Etat de l’art sur la simulation des processus de pilotage de chaînes logistiques

Les travaux d’analyse des processus décisionnels par simulation de modèle sont nombreux.

Kleijnen (2003) propose de classer les différentes techniques de simulations de chaînes

logistiques en quatre grandes parties : i) la simulation par tableur, ii) l’approche par la

dynamique des systèmes, iii) l’approche par événements discrets ou simplement iv) les jeux

d’entreprises, qui permettent d’éduquer et d’entraîner les utilisateurs à certains aspects de la

gestion de la chaîne logistique.

Chapitre 3 : Modèle générique de planification pour un centre de décision 81

La particularité de l’approche par événements discrets est l’avancement du temps dans la

simulation, qui saute d’événement en événement. L’approche par la dynamique des systèmes

promeut quant à elle une vision quasi-continue des flux (matières, informations, personnels,

argent…).

Notre approche s’appuyant résolument sur une simulation mathématique par

tableur, nous ne détaillerons pas les travaux réalisés dans les autres domaines

cités.

Dans la suite de ce paragraphe, nous présentons une liste de travaux, non exhaustive,

travaillant avec des modèles mathématiques pour la gestion des chaînes logistiques.

• Utilisation des modèles au niveau stratégique

Les modèles mathématiques peuvent être utilisés à tous les niveaux, y compris au niveau

stratégique. Par exemple, Jayarama et Pirkul (2001) étudient la configuration (structure,

design) d’une chaîne logistique et plus précisément le dimensionnement du nombre

d’entrepôts et de sites de production. Leur modèle mathématique est un programme linéaire

(toutes les relations, critère compris, s’écrivent sous forme d’une somme algébrique de

variables, pondérée par des paramètres) et mixte (certaines variables sont réelles et d’autres

entières), le but étant de définir une topologie optimale de la chaîne logistique.

Toujours au niveau stratégique, Bouchriha et Ladet (2002) analysent le problème du ‘make or

buy’ : faire appel à des sous-traitants ou non. Leur modélisation cherche à minimiser les coûts

de production en interne, les coûts d’achat, de transport et de stockage. Elle prend en compte

les capacités minimales et maximales de production et de transport. Des variables binaires

permettent de savoir si les ressources internes sont utilisées ou non pour la production.

• Utilisation des modèles au niveau tactique et opérationnel

Les modèles présentés ici s’appliquent au niveau tactique et/ou opérationnel, qui est

également le cadre dans lequel se situe notre étude.

Ozdamar et Tülin (1999) s’intéressent à la distribution des produits vers les clients en passant

par des entrepôts avec un pilotage hiérarchisé sur deux niveaux. L’objectif des modèles

mathématiques linéaires mixtes (i.e. agrégés et détaillés) est de répartir les produits en sortie

d’usine sur les entrepôts afin de minimiser les coûts de transport, de stockage et de rupture.

L’intérêt du niveau agrégé est de travailler sur un horizon plus long (agrégation du temps) et

sur des familles de produits (agrégation des produits). Les auteurs remarquent que plusieurs

itérations de négociation peuvent être nécessaires entre les deux niveaux, afin de trouver une

solution.

Dudek et Stadtler (2005) étudient la négociation entre un client et son fournisseur sur cinq

structures physiques différentes. La négociation est nécessaire lorsque la demande d’un client

ne peut pas être satisfaite. Ils proposent des modèles de planification dont une partie est

générique, le reste étant une extension suivant le rôle du décideur (fournisseur ou client). Un

modèle fournisseur est donc centré sur les processus production et distribution, alors que le

modèle du client est centré sur les processus approvisionnement et production. Mais, il n’y a

pas d’intégration totale de ces processus. Ces modèles prennent en compte la capacité de

production des ressources, avec éventuellement une augmentation de celle-ci (par des heures

supplémentaires ou le recours à un sous-traitant). Comme c’est souvent le cas au niveau

tactique, les temps de réglage des machines (setup times) sont négligés.

Haehling Von Lanzenauer et Pilz-Glombik (2002) développent un modèle pour l’optimisation

des décisions dans un environnement collaboratif. Le modèle cherche à maximiser le profit

défini comme la différence entre la somme des ventes et la somme des coûts (achat, stockage,

transport et rupture). Le modèle, qui prend en compte un délai de propagation de

l’information, est ensuite appliqué sur la structure série du jeu de la bière (usine, distributeur,

grossiste, détaillant et client). Ici, seul le processus de distribution est pris en compte.

Kirche et al. (2005) utilisent un modèle analytique de planification avec des contraintes et

comparent les résultats avec deux critères différents. Un critère consiste à maximiser le profit

« direct » c’est-à-dire la différence entre les ventes et les achats en matières premières

(approche par la théorie des contraintes), et l’autre fonction reprend la première en incluant

d’autres coûts tels que les coûts de production, de préparation, de stockage et de gestion des

commandes (approche par la méthode ABC – Activity-Based Costing). Dans ce modèle,

aucun délai de transport n’est pris en compte. Il n’y a pas de coût de rupture, mais une

variable binaire permet d’accepter ou de refuser une commande. Avec cette technique, seules

les demandes réalisables sont acceptées. Il ne peut donc pas y avoir de retard !

Dans notre approche, nous considérerons que toutes les demandes doivent être

réalisées, si nécessaire avec retard.

Lakhal et al. (1999 et 2001) développent une formalisation générale des systèmes de

production intra ou inter-entreprises, autorisant l’agrégation de l’information. Sans détailler

l’ensemble des contraintes, un cadre est posé pour chacune d’elles (par exemple, une relation

entre les quantités de production d’une activité, les quantités entrantes et sortantes ou encore

une relation qui explicite le mécanisme de partage des coûts). Toutes les variables sont des

réelles, e.g. les capacités des ressources et les coûts d’utilisation des ressources.

• Positionnement de la thèse dans l’état de l’art

Notre approche propose un outil d’aide à la décision pour la planification tactique et utilise

une simulation par tableur qui calcule les quantités à produire par période avec une avance du

temps par incrément sur un horizon glissant. Le tableur est couplé à un solveur (Xpress-MP)

du modèle mathématique linéaire en nombre réel que nous avons élaboré, ce qui permet de

trouver la solution optimale du problème de planification vu par un centre de décision. Le

programme linéaire traduit la fonction objectif que l’on cherche à optimiser, et une liste de

contraintes sous forme d’équations et/ou d’inéquations reliant les divers paramètres et

variables propres au problème de planification.

Chapitre 3 : Modèle générique de planification pour un centre de décision 83

3.3 Environnement et paramétrage du problème de planification vu

Dans le document Planification des chaînes logistiques : modélisation du système décisionnel et performance (Page 83-86)