Optimisation d'ordonnancement d'atelier distribué

Optimization of distributed flowshop scheduling

• Auteur / Autrice : Xiaoyuan Bai
• Direction : Feng Chu, Danyu Bai
• Type : Projet de thèse
• Discipline(s) : Informatique mathématique
• Date : Inscription en doctorat le 02/09/2024
• Etablissement(s) : université Paris-Saclay en cotutelle avec Dalian Maritime University
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : IBISC - Informatique, BioInformatique, Systèmes Complexes
• Partenaire(s) de recherche : Référent : Université d'Évry Val d'Essonne

Mots clés

Mots clés libres

Localisation géographique des clients

Tarifs d'électricité différenciés

Modèle et algorithme

Ordonnancement d'atelier distribué

Effet d'apprentissage

Customer geographic locations

Time of use electricity tariffs

Model and algorithm

Distributed flowshop scheudling

Learning effect

Résumé

Avec la mondialisation économique et la concurrence croissante sur le marché, la fabrication distribuée (DM) devient un mode de production de tendance. La DM implique des installations de production réparties géographiquement et avec une production décentralisée, la production cloud et la fabrication numérique distribuée comme éléments clés. Les principaux avantages de la DM incluent : 1) des économies sur les coûts logistiques, 2) des délais de livraison réduits, 3) une gestion de la production plus flexible, 4) une durabilité améliorée, et 5) des économies locales stimulées. Cependant, la gestion de la DM est bien plus complexe que le mode de production traditionnel centralisé, présentant un défi majeur pour les chercheurs et les professionnels, notamment en ce qui concerne l'ordonnancement des ateliers distribués au sein d'un réseau de DM. Le problème d'ordonnancement d'atelier distribué (DFSSP) a été introduit par Naderi et Ruiz [1]. Il consiste à affecter les tâches aux usines et à trouver une meilleure séquence de tâches dans chaque usine afin d'optimiser un objectif donné. La plupart des travaux existants se concentrent sur le développement de méta-heuristiques efficaces pour trouver une séquence de tâches satisfaisante [2-7]. Cependant, les facteurs humains dans le DFSSP, tels que l'effet d'apprentissage, peuvent avoir un impact considérable sur les performances d'ordonnancement. À notre connaissance, tous les travaux existants se concentrent sur une seule usine [8-13]. Les approches développées ne peuvent pas être appliquées au DFSSP qui implique plusieurs usines dans un même réseau. De plus, la localisation des clients dans un réseau géographiquement dispersé impacte les coûts de transport, les délais de livraison et les prix des produits. Une affectation inappropriée des tâches aux usines peut entraîner des retards de livraison, l'insatisfaction des clients, voire la perte de parts de marché. Cependant, les études existantes sur le DFSSP ne prennent pas en compte la localisation des clients. En outre, la tarification en fonction de l'heure d'utilisation (ToU) représente une stratégie importante consistant à appliquer des tarifs d'électricité plus élevés pendant les périodes de pointe afin d'inciter les consommateurs à déplacer leurs activités à forte intensité énergétique vers les périodes creuses. Actuellement, de nombreuses industries à forte intensité énergétique, telles que la métallurgie, la chimie et l'industrie agroalimentaire, adoptent la politique tarifaire ToU dans la fabrication. Dans un réseau géographiquement dispersé, les tarifs d'électricité, notamment ceux basés sur l'heure d'utilisation, peuvent varier considérablement. Pourtant, la plupart des travaux se concentrent sur l'ordonnancement dans une seule usine [14-16]. Le problème d'ordonnancement des flowshops de permutation distribués selon les tarifs ToU n'a pas été suffisamment exploré. Pour combler ces lacunes, l'objectif de cette thèse est de développer des approches innovantes et efficaces pour le DFSSP, en tenant compte respectivement des facteurs humains, de la localisation géographique des clients et des tarifs ToU

With economic globalization and intensifying market competition, distributed manufacturing (DM) emerges as a prominent production trend. DM involves a network of geographically dispersed manufacturing facilities and decentralized production, leveraging cloud production and distributed digital manufacturing as its key elements. Its primary advantages encompass: 1. Cost savings in logistics. 2. Reduced delivery times. 3. Increased flexibility in sourcing and production. 4. Enhanced sustainability. 5. Stimulated growth in local economies. However, managing DM is notably more complicated than the traditional production, presenting a major challenge for researchers and practitioners, especially concerning distributed flowshop scheduling within a DM network. The distributed permutation flowshop scheduling problem (DFSSP), introduced by Naderi and Ruiz [1], consists of assigning jobs to factories and determining the optimal job sequence within each factory to optimize a given objective. Existing studies primarily focus on developing efficient meta-heuristics to find near-optimal job sequences [2-7]. Human factors in DFSSP, such as the learning effect, profoundly impact scheduling performance. To the best of our knowledge, however, all existing works concentrate on a single plant [8-13], rendering the developed approaches inapplicable for addressing DFSSP where multiple factories are involved within the same network. Additionally, the locations of customers within a geographically dispersed network significantly affect transportation costs, delivery times, and product prices. Improper job assignments can result in delivery delays, customer dissatisfaction, or even loss of market share. However, existing studies on DFSSP do not take into account customer locations. Moreover, Time-of-Use (ToU) tariffs constitutes an important strategy involving higher electricity tariffs during peak periods to encourage consumers to shift energy-intensive activities to off-peak periods. Many energy-intensive industries, such as metallurgy, chemical, and food manufacturing now apply ToU tariff policies. In a geographically dispersed network, electricity tariffs, especially ToU tariffs, can vary significantly. Yet, most research focuses on scheduling at a single factory [14-16]. The distributed permutation flowshop scheduling problem under time-of-use tariffs remains underexplored. To address these research gaps, the objective of this thesis is to devise innovative and efficient approaches for DFSSP, considering human factors, customer geographic locations, and ToU tariffs, respectively.