L'optimisation robuste pour des problèmes de lotissement dans un contexte de rendement incertain

Robust optimization for a lot-sizing problems under production yield uncertainty

• Auteur / Autrice : Paula Metzker Soares
• Direction : Alexandre Dolgui
• Type : Thèse de doctorat
• Discipline(s) : Automatique, productique et robotique
• Date : Soutenance le 25/11/2022
• Etablissement(s) : Ecole nationale supérieure Mines-Télécom Atlantique Bretagne Pays de la Loire
• Ecole(s) doctorale(s) : École doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes)
• Partenaire(s) de recherche : Laboratoire : Modélisation, Optimisation et DEcision pour la Logistique, l'Industrie et les Services - Département Automatique, Productique et Informatique - Laboratoire des Sciences du Numérique de Nantes
• Jury : Président / Présidente : Ola Jabali
• Jury : Examinateurs / Examinatrices : Alexandre Dolgui, El Houssaine Aghezzaf, Safia Kedad Sidhoum, Ioanis Fragkos, Philippe Mahey, Yossiri Adulyasak, Simon Thevenin
• Jury : Rapporteur / Rapporteuse : El Houssaine Aghezzaf, Safia Kedad Sidhoum

Mots clés

Mots clés contrôlés

Évaluation du risque

Programmation stochastique

Optimisation combinatoire

Commande robuste

Mots clés libres

Problème du lotissement

Optimisation robuste

Optimisation robuste adaptive

Programmation stochastique sous la perspective robuste

Optimisation combinatoire

Lot-sizing problems

Robust optimization

Adaptive robust optimization

Distributionally robust optimization

Combinatorial optimization

Résumé

Les fabricants doivent gérer leurs capacités de production et leur performance pour satisfaire la demande des clients avec des produits de qualité. De plus, ils sont constamment mis au défi d’optimiser l’utilisation de leurs ressources et leur performance de production dans un contexte de marché dynamique et volatil, et ce, de manière rentable. Pour atteindre cet objectif commercial, un défi tactique à relever parmi d’autres, les fabricants doivent minutieusement prendre des décisions de dimensionnement de lots de production afin de déterminer la configuration et les quantités de production répondant aux demandes avec des produits de qualité, tout en minimisant les coûts globaux de production et de gestion de stocks. Nous proposons différents modèles et stratégies méthodologiques pour calculer des plans de production optimaux robustes à conservation moindre. Nous fournissons également une analyse de risque pour aider les décideurs à adapter leurs plans décisionnels à leurs objectifs stratégiques et opérationnels. Les résultats expérimentaux montrent que les plans de production robustes ont une meilleure stratégie de réduction des coûts par rapport aux autres approches de résolution. Les expériences numériques montrent la robustesse et l’efficacité du modèle robuste à travers une analyse des cas moyens et les plus défavorables. Les expériences démontrent également les performances et la valeur des solutions adaptatives robustes et la faible sensibilité aux erreurs de prédiction des modèles distributionnellement robustes.

Manufacturers must efficiently manage their production capacities and their performances to satisfy customer demands with quality goods. They also have been constantly challenged to optimize resource usage and production performance in a dynamic and volatile market context in a cost effective manner. To achieve this business objective, we consider lot-sizing problems under yield uncertainty via a robust, adaptive robust and distributionally robust optimization methodologies to determine the production setups and quantities that meet demands with quality goods, while minimizing the overall productionand inventory management costs. We propose different models and methodological strategies to compute optimal robust and less conservative production plans. We also provide a risk analysis to help decision-makers to tailor their decision plans to their strategic and operational goals. The experimental results show that robust-wise production plans have a better cost cutting strategy compared with other resolution approaches. The computational experiments show the robustness and effectiveness of the robust model through an average and worst case analysis. The experiments also demonstrate the performances and the value of the adaptive robust solutions and thelow sensitiveness to errors in predictions of the distributionally robust models.