Bilan Partiel des travaux en optimisation

Ce travail a permis de formaliser un outil d’aide à la planification de projets se basant sur des connaissances décisionnelles, c’est-à-dire des connaissances reflétant l’influence ou l’importance des décisions sur des résultats d’optimisation multicritère. Nous avons proposé une aide à la sélection de scénarios de projets à l’aide d’un algorithme évolutionnaire dont les opérateurs (sélection, croise- ment, mutation) sont guidés par les connaissances décisionnelles. Les connaissances décisionnelles sont obtenues par apprentissage sur des expériences soit réellement obtenues lors de la réalisation de projets similaires, soit artificiellement générées par l’algorithme évolutionnaire lui-même.

Ainsi, les travaux liés à cette problématique ont mené aux contributions suivantes :

Contribution 3.4 : Le développement d’un outil d’optimisation basé sur un algorithme évolution- naire guidé par les connaissances permettant de sélectionner des scénarios intégrant à la fois la dimension projet et la dimension système. Un problème intégré projet/conception est représenté par un graphe de projet. L’outil permet la recherche de scénarios optimaux aux regard des ob- jectifs de minimisation du temps de cycle total et du coût total du projet d’ingénierie système en répartissant au mieux les solutions sur un front de Pareto. L’outil correspond à un algorithme SPEA-II modifié.

Contribution 3.5 : Le développement d’un modèle de connaissances décisionnelles à l’aide d’un réseau bayésien représentant les influences des décisions en conception et planification de projet sur la satisfaction des objectifs. Le modèle est directement exploitable par l’algorithme SPEA-II modifié afin de le guider en biaisant les opérateurs évolutionnaires. Le modèle permet également la saisie par un expert de connaissances sur l’influence des caractéristiques intrinsèques ou ex- trinsèques d’un projet sur les objectifs d’optimisation. L’algorithme EM permet l’apprentissage des paramètres de ce réseau à partir des expériences simulées par l’algorithme évolutionnaire (les individus) ou d’expériences réalisées. Ce modèle, obtenu et exploité par le logiciel de réseaux bayésiens Netica permet en outre au décideur de consulter visuellement la connaissance contenue dans le réseau.

Encadrement : Ce travail a été abordé dans la thèse de Paul Pitiot [Pitiot, 2009] (PhD.1). Publications : Ce travail a été publié dans[Pitiot et al., 2010] (A.3), [Pitiot et al., 2007a] (B.16), [Pitiot et al., 2007b] (B.14), [Pitiot et al., 2008] (B.13)et[Pitiot et al., 2009] (B.12).

Chapitre 3. Planification d’un projet d’ingénierie système

3.4

Conclusion

Nous avons abordé dans ce chapitre la problématique de l’aide à la décision en planification d’un projet de conception de systèmes. Un premier volet, orienté par le projet ANR ATLAS con- cernait la définition des couplages entre processus de planification d’un projet d’ingénierie système et le processus d’ingénierie système lui-même. Nous avons mené des analyses auprès d’industriels montrant le manque d’outils (et de connaissances formalisées) permettant de faire interagir efficace- ment les deux processus. Un déséquilibre entre planificateurs et concepteurs existe et des problèmes de gouvernance apparaissent. Nous avons donc formalisé deux modes de couplage entre ces deux processus : le couplage informationnel et le couplage comportemental. Tout deux sont basés sur de la connaissance méthodologique. Le couplage informationnel est basé sur un modèle d’infor- mations couplées entre Planification de projet/Conception de syst ‘emes. Ce modèle garantit une bonne intégrité et une bonne cohérence des informations issues de la planification et de la concep- tion. En outre, il impose de renseigner ces informations de manière intégrée. Le couplage comporte- mental est basé sur un processus générique permettant de garantir une bonne synchronisation en- tre les deux processus en favorisant les prises de décisions concertées et les échanges d’informa- tions. Adossé à un ensemble de règles comportementales, ce processus constitue le second volet de la connaissance méthodologique. La formalisation des modes de couplage et des connaissances méthodologiques a constitué un élément clé dans le développement du logiciel ATLAS. Ils ont en effet permis de formaliser les besoins attendus pour un tel outil et ils ont également, par l’implé- mentation des règles, permis le développement lui-même. L’ensemble de ces propositions a constitué une première partie de la thèse de Joël Abeille [Abeille, 2011] (PhD.2). Il a été publié dans l’article de revue[Aldanondo et al., 2011] (E.1)ainsi que dans quatre conférences[Abeille et al., 2009] (C.5), [Abeille et al., 2010] (B.10), [Coudert et al., 2011a] (B.8), [Vareilles et al., 2012b] (B.6).

La seconde partie de ce chapitre concerne la formalisation d’un outil d’optimisation multicritère pour la sélection de scénarios lors des phases amont d’un projet d’ingénierie système. Dès les premières phases d’un projet d’ingénierie système, il est souvent possible de formaliser un ensemble de choix de planification et de conception (différentes possibilités de structuration d’un système, solutions envis- ageables, technologies connues, fournisseurs possibles, etc.). Les choix de planification, quant à eux, concernent essentiellement les choix de ressources, de réalisation, d’acquisition ou de sous-traitance des sous-systèmes ainsi que de leur intégration. La formalisation de ces choix et de leurs contraintes de séquencement au sein d’un graphe de projet nécessite ensuite la recherche de chemin optimaux, c’est-à-dire de scénarios optimisant certains critères. Nous avons donc proposé une approche par al- gorithme évolutionnaire multicritère (minimisation du coût et du temps de cycle) dans laquelle les opérateurs évolutionnaires, naturellement aveugles dans cette approche, sont biaisés par l’exploitation de connaissances décisionnelles, c’est-à-dire de connaissances sur l’influence des choix sur la satisfac- tion des objectifs. Les connaissances décisionnelles sont acquises par un processus d’apprentissage et formalisées sous forme de réseau bayésien. Les probabilités servent ensuite à guider le processus évolu- tionnaire. Ce travail a été abordé dans la thèse de Paul Pitiot [Pitiot, 2009] (PhD.1). Il a donné lieu à la publication[Pitiot et al., 2010] (A.3)ainsi qu’à quatre conférences internationales[Pitiot et al., 2007a] (B.16), [Pitiot et al., 2007b] (B.14), [Pitiot et al., 2008] (B.13), [Pitiot et al., 2009] (B.12). L’approche permettant d’hybrider : i) des techniques d’optimisation de type métaheuristique, ii) des connaissances décisionnelles et iii) les processus couplés de planification de projet et d’ingénierie système est une voie extrêmement intéressante à explorer plus avant (voir dans le chapitre de conclusion - chapitre 6).