Titre du mémoire :

Modélisation et conduite des systèmes de production flexible par les réseaux de Pétri hybrides

Résumé :

Les problèmes d’optimisation en système de production présentent plusieurs difficultés liées aux besoins de l’utilisateur (recherche d’une solution globale, précision de la solution …), aux caractéristiques du problème traité et aux temps de calculs importants. La résolution de telles difficultés a fait l’objet de nombreux travaux en utilisant diverses méthodes d’optimisation. Pour lever cette difficulté, nous avons choisi de nous intéresser au développement des méthodes stochastiques et d’étudier leurs applications aux problèmes de conception rencontrés en système de production. L’efficacité de ces méthodes dépend du choix de ses paramètres de contrôle. Ce réglage est complexe, surtout quand le nombre de paramètres est élevé et quand la plage de variation de chacun de ces paramètres est étendue. Cette thèse s’intéresse aux principales et les plus prometteuses des méthodes stochastiques : les algorithmes génétiques, recuit simulé et la recherche tabou. Grâce à ces méthodes, on peut proposer des solutions approchées pour des problèmes d'optimisation classiques de plus grande taille et pour de très nombreuses applications qu'il était impossible de traiter auparavant. Elles comportent souvent plusieurs paramètres contrôlant les différents opérateurs et leur influence sur les processus stochastiques. Pour résoudre ce problème d’optimisation, quelques contributions originales ont été apportées, qui consistent à identifier les facteurs supposés influencer les performances et à effectuer des comparaisons en faisant varier ces facteurs, toute en offrant un bon compromis entre le temps de réaction et la satisfaction du critère choisi, tels que la maximisation de nombre de pièces produites et la minimisation du temps de réalisation (MAKESPAN). Nous avons ensuite comparé entre elles ces approches, pour distinguer celle qui offre la meilleure solution au sens des critères choisis, sur un nombre important d'échantillons. L'algorithme génétique devance les deux autres approches. Nous avons proposé aussi d'intégrer les trois méthodes dans un même système de décision et d'évaluer et de choisir à chaque instant celle qui offre le meilleur résultat. Sur le même nombre d'échantillon, nous avons constaté une amélioration du résultat global, avec la contribution de chaque approche.

Etudiant (e) : KHALDOUNA ZAHIA
Niveau : Doctorat en sciences
Co-encadreur :
Date de soutenance : 2014