La logique oue dans la littérature

Une autre approche est rencontrée dans la littérature, parallèlement à la simulation. Cette approche utilise la logique oue pour modéliser les environnements incertains. La logique oue a été introduite par Zadeh, pour traiter les problèmes dont les données ne sont pas déterministes [Zadeh, 1965]. La théorie des ensembles ous utilise des fonctions à plusieurs valeurs pour représenter la fonction d'appartenance d'un élément à un ensemble plutôt que la notion de vrai ou faux en logique binaire classique. Cela permet de quantier combien un élément est considéré être dans un ensemble.

Les ensembles ous ont été proposés pour la résolution de problèmes de satisfaction de contraintes (Constraint Satisfaction Problems ou CSP), de sorte que la satisfaction partielle des contraintes soit possible. Dubois et al. [Dubois et al., 1995] ont reformulé le problème d'ordonnancement en CSP ou, où les contraintes sont plus ou moins relaxable ou sujettes à préférences. En ordonnancement ou il y a principalement deux types de contraintes : celles qui dénissent l'espace des solutions (les dates de disponibilités par exemple) et les contraintes qui caractérisent la qualité de la décision d'ordonnancement (telle que les due-date par exemple). La logique oue peut-être utilisé pour modéliser les incertitudes du processus réel, tandis que les contraintes décrivent les préférences de l'utilisateur qui peuvent être relaxées. Quelques contraintes doivent être satisfaites pour que la solution soit valide, alors que d'autres peuvent être "détendues" au besoin. Par conséquent, une bonne solution satisfait des contraintes dures et détend sélectivement des contraintes dites douces pour optimiser la performance.

Guirida et Nagi [Guirida et al., 1998] ont publié un état de l'art sur l'application de la théorie des ensembles ous dans le domaine de la production. Ces travaux utilisent des données oues pour modéliser les due dates, les durées de traitement et, par conséquent, aussi la durée des ordonnancements. Parmi les travaux référencés, on note que la logique oue à été utilisé dans des problèmes de job-shop, de gestion de projet, de planication, d'ordonnancement de la production, de prévision ou encore de gestion de la qualité. Il ressort de cette étude que la logique oue a déjà été appliquée à la plupart des champs de recherche en gestion de la production. De plus, les travaux de recherche en gestion de la production qui s'eectuent sur l'application de la logique oue sont de plus en plus nombreux.

Parmi les approches récentes dans le domaine de la production, le problème de job-shop multi-objectif a été abordé. Petrovic et al. [Petrovic et al., 2006] ont en eet développé un algorithme génétique qui prend en considération diérents niveaux d'importance pour chaque objectifs en fonction de la perception du décideur. La fonction objectif de l'al- gorithme est alors dénie comme une mesure de vérité de la quantication linguistique de la distance entre le niveau atteint et le niveau souhaité. Un problème réel à ainsi été traité, pour lequel les objectifs pris en compte sont de minimiser le Cmax, le nombre

V.1 Les sources d'incertitudes en maintenance 131

de jobs en retard ainsi que la somme des pénalités. En conclusion cet outil a montré une grande exibilité et peut être appliqué pour mettre en évidence l'eet de diérentes orientations sur la qualité de la solution. De plus cet outil permet au décideur d'exprimer des préférences entre les diérents objectifs par le biais de variables linguistiques. Les problèmes de type ow-shop ont aussi été abordés, puisque Song et al. [Song et al., 2005] posent le problème de satisfaction de contraintes oues dans un ow-shop. Dans ce problème, les contraintes exibles de date de disponibilité et de due-date des jobs ainsi que leurs durées sont modélisées par des ensembles ous. L'approche proposée doit permettre de calculer le degré de satisfaction de la solution obtenue avec le respect des contraintes. l'objectif étant de maximiser ce degré de satisfaction. Leur perspective de travail est, à l'heure actuelle, de développer un algorithme du type recuit simulé avec pour fonction objectif le degré de satisfaction de l'ordonnancement.

La maintenance est là pour assurer un niveau élevée de abilité tout en intégrant les diérentes incertitudes liées aux ressources humaines. Parmi les approches d'utilisation de la logique oue en contexte de maintenance, on retrouve des approches développées dans des centres de génération d'énergie.

Dahal et al. [Dahal et al., 1999] ont développé un algorithme génétique avec une fonction d'évaluation oue. Cette fonction oue a pour objectifs de maximiser de la abilité d'une centrale électrique tout en respectant les contraintes des ressources humaines. Cette fonc- tion a été développée comme étant la combinaison d'une fonction de pénalité déterministe représentant la contrainte de la charge xe et d'une fonction de pénalité oue pour re- présenter la main d'÷uvre exible. Un comparatif entre les résultats obtenus à partir de cette fonction et ceux obtenus à partir d'une fonction utilisant des données déterministes, montre que celle-ci donne de meilleurs résultats en terme de abilité atteinte.

Toujours, concernant la maintenance des centres de génération d'énergie, El-Sharkh et al. [El-Sharkh et al., 2003] ont aussi été confrontés à des problèmes pour lesquels les modèles traditionnels, permettant d'obtenir des ordonnancements optimaux dans des conditions déterminées, donnaient des solutions inapplicables du fait des incertitudes. Des incertitudes sont présentes sur la charge (+/-5%), le coût de la main d'÷uvre et la disponibilité du personnel. L'objectif étant de minimiser les coûts de production, un modèle ou, décomposé en deux sous-problèmes, a été proposé. Celui-ci permet en eet de gérer la maintenance séparément. Les solutions sont données dans des fourchettes oues de valeurs, permettant de reeter le coté incertain.

Un ordonnancement de tâche de maintenance est eectivement un environnement incer- tain pouvant être modélisé par la logique oue. Suivant le type de tâche considéré, des incertitudes subsistent sur des paramètres diérents. Les tâches de maintenance préven- tive ont des dates de disponibilité et des due-dates incertaines alors que pour les tâches de maintenance corrective ce sont les durées qui, basées sur des estimations, sont sujettes aux incertitudes. Le fait que le traitement des diérentes tâches soit réalisé par des res- sources humaines présente aussi un degré d'incertitudes. La connaissance des niveaux de compétences utilisés est aussi basé sur des estimations. Un ordonnancement est alors en-

132 Chapitre V

tièrement construit avec des tâches soumises, suivant leur nature, à des incertitudes sur leurs durées ou leurs diérentes caractéristiques. La totalité des tâches est alors sujette à variation.

Une approche telle que la logique oue se prête donc bien à l'environnement incertain que nous souhaitons modéliser. Dans la section suivante nous présenterons, dans un pre- mier temps, une modélisation de notre problème d'ordonnancement utilisant la logique oue, dans un environnement composé de "machines" parallèles diérentes. Dans un deuxième temps, nous présenterons notre proposition d'approche de prise en compte des incertitudes, basée sur l'utilisation de la logique oue.