Systèmes de planification et d’ordonnancement auto-adaptatifs

规划和布置自动适应系统

• 批准号: RGPIN-2014-04551
• 负责人: Gaudreault, Jonathan
• 金额: $ 1.46万
• 依托单位: Université Laval
• 依托单位国家: 加拿大
• 项目类别: Discovery Grants Program - Individual
• 财政年份: 2017
• 资助国家: 加拿大
• 起止时间: 2017-01-01 至 2018-12-31
• 项目状态: 已结题
• 来源: https://www.nserc-crsng.gc.ca/ase-oro/Details-Detailles_eng.asp?id=636760
• 关键词: Syst; mes; de; planification; et

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.

计划者基于制造业的原则。制造业制造商的标准是进行“融合”的工作（在组装加油作曲家倒入Obtenir上）和“ Divergents”的资源（Pluseurs同时发生Fabriquéspartir d'un un d'un un seul et eul etMeêmeIntrand）。联合制作的共同制作d'Un Billot de bois en Planches。 lespropriétés体形du billotdéfinirontla combinaison desdifférentsproduits produits que nous beliendrons（syultanément）enprocédantAudébitage。 Billot转型贡献DoncàAspersairesayermulte des Commandes Pulieurs Pullieurs Produitsdifférents。 l'Inverse，unmême生产的peut peutfabriquéàpartirdifférentsbillots billots eLtertatifs nnant des des des des copoduitsdifférents.ceContextee（共同生产enprésencede Processus de Processus de Production de Productifs elternatifs）呈现La de de de dedécisionpassablement Complecte。 Lors del'ArrivéeDenouvelles命令，在Ne peut Se Contuter d'Ajouter de Nouvellesopérationsau Plan Plan Plan Proparation。 il faut revoirdeManièreintégréeL'elemblesdesopérationsDéjàChoisies（Planification）等人对Varépondreau nouveau au nouveau au nouveau au nouveau au nouveau besoin besoin tout tout tout tout tout tout tout eys尊重客户一直在努力了解这种情况。客户一直在努力理解情况，客户一直在努力理解情况。人体的不可思议的影响是要提出的地方。增强，关于人体的思想是最好的。该国的专家已经了解了该国努力的重要性。该公司有可能在很难理解情况下传播其力量和力量。该组织得出的结论是，了解组织对组织算法的理解的重要性很重要，并且该组织得出的结论是，很难理解这种情况。当前情况不仅是为了局势，而且为了局势，了解情况很重要。不管有多少人发现这一点最重要的方面，该过程的实践就是进行。这个概念是将其应用于公众。