Configuration à base de connaissances : une contribution à la modélisation générique, à l'évaluation et à l'optimisation évolutionnaire
Auteur / Autrice : | Luis Garcés Monge |
Direction : | Michel Aldanondo, Paul Pitiot |
Type : | Thèse de doctorat |
Discipline(s) : | Génie Industriel |
Date : | Soutenance le 11/10/2019 |
Etablissement(s) : | Ecole nationale des Mines d'Albi-Carmaux |
Ecole(s) doctorale(s) : | École doctorale Systèmes (Toulouse ; 1999-....) |
Partenaire(s) de recherche : | Laboratoire : Centre de recherche Génie industriel (Albi) - Centre Génie Industriel / CGI |
Jury : | Président / Présidente : Michel Tollenaere |
Examinateurs / Examinatrices : Michel Aldanondo, Paul Pitiot, Eric Bonjour, Pierre-Alain Yvars, Elise Vareilles, Catherine Da Cunha | |
Rapporteurs / Rapporteuses : Eric Bonjour, Pierre-Alain Yvars |
Résumé
Dans un contexte de personnalisation de masse, la configuration concourante du produit et de son processus d’obtention constituent un défi industriel important : de nombreuses options ou alternatives, de nombreux liens ou contraintes et un besoin d’optimisation des choix réalisés doivent être pris en compte. Ce problème est intitulé O-CPPC (Optimization of Concurrent Product and Process Configuration). Nous considérons ce problème comme un CSP (Constraints Satisfaction Problem) et l’optimisons avec des algorithmes évolutionnaires. Un état de l’art fait apparaître : i) que la plupart des travaux de recherche sont illustrés sur des exemples spécifiques à un cas industriel ou académique et peu représentatifs de la diversité existante ; ii) un besoin d’amélioration des performances d’optimisation afin de gagner en interactivité et faire face à des problèmes de taille plus conséquente. En réponse au premier point, ces travaux de thèse proposent les briques d’un modèle générique du problème O-CPPC. Ces briques permettent d’architecturer le produit et son processus d’obtention. Ce modèle générique est utilisé pour générer un benchmark réaliste pour évaluer les algorithmes d’optimisation. Ce benchmark est ensuite utilisé pour analyser la performance de l’approche évolutionnaire CFB-EA. L’une des forces de cette approche est de proposer rapidement un front de Pareto proche de l’optimum. Pour répondre au second point, une amélioration de cette méthode est proposée puis évaluée. L’idée est, à partir d’un premier front de Pareto approximatif déterminé très rapidement, de demander à l’utilisateur de choisir une zone d’intérêt et de restreindre la recherche de solutions uniquement sur cette zone. Cette amélioration entraine des gains de temps de calcul importants.