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.

规划和安排自然资源领域的业务尤其困难。尽管系统制造商的标准是“转换”（关于组装多个组件以获得产品），但在自然资源领域中，“多样化”是存在的（多个产品的制造商必须将其组装到一个组件中，同时也是内部的）。共同生产的过程是将一堆木材转化成一堆木板。Les propriétés physiques du billot definiront la combinaison des different produits que nous obtiendrons（amount）en procédant Au débitage. La transformation du billot contributie donc à satisfaire acquisition des commandes pour plusieurs produits différents.相反，一种产品可能是由不同的替代品共同生产的。这种情况（在存在替代品生产过程的情况下共同生产）使决定通过的概率降低。在新命令到达之前，不能参加新操作Au计划的调整。Il faut revoir de manière intégrée l'ensemble des opérations déjà choisies（planification）et amerodonnNavisphere afin de determiner comment on va répondre Au nouveAu besoin tout en respectant les engagements passés.他担心企业会在客户的回复后迅速恢复。就像解决组合问题一样，寻找隐含于过程中的最优解，并对确定问题的变量产生影响。选择性解决策略（变量和值的排序）对解决时间有影响。在草案中，我们提出了解决某些问题的措施的战略（例如：séchage et rabotage du bois d'Üuvre）。它们都是为工业所用的。Plusieurs de celles-ci ont été inspirées par les façons de faire des planificateurs humain avec qui nous avons collaboré.实际上，我们需要一位专家来解决一个问题。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.这项工作是为了解决新的问题，并需要一个科学的专门知识。C'est un frein à la question par l'industrie de systèmes de planification et d'ordonnNavisphere utilisant l'optimization，qui se contente alors d'estiques.Nous proposons maintenant de décourvriront automatiquement de nouvelles stratégies de résolution par mimétisme，c'est-à-dire en observant comment un expert s'y prend pour résoudre un probleme. Le défi est donc de pouvoir identifier automatiquement la relationship statistique qui lie chaque décision prise par l'humain à l'état du système à ce，de manière à ce que l'ordinateur puisse reproduire la stratégie de l'humain dans un contexte d'optimization.Nos analyses préliminaires indiquent que les approches employées par les experts ayant inspiré les stratégies que nous avons déjà professes auraient pu être découvertes de cette manière.我们将自动化进程，以“redécouvrir”我们的解决方案战略（概念的优先级），并将其应用于新问题的解决引擎，以解决新战略。