthodes exactes [27] a montré qu'elles
sont complémentaires. Les problèmes très contraints permettent de diminuer la
taille du graphe de décisions utilisé par la première méthode et par conséquent
atteindre la solution optimale en temps du calcul raisonnable. En contrepartie, les
problèmes peu contraints se prêtent bien à une résolution plus rapide en utilisant
la deuxième méthode. Néanmoins, ces méthodes ne sont pas capables de résoudre
les problèmes de grande taille (plus de 100 opérations) sans imposer un coût calculatoire important. Il est à noter aussi que la deuxième approche s'est avérée tout
de même plus sensible à l'augmentation de nombre d'opérations.
Ces résultats ne sont pas inattendus. Étant donné que les problèmes d'équilibrage des lignes d'usinage sont NP-diciles, il est donc illusoire de penser que les
méthodes exactes peuvent traiter tous les problèmes, quelle que soit leur taille.
Cela justie l'utilisation de méthodes approchées pour la résolution des instances
de grande taille.
Quelques heuristiques ont été proposées dans [19,24], notamment FSIC et RAP.
Elles sont basées sur la méthode COMSOAL [5] et elles combinent une construction progressive et déterministe de solutions, sans remise en cause des décisions
antérieurement prises avec une approche de type Monte Carlo qui est utilisée lorsqu'une décision à prendre comporte plusieurs possibilités. Les algorithmes FSIC et
RAP se diérencient principalement par la manière de sélectionner une opération
dans la liste des opérations candidates quand il y a un choix à faire (c'est-à-dire
par la façon d'eectuer le branchement dans l'arbre d'énumération).
En présence de problèmes de grande taille, une solution peut également être
trouvée en décomposant l'ensemble initial des opérations N en plusieurs (w) sousensembles [18,20,24]. Une approche exacte peut être appliquée de manière séquentielle à chaque sous-ensemble en suivant la décomposition N 1 , N 2 , ..., N u , ..., N w .
Le résultat global du problème initial est alors obtenu en regroupant les solutions
de tous les sous-problèmes. La première approche basée sur la décomposition du
problème initial a été étudiée dans [24]. Les auteurs ont élaboré un algorithme
de décomposition déterministe basé sur celui de [34] tout en tenant compte de la
spécicité du problème traité et des objectifs de la décomposition. Cet algorithme
9
calcule le Rang de chaque opération dans le graphe de précédence et ensuite regroupe les opérations selon leurs Rang s en respectant les contraintes d'exclusion.
Pour la résolution des sous-problèmes, les auteurs ont utilisé un modèle MIP et
l'outil Cplex d'ILOG. Les tests numériques ont montré que l'emploi de la décomposition pour des exemples de taille importante permet de diminuer le temps de
résolution par rapport aux méthodes exactes tout en gardant une qualité du résultat acceptable. Par contre, le temps de calcul reste souvent relativement grand
et les solutions obtenues bien sûr n'atteignent pas l'optimum.
Une autre approche basée sur la décomposition d'une solution faisable a été initialement proposée dans [28]. Elle consiste à utiliser une heuristique pour trouver
une solution réalisable, une deuxième heuristique est appliquée pour la décomposer
en solutions partielles et une méthode exacte est utilisée pour améliorer chaque
solution partielle. Les performances de cette approche par rapport à l'utilisation
exclusive de l'heuristique ont été étudiées dans [27, 29]. Les tests numériques ont
montré que l'algorithme proposé est relativement ecace pour les problèmes de
grande taille. L'amélioration qu'il apporte par rapport à une heuristique dépend
des caractéristiques du problème ainsi que des paramètres de l'algorithme et du
temps de calcul alloué. Dans cet article, nous présentons une analyse plus approfondie de cette approche et proposons des améliorations importantes ainsi qu'une
étude de ses performances pour les problèmes de grande taille.
2. Formulation du problème d'optimisation
Rappelons que le problème étudié dans cet article consiste à aecter toutes les
opérations de l'ensemble N aux blocs et aux stations de travail en minimisant le
nombre total de blocs et de stations tout en respectant les contraintes données.
Une solution faisable du problème étudié est caractérisée par :
le nombre m de stations de travail ;
l'aectation des opérations de l'ensemble N aux m stations de travail, l'ensemble d'opérations placées sur une station est noté Nk , k = 1, 2, ..., m ;
le nombre nk de blocs de station k ; le nombre total de blocs sur la ligne est
m
P
n=
nk ;
k=1
la répartition des opérations de chaque ensemble Nk entre les nk blocs : Nk1 ,
Nk2 , ..., Nknk , k = 1, 2, ..., m.
Avec ces notations, une solution faisable peut être représentée par une collection
S = {{N11 , ..., N1n1 }, ..., {Nm1 , ..., Nmnm }}, la collection Sopt correspond à la
solution optimale du problème étudié.
Les données de départ pour la conception des lignes d'usinage sont les suivantes :
N est l'ensemble d'opérations à aecter ;
Λ(N) où λi est la longueur de la course de l'outil si l'opération i (i ∈ N) est
exécutée seule (elle a sa propre tête d'usinage) ;
10
Υ(N) où υi est l'avance par minute de l'outil si l'opération i (i ∈ N) est
exécutée seule (elle a sa propre tête d'usinage) ;
m0 est le nombre maximal autorisé de stations de la ligne ;
n0 est le nombre maximal de blocs par station à ne pas dépasser ;
P red(j) est l'ensemble des prédécesseurs directs de l'opération j ∈ N, l'opération i ∈ N appartient à l'ensemble P red(j) si et seulement si l'opération j
ne peut pas précéder l'opération i ;
ES est une collection de sous-ensembles e ⊂ N d'opérations où chaque sousensemble e représente une contrainte d'exclusion au niveau des stations de
travail ;
EB est une collection de sous-ensembles e ⊂ N d'opérations où chaque sousensemble e donne une contrainte d'exclusion au niveau des blocs ;
ES est une collection de sous-ensembles e ⊂ N d'opérations où chaque sousensemble e représente une contrainte d'inclusion au niveau des stations de
travail ;
T0 est le temps de cycle maximal de la ligne à ne pas dépasser ;
τS et τb sont les temps auxiliaires au niveau d'une station et d'un bloc, respectivement ;
C1 et C2 sont les coûts relatifs d'une station et d'un bloc, respectivement.
Notons que : 1) Les contraintes de précédence sont non strictes , cela signie
que si l'opération i ∈ N appartient à l'ensemble P red(j), les opérations i et j
peuvent être exécutées par la même tête d'usinage, c'est-à-dire peuvent être aectées au même bloc. Seule l'exécution de l'opération j dans un bloc précédant celui
où l'opération i est faite est interdite. S'il s'agit d'une contrainte de précédence
stricte entre deux opérations i et j , il sut tout simplement de compléter la
contrainte non stricte par une contrainte interdisant le regroupement de ces
opérations dans un bloc, en insérant le sous-ensemble {i, j} dans la collection EB .
2) Si les collections ES , EB comportent un ensemble constitué de plus de deux
opérations, alors seule l'aectation de toutes les opérations de cet ensemble à la
même station (ou au même bloc) est interdite. Cela fait que si au moins une
seule opération de ce sous-ensemble est aectée à une station diérente (à un bloc
diérent) des autres, la contrainte d'exclusion est respectée. Donc, pour interdire
l'aectation, par exemple, n'importe quelle combinaison des opérations i, j, k à la
même station, il ne su pas d'ajouter {i, j, k} ∈ ES dans le modèle mais compléter
cette contrainte en ajoutant trois ensembles {i, j}, {i, k} et{j, k} dans la collection
ES .
3) Les contraintes d'exclusion pour les stations dominent celles pour les blocs.
C'est-à-dire que si deux opérations ne peuvent pas être aectées à la même station,
elles ne peuvent non plus être dans le même bloc.
4) Toutes les opérations de chaque ensemble e de la collection ES doivent être
aectées à la même station.
Alors, un problème d'équilibrage d'une ligne d'usinage peut être représenté par
une collection des données suivante :
P = {N, Λ(N), Υ(N), m0 , n0 , EB , ES , ES , T0 , τS , τb , C1 , C2 }.
11
Comme les stations de travail sont disposées de façon linéaire et sont activées
simultanément, la station la plus lente dénie le temps de cycle de la ligne
T . À son tour, comme les blocs d'une station sont activés en séquence, le temps
de cycle d'une station de travail est constitué de la somme des temps de cycle
de ses blocs. Alors, pour calculer T nous devons passer par le calcul du temps de
cycle de chaque bloc et ensuite de chaque station de travail en tenant compte des
incréments existant à chaque niveau :
tb est le temps de cycle d'un bloc,
tb (Nkl ) =
max{λi |i ∈ Nkl }
+ τb
min{υi |i ∈ Nkl }
(1)
tS est le temps de cycle d'une station de travail,
tS (Nk ) =
nk
X
tb (Nkl ) + τS
(2)
l=1
Alors, le problème d'équilibrage d'une ligne d'usinage peut être formulé de la
manière suivante :
M inimiser Q(S) = C1 m + C2
m
X
nk
(3)
k=1
S. c. :
T (S) = max{tS (Nk )|1 ≤ k ≤ m} ≤ T0
nk
m [
[
Nkl = N
(4)
(5)
k=1 l=1
Nk0 l0 ∩ Nk00 l00 = ∅, pour tous
0
00
0
00
0 0
00 00
k , k = 1, ..., m, l = 1, ..., nk0 , l = 1, ..., nk00 , où k l 6= k l
(6)
(k 0 − 1)n0 + l0 ≤ (k 00 − 1)n0 + l00 , i ∈ Nk0 l0 , j ∈ Nk00 l00 , (i) ∈ P red(j)
(7)
Nk ∩ e ∈ {∅, e}, pour ∀e ∈ ES, k = 1, ..., m
(8)
e 6⊂ Nkl , pour ∀e ∈ EB, k = 1, ..., m, l = 1, ..., nk
(9)
e 6⊂ Nk , pour ∀e ∈ ES, k = 1, ..., m
(10)
m = m(S) ≤ m0
(11)
nk = nk (S) ≤ n0 , pour k = 1, ..., m
(12)
12
Le problème consiste à minimiser la fonction objectif (3) représentant une estimation du coût de la ligne à l'étape de conception préliminaire. Ce coût est calculé
comme la somme pondérée du nombre de stations de travail et du nombre de blocs,
les poids étant les coûts relatifs d'une station et d'un bloc. La contrainte (4) garantit que le temps de cycle T de la ligne n'excède pas le temps de cycle objectif
T0 , permettant ainsi à la ligne d'atteindre la productivité voulue. L'équation (5)
assure l'aectation de toutes les opérations de l'ensemble N. Les contraintes (6)
précisent que chaque opération de l'ensemble N est aectée à un seul bloc d'opérations. L'équation (7) dénit les contraintes de précédence entre les opérations.
L'équation (8) modélise les contraintes d'inclusion concernant les stations de travail. Les équations (9)-(10) représentent les contraintes d'exclusion relatives aux
blocs (9) et aux stations (10). L'équation (11) assure que le nombre de stations de
la ligne ne dépasse pas le nombre maximum autorisé. L'équation (12) interdit la
création de plus de n0 blocs sur une station de travail.
3. Approche mixte d'optimisation
3.1. Schéma général de l'approche
L'algorithme que nous proposons permet d'intégrer des méthodes de résolution
exactes et approchées dans un schéma algorithmique commun. Dans un premier
temps, l'heuristique est utilisée an de trouver une solution faisable du problème
initial. Cette solution Sheur représente une aectation possible de toutes les opérations de l'ensemble N aux mheur stations de travail. Elle peut être représentée comme une séquence Sheur , où chaque élément correspond à une station de
travail. Bien évidement, toutes les contraintes de précédence et de compatibilité
sont respectées pour chaque élément (station). Ceci nous permet de décomposer
l'ensemble N en sous-ensembles indépendants en découpant tout simplement la séquence Sheur en w sous-séquences de telle façon que Sheur = {N 1 , ..., N u , ..., N w } :
chaque sous-ensemble N u inclue un nombre entier de stations successives,
k2
S
c.-à-d. N u =
Nk , 1 ≤ k1 < k2 ≤ mheur ;
k=k1
toutes les opérations de chaque station sont dans le même sous-ensemble,
c.-à-d. si Nk ⊂ N u , alors Nk 6⊂ N i , i ∈ {1, ..., w}\u ;
w
S
l'union de tous les sous-ensembles N u donne l'ensemble N, c.-à-d.
Nu =
N.
u=1
Ensuite, à partir de chaque sous-ensemble N u obtenu par le découpage de la
séquence Sheur , nous formions un nouveau problème, dit sous-problème, qui est de
même type que le problème initial mais de taille plus petite. Nous avons élaboré
deux techniques de formation de ces sous-problèmes :
sans intersection (indépendante) : chaque sous-problème peut être résolu indépendamment des autres (les sous-problèmes n'ont pas d'opérations en commun), la solution du problème initial est ainsi formée par la concaténation
des solutions des sous-problèmes ;
13
avec agrégation (agrégée) : les opérations qui étaient dans les sous-problèmes
précédents sont également dans le sous-problème courant mais sous forme
de macro-opérations. La solution du problème initial est le résultat de la
résolution du dernier sous-problème.
La technique de résolution indépendante est plus rapide. Cependant, la technique agrégée peut conduire à des solutions de meilleure qualité.
Quelle que soit la technique de décomposition utilisée, chaque sous-problème est
résolu par une méthode exacte, cela nous permet de trouver une solution optimale
de chaque sous-problème SPu . Bien évidement, le coût de cette solution CSPu ≤
Cuheur , où Cuheur est le coût de la sous-séquence u dans la solution Sheur . La
technique de formation de la solution nale à partir des solutions partielles dépend
de la technique de résolution de sous-problèmes. Nous en avons proposé deux,
présentées en détails dans la section 3.3.
Après avoir trouvé une solution au problème initial suite à l'application de la
méthode exacte à tous les sous-problèmes, nous admettons qu'une itération de
l'algorithme est terminée. Pour commencer une nouvelle itération, nous revenons
à l'heuristique an de trouver une nouvelle solution approchée qui ensuite sera
décomposée et ainsi de suite. Notons que l'heuristique que nous utilisons donne,
de manière générale, une solution diérente à chaque appel, car elle est basée sur
la méthode COMSOAL faisant des choix aléatoires [24].
Étant donné que le temps alloué est limité, nous avons introduit un critère
de sélection permettant de décider si une solution heuristique est utilisée pour la
décomposition ou s'il faut l'abandonner et chercher une meilleure solution heuristique (en lançant de nouveau l'algorithme heuristique). Quelques propositions sur
la façon d'analyser une solution heuristique an de savoir si on l'accepte ou non,
c'est-à-dire si on a une chance ou non d'obtenir une meilleure solution après la
phase de la décomposition, sont présentées dans la section 3.2.
Quand le temps de résolution alloué s'écoule (Tcur > Tres , où Tcur est le temps
consommé pour la résolution, Tres est le budget du temps disponible), nous choisissons la meilleure solution que nous avons pu obtenir. Éventuellement, on peut
ajouter d'autres conditions d'arrêt, telles que l'obtention d'une solution avec un
coût Cmin inférieur à un seuil donné Cstop ou le dépassement des valeurs maximales autorisées (T Rtot_aut et T Rnimp_aut ) par le nombre d'itérations eectuées
T Rtot ou par le nombre d'itérations sans amélioration T Rnimp .
L'algorithme 1 décrit le schéma global de notre approche.
3.2. Algorithme heuristique
Comme nous l'avons mentionné précédemment à l'étape de résolution approchée, nous utilisons l'heuristique FSIC [19]. C'est la meilleure heuristique parmi
celles qui ont été proposées dans la littérature pour ce problème. Les choix aléatoires résidant dans cette heuristique permettent de trouver des solutions de départ
de diérentes qualités. L'application d'une méthode exacte après la décomposition
d'une solution heuristique réalisable peut être considérée comme une recherche
locale visant l'amélioration d'une solution de départ. Quelle que soit la technique
14
Données : P, Tres , T Rnimp_aut , T Rtot_aut , Cstop
Résultat : Smin , Cmin
1 Initialiser Cmin = ∞, T Rtot = 0, T Rnimp = 0.
2
3
4
5
6
7
8
9
répéter
Choisir une solution heuristique Sheur avec son coût Cheur .
si Cheur < Cmin alors
Cmin = Cheur , Smin = Sheur
n
Initialiser k = 1, u = 1.
tant que k < mheur faire
Déterminer N u et ku .
Générer un nouveau sous-problème SPu à partir de N u .
k = k + ku , u = u + 1.
Résoudre le sous-problème SPu par une méthode exacte ;
n
Former la solution nale Shybr avec son coût Chybr à partir de u
sous-problèmes résolus.
T Rtot = T Rtot + 1.
si Chybr < Cmin alors
Cmin = Chybr , Smin = Shybr , T Rnimp = 0
sinon
Incrémenter le compteur T Rnimp = T Rnimp + 1
n
jusqu'à Tcur > Tres || T Rnimp < T Rnimp_aut || T Rtot > T Rnimp_tot ||
Cmin < Cstop .
Algorithme 1 : Schéma global de l'approche mixte
utilisée pour former les sous-problèmes, le nombre d'aectations possibles pour
chaque opération est limité par le sous-ensemble auquel elle appartient. L'espace
de solutions devient celui avec un voisinage non connexe et limité. Il est non
connexe parce que l'optimum global ne peut pas être atteint à partir de n'importe
quelle solution de départ. Il est limité car le nombre de solutions voisines est restreint par le nombre de réaectations admissibles pour un sous-problème. Le gain
possible pour la fonction objectif est encore plus limité à cause de nombreuses
contraintes et parce que beaucoup de solutions voisines donnent une même valeur
pour la fonction objectif. Bien évidemment, l'exploitation de toutes les solutions
de départ n'est pas réalisable parce que le temps calculatoire est limité. Alors,
l'obtention des solutions de meilleure qualité nécessite l'emploi d'une technique de
sélection des solutions de départ. Nous avons mis en ÷uvre deux techniques de ce
type.
La première compare le coût Cheur de chaque solution heuristique obtenue avec
le coût de la meilleure solution heuristique connue Cheur_min . Si la diérence ne
dépasse pas un écart autorisé δ , une telle solution heuristique est acceptée comme
une solution de départ, sinon elle est rejetée. La deuxième technique lance l'heuristique pendant un certain temps Theur susant pour eectuer N ITheur itérations,
15
ensuite la meilleure solution obtenue est comparée avec Cheur_min comme dans le
premier cas. Alors, l'étape 2 de l'algorithme 1 est donné par l'algorithme 2.
Données : δ, Cheur_min , Sheur_min
Résultat : Sheur , Cheur , Sheur_min , Cheur_min , Theur
1*
1**
Tstart = Tcur
tant que Une solution faisable Sheur n'a pas été trouvée faire
Générer une nouvelle solution heuristique.
n
tant que Tcur − Tstart < Theur faire
Générer des solutions heuristiques, mais pas plus que N ITheur
La solution Sheur avec son coût Cheur est la meilleure solution parmi
celles qui sont obtenues dans cette boucle.
2
n
si Cheur ≥ (1 + δ)Cheur_min alors
3
n
si Cheur < Cheur_min alors
Aller à l'étape 1* ou 1**
n
Cheur_min = Cheur , Sheur_min = Sheur
4 Aller à l'étape 3 de l'algorithme 1
Algorithme 2 : Sélection d'une solution heuristique
L'algorithme 2 utilise soit l'étape 1* pour la réalisation de la première technique
soit l'étape 1** pour la deuxième. La deuxième technique doit normalement fournir
des solutions de départ avec un coût plus petit, en contrepartie elle consomme plus
de temps à cette étape, cela diminue le temps restant pour la résolution de sousproblèmes de manière exacte.
Les premiers résultats présentés dans [29] conrment l'utilité du paramètre δ
permettant d'éviter la décomposition des solutions non potentielles. Selon ces résultats, la valeur optimale de δ varie entre 0.02 - 0.03 en fonction de la taille du
problème. Dans la section 4.2, nous présentons les résultats de tests plus avancés.
3.3. Décomposition d'une solution heuristique
L'augmentation exponentielle du temps de calcul pour les méthodes exactes
avec l'augmentation de la taille du problème soulève la question suivante : comment
découper le problème initial en sous-problèmes pour que la méthode exacte utilisée
soit capable de les résoudre tous dans le budget de temps alloué. Nous avons deux
cas extrêmes à éviter. De manière générale, plus les sous-ensembles sont petits,
plus il est facile d'obtenir un temps de calcul raisonnable, mais en même temps
nous avons moins de chances d'améliorer la solution de départ et s'approcher de
l'optimum global. D'un autre côté, si la taille est trop importante nous risquons de
ne jamais pouvoir résoudre ce sous-problème de manière optimale dans le budget
de temps alloué. Puisque la taille du problème est déterminée par la cardinalité de
16
l'ensemble N u correspondant, nous utilisons le paramètre M axOp an de pouvoir
contrôler le nombre d'opérations d'un sous-problème. Notons qu'étant donné que
nous ne pouvons pas découper plus nement l'ensemble d'opérations aectées à
une station, nous ne pouvons donc garantir qu'aucun sous-problème ne dépasse
M axOp, si jamais le nombre d'opérations aectées à une station est supérieur à
M axOp.
Comme nous ne disposons pas de critère déterminant a priori des sous-séquences
de la séquence Sheur dont la résolution de manière exacte apporterait le plus de
gain, nous eectuons le découpage de manière aléatoire. Plus précisément, pour
déterminer le nombre de stations de travail dont les opérations constitueront un
sous-problème (ku ), nous choisissons au hasard un nombre entier dans l'intervalle
[1 .. M axSt], où le paramètre M axSt comme M axOp est utilisé pour limiter la
taille des sous-problèmes : il donne le nombre maximal autorisé de stations incluses
dans un sous-problème.
Le choix des paramètres M axOp et M axSt doit être fait à l'étape d'initialisation
de l'algorithme en fonction des paramètres suivants : la taille du problème initial,
le temps calculatoire disponible, la technique de formation de sous-problèmes et la
méthode exacte utilisée pour leur résolution. Si lors de l'exécution de l'algorithme,
deux paramètres sont en contradiction, le paramètreM axOp domine. Par exemple,
si M axSt = 4, M axOp = 30, |N1 | = 10, |N2 | = 20, |N3 | = 15, |N4 | = 20,
k1 = random[1..4] = 3, alors, k1 = 2.
L'étape 5 de l'algorithme 1 est présenté en détail ci-dessous.
Données : k, u
Résultat : ku , N u
ku = random[1..M axSt].
si (ku + k > mheur ) alors
ku = mheur − k
n
N u = Nk , i = 1.
tant que i < ku faire
si |N u | + |Nk+i | < M axOp alors
N u = N u ∪ Nk+i
sinon
stop
n
n
i=i+1
ku = i
Algorithme 3 : Formation d'un sous-séquence
17
3.4. Formation des sous-problèmes
Comme cela a été mentionné dans la section 3.1, nous avons mis on ÷uvre deux
techniques de formation des sous-problèmes, à savoir indépendante et agrégée.
Nous détaillons ici leurs principes.
La technique indépendante repose sur l'absence d'opérations communes
entre les sous-problèmes. Par conséquent, chaque sous-problème peut être résolu
indépendamment des autres. La résolution indépendante des sous-problèmes est
possible du fait que les contraintes de précédence et d'incompabilité sont respectées
entre les sous-ensembles d'opérations N 1 , ..., N u , ..., N w .
L'algorithme 4 décrit la procédure de la formation de SPu à partir de N u .
Données : ku , N u , P
Résultat : P u = SPu
P u = P.
pour tous les j ∈ N u faire
P red(j) = P red(j) ∩ N u
n
pour E = ES , E = EB et E = ES faire
pour tous les e ∈ E faire
si e ∩ N u 6= e alors
n
E = E\e
n
n
N = N u , m0 = ku
Algorithme 4 : Formation du sous-problème SPu à partir de N u
Le sous-problème SPu consiste à aecter l'ensemble d'opérations N u en prenant
en compte les contraintes (4)-(12) modiées. La modication consiste à remplacer
l'ensemble N par l'ensemble N u et ensuite à supprimer les contraintes contenant
des opérations de l'ensemble N\N u . On peut également remplacer m0 pour SPu
par bCuheur /(C1 + C2 )c où Cuheur est le coût de sous-séquence u dans la séquence
Sheur (puisque la solution optimale dans aucun cas ne peut contenir plus de stations de travail qu'une solution faisable). La solution nale du problème initial est
obtenue en remplaçant les sous-séquences de Sheur par les solutions exactes des
sous-problèmes. Le schéma de cette technique est présenté par la gure1. Les algorithmes de formation des solutions nales à partir des solutions des sous-problèmes
sont présentés dans la section 3.5.
Suite au découpage aléatoire du problème initial, nous pouvons nous retrouver
face à deux situations problématiques lors de la formation d'un sous-problème à
partir de l'ensemble N u :
(1) Malgré l'utilisation des paramètres de contrôle de la taille lors du découpage, le sous-problème formé peut s'avérer trop lourd pour la méthode
exacte utilisée à cause du nombre important d'opérations et/ou du nombre
18
Solution Sheur est représentée par séquence de mheur stations
Station mheur
Station 1
Sous-séquence 1
Sous-séquence u
Sous-séquence w
Sous-problème SP1
Sous-problème SPu
Sous-problème SPw
Résolution de SP1
Résolution de SPu
Résolution de SPw
par une méthode exacte
par une méthode exacte
par une méthode exacte
Solution de SP1
Solution de SPu
Solution de SPw
Station 1
Station mhybr
Solution Shybr du problème initial est constitué de mhybr stations
Fig. 1.
Formation des sous-problèmes : technique indépendante
de contraintes. Si nous tentons de résoudre un tel sous-problème, nous risquerons de consommer tout le temps de résolution alloué pour ce seul
sous-problème, ce qui ne garantit pas l'amélioration de la solution nale.
Notons que le terme trop lourd dépend de la méthode exacte utilisée.
(2) Si la taille d'un sous-problème est trop petite , alors, la solution heuristique partielle a une forte chance d'être optimale, et par conséquent, la
résolution de ce sous-problème d'une manière exacte ne pourra pas l'améliorer. Par expérience, nous qualions la taille d'un sous-problème comme
trop petite si le sous-problème contient une seule station de travail
avec un nombre de blocs inférieur à 3, ou deux stations de travail avec un
nombre de blocs inférieur à 2 chacune.
Alors, si à l'étape de résolution du sous-problème SPu , nous nous apercevons
que sa taille est trop petite ou trop grande , an d'éviter les pertes du
temps, nous n'appliquons pas la méthode exacte, mais nous copions simplement
la sous-séquence u dans la solution Shybr .
La technique agrégée quant à elle, construit une solution nale en augmentant progressivement la taille du sous-problème de telle façon que les opérations
qui ont données lieu aux sous-problèmes antérieurs sont également inclues dans le
19
sous-problème courant. Ainsi, la solution du problème initial est le résultat de la
résolution du dernier sous-problème.
Ici, nous avons besoin des techniques d'agrégation des solutions des sous-problèmes antérieurs an d'éviter l'explosion du temps de calcul. Nous avons élaboré une
technique, dont la réalisation est relativement simple : après avoir résolu le sousproblème SPu−1 , il sut de remplacer les blocs obtenus dans la solution Su−1 par
des macro-opérations. Avec cette stratégie, nous tenons compte de la possibilité
d'ajouter dans les stations et blocs déjà construits les opérations qui n'étaient pas
traitées au moment de la formation de ces blocs et stations, ainsi que la possibilité
d'assigner les blocs existants aux autres stations de travail que celles auxquelles
ils ont été assignés auparavant. Le schéma de cette technique est présenté par la
gure 2.
Solution Sheur est représentée par séquence de mheur stations
Station mheur
Station 1
Sous-séquence w
SP1
SP2
SPw
Résolution
de SP1 par une
méthode exacte
Génération des macroopérations à partir
de la solution de SP1
Fig. 2.
Résolution
de SP2 par une
méthode exacte
Macro-opérations
Sous-séquence 2
Macro-opérations
Sous-séquence 1
Génération des macroopérations à partir
de la solution de SP2
Résolution
de SPw par une
méthode exacte
Solution Shybr du
problème initial
Formation des sous-problèmes : technique agrégée
Nous remplaçons chaque ensemble d'opérations Nkl aecté au l -éme bloc de
la station k dans la solution Su−1 par une seule macro-opération M O ayant le
numéro num(M O). Les paramètres λ et υ de cette macro-opération sont calculés
à partir des valeurs individuelles des opérations de l'ensemble Nkl . Après avoir
créé toutes les macro-opérations, nous ajustons les contraintes du problème initial
de la manière suivante : si Nkl est un élément de ES , dans ce cas cet élément peut
être supprimé car la contrainte correspondante est déjà respectée ; autrement, s'il
existe des opérations appartenant à la fois à l'ensemble Nkl et à des ensembles des
collections EB , ES ou ES (mais Nkl n'est pas un élément de ES ), alors nous y
les remplaçons par les numéros des macro-opérations correspondantes.
20
Les macro-opérations sont ajoutées dans l'ensemble N u et les modications
décrites dans l'algorithme 4 sont eectuées pour former le sous-problème SPu . Le
paramètre m0 prend une nouvelle valeur m0 = b(Cu−1 + Cuheur )/(C1 + C2 )c, où
Cu−1 est le coût de la solution du sous-problème SPu−1 .
Notons que nous devons garder les informations concernant la composition des
macro-opérations, car pour reconstituer la solution du problème initial après avoir
obtenu la solution du dernier sous-problème, il faut remplacer les macro-opérations
dans cette solution par les opérations d'origine. .
La formation des macro-opérations à partir de la solutionSu−1 du sous-problème
SPu−1 est présentée par l'algorithme 5, où M O est une macro-opération et num(M O)
est son numéro.
Données : ku−1 , N u−1 , Su−1 , mu−1
Résultat : N, P red, ES, EB, ES
k = 1, l = 1
tant que k ≤ mu−1 faire
tant que l ≤ nk faire
λ(num(M O)) = max{λi |i ∈ Nkl },
υ(num(M O)) = min{υ
Si |i ∈ Nkl },
P red(i)
P red(num(M O)) =
i∈Nkl
pour tous les i ∈ N\Nkl faire
Cur = P red(i) ∩ Nkl
si Cur 6= ∅ alors
P red(i) = P red(i)\Cur ∪ num(M O)
n
n
pour E = ES , E = EB et E = ES faire
pour tous les e ∈ E faire
Cur = e ∩ Nkl
si Cur 6= ∅ alors
si E = ES et Cur = Nkl alors
E = E\e
sinon
n
n
n
e = e\Cur ∪ num(M O)
n
N = N\Nkl ∪ num(M O)
n
l =l+1
k =k+1
n
Algorithme 5 : Formation des macro-opérations
21
3.5. Méthodes exactes
Nous avons utilisé deux méthodes exactes : l'approche par graphe et la programmation linéaire en variables mixtes.
Approche par graphe. Soit S l'ensemble de collections S = {{N11 , ..., N1n1 ,
..., {Nm1 , ..., Nmnm }}, satisfaisant les contraintes (4)-(12). L'ensemble d'opérations
vkl représente les opérations aectées aux k − 1 stations et aux l blocs de la station
k:
k−1
l
S nSr
S
vkl =
Nrq ∪
Nkq
r=1 q=1
q=1
Cet ensemble peut être considéré comme l'état de la pièce après son usinage sur
les k − 1 premières machines et l têtes d'usinage de la k -ème machine.
Soit V l'ensemble de tous les états possibles vkl de la pièce de toutes les solutions
possibles S ∈ S, y compris l'état initial (brut) v0 = ∅ et l'état nal (produit ni)
vN = N.
Pour chaque état v ∈ V nous dénissons un paramètre Γ(v) = 1 si pour tous
les e ∈ ES on a e ∩ v = ∅ ou e ⊆ v , sinon Γ(v) = 0. La valeur 1 signie qu'il
n'y pas d'opérations dans v liées avec les opérations non appartenant à v par une
contrainte ES . Nous construisons un graphe orienté H = (V, F ), dans lequel un
arc (v 0 , v 00 ) ∈ F si et seulement si v 0 ⊂ v 00 , et e 6⊂ N 00 = v 0 \v 00 pour tous les
e ∈ EBS = EB ∪ ES . L'arc (v 0 , v 00 ) représente l'ensemble des opérations v 00 \v 0
réalisé dans un bloc. A chaque arc (v', v) est associé un temps t(v 0 , v 00 ) = tb (N 00 ).
A chaque décision de conception S ∈ S nous associons le chemin correspondant x(S) = ((u0 = v0 , ..., uj−1 , uj , ..., ul(x) = vN ), (γ0 = 1, ..., γj , ..., γl (x) = 1))
du n÷ud v0 au n÷ud vN dans le graphe H . Le paramètre γj est égal à 1 si le
bloc uj \uj−1 est le dernier bloc d'une station dans la solution S . Soit X l'ensemble de tous les chemins x = ((v0 = u0 , ..., uj−1 , uj , ..., ul(x) = vN ), (γ0 =
1, ..., γj , ..., γl (x) = 1)) de v0 à vN dans le graphe H où γj est égal à 0 si Γ(uj ) = 0 et
0 ou 1 sinon. Dans chaque chemin x ∈ X, il y a une séquence j0 = 0, j1 , j2 , ..., jm(x) =
l(x) des indices jr avec γjr = 1 pour r = 0, ..., m(x). Alors un chemin x ∈ X correspond à une décision de conception S(x) = {{u1 \u0 , ..., uj1 \uj1 −1 }, {uj1 +1 \uj1 , ...,
uj2 \uj2 −1 }, ..., {ujm(x)−1 +1 \ujm(x)−1 , ..., ujm(x) \ujm(x) −1 }} qui satisfait les contraintes (4)-(9) mais peut ne pas satisfaire les contraintes (10)-(12). Alors, le problème
initial (3)-(12) peut être transformé en problème de plus court chemin :
M inimiser C(x) = C1 m(x) + C2 l(x)
(13)
S. c. :
x∈X
jr
X
tb (ui \ui−1 ) ≤ T0 , r = 1, ..., m(x)
(14)
(15)
i=jr−1 +1
e 6⊂ (ujr \ujr−1 ), e ∈ ESr = 1, ..., m(x)
(16)
22
jr − jr−1 ≤ n0 , r = 1, ..., m(x)
(17)
m(x) ≤ m0
(18)
La formation de la solution nale à partir des solutions locales pour la technique de formation indépendante est relativement simple : il sut de connecter
les chemins xu obtenus après la résolution des sous-problèmes SPu , u = 1, 2, ..., w,
comme le montre l'algorithme 6 :
u
Données : xu , Copt
, u = 1, ..., w
Résultat : x, Chybr
1 u = 1, Chybr = 0
2 tant que u ≤ w
jcur = 0
faire
tant que jcur < l(xu ) faire
n
uj = ujcur , γj = γjcur
jcur = jcur + 1, j = j + 1
u
Chybr = Chybr + Copt
, u=u+1
n
Algorithme 6 : Obtention de la solution nale : approche par
graphe
Programme linéaire en variables mixtes. Un programme linéaire en variables mixtes pour la résolution des problèmes d'équilibrage des lignes d'usinage
a été proposé dans [23, 24]. Nous allons introduire quelques notations supplémentaires an de pouvoir présenter sa formulation :
tj = λυii est le temps opératoire de l'opération j ∈ N si elle est exécutée seule
par sa propre tête d'usinage (bloc avec une seule opération j ) ;
tij est le temps d'exécution des opérations i, j ∈ N dans un bloc commun,
max{λ ,λ }
tij = min{υii,υjj} + τb ;
q est l'indice de bloc cumulé, c'est-à-dire que le l-ème bloc de la station k a
l'indice q = (k − 1)n0 + l ;
q0 est la valeur maximale possible pour q , q0 = m0 n0 ;
S(k) est l'ensemble des numéros de blocs réservés pour la station k ;
Q(j) est l'ensemble des indices q de blocs auxquels l'opération j peut être
assignée (Q(j) = [q − (j), q + (j)]) (l'opération j ne peut pas être eectuée dans
un bloc q 6∈ Q(j) à cause des contraintes du problème) ;
K(j) est l'ensemble des indices de stations k où l'opération j peut être assignée (K(j) = [k − (j), k + (j)]) ;
Xjq est une variable de décision binaire (1 si l'opération j est aectée au bloc
q et 0 sinon) ;
Fq est la variable auxiliaire servant à déterminer la durée du bloc q (F q ≥ 0) ;
23
Yq est la variable auxiliaire indiquant si le bloc q existe ou non (Yq ∈ {0, 1}).
Les procédures pour calculer q − (j), q + (j), k − (j) et k + (j) peuvent être trouvées,
par exemple, dans [24]. Tenant compte du fait que la station k existe si au moins
une opération est assignée au bloc q = (k − 1)n0 + 1, le problème étudié peut être
formulé de la manière suivante :
M inimiser C(S) = C1
m0
X
Y(k−1)n0 +1 + C2
q0
X
Yq
(19)
q=1
k=1
S. c. :
X
X
X
i∈P red(j)
q 0 ≤q,q 0 ∈Q(j)
X
X
X
(20)
Xiq0 ≥ Xjq |P red(j)|, j ∈ N, q ∈ Q(j)
Xjq =
q∈S(k)∩Q(j)
Xjq = 1, j ∈ N
q∈Q(j)
X
Xiq , j, i ∈ e, e ∈ ES, k ∈ K(j)
q∈S(k)∩Q(j)
Xjq ≤ |e| − 1, e ∈ EB, q ∈
j∈e
\
X
Xjq ≤ |e| − 1, e ∈ ES, k ∈
j∈e q∈S(k)∩Q(j)
\
(22)
(23)
Q(j)
j∈e
(21)
K(j)
(24)
j∈e
Fq ≥ ti Xiq , i ∈ N, q ∈ Q(i)
(25)
Fq ≥ tij (Xiq + Xjq − 1), i, j ∈ N, i < j, q ∈ Q(i) ∩ Q(j)
(26)
τS +
X
Fq ≤ T0 , k = 1, ..., m0
(27)
q∈S(k)
Yq ≥ Xjq , j ∈ N, q ∈ Q(j)
(28)
Yq−1 − Yq ≥ 0, q ∈ S(k)\{(k − 1)n0 + 1}, k = 1, ..., m0
(29)
Y(k−1)n0 +1 − Ykn0 +1 ≥ 0, k = 2, 3, ..., m0
(30)
La fonction objectif (19) représente le coût de la ligne. L'équation (20) précise
que chaque opération de l'ensemble N doit être aectée à un et un seul bloc. Les
équations (21-24) modélisent les contraintes de précédence, d'inclusion et d'exclusion pour les blocs et pour les stations, respectivement. Les équations (25-26)
calculent la durée d'un bloc s'il est constitué d'une seule opération (25) ou d'un
ensemble d'opérations (26). L'équation (28) vérie que le bloc q n'existe pas s'il
n'y a pas d'opérations qui lui sont assignées. L'équation (29) interdit la création du
24
bloc q de la station k si le bloc q − 1 de cette station n'existe pas. Enn, l'équation
(30) assure que la station k ne peut être créée que si la station k − 1 existe déjà.
L'algorithme 7 présente l'algorithme de formation de la solution nale à partir
des solutions partielles obtenues en utilisant le modèle (19)-(30) si la technique
indépendante est utilisée.
1
2
u
, qcur = 1, ..., q0u , u = 1, ..., w
Données : Xiqu cur , Fqucur , Copt
Résultat : Xiq , Fq , Chybr , q = 1, ..., q0 , i ∈ N
u = 1, k = 0, Chybr = 0, Xiq = 0 pour i ∈ N et q = 1, ..., q0
tant que u ≤ w faire
qcur = 1
tant que qcur ≤ q0u faire
si Yqucur = 1 alors
q = kn0 + qcur
pour tous les i ∈ N u faire
si qcur ∈ Q(i) alors
n
n
n
n
u
Xiq = Xiq
cur
Fq = Fqucur
qcur = qcur + 1
k = dq/n0 e
u
Chybr = Chybr + Copt
u=u+1
n
Algorithme 7 : Formation de la solution nale si le programme
linéaire en variables mixtes est utilisé
4. Application
4.1. Instanciation de l'algorithme
Notre but est maintenant de montrer l'intérêt de l'utilisation de notre approche
en comparant les diérentes variantes de notre algorithme avec l'heuristique FSIC
utilisée individuellement. Une variante de l'algorithme mixte (section3) est dénie
par le choix des trois paramètres : technique de sélection d'une solution de départ
( δ si seulement le paramètre δ est utilisé ou δ &T si deux paramètres δ et
Theur sont utilisés), technique de formation de sous-problèmes (agrégée AGR ou indépendante IND ) et méthode pour les résoudre (programmation linéaire
en variables mixtes MIP ou approche par graphe GR ). Nous utiliserons
donc une notation constituée de trois champs de la forme x_y_z. La variante de
25
base δ _IND_GR est la suivante [29] : technique de sélection d'une solution de départ utilisant le paramètre δ , formation indépendante des sous-problèmes résolus
moyennant l'approche par graphe. Vu que le nombre total de toutes les combinaisons est assez important, nous avons adopté le plan d'expériences suivant :
tout d'abord, nous comparons la variante de base δ _IND_GR avec la variante
δ &T _IND_GR. Ensuite, pour la variante montrant les meilleures performances
nous changeons la technique de formation des sous-problèmes IND par AGR. Enn, pour la meilleure des deux nous remplaçons la méthode exacte : GR par MIP.
Toutes les variantes sont comparées avec l'heuristique FSIC utilisée individuellement.
4.2. Résultats numériques
La pièce à fabriquer a généralement une multitude d'éléments fonctionnels tels
que les diérentes rainures, trous, saillies, etc. Donc, la description de la pièce est
souvent dénie par l'intermédiaire du concept d'entité. L'entité est un groupement
sémantique des opérations, on peut distinguer plusieurs types d'entités selon les
opérations qu'elles comprennent [21]. Chaque type est caractérisé par un ensemble
d'opérations dénies de natures diérentes (fraisage, perçage, alésage, etc ) et par
les contraintes entre elles.
Nous avons testé notre approche sur 100 problèmes diérents générés aléatoirement mais en tenant compte des caractéristiques des problèmes industriels. Ainsi,
la fabrication d'une pièce consiste à usiner un ensemble d'entités technologiques.
Plus il y a d'entités, plus la taille de l'ensemble N est grande. La réalisation de
chaque entité peut nécessiter l'exécution des opérations auxiliaires telles que l'usinage de bossage et de chanfrein. Alors, pour obtenir un échantillon représentatif de
problèmes industriels de grande taille, nous avons créé 10 séries de tests. Chaque
série est caractérisée par les deux paramètres : le nombre d'entités technologiques
à usiner nent (qui varie de 20 à 60 avec un pas de 10) et le pourcentage des entités ayant des opérations auxiliaires opaux qui vaut 30% ou 60%. Chaque série
comporte 10 instances distinctes qui ont été générées de manière aléatoire ; le type
de chaque entité et la face de la pièce à laquelle cette entité appartient ont été
choisis au hasard. De cette façon, les instances de la même série ont des nombres
d'opérations diérents. Le tableau 1 fournit les paramètres des séries, à savoir :
no représente le numéro de la série, nent et opaux sont les paramètres utilisés pour la génération des instances, |Nmin |, |Nmoy |, |Nmax | sont le minimum, la
moyenne et le maximum des nombres d'opérations pour les instances de la série
correspondante, Tres est le temps de résolution qui a été xé en fonction de nent
de la série et il est le même pour toutes les méthodes testées.
Les calculs ont été eectués sur une machine de type Pentium IV, 3GHz et
512 Mo de RAM. Les expérimentations se sont déroulées comme suit : la comparaison de la variante de base δ _IND_GR avec la variante δ &T _IND_GR ne
nous a pas permis de distinguer laquelle des techniques de sélection des solutions heuristiques est la meilleure. Nous avons alors créé deux nouvelles variantes
δ _AGR_GR et δ &T _AGR_GR en remplaçant la technique indépendante de
26
Tab. 1.
Paramètres des séries de tests
no nent opaux |Nmin | |Nmoy | |Nmax | Tres
1
2
3
4
5
6
7
8
9
10
20
20
30
30
40
40
50
50
60
60
30
60
30
60
30
60
30
60
30
60
63
70
97
109
137
152
172
189
201
222
74
83
110
123
145
171
180
200
212
236
87
92
124
130
157
162
192
212
227
246
420
420
600
600
900
900
1800
1800
2400
2400
formation des sous-problèmes par la technique agrégée. Ces deux variantes ont
montré des performances clairement meilleures par rapport aux deux premières.
Nous avons alors continué en créant les deux variantes suivantes : δ _AGR_MIP
et δ &T _AGR_MIP en changeant la méthode de graphe par la programmation
linéaire en variables mixtes. Alors, tous les exemples ont été résolus par les 6 variantes de notre algorithme et par l'heuristique FSIC. Les résultats fournis par
chaque méthode ont été comparés an de trouver la meilleure solution obtenue.
Ensuite, les écarts par rapport au meilleur résultat ont été calculés, ils sont représentés dans le tableau 2 par ∆min , ∆moy et ∆max qui sont l'écart minimum, moyen
et maximum respectivement, P M S est le Pourcentage de Meilleures Solutions. Le
tableau 2 fournit les résultats des expérimentations.
En comparant les résultats obtenus, on peut conclure que les deux variantes
δ _AGR_GR et δ &T _AGR_GR sont les meilleures par rapport aux autres variantes testées. Dans la plupart des cas, elles sont complémentaires avec une légère
dominance de δ &T _AGR_GR puisque pour toutes les séries P M S (δ _AGR_GR)
≤ P M S (δ &T _AGR_GR). On peut constater également que ces deux méthodes
sont beaucoup plus performantes que l'heuristique FSIC.
En analysant l'inuence de chaque technique sur les performances de l'approche
globale on peut observer que pour les problèmes testés :
les variantes comportant la technique agrégée de formation des sous-problèmes
montrent de meilleures performances que celles utilisant la technique indépendante ;
les variantes utilisant l'approche par graphe pour la résolution des sousproblèmes ont été capables d'obtenir des solutions de meilleure qualité par
rapport à celles faisant appel à la programmation linéaire en variables mixtes.
par contre, on ne peut pas déterminer la meilleure technique de sélection des
solutions heuristiques, les deux techniques peuvent conduire à des solutions
de bonne qualité.
On peut remarquer que pour les séries comportant la petite valeur denent , tous
les algorithmes utilisant l'approche par graphe ont été capables de trouver des
solutions de bonne qualité. Pour les séries comportant la grande valeur denent on
voit la dominance de la technique agrégée de formation des sous-problèmes sur la
27
Tab. 2.
Variante
no ∆min ∆moy
FSIC
δ _IND_GR
δ &T _IND_GR
δ _AGR_GR
δ &T _AGR_GR
δ _AGR_MIP
δ &T _AGR_MIP
1
FSIC
δ _IND_GR
δ &T _IND_GR
δ _AGR_GR
δ &T _AGR_GR
δ _AGR_MIP
δ &T _AGR_MIP
3
FSIC
δ _IND_GR
δ &T _IND_GR
δ _AGR_GR
δ &T _AGR_GR
δ _AGR_MIP
δ &T _AGR_MIP
5
FSIC
δ _IND_GR
δ &T _IND_GR
δ _AGR_GR
δ &T _AGR_GR
δ _AGR_MIP
δ &T _AGR_MIP
7
FSIC
δ _IND_GR
δ &T _IND_GR
δ _AGR_GR
δ &T _AGR_GR
δ _AGR_MIP
δ &T _AGR_MIP
Résultats des expérimentations
9
0,00
0,00
0,00
0,00
0,00
1,89
1,79
2,25
0,00
0,00
0,00
0,00
3,33
1,67
4,21
0,00
0,00
0,00
0,00
8,42
1,30
0,00
0,00
0,00
0,00
0,00
6,48
3,03
0,69
0,00
0,00
0,00
0,00
4,10
1,64
3,00
1,20
1,21
0,35
0,21
7,04
6,02
4,44
1,74
1,89
1,41
0,27
9,94
6,27
8,78
3,55
4,84
1,98
0,51
14,68
7,72
7,22
5,01
4,31
2,79
1,34
12,10
8,99
7,88
4,96
4,50
1,77
0,66
11,55
8,30
∆max
P MS
7,14
7,14
7,14
1,79
1,85
14,81
7,55
8,51
4,92
4,88
4,26
2,41
19,15
10,64
16,33
9,78
12,24
3,90
3,16
28,57
12,24
12,28
14,04
12,28
8,77
5,08
21,05
18,64
15,07
11,43
10,00
4,50
2,52
20,55
17,14
30
60
70
70
80
0
0
0
20
30
40
80
0
0
0
30
10
30
70
0
0
10
10
10
30
50
0
0
0
10
10
30
60
0
0
no ∆min ∆moy
2
4
6
8
10
0,00
0,00
0,00
0,00
0,00
3,33
0,00
2,04
0,00
0,00
0,00
0,00
6,00
2,78
0,00
0,00
0,00
0,00
0,00
2,86
2,86
0,00
0,00
0,00
0,00
0,00
4,90
3,01
3,27
0,00
0,00
0,00
0,00
4,17
3,50
3,33
1,22
1,55
1,17
0,88
12,28
5,40
4,17
2,69
2,26
1,45
0,54
12,33
6,15
5,98
3,63
4,26
3,61
1,41
11,39
7,96
5,72
4,58
4,24
2,47
1,00
11,45
7,11
7,34
4,60
5,88
4,56
1,68
13,21
9,72
∆max
P MS
9,09
3,03
6,06
3,64
6,06
30,30
9,09
8,70
8,70
8,70
6,12
3,51
18,84
13,04
12,73
8,77
10,91
8,77
7,27
23,64
17,54
14,93
14,93
13,43
9,60
5,21
22,39
13,43
12,66
10,39
12,99
9,93
5,19
18,46
18,18
30
40
40
50
70
0
10
0
40
40
40
60
0
0
10
20
10
20
60
0
0
10
20
10
30
50
0
0
0
10
10
30
50
0
0
technique indépendante. Par contre, on peut voir que le paramètre opaux n'a pas
de grande inuence sur les performances des méthodes testées.
Si on compare les performances des algorithmes utilisant la programmation linéaire en variables mixtes, on peut constater que cette méthode est bien plus lente
que l'approche par graphe, ce qui explique les mauvaises performances des algorithmes l'utilisant ansi que la dominance de la technique de sélection des solutions
heuristiques δ &T par rapport à la technique δ . En eet, l'utilisation d'une mauvaise solution de départ augmente les intervalles Q(j) et K(j) et par conséquent le
nombre des variables utilisées par le programme linéaire en variables mixtes, ce qui
rend la résolution plus lente. En tenant compte des résultats obtenus, nous pouvons
envisager une autre technique d'agrégation des solutions des sous-problèmes. Après
28
avoir résolu le sous-problème SPu−1 , nous xons toutes les opérations appartenant
à la solution Su−1 aux blocs et aux stations auxquelles elles sont aectées selon
Su−1 . C'est-à-dire, pour toutes les opérations j ∈ Su−1 : Q(j) = [q ∗ (j), q ∗ (j)] et
K(j) = [dq ∗ (j)/n0 e, dq ∗ (j)/n0 e] où q ∗ (j) est le nombre du bloc auquel l'opération
j est aectée selon la solution Su−1 et dbe est le plus petit nombre entier supérieur
ou égal à b. Dans ce cas, seule l'aectation des opérations de l'ensemble N u est
possible lors de la résolution du sous-problème SPu . Cela diminuera la taille du
problème résolu à chaque étape.
5. Conclusions
Nous avons proposé une approche mixte pour l'optimisation des lignes d'usinage
avec des stations de travail comportant plusieurs têtes d'usinage. Le problème
consiste à minimiser le coût de la ligne tout en assurant le taux de productivité
voulu et en respectant toutes les contraintes données. Notre approche est basée
sur la décomposition dynamique d'une solution heuristique en sous-problèmes et
sur la résolution de ces-derniers par une méthode exacte.
Plusieurs techniques nouvelles ont été élaborées pour réaliser cette approche,
notamment deux techniques de sélection des solutions heuristiques à décomposer,
deux techniques de formation des sous-problèmes, ainsi que des algorithmes permettant d'intégrer deux méthodes exactes (approche par graphe et programmation
linéaire).
Les résultats numériques montrent que la décomposition dynamique et la résolution exacte des sous-problèmes permet d'améliorer les solutions fournies par
l'heuristique, et par conséquent, l'approche mixte est relativement ecace pour
les problèmes de grande taille. L'amélioration dépend des caractéristiques du problème ainsi que des paramètres de l'algorithme et du temps de résolution alloué.
Rappelons que l'algorithme peut comporter des heuristiques et des méthodes
exactes diérentes, alors la qualité des résultats obtenus dépend de la qualité
des méthodes utilisées. Nous envisageons le développement d'autres heuristiques
pour la recherche de solutions faisables et nous mettons en avant l'intérêt sur les
heuristiques capables d'eectuer l'apprentissage lors de résolution du problème,
notamment des méta-heuristiques de type GRASP ou Backtracking incorporant
un processus d'apprentissage.
Références
[1] Aghezzaf, E-H., Artiba, A. Lagrangean relaxation technique for the general assembly line
balancing problem. Journal of Intelligent Manufacturing, 6:123131, 1995.
[2] Amen, M. An exact method for cost-oriented assembly line balancing.International Journal
of Production Economics, 64:187195, 2000.
[3] Amen, M. Heuristic methods for cost-oriented assembly line balancing: A survey. International Journal of Production Economics, 68:114, 2000.
[4] Amen, M. Cost-oriented assembly line balancing : Model formulations, solution diculty,
upper and lower bounds. European Journal of Operational Research, 168:747770, 2006.
29
[5] Arcus, A.L. COMSOAL: A computer method of sequencing operations for assembly lines.
International Journal of Production Research, 4:259277, 1966.
[6] Balakrishnan, A., Vanderbeck, F. A tactical planning model for mixed-model electronics
assembly operations. Operations Research, 47:395409, 1999.
[7] Baybars, I. A survey of exact algorithms for the simple assembly line balancing.Management
Science, 32:909932, 1986.
[8] Becker, C., Scholl, A. A survey on problems and methods in generalized assembly line
balancing. European Journal of Operational Research, 168(31):694715, 2006.
[9] Boucher, T.O. Choice of assembly line design under task learning. International Journal of
Production Research, 25:513524, 1987.
[10] Boysen, N., Fliedner, M., Scholl, A. A classication of assembly line balancing problems. Technical report, Jenaer Schriften zur Wirtschaftswissenschaft with number 12/2006,
Friedrich-Schiller-Universität Jena, Wirtschaftswissenschaftliche Fakultät, 2006.
[11] Bukchin, J., Rubinovitz, J. A weighted approach for the assembly line design with station
paralleling and equipment selection. IIE Transactions, 35(1):513524, 2003.
[12] Bukchin, J., Tzur, M. Design of exible assembly line to minimize equipment cost. IIE
Transactions, 32:585598, 2000.
[13] Capacho, L., Guschinskaya, O., Dolgui, A., Pastor, R. Approximation methods to solve
the alternative subgraphs assembly line balancing problem. Technical Report G2I-EMSE
2006-500-003, Ecole des Mines de Saint Etienne, France, 2006.
[14] Capacho, L., Guschinskaya, O., Dolgui, A., Pastor, R. A comprehensive comparative analysis
of approximation methods to solve the alternative subgraphs assembly line balancing problem. Technical Report G2I-EMSE 2006-500-005, Ecole des Mines de Saint Etienne, France,
2006.
[15] Capacho, L., Pastor, R. ASALBP : the Alternative Subgraphs Assembly Line Balancing
Problem. Technical Report IOC-DT-P-2005-5, UPC, Barcelona, Spain, 2005.
[16] Capacho, L., Pastor, R. The ASALB Problem with Processing Alternatives Involving Different Tasks : Denition, Formalization and Resolution. In Gavrilova, M. et al., editors,
The 2006 International Conference on Computational Science and its Applications, ICCSA
2006, volume 3982 of Lecture Notes in Computer Science, pages 554563, Schloss Dagstuhl,
Germany, 2006. Springer-Verlag.
[17] Chakravarty, A.K. Line balancing with task learning eects. IIE Transactions, 20:186193,
1988.
[18] Dolgui, A., Finel, B., Guschinskaya, O., Guschinsky, N., Levin, G. and Vernadat, F. Balancing large-scale machining lines with multi-spindle heads using decomposition.International
Journal of Production Research, 44(18-19):41054120, 2006.
[19] Dolgui A., Finel B., Guschinsky N., Levin G. and Vernadat F. A heuristic approach for
transfer lines balancing. Journal of Intelligent Manufacturing, 16(2):159171, 2005.
[20] Dolgui A., Finel, B., Guschinsky, N., Levin, G. and Vernadat, F. Balancing large-scale
machining lines with multi-spindle heads using decomposition. IIE Transactions, 38:869
882, 2006.
[21] Dolgui, A., Guschinskaya, O., Guschinsky, N. and Levin, G. Conception de systèmes de fabrication : prototype d'un logiciel d'aide à la decision. Journal of Decision Systems, 14(4):489
516, 2005.
[22] Dolgui, A., Guschinsky, N. and Levin, G. On Problem of Optimal Design of Tranfer Lines
with Parallel and Sequential Operation. In Fuertes, J.M., editor,Proceedings of the 7th IEEE
International Conference on Emerging Technologies and Factor Automation, volume 1,
pages 329334. ETFA'99, Barcelona, Spain, 1999.
[23] Dolgui, A., Guschinsky, N. and Levin, G. A special case of transfer lines balancing by graph
approach. European Journal of Operational Research, 168(3):732746, 2006.
30
[24] Finel, B. Structuration de lignes d'usinage : méthodes exactes et heuristiques. PhD thesis,
Université de Metz, 2004.
[25] Gadidov, R., Wilhelm, W. A cutting plane approach for the single-product assembly system
design problem. International Journal of Production Research, 38(8):17311754, 2000.
[26] Ghosh, S., Gagnon, R. A comprehensive literature review and analysis of the design, balancing and scheduling of assembly lines. International Journal of Production Research,
27(4):637670, 1989.
[27] Guschinskaya, O., Dolgui, A. A comparative evaluation of exact and heuristic methods
for transfer lines balancing problem. In Dolgui, A., Morel, G. and Pereira, C. E., editors,
Preprints of INCOM2006, volume 2, pages 413418. Saint-Etienne, France, 2006.
[28] Guschinskaya, O., Dolgui, A., Guschinsky, N. and Levin G. A combined heuristic approach
for optimization of a class of machining lines. In Proceedings of the 2005 IEEE International Conference on Automation Science and Engineering, pages 154159. IEEE, Edmonton,
Canada, 2005.
[29] Guschinskaya, O., Dolgui, A., Guschinsky, N., G. Levin. A combined optimization approach
for machining transfer lines with blocks of operations. European Journal of Operational
Research, 2006. 25 pages, (In Press).
[30] Helgenson, W.B., Birnie, D.P. Assembly line balancing using ranked positional weight technique. Journal of Industrial Engineering, 12:394398, 1961.
[31] Hitomi, K. Manufacturing Systems Engineering. Taylor & Francis, 1996.
[32] Johnson, R.V. A branch and bound algorithm for assembly line balancing problems with
formulation irregularities. Management Science, 29:13091324, 1983.
[33] Kahan, T., Bukchin, Y., Menassa, R. and Irad, B.-G. Weld reallocation in an automotive
robotic line due to robots' failures. In Dolgui, A., Morel, G. and Pereira, C. E., editors,
Preprints of INCOM2006, volume 2, pages 407412. Saint-Etienne, France, 2006.
[34] Kilbridge, M.D., Wester, L. A heuristique method of assembly line balancing. Journal of
Industrial Engineering, 12(2):292298, 1961.
[35] Lehman, M. On criteria for assigning models to assembly lines. International Journal of
Production Research, 7:269285, 1969.
[36] Moodie, C.L., Young, H.H. A heuristic method of assembly line balancing for assumptions
of constant or variable work element times. Journal of Industrial Engineering, 16(1):2329,
1965.
[37] Pastor, R., Corominas, A. Assembly line balancing with incompatibilities and bounded
workstation loads. Ricerca Operativa, 30:2345, 2000.
[38] Rekiek, B., De Lit, P. and Delchambre, A. Designing mixed-product assembly lines.IEEE
Transactions on Robotics and Automation, 16(3):268280, 2000.
[39] Rekiek, B., Dolgui, A., Delchambre, A. and Bratcu, A. State of art of assembly lines design
optimisation. Annual Reviews in Control, 26(2):163174, 2002.
[40] Salveson, M.E. The assembly line balancing problem. Journal of Industrial Engineering,
6(3):1825, 1955.
[41] Sarin, S.C., Erel E. and Dar-El, E.M. A methodology for solving single-model, stochastic assembly line balancing problem. OMEGA The International Journal of Management
Science, 27:525535, 1999.
[42] Scholl, A. Balancing and sequencing of assembly lines. Physica, Heidelberg, 2 edition, 1999.
[43] Scholl, A., Klein, R. Balancing assembly lines eectively: a computational comparison.European Journal of Operational Research, 114:5160, 1999.
[44] Suresh, G., Sahu, S. Stochastic assembly line balancing using simulated annealing.International Journal on Production Research, 32(8):18011810, 1994.
[45] Talbot, F.B. Paterson, J.H. and Gehrlein, W.V. A comparative evaluation of heuristic line
balancing techniques. Management Science, 32:430454, 1986.
Ecole Nationale Supérieure des Mines de Saint-Etienne
Centre G2I
158, Cours Fauriel
42023 SAINT-ETIENNE CEDEX 2
www.emse.fr