Ordonnancement de la production : systèmes hybrides

Ordonnancement de la production :

systèmes hybrides

Ordonnancement de la production : Systèmes hybrides 1

Journée MOSYP, 18 novembre 2013

UTT - ICD LOSI (UMR CNRS 6279)

Xiaohui LI, Hicham CHEHADE, Farouk YALAOUI, Lionel AMODEO

Présenté par Frédéric DUGARDIN

MOSYP Problème 1 Problème 2 Cas spécifique ConclusionEtat de l’art

Projet CPER MOSYP

Plan

Projet CPER MOSYP - UTT/LOSI Ordonnancement de la production : Systèmes hybrides 2


� Introduction du projet MOSYP

� Etat de l’art

� Problème 1 : Ordonnancement de machines parallèles

� Problème 2 : Ordonnancement d’ateliers de type flowshop hybride

� Etude de cas spécifique

� Conclusion et perspectives

Plan




� Etat de l’art





Conception du projet MOSYP

Projet MOSYP



Système de production en flux

Projet MOSYP



Etage 1 Etage 2 Etage 3 Etage i Etage k

• Les schémas d’ateliers :

• Flowshop (sur la circulation de flux), Jobshop (sur les tâches), Openshop (sur une certaine flexibilité)

• Les systèmes de production de nos partenaires :

• Flowshop hybride

• Décomposition en sous-problèmes

• Machine unique ou machines parallèles

Problèmes concernés

Projet MOSYP



• Problèmes concernés : • Ordonnancement de machines parallèles

• Ordonnancement d’ateliers de type flowshop hybride

• Objectifs :• Minimisation du Makespan ou durée maximale de traitement de

tâches (Productivité)

• Minimisation de la somme des retards (Taux de service)

• Contraintes :• Date de début disponible (release date)

• Date de fin souhaitée (due date)

• Temps de préparation entre les tâches (sequence dependent setup times)

Plan




� Etat de l’art





Etat de l’art



Etat de

l’art

Problèmes

étudiés

Optimisation

basée sur la

simulation

Critères de

comparaison

Méthodes de

résolution

Etat de l’art



Etat de

l’art

Problèmes

étudiés

Optimisation

basée sur la

simulation

Critères de

comparaison

Méthodes de

résolution

Ordonnancement de machines parallèles

Etat de l’art



• Problème d’ordonnancement de machines parallèles

• Minimisation du Makespan et la somme des retards

• Prise en considération des rj, dj et sij

• Problème NP-difficile

• Aucun travail sur le problème concerné

• Peu de résolution sur le problème d’ordonnancement de machines parallèles multi-objectif

• Piste de recherche

• Méthodes approchées et exactes (multi-objectif)

Ordonnancement d’ateliers de type flowshp hybride

Etat de l’art



• Problème d’ordonnancement d’ateliers de type flowshop hybride

• Minimisation du Makespan et la somme des retards

• Prise en considération des rj, dj et sij

• Problème NP-difficile

• Peu de résolution multi-objectif

• Piste de recherche• Méthodes approchées et exactes (multi-objectif)

• Proposition de nouvelles modèles mathématiques et codage des solutions

Etat de l’art



Etat de

l’art

Problèmes

étudiés

Optimisation

basée sur la

simulation

Critères de

comparaison

Méthodes de

résolution

Méthodes de résolution multiobjectif

Etat de l’art



• Méthodes exactes

• La méthode de ε-contrainte [Haimes et al. 1971]

• La méthode à deux phases (TPM) [Ulungu et Teghem 1995]

• La méthode PPM [Lemesre et al. 2007]

• La méthode K-PPM [Dhaenens et al. 2010]

• Méthode approchées

• Le recuit simulé [Kirkpatrick et al. 1983]

• La recherche tabou [Glover 1990]

• Les colonies de fourmis [Dorigo et al. 1997]

• L’algorithme génétique [Holland 1975] [Goldberg 1985]

Etat de l’art



Etat de

l’art

Problèmes

étudiés

Optimisation

basée sur la

simulation

Critères de

comparaison

Méthodes de

résolution

Etat de l’art



Etat de

l’art

Problèmes

étudiés

Optimisation

basée sur la

simulation

Critères de

comparaison

Méthodes de

résolution

Plan




� Etat de l’art





Formulation mathématique

Description du problème



),(max ∑ j

TCMinimiser

njX

mk n jii kij ,...,111 ,0 =∀=∑ ∑= ≠=

niX

mk n ijj kij ,...,111 ,1 =∀=∑ ∑= ≠=

mkX

nj jk ,...,111 0 =∀=∑=

mkX

ni nki ,...,111 )1( =∀=∑=

+

0=kjj

X

Fonction objectif

Chaque tâche est traitée

exactement une seule fois

Un seul travail peut être

traité lors de la première

et la dernière position sur

chaque machine

Une tâche ne peut être

interrompue avant la fin

Formulation mathématique

Description du problème



MXpsCC

mk kijjijij )1)(( 1 −++≥− ∑=

ninj ,...,1,...,1 =∀=∀

njCC j ,...,1max =∀≥

∑∑=

=

nj jj TT 110 ouX

kij

=

Calculer la date de fin

d’exécution de chaque

tâche

Calculer le retard réel de

chaque tâche

Calculer le makespan et la

somme des retards

La variable de décision

njprC jjj ,...,1=∀+≥

njdCT jjj ,...,1=∀−≥

njTj ,...,10 =∀≥

njnimk ,...,1,...,1,...,1 =∀=∀=∀

Méthodes de résolution



Modèles

Machines parallèles Flowshop hybride

TPM FEM NSGA-II SPEA-IIFLC-

NSGA-IITPM NSGA-II

FLC-

NSGA-II

MD-

LCAY

Modèle

linéaire

Modèle

non linéaire

Modèle

linéaire

Modèle

non linéaire

TPM




• Recherche des points extrêmes• Résolution du programmation linéaire (min Cmax ou min ∑Tj)

• Utilisation du solveur CPLEX

• Recherche de points supportés• Direction de recherche pondérée : f ’=λ1Cmax+ λ2∑Tj

• Recherche des points non-supportés• Application de la méthode ε-contraintes (min Cmax)

• Domaine de recherche triangulaire composé par les points supportés

f1

f2

R

S

f ’

f ’’

f ’’’

T

f1

f2

R

S




Modèles



NSGA-IITPM NSGA-II

FLC-

NSGA-II

MD-

LCAY

Modèle

linéaire

Modèle

non linéaire

Modèle

linéaire

Modèle

non linéaire




Modèles



NSGA-IITPM NSGA-II

FLC-

NSGA-II

MD-

LCAY

Modèle

linéaire

Modèle

non linéaire

Modèle

linéaire

Modèle

non linéaire

NSGA-II




• NSGA-II (Non dominated Sorting Genetic Algorithm 2, Deb et al. 2002)

• Un algorithme génétique multiobjectif rapide et efficace

• Tri des solutions en fronts non-dominés

• Utilisation de la distance de surpeuplement (crowding distance)

• Réglage des paramètres

• Probabilité de croisement

• Probabilité de mutation

• Nombre de générations

• Taille de la population

NSGA-II




• Codage de solutions

• Chromosome multidimensionnel

• j: indice de la tâche

• k: indice de la machine où la tâche j est ordonnée

• r: position de la tâche j sur la machine k

• Exemple :

Temps de préparation




Modèles



NSGA-IITPM NSGA-II

FLC-

NSGA-II

MD-

LCAY

Modèle

linéaire

Modèle

non linéaire

Modèle

linéaire

Modèle

non linéaire

SPEA-II




• SPEA-II (Strength Pareto Evolutionnary Algorithm 2, Zitzler et al. 2001)

• Mécanisme d’archive

• Evaluation de fitness

• Réglage des paramètres

• Probabilités de croisement

• Probabilité de mutation

• Nombre de générations

• Taille de la population

• Taille de l’archive

• Codage et opérateurs identiques à ceux du NSGA-II

Protocole

Résultats expérimentaux



• Temps d’exécution pj:

• pj ∈[1,100]

• Tempsdepréparation entrelestâches sij:• sij =α×min(pi, pj) où αentre{[0.1,0.2],[0.1,0.5]}

• Datededébutdisponible rj:

• rj ∈ [0, 50.5×N×β/M] où β=0.6ou 0.8

• Datedefinsouhaitée dj:

• dj ∈ [max(0, P×(1-TF-RDD/2)), P×(1-TF+RDD/2)]

• où P=∑Pj/M TF=0.2ou 0.4RDD=0.2ou 0.4

LacomparaisondeNSGA-II/SPEA-II

Résultatsexpérimentaux

ProjetCPERMOSYP- UTT/LOSI Ordonnancementdelaproduction:Systèmeshybrides 28


•20 tâches sur 3 machines

•µ=-38.07

•C1=0

•C2=1

•ns du front NSGA-II: 8

•ns du front SPEA-II: 6

NSGA-II domine SPEA-II

La comparaison de NSGA-II/SPEA-II




• 20 tâches sur 3 machines

• Temps de calcul : 2 secondes

• Temps de calcul est raisonable pour

un problème d’ordonnancement

• �=-78.14

• �1=0.002

• �2=0.996

• NSGA-II domine SPEA-II

• Dans une période fixée, NSGA-II

exécute plus de générations

Indice ns1 ns2 μ Best μ Worst μ C1 C2

1 5.2 3.6 -57.783 -157.165 -26.900 0 1

2 6.2 3.8 -64.773 -183.824 -19.398 0 1

3 6.7 3.8 -43.357 -116.936 -9.967 0 1

4 6.7 3.7 -80.565 -158.075 -11.515 0.020 0.986

5 5.6 3.9 -38.786 -65.533 -5.863 0 1

6 6.3 4.5 -84.840 -150.437 -15.780 0 1

7 6.3 3.3 -70.763 -121.599 -13.980 0 1

8 6.6 4.2 -130.905 -207.397 -39.507 0 1

9 4.4 3.4 -89.322 -242.742 -33.199 0 1

10 5.6 3.6 -90.343 -177.626 -19.670 0 1

11 5.4 3.5 -69.500 -162.870 -30.652 0 1

12 6.6 3.7 -102.433 -226.405 -16.751 0 1

13 5.0 3.9 -83.883 -160.027 -19.717 0 1

14 5.2 3.6 -61.100 -122.710 -3.506 0.025 0.950

15 6.8 3.7 -56.728 -96.926 -18.379 0 1

16 4.5 3.5 -125.261 -199.404 -33.281 0 1




Modèles



NSGA-IITPM NSGA-II

FLC-

NSGA-II

MD-

LCAY

Modèle

linéaire

Modèle

non linéaire

Modèle

linéaire

Modèle

non linéaire

FLC-NSGA-II




• Le contrôleur de logique floue (FLC) est appliqué pour améliorer les paramètres (probabilité de croisement et probabilité de mutation)

• FLC-NSGA-II (NSGA-II basé sur la logique floue [Lau et al. 2009], [Yalaoui et al. 2010])

• Trois étapes principales du FLC• Fuzzification

• La prise de décision (Decision making)

• Défuzzification

• Améliorer les paramètres toutes les 10 générations

• Codage, paramètres initiaux et opérateurs sont identiques à ceux du NSGA-II

FLC-NSGA-II




NSGA-II

FLC

Fonctions d’appartenance

Tables de décision

Pc , Pm

∆Pc , ∆Pm

Critères

La comparaison FLC- NSGA-II/NSGA-II




Indice μd Best μd Worst μd C1 C2 ns1 Ns2

1 -0.123 -0.239 -0.044 0 1 9.0 4.5

2 -0.116 -0.247 -0.018 0 1 6.8 4.6

3 -0.112 -0.444 -0.013 0 1 8.3 5.2

4 -0.082 -0.197 -0.025 0 1 7.7 5.7

5 -0.058 -0.105 -0.019 0 1 5.8 3.5

6 -0.098 -0.331 -0.016 0 1 6.2 4.5

7 -0.070 -0.123 -0.021 0 1 7.0 5.1

8 -0.069 -0.264 -0.014 0 1 7.5 4.5

9 -0.116 -0.262 -0.035 0 1 7.0 4.6

10 -0.122 -0.286 -0.038 0 1 6.7 4.5

11 -0.094 -0.221 -0.024 0 1 7.8 4.8

12 -0.084 -0.132 -0.030 0 1 7.6 5.0

13 -0.079 -0.145 -0.028 0 1 7.8 5.9

14 -0.086 -0.166 -0.038 0 1 8.1 4.8

15 -0.081 -0.133 -0.029 0 1 7.4 5.1

16 -0.092 -0.225 -0.013 0 1 7.2 4.4

• 50 tâches sur 5 machines

• ��=-0.092

• �1=0

• �2=1

• Temps de calcul de FLC-NSGA-II et NSGA-II : 1seconde environ

• FLC-NSGA-II domine NSGA-II

• Adaptation dynamique entre laconvergence et la diversité pendantles générations

• FLC améliore les résultats

La comparaison FLC- NSGA-II/TPM




• Solutions optimales : 6 configurations / 7

• FLC-NSGA-II présente un grand avantage par rapport au temps de calcul

Problèmes (n,m) ns1 ns2 μd C1 C2 CT1 CT2

(5, 2) 2 2 0 0 0 0.40s 2.84s

(6, 2) 3 3 0 0 0 0.36s 34.36s

(7, 2) 4 4 0 0 0 0.40s 167.9s

(8, 2) 3 3 0 0 0 0.42s 194.8s

(9, 2) 6 6 0 0 0 0.42s 817.9s

(10, 2) 6 6 0 0 0 0.42s 7413s

(11, 2) 5.6 6 2.30 0.015 0.67 0.50s 110383s

Plan




� Etat de l’art








Modèles



NSGA-IITPM NSGA-II

FLC-

NSGA-II

MD-

LCAY

Modèle

linéaire

Modèle

non linéaire

Modèle

linéaire

Modèle

non linéaire




Modèles



NSGA-IITPM NSGA-II

FLC-

NSGA-II

MD-

LCAY

Modèle

linéaire

Modèle

non linéaire

Modèle

linéaire

Modèle

non linéaire




Modèles



NSGA-IITPM NSGA-II

FLC-

NSGA-II

MD-

LCAY

Modèle

linéaire

Modèle

non linéaire

Modèle

linéaire

Modèle

non linéaire




Modèles



NSGA-IITPM NSGA-II

FLC-

NSGA-II

MD-

LCAY

Modèle

linéaire

Modèle

non linéaire

Modèle

linéaire

Modèle

non linéaire

MD-LCAY




• MD-LCAY (Méthode de décomposition, LI, CHEHADE, AMODEO et

YALAOUI)

• Problème HFS de f étages en f sous-problèmes de machines parallèles

ou de machine unique

• Trois versions de MD-LCAY sont proposées :

• MD-LCAY-1 : les premiers f-1 sous-problèmes mono-objectif

• MD-LCAY-2 : tous les sous-problèmes multi-objectifs

• MD-LCAY-3 : différents critères aux premiers f-1 sous-problèmes

• Les opérateurs et paramètres sont identiques à ceux du NSGA-II

MD-LCAY-1




� Les dates de fin des tâches sont considérées comme la date de début disponible

à l’étage suivant

� Les premiers f-1 sous-problèmes : l’algorithme génétique mono-objecitf

� Critère : makespan

� Le dernier sous-problème : NSGA-II

MD-LCAY-2




� Tous les sous-problèmes sont multi-objectifs

� Pour les premiers f-1 sous-problèmes, les

critères considérés : le makespan et la

somme des dates de fin

� Résolution de sous-problèmes : NSGA-II

MD-LCAY-3




� Une structure similaire à celle de MD-LCAY-2

� Différence = critères d’optimisation : le

makespan et la somme des retards

La comparaison MD-LCAY-2/MD-LCAY-1




Indice f n μd Best μd Worst μd C1 C2 ns1 ns2

1 2 10 -0.317 -0.870 0.000 0.000 0.685 2.1 2.1

2 2 10 -0.258 -0.967 0.000 0.000 0.628 2.3 1.7

3 2 10 -0.196 -0.964 0.000 0.000 0.500 1.8 2.2

4 2 10 -0.784 -0.970 -0.159 0.000 0.944 2.0 2.1

5 3 10 -0.508 -0.987 -0.099 0.000 1.000 2.2 2.4

6 3 10 -0.619 -0.983 0.109 0.111 0.888 2.2 2.9

7 3 10 -0.408 -0.875 0.044 0.250 0.750 2.5 3.2

8 3 10 -0.336 -0.869 0.091 0.033 0.847 2.6 2.3

9 2 20 -0.242 -0.947 0.021 0.151 0.530 2.6 3.4

10 2 20 -0.287 -0.848 0.130 0.117 0.833 3.4 3.0

11 2 20 -0.220 -0.841 0.054 0.100 0.787 3.3 3.4

12 2 20 -0.121 -0.881 0.029 0.282 0.610 3.0 3.8

13 3 20 -0.313 -0.911 0.102 0.125 0.838 3.2 3.5

14 3 20 -0.289 -0.781 0.062 0.140 0.812 3.1 3.1

15 3 20 -0.448 -0.895 -0.002 0.000 0.933 2.5 3.7

16 3 20 -0.313 -0.955 -0.036 0.000 0.955 2.9 3.6

• 10 et 20 tâches sur HFS de 2 et 3

étages

• Temps de calcul :

• MD-LCAY-1 : entre 1.09s et 1.9s


• ��=-0. 353

• �1=0.081

• �2=0.783

• MD-LCAY-2 domine MD-LCAY-1

La comparaison MD-LCAY-2/MD-LCAY-3





1 2 10 0.213 -0.089 0.431 0.583 0.037 2.1 2.9

2 2 10 -0.019 -0.192 0.000 0.000 0.068 2.3 2.9

3 2 10 -0.112 -0.136 -0.088 0.000 0.750 2.2 3.0

4 2 10 0.059 -0.584 0.605 0.351 0.111 2.1 2.2

5 3 10 -0.048 -0.481 0.470 0.166 0.416 2.0 2.2

6 3 10 0.169 -0.456 0.717 0.708 0.000 2.1 2.2

7 3 10 -0.169 -0.925 0.549 0.217 0.371 2.3 2.6

8 3 10 -0.118 -0.496 0.236 0.227 0.539 2.5 2.8

9 2 20 0.006 -0.396 0.739 0.380 0.488 3.6 3.6

10 2 20 0.106 -0.051 0.253 0.712 0.111 3.0 3.2

11 2 20 -0.054 -0.198 0.217 0.108 0.712 2.7 3.5

12 2 20 -0.051 -0.598 0.259 0.318 0.600 2.9 3.5

13 3 20 -0.029 -0.367 0.375 0.275 0.319 3.4 3.3

14 3 20 0.046 -0.168 0.257 0.444 0.531 3.3 3.4

15 3 20 -0.023 -0.613 0.206 0.611 0.309 2.9 4.1

16 3 20 -0.092 -0.233 0.239 0.000 0.700 2.6 4.0

• 10 et 20 tâches sur HFS de 2 et 3 étages

• Temps de calcul : entre 2.2s et 3.8s

• ��=-0. 007

• �1=0.318

• �2=0.378

• MD-LCAY-2 a un peu d’avantage

La comparaison MD-LCAY-2/FLC-NSGA-II





1 2 10 -0.247 -0.943 -0.097 0.000 1.000 2.2 2.9

2 2 10 -0.292 -0.896 -0.118 0.000 1.000 2.5 2.7

3 2 10 -0.115 -0.829 0.253 0.235 0.519 2.3 3.6

4 2 10 -0.083 -0.610 0.248 0.361 0.538 2.0 3.8

5 3 10 -0.199 -0.226 -0.183 0.000 1.000 2.0 3.0

6 3 10 -0.192 -0.325 -0.109 0.000 1.000 2.0 3.0

7 3 10 -0.150 -0.632 0.422 0.050 0.900 2.2 29

8 3 10 -0.128 -0.501 0.223 0.218 0.625 2.4 3.3

9 2 20 -0.084 -0.108 -0.061 0.000 1.000 2.5 3.0

10 2 20 -0.077 -0.087 -0.066 0.000 1.000 3.0 2.5

11 2 20 -0.091 -0.123 0.034 0.021 0.923 2.9 4.6

12 2 20 -0.092 -0.162 -0.032 0.000 1.000 3.5 4.0

13 3 20 -0.156 -0.225 0.042 0.050 0.934 3.2 4.4

14 3 20 -0.065 -0.155 0.033 0.208 0.750 3.0 2.5

15 3 20 -0.116 -0.250 -0.049 0.000 0.958 3.0 5.1

16 3 20 -0.162 -0.323 -0.021 0.000 1.000 3.6 1.6

• 10 et 20 tâches sur HFS de 2 et 3 étages

• Temps de calcul :

• FLC-NSGA-II : entre 0.8s et 2.4s


• ��=-0. 140

• �1=0.071

• �2=0.884

• MD-LCAY-2 domine FLC-NSGA-II

La comparaison MD-LCAY-2/TPM




Problèmes

(n,m)

ns1 ns2 μd C1 C2 CT1 CT2

3 1 2 0 0 0 1.92s 6.55s

4 1 4 0 0 0 2.40s 29.28ss

5 1 3 0 0 0 2.04s 89.5s

6 2 5 0 0 0 2.42s 304s

7 1 6 0 0 0 2.40s 4543s

8 3 8 0.048 1 0 1.98s 23263s

9 2 4 0.087 1 0 2.23s 33450s

10 1 4 0.082 1 0 2.41s 460777s

Plan




� Etat de l’art





Plate-forme MESERP

Etude de cas spécifique



• Trois étages de machines (remplissage � couvercles et codes barres � stockage)

• Evaluations de performances : simulation ARENA

• Optimisation : FLC-NSGA-II

• 50 tâches doivent être effectuées

• Les données des tâches• Temps d’exécution sur différents étages : loi uniforme

• Date de fin au plus tard : �� ∑ �� 1 � ��

�� où c∈[0,1]

• Tempsdepréparationentrelestâches:UNIF(5,10)

LacomparaisonFLC-NSGA-II/FIFO

Résultatsexpérimentaux

ProjetCPERMOSYP- UTT/LOSI Ordonnancementdelaproduction:Systèmeshybrides 50

MOSYP Problème1 Problème2 Casspécifique ConclusionEtatdel’art

• FLC-NSGA-IIdominelarègledeprioritéFIFO

• Améliorationde2.59%et0.2%(lemeilleurcasetlepirecas)pourlemakespan

• Améliorationde43.1%et31.1%(lemeilleurcasetlepirecas)pourlasommedesretards

Indice FLC-NSGA-II FIFO

Cmax ∑Tj Cmax ∑Tj

1 42.06 103.18 - -

2 42.70 99.35 - -

3 42.81 96.50 - -

4 43.05 94.46 - -

5 - - 43.15 135.24

Plan




� Etat de l’art

� Problème 1: Ordonnancement de machines parallèles

� Problème 2: Ordonnancement d’ateliers de type flowshop hybride



Conclusion



• Etudes et résolution de 2 problèmes (machines en parallèle, flowshop hybride)

• Problème d’ordonnancement de machines parallèles• 3 méthodes approchées : NSGA-II, SPEA-II et FLC-NSGA-II

• → FLC-NSGA-II domine les autres

• 2 méthodes exactes : FEM, TPM

• Problème d’ordonnancement d’ateliers de type flowshop hybride

• 3 méthodes approchées : NSGA-II, FLC-NSGA-II et MD-LCAY

• 1 méthode exacte : TPM

• → EfYicacite de MD-LCAY-2

• Cas spécifique• Optimisation basée sur la simulation : FLC-NSGA-II basé sur la simulation

• FLC-NSGA-II est plus performant que FIFO

Conclusion scientifique

Conclusion



Conclusion du projet MOSYP

• Proposition des modèles

• Développement des méthodes de

résolution

• Implémentation sur la plate-forme

MESERP

• Mesurer les temps de traitementde chaque machine et temps delivraison du convoyeur

• Modéliser le système deproduction sur ARENA

• Coupler l’algorithmed’optimisation avec le modèle desimulation

• Tester plusieurs instances pourvalider les modèles

Conclusion



• Problèmes étudiés• Résolution selon des nouveaux objectifs

• Introduction de nouvelles contraintes

• Méthodes exactes• Développement de méthodes exactes plus efficaces (temps de calcul)

• Méthodes approchées• Amélioration de la qualité des métaheuristiques proposées

• Application d’autres hybridations sur les méthodes proposées

• Application de la dominance de Lorenz sur les méthodes

• Intégration nos travaux avec ceux de notre partenaire (CReSTIC)• Coupler les décisions en temps réel (équipe CReSTIC) avec les décisions

opérationelles (équipe ICD-LOSI)

Perspectives

Conclusion



• Organisation de la conférence IWOLIA (2010, 2011, 2012)• Partenaires industriels (CAILLAU, SOUFFLET)

• Participation de plusieurs entreprises (ARIES, ANDRA, VEOLIA, IFS, Nexxtep, Croma IBS, …)

• Organisation de tracks et sessions spéciales• ROADEF, IEEE CCCA, IESM, IFORS, INCOM

• Participation au projet CAP-Logistique• Amélioration de performances des PME de la région

• Diagnostics, simulations, études d’optimisation

• Plusieurs partenaires : Lafitte Textile, Paredes, SIRC, Vynex, Bister, …

• Création de l’entreprise OPTA LP

Valorisation

Publications



• Publications dans des revues internationales (4)• X. Li, F. Yalaoui, L. Amodeo et H. Chehade. Metaheuristics and exact methods to solve a

multiobjective parallel machines scheduling problem. Journal of Intelligent Manufacturing (Accepté et publié), 2010

• X. Li, F. Yalaoui, L. Amodeo et H. Chehade. A multiobjective optimization approach to solve a parallel machine scheduling problem. Advances in Artificial Intelligence(Accepté et publié), 2010

• X. Li, H. Chehade, F. Yalaoui et L. Amodeo. Fuzzy logic controller based multiobjective metaheuristics to solve a parallel machines scheduling problem. Journal of Multiple-Valued Logic and Soft Computing (Accepté et publié), 2011

• Une revue en révision dans International Journal of Production Research

• Publications dans des conférences (8)• LM-SCM 2009 (Istanbul, Turquie)

• MOSIM 2010 (Hammamet, Tunisie)

• FLINS 2010 (Chengdu, Chine)

• ROADEF 2011 (Saint Etienne, France)

• IEEE CCCA 2011 (Hammamet, Tunisie)

• IESM 2011 (Metz, France)

• EUSFLAT 2011 (Aix-Les-Bains, France)

• RACR 2013 (Istanbul, Turquie)

Documents

Ordonnancement de la production : systèmes hybrides