HAL Id: inria-00000091
https://hal.inria.fr/inria-00000091
Submitted on 26 May 2005
HAL is a multi-disciplinary open access archive for the deposit and dissemination of sci- entific research documents, whether they are pub- lished or not. The documents may come from teaching and research institutions in France or abroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires publics ou privés.
Le problème du Car Sequencing RENAULT et le Challenge ROADEF’2005
Alain Nguyen, Van-Dat Cung
To cite this version:
Alain Nguyen, Van-Dat Cung. Le problème du Car Sequencing RENAULT et le Challenge
ROADEF’2005. Premières Journées Francophones de Programmation par Contraintes, CRIL - CNRS
FRE 2499, Jun 2005, Lens, pp.3-10. �inria-00000091�
Le problème du Car Sequening RENAULT
et le Challenge ROADEF'2005
Alain NGUYEN
1
Van-Dat CUNG
2 1
RENAULT PleOptimisation pour le Commere etla Logistique,
Diretion des Tehnologieset Systèmesd'Information RenaultNovadis,
13avenue PaulLANGEVIN, 92359Le Plessis Robinson,Frane.
2
LaboratoireGILCO, ENSGI-INPG,
46,avenue Félix-Viallet,38031 Grenoble Cedex 1, Frane.
alain.nguyenrenault.om Van-Dat.Cunggilo.inpg.fr
Résumé
L'ordonnanementdesvéhiules sur les haînesde
montageestuneproblématiqueanienneet(NP-)dile
hez RENAULT : elle est traitée par une appliation
d'optimisation(fondéesurlereuitsimulé)depuis1993.
Mais ette problématiqueapris uneauitépartiulière
esdernièresannéessuiteauxhoixstratégiquesdel'en-
treprise(respet absoluen haînede l'ordonnanement
prévisionnel),d'oùlavolontédeRENAULTdeprésenter
eproblèmeauhallengeROADEF'2005(SoiétéFran-
çaisede ReherheOpérationnelleetd'AideàlaDéi-
sion 1
)pourexplorerlesalgorithmeslesplusprometteurs.
Cet ordonnanement se distingue du problème
lassiquedu CarSequeningdelalittératuredans
la mesure où il prend en ompte à la fois les impéra-
tifs d'espaement de véhiules omplexes au montage
etlanéessitédeonstituerdesrafalesdeouleurpour
minimiser la onsommation des solvants dans l'atelier
peinture.
Nous présentons dans et artile leproblème sou-
misauxandidatsduhallenge,ainsiqu'uneanalysedes
méthodesutiliséesparles27équipes(unreorddepar-
tiipation!). Nousévoquerons pouronlurelesexten-
sions auproblème,quivont êtreétudiées dans lasuite
duhallenge.
Abstrat
CarsequeningontheassemblylinesisanoldNP-
hardproblem atRENAULT :it has been solved by an
optimizationappliation(basedonsimulatedannealing)
sine 1993. But this problem has beome partiularly
sensitivetheselastyearsfollowingthe strategihoies
1
oftheompany(absoluterespetintheestimatedshe-
duling), thisiswhy RENAULT submitted thisproblem
totheROADEF'2005hallenge(FrenhSoietyofOpe-
rationsResearhand Deision-MakingAid)inorderto
explorethemostpromisingalgorithms.
ThisshedulingdieredfromthetraditionalCar
Sequeningproblemoftheliterature insofarasit takes
intoaount boththerequirements ofspaingof om-
plexvehilestoassemblyandthe needforonstituting
paintbathestominimize theonsumptionof solvents
inthepaintingworkshop.
Wepresentinthisartilethe problemsubmittedto
the andidatesof the hallenge, as wellas ananalysis
ofthemethodsusedbythe25teams(areordofparti-
ipation!).Wewillevoketoonludetheextensionsto
theproblem,whihwillbestudiedafterthehallenge.
1 Desriptiondelaproblématiquemétier
1.1 Laplaniationetl'ordonnanementvéhiules
hezRENAULT
Les ommandes lientes sont transmises en temps
réel auxusines demontage.Latâhequotidiennedes
usines est (1) d'aeter une journée de fabriation à
haquevéhiuleommandéenfontiondesontraintes
apaitaires des lignes de fabriation et des délais
promisauxlients.Ils'agitensuite(2)d'ordonnaner
les véhiulesà l'intérieur de haque journéede fabri-
ation, ensatisfaisantaumieux les besoinsrespetifs
des ateliers de la ligne de fabriation : ateliers de
fabriation.
Onsefoaliserasurlesbesoinsdesateliersdepein-
tureetdemontage,onsidérantquel'atelierdetlerie
ne génère pas d'impératifs sur l'ordonnanement de
haquejournée.
Lorsdel'ordonnanementdehaquejournée,onne
remetplusenauselaompositiondesjournéesdéi-
déeàl'étape(1).
UneappliationopérationnellehezRENAULTgère
eproessusdeplaniation/ordonnanement,enuti-
lisant la ProgrammationLinéaire pourl'étape (1) et
lereuit simulépourl'étape(2).
1.2 Besoinsde l'atelierpeinture
Le besoinde l'atelier peinture est de minimiser la
onsommation de solvant, lequel solvant est utilisé
pour purger les pistolets de peinture àhaquehan-
gementdeteintedanslelmvéhiules.
On herhe don à grouper les véhiules de
même ouleur, e qui revient à minimiser le nombre
depurges,-à-dlenombredehangementsdeteintes
danslelm;ouenoreàgénérerlesrafalesdepeinture
lespluslonguespossibles.
Mais haque rafale de teintes ne doit pas dépas-
serunelongueurmaximale,arilfautpériodiquement
purgerles pistolets de peinture, même s'il n'y a pas
eudehangementdeteinte.Cettelongueurmaximale
desrafalesdeouleurestuneontrainte dure.
1.3 Besoinsde l'ateliermontage
Ande lisser laharge de travailsur les diérents
postes en bord de haîne, on herhe à éarter
lesvéhiulesdiiles,-à-dayantdeséquipements
néessitantdesopérationslourdes.End'autrestermes,
onherheà limiter ladensité desvéhiulesdiiles
pournepassurhargerlespostesdetravailonernés
parl'assemblagedees véhiules.
Ce besoin d'éartement est formalisé par une
ontrainte de ratio N/P. La ontrainte porte sur
unearatéristiquetehniquequinéessitedesopéra-
tionslourdes(parexemple,letoitouvrant,lalimati-
sation,et.).
La ontrainte de ratio N/P signie qu'on ne doit
pastrouverunedensitésupérieureàN/Pdevéhiules
onernéspar la ontrainte de ratio. Par exemple, si
quene deinqvéhiulesdanslelm.
Lorsque N=1, ela signie que deux véhiules
onernéspar laontrainte de ratio1/P doivent être
séparés par au moins P-1 positions dans le lm.
Exemple :ontraintederatio1/5etséquenerespe-
tanteratioX____X,X=véhiuleonerné
parlaontraintederatio.
Les ontraintes de ratio sont des ontraintes
molles :on nepeutpas savoirapriori si l'ensemble
des ontraintes de ratio peut être satisfait lorsqu'on
ordonnane une journée de fabriation. L'objetif de
l'optimisationonsistedonàminimiserlenombrede
violationsdesontraintesderatio.
2 Formalisation duproblèmed'optimisa-
tion
2.1 Contraintes deratio prioritaires etnon priori-
taires
Même si leproblème lassique duCarSequen-
ing dérit dans la littérature ne onerne que les
ontraintes de ratio, l'ordonnanement des véhiules
hez RENAULT a toujours intégré les deux dimen-
sionsontraintesderatioetrafalesdeouleur,
d'unepartpareque'estlamême séquenedevéhi-
ules qui doit traverser les deux ateliers, peinture et
montage;d'autrepartparequ'ilyadesarbitragesà
faireentreesdeuxobjetifs.
En eet, dans les pays à oût de main d'÷uvre
élevé, les usines vont privilégier l'optimisation des
ontraintes de ratio, puisqu'il s'agit de minimiser les
eetifs aetésenborddehaîne. Inversement,ave
un taux horaire plus faible, il peut être avantageux
de privilégier l'optimisation des rafales de peinture
arlesgainsensolvantspourrontompenserl'engage-
mentd'eetifs supplémentairesauxpostesdetravail
dumontage.
Pour failiter et arbitrage entre le montage et
la peinture, nous avons déni deux atégories de
ontraintes de ratio, les prioritaires et les non prio-
ritaires. Les ontraintes de ratio prioritaires orres-
pondent àdes ontraintes lourdes de l'atelier de
montage,lesnonprioritairesétantassoiéesàdesopé-
rations plus légères où on herhe simplement à lis-
ser la harge de travail. Les usines à oût de main
d'÷uvre élevé, tout en privilégiantles ontraintes de
ratio sur les rafales de ouleur, peuvent ainsi dénir
un sous-ensemble de ratios prioritaires dont la satis-
fation prime sur lesrafales depeinture, et unautre
sous-ensemblederatiosnonprioritairesdontlasatis-
fation passe après l'optimisation des rafales de ou-
deratio
Nous avonséritpréédemmentquelesontraintes
de ratio sont desontraintes molles, dontle res-
pet absolu n'est pas toujours possible. En eet, les
fabriantspeuventdélarerunratio1/Nsur-ontraint
(par exemple un ratio 1/3 alors que le pourentage
de véhiules onernés est de 40%), ave la séman-
tiquesuivante :ilfautéarterlesvéhiulesautantque
possible à 1/N, et pour les quelques véhiules où on
n'yparvientpas,essayerdeleséarterà1/(N-1),puis
1/(N-2),et.
Onessaied'obteniretéartementenomptabi-
lisantlesontraintesderatiosurdesfenêtresglissantes
sur tout le lm. Moinslesvéhiulesserontéartés et
plusnombreusesserontlesviolations,arlaviolation
ave des véhiules moins éartés sera omptabilisée
dansdavantagedefenêtres glissantes,etlenombrede
violationsseraplusélevédanshaunedeesfenêtres
glissantes.
Exemple : pour une ontrainte de ratio de 1/5, on
omptabiliselesviolationsavedesfenêtresglissantes
detaille 5
___X___X :1violationsurlafenêtreglissante
___[X___X℄,
___X__X_ : 2violationssur lesfenêtres glis-
santes__[_X__X℄ _et ___[X __X_℄.
Dénition :Le nombre de violations omptabilisées
surune fenêtr eglissante estégalà :
* (nombre de véhiules de la fenêtre glissante
onernés par le ratio) (numérateurdu ratio),
si (nombre de véhiules de la fenêtre glissante
onernésparleratio)>(numérateurduratio);
* zérosinon.
Cette méthode de omptabilisation s'applique à la
foisauxontraintesderatio1/Pet N/P(N
6=
1).2.3 Optimisationmulti-ritèreslexiographique
Ils'agitdeonstruireuneséquenedevéhiulesqui
optimise la satisfation desbesoinsdes ateliers pein-
ture et montage, e qui setraduit par l'optimisation
des trois ritères(ratios prioritaires, ratios non prio-
ritaires, purges de peinture), du plus prioritaire au
moins prioritaire, et sans ompensation entre les
ritères. Selon les usines, on peut trouver l'une des
troisongurationssuivantes :
1. minimiserlenombredeviolationsdesontraintes
deratioprioritaires,
2. minimiserlenombredepurgesdepeinture,
3. minimiserlenombredeviolationsdesontraintes
derationonprioritaires;
deratioprioritaires,
2. minimiserlenombredeviolationsdesontraintes
derationonprioritaires,
3. minimiserlenombredepurgesdepeinture;
ou
1. minimiserlenombredepurgesdepeinture,
2. minimiserlenombredeviolationsdesontraintes
deratioprioritaires,
3. minimiserlenombredeviolationsdesontraintes
derationonprioritaires.
Il ne doit pas y avoir ompensation entre les
objetifs : larésolution del'objetif de rang O+1ne
doit pasdégrader lerésultat de l'objetif derang O.
Pour garantir ette non ompensation des objetifs
danslanotationdessolutionsproduitesparlesandi-
dats,nous avonsutilisé lespénalitésde
10
6,10
3 et1
respetivementpour lesrésultats du premier, seond
ettroisièmeobjetif.
3 Le Challenge ROADEF'2005
LeproblèmeduCarSequeningtelquedéritpréé-
demmentesttraitéparuneappliationopérationnelle
hezRENAULTdepuisune dizained'annéesave un
algorithmede reuit simulé[1℄. Mais ette probléma-
tiqueaprisuneauitépartiulièreesdernièresannées
suite aux hoix stratégique de l'entreprise d'imposer
unrespetabsoluenhaînedel'ordonnanementpré-
visionnel(réalisé6joursavantlafabriationeetive).
Jusqu'àesdernièresannées,laséquenedevéhiules
pouvaitêtre triée loalementenentréede l'atelierde
peinturepouraméliorerlesrafalesdeouleur(sanste-
nir ompte des ontraintes de ratio), puis re-triéeen
entrée de l'atelier de montage pour rattraper la
dégradation des ontraintes de ratio oasionnée en
entréepeinture.Lerespetstritdel'ordonnanement
prévisionnelinterditdésormaisestrisloaux.Laqua-
litédelaséqueneprévisionnelleestdondevenueri-
tique.
Dans e ontexte, le hallenge ROADEF a repré-
sentéuneopportunitéexeptionnellepourRENAULT
de faire une évaluation des algorithmes les plus pro-
metteurspouretteproblématiqued'ordonnanement.
3.1 Desriptiondes senarii
Les senarii fournis sont tous issus des usines de
montageRENAULT.Certainsontvuleursontraintes
de ratio duries ou l'ordre des objetifs modié
pour testerde nouvelles ongurations. Ave les ins-
tanesde donnéesont ététransmisaux andidatsles
Base A : Cette premièrebase (omposéede 16 ins-
tanes) a servi de première référene de travail
pour les andidats pendant la phase de quali-
ationduhallenge.Elleaétéonstruiteàpartir
d'unpaneldesixusines(uneàdeuxinstanespar
usine). Un lassement intermédiaire a été établi
surles résultats de la base A, an de permettre
auxéquipesdesesituerentreelles.
Base B : Cette seonde base (onstituée de 45 ins-
tanes)apermisauxandidatsdepeaunerleurs
algorithmespendantlaphasenaleduhallenge.
Elleaété onstruite àpartirdes donnéesdedix
usines, haque jeu de donnée usine étant repré-
senté dans les trois ongurations possibles en
termesd'ordredes objetifsd'optimisation. Cela
permet de tester les algorithmes des andidats
danslaongurationexistantedesusines,etdans
lesfuturesongurationsibles.Parailleurs,er-
tainesusinesontvuleursratiossur-ontraintsan
demettreenévidenelespropriétésdelissage
desalgorithmesdeséquipes :nousvoulionssavoir
silesalgorithmeséartaientbienlesvéhiules
ontraintspourlesratiosnonsatisfaisables.
Base X : Cettebase nale(ontenant 19instanes)
étaitinonnuedeséquipespartiipantesjusqu'àla
nduhallengeetelleaserviaulassementnal.
Cette base reète les données des 19 haînes de
montageRENAULTet DACIA en Europeet au
Merosur,haqueinstanereprésentantunejour-
néedefabriationsurl'unedeeslignesd'assem-
blage.
Atitred'information,latailledesinstanesdelabase
X :
Inst. #véh. #r.prio. #r.n.prio. #oul.
022 704 3 2 13
023 1260 4 6 13
024 1319 7 7 15
025 996 6 12 19
028_1 325 8 15 15
028_2 65 1 5 4
029 780 4 2 14
034_VP 931 3 4 10
034_VU 231 3 2 7
035_1 90 1 0 6
035_2 376 2 0 7
039_1 1247 0 10 15
039_3 1037 2 9 17
048_1 519 6 14 13
048_2 459 8 10 13
064_1 875 7 2 13
064_2 273 3 0 12
655_1 264 4 1 9
didats
Nous présentonsun ertain nombre d'élémentssur
les méthodesutiliséespar lesandidats,en sebasant
sur les présentations des andidats nalistes lors du
ongrèsROADEF'2005àTours,etsurlesdesriptions
deméthodesremisesparleséquipesàlandelaphase
dequaliation.
3.2.1 Lesfamillesd'algorithmesutilisés
Une première synthèse des algorithmes utilisés
donne la répartition suivante pour les 27 équipes
andidates ayantrendu un programme àla n de la
phasedequaliation :
Algorithmes #éq.
HeuristiquesConstrutives(HC) Ttes
Reuit Simulé(RS) 5
ReherheTabou(RT) 7
ReherheàVoisinageVariable(RVV) 4
ReherheàVoisinageLarge(RVL) 2
Reh.Loalesansméta.partiulière(RL) 5
ReherheLoaleItérée(RLI) 2
AlgorithmeGénétique(AG) 1
ColoniedeFourmis(CF) 1
Prog.LinéaireenNombresEntiers(PLNE) 1
Prog.ParContraintes(PPC) 1
Les méthodes utilisées par les équipes nalistes
dansl'ordreroissantdulassementnalsont :
Rg. Algorithme Équipe
1 HC+RL Estellon,Gardi&Nouioua
2 HC+RVV+RLI Aloise,Noronha,Roha,
averelane Ribeiro&Urrutia
3 HC+RS Briant,Naddef&Mounié
4 HC+RS Bloemen
5 HC+RS Kuipers
6 HC+RL Gravranovi
7 RT Cordeau,Laporte&Pasin
8 HC+RVV+RS Riesler,Chiarandini,Paquete,
Shiavinotto&Stützle
9 HC+RT Craiunas,Gendreau&Potvin
10 HC+RL Pawlak,Ruinski,Piehowiak,
Plaza
11 CF+RL+ Gravel,Gagné,Prie,
RT/RVV Krajeki&Jaillet
12 HC+RL Benoist
Le total des méthodes utilisées est supérieur au
nombre de andidats,ar ertaines équipes ont om-
biné plusieursalgorithmes.La2èmeéquipedulasse-
ment nal aparexemple misen plae6 heuristiques
ontrutives et plusieurs ombinaisons de reherhes
loales àvoisinagevariableet/ouitéréesselonl'ordre
detraitementdestrois objetifs!
Nous onstatons également une grande prédomi-
nanedesméthodesdereherheloaleetunegrande
et lesstratégiesd'explorationdel'espaedereherhe
(arbitrageentreintensiationetdiversiation,sortie
desoptimaloaux).
Lesméthodesplusrares(AG,CF,PLNE) sont
lefaitd'équipesspéialiséesdansestehniquesetqui
onttenu à démontrer le potentiel de es algorithmes
surleproblèmeduCarSequening.
Un as partiulier : l'équipe vainqueur (Estellon,
Gardi et Nouioua) a développé un algorithme de re-
herheàvoisinagelargeàbasedePLNEpourlaphase
dequaliation(avedesrésultatsmitigésdusprini-
palement au temps de alul imparti de 10 minutes)
avant de basuler sur de lareherhe loale ave des
voisinagespluslassiquespourlesphasessuivantesdu
hallenge.
3.2.2 Heuristiquesonstrutives
Toutes les équipes ont onstruit des solutions ini-
tialesaveuneheuristiquepourlesinstanesompor-
tant l'objetif des rafales de ouleur en premier ob-
jetif.C'estlogiquepuisqu'ilexisteuneméthodeassez
simplepouronstruireunesolutionoptimaleentermes
derafalesdeouleur,sansteniromptedesontraintes
deratio.
La très grande majorité des équipes a également
développé des heuristiques onstrutives pour déter-
miner dessolutionsinitialespourlesautres instanes
(omportantl'objetifdesontraintesderatioenpre-
mier). Cela permettait auxéquipes dedisposer géné-
ralement d'une solution initiale de meilleure qualité
quelasolutiondeRENAULT.Anoter :YvesCaseau
a eu reoursàla PPC pour onstruire ettesolution
initiale.C'est leseulandidatàavoirutilisélaPPC.
3.2.3 Lesopérateursde voisinage
Les meilleurs andidats ont utilisé l'ensemble des
opérateursdevoisinagedérits dans[3℄,ainsiquedes
variantes (lalisten'estpasexhaustive!) :
Insert forward/bakward : Insérer un véhiule
avantouaprèsune position jdonnée.
Swap : Permuter deux véhiules diérant sur au
moins unratioousurlaouleur.
SwapS : Permuterdeux véhiules diérant sur une
seulearatéristique.
SwapT : Permuterdeux véhiulesonséutifs.
Invert : Inverseruneséquenedevéhiules.
Shue : Perturber aléatoirement une séquene de
véhiules.
Group swap : Permuter2séquenesdevéhiules.
unepositionjdonnée.
Invert sametype : Inverser une séquene de véhi-
ules,dontlesdeuxbornesdelaséquenesontdes
véhiules de même ouleur, ou équivalents pour
les ratios prioritaires, ou onstituant des bornes
derafalesdemêmeouleursoudeouleursdié-
rentes.
L'opérateur Shue a été utilisé ave parimo-
nieparequ'ilest oûteuxenévaluation, maisilpeut
permettre une bonne diversiation de l'exploration.
L'équipevainqueur(Estellon,GardietNouioua)are-
marqué que l'opérateur SwapT s'est révélé très
performantàlafoispouraméliorerloalementuneso-
lution (enévitant de troplaperturber) et en perfor-
manesarlesvéhiulesonséutifssetrouvantmajo-
ritairement en mémoire ahe, le temps d'évaluation
enétaitonsidérablementamélioré.
3.2.4 Traitementdumulti-objetifsetquelquesré-
sultatsnumériques
Laplupart des équipes ontadopté lastratégie sui-
vantedetraitementdumulti-objetifs :
1ère étape : l'algorithme se onentre uniquement
surle1erobjetif.
2èmeétape : l'algorithmeseonentresurle1eret
le2èmeobjetifs,maissansdégraderlaqualitédu
1erobjetifobtenueàla1èreétape.
3èmeétape : lestroisobjetifssontprisenompte,
en interdisant la dégradation sur les deux pre-
miersobjetifsobtenusàla2èmeétape.
Les andidats ontréparti le tempsde alul alloué
(10 minutessur un Pentium IV1,6Ghzet 1Go de
mémoire) entre les 3 étapes. Compte tenu de ette
stratégieet dela qualité desalgorithmes développés,
les meilleureséquipesne sesontdépartagées quesur
les2èmeet 3èmeobjetifs,obtenantlesmêmesrésul-
tatssurle1erobjetif.
Maiseséartssurlesobjetifsseondairesnesont
pasmineurs!Eneet,lamajoritédesinstanesom-
portentlaongurationdansl'ordre :(1)ratiospriori-
taires,(2)rafalespeinture,(3)ratiosnonprioritaires.
Leséartsentrelesmeilleureséquipessurle2èmeob-
jetif(à résultatéquivalentsurle1erobjetif)ontun
impatéonomiquenonnégligeable,puisqu'ils'agitde
onsommationsdesolvants.Leséartssurle3èmeob-
jetif (ratios non prioritaires) relèvent davantage du
qualitatif.
Le tableau suivant donne les résultats des trois
premières équipes du lassement nal sur la base X
ave l'ordre des objetifs de haque instane :