Systèmes de planification et d’ordonnancement auto-adaptatifs

点击翻译按钮获取中文摘要

Planifier et ordonnancer les opérations dans le domaine des ressources naturelles revêt un défi particulier. Alors que les systèmes manufacturiers standards sont dits «convergents» (on assemble plusieurs composants pour obtenir un produit), dans le domaine des ressources naturelles on est plutôt en présence de flux «divergents» (plusieurs produits sont fabriqués simultanément à partir d’un seul et même intrant). Un exemple de co-production est la transformation d’un billot de bois en planches. Les propriétés physiques du billot définiront la combinaison des différents produits que nous obtiendrons (simultanément) en procédant au débitage. La transformation du billot contribue donc à satisfaire simultanément des commandes pour plusieurs produits différents. À l’inverse, un même produit peut être fabriqué à partir de différents billots alternatifs donnant des co-produits différents. Ce contexte (co-production en présence de processus de production alternatifs) rend la prise de décision passablement complexe. Lors de l’arrivée de nouvelles commandes, on ne peut se contenter d’ajouter de nouvelles opérations au plan de production. Il faut revoir de manière intégrée l’ensemble des opérations déjà choisies (planification) et leur ordonnancement afin de déterminer comment on va répondre au nouveau besoin tout en respectant les engagements passés. Il s’agit d’un problème que l’entreprise doit être en mesure de résoudre rapidement afin de pouvoir donner une réponse à son client. Comme il s’agit de problèmes combinatoires, chercher la solution optimale implique inévitablement de procéder par essai-erreur; affectant l’une après l’autre des valeurs aux variables définissant le problème. La stratégie de résolution choisie (l'ordre dans lequel les variables et leurs valeurs seront essayées) a un impact sur le temps de résolution. Dans le cadre de travaux précédents, nous avons développé des stratégies de résolution sur mesure pour certains problèmes (ex. séchage et rabotage du bois d’œuvre). Elles se sont avérées assez performantes pour être utilisées par l’industrie. Plusieurs de celles-ci ont été inspirées par les façons de faire des planificateurs humain avec qui nous avons collaboré. En effet, on trouve souvent en entreprise un expert qui a développé une habilité à résoudre un problème. Il est alors possible pour le chercheur de généraliser l’approche de l’expert pour tirer une stratégie de résolution qui sera ensuite utilisée pour trouver plus rapidement la solution optimale. Ce travail est cependant à refaire pour chaque nouveau problème et demande un niveau d’expertise scientifique élevé. C’est un frein à la mise en œuvre par l’industrie de systèmes de planification et d’ordonnancement utilisant l’optimisation, qui se contente alors d’heuristiques. Nous proposons maintenant de développer des algorithmes qui découvriront automatiquement de nouvelles stratégies de résolution par mimétisme, c'est-à-dire en observant comment un expert s'y prend pour résoudre un problème. Le défi est donc de pouvoir identifier automatiquement la relation statistique qui lie chaque décision prise par l’humain à l'état du système à ce moment, de manière à ce que l’ordinateur puisse reproduire la stratégie de l’humain dans un contexte d’optimisation. Nos analyses préliminaires indiquent que les approches employées par les experts ayant inspiré les stratégies que nous avons déjà publiées auraient pu être découvertes de cette manière. Nous allons donc automatiser le processus, afin de « redécouvrir » nos stratégies de résolution (à titre de preuve de concept) et ensuite appliquer l’engin d’apprentissage à de nouveaux problèmes pour découvrir de nouvelles stratégies.