Smart and sustainable flow-shop scheduling problems: Scenario-based robust optimization and strong heuristics

Résumé

Cette thèse de doctorat est consacrée au développement d'une approche intelligente et durable au problème d'ordonnancement de permutation d'ateliers distribués (DPFSP) en utilisant des modèles d'optimisation pratiques, des reformulations efficaces, des heuristiques et des métaheuristiques avancées. Le DPFSP est une extension du problème d'ordonnancement de permutation d'ateliers (PFSP) et sert de base au problème proposé. La principale distinction entre le DPFSP et le PFSP réside dans leurs domaines d'ordonnancement respectifs. Alors que le PFSP se concentre sur l'ordonnancement des tâches au sein d'une seule usine, le DPFSP relève le défi plus complexe de l'ordonnancement des tâches distribuées dans plusieurs usines. Bien que des recherches antérieures aient contribué au domaine du DPFSP, ce projet de doctorat se distingue en intégrant les concepts de durabilité, d'ordonnancement en temps réel et d'optimisation robuste dans le cadre du DPFSP. L'objectif principal de cette recherche est d'intégrer des critères environnementaux et sociaux basés sur le Triple Bilan (TBL) afin de respecter les lignes directrices des objectifs de développement durable. En tenant compte de critères tels que la consommation d'énergie, les opportunités d'emploi et les jours de travail perdus, un modèle d'optimisation multi-objectif et un algorithme métaheuristique multi-objectif efficace sont développés. Une autre lacune majeure dans le domaine de l'ordonnancement de la production concerne la collecte intelligente, l'analyse et la conversion des données en informations exploitables dans des stratégies de prise de décision en temps réel pour les systèmes de production. En réponse à ce grand défi, le deuxième objectif de ce projet de doctorat est de traiter l'incertitude dans le DPFSP en le modélisant dans le cadre d'optimisation en temps réel de l'industrie 4.0. Une approche d'optimisation en temps réel est proposée pour gérer la réattribution des tâches aux machines en tenant compte des temps de traitement incertains, de l'arrivée de nouvelles tâches ou des pannes de machines. En incorporant les concepts de l'industrie 4.0, un modèle d'optimisation complet utilisant différents modes de production manuels et automatisés est proposé, et diverses stratégies et politiques d'ordonnancement en temps réel sont examinées dans ce modèle. Pour le résoudre, des heuristiques constructives, des relaxations lagrangiennes et des reformulations de décomposition de Benders sont étudiées. Alors que le deuxième objectif aborde l'incertitude dans une certaine mesure, le troisième objectif utilise une approche d'optimisation robuste basée sur des scénarios pour traiter efficacement l'incertitude dans le DPFSP en considérant tous les scénarios possibles. L'objectif final de ce projet de doctorat est de relever les défis du DPFSP intelligent et durable grâce au développement d'un cadre d'optimisation complet. Ce cadre combine un modèle d'optimisation robuste basé sur des scénarios et un algorithme métaheuristique avancé basé sur la recherche locale adaptative du voisinage (ALNS) en utilisant diverses heuristiques et algorithmes de recherche locale. En utilisant une approche d'optimisation robuste basée sur des scénarios, le cadre examine toute une gamme de scénarios possibles pouvant survenir en raison de diverses perturbations dans les horaires de production. Ces perturbations peuvent inclure des pannes de machines, l'arrivée de nouvelles tâches ou des variations des temps de traitement des tâches. En incorporant ces incertitudes dans le processus d'optimisation, le cadre permet d'identifier des horaires robustes et résilients aux circonstances imprévues. Dans l'ensemble, ce projet de doctorat représente une avancée significative dans le domaine du DPFSP en tirant parti des principes de durabilité, d'ordonnancement en temps réel et d'optimisation robuste. Grâce à l'application de modèles d'optimisation pratiques, de reformulations efficaces, d'heuristiques et de métaheuristiques, cette recherche vise à relever les défis uniques posés par l'ordonnancement des tâches dans des usines distribuées. En contribuant au développement de systèmes de production plus intelligents et durables, ce travail a des implications considérables pour le domaine et l'industrie dans son ensemble.

Date	4 oct. 2023
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Lyne Woodward (Directeur(-trice)) & Ouassima Akhrif (Codirecteur(-trice))