Analyse statistique et classement de stratégies d’ordonnancement : Cas d’une industrie semi-continue

30/09/2017
Publication e-STA e-STA 2005-4
OAI : oai:www.see.asso.fr:545:2005-4:20000
DOI :

Résumé

Analyse statistique et classement de stratégies d’ordonnancement : Cas d’une industrie semi-continue

Métriques

12
6
349.47 Ko
 application/pdf
bitcache://aff40a0ddb16b65335b234610560c125ba6f592d

Licence

Creative Commons Aucune (Tous droits réservés)
<resource  xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
                xmlns="http://datacite.org/schema/kernel-4"
                xsi:schemaLocation="http://datacite.org/schema/kernel-4 http://schema.datacite.org/meta/kernel-4/metadata.xsd">
        <identifier identifierType="DOI">10.23723/545:2005-4/20000</identifier><creators><creator><creatorName>V. Dhaevers</creatorName></creator><creator><creatorName>O. Roux</creatorName></creator><creator><creatorName>A. Lazraq</creatorName></creator><creator><creatorName>D. Duvivier</creatorName></creator><creator><creatorName>N. Meskens</creatorName></creator><creator><creatorName>A. Artiba</creatorName></creator></creators><titles>
            <title>Analyse statistique et classement de stratégies d’ordonnancement : Cas d’une industrie semi-continue</title></titles>
        <publisher>SEE</publisher>
        <publicationYear>2017</publicationYear>
        <resourceType resourceTypeGeneral="Text">Text</resourceType><dates>
	    <date dateType="Created">Sat 30 Sep 2017</date>
	    <date dateType="Updated">Sat 30 Sep 2017</date>
            <date dateType="Submitted">Fri 10 Aug 2018</date>
	</dates>
        <alternateIdentifiers>
	    <alternateIdentifier alternateIdentifierType="bitstream">aff40a0ddb16b65335b234610560c125ba6f592d</alternateIdentifier>
	</alternateIdentifiers>
        <formats>
	    <format>application/pdf</format>
	</formats>
	<version>34014</version>
        <descriptions>
            <description descriptionType="Abstract"></description>
        </descriptions>
    </resource>
.

1 Analyse statistique et classement de stratégies d’ordonnancement : Cas d’une industrie semi-continue V. Dhaevers 1, O. Roux 1, A. Lazraq 2, D. Duvivier 3, N. Meskens 1, A. Artiba 4. 1 Facultés Universitaires Catholiques de Mons 151 Chaussée de Binche, B-7000 Mons, Belgique, {dhaevers, roux, meskens}@fucam.ac.be 2 ENIM, Rabat, Maroc, lazraq@enim.ac.ma 3 LIL, Université du Littoral Côte d’Opale, Calais, France, david.duvivier@lil.univ-littoral.fr 4 ETS, Montréal, Canada, hakim.artiba@etsmtl.ca Résumé— Cet article porte sur l’utilisation de tests statistiques pour l’aide à la décision dans le cadre de l’ordonnancement de la production en industrie semi-continue. L’objectif est de fournir au décideur la stratégie d’ordonnancement la plus adaptée à ses préférences et au contexte. Une plate-forme a été développée pour fournir notamment l’ordonnancement d’un mois de production, par l’exploitation de différentes méthodes d’optimisation et de la simulation. Les différents ordonnancements fournis par ces méthodes sont, si nécessaire, améliorés au moyen d’un modèle résultant de l’hybridation d’une métaheuristique et d’un modèle de simulation. Afin de générer des solutions offrant de bons compromis entre des objectifs bien souvent antagonistes, une méthode multicritère est intégrée au sein de notre hybride. Cette étude compare et classe, sur base d’un ensemble de mesures de performance, plusieurs stratégies d’ordonnancement au moyen d’un tri lexicographique d’une part et de la méthode multicritère Prométhée d’autre part. Différents tests statistiques, paramétriques et non paramétriques sont utilisés pour valider les classements obtenus. Mots-clefs— Aide à la décision, tests paramétriques et non- paramétriques, optimisation, ordonnancement, méthode multicritère, simulation. I. INTRODUCTION D ANS le cadre des processus de production de type discret ou semi-continu organisés en jobshop généralisé, nous avons développé une plate-forme « générique » d’aide à la décision basée sur l’optimisation et la simulation de problèmes de planification et d’ordonnancement [4]. Celle-ci repose sur plusieurs modèles hybrides combinant la simulation avec différentes méthodes d’optimisation. Le modèle de simulation est conçu de manière à tenir compte des spécificités du processus de production sous-jacent. Cette plate-forme, nommée PlanOrdo, est composée de modules réutilisables organisés autour d’une base de données. Cette organisation extrêmement souple permet d’intégrer un grand nombre d’outils complémentaires afin de fournir au décideur une aide à la décision aussi complète, précise et fiable que possible. Le module dédié à l’ordonnancement comporte un ensemble de méthodes sérielles classiques telles que SPT (Shortest Processing Time), LPT (Largest Processing Time) ainsi que des méthodes sérielles spécifiques. Afin de pallier les faiblesses caractéristiques de ces méthodes [4, 7, 10, 11], les ordonnancements fournis peuvent être améliorés par le module d’optimisation au moyen de métaheuristiques ou d’une méthode exacte. Dans le contexte de l’étude présentée, la généralisation de nos résultats s’applique aux problèmes d’ordonnancement de type jobshop généralisé (jobshop dans lequel au moins une étape du processus de production peut être réalisé sur plus d’un poste et/ou au moins un produit peut emprunter plus d’un chemin). Le cœur de la plate-forme est constitué d’un modèle de simulation. Celui-ci, développé dans le langage de notre simulateur RAO [1], est composé de patterns génériques décrivant le fonctionnement des ressources standards. Ce modèle peut éventuellement être complété, au moyen de notre modélisation graphique ALIX [8], d’un petit nombre de patterns dédiés au problème étudié. 1 Celles-ci sont décrites dans [5] Dans la suite de cet article, les méthodes sérielles, suivies d’une simulation, et éventuellement d’une phase d’optimisation sont appelées stratégies d’ordonnancement. Dans le cadre de cette recherche, notre plate-forme fournit un « banc d’essai » pour comparer différentes stratégies d’ordonnancement et déterminer dynamiquement la stratégie la plus adaptée au contexte. Ce contexte peut prendre en 2 Il est à noter que les tests statistiques ont été réalisés au moyen du logiciel Minitab 13. Toutes les informations utilesconcernant ce logiciel sont disponibles à l’adresse http://www.minitab.fr . 4 L’analyse factorielle des correspondances a été réalisée au moyen du logiciel SPAD 5.6 . La documentation concernant ce logiciel est disponible sur le site http://www.decisia.fr . 2 compte l’environnement économique et la forte variabilité de la demande. Chaque stratégie d’ordonnancement repose sur l’utilisation d’une méthode sérielle, l’exécution d’un modèle de simulation et, éventuellement, une optimisation par une métaheuristique. Figure 1 : Fonctionnement du modèle « Hybride lexicographique » est illustré par la Figure 1. Sur base des informations utiles à la réalisation de l’ordonnancement de la production, chaque méthode sérielle implémentée dans la plate-forme fournit au modèle de simulation son vecteur de priorités, associant une priorité à chaque commande ou ordre de fabrication. En retour, le modèle de simulation calcule l’ordonnancement et quantifie l’ensemble des mesures de performance sélectionnées (notées « critères » dans la suite de l’article) par le décideur. Ce vecteur de priorités des commandes et les informations relatives à la performance de l’ordonnancement défini constituent la solution initiale de la méthode de recherche locale. La nécessité de fournir des solutions offrant de bons compromis entre les objectifs bien souvent antagonistes de l’entreprise nous a amenés à intégrer une méthode multicritère au sein de notre plate-forme. Notre étude synthétise les résultats de l’application de notre démarche dans une entreprise ayant un système de production semi-continu fortement contraint [5, 6, 14] : l’entreprise Fontainunion. Cet article présente la comparaison de solutions de cinq stratégies d’ordonnancement afin de déterminer celle qu’il convient de mettre en œuvre dans l’entreprise. Cette comparaison est réalisée en utilisant des tests statistiques paramétriques et nonparamétriques sur base, d’une part, d’un tri lexicographique et d’autre part, d’une analyse multicritère. Notons que l’utilisation d’un vecteur de priorités autorise également l’introduction, par le décideur, de commandes dont l’exécution ne peut en aucun cas être retardée par la réalisation d’autres commandes. L’originalité de nos travaux réside donc non seulement dans l'hybridation de différentes techniques, mais également dans la prise en compte de différentes disciplines telles que l’ordonnancement, la simulation, les métaheuristiques, l’aide multicritère à la décision, les statistiques et l’analyse des performances afin de fournir au décideur des solutions englobant tous les aspects du problème d’ordonnancement auquel il est confronté. Le principe de fonctionnement de la métaheuristique, utilisée dans notre hybride, repose sur une méthode itérative d'amélioration d'une solution unique (Iterative Improvement, with first improvement selection [18, 19], i.e. Hill-Climber). A partir de la solution initiale, une solution candidate est engendrée via un « opérateur de déplacement ». Si la solution candidate offre une meilleure évaluation que la solution initiale, alors la solution candidate devient la solution courante. L’opérateur est ensuite appliqué à la solution courante afin de donner naissance à une nouvelle solution candidate. Ce cycle, appelé itération, est répété jusqu’à la satisfaction de la condition d’arrêt prédéfinie (par exemple, un nombre d’itérations maximum). Il est à noter qu’une évaluation de la solution candidate est effectuée lors de chaque itération, si bien que le nombre d’itérations correspond au nombre d’évaluations. La comparaison des solutions au fil des itérations se base sur un tri lexicographique. Le plan suivi pour présenter notre étude est le suivant: nous décrivons notre plate-forme en section 2, nous exposons le problème industriel en section 3, nos résultats sont synthétisés en section 4, nous concluons ensuite l’exposé de notre étude en présentant quelques perspectives de développement de nos travaux. II. DESCRIPTION DU MODELE HYBRIDE ANALYSE : L’« HYBRIDE LEXICOGRAPHIQUE » La Figure 2 présente le plan d’expérimentation suivi dans cette étude. Parmi les différentes méthodes sérielles implémentées, cinq d’entre-elles (MSi ; i = 0,1…4) ont été sélectionnées afin de réduire le volume des résultats présentés1. Cette sélection a été effectuée de manière à préserver une diversité des solutions initiales représentative des solutions proposées par l’ensemble des méthodes sérielles testées. Dans cet article, nous nous concentrons sur l’utilisation d’un modèle hybride, le modèle « Hybride lexicographique », incluant une métaheuristique pour améliorer les résultats fournis par les différentes stratégies d’ordonnancement implémentées. Le principe de fonctionnement du modèle hybride présenté Compte tenu du caractère stochastique de l’algorithme itératif de recherche locale, nous avons effectué, à partir de la solution initiale SIi fournie par chaque méthode sérielle MSi, 20 essais (j=1,2…20) de 4000 itérations/évaluations, chaque itération nécessitant le lancement du modèle de simulation. A l’issue de chacun des 20 essais, nous obtenons 20 solutions finales (optimisées) SFij par stratégie i. Le nombre d’essais et d’itérations a été établi sur la base de benchmarks préliminaires. Ce paramétrage vise à assurer un bon compromis entre temps de calcul et qualité des solutions finales. Différents opérateurs de déplacement ont été testés. Ces 3 opérateurs modifient de manière plus ou moins importante le vecteur de priorités associé à la solution courante pour engendrer un nouveau vecteur de priorités relatif à la solution candidate. L’opérateur « swap », utilisé dans le cadre des résultats présentés, consiste à échanger deux éléments du vecteur courant pour obtenir un nouveau vecteur. L’avantage principal de cet opérateur est qu’il ne nécessite aucune information sur le processus en cours d’optimisation. De ce fait, cet opérateur « générique » est applicable à une très large gamme de problèmes d’ordonnancement ce qui nous permet d’évaluer aisément les performances des modules «génériques» assemblés au sein de notre plate-forme. Figure 2 : Plan d’expérimentation de l’« Hybride lexicographique » Afin d’indiquer au décideur la stratégie d’ordonnancement à appliquer, les solutions optimisées, obtenues pour chaque stratégie, sont ensuite classées. Deux méthodes de classement sont disponibles au sein de la plate-forme : le tri lexicographique et la méthode multicritère Prométhée II [2, 3, 9]. Cette dernière est une méthode d’agrégation partielle qui compare les solutions des stratégies paire par paire tout en tenant compte des préférences du décideur. Elle nécessite de la part du décideur des informations sur chaque critère : sa fonction de préférence et son poids. La fonction de préférence est choisie parmi six possibilités : vrai-critère, forme en U, forme en V, niveaux, linéaire, gaussien. En fonction de celle- ci, pour chaque critère, des nuances peuvent être introduites par le décideur par le biais de seuils d’indifférence (q) et/ou de préférence (p). D’une comparaison critère par critère de deux solutions a et b, va résulter un indice de préférence qui mesure l’intensité de la préférence de la solution a sur la solution b. Le processus est répété pour toutes les paires de solutions. Sur la base des indices de préférence obtenus par la solution a comparée à toutes les autres solutions, un flux positif est calculé. Celui-ci indique dans quelle mesure la solution a est préférée à toutes les autres solutions. Par ailleurs, un flux négatif est aussi calculé et représente dans quelle mesure les autres solutions sont et représente dans quelle mesure les autres solutions sont préférées à a. La différence entre les flux positif et négatif donne le flux net phi de la solution. Cette valeur est utilisée pour déterminer un classement des solutions selon les préférences du décideur. Évidemment, le classement des solutions est influencé par les valeurs des différents paramètres assignés aux critères. Toutefois, Prométhée II est robuste face aux valeurs des poids des critères à condition que ceux-ci se trouvent dans l’intervalle de stabilité [2]. Le recours à la méthode de classement multicritère se justifie pleinement. En effet, un tri lexicographique peut paraître suffisant tant qu’il est possible de classer strictement les critères à optimiser. Or, il est rarement facile de classer les critères dans le cadre d’un problème réel ; mais surtout, lors de la comparaison des solutions de deux stratégies d’ordonnancement, un décideur accepte bien souvent une stratégie qui est moins intéressante du point de vue d’un critère si cette dernière offre des améliorations significatives sur d’autres critères. De ce fait, le classement des stratégies d’ordonnancement selon plusieurs critères de performance est loin d’être trivial, surtout en présence de critères antagonistes de même importance aux yeux du décideur. Tableau 1 : Notation et description des critères optimisés Dans cette recherche, quatre critères sont considérés. Le Tableau 1 présente la notation utilisée pour les identifier et leur description. Il s’agit, dans cette étude, de minimiser les critères (1) à (3) et de maximiser le critère (4). Si la minimisation des trois premiers critères est couramment utilisée lors la résolution d’un problème d’ordonnancement, la maximisation de l’avance est moins fréquente. Dans ce cas d’application, l’objectif est de se prémunir des dysfonctionnements apparaissant en cours de processus de production afin de garantir, autant que possible, le respect des délais de livraison. Les impératifs de l’entreprise étudiée nous imposent de considérer ces quatre critères dans un ordre décroissant d’importance NT > T > Cmax > E (ici « > » désigne une relation de préférence). Les valeurs des critères (2) à (4) sont exprimées en heures. Après avoir détaillé la plate-forme utilisée ainsi que l’hybride implémenté, la section suivante décrit le problème industriel de l’entreprise Fontainunion. III. PROBLEME INDUSTRIEL CONSIDERE 4 La validation de notre démarche est effectuée sur le problème d’ordonnancement du système de production de l’entreprise Fontainunion, située à Fontaine-Lévêque, en Belgique. Sa production est composée de fils et de torons d’acier de haute qualité (câbles constitués de 2, 3 ou 7 fils), utilisés dans le monde entier, dans des constructions diverses telles que les aéroports, les stades, les ponts… En fonction de la nature des produits réalisés, le système de production considéré, composé de dix-sept postes de travail, prend la forme d’un flowshop ou d’un jobshop généralisé (cf. Figure 3). Figure 3: Système de production de l'entreprise Fontainunion Le processus de production comporte sept groupes de machines, associés aux étapes du processus de fabrication. Les opérations continues et discrètes s’enchaînent via des opérations de soudure ou de découpe en vue du stockage des produits semi-finis sur des bobines. Le simulateur RAO est utilisé pour modéliser la totalité du problème, y compris la partie continue du processus. Chaque produit, obtenu à partir de fils machine (FM) ou de fils galvanisés (cf. Figure 3), est le résultat d’une séquence d’opérations ordonnancées en respectant les contraintes liées aux ressources et aux relations de précédence. Les contraintes liées aux ressources incluent des limitations au niveau des entrées/sorties, des setups, et de la non-préemption. Les relations de précédence imposent qu’une opération ne peut commencer avant la fin de toutes les opérations précédentes identifiées dans la gamme opératoire du produit. L’hétérogénéité des machines induit une dépendance entre le temps opératoire, le produit fabriqué et la machine utilisée pour réaliser l’opération. Enfin, la production de l’entreprise cible de type « fabrication sur commande » nécessite la prise en compte de fortes variations des commandes d’un mois à l’autre. Dans ce processus, différents types de setups doivent être considérés dépendants et indépendants de la séquence de réalisation des produits sur les postes de travail. De nombreuses contraintes additionnelles rendent ce problème très difficile à appréhender en termes de modélisation, d’optimisation et de simulation. Parmi celles- ci, figurent l’utilisation de ressources auxiliaires en nombre limité (bobines), les contraintes sur les diamètres et les charges supportés en entrée/sortie des postes de travail. L’hétérogénéité de ces derniers implique que toutes les bobines ne sont pas compatibles avec toutes les machines. De même, toutes les machines ne sont pas capables de réaliser tous les produits et/ou tous les types de conditionnements. Mentionnons également qu’un sous-ensemble de commandes ne peut accuser de retard en raison notamment des moyens de transport utilisés lors de leur expédition. Le modèle réalisé doit également reproduire et anticiper, dans la mesure du possible, les dysfonctionnements du processus tels que des ruptures de fils. Les problèmes liés au stockage et au transport au sein de l’entreprise étudiée ne sont pas pris en compte dans notre étude car ils n’ont pas d’impact significatif. Le site travaille 24 heures sur 24, cinq jours sur sept avec une rotation journalière de trois équipes de onze ouvriers. Dans la section suivante, les solutions optimisées, via l'«Hybride lexicographique», de cinq stratégies d’ordonnancement sont présentées et comparées. IV. RESULTATS EXPERIMENTAUX Afin de respecter les clauses de confidentialité relatives à ce projet, les comparaisons directes entre la production réelle et la production simulée ne sont pas présentées. Précisons toutefois que dans la majorité des cas, PlanOrdo génère des résultats supérieurs ou identiques, en termes de délais et de makespan, aux résultats obtenus par la personne chargée de réaliser l’ordonnancement au sein de l’entreprise Fontainunion. Notre « Hybride lexicographique » ordonnance de façon précise un mois de production. Sur cette période, la durée d’exécution du modèle de simulation varie de trois à six secondes, sur un Pentium IV 1.5GHz. La validation de la plate-forme PlanOrdo est réalisée sur le problème d’ordonnancement du processus de production de l’entreprise Fontainunion. Les paragraphes suivants présentent un exemple d’utilisation de PlanOrdo où la production de 134 commandes est simulée sur une période d’un mois. Les solutions des stratégies d’ordonnancement sont évaluées selon les quatre critères choisis par le décideur (cf. Tableau 1). A. Objectifs de notre étude Notre objectif est de s’assurer, au moyen de tests statistiques paramétriques et non paramétriques, que les différences constatées entre les stratégies d’ordonnancement, évaluées sur quatre critères, sont significatives. Une fois la différentiation établie, il est possible de déterminer, sur base du classement de ces stratégies, celle qu’il convient d’appliquer dans l’entreprise. Le classement des stratégies d’ordonnancement étant réalisable via un tri lexicographique ou une méthode multicritère, nous souhaitons analyser les résultats fournis par ces deux méthodes et souligner l’intérêt d’exploiter une méthode multicritère. En effet, celle-ci offre de plus larges possibilités que le tri lexicographique. La méthode multicritère permet au décideur de définir un ordre de préférence strict entre les critères d’évaluation comme le fait le tri lexicographique ou laisse la possibilité de nuancer les préférences en accordant la même importance à plusieurs critères. De plus, le paramétrage de la méthode offre au décideur la possibilité de définir des seuils d’indifférence et de préférence pour chaque critère considéré afin d’absorber les incertitudes liées à l’acquisition, la synthèse des données ou encore aux aléas du processus de production. 5 B. Données Il est utile de rappeler que les classements présentés, relatifs à la période sélectionnée comprenant 134 commandes, ne sont pas généralisables directement à d’autres périodes, à cause de l’influence de divers paramètres sur les performances des méthodes sérielles (cf. section II). Cependant, les résultats obtenus lors de l’étude de notre hybride sur différentes périodes demeurent cohérents par rapport aux résultats engendrés par la personne chargée de l’ordonnancement de la production. Les résultats fournis par l’hybride ont été analysés sur base de trois échantillons de données différents. Une observation étant composée, pour une stratégie donnée, des 20 évaluations pour une itération fixée, nous définissons les compositions des échantillons étudiés de la manière suivante : - l’échantillon 1 est composé des 20 solutions finales des 5 stratégies d’ordonnancement, soit 5 observations ; - l’échantillon 2 est composé des solutions courantes, générées toutes les 10 itérations de chaque stratégie, soit 401 observations par stratégie ; - l’échantillon 3 est composé des solutions courantes, générées toutes les 10 itérations, de chaque stratégie après stabilisation du classement (rejet des 200 premières observations), soit 201 observations par stratégie. Ces différents échantillons ont été respectivement définis de manière à : - réaliser classiquement une analyse portant sur les solutions finales des stratégies d’ordonnancement optimisées ; - dégager une tendance générale du comportement des différentes stratégies d’ordonnancement ; - mettre en évidence une tendance qui apparaît après la stabilisation du classement des stratégies. C. Méthodes utilisées Un classement des stratégies est réalisé, d’une part, au moyen d’un tri lexicographique et d’autre part, à l’aide de la méthode multicritère Prométhée II. Afin de valider ces classements, différents tests statistiques, paramétriques et non paramétriques (basés sur les rangs) sont utilisés 2. Pour chaque stratégie d’ordonnancement étudiée, la moyenne moyi(SFij)3 et la médiane medi(SFij) des solutions fournies par les 20 essais réalisés sont calculées toutes les 10 évaluations. Les médianes sont utilisées en remplacement des moyennes car elles sont beaucoup plus robustes en présence d’observations aberrantes. Notre démarche de validation statistique consiste à tester l’existence ou le rejet d’une égalité entre ces valeurs moyennes et/ou médianes. Les tests non paramétriques de Kruskal-Wallis et de Mann- Whitney [12, 13, 15, 16] sont appliqués à chaque échantillon. Le test de Kruskal-Wallis offre une alternative non paramétrique à l'analyse de la variance à un facteur contrôlé. Il permet de tester l’égalité des médianes de k populations (traitements). Si k=2, ce test se réduit au test de Mann- Whitney. Le test de Kruskal-Wallis est utilisé en vue de déterminer si les médianes des cinq stratégies sont significativement différentes, et dans l’affirmative, d’établir un premier classement approximatif des stratégies d’ordonnancement. En tenant compte du « p-value » global du test, le classement obtenu est ensuite confirmé et affiné par une succession de tests de Mann-Whitney, destinés à comparer les médianes des stratégies deux à deux. Ces deux tests ne sont toutefois applicables que dans le cas où il est possible de comparer les observations entre-elles pour des itérations différentes. L’inégalité de Bonferroni [17] démontre que l’erreur alpha globale associée à un ensemble de tests est inférieure à la somme des erreurs alpha de chaque test. Le test de Friedman est une analyse non paramétrique d'un plan d'expériences n×k. Les n lignes sont des blocs représentant les individus et les k colonnes, les traitements. On remplace chaque observation d’un traitement pris sur le même individu par son rang dans la même ligne (le bloc). L’objectif est de tester l’égalité des médianes des k traitements. Si k=2 ce test se réduit au test de Wilcoxon. Dans le cas de la méthode Prométhée II, il n’est pas possible de comparer les stratégies suivant leur rang pour différentes itérations. Seule la comparaison entre stratégies, pour une même observation, est autorisée. Le bloc représente dans ce cas une itération et chaque ligne (bloc) contient donc les rangs des 5 stratégies. Etant donné que nous utilisons des blocs, les tests de Friedman et de Wilcoxon [12, 13, 15, 16] sont donc appliqués en lieu et place des tests de Kruskal- Wallis et de Mann- Whitney. Dans le cas de l’échantillon 1, une analyse statistique supplémentaire, basée sur les moyennes des solutions finales des stratégies, a été menée. Celle-ci repose sur l’application des tests paramétriques de l’ANOVA à un facteur contrôlé [13] et des comparaisons deux à deux de Fisher. Bien entendu, préalablement à leur mise en œuvre, les tests de normalité et d’homogénéité des variances ont été réalisés. D. Résultats L’analyse des résultats de cette étude est organisée en deux sections selon le mode de classement des stratégies d’ordonnancement. Dans chacune de ces sections, les trois niveaux d’analyse des résultats sont présentés et interprétés. 1) Classement des stratégies d’ordonnancement à l’aide d’un tri lexicographique Les résultats, obtenus après 4000 itérations et classés via un tri lexicographique, sont présentés dans le Tableau 2. L’analyse de ce tableau montre que la stratégie 3 est plébiscitée. L’ordre de préférence des stratégies est le suivant: 3 1 2 4 0 (« a b » indique que la stratégie a est classée nettement avant b). Le Tableau 2 présente, pour chaque critère sélectionné, sa valeur moyenne et la valeur de l’écart-type calculée sur chaque groupe de vingt exécutions. Le gain moyen réalisé entre la solution initiale et la moyenne des solutions finales obtenues après 4000 itérations est également indiqué pour chaque stratégie d’ordonnancement. 6 Tableau 3: Tableau de contingence de l’échantillon 2 – tri lexicographique Chaque case du Tableau 3 contient le nombre de fois qu’une stratégie obtient un classement allant de 1 à 5. Une dépendance très marquée entre les stratégies et leur classement a été mise en évidence par un test du Khideux (p-value = 0,0000), qui complété par une analyse factorielle des correspondances4 de ce tableau confirme le classement suivant : 3 2 1 4 0. Ce classement diffère quelque peu du premier classement établi par le test de Kruskal-Wallis. L’importance des stratégies 3 et 2 est inversée. Nous pouvons toutefois affirmer que les stratégies 3 et 2 sont globalement dominantes. Tableau 2 : Résultats de l’« Hybride lexicographique » après 4000 itérations (tri lexicographique) L’analyse des résultats met en évidence deux propriétés importantes de la méthode hybride : d’une part, à l’issue de n’importe quelle exécution de 4000 itérations, il n’existe plus aucune commande en retard (les colonnes NT et T sont à 0) ; d’autre part, quelle que soit la stratégie initiale utilisée, l’Hill- climber parvient en moyenne à réduire le makespan d’au moins huit heures, ce qui conduit à « libérer » huit heures de travail pour une équipe de onze ouvriers sur le mois simulé. c) Analyse statistique – Echantillon 3 La comparaison de ces solutions optimisées à la solution proposée par le responsable de production montre que notre méthode réduit, en moyenne, le makespan de neuf heures dans le pire des cas et de treize heures dans le cas le plus favorable. L’observation de l’évolution, pour chaque stratégie d’ordonnancement, des médianes, calculées sur les 20 solutions courantes d’une même itération, montre qu’il faut attendre la 201ème observation pour qu’une différence significative entre les stratégies soit atteinte. Afin de compléter l’étude de l’« Hybride lexicographique », nous analysons son comportement en supprimant les 200 premières observations. Le défaut de cette méthode de classement est de se baser uniquement sur les moyennes des valeurs des critères associés aux solutions, sans tenir compte de leur variabilité. Pour pallier cela, les tests statistiques précédemment mentionnés sont utilisés afin de confirmer ou d’infirmer le classement obtenu par tri lexicographique. Après avoir rejeté très fortement l’hypothèse d’équivalence des stratégies d’ordonnancement lors du test de Kruskal- Wallis, nous concluons, sur base des résultats des quatre tests de Mann-Whitney réalisés (p-value = 0.0000), que le classement des stratégies prend la forme 3 2 1 4 0. a) Analyse statistique – Echantillon 1 Le test paramétrique de l’ANOVA à un facteur contrôlé, représentant la stratégie, donne un p-value de 0,0000. Ce test, complété par des comparaisons deux à deux de Fisher, fournit le classement suivant 3 1 0 = 2 = 4 (« a = b » indique que la stratégie a est jugée équivalente à la stratégie b). Les tests non-paramétriques de Kruskal-Wallis et de Mann-Whitney, testant l’égalité des médianes confirment ce classement avec, pour chaque test, un p-value de 0,0000. Après avoir rejeté très fortement l’hypothèse d’équivalence des stratégies d’ordonnancement lors du test de Kruskal- Wallis, nous concluons, sur base des résultats des quatre tests de Mann-Whitney réalisés(p-value = 0.0000), que le classement des stratégies prend la forme 3 2 1 4 0. En se basant sur l’inégalité de Bonferroni [17], nous pouvons affirmer que le niveau global des cinq tests (1 Kruskal-Wallis et 4 Mann-Whitney) est inférieur à 0,005 si, pour chaque test, un risque de première espèce α égal à 0,001 est pris. Ce résultat montre que même avec ces hypothèses très restrictives (α=0,001), le classement fourni à la suite de ces cinq tests est toujours valide. La prise en compte de la variabilité des données met en évidence que les différences, en moyenne et en médiane, existant entre les stratégies 0, 2 et 4 ne sont pas suffisamment discriminantes pour établir un classement strict entre ces trois stratégies. b) Analyse statistique – Echantillon 2 Par la réalisation du test de Kruskal-Wallis et des tests deux à deux de Mann-Whitney, nous établissons que, dans le cas où toutes les solutions générées par pas de 10 itérations, sont prises en considération, la relation de dominance existante entre les stratégies est représentée par 2 3 1 4 0. Afin de confirmer ce résultat, nous poursuivons notre analyse statistique en dressant le tableau de contingence classement/stratégie (cf. Tableau 3). Comme nous l’avons fait dans la section précédente, sur base du tableau de contingence classement/stratégie, nous avons établi un classement global des stratégies à partir de la 201ème observation. Les résultats sont les suivants : - La stratégie 3 est systématiquement dominante ; - La stratégie 2 est la 2ème systématiquement dominante ; - La stratégie 1 est la 3ème systématiquement dominante ; - La stratégie 4 est la 4ème systématiquement dominante ; - La stratégie 0 est la 5ème systématiquement dominante. - 7 b) Analyse statistique – Echantillon 2 2) Classement des stratégies d’ordonnancement au moyen de la méthode multicritère Prométhée II Après avoir établi par un test de Friedman que les stratégies sont significativement différentes, les tests de Wilcoxon, appliqués sur les stratégies deux à deux, définissent le classement suivant 1 3 2 0 4. Le plus grand p-value est de 0,001. Dans cette section, le classement des moyennes moyi(SFij), présenté dans le Tableau 5, est effectué au moyen de la méthode multicritère Prométhée II dont le paramétrage est précisé dans le Tableau 4. Si, pour chaque test, un risque de première espèce α est fixé à 0,0011, le niveau global des cinq tests (1 Friedman et 4 Wilcoxon) peut être évalué, selon l’inégalité de Bonferroni, comme inférieur à 0,0055 ce qui est plus que confortable pour rejeter les différents tests d’égalité. Tableau 4 : Paramétrage de la méthode Prométhée II Ce paramétrage induit que si, par exemple, deux solutions comportent au moins quatre heures de différence (pj = 4) sur le makespan (Cmax), cette dernière va entraîner la préférence d’une solution sur l’autre pour ce critère. Par contre, si la différence est de moins d’une demi-heure (q = 0,5), celle-ci est non significative. Tableau 6: Tableau de contingence de l’échantillon 2 – Prométhée II Une dépendance très marquée entre les stratégies et leur classement est mise en exergue dans le tableau de contingence classement/stratégie (cf. Tableau 6) et confirmé par un test du Khi-deux (p-value = 0,0000). Ce résultat complété par l’analyse factorielle des correspondances de ce tableau nous a permis d’obtenir le classement suivant : 1 = 3 2 0 4. Ce classement diffère quelque peu du premier classement établi par les tests de Friedman et de Wilcoxon. Néanmoins, nous pouvons constater que les stratégies 1 et 3 restent globalement dominantes. Tableau 5 : Résultats de l’« Hybride lexicographique » après 4000 itérations (Prométhée II) Prométhée II classe les stratégies d’ordonnancement dans un ordre différent de celui donné par un tri lexicographique. Le classement 1 3 2 0 4 est proposé. Une démarche de validation statistique, semblable à celle utilisée dans le cas du tri lexicographique, a également été mise en place. Elle est présentée dans les sections suivantes. c) Analyse statistique – Echantillon 3 Comme nous l’avons fait dans la section précédente, sur base du tableau de contingence classement/stratégie, nous établissons un classement global des stratégies à partir de la 201ème observation : 3 1 2 0 4. a) Analyse statistique – Echantillon 1 La réalisation du test de Friedman suivi de quatre tests deux à deux de Wilcoxon permet de confirmer que les stratégies d’ordonnancement analysées sont, avec un alpha global inférieur à 0,0001, très significativement différentes et qu’elles sont classées dans un ordre identique à celui obtenu précedemment : 3 1 2 0 4. L’hypothèse d’équivalence des stratégies est très fortement rejetée (p-value de 0,0000) par le test paramétrique de l’ANOVA à un facteur contrôlé. Les comparaisons deux à deux de Fisher ont permis de définir le classement suivant 3 =1 = 0 = 2 = 4 (« a = b » indique que le test statistique ne permet pas de trancher clairement entre l’égalité et la dominance de a sur b). E. Synthèse La synthèse des résultats obtenus lors de la démarche de validation statistique est présentée dans le Tableau 7. Cet échantillon ne se référant qu’à une seule itération, il est par conséquent possible d’utiliser les tests nonparamétriques de Kruskal-Wallis et de Mann-Whitney bien que le classement des solutions soit obtenu via la méthode Prométhée. Ceux-ci, testant l’égalité des médianes, confirment ce classement. Notons que ce classement est très proche de celui de l’analyse statistique présentée en 1. On constate toutefois que la méthode multicritère se révèle plus nuancée, par rapport au tri lexicographique, quant à la dominance de la stratégie 3 sur la stratégie 1. Tableau 7: Synthèse des différents classements de stratégies d'ordonnancement établis L’analyse de ce tableau montre que globalement les stratégies d’ordonnancement sont significativement différentes. Il subsiste cependant quelques cas où les tests statistiques ne permettent pas de trancher clairement entre l’égalité et la dominance d’une stratégie sur l’autre. Cela ne nuit toutefois pas à une utilisation efficace de l’outil d’aide à Contrairement au classement des observations de l’échantillon 1 proposé à partir des valeurs moyennes moyi(SFij), le classement déterminé par les tests statistiques rejette toute dominance stricte d’une stratégie sur l’autre. 8 la décision développé. Quel que soit le mode de classement utilisé ou l’échantillon pris en considération, la stratégie 3 occupe une place prépondérante dans le classement établi suivie de près par la stratégie 1 dans les classements proposés par la méthode multicritère ou les stratégies 1 et 2 dans le cas d’un tri lexicographique. V. CONCLUSIONS Dans notre étude, les tests statistiques montrent qu’il existe des différences significatives entre les stratégies d’ordonnancement en terme de performance. Cela n’est toutefois pas toujours le cas. Il est, en effet, nécessaire de rester vigilant face aux comparaisons, sans tenir compte de leur variabilité, des moyennes des valeurs des critères des différentes solutions. Le recours à ces tests statistiques offre donc au décideur la possibilité de classer de manière beaucoup plus fiable les groupes de solutions fournis par la méthode stochastique (Hillclimber). L’analyse statistique réalisée montre également qu’il existe des similitudes entre les classements obtenus par tri lexicographique et par la méthode Prométhée II. Toutefois, le recours à une méthode multicritère nuance le classement des stratégies d’ordonnancement et absorbe les incertitudes liées à l’acquisition, la synthèse des données ou encore aux aléas du processus de production (pannes, dysfonctionnement…). Cette caractéristique évite les changements intempestifs de stratégie d’ordonnancement en intégrant les seuils de préférence définis par le décideur ce qui conduit, au niveau de l’atelier, à une stabilité accrue de l’ordonnancement. De ce fait, lors de l’utilisation de la plate-forme sur différentes périodes, il est fréquent de présenter au décideur plusieurs stratégies de qualité identique. Celui-ci peut indifféremment les appliquer à la production ou ajouter des critères supplémentaires afin de les discerner. Citons par exemple le taux d’utilisation des ressources auxiliaires, les coûts de production liés à la stratégie d’ordonnancement sélectionnée… En ce qui concerne la stratégie dominante, la stratégie 3, il s’avère qu’elle correspond à la solution initiale la moins performante. Pour le carnet de commandes considéré, cela laisse à penser qu’il est plus intéressant, dans le cas où l’on ne devrait choisir qu’une stratégie à optimiser, de choisir la moins performante. Ce qui peut s’expliquer par le fait que les autres stratégies sont proches d’optima locaux, et donc que la méthode itérative est rapidement piégée. Cette analyse devra être approfondie sur d’autres jeux de données et d’autres méthodes de recherches locales (telles que le méthode Tabou) afin de valider ou infirmer cette conclusion. Les tests statistiques ont été effectués sur base de 401 observations par stratégie, à raison d’une observation toutes les 10 itérations de la méthode de recherche itérative. Cependant, les mêmes résultats ont été obtenus en effectuant les tests cités en ne réalisant plus qu’une observation toutes les 20 itérations. Ceci met en évidence la stabilité de la méthode. Différents tests préliminaires réalisés laissent penser qu’il est possible d’obtenir des performances similaires pour chaque stratégie avec des essais de moins de 4000 itérations, accélérant de ce fait la méthode. Ceci traduit la difficulté croissante d’améliorer la solution courante au fil des itérations du Hill-Climber. Il serait également possible d’effectuer dans un même temps un plus grand nombre d’essais. De plus, étant donné l’indépendance entre les essais, il serait également envisageable de les effectuer en parallèle sur plusieurs ordinateurs ou processeurs. Il est à noter qu’à l’exception de certaines parties du modèle de simulation, la démarche élaborée et de la plateforme résultante sont applicables à un large éventail de problèmes industriels. Cette méthodologie peut être mise en œuvre quelle que soit la méthode d’optimisation stochastique (mono- ou multi-critère) utilisée. Elle n’est donc pas restreinte à l’utilisation d’un Hill-Climber pour l’optimisation d’un ordonnancement. Dans nos travaux futurs, nous souhaitons étendre le module d’optimisation de la plate-forme en développant un nouveau modèle hybride : un hybride multicritère. L’idée est d’intégrer, au sein de l’hybride, la méthode multicritère Prométhée II dont le rôle consistera à comparer les solutions entre elles en cours d’exécution. L’exploitation d’une méthode multicritère au sein de l’hybride permettra de bénéficier des avantages d’une telle méthode dès la sélection des solutions intermédiaires. REFERENCES [1] Artiba A., Emelyanov V., et Iassinovski S. : Introduction to Intelligent Simulation: The RAO Language. Kluwer Academic Publishers, ISBN 0792381769 (1998). [2] Brans J.P. et Mareschal B. : PROMÉTHÉE-GAIA: Une méthodologie d’aide à la décision en présence de critères multiples. Éditions Ellipses, ISBN 2729812539 (2002). [3] Brans J.P. et Mareschal B. : PROMCALC & GAIA: A new decision support system for multicriteria decision aid. Decision Support Systems, 12, pp.297-310 (1994). [4] Carlier J. et Chrétienne P. : Problèmes d'ordonnancement, modélisation, complexité, algorithmes. Masson, ISBN 2225812756 (1988). [5] Dhaevers V., Duvivier D., Roux O. et Artiba A. : Intégration de l’Optimisation et de la Simulation en Industrie Semi-Continue. In Proc. of MOSIM’04, vol. 2, pp. 601-608, ISBN 2743007311 (2004). [6] Duvivier D., Dhaevers V., Bachelet B. et Artiba A.: Integrating simulation and optimization of Manufacturing systems. IEEESMC, part C: Applications and reviews, 33(2):186-192, ISSN 10946977 (2003). [7] [7] Hansmann K.-W. et Hoeck M. : Production control of a flexible manufacturing system in a job shop environment. ITOR, 4(5/6):341-351, ISSN 09696016 (1997). [8] Pichel D., Dontaine A., Iassinovski S., Artiba A. et Fagnart C. : ALIX : une méthode de modélisation des flux d’un système de production. Conf. CPI 2003, Maroc (2003). [9] Pomerol J-C. et Barba-Romero S. : Multicriterion decision making in management: Principles and practice. Kluwer, New York (2000). [10] Smith M.L. et Seidmann A. : Due date selection procedures for job-shop simulation. Computers and Industrial Engineering Journal, 7(3):199-207 (1983). [11] Waikar A. M., Sarker B. R. et Lal A. M.: A comparative study of some priority dispatching rules under different shop loads. Production Planning Control, 6(4):301-310, ISSN 09537287 (1995). 9 [12] Gibbons J.D. et Chakraborti S. : Nonparametric statistical inference, 3ème ed. Marcel Dekker, Inc. (1992). [13] Lebart L., Morineau A. et Fénélon J.P. : Traitement des données statistiques, méthodes et programmes, Dunod (1982). [14] Roux O., Duvivier D., Dhaevers V., Meskens N. and Artiba A. : A multicriteria approach to classify scheduling strategies, Industrial Engineering and Systems Management Conference (IESM’05), 16-19 Mai 2005, Marrakech (2005). [15] Dagnelie P : Statistique théorique et appliquée. Tome 1. Statistique descriptive et bases de l'inférence statistique. Paris et Bruxelles, De Boeck et Larcier, ISBN 2804127702 (1998). [16] Dagnelie P : Statistique théorique et appliquée. Tome 2. Inférence statistique à une et à deux dimensions. Paris et Bruxelles, De Boeck et Larcier, ISBN 2804128024 (1998). [17] Seber, G. A. F., Multivariate Observations, John Wiley, New York, ISBN 0471691216 (1984). [18] Siarry P., Dréo J., Pétrowski A., Taillard E., Métaheuristiques pour l'optimisation difficile. Eyrolles. ISBN 2212113684 (2003). [19] Hoos H. H. and Stützle Th., Stochastic local search – Foundations and applications. Morgan-Kaufmann publishers (2005).