Résolution Exacte de problèmes d'Optimisation liés à l'Efficacité Énergétique des Systèmes de Production

Exact Solving Methods for Energy-Efficient Optimization in Manufacturing Systems

• Auteur / Autrice : Marouane Felloussi
• Direction : Xavier Delorme
• Type : Projet de thèse
• Discipline(s) : Génie industriel
• Date : Inscription en doctorat le 01/10/2023
• Etablissement(s) : Saint-Etienne, EMSE
• Ecole(s) doctorale(s) : SIS - Sciences Ingénierie Santé
• Partenaire(s) de recherche : Laboratoire : LIMOS - Laboratoire d'Informatique, de Modélisation et d'Optimisation des Systèmes

Mots clés

Mots clés libres

Optimisation Combinatoire

Résolution Exacte

Génération de Colonnes

Inégalités Valides

Combinatorial Optimization

Exact Solving Methods

Column Generation

Valid Inequalities

Résumé

Le contexte international actuel et les enjeux environnementaux rendent cruciales les questions énergétiques, que ce soit en termes de sobriété, d'autonomie, de sécurisation des approvisionnements ou de transition progressive vers des sources d'énergie renouvelables. Responsable de plus du 50% de la consommation mondiale d'énergie en 2019, l'industrie est l'acteur le plus concerné. Ceci explique l'attention grandissante portée par la communauté scientifique vers l'efficacité énergétique des systèmes manufacturiers : différents aspects (tels que consommation d'énergie et coût associé, effacement de la consommation électrique, considération du pic de puissance) sont investigués, de la conception à la planification et l'ordonnancement des opérations, sous forme de contraintes et/ou de critères à optimiser. Les nouveaux paradigmes industriels liés à l'Industrie 4.0/5.0 élargissent davantage le nombre de leviers potentiels d'action. Pourtant, les problèmes d'optimisation qui s'en suivent semblent difficiles à aborder de manière exacte selon des techniques traditionnelles. Cette thèse vise à développer des outils avancés de résolution exacte de problèmes de décision dans les systèmes manufacturiers avec prise en compte de l'énergie, afin de pouvoir s'attaquer à des instances de grande taille et favoriser l'utilisation dans des cas réels. Ces outils reposeraient sur des techniques d'Optimisation Combinatoire, telles que Génération de Colonnes ou Algorithmes de Plans Coupants, ayant déjà fait preuve d'efficacité dans d'autres domaines, mais encore peu utilisés pour des problèmes comme ceux à l'étude, et dont le potentiel reste par conséquent à explorer. Le développement de tels outils aiderait en outre à mieux connaître les propriétés structurelles de ces problèmes et ouvrir davantage de pistes d'investigation, comme la conception d'algorithmes metaheuristiques ou l'intégration de techniques de Machine Learning.

As a consequence of the major environmental concerns of our time, as well as the current international context, energy issues are becoming more and more crucial, be they concerning sparing, independence, provisioning, or the transition towards renewable energy sources. Industry is the most concerned stakeholder, being responsible of more than 50% of the total final energy consumption in 2019. This explains the steadily increasing interest of the scientific community for what concerns the energy efficiency of manufacturing systems. To this end, many energy-related aspects have been dealt with from the system design to the operation planning and scheduling: among others, we cite the energy consumption involved in manufacturing processes, the associated economic cost, the management of load shedding or of smart energy grids, the consideration of the power peak. Industry-4.0 related new industrial paradigms, such as Reconfigurable Manufacturing Systems, have further increased the number of potential levers to optimal energy efficiency. However, classical combinatorial optimization techniques seem poorly effective to solve the related decision problems. This thesis focuses on the energy efficiency of manufacturing systems and the development of effective optimization tools, in order to hopefully be able to solve instances of industrial interest. Such tools would make use of advanced combinatorial optimization techniques, e.g. Column Generation or Cutting Planes Algorithms, which have already been successfully employed in other domains but -to the best of our knowledge- have been scarcely resorted to for the problems at study. The development of tools of this type would allow to assess their potential and possibly to study more in depth the structural properties of the mentioned problems, but also to open other research paths, as the design of metaheuristic algorithms of the integration of Machine Learning techniques.