Configuration à base de connaissances : une contribution à la modélisation générique, à l'évaluation et à l'optimisation évolutionnaire

Knowledge-based configuration : a contribution to generic modeling, evaluation and evolutionary optimization

• 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
• Jury : Examinateurs / Examinatrices : Michel Aldanondo, Paul Pitiot, Eric Bonjour, Pierre-Alain Yvars, Elise Vareilles, Catherine Da Cunha
• Jury : Rapporteurs / Rapporteuses : Eric Bonjour, Pierre-Alain Yvars

Mots clés

Mots clés contrôlés

Optimisation combinatoire

Personnalisation de masse

Algorithmes évolutionnaires

Contraintes (intelligence artificielle)

Mots clés libres

Évaluation

Modèle générique

Configuration de produit

Configuration de processus

Configuration concurrente

Optimisation évolutionnaire

Evaluation

Generic model

Product configuration

Process configuration

Concurrent configuration

Evolutionary optimization

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.

In a context of mass customization, the concurrent configuration of the product and its production process constitute an important industrial challenge: Numerous options or alternatives, numerous links or constraints and a need to optimize the choices made. This problem is called O-CPPC (Optimization of Concurrent Product and Process Configuration). We consider this problem as a CSP (Constraints Satisfaction Problem) and optimize it with evolutionary algorithms. A state of the art shows that: i) most studies are illustrated with examples specific to an industrial or academic case and not representative of the existing diversity; ii) a need to improve optimization performance in order to gain interactivity and face larger problems. In response to the first point, this thesis proposes a generic model of the O-CPPC problem. This generic model is used to generate a realistic benchmark for evaluating optimization algorithms. This benchmark is then used to analyze the performance of the CFB-EA evolutionary approach. One of the strengths of this approach is to quickly propose a Pareto front near the optimum. To answer the second point, an improvement of this method is proposed and evaluated. The idea is, from a first approximate Pareto front, to ask the user to choose an area of interest and to restrict the search for solutions only on this area. This improvement results in significant computing time savings.