Optimisation de chaine logistique et planning de distribution sous incertitude d’approvisionnement

Supply chain design and distribution planning under supply uncertainty : Application to bulk liquid gas distribution

• Auteur / Autrice : Hugues Dubedout
• Direction : Pierre Dejax
• Type : Thèse de doctorat
• Discipline(s) : Informatique et applications
• Date : Soutenance le 03/06/2013
• Etablissement(s) : Nantes, Ecole des Mines
• Ecole(s) doctorale(s) : Sciences et technologie de l'information et mathématiques
• Partenaire(s) de recherche : Laboratoire : Ecole nationale supérieure des Mines de Nantes - Institut de Recherche en Communications et en Cybernétique de Nantes / IRCCyN
• Jury : Président / Présidente : Jean-Pierre Campagne
• Jury : Examinateurs / Examinatrices : Van-Dat Cung, Nicoleta Neagu, Thomas Yeung
• Jury : Rapporteurs / Rapporteuses : Philippe Lacomme, Scott J. Mason

Mots clés

Mots clés contrôlés

Production -- Planification

Logistique (gestion)

Mots clés libres

Chaîne logistique

Gaz cryogéniques

Tournées avec gestion des stocks

Incertitude

Optimisation robuste

Optimisation stochastique

Supply chain

Uncertainty

Robust optimisation

Stochastic optimisation

Résumé

La distribution de liquide cryogénique en « vrac », ou par camions citernes, est un cas particulier des problèmes d’optimisation logistique. Ces problèmes d’optimisation de chaines logistiques et/ou de transport sont habituellement traités sous l’hypothèse que les données sont connues à l’avance et certaines. Or, la majorité des problèmes d’optimisation industriels se placent dans un contexte incertain. Mes travaux de recherche s’intéressent aussi bien aux méthodes d’optimisation robuste que stochastiques.Mes travaux portent sur deux problèmes distincts. Le premier est un problème de tournées de véhicules avec gestion des stocks. Je propose une méthodologie basée sur les méthodes d’optimisation robuste, représentant les pannes par des scénarios. Je montre qu’il est possible de trouver des solutions qui réduisent de manière significative l’impact des pannes d’usine sur la distribution. Je montre aussi comment la méthode proposée peut aussi être appliquée à la version déterministe du problème en utilisant la méthode GRASP, et ainsi améliorer significativement les résultats obtenu par l’algorithme en place. Le deuxième problème étudié concerne la planification de la production et d’affectation les clients. Je modélise ce problème à l’aide de la technique d’optimisation stochastique avec recours. Le problème maître prend les décisions avant qu’une panne ce produise, tandis que les problèmes esclaves optimisent le retour à la normale après la panne. Le but est de minimiser le coût de la chaîne logistique. Les résultats présentés contiennent non seulement la solution optimale au problème stochastique, mais aussi des indicateurs clés de performance. Je montre qu’il est possible de trouver des solutions ou les pannes n’ont qu’un impact mineur.

The distribution of liquid gazes (or cryogenic liquids) using bulks and tractors is a particular aspect of a fret distribution supply chain. Traditionally, these optimisation problems are treated under certainty assumptions. However, a large part of real world optimisation problems are subject to significant uncertainties due to noisy, approximated or unknown objective functions, data and/or environment parameters. In this research we investigate both robust and stochastic solutions. We study both an inventory routing problem (IRP) and a production planning and customer allocation problem. Thus, we present a robust methodology with an advanced scenario generation methodology. We show that with minimal cost increase, we can significantly reduce the impact of the outage on the supply chain. We also show how the solution generation used in this method can also be applied to the deterministic version of the problem to create an efficient GRASP and significantly improve the results of the existing algorithm. The production planning and customer allocation problem aims at making tactical decisions over a longer time horizon. We propose a single-period, two-stage stochastic model, where the first stage decisions represent the initial decisions taken for the entire period, and the second stage representing the recovery decision taken after an outage. We aim at making a tool that can be used both for decision making and supply chain analysis. Therefore, we not only present the optimized solution, but also key performance indicators. We show on multiple real-life test cases that it isoften possible to find solutions where a plant outage has only a minimal impact.