3.3.3.2.5 Optimisation
La procédure d’optimisation comprenant les différentes phases comme la sélection, le croisement et la mutation sur un certain nombre de généra-tion est décrite dans l’algorithme5. Elle reste identique à celle utilisée dans l’approche initialement proposée dans [67] et [191]. Le meilleur chromosome utilisé après un certain nombre de génération est transcrit en plan d’assigna-tion comprenant les ressources grâce à la foncd’assigna-tion Coordinad’assigna-tion enchères.
FonctionOptimisation(population, f itness) :
Tant que(generation<nbrGen) faire
crossover(population)
mutation(population)
fonction(Coordination enchères, Évaluation solution, Opti-misation)
Fait
meilleur_ch ← f itness[0] [Premier chromosome dans f itness]
plan d’assignation= faire fonction(Coordination
enchères(meilleur_ch))
Retourner plan d’assignation;
Fin
ALGORITHME5 – Optimisation
3.4 Cas d’étude
Ce cas d’étude vise à mettre en oeuvre l’amélioration de l’approche d’or-donnancement de tâches basé sur DIMS. L’expérience est conduite à travers une simulation. En outre, les résultats expérimentaux sont implantés sur un cas d’étude réel en vue de pouvoir mettre en place les modules d’interac-tion des différents agents, qui assurent l’échange d’informad’interac-tion. Les détails
de l’implémentation sont disponibles en annexeA.
3.4.1 Description du cas d’étude
L’expérience, relate un atelier de production flexible miniaturisé composé de quatre machines de production (M1, M2, M3, M4) qui assurent la fabri-cation de quatre produits. Deux stocks principaux sont également utilisés (Stocks d’entrée et de sortie) pour le stockage des matières premières et des produits finis. Trois robots sont en charge du transfert des produits entre les différents postes. L’ensemble des composants (machines, stocks, robots) de l’atelier miniature est représenté sur la figure3.4. Le délai de réalisation (dueDate) est fixé à 300secondes.
Quatre Jobs sont considérés sachant que chaque Job est associé à un produit. Ces derniers ont chacun le même nombre de tâches de transport : quatre (4),
soit seize au total. La séquence de fabrication de chaque produit est prédéfi-nie comme l’indique la figure3.5.
R ob ot 3 Robot 1 R ob ot 2 M1 M2 M3 M4
Stock out Stock in
P1
P2 P3
P4
FIGURE3.4 – Mini-atelier de production
P1 : Job1 Stock in k11 M1 k12 M3 k13 M1 k14 Stockout P4 : Job4 Stock in k41 M2 k42 M1 k43 M3 k44 Stockout P3 : Job3 Stock in k31 M2 k32 M1 k33 M4 k34 Stockout P2 : Job2 Stock in k21 M1 k22 M4 k23 M2 k24 Stockout
FIGURE3.5 – Sequences des produits
3.4.2 Résultats
Le diagramme de Gantt dans la figure 3.6, permet de voir le plan
3.4. Cas d’étude 73 Temps (secondes) M1 M3 Robot 1 Robot 2 Robot 3 Produit 1 Produit 2 Produit 3 Produit 4 M1 M4 S.in M1 M1 M3 M3 M1 M1 S.out S.in M1 M1 M4 M4 M2 M2 Sout S.in M2 M2 M1 M1 M4 M4 S.out S.in M2 M2 M1 M1 M3 M3 S.out S : Stock M : Machine R e ss ou r ce s
FIGURE3.6 – Diagramme de gantt de l’activité des trois robots
peut voir le point de prise et la destination de chaque produit ainsi que la ressource de transport en charge (en ordonnées sur la figure). La traçabilité des produits sur le Gantt est facilitée grâce au code couleur associé à chaque produit. Les temps de production sont relativement plus petits que ceux du transport (10s pour chaque machine quel que en soit le produit), mais ne sont pas explicitement mis en évidence sur le Gantt (Ce dernier mettant en évidence que les tâches de transport). Néanmoins, à chaque fois qu’un pro-duit est transportée au niveau d’une machine, il subit un process de 10s. Ce diagramme permet de montrer la faisabilité des solutions trouvées et la prise en compte des contraintes : précédence entre les tâches d’un même Job, plusieurs Jobs s’effectuant en parallèle, toutes les machines travaillant sur un seul produit à la fois et également le respect du dueDate de 300s. Les résultats de l’optimisation représentée par la figure 3.7 démontrent l’effica-cité de la fonction bi-objectif. Pour les premières générations, le coût total et le temps sont inversement proportionnels (l’une des valeurs est élevée et l’autre faible). Après 8 générations, les deux valeurs coût total et temps sont minimisées.
3.5 Conclusion
En définitive, la configuration des agents dans l’architecture DIMS per-met une meilleure supervision des FMS. En effet, la configuration des agents est d’abord du type fractal (mêmes éléments constitutifs pour tous) avec des fonctionnalités multiples permettant des prises de décisions optimisées, et une communication inter-agent fluide et simplifiée. L’amélioration apportée à la structure générique de l’agent par l’ajout de certains modules tels que celui de la surveillance de l’atelier, et la redéfinition des autres modules avec les outils permettant leur implémentation garantit : une bonne gestion et fia-bilité des éléments autonomes de transport de l’industrie 4.0 et une réduction de la complexité de l’architecture pour faciliter l’intégration.
L’ajout d’une base de donnée permet de faire face et de mieux gérer l’afflux de données non homogènes générées par les différents systèmes. De plus, la base de données permet également une centralisation de l’information pour une accessibilité rapide aux données de l’atelier pour les éléments et une mise à jour continue de celle-ci.
Un accent particulier a été mis sur le module de décision au niveau du su-perviseur par le développement d’une approche d’assignation de tâche basé sur un mécanisme d’enchères. Cette approche bénéficie de la structure hié-rarchique des agents mais aussi d’une possibilité de décomposition à plu-sieurs niveaux des Jobs pour une meilleure flexibilité pour les agents lors du processus d’allocation. J’ai également amélioré cette méthode par la prise en compte de plusieurs Jobs pouvant s’exécuter en parallèle avec une contrainte de précédence entre les tâches d’un Job. La méthode d’optimisation basée sur un algorithme génétique qui se veut indirect par le codage d’un chromosome composé de paramètres (prix et profits) menant à une solution optimisée de nature différente (Plan d’assignation composé de ressources de transport), a également bénéficié d’une modification par le passage de la fonction mono-objectif (minimisation du coût) à une bi-mono-objectif (minimisation coût et temps). L’efficacité de la méthode avec son processus d’optimisation indirecte a été prouvée dans un cas d’étude.
Le prochain chapitre portera sur le développement du module de décision des agents de bas niveaux (ressources de l’atelier).
75
Chapitre 4
Ordonnancement de tâches par
formation de coalitions
4.1 Introduction
Dans ce chapitre une méthode de décision distribuée permettant l’ordon-nancement des tâches de transport incluant les opérations de chargement et déchargement a été développée. Cette approche, combine un modèle de dé-cision globale basé sur les enchères (CNET) et un modèle de dédé-cision locale basé sur la programmation linéaire en nombres entiers.
Ce dernier est formulé d’une façon mathématique et vise à minimiser le temps d’accomplissement global des tâches avec une prise en compte de plu-sieurs contraintes. Cette approche est appelée DISCOFT pour Formation de COalition DIStribuée pour les tâches de Transport (DIStributed COalition For-mation for Transportation tasks en anglais).
Un second algorithme développé dans le même contexte industriel est couplé à DISCOFT pour garantir ainsi un plan de production optimisé, qui engen-drera les tâches de transport. Cette seconde méthode qu’on nommera IT2P (Integrated Transportation and Production Plans), est également décrite à travers un algorithme.
La section 4.2 de ce chapitre décrit la relation qui existe entre les diffé-rentes activités de production à savoir les ordres, les Jobs, les tâches et les
opérations. Ensuite, la section4.3 donne un mécanisme général de
l’ordon-nancement de tâche qui va de l’émission d’un ordre de production à l’obten-tion d’un plan d’ordonnancement de producl’obten-tion et de transport. Le rôle et les liens entre les deux approches (IT2P et DISCOFT) sont aussi spécifiés. La section4.4, décrit le modèle de l’approche IT2P.
Enfin, la section 4.5 traite des deux algorithmes de décision (globale et
lo-cale) qui composent l’approche DISCOFT. La nécessité d’utiliser une mé-thode d’optimisation pour le modèle de décision locale est également spé-cifiée.