Dcot Eln Laribi

Laboratoire de Productique
Thèse
Présentée pour l’obtention du grade de DOCTEUR
DE L’UNIVERSITE Tlemcen
par
Imane LARIBI
Résolution de problèmes
d’ordonnancement de type Flow-Shop de
permutation en présence de contraintes
de ressources non-renouvelables
Spécialité : Productique
Soutenue le 12 décembre 2018 devant un jury composé de :
Président du jury MCA Meliani Sidi Mohammed (Université de Tlemcen, Algérie)

Directeur de thèse Prof Sari Zaki (Université de Tlemcen, Algérie)
Examinateur Prof Hafid Haffaf (Université d’Oran, Algérie)
Examinateur MCA Latéfa Ghomri (Université de Tlemcen, Algérie)
Examinateur MCA Mehdi Souier (École Supérieure de Management de Tlemcen, Algérie)
Invité Prof Farouk Yalaoui (Université de Technologie de Troyes, France)
Thèse effectuée au sein du Laboratoire de productique
de l’Université Tlemcen
Algérie
et
Le Laboratoire d’Optimisation des Systèmes Industriels (LOSI)

de l’Université Troyes
France
dans le cadre programme boursier PNE
RÉSUMÉ iii
Résumé
L’axe de recherche traité dans cette thèse recouvre un domaine très connu dans la recherche
opérationnelle, il s’agit de l’ordonnancement d’atelier de production et plus particulièrement
l’étude de problème Flow-Shop. Le Flow-Shop à une grande pertinence en ingénierie, représen-
tant près du quart des systèmes de production, tels que l’industrie automobile, agro-alimentaires
et textiles. Vu cette pertinence, ce problème a été largement étudié dans la littérature sous sa
forme classique. Notre contribution consiste à intégrer certaines spécificités du monde industriel
dans les problèmes classiques d’ordonnancement Flow-Shop. Ces spécificités consistent essen-
tiellement à prendre en compte les contraintes de ressources non-renouvelables. Ce choix a été
motivé par une réalité industrielle divergente avec le monde académique. Cette thèse est consa-
crée à la résolution des problèmes d’ordonnancement Flow-Shop avec contraintes de ressources
non-renouvelables. Les travaux développés portent sur l’un des critères les plus étudiés dans la
théorie d’ordonnancement à savoir la minimisation du makespan qui revient à maximiser la pro-
ductivité. À notre connaissance, il n’existe pas de résultat pour ce problème dans la littérature.
Comme première attaque systématique à ce problème, une formulation mathématique a été pro-
posée pour décrire la problématique et résoudre de manière exacte le problème. Étant donné que
le problème considéré est NP-difficile et que la résolution exacte est limitée aux problèmes de
petites tailles en raison de contrainte de temps de calcul, des méthodes de résolution approchées
basées sur un algorithme génétique et un algorithme d’essaim particulaire ont été proposées afin
de fournir des solutions optimales ou proches de l’optimum dans un temps acceptable. De nom-
breuses expérimentations ont été menées sur des instances théoriques pour valider les approches
proposées sur différentes configurations de disponibilité de ressources non-renouvelables.
Mots-clé :
Ordonnancement, Flow-Shop, ressources non-renouvelables, optimisation, modélisation mathé-
matique, méthodes approchées.
Solving a permutation Flow-Shop
scheduling problems subject to
non-renewable resources constraints
ABSTRACT v
Abstract
The research subject treated in this thesis covers a well-known area in operation research. It
comes to scheduling in production workshop, especially, the Flow-Shop problem. Flow-shop has
an extensive engineering relevance, representing nearly a quarter of manufacturing systems,
such as automobile, agro-food and textile industries. In view of this relevance, this problem has
been widely studied in literature in its classic form. Our contribution focuses on the integration
of certain specificities of the industrial world into the classical Flow-Shop scheduling problems.
These specificities consist essentially of taking into account the constraints of non-renewable
resources. This choice was motivated by a divergent industrial reality with the academic world.
This thesis is dedicated to solving Flow-Shop scheduling problems subject to non-renewable re-
source constraints. Developed work focuses on one of the most studied criteria in the scheduling
theory, that is, the minimization of the makespan designed to maximize the productivity. To the
best of our knowledge, there is no result for this problem in the literature.
As a first systematic attack on this problem, a mathematical formulation has been developed to
describe the problem and to give an exact resolution. Since the considered problem is NP-hard
and the exact resolution is limited to small size problems due to computation time constraint,
approximating methods based on genetic algorithm and particle swarm optimization are de-
veloped in order to provide optimal or near-optimal solutions in a reasonable time. Numerous
experiments have been conducted on theoretical instances to validate the proposed approaches
on different configurations of resources availability.
Keywords :
Scheduling, Flow-Shop,non-renewable resource, optimization, mathematical modeling, approxi-
mate methods.
vi REMERCIEMENTS
Remerciements
Mes travaux de thèse se sont déroulés au laboratoire de productique à l’université de Tlemcen et

au laboratoire d’optimisation des systèmes industriels à l’université de Troyes dans le cadre du
programme boursier PNE.
Mes remerciements s’adressent tout naturellement d’abord à mon directeur de thèse, Monsieur
Zaki Sari, Professeur à l’université de Tlemcen d’avoir accepté de diriger ma thèse. Je souhaite
lui exprimer ma profonde gratitude pour son accompagnement constant, ses conseils, son sou-
tien, sa disponibilité, ses encouragements, son écoute et sa patience, mais aussi bien pour son
enthousiasme et son humour qui ont été des clés pour réaliser ce travail.
Je tiens aussi à adresser mes remerciements les plus sincères et mon profond respect à Monsieur
Farouk Yalaoui, Professeur à l’université de technologie de Troyes, pour m’avoir si bien accueillie
au sein de son équipe durant touts les périodes passées au sein du laboratoire d’optimisation des
systèmes industriels. Je le remercie infiniment pour m’avoir guidée durant toute l’élaboration de
cette thèse avec le sérieux et la compétence qui le caractérise. Je le remercie aussi pour son écoute,
ses corrections avisées de mes travaux, sa disponibilité, son encouragement et ces conseils qui
m’ont permis d’acquérir une maturité suffisante pour continuer dans le chemin de la recherche
et de l’enseignement.
Avec vous Messieurs Zaki Sari et Farouk Yalaoui, j’ai eu le privilège de bénéficier d’un excellent
encadrement scientifique, ce qui a très largement contribué la réussite de cette thèse.
À Monsieur Sidi Mohammed Meliani, Maître de Conférences à l’université de Tlemcen, qui ma

fait l’honneur d’accepter de présider ce jury de thèse et d’avoir consacré une partie de son temps
pour examiner ce travail.
Je tiens à exprimer ma gratitude à Monsieur Hafid Haffaf, Professeur à l’université d’Oran, pour
sa compréhension et pour l’acceptation de participer à ce jury.
Je suis particulièrement reconnaissante à Mademoiselle Latéfa Ghomri, Maître de Conférences à

l’université de Tlemcen, pour sa gentillesse et l’intérêt qu’elle a porté à mon travail.
REMERCIEMENTS vii
Je remercie également Monsieur Mehdi Souier, Maître de Conférences à École Supérieure de Ma-
nagement de Tlemcen, d’avoir accepter d’évaluer mes travaux et de m’honorer en faisant partie
du jury.
Je tiens à exprimer ma grande gratitude à Jatinder Gupta, Professeur à l’Université d’Alabama à

Huntville, USA, pour ces conseils précieux et l’intérêt qu’il a porté à mon travail de recherche.
Je tiens également à remercier les personnes, auprès de qui j’ai directement travaillé ou qui m’ont
soutenu. Je ne cite pas les noms pour n’oublier personne, mais je voudrais ici les remercier tous
très chaleureusement, leur souhaitant plein de bonheur et de réussite.
Enfin, je tiens à remercier très sincèrement tous les membres de ma famille et surtout ma mère,
pour leur soutien et leurs encouragements constants durant mes années d’études. Leur présence
de tous les instants a été pour moi un atout indispensable pour mener à bien ce travail.
Et maintenant Maman, promis, les études c’est fini El Hamdoulah !

viii REMERCIEMENTS
Table des matières
I Ordonnancement de la production, optimisation et état de l’art 5
1 Ordonnancement de production 7
1.1 La gestion de production . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1.1 Décisions stratégiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.1.2 Décisions tactiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.1.3 Décisions opérationnelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2 L’ordonnancement de la production . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.1 Formulation d’un problème d’ordonnancement . . . . . . . . . . . . . . . . . . . . 11
1.2.1.1 Les tâches . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2.1.2 Les ressources . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.1.3 Les contraintes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.1.4 Les objectifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.2 Typologie des problèmes d’ordonnancements . . . . . . . . . . . . . . . . . . . . . 14
1.2.2.1 Problèmes à une opération . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2.2.2 Problèmes à plus d’une opération . . . . . . . . . . . . . . . . . . . . . . . 15
1.2.3 Formalisation des problèmes d’ordonnancements . . . . . . . . . . . . . . . . . . 16
1.2.3.1 Classification et notation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.2.3.2 Modélisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.2.3.3 Représentation des solutions . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.3 La théorie de la complexité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.3.1 Complexité algorithmique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.3.2 Complexité problématique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.3.3 Hiérarchie de complexité pour les problèmes d’ordonnancement . . . . . . . 23
1.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
x TABLE DES MATIÈRES
2 Techniques d’optimisation 27
2.1 Méthodes exactes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.1.1 Méthode de séparation et évaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.1.2 Programmation dynamique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.1.3 Programmation linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2 Méthodes approchées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2.1 Heuristiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2.2 Metaheuristiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.2.2.1 Métaheuristiques à solution unique . . . . . . . . . . . . . . . . . . . . . 33
2.2.2.2 Métaheuristiques à base de population . . . . . . . . . . . . . . . . . . . 36
2.3 Méthodes hybrides . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3 Revue de la littérature 49
3.1 État de l’art sur les problèmes d’ordonnancement sous contraintes de ressources
non-renouvelables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.2 Identification de problème et objectif de la thèse . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
II Le Flow-Shop sous contraintes de resources non-renouvelables : Modélisation

mathématique et méthodes de résolution 57
4 Méthode de résolution exacte 59

4.1 Le Flow-Shop sous contraintes de ressources non-renouvelables . . . . . . . . . . . . . 59
4.1.1 Description du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.1.2 Une instance de problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.1.3 Complexité de problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.2 Modèle mathématique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.2.1 Paramètres et indices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.2.2 Variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.2.3 Modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.2.4 Signification des équations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.3 Benchmarks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
TABLE DES MATIÈRES xi
4.4 Résultats numériques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70

4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5 Algorithme génétique pour le problème Flow-Shop sous contraintes de ressources

non-renouvelables 73
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.2 Algorithme Génétique (AG) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
5.2.1 Codage utilisé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
5.2.2 Génération de la population initiale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
5.2.2.1 Les heuristiques constructives utilisées . . . . . . . . . . . . . . . . . . 77
5.2.3 Évaluation de la solution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
5.2.4 Opérateur de sélection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
5.2.5 Opérateur de croisement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
5.2.6 Opérateur de mutation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.2.7 La stratégie de remplacement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
5.2.8 Mécanisme d’arrêt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
5.3 Recherche locale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
5.4 Paramétrage de l’algorithme génétique proposé . . . . . . . . . . . . . . . . . . . . . . . . . . 88
5.4.1 Taille de population . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
5.4.2 Probabilité de croisement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
5.4.3 Probabilité de mutation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
5.4.4 Application de la méthode de Taguchi . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
5.5 Résultats expérimentaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
5.5.1 Résultats de calcul pour les problèmes de petites tailles . . . . . . . . . . . . . . 93
5.5.2 Résultats de calcul pour les problèmes de moyennes à grandes tailles . . . . 95
5.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
6 Algorithme d’optimisation par essaims particulaires pour le Flow-Shop sous contraintes

de ressources non-renouvelables 101
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
6.2 Conception d’un algorithme d’OEP discrèt pour le Flow-Shop sous contraintes
de ressources . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
6.2.1 Représentation de particule . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
xii TABLE DES MATIÈRES
6.2.2 Initialisation de l’essaim . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102

6.2.3 Mise à jour de la vitesse et de la position . . . . . . . . . . . . . . . . . . . . . . . . . 103
6.2.4 Stratégie de diversification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
6.2.5 Opérateurs génétiques empruntés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
6.2.5.1 Opérateur de croisement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
6.2.5.2 Opérateur de mutation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
6.2.6 Stratégie d’intensification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
6.3 Paramétrage de l’algorithme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
6.3.1 Taille de l’essaim . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
6.3.2 Critère d’arrêt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
6.4 Résultats expérimentaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
6.4.1 Résultats de calcul pour les problèmes de petites tailles . . . . . . . . . . . . . . 106
6.4.2 Résultats de calcul pour les problèmes de moyennes à grandes tailles . . . . 109
6.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
Conclusions et perspectives 114
Bibliography 129
Table des figures
1.1 Décomposition d’un système de production [5] . . . . . . . . . . . . . . . . . . . . . . . . . 8

1.2 Caractéristique d’une tâche . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3 Typologie des problèmes d’ordonnancement . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.4 Diagramme de Gantt d’une solution du problème F 3|p e r m |Cma x . . . . . . . . . . . 20
1.5 Hiérarchie de complexité des problèmes d’ordonnancement en fonction de l’en-
vironnement machine [42] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.6 Hiérarchie de complexité des problèmes d’ordonnancement en fonction des contraintes
[42] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.7 Hiérarchie de complexité des problèmes d’ordonnancement en fonction des cri-
tères [106] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.1 Schéma de la programmation dynamique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

2.2 Exemple de variables de décision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.3 Optima local et global . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.4 Déplacement d’une particule [80] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.5 Hybridation séquentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.6 Hybridation parallèle synchrone . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.7 Hybridation parallèle asynchrone . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.1 Représentation du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61

4.2 Flow-Shop classique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.3 La disponibilité des ressources non-renouvelables . . . . . . . . . . . . . . . . . . . . . . . . 63
4.4 Flow-Shop avec la contrainte de ressources non-renouvelables . . . . . . . . . . . . . . 64
4.5 Exemple d’une instance de Taillard . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.6 Disponibilité de ressources . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
xiv TABLE DES FIGURES
4.7 Exemple d’une instance du problème traité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
5.1 Codage d’un chromosome . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76

5.2 Opérateur de croisement à un point . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.3 Opérateur de croisement à deux point . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.4 Mutation par échange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.5 Mutation par insertion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
5.6 Graphe de réponses pour les rapports S/N . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
6.1 Illustration de la manière dont l’opérateur ⊗ fonctionne . . . . . . . . . . . . . . . . . . . 104

6.2 Effets de la taille de l’essaim . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
6.3 Convergence d’une instance du problème sous différentes configurations . . . . . . 108
6.4 Convergence d’AG, IDPSO_NOLS et IDPSO . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
Liste des tableaux
1.1 Classification de Graham . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

1.2 Interprétation des notations du champ α1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.3 Interprétation des principales notations possibles de sous-champs du champ β . . 18
1.4 Interprétation des principales notations du champ γ . . . . . . . . . . . . . . . . . . . . . . 18
1.5 Temps opératoires pour 3 jobs et 3 machines . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.6 Classe de complexité des problèmes d’ordonnancement mono-critère . . . . . . . . . 25
3.1 Complexité de minimisation de la durée total . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

3.2 Complexité de minimisation de la durée moyenne . . . . . . . . . . . . . . . . . . . . . . . . 51
3.3 Un aperçu sur les résultats de complexité [44]. . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.4 Une taxonomie des problèmes examinés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.1 Résultats obtenus par le solveur CPLEX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.1 Facteurs et leurs niveaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91

5.2 Tableau de réponses pour les rapports S/N . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
5.3 Paramètres de l’AG utilisés dans la simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
5.4 Comparaison de résultats - problèmes de petites tailles : AG_RanLS . . . . . . . . . . . 94
5.5 Comparaison de résultats - problèmes de petites tailles : AG_PsyLS . . . . . . . . . . . 95
5.6 Comparaison de résultats - problèmes de moyennes à grandes tailles : AG_RanLS 98
5.7 Comparaison de résultats - problèmes de moyennes à grandes tailles : AG_PsyLS 99
6.1 Problèmes testés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106

6.2 Temps de résolution pour IDPSO et IDPSO_NOLS . . . . . . . . . . . . . . . . . . . . . . . . 109
6.3 Comparaison de résultats pour les petites instances : IDPSO_NOLS / IDPSO . . . . 113
xvi LISTE DES TABLEAUX
6.4 Comparaison de résultats - instances de moyennes à grandes tailles : IDPSO_NOLS

/ IDPSO et AG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
Introduction
L’environnement actuel des entreprises est caractérisé par des marchés soumis à une forte concur-
rence et sur lesquels les exigences et les attentes des clients deviennent de plus en plus fortes
en termes de qualité, de coût et de délais de mise à disposition. Par conséquent, les entreprises
doivent produire mieux, moins cher et/ou plus vite que leurs homologues afin d’améliorer leur
compétitivité. Dans cette optique, la performance de l’entreprise se construit selon deux dimen-
sions essentielles : une dimension technologique qui vise à développer les performances des pro-
duits mis sur le marché afin de satisfaire aux exigences de qualité et de réduction du coût de pos-
session des produits et une dimension organisationnelle qui vise a développer la performance de
l’entreprise en termes de durée des cycles de fabrication, respect des dates de livraison prévues,
etc. Cette dernière joue un rôle très important, dans la mesure où les marchés sont de plus en
plus variables et évolutifs et exigent des temps de réponse des entreprises de plus en plus courts.
Pour satisfaire les besoins des clients, l’organisation repose sur la mise en œuvre d’un ensemble
de fonctions, parmi lesquelles la fonction d’ordonnancement joue un rôle prépondérant.
La fonction d’ordonnancement consiste à organiser un ensemble d’activités au sein d’un système
imposant certaines règles à respecter : il s’agit d’élaborer, à court terme (généralement quelques
jours en production industrielle), un planning détaillé d’un ensemble de tâches à réaliser, en
indiquant pour chaque tâche son instant de déclenchement sur une ressource exploitée tout en
optimisant un ou plusieurs objectifs. Dans une entreprise, cette fonction est toujours confrontée
à des problèmes de plus en plus complexes à résoudre, à cause du grand nombre de tâches qu’elle
doit réaliser, en prenant en compte des contraintes temporelles et des contraintes portant sur
l’utilisation et la disponibilité des ressources requises par les tâches ainsi les critères à optimiser.
Donc, apporter des solutions efficaces et performantes à ces problèmes constitue sûrement un
enjeu économique important.
L’ordonnancement s’identifie, généralement, à un problème d’optimisation combinatoire dans le-
quel la recherche de solutions efficaces et performantes nécessite la mise au point de méthodes de
résolution efficace. L’enjeu économique considérable des problèmes d’ordonnancement a suscité
depuis des décennies une recherche scientifique intensive pour développer des outils et des mé-
thodologies efficaces de résolution qui sont classé en méthodes exactes permettant de résoudre
des problèmes de petites tailles et des méthodes approchées pour des problèmes de grandes tailles.
2 INTRODUCTION
Un ordonnancement efficace est donc un outil essentiel pour les entreprises afin d’atteindre des
performances élevées. C’est pourquoi dans cette thèse nous nous intéressons à la résolution de
ce problème à l’aide de différents techniques.
Au-delà des valeurs économiques, l’ordonnancement peut contribuer également à la société du
point de vue de l’humanité. En fait, dans les secteurs professionnels fonctionnant 24 heures sur
24 (par exemple dans le domaine de la santé, l’industrie, la police, etc), Harrington [55] a précisé
qu’un mauvais ordonnancement demande aux personnels de travailler plus et cela fait apparaitre
des risques pour la santé (qualité et quantité de sommeil moins bonnes, fatigue accrue) et la
sécurité (accident). En effet, le rôle et l’impact de l’ordonnancement sur le quotidien sont aussi
les raisons de notre intérêt pour ce domaine de recherche. Mais dans le cadre de cette thèse, nous
nous limiterons aux problèmes d’ordonnancement dans les systèmes de production.
Une grande partie des études des problèmes d’ordonnancement de production se placent dans
un contexte où les machines sont considérées comme les seules ressources dans le système de
production. Ce qui en réalité n’est pas toujours le cas. Dans la plupart des environnements de
fabrication réels, le traitement des tâches sur les machines peut nécessiter des ressources sup-
plémentaires tel-que : la matière première, des pièces, etc. Ces ressources sont connues sous le
nom de ressources non-renouvelables ou consommables, c’est-à-dire que leurs consommations
globales au cours du temps est limitée (une fois, elles sont utilisées par une tâche, elles ne sont
plus disponibles pour les autres). Ces ressources sont produites dans des systèmes externes, en-
suite elles sont stockées dans des zones de stockage (entrepôts ou magasins) où un stock initial
peut éventuellement exister avant le lancement de la production.
En prenant en compte, la disponibilité des ressources non-renouvelables dans le processus de pro-
duction implique non seulement que la machine doit être libre lors du traitement d’une tâche,
mais aussi les ressources non-renouvelables requises doivent être disponibles en quantités suffi-
santes.
Les tâches pour qu’elles soient exécutées requièrent une certaine quantité déterminée a priori
de la ressource non-renouvelable. Si la quantité demandée n’est pas suffisante alors la machine
restera inactive jusqu’à la disponibilité de la quantité requises par la tâche. La présence de ces
temps d’inactivité ( idle time) sur les machines influe de manière significative sur le processus de
production et tout ordonnancement réaliste se doit d’en tenir compte.
Les problèmes d’ordonnancement sous contraints de ressources non-renouvelables sont souvent
rencontrés dans les environnements de production tels que : les industries du textile, d’automo-
bile et l’industrie pharmaceutique. Dans l’atelier de peinture dans l’industrie automobile chez
Audi, les carrosseries de voitures passent par trois stations pour l’application de la charge, de
la couche de base et de la peinture. Après chaque étape du processus, les carrosseries peintes
passent à travers un séchoir. Le processus complet de peinture pour un modèle Audi dure environ
trois heures. Par exemple, dans la station de peinture, les carrosseries ont besoin d’une certaine
quantité de peinture qui est une ressource consommable, c’est-à-dire, qu’après avoir peint la car-
INTRODUCTION 3
rosserie, le stock de peinture est diminué par la quantité appliquée. Donc, si la quantité requise
n’est pas suffisante alors le processus de peinture va être affecté.
Dans cette optique, l’objectif de cette thèse consiste à intégrer quelques spécificités du monde
industriel dans les problèmes d’ordonnancement classiques. De telles spécificités consistent es-
sentiellement dans la prise en compte de contraintes de ressources non-renouvelables. Ce choix
a été motivé par une réalité industrielle divergent avec le monde académique. Dans ce cadre, les
problèmes d’ordonnancement avec contraintes de ressources consommables sont suscité l’intérêt
d’une communauté de chercheurs. Une diversité de problèmes à été traité, avec différents critères
d’optimisation et utilisant différentes configurations d’atelier.
Dans cette thèse, nous nous intéressons plus particulièrement aux problèmes de type Flow-
Shop en présence de contraintes de ressources non-renouvelables. L’objectif est de trouver une
séquence appropriée de tâches en fonction de la disponibilité des ressources renouvelables et
non-renouvelables, de manière à minimiser le temps d’exécution maximal (makespan). À notre
connaissance, ce problème n’a pas été traité dans la littérature auparavant.
Dans cette optique, ce travail a pour objectif de contribuer à l’étude des problèmes d’ordonnan-
cement avec contraintes de ressources consommables. Différentes méthodes de résolution sont
développées afin de choisir laquelle est la plus efficace pour les problèmes d’ordonnancement
d’atelier Flow-Shop en présence de contraintes de ressources non-renouvelables. Dans la fin de
la thèse, nous avons obtenu des résultats satisfaisantes, mais il reste encore des travaux à faire
plus tard.
Le manuscrit est organisé en deux parties :
1. La première partie regroupe les chapitres de 1 à 3, dans laquelle nous abordons l’ordon-
nancement de production, les techniques d’optimisation et un état de l’art sur le problème
traité.
— Le Chapitre 1 constitue une introduction générale aux problèmes d’ordonnancement
dans le système de production, ce chapitre englobe diverses notations et définitions es-
sentielles pour aborder le problème traité dans cette thèse. Il contient aussi quelques
définitions de la complexité des problèmes d’optimisation combinatoires, dont les pro-
blèmes d’ordonnancement font partie.
— Dans le Chapitre 2, nous décrivons à la fois les techniques générales de résolution de la
recherche opérationnelle pour permettre une meilleure compréhension des méthodes
développées dans cette thèse, ainsi qu’une revue de la littérature de l’utilisation de ces
techniques pour la résolution des problèmes d’ordonnancement Flow-Shop.
— Le Chapitre 3 est consacré à un état de l’art couvrant les travaux de recherche me-
nés sur les problèmes statiques et déterministes d’ordonnancement sous contraintes de
ressources non-renouvelables. Cet état de l’art nous permet de bien positionner notre
problématique.
2. La deuxième partie regroupe les chapitres de 4 à 6, dans laquelle nous présentons nos prin-
4 INTRODUCTION
cipales contributions à l’étude du problème d’ordonnancement Flow-Shop sous contraintes

de ressources non-renouvelables.
— Le chapitre 4 est dédié à l’optimisation par méthodes exactes de l’ordonnancement
d’atelier de type Flow-Shop sous contraintes de ressources non-renouvelables. Nous
présentons dans ce chapitre une description détaillée de la problématique, ainsi que
la modélisation mathématique sous forme de programme linéaire en nombres entiers,
laquelle comporte les contraintes et l’objectif relatifs au fonctionnement de notre pro-
blème. Cette modélisation nous permet d’une part de résoudre de manière optimale les
instances de petites tailles et d’autre part d’évaluer la qualité des méthodes approchées
développées dans les chapitres suivants. Nous construisons aussi dans ce chapitre un
benchmark qui constitue l’échantillon de test pour nos expérimentations.
— Le chapitre 5 et 6 sont consacré à la résolution de la problématique par des méthodes
approchées, ces derniers représentent une alternative appropriée aux méthodes exactes
pour résoudre des problèmes complexes de tailles importantes. Dans le chapitre 5, nous
proposons un algorithme génétique pour la résolution de problème d’ordonnancement
Flow-Shop sous contraintes de ressources non-renouvelables afin de minimiser le ma-
kespan. Nous exposons dans ce chapitre, les détails de l’implémentation de cet algo-
rithme ainsi que la technique utilisée pour ajuster les paramètres de ce dernier.
— Dans le chapitre 6, nous développons un algorithme d’optimisation par essaims parti-
culaires. Cet algorithme à été initialement conçu pour l’optimisation continue, mais qui
récemment fait l’objet de quelques adaptations pour résoudre les problèmes d’optimisa-
tion discrets, en particulier les problèmes Flow-Shop et a donné de bons résultats. L’ob-
jectif de ce chapitre consiste à valider le potentiel de cet algorithme pour résoudre le pro-
blème d’ordonnancement Flow-Shop sous contraintes de ressources non-renouvelables.
Nous finissons ce mémoire par une conclusion et quelques perspectives.

Première partie
Ordonnancement de la production,
optimisation et état de l’art
Chapitre 1
Ordonnancement de production
Ce chapitre constitue une introduction générale aux problèmes d’ordonnancement dans la ges-
tion de production. Il présente diverses notions essentielles pour la compréhension de l’ensemble
des idées présentées dans cette thèse. La première section définit, de manière concise, la gestion
de production. Ceci permet de situer les problèmes d’ordonnancement de la production présentés
dans la seconde section. Cette dernière, décrit le problème d’ordonnancement notamment la défi-
nition, les différentes notions qui interviennent dans cette définition, les classes et les typologies
des problèmes d’ordonnancement ainsi que les outils de modélisation et de représentation asso-
ciés. Dans ce chapitre, nous exposons également quelques concepts sur la théorie de complexité
afin de mieux comprendre la difficulté de la résolution de certains problèmes.
1.1 La gestion de production
Face aux défis de la mondialisation et de la concurrence, les entreprises industrielles sont obligées
de réadapter leur système de production en vue d’augmenter la qualité de leur produit, de mieux
gérer leurs ressources, de diminuer leur coût de revient et d’augmenter leur flexibilité afin de
rester compétitif.
La gestion de production apparaît donc comme le guide indispensable de l’entreprise industrielle
pour la réalisation de cet objectif. En effet, une telle gestion doit organiser le fonctionnement du
système de production et de mieux gérer ses différents composants.
Les systèmes de production peuvent être vus comme un ensemble de ressources divers (matériels,
humains, etc.) qui interagissent et interfèrent dans le but de produire des biens ou services.
Ces derniers peuvent être des systèmes très complexes et difficiles à gérer au vu de toutes leurs
composantes fonctionnelles (fabrication, achat, distribution, maintenance…) [81]. À cet égard,
plusieurs approches ont été envisagées dans le but de mieux comprendre leur fonctionnement et
de mieux les appréhender. L’application de la théorie des systèmes aux systèmes de production
suggère une décomposition de ces derniers en trois sous-systèmes : le sous-système physique
8 CHAPITRE 1 : ORDONNANCEMENT DE PRODUCTION
Figure 1.1 : Décomposition d’un système de production [5]
de production, le sous-système de décision et le sous-système d’information qui s’intègrent afin

d’assurer la pérennité et la compétitivité de l’entreprise industrielle comme illustrée dans la figure
1.1.
— Le sous-système physique de production englobe tout les ressources humaines et phy-
siques nécessaires pour la transformation des matières premières en produits finis.
— Le sous-système de décision contrôle le système physique de production à travers l’organi-
sation des différentes activités en prenant des décisions basées sur les données transmises
par le sous-système d’information.
— Le sous-système d’information intervient à plusieurs endroits, entre les sous-systèmes
de décision et de production et à l’intérieur même du sous-système de décision, pour la
gestion des informations utilisées lors de prises de décision, et du sous-système physique
de production, pour la création et le stockage d’informations de suivi par exemple [81].
Donc, son rôle peut se résumer a la collecte, le stockage, le traitement et la transmission
d’informations.
Les deux sous-systèmes décisionnels et informationnels traitent les fonctions rattachées direc-
tement à la production à savoir, la gestion de stock, la gestion des ressources, la maintenance,
la planification, etc. L’association de ces deux derniers sous-systèmes constitue le système de
gestion de production, évoqué dans cette section.
En fait, la gestion de production assure l’organisation du système de production afin de fabriquer
les produits en quantités et qualités définies, ainsi dans un temps voulus compte tenu des moyens
humains ou technologiques disponibles.
L’objectif de la gestion de production est de gérer les systèmes de production au mieux. Cette
gestion s’effectue par un ensemble de décisions qui peuvent être hiérarchisées suivant des gra-
1.1 LA GESTION DE PRODUCTION 9
nularités et des horizons temporels différents. Ces décisions sont habituellement classées selon
trois catégories introduites par Anthony [4] et reprises dans [135] en gestion de production, à
savoir : les décisions stratégiques, tactiques et opérationnelles.
1.1.1 Décisions stratégiques
Les décisions stratégiques définissent la politique de l’entreprise à long terme. Ces décisions por-
tant sur la stratégie de l’entreprise sont prises par la direction générale de l’entreprise et portent
essentiellement sur la gestion des ressources durables afin que celles-ci soient toujours suffisantes
pour assurer la pérennité de l’entreprise [81]. Les ressources visées peuvent être des ressources
humaines (compétences à posséder, plans de formation), équipements (bâtiment, machines), des
informations de production (les produits à lancer ou développer) ou des données techniques, etc.
1.1.2 Décisions tactiques
Les décisions tactiques définissent la politique de l’entreprise à moyen terme. Ces décisions sont
prises par le personnel d’encadrement de l’entreprise et elles sont destinées à obtenir la meilleure
exploitation des moyens mis en œuvre.
En effet, ces décisions s’inscrivent dans un cadre logique dessiné par les décisions stratégiques.
Comme exemples de décisions tactiques, on peut citer : la planification de la production qui est
une programmation prévisionnelle de la production pour une période qui varie généralement
entre 6 et 18 mois (selon l’entreprise), les problèmes d’allocation (des fournisseurs ou des pro-
duits), la définition des niveaux de stock ainsi que le choix des modes de transport, etc.
1.1.3 Décisions opérationnelles
Les décisions opérationnelles définissent la politique de l’entreprise à court terme. Ces déci-
sions assurent la flexibilité quotidienne nécessaire pour faire face aux fluctuations prévues de
la demande et des disponibilités de ressources et réagir aux aléas, dans le respect des décisions
tactiques. Généralement, ces décisions sont prises par des responsables d’activités, des chefs
d’équipe ou des agents maîtrise.
Parmi les décisions opérationnelles concernant la gestion de la production, on trouve par exemple
la gestion des stocks et l’ordonnancement de la production. La gestion des stocks assure la mise à
disposition des produits et des composants alors que l’ordonnancement consiste a une program-
mation prévisionnelle détaillée des ressources mobilisées (opérateurs, équipements et outillages)
afin de fabriquer des produits définis par la planification.
En effet, l’ordonnancement constitue une classe importante de ces décisions et joue un rôle pri-
vilégié dans la gestion informatisée des flux de production au sein de l’entreprise. Il s’occupe de
la réalisation des décisions venant des niveaux supérieurs et couvre ainsi un ensemble d’actions
qui transforment les décisions de fabrication définies par le programme directeur de production
en instructions d’exécution détaillées destinées à piloter et contrôler à court terme l’activité des
postes de travail dans l’atelier [64].
Dans la suite de ce travail, on se place au niveau des décisions opérationnelles et nous nous
intéressons uniquement à l’ordonnancement de la production.
Dans la section suivante, ce concept va être détaillé et va faire l’objet de notre étude.
1.2 L’ordonnancement de la production
La théorie d’ordonnancement est une branche de la recherche opérationnelle, qui consiste à or-
donner un ensemble d’opérations tout en satisfaisant un ensemble de contraintes et en optimisant
un ou plusieurs objectives. L’ordonnancement joue un rôle essentiel dans de nombreux secteurs
d’activités à savoir, en : informatique (ordonnancement de processus), administration (établis-
sement d’un emploi du temps, gestion des ressources humaines), industrie (gestion des ateliers
de production), construction (gestion des chantiers routiers), logistique (gestion des livraisons et
des stocks).
Parmi ces nombreux types de problèmes d’ordonnancement, nous nous sommes intéressés dans
le cadre de cette thèse aux problèmes d’ordonnancement d’ateliers dans les systèmes de produc-
tion.
Un atelier de production est un espace physique où la fabrication se déroule. Il est composé
de ressources humaines et matérielles, et caractérisé par les types de tâches à exécuté, les type
de ressources et la gamme de fabrication, que nous présentons en détail dans les sous-sections
suivantes.
Nombreuses sont les définitions proposées au problème d’ordonnancement d’atelier, nous tirons
de la littérature les trois définitions ci-dessous :
Definition 1.2.1 [92]

Scheduling is the process of organizing, choosing, and timing resource usage to carry out all the acti-
vities necessary to produce the desired outputs at the desired times, while satisfying a large number
of time and relationship constraints among the activities and the resources.

Scheduling is concerned with the allocation of scarce resources to activities with the objective of
optimizing one or more performance measure.

Scheduling is a decision-making process that is used on a regular basis in many manufacturing and
services industries. It deals with the allocation of resources to tasks over given time periods and its
goal is to optimize one or more objectives.
1.2 L’ORDONNANCEMENT DE LA PRODUCTION 11
D’après les définitions ci-dessus, on retrouve l’aspect commun de l’affectation de ressources aux
tâches. Donc nous pouvons dire que l’ordonnancement d’ateliers consiste à programmer dans le
temps l’exécution des tâches selon la disponibilité des ressources pour répondre à un ou plusieurs
d’objectifs, tout en respectant les contraintes techniques de fabrication.
1.2.1 Formulation d’un problème d’ordonnancement
Dans un problème d’ordonnancement, quatre notions fondamentales interviennent : les tâches,

les ressources, les contraintes et les objectifs. Dans ce qui suit, on donnera une définition détaillée
de chacun de ces notions. Ces définitions sont basées sur celles proposées par [87].
1.2.1.1 Les tâches
Une tâche est une entité élémentaire de travail localisé dans le temps par une date de début t i
(start time) et une date de fin ci (completion time), dont la réalisation est caractérisée par une
durée positive pi (processing time) telle que pi = ci - t i .
Certaines caractéristiques relatives à l’exécution d’une tâche sont définies ainsi :
— Une date de disponibilité ri (release date) qui correspond à la date de début au plus tôt.
— Une date d’échéance d i (due date) qui correspond à la date de fin au plus tard.
— Un poids wi (weight) qui représente le facteur de priorité qui dénote l’importance de la
tâche i relativement aux autres.
La figure suivante donne une représentation de la tâche en désignant ses principales caractéris-
tiques.
Figure 1.2 : Caractéristique d’une tâche
On distingue deux types de tâches :

— Des tâches morcelables (préemptibles) qui peuvent être exécutées par morceaux par une
ou plusieurs ressources.
— Des tâches non-morcelables (indivisibles) qui doivent être exécutées en une seule fois et
ne peuvent pas être interrompues avant qu’elles ne soient complètement achevées.
Généralement, en ordonnancement d’atelier, le terme « tâche » correspond à une « opération »
et le terme « travail » ou « job » désigne l’ensemble d’opérations constituant le même job.
1.2.1.2 Les ressources
Une ressource est un moyen technique ou humain utilisé pour la réalisation d’une tâche et dis-
ponible en quantité limitée. Dans un atelier, plusieurs types de ressources sont distingués.
1. Selon leurs disponibilités au cours du temps, on trouve :

— Les ressources renouvelables, comme c’est le cas pour les machines, personnels, équi-
pements, etc. La ressource est dite renouvelable si après avoir été utilisé par une ou
plusieurs opérations, elle est à nouveau disponible en même quantité.
— Les ressources non-renouvelables, souvent appelées ressources consommables ou bien
ressources financières. On dit que la ressource est non-renouvelables si ça disponibilité
décroît après avoir été allouée à une opération. C’est le cas pour la matière première,
budget.
— Les ressources doublement contraintes, ces ressources combinent les contraintes liées
aux deux catégories précédentes. Leur utilisation instantanées et leur consommation
globale sont toutes les deux limitées. C’est le cas des ressources d’énergie (pétrole, élec-
tricité, etc.).
2. Selon leurs capacités, on trouve :
— Les ressources disjonctives (ou non-partageables), il s’agit des ressources qui ne peuvent
exécuter qu’une seule opération à la fois c’est le cas par exemple de machine-outil ou
robot manipulateur.
— Les ressources cumulatives (ou partageables), il s’agit des ressources qui peuvent être
utilisé par plusieurs opérations simultanément (équipes d’ouvriers, poste de travail,
etc.).
1.2.1.3 Les contraintes
Les contraintes expriment des restrictions sur les valeurs que peuvent prendre conjointement les
variables de décision 1 . En d’autres termes, les contraintes représentent les conditions à respecter
lors de la construction de l’ordonnancement pour qu’il soit réalisable. Plus les contraintes sont
nombreuses, plus le problème d’ordonnancement devient plus difficile.
Dans les problèmes d’ordonnancement, deux types de contraintes sont distingués : les contraintes
temporelles et les contraintes de ressources.
1. Les contraintes temporelles décrivent les interdépendances temporelles entre les opéra-
tions, elles intègrent :
— Les contraintes de dates limites : c’est des contraintes imposées individuellement à
chaque opération i . Par exemple, l’opération i ne peut débuter avant une certaine date
1. ensemble des variables qui régissent la situation à modéliser
(livraison de matière première, conditions climatiques, etc.) ou encore l’opération i ne

peut commencer avant sa date de disponibilité ri et doit être terminée avant une date
d’échéance d i .
— Les contraintes d’antériorité : c’est des contraintes qui relient la date de début ou la
date de fin de deux opérations par une relation linéaire. De manière générale, c’est des
contraintes qui décrivent le positionnement relatif de certaines opérations par rapport
à d’autres, c’est le cas par example des gammes opératoires dans les d’ateliers de pro-
duction.
2. Les contraintes de ressources traduisent l’utilisation et la disponibilité des ressources utili-
sées par les opérations. Deux types de contraintes liées à la nature cumulative ou disjonc-
tive des ressources peuvent alors être distingués.
— Les contraintes disjonctives : ces contraintes imposent la non-réalisation simultanée de
deux opérations sur la même ressource.
— Les contraintes cumulatives : ces contraintes expriment le fait qu’à tout instant, le total
des ressources utilisées ne dépasse pas une certaine limite fixée.
Il existe une autre classification liée au système de production présentée dans [66], dont les
contraintes peuvent être classées en deux types : endogène et exogène.
1. Les contraintes endogènes : elles constituent des contraintes directement liées au système
de production et à ses performances dont :
— les capacités et les dates de disponibilité des machines.
— Les séquences des opérations à exécuter.
2. Les contraintes exogènes : elles sont indépendantes du système de production, on dis-
tingue :
— les priorités de quelques commandes et de quelques clients.
— Les retards possibles accordés pour certains produits.
1.2.1.4 Les objectifs
Les objectifs dits aussi les critères d’évaluation sont les indicateurs de performance sur lesquels
se base le choix d’un ordonnancement satisfaisant. En ordonnancement, les critères à optimiser
consistent à minimiser ou maximiser une fonction objectif. Cette fonction objectif est générale-
ment liée aux temps, aux ressources ou bien aux coûts.
— les objectifs liés au temps : c’est la catégorie des objectifs les plus étudiés en optimisation,
parmi les plus classiques, nous pouvons citer :
• Le temps total d’exécution : connue sous le nom de makespan et défini par Cma x =
max Ci (E désigne l’ensemble d’opération à ordonnancer) qui représente la date de fin
i ∈E
du job le plus tardif. La minimisation de ce critère est souvent rencontrée puisque ça

conduit à une meilleure utilisation de ressources (productivité).
• La somme des dates d’achèvement des jobs : on lui réfère aussi comme total flow time
∑
ou total completion time définie par Ci .
i ∈E
• Le retard algébrique maximal : connue sous le nom de lateness et défini par L ma x =
max L i , tel que L i = Ci − d i est le retard algébrique pour chaque opération. L’objectif
i ∈E
de la minimisation du retard algébrique maximal consiste donc à minimiser la quantité
L ma x .
— Les objectifs liés aux ressources : les objectifs de ce type correspondent par exemple à :
• Maximisation de la charge d’une ressource e.g., maximiser l’utilisation de la machine
ayant un bon rendement ou la machine la moins gourmand en énergie, etc.
• Minimisation de nombre de ressources nécessaires pour réaliser un ensemble d’opéra-
tions.
— Les objectifs liés au coût : ces objectifs consistent généralement à minimiser les coûts de
lancement, de production, de stockage, ou de transport.
Généralement, l’objectif souhaité dans un problème d’ordonnancement quelconque définit le cri-
tère à optimiser. Lorsque cet objectif renvoie un seul critère, il s’agit bien du cas d’optimisation
mono-objectif, le cas le plus fréquent dans la littérature des problèmes d’ordonnancement. Ce-
pendant, lorsque l’objectif renvoie simultanément plusieurs critères à la fois, nous parlons dans
ce cas d’optimisation multi-objectif. Cette dernière est devenue plus en plus important face à
l’évolution et à la concurrence des systèmes de production.
Une caractéristique intéressante pour un critère est sa régularité. Un critère est dit régulier, si
la valeur à minimiser est une fonction croissante des dates de fin des opérations, nous citons,
à titre d’exemple : makespan, flow time, lateness, etc. Ces critères réguliers servent à exprimer
de différentes façons deux sources d’insatisfaction : celle de l’entreprise liée aux volumes trop
importants d’en-cours, et celle des clients liée au non-respect des délais [24].
Les critère irréguliers sont des critères non-réguliers, c’est-à-dire qui ne sont pas des fonctions
monotones des dates de fin des opérations. Ces critères peuvent augmenter lorsque l’on termine
un travail plus tôt. En particulier, si le fait de terminer un travail avant sa date de fin souhaitée im-
plique un coût, alors tout critère incluant ce coût n’est pas régulier [24, 66]. Soit à titre d’exemple :
la minimisation des encours, la minimisation du coût de stockage des matières premières, etc.
1.2.2 Typologie des problèmes d’ordonnancements
Une typologie des problèmes d’ordonnancement dans un atelier peut s’opérer selon le nombre et
la nature des machines ainsi que l’ordre d’enchaînement des opérations (gamme de fabrication).
Deux grandes familles de problèmes d’ordonnancement se présentent. La première famille re-
groupe les problèmes pour lesquels chaque job nécessite une seule opération. La deuxième re-
groupe ceux dont les jobs nécessitent plusieurs opérations.
1.2.2.1 Problèmes à une opération
En se basant sur la configuration des machines, nous distinguons pour la première catégorie :
— Problèmes à une machine : les problèmes d’atelier à une machine (single machine pro-
blem) consistent à ordonnancer, sur une seule machine, des jobs constitué d’une seule
opération.
— Problèmes à machines parallèles : les problèmes d’atelier à machines parallèles (pa-
rallel machine problem) sont une généralisation des problèmes à une machine. Ce type
d’atelier se caractérise par le fait que chaque opération peut être réalisée par n’importe
quelle machine, disposée en parallèle, mais n’en nécessite qu’une seul. Le problème d’or-
donnancement consiste donc à déterminer l’affectation des opérations aux machines puis
le séquencement de ces opérations sur chaque machine.
Dans le dernier cas, il est possible de distinguer trois classes de machines :
• Machines parallèles identiques (identical parallel machines) : la durée d’exécution des
opérations est la même sur toutes les machines.
• Machines parallèles uniformes (uniform parallel machines) : la durée d’exécution des
opérations varie uniformément en fonction de la performance de la machine choisie.
• Machines parallèles indépendantes ou non liées (unrelated parallel machines) : les du-
rées opératoires dépendent complètement des machines utilisées.
1.2.2.2 Problèmes à plus d’une opération
Les problèmes de la deuxième catégorie sont dits problèmes d’atelier du fait de la nécessité
du passage de chaque job sur deux ou plusieurs machines dédiées. Suivant le mode de
passage des opérations sur les différentes machines, trois types d’ateliers sont distingués
à savoir :
— Problèmes Flow-Shop : les ateliers de type Flow-Shop appelés également ateliers à che-
minement unique, il s’agit d’un ensemble de m machines disposées en séries. Toutes
les opérations de tous les jobs passent par les machines dans le même ordre (flot uni-
directionnel). Un cas particulier important est celui d’un Flow-Shop de permutation, le
Flow-Shop est dit de permutation s’il existe une contrainte selon laquelle la séquence
des opérations des différents jobs est la même sur chaque machine [107].
— Problèmes Job-Shop : dans cette classe d’ateliers, appelés aussi ateliers à chemine-
ments multiples, chaque opération passe sur les machines dans un ordre fixé, mais à la
différence du Flow-Shop, cet ordre peut être différent pour chaque job (flot multidirec-
tionnel).
Figure 1.3 : Typologie des problèmes d’ordonnancement
— Problèmes Open-Shop : dans cette classe d’ateliers, appelés aussi ateliers à chemi-
nement libre, les gammes opératoires des différents jobs ne sont pas fixées a priori
contrairement au problème d’atelier Job-Shop. Les opérations d’un même job peuvent
donc être exécutées dans un ordre quelconque. Le problème consiste d’une part à dé-
terminer le cheminement de chaque job et d’autre part à ordonnancer les jobs en tenant
compte des gammes trouvées.
À partir de ces ateliers de base, de nombreuses extensions ont été proposés afin de traiter des pro-
blèmes industriels spécifiques. L’une des principales extensions consiste à proposer plus d’une
machine pour la réalisation d’une opération. Le cas de flow shop hybride correspond à une géné-
ralisation de l’environnement Flow-Shop standard et de l’environnement de machines parallèles.
Autrement dit, au lieu d’avoir m machines en séries, il existe k étages en séries où dans chaque
étage les machines sont en parallèles. De même pour les ateliers de type Job-Shop et Open-Shop
qui donnent respectivement le Job-Shop flexible et l’Open-Shop généralisé. Ces types d’atelier
offrent ainsi plus de flexibilité par rapport aux modèles classiques et nécessitent la détermination
des affectations adéquates des opérations aux machines en plus de l’établissement des ordres
de passages des différentes opérations sur les machines. La figure 1.3 présente d’une manière
exhaustive, une typologie de ces problèmes d’ordonnancement.
1.2.3 Formalisation des problèmes d’ordonnancements
1.2.3.1 Classification et notation
Vu la très grande variété de problèmes d’ordonnancement, Graham et al. [51] ont proposé une
méthode de classification permettant une distinction facile entre ces problèmes. Cette méthode
se base sur une notation à trois champs distincts notée α | β | γ.
Le champ α désigne l’environnement machine. Il se compose généralement de deux sous-champs

α1 α2 . Le premier permet d’indiquer le type de problème étudié (problème à machines paral-
lèles, Flow-Shop, …) tandis que le second précise le nombre de machines. Le champ β décrit les
contraintes liées à l’exécution des tâches. Ce champ peut être vide ∅ là où aucune contrainte
n’est imposée et peut contenir une concaténation de 1 à k sous-champs comme présentés dans
le Tableau 1.1. Finalement, le champ γ spécifie le (ou les) critère(s) à optimiser. Il contient dans
la plupart des cas un seul champs.
Les différentes notations utilisées pour les valeurs des champs α, β et γ figurent généralement
sous forme d’abréviations (cf. tableau1.1) ayant chacune d’elles un sens particulier. La description
de ces abréviations est décrite dans les tableaux 1.2, 1.3 et 1.4 respectivement.
Table 1.1 : Classification de Graham
Champ Sous champs Notation

(α1 ) Type de machine {∅, 1, P,Q , R , F, J , O , F H , J F, O G }
α
(α2 ) Nombre de machines {∅, m}
(β1 ) Mode d’exécution des jobs {∅, p m t n }
(β2 ) Ressources supplémentaire {∅, r e s }
(β3 ) Relation de précedence {∅, p r e c , t r e e , c a h i n s }
β (β4 ) Dates de disponibilité {∅, ri }
(β5 ) Durées opératoires {∅, pi = p }
(β6 ) Dates d’échéance {∅, d i }
(β7 ) Propriété d’attente {∅, n w t }
∑ ∑
{C
∑ ma x∑ , wi Ci , L ma x , Tma x , wi Ti ,
γ
Ui , wi Ui }
Table 1.2 : Interprétation des notations du champ α1
Notation Description
1 Problème à une seule machine
P Problème à machines parallèles identiques
Q Problème à machines parallèles uniformes
R Problème à machines parallèles indépendantes
F Flow-Shop
J Job-Shop
O Open-Shop
FH Flow-Shop hybride
JF Job-Shop flexible
OG Open-Shop généralisé
À titre d’exemple :
— F2 ||Cma x dénote un problème d’ordonnancement d’un atelier de type Flow-Shop à deux
machines avec minimisation de makespan Cma x . L’absence de valeurs dans le champ β
Table 1.3 : Interprétation des principales notations possibles de sous-champs du champ β
Notation Description
pmt n La préemption des opérations est autorisée
prec Existence des contraintes de précedence entre les opérations
res L’opération nécessite l’emploi d’une ou plusieurs ressources supplémentaires
nw t Les opérations de chaque job doivent se succéder sans attente
pi = p Les temps d’exécution des tâches sont identiques et égaux à p
ri Une date de début au plus tôt est associée à chaque job i
di Une date d’échéance est associée à chaque job i
Table 1.4 : Interprétation des principales notations du champ γ
Notation Expression Description

Cma x maxi ∈{1,...,n} Ci La durée totale de l’ordonnancement
L ma x maxi ∈{1,...,n} Ci − d i Le plus grand retard algébrique
T
∑ma x ∑ i ∈{1,...,n} {max(Ci − d i , 0)}
max Le plus grand retard vrai
[w ]C
∑ i i
[w ]C
∑i ∈{1,...,n} i i
La somme [pondéré] des dates de fin des tâches
[w ]T
∑ i i
[w ]{max(Ci − d i , 0)}
∑i ∈{1,...,n} i
La somme [pondéré] des retards
[wi ]Ui i ∈{1,...,n} [w i ]|{ Ji /C i > d i }| Le nombre [pondéré] des tâches en retard
implique qu’il n’y a pas de contraintes particulières.

— Pm |p m t n |L ma x désigne le problème de la minimisation du retard maximum L ma x dans
un environnement à m machines parallèles identiques où la préemption est autorisée.
∑
— 1|p r e c , ri | wi Ci s’agit d’un problème à une machine dont les tâches présentent une
contrainte de précedence et elles ne sont disponibles qu’à la date ri . Le but est de minimiser
la somme pondérée des dates de fin des tâches.
Bien que les valeurs affectées aux différents champs permettent de modéliser une variété de
problèmes d’ordonnancement, multitudes extensions ont été proposées en particulier au niveau
des champs β et γ dans le but de supporter d’autres catégories de problèmes particulières .
1.2.3.2 Modélisation
La modélisation représente une étape très importante dans la résolution d’un problème. Elle est
caractérisée par une écriture simplifiée de toutes les données de problème tout en utilisant un
formalisme bien adapté. Principalement, deux types de modélisation existent pour les problèmes
d’ordonnancement. La modélisation graphique sous forme de graphe et la modélisation analy-
tique sous forme de programme mathématique.
1.2.3.2.1 Modélisation graphique
Cette modélisation apporte une aide incontestable à la manipulation d’un problème. Elle a connu
une très importante évolution surtout avec l’apparition des Réseaux de Pétri, qui permettent de
traduire plusieurs notions fondamentales ayant un lien avec les problèmes d’ordonnancement (les
durées opératoires, les gammes, etc.). Cette méthode de modélisation présente un caractère visuel
facilitant la vérification de la cohérence du problème considéré et l’interprétation des solutions,
ce qui lui a permettre d’être la méthode la plus utilisé dans la littérature. Dans cette modélisation,
deux types de graphes sont utilisés, le graphe PERT et le graphe des potentiels.
— La méthode PERT (Program Evaluation Research Task) est une méthode Américaine élabo-
rée pour résoudre les problèmes d’ordonnancement. Elle consiste à associer à un problème
d’ordonnancement un graphe constitué d’un ensemble de nœuds reliés entre eux par des
arcs où :
— Chaque nœud correspond à un instant de déclenchement d’exécution d’une tâche re-
présentée par l’arc sortant du nœud et également à un instant d’achèvement d’une
tâche représentée par l’arc entrant au nœud.
— Sur les arcs, nous trouvons généralement les durées d’exécution associées aux tâches.
Dans le cas où la valeur d’un arc est égale à 0 cela présente une contrainte de précé-
dence.
— La méthode des potentiels a été développée vers la fin des années 50 parallèlement à la
méthode PERT. Elle est appelée également la méthode MPM (méthode des potentiels Me-
tra) ou encore méthode des potentiels – tâches. Elle se base aussi sur une modélisation par
graphe constitué d’un ensemble de nœuds et d’arcs. Les nœuds du graphe représentent les
tâches composant les travaux à réaliser, auxquels s’ajoutent deux sommets fictifs appelés
« source » et « puits » correspondant respectivement au début et à la fin des travaux.
Ainsi, les arcs peuvent être de deux types :
— Arcs conjonctifs connectent deux tâches consécutives d’un même travail (contraintes
de précedence). Ces arcs sont pondérés par la durée opératoire de la tâche, exceptés les
arcs de la source qui sont pondérés par 0.
— Arcs disjonctifs connectent deux tâches appartenant à des travaux différents qui uti-
lisent la même machine (contraintes de ressources).
1.2.3.2.2 Modélisation analytique
Un problème d’ordonnancement peut également être modélisé sous une forme analytique. Cette
modélisation, couramment utilisée, est souvent sous forme de programme mathématique dont les
données, les contraintes et la fonction d’évaluation des critères sont écrites sous forme d’équa-
tions et d’inéquations mathématiques. Cette modélisation permet, non seulement de mettre en
évidence l’objectif et les différentes contraintes du problème, mais également de le résoudre.
1.2.3.3 Représentation des solutions
Afin de visualiser une solution d’un problème d’ordonnancement, nous utilisons couramment
une représentation graphique appelée diagramme de Gantt. Ce diagramme constitue un forma-
lisme graphique qui a été mis au point par Henry Gantt en 1910.
Dans le cas d’un problème d’atelier, le diagramme est formé de deux axes orthogonaux et peut
avoir deux représentations :
1. La représentation « Jobs »
2. La représentation « Machines »
Pour la représentation « Jobs », l’axe horizontal représente le temps et l’axe vertical représente
les jobs. Pour chaque job, nous dessinons des rectangles représentant l’ensemble des machines
utilisées dans le temps pour la réalisation du job.
Pour la représentation « Machines », l’axe horizontal représente le temps et l’axe vertical re-
présente les machines. Pour chaque machine, nous représentons l’ensemble des opérations ef-
fectuées dans le temps par des barres ayant des longueurs proportionnelles à leurs durées opé-
ratoires. Cette représentation permet de visualiser l’occupation des machines, l’enchaînement
des opérations sur celles-ci, les dates de début et de fin de chaque opération ainsi que le temps
d’inactivité des machines.
À titre d’illustration, une solution réalisable du problème F 3|p e r m |Cma x avec les données four-
nies dans le tableau 1.5 est donnée par la figure 1.4. Nous utilisons la représentation (b), pour
présenter notre solution dans ce qui suit.
Table 1.5 : Temps opératoires pour 3 jobs et 3 machines
Ji pi 1 pi 2 pi 3
J1 2 1 3
J2 3 5 2
J3 4 2 1
Figure 1.4 : Diagramme de Gantt d’une solution du problème F 3|p e r m |Cma x

1.3 LA THÉORIE DE LA COMPLEXITÉ 21
1.3 La théorie de la complexité
Les problèmes d’optimisation sont des problèmes dont la résolution consiste à trouver parmi un
ensemble de solutions celle qui répond le mieux à certains critères décrits sous forme d’une fonc-
tion objectif. Lorsque le domaine de solutions est discret, on parle alors de problèmes d’optimi-
sation combinatoire. Les problèmes d’ordonnancement font partie des problèmes d’optimisation
combinatoire.
Selon Cook [26], la théorie de la complexité a pour but d’analyser les coûts de résolution, notam-
ment en terme de temps de calcul, des problèmes d’optimisation combinatoire.
La définition de la complexité d’un problème découle de la définition de la complexité des algo-
rithmes 2 . Informellement, la complexité d’un problème peut être définie comme la complexité
du meilleur algorithme permettant sa résolution.
1.3.1 Complexité algorithmique
La complexité algorithmique est un concept fondamental qui permet de mesurer les performances
d’un algorithme. Ces performances sont évaluées sur la base du temps alloué pour l’exécution
de l’algorithme ou encore par rapport à l’espace mémoire requis pour résoudre le problème.
Généralement, le temps d’exécution est le facteur dominant pour déterminer l’efficacité d’un
algorithme, pour cela, on se concentre principalement sur ce facteur.
La complexité temporelle d’un algorithme représente le nombre maximum d’opérations élémen-
taires effectuées pour résoudre un problème donné. Cette complexité se base essentiellement sur
la mesure d’un ordre de grandeur qui est évalué en fonction de la taille du problème n . La nota-
tion O est utilisé pour représenter cet ordre de grandeur. Par exemple, pour un algorithme donné,
si la solution est donnée en environ n opérations, on dit que l’algorithme a une complexité en
O (n).
Definition 1.3.1 Un algorithme est dit polynomiale si pour tout n , l’algorithme s’exécute en moins
de n k opérations élémentaires (k étant une constante).
En d’autres termes, un algorithme polynomial est un algorithme dont la complexité temporelle

est bornée par un polynôme p de n , O (p (n)) : par exemple O (n k ) avec k une constante.
Definition 1.3.2 Un algorithme est dit non-polynomial si le nombre d’opérations n’est pas borné
par un polynôme de n .
En d’autres termes, si le nombre d’opérations est borné par une forme exponentielle de la taille
de problème alors l’algorithme est dit non-polynomial ou exponentiel : par exemple O (a n ) avec
a > 1 une constante.
2. Le mot ”algorithme” vient du nom du mathématicien Al Khuwarizmi (latinisé au moyen-âge en Algoritmi) et
désigne un ensemble de règles opératoires dont l’application permet de résoudre un problème énoncé.
1.3.2 Complexité problématique
La complexité problématique dépend de la difficulté du problème à résoudre et du nombre d’opé-

rations élémentaires qu’un algorithme peut effectuer pour trouver l’optimum en fonction de la
taille du problème.
Selon Garey et Johnson [46], la théorie de complexité d’ problème d’optimisation se limite à la
seule étude de problème de décision. Celui-ci, aussi appelé problème de reconnaissance, est un
problème dont la résolution se limite à la réponse par « oui » ou par « non » à la question de
savoir s’il existe une solution à un problème donné.
Pour chaque problème d’optimisation, on peut associer un problème de décision défini par la
question suivante : « Existe-t-il une solution telle que son évaluation est majorée (Resp. minorée)
par une constante fixée ? ». Ceci est pour un problème d’optimisation, dont la fonction objectif
est la minimisation (resp. maximisation). Par exemple, dans un problème de type Flow-Shop
Fm ||Cma x ayant comme fonction objectif la minimisation du makespan, le problème de décision
associé est : « Existe-t-il un ordonnancement pour un Flow-Shop où le makespan est inférieur à
une certaine valeur z ».
Alors si la réponse a la question existe et est obtenue grâce à un algorithme polynomial alors il
existera un algorithme polynomial résolvant le problème d’optimisation associé. Cette propriété
nous permet de classer les problèmes d’optimisation grâce à leurs problèmes de décision. Ces
problèmes peuvent être classés en deux classes principales : la classe P et la classe NP.
— La classe P (Polynomiale) : les problèmes appartenant à la classe P sont ceux dont le
problème de décision correspondant peut être résolu à l’optimum, à l’aide d’un algorithme
en temps polynomial. C’est en quelque sorte la classe des problèmes dits « facile ».
— La classe NP (Non-deterministic Polynomial) : cette classe a un nom trompeur, NP ne
correspond pas à Non Polynomial, mais à Polynomial Non-déterministe ou en anglais «
Non-deterministic Polynomial ». Cette classe est une extension de la classe P, elle repré-
sente la classe des problèmes de décision pour lesquels un algorithme non-déterministe 3
peut vérifier en temps polynomial la validité d’une solution du problème traité.
La classe NP contient donc des problèmes plus « difficiles » que la classe P. Mais de même dans
la classe NP, on peut trouver des problèmes encore plus difficiles. Pour cette raison, la classe des
problèmes NP-complet a été créée. Pour définir la classe NP-Complet, il est intéressant de définir
la notion de réduction polynomiale.
Le concept de réduction consiste à convertir un problème en un autre dans le but de pouvoir utili-
ser la solution du second problème pour résoudre le problème initial. La réduction d’un problème
P1 vers un problème P2 est dite polynomiale si et seulement s’il existe un algorithme polynomial
construisant les données d’une instance de P2 à partir des données d’une instance quelconque
de P1, de sorte que la réponse à P1 soit « oui » si et seulement si la réponse à P2 est « oui ».
3. Un algorithme non-déterministe est un algorithme muni d’une instruction qui permette, chaque fois qu’elle ait
appliqué, de faire le bon choix.
1.3 LA THÉORIE DE LA COMPLEXITÉ 23
Ainsi, s’il existe un algorithme polynomial pour résoudre P2, il est facile d’en trouver un pour
résoudre P1. La réduction polynomiale de P1 en P2 est notée P1 ∝ P2, cette propriété est transi-
tive, c’est-à-dire si P1 ∝ P2 et P2 ∝ P3 alors P1 ∝ P3. De même, s’il n’existe pas un algorithme
polynomial pour P1 alors il n’existera pas non plus un algorithme en temps polynomial pour P2,
puisque P1 est un cas particulier du problème P2.
— La classe NP-complet : cette classe réunit l’ensemble des problèmes de décision qui n’ont
pas d’algorithmes polynomiaux connus pour leurs résolutions. En effet, un problème de
décision P est dit NP-complet, si :
— Il appartient à la classe NP
— Tout problème P′de la classe NP peut se réduire polynomialement à lui.
∀ P′∈ NP, P′∝ P
Certains auteurs font une distinction entre les problèmes faiblement NP-complet et les
problèmes fortement NP-complet. Un problème est dit NP-complet au sens faible si on peut
construire des algorithmes très efficaces appelés les algorithmes « pseudo-polynomiaux 4 »
. Dans le cas contraire, il est dit NP-complet au sens fort.
Definition 1.3.3 Un problème d’optimisation est dit NP-difficile au sens fort (resp. NP-difficile au
sens faible) si le problème de décision qui lui correspond est NP-complet au sens fort (resp. NP-complet
au sens faible).
Les différentes classes présentées précédemment ne sont que les principales classes dans la théo-
rie de la complexité. Pour plus amples détails et pour une présentation bien plus formelle, nous
conseillons le lecteur de se référer à [46].
1.3.3 Hiérarchie de complexité pour les problèmes d’ordonnancement
La théorie de la complexité représente un outil important dans la théorie d’ordonnancement puis-

qu’elle permet d’établir une classification des problèmes d’ordonnancement en plusieurs classes
de difficulté et donne une orientation sur la méthode de résolution de ces problèmes.
On utilisant la réduction polynomiale, une hiérarchie de complexité (aussi nommé l’arbre de
réduction) de certains problèmes d’ordonnancement peut être établie en fonction de l’environ-
nement machine, les contraintes ainsi que les critères. La figure 1.5 présente une hiérarchie de
la complexité en fonction de l’environnement machine. Cet arbre s’interprète de la manière sui-
vante : pour des contraintes données et pour un critère donné, si un problème est NP-difficile,
tous ses successeurs dans l’arbre le sont également. La même hiérarchie de complexité peut être
tracée pour les contraintes et les critères. Figure 1.6 présente la hiérarchie de complexité en fonc-
tion des contraintes alors que la figure 1.7 illustre la hiérarchie de complexité en fonction des
critères à optimiser. Ces deux arbres ont une interprétation similaire à celle d’arbre d’environne-
ment machine.
4. Un algorithme pseudo-polynomial est un algorithme dont la complexité est bornée par une fonction polyno-
miale de la représentation unaire des données du problème considéré
Figure 1.5 : Hiérarchie de complexité des problèmes d’ordonnancement en fonction de l’envi-

ronnement machine [42]
Figure 1.6 : Hiérarchie de complexité des problèmes d’ordonnancement en fonction des

contraintes [42]
En se basant sur les hiérarchies de complexité présentées par la figure 1.5 et 1.7, ainsi que les
résultats de la littérature, la classe de complexité des problèmes d’ordonnancement mono-critère
sans contraintes sont représenté dans le Tableau 1.6 où P représente la classe P, NP : classe NP-
difficile au sens fort et NP* : classe NP-difficile au sens faible.
Nous référons le lecteur au site web http://www2.informatik.uni-osnabrueck.de/knust/
class/ développé par Brucker et al. [17] pour des résultats de complexité des problèmes d’or-
donnancement mono-critère avec considération de contraintes. Pour la complexité des problèmes
d’ordonnancement multi-critère, le lecteur intéressé peut se référer à [127].
1.4 Conclusion
Dans ce chapitre, nous avons positionné l’ordonnancement dans le système de production, où

l’accent est mis sur son importance cruciale dans le processus de production. Nous avons présenté
les différentes notations, définitions, classification des problèmes d’ordonnancement, ainsi que
1.4 CONCLUSION 25
Figure 1.7 : Hiérarchie de complexité des problèmes d’ordonnancement en fonction des critères
[106]
Table 1.6 : Classe de complexité des problèmes d’ordonnancement mono-critère

∑ ∑ ∑ ∑ ∑ ∑
Critères Cma x Lma x Ci wi Ci Ti wi Ti Ui wi Ui
Une seule machine P P P P NP* NP P NP*
P NP NP P NP NP NP NP NP
Machines parallèles Q NP NP P NP NP NP NP NP
R NP NP P NP NP NP NP NP
Problèmes
Flow-Shop NP NP NP NP NP NP NP NP
Job-Shop NP NP NP NP NP NP NP NP
Open-Shop NP NP NP NP NP NP NP NP
Flow-Shop hybride NP NP NP NP NP NP NP NP
Job-Shop flexible NP NP NP NP NP NP NP NP
Open-Shop géneralisé NP NP NP NP NP NP NP NP
les types et les représentations des ordonnancements. Nous avons exposé à la fin de ce chapitre
la complexité des problèmes d’optimisation et nous avons mentionné que l’étude de complexité
des problèmes d’ordonnancement conduit au choix de leurs méthodes de résolution. Donc, il est
essentiel d’identifier la classe de complexité de ces problèmes. Si le problème d’ordonnancement
appartient à la classe P donc il dispose d’un algorithme polynomial spécifique qui permette de le
résoudre. Sinon, si le problème appartient à la classe NP-difficile alors pour l’appréhender, diffé-
rentes méthodes de résolution sont proposées dans la littérature. Le chapitre suivant permettra
d’expliciter ces méthodes.
Chapitre 2
Techniques d’optimisation
Les méthodes exploitées dans la résolution des problèmes d’ordonnancement sont généralement
celles de la discipline de la recherche opérationnelle. Cette dernière regroupe différentes mé-
thodes et techniques pour la résolution des problèmes d’optimisation combinatoire.
Dans ce chapitre, nous allons passer en revue les méthodes les plus connues en les répertoriant en
méthodes exactes et méthodes approchées. Pour chaque méthode, l’idée générale est rapportée.
Plus de détails ne sont donnés que pour les méthodes que nous utilisons dans notre étude. La
plupart des références données concernent la résolution des problèmes d’ordonnancement Flow-
Shop avec ou sans contraintes.
La section 2.1 concerne les méthodes exactes qui tentent de trouver des solutions optimales aux
problèmes d’optimisation, en particulier les problèmes d’ordonnancement. La section 2.2 pré-
sente les méthodes approchées qui sont utilisés comme une alternative aux méthodes exactes
pour trouver de bonnes solutions. La section 2.3 concerne les méthodes hybrides qui représentent
une combinaison de plusieurs méthodes (exactes et/ou approchées).
2.1 Méthodes exactes
Les méthodes exactes sont celles qui nous permettent de fournir une solution optimale pour les
problèmes d’optimisation combinatoire, grâce à une exploration intelligente de l’espace des solu-
tions. Ces méthodes se caractérisent par un temps de calcul souvent exponentiel, ce qui explique
qu’elles ne sont utilisables que pour des problèmes de petites tailles. Les méthodes les plus cou-
ramment utilisées sont : la méthode de séparation et évaluation, la programmation dynamique
et la programmation linéaire. Ces méthodes sont décrites dans les sous-sections suivantes.
28 CHAPITRE 2 : TECHNIQUES D’OPTIMISATION
2.1.1 Méthode de séparation et évaluation
La méthode de séparation et évaluation, plus connue sous son appellation anglaise Branch and
Bound (B & B) est considérée parmi les méthodes exactes les plus reconnues dans la résolution
optimale des problèmes d’optimisation combinatoires. Cette méthode est basée sur une énumé-
ration implicite et intelligente de l’ensemble des solutions, mais l’analyse des propriétés du pro-
blème évite l’énumération de larges classes ne contenant pas de solution optimale. En d’autres
termes, seulement les solutions potentiellement bonnes seront énumérées.
Le principe de cette méthode repose comme son nom l’indique sur deux notions clé : la sépara-
tion et l’évaluation. La séparation consiste à décomposer l’ensemble des solutions en plusieurs
sous-ensembles qui sont décomposés à leur tour selon une démarche itérative. Ce processus peut
se visualiser sous la forme d’un arbre d’énumération ou les nœuds de l’arbre correspondent aux
sous-ensembles et les feuilles correspondent à des solutions réalisables. Pour accélérer la re-
cherche de la solution optimale en évitant l’exploration inutile de certains nœuds, on utilise une
procédure d’évaluation. Cette dernière réduit le nombre de solutions explorées en permettant de
prouver mathématiquement que l’ensemble des solutions réalisables associées à un des nœuds
de l’arbre ne contient pas une solution intéressante pour le problème initial. Pour cela, la mé-
thode la plus générale consiste à déterminer une borne inférieure (dans le cas des problèmes de
minimisation) ou une propriété de dominance pour confirmer qu’une branche ne contient pas de
solution optimale.
Cette méthode a été introduite pour la première fois par Dantzig et al. [28] pour la résolution du
problème du voyageur de commerce. Depuis, des centaines, voire des milliers de procédures par
séparation et évaluation ont été proposées pour des problèmes d’ordonnancement dont on peut
citer [20, 89].
2.1.2 Programmation dynamique
La programmation dynamique est considérée comme une approche permettant de concevoir des
méthodologies robustes de résolution exacte des problèmes d’optimisation combinatoire dont la
fonction objectif présente une propriété dite de décomposabilité [91]. Cette méthode a été initiée
par Richard Bellman dans les années cinquantes [10] dans le cadre d’une recherche du plus court
chemin dans un graphe. Elle est conçue principalement pour la résolution de certains problèmes
qui présentent certaines caractéristiques permettant leur résolution à l’aide d’une formule de
récurrence. Son efficacité repose sur le principe d’optimalité, dit de Bellman « Toute politique
optimale est composée de sous politiques optimales ».
Alors, le principe de la programmation dynamique est de transformer la résolution d’un problème
P en résolution d’une série de sous-problèmes (P0 , P1 , ..., Pn ) liés par une relation de récurrence
portant sur la valeur de la fonction objectif. Les informations obtenues lors de la résolution des
sous-problèmes P0 à Pk −1 sont utilisées pour résoudre de façon optimale le sous-problème Pk .
2.1 MÉTHODES EXACTES 29
Ainsi, pour obtenir la solution optimale du problème P , il suffit de revenir en arrière (Pn , ..., P0 ) à
travers l’ensemble des décisions prises et stockées à chaque résolution de sous-problème, comme
le montre la figure 2.1.
Cette méthode peut s’avérer couteuse en temps et en mémoire. Cependant, elle permet de fournir
des algorithmes polynomiaux et pseudo-polynomiaux pour des cas particuliers [1].
Comme exemples d’utilisation de la programmation dynamique pour l’ordonnancent d’atelier
Flow-Shop, nous citons les travaux de [102, 133]
Figure 2.1 : Schéma de la programmation dynamique
2.1.3 Programmation linéaire
La programmation linéaire (PL) est l’une des méthodes les plus puissantes en recherche opéra-
tionnelle. Elle se base sur la modélisation mathématique du problème. Son utilisation demande
que le problème posé puisse se ramener à un programme linéaire, ce dernier se compose d’une
fonction linéaire à optimiser (maximiser ou minimiser) désignant l’objectif du problème et d’un
ensemble d’équations et/ou d’inéquations linéaires représentant les contraintes imposées par le
problème.
Généralement, dans le processus de modélisation d’un problème, nous commençons par la dé-
finition des variables de décision. En ordonnancement, ces variables peuvent être des variables
indexées par le temps (variables temporelles) indiquant si un job est en train d’être exécuté à un
instant t , des variables de précédence indiquant si deux jobs se précèdent dans une séquence et
des variables de positions indiquant si un job est en position k dans une séquence [21]. La figure
2.2 montre un exemple de ces trois variables sur une séquence de cinq jobs.
Un modèle linéaire peut s’exprimer sous la forme compacte suivante :
 ∑n

 M a x i =1 c i X i

 s .c .
∑n

 i =1 a i X i ¾ bi


Xi ¾ 0
Figure 2.2 : Exemple de variables de décision
Suivant l’ensemble de définition des variables, nous distinguons trois types pour cette méthode :
— Programme linéaire continu si les variables sont des nombres réels.
— Programme linéaire en nombres entiers si les variables sont des entiers.
— Programme linéaire en nombres mixtes si les variables sont des entiers et des réels.
La résolution exacte des problèmes linéaires à variables continues utilise des méthodes telles que
la méthode de simplexe [29], ou la méthode des points intérieurs. Lorsqu’il y a des variables
discrètes, on parle de programmes linéaires en nombre entiers (PLNE ou IP) ou encore des pro-
grammes linéaires à variables mixtes (PLM ou MIP). Pour résoudre ces problèmes, des approches
polyédriques sont utilisées telle que la génération de coupes [50] ou des méthodes issues de l’in-
telligence artificielle (programmation par contraintes, et des relaxations diverses).
Grâce aux progrès de l’informatique, l’offre de logiciels commerciaux permettant de résoudre des
programmes linéaires a considérablement augmenté. Parmi ces logiciels, on peut citer CPLEX,
XPRESS, GAMS.
Parmi les modèles linéaires proposés pour la résolution des problèmes d’ordonnancement de type
Flow-Shop classique, nous citons le modèle de Wagner [136], Wilson [140], Manne [88] et Liao
et al. [86].
Dans Tseng et al. [131] une étude a été menée pour comparer les quatre modèles cités précé-
demment. Les auteurs utilisent le temps de calcul nécessaire pour chaque modèle pour trouver
2.2 MÉTHODES APPROCHÉES 31
la solution optimale comme critère pour comparer les modèles linéaires. Les résultats obtenus
sont les suivants : le modèle de Wagner est le meilleur modèle linéaire suivi du modèle de Wil-
son comme la deuxième meilleure formulation mathématique pour le problème Flow-Shop de
permutation et au final le modèle de Manne traîne derrière le modèle de Liao et You.
Nous citons aussi quelques références utilisant la programmation linéaire pour la résolution des
problèmes Flow-Shop sous divers contraintes [7, 39, 130]. En particulier, Trabelsi et al. [130] ont
proposé un modèle mathématique linéaire en nombres entiers à base de variables de position
pour résoudre le problème Flow-Shop sous contraintes de blocage.
Ces méthodes exactes sont souvent utilisées pour pouvoir évaluer l’erreur que commettent les
méthodes approchées qui donnent beaucoup plus rapidement une solution aux problèmes consi-
dérés.
2.2 Méthodes approchées
Les difficultés rencontrées par les méthodes exactes pour la résolution des problèmes d’optimisat-
ion de grande taille en un temps raisonnable ont incité les chercheurs à trouver des alternatives
connues sous l’appellation : méthodes approchées. Ces méthodes nous permettent de trouver
une solution acceptable en un temps de calcul raisonnable. La performance de telles méthodes
est généralement donnée par l’estimation du pourcentage d’erreur entre la valeur de la solution
fournie et la valeur de la solution optimale si elle est calculable. Dans les cas où la solution
optimale est non calculable, il est également possible d’étudier et d’évaluer expérimentalement
le comportement d’une méthode en comparant ses performances soit à celles d’autres méthodes,
soit à des bornes inférieures.
Lorsque ces méthodes sont conçues de manière simple, rapide et ciblée sur un problème particu-
lier, on les appelle heuristiques. Cependant, lorsque celles-ci sont générales, adaptables et appli-
cables à plusieurs catégories de problèmes d’optimisation combinatoire, elles portent le nom de
métaheuristiques.
2.2.1 Heuristiques
Les heuristiques sont des méthodes empiriques qui cherchent de bonnes solutions à un coût
raisonnable sans être en mesure de garantir l’optimalité. Ces méthodes se basent sur des règles
simplifiées pour optimiser un ou plusieurs critères. Leur principe général est d’intégrer des straté-
gies de décision pour construire une solution proche de l’optimum. Les heuristiques sont souvent
utilisées pour des problèmes particulaires, de sort qu’une méthode qui est destinée à résoudre un
problème donné ne peut pas être utilisée pour résoudre un autre problème.
Parmi ces heuristiques, on peut citer l’algorithme de Johnson [65] développée dans le cadre de la
recherche d’une séquence de durée minimale dans un atelier de type Flow-Shop de permutation
à deux machines et l’algorithme NEH [97] pour Fm ||Cma x .

Nous retrouvons également parmi les heuristiques les plus couramment utilisées, les algorithmes
de liste dont le principe consiste à trier la liste des tâches selon une stratégie de décision appelée
« règles de priorité » telle que SPT (Shortest Processing Time), LPT (Longest Processing Time),
EDD (Earliest Due Date), FIFO (First In First Out), LIFO (Last In Last Out), FAM (First Available
Machine), etc.
Les règles de priorité sont des règles qui définit les priorités entre les travaux en attente de trai-
tement. Chaque fois qu’une machine devient inactive, une règle de priorité inspecte les travaux
en attente et sélectionne celui avec la plus haute priorité.
La recherche sur les règles de priorité est active depuis plusieurs décennies et de nombreuses
règles ont été élaborées et étudiées dans la littérature. Aussi, des approches permettant de com-
biner, par agrégation, différentes règles élémentaires afin de réaliser des compromis pour tenter
de satisfaire des objectifs multiples ont également été développées dont nous citons, la concaténa-
tion de l’algorithme de Johnson [65] avec la règle FAM pour résoudre le problème Flow-Shop hy-
bride à deux étages, nous retrouvons aussi l’application de la règle LPT avec FAM pour résoudre
le problème P ||Cma x , cette dernière consiste à ordonner les tâches selon l’ordre décroissant de
leurs temps opératoires et à affecter chaque tâche à la première machine libre.
Les heuristiques sont des méthodes de résolution non fondées sur un modèle formel et qui
fournissent rapidement (en temps polynomial) une solution réalisable, pas nécessairement op-
timale. Elles se distinguent par leur rapidité et leur grande simplicité. Parfois, ces heuristiques
peuvent donner de solutions optimales pour des problèmes particuliers en ordonnancement. A
titre d’example, SPT qui consiste à séquencer les tâches dans l’ordre croissant des durées opé-
∑
ratoires est optimale pour 1|| Ci [122], EDD qui consiste à séquencer les tâches dans l’ordre
croissant des dates de fin au plus tard est optimale pour 1||L ma x et 1||Tma x [61], l’algorithme de
Johnson [65] est optimale pour F2 ||Cma x , etc.
2.2.2 Metaheuristiques
Les métaheuristiques sont des techniques puissantes et généralement applicable à un grand

nombre de problèmes. Formellement, une métaheuristique fait référence à une stratégie de maître
interactif qui guide et modifie les opérations heuristiques subordonnées en combinant intelligem-
ment différents concepts pour explorer et exploiter tout l’espace de recherche. Des stratégies
d’apprentissage sont utilisées pour structurer l’information afin de trouver efficacement des so-
lutions optimales, ou proches de d’optimales [100]. Les performances de ce type de méthodes
dépendent de la qualité de la solution obtenue et du temps de calcul nécessaire.
Les métaheuristiques n’offrent généralement pas de garantie d’optimalité, mais leur succès est dû
à la capacité de résoudre en pratiques certains problèmes difficiles. Ces méthodes ont en commun
un certain nombre d’avantages [14, 35] :
— Elles sont souvent inspirées par des analogies avec la physique (recuit simulé), avec la
biologie (algorithmes génétiques, recherche tabou, etc) ou avec l’éthologie (colonies de
fourmis, essaims particulaires).
— Certaines de ces méthodes se caractérisent par un effet stochastique. Cet effet possède
l’avantage de diversification des différentes solutions explorées au cours du processus de
calcul.
— Elles sont souvent d’origine discrète à l’exception de certaines comme les essaims de par-
ticules.
— La combinaison de deux méthodes approchées ou plus est généralement permise.
Elles partagent aussi les mêmes inconvénients suivants :
— Difficulté de réglage des paramètres.
— Temps de calcul parfois élevé.
Les métaheuristiques sont habituellement classées en fonction du nombre de solutions qu’elles
manipulent : les métaheuristiques à solution unique telles que le recuit simulé et la recherche
tabou, et les métaheuristiques à population de solutions telles que les algorithmes génétiques,
optimisation par essaims particulaires, les colonies de fourmis, etc.
2.2.2.1 Métaheuristiques à solution unique
Les métaheuristiques à solution unique appelées aussi méthodes de recherche locale ou méthodes
de trajectoire, se basent sur la notion de voisinage qui représente un ensemble de solutions obte-
nues à partir d’une solution donnée en effectuant un certain nombre de transformations. Le but
de ces transformations locales est d’explorer le voisinage de la solution courante afin d’améliorer
progressivement sa qualité au cours des différentes itérations. Comme le montre la figure 2.3, ces
techniques tendent à trouver l’optimum global (G) sans être piégé par les optima locaux (L).
Figure 2.3 : Optima local et global
Il existe un grand nombre de méthodes à recherche locale. Les plus répondues sont présentées
par la suite.
2.2.2.1.1 Le Recuit Simulé
Le recuit simulé (SA : Simulated Annealing) est une métaheuristique connue pour être la plus
ancienne [15]. Elle a été indroduite par Kirkpatrick et al. [72] pour résoudre des problème d’opti-
misation combinatoire, mais les origines de la méthode remontent aux expériences réalisées par
Metropolis et al. [90].
Cette méthode est inspirée d’un processus utilisé en métallurgie dont le principe consiste à por-
ter un métal à une température très élevée, puis à le refroidir très lentement. Cela permet la
solidification du métal dans une structure d’énergie minimale.
La méthode du recuit simulé transpose le processus du recuit à la résolution d’un problème d’op-
timisation là où une solution est associée à un état du métal, son équilibre thermodynamique est
la valeur de la fonction objectif de cette solution. Passer d’un état du métal à un autre correspond
à passer d’une solution à une solution voisine.
En optimisation, le principe de cette méthode repose sur une procédure itérative qui cherche des
solutions de coûts plus faibles tout en acceptant de manière contrôlée des solutions qui dégradent
la fonction objectif. À chaque itération, une nouvelle solution s ′ est choisie parmi l’ensemble
des voisins N (s ) de la solution courante s . Les nouvelles solutions sont toujours acceptées si le
coût de la fonction objectif diminue, c’est-à-dire si f (s ′) ≤ f (s ) avec f (s ) le coût de la fonction
objectif associée à la solution s . Dans le cas contraire, la solution s ′ est acceptée ou rejetée selon
la probabilité de Métropolis [90]. Soit ∆ f = f (s ′) − f (s ) la différence entre les fonctions objectifs
de la nouvelle solution f (s ′) et la solution courante f (s ).
L’acceptation d’une solution est déterminée de la façon suivante : on choisit un nombre aléatoire,
noté q , de l’intervalle [0, 1] que l’on compare avec la probabilité
p r o b (∆f , T ) = exp(−∆f /k .T )
où T est un paramètre de contrôle appelé la température et k est la constante dite de Boltzmann.

Si q ≤ p r o b (∆f , T ) alors la nouvelle solution est adoptée comme solution courante. Autrement,
la nouvelle solution est rejetée.
La probabilité p r o b (∆f , T ) dépend essentiellement de deux facteurs :
— De l’importance de la dégradation ∆f , les dégradations plus faibles sont plus facilement
acceptées.
— D’un paramètre de contrôle T (la température), une température élevée correspond à une
probabilité plus grande d’accepter des dégradations.
L’acceptation des solutions moins bonnes permet à l’algorithme de sortir d’optima locaux. Cette
procédure est répétée pendant un nombre spécifié de cycles jusqu’à atteindre un quasi-équilibre.
La température est ensuite diminuée et une nouvelle itération est exécutée. En pratique, l’algo-
rithme s’arrête lorsque soit la température est plus petite qu’une certaine valeur Tf appelée la
température finale, soit lorsque aucune configuration voisine n’a été acceptée pendant un certain
nombre d’itérations [141]. Ce principe peut se résumer par l’algorithme 1.
Algorithme 1 Pseudo code de la méthode du Recuit Simulé.
Début
1: s ← s0 ◃ s0 est la solution initiale
2: T ← T0 ◃ T0 est la température initiale du système
3: Tant que T > Tf
4: Générer une solution s ′ ∈ N (s ) aléatoirement
5: Calculer ∆ f = f (s ′) − f (s )
6: if ∆f ≤ 0 then
7: s ← s′
8: else
9: Calculer p r o b (∆f , T ) ← exp(−∆ f /T )
10 : Générer q uniformément dans l’intervalle [0, 1]
11 : if q < p r o b (∆f , T ) then
12 : s ← s′
13 : else
14 : s ′ est rejetée
15 : end if
16 : end if
17 : T ←T ×θ ◃ 0 < θ < 1 coefficient de refroidissement
18 : Fin Tant que
Fin
Parmi les difficultés de cette méthode est la détermination de la valeur initiale de la température
T0 et le coefficient de refroidissement de la température θ . Le réglage de ces paramètres est assez
délicat et repose sur des essais. L’avantage est la flexibilité concernant les évolutions du problème
et la facilité de mise en œuvre.
Les algorithmes de recuit simulé sont largement utilisés pour les problèmes d’ordonnancement.
En 1989, Osman et al. [101] ont proposé un algorithme de recuit simulé afin de minimiser le
makespan dans un environnement de type Flow-Shop de permutation, les résultats obtenus
montrent l’efficacité de l’algorithme proposé par rapport à des heuristiques constructives bien
connue. Blazewicz et al. [12] ont développé un algorithme de recuit simulé pour un problème d’or-
donnancement d’atelier de type Flow-Shop avec une contrainte de disponibilité de ressources.
2.2.2.1.2 La recherche tabou
La recherche tabou (TS : Tabu Search) est une métaheuristique d’optimisation proposé par Glo-
ver en 1990 [47]. Son idée de base consiste à introduire la notion de mémoire dans la politique
d’exploration de voisinage. Cette idée est inspirée de la mémoire humaine.
La recherche tabou est une procédure itérative qui, partant d’une solution initiale (cette solution
peut être construite par une heuristique ou générée aléatoirement) tente de converger vers la
meilleur solution en exécutant à chaque itération un mouvement dans l’espace de recherche.
Chaque itération consiste d’abord à engendrer un ensemble de solutions voisines de la solution
courante pour ensuite en choisir la meilleure.
La recherche tabou utilise une mémoire afin de conserver pendant un moment les informations
sur les solutions déjà visitées. Ces informations sont déclaré taboues et elles sont stockées dans
une liste de longueur donnée, appelée la « liste des tabous » ou la « mémoire tabou » (qui a donné
le nom à la méthode). Les informations données par la liste tabou sont utilisées pour établir une
restriction appelée « restriction tabou », qui permet de classer certains mouvements comme étant
interdits et permet ainsi d’éviter de retourner à des solutions déjà visitées dans un passé récent
(phénomène de cyclage).
La procédure s’arrête lorsqu’une condition d’arrêt est satisfaite, généralement après un nombre
fixé d’itérations ou encore après un nombre d’itérations sans amélioration de la solution. Pour
certains problèmes d’optimisation, la recherche tabou donne de bons résultats. De plus, dans
sa forme de base, la méthode contient moins de paramètres que le recuit simulé, ce qui la rend
simple à utiliser. Pour plus de détails sur les différents paramètres de la recherche tabou, nous
renvoyons le lecteur à l’article de Glover et al. [48].
L’algorithme 2 décrit le schéma général de la recherche tabou.
Algorithme 2 Pseudo code de la recherche tabou.
Début
1: s ← s0 ◃ s0 est la solution initiale
2: L = {} ◃ la liste des tabous est vide initialement
3: Tant que la condition d’arrêt n’est pas vérifiée
4: Générer un ensemble N ′ ⊆ N (s ) de solution voisines de s
5: Choisir la meilleur solution s ′ ∈ N ′ telle que s ′ ∈/ L
6: Mettre à jour la liste L des solutions taboues
7: s ← s′
8: Fin Tant que
Fin
Les algorithmes de recherche tabou ont été appliqués pour résoudre les problèmes d’ordonnan-
cement dans les environnements de production Flow-Shop, comme le travail de Taillard [123],
celui de Nowicki et al. [99] et celui de Chen et al. [23] en 2008.
2.2.2.2 Métaheuristiques à base de population
Contrairement aux méthodes de recherche locale qui font intervenir une solution unique, les
méthodes à base de population de solutions ou méthodes de recherche globale manipulent une
panoplie de solutions réalisable à chacune des étapes du processus de recherche. L’idée cen-
trale consiste à utiliser régulièrement les propriétés collectives d’un ensemble de solutions dis-
tinguables, appelé population, dans le but de guider efficacement la recherche vers de bonnes
solutions dans l’espace de recherche.
Ces méthodes se différencient par leur manière de représenter les problèmes à résoudre et par
leur façon de faire évoluer la population d’une génération à l’autre. Une grande variété de mé-
taheuristiques basées sur une population de solutions ont été proposées dans la littérature pour
résoudre les problèmes d’optimisation, tel que : les algorithmes génétiques [58], les algorithmes
de colonies de fourmis [34], Les algorithmes de recherche Cuckoo [144], les algorithmes d’opti-
misation par essaim de particules [71], les algorithmes de la colonie d’abeilles [70], etc.
Dans ce qui suit, nous présentons, un peu plus en détails les métaheuristiques utilisées dans le
cadre de cette thèse, notamment les algorithmes génétiques et les algorithmes d’optimisation par
essaim de particules.
2.2.2.2.1 Les algorithmes génétiques
Les algorithmes génétiques (AG) font partie de la famille des algorithmes évolutionnaires inspirés
par l’évolution biologique des espèces. Ils ont été introduits par Holland [58] de l’université du
Michigan en 1975 dans l’ouvrage ”Adaptation of Natural and Artificial System”. L’utilisation de
ces algorithmes pour résoudre des problèmes d’optimisation a été développée initialement par
Goldberg [57]. Suite à la publication de Goldberg, un intérêt scientifique croissant a été marqué
pour cette technique d’optimisation.
Ces algorithmes génétiques se basent sur le concept d’une évolution biologique, dans laquelle la
forme physique de l’individu détermine sa capacité de survivre et de reproduire. Leur principe
est donc une transposition artificielle des concepts de la génétiques et des lois de survie énoncé
par Charles Darwin.
Par analogie à la génétique, les algorithmes génétiques partent d’une population initiale d’in-
dividus, de taille bien déterminée, de solutions admissibles. Les solutions sont aussi appelées
individus ou chromosomes. Chaque individu est codé par des chaînes de symboles et caractérisé
par un fitness (une sorte de mesure d’adaptation au milieu). Chaque individu de la population
est donc évalué afin de mesurer ces performances ou son adaptation. Par la suite, la structure de
la population change en appliquant des évolutions progressives sur plusieurs générations. Pen-
dant chaque génération, des nouveaux individus sont générés par les opérateurs de sélection,
de croisement et de mutation. Dans la phase de la sélection, les parents les plus adaptés sont
choisis, ensuite un opérateur de croisement est appliqué aux parents pour produire des enfants.
L’opérateur de mutation est appliqué par la suite avec une certaine probabilité sur les nouveaux
individus dont le but de modifié légèrement le code génétique de l’individu. Ainsi, seuls les indi-
vidus les plus performants sont gardés pour former la population de la génération suivante. Le
processus est répété jusqu’à ce que les conditions d’arrêts soient satisfaites.
Afin d’expliciter le fonctionnement des algorithmes génétiques, nous présentons dans la suite
de cette section les différentes étapes d’un algorithme génétique standard qui sont illustrées par
l’algorithme 3.
Algorithme 3 Structure générale d’un algorithme génétique
Début
1: Initialiser les paramètres de l’algorithme génétique.
2: Générer la population initiale.
3: Tant que critère d’arrêt non satisfait
4: Évaluer les individus.
5: Choisir les parents en se basant sur une stratégie de sélection.
6: Appliquer l’opérateur de croisement avec un taux de croisement associé.
7: Appliquer l’opérateur de mutation avec un taux de mutation associé.
8: Remplacement de la population
9: Fin Tant que
10 : Retourner le meilleur individu.
Fin
1. Codage
Le codage est une fonction qui permet de passer de la donnée réelle du problème traité
à la donnée utilisée par l’algorithme génétique. Le choix du codage est l’élément le plus
important dans la conception de l’algorithme puisqu’il permet d’une part de représenter
les données, les paramètres et les solutions et d’autre part, il influe sur la mise en œuvre des
opérations génétique telles que le croisement et la mutation qui influent directement sur le
bon déroulement de l’algorithme génétique et de son convergence vers la bonne solution.
Plusieurs types de codage sont utilisés pour coder les individus, on distingue :
— Codage binaire : ce codage a été le premier à être utilisé dans les algorithmes génétiques,
où chaque gène peut prendre seulement les valeurs 0 ou 1.
— Codage réel : contrairement au codage binaire, le codage réel associe à chaque gène une
valeur réelle.
— Codage de permutation : dans ce codage, les chromosomes contiennent typiquement une
séquence de gènes où les gènes sont des nombres entiers ou des lettres, dans laquelle
l’ordre est significatif. Ce type de codage est bien adapté aux problèmes d’ordonnance-
ment.
2. Population initiale
Une fois le codage choisi, une population initiale formée de solutions admissibles du pro-
blème doit être généré. Cette étape est très importante, car elle affecte la qualité de la
solution d’une part et le nombre de générations au bout duquel on obtient de bonnes solu-
tions d’autre part [119]. Plusieurs mécanismes de génération de la population initiale sont
utilisés dans la littérature. La méthode la plus classique consiste à générer aléatoirement

les individus constituant la population initiale. Cette méthode répond à la nécessité d’avoir
une population variée permettant d’explorer des zones diverses de l’espace de recherche.
Cependant, la population peut être aussi générée à l’aide des méthodes heuristiques ou bien
un pourcentage avec des méthodes heuristiques et le reste aléatoirement, et cela, dans le
but d’accélérer la convergence de l’algorithme génétique, et en même temps de garder une
diversité nécessaire de la population initiale.
La génération de la population initiale concerne aussi bien la taille de la population que la
manière dont elle est générée. Nous revenons sur ce point dans chapitre 5.
3. Évaluation
Une fois que la population est initialisée ou une nouvelle population est créée, une fonc-
tion d’évaluation est introduite afin de mesurer les performances de chaque individu de la
population qui correspond à une solution donnée du problème à résoudre. Cette fonction
correspond au profit ou à l’utilité de la solution par rapport au problème. Elle permet de
quantifier la capacité d’un individu à survivre en lui affectant un poids couramment appelé
« fitness ».
4. Sélection
La sélection est un procédé qui permet d’identifier les individus répondant au mieux au
problème étudié, c’est-à-dire, que chaque individus est choisi en fonction de sa valeur
d’évaluation. Ce procédé ne permet pas de créer de nouveaux individus, mais de privi-
légier les individus en fonction de leur valeur d’évaluation, et cela, afin de se présenter au
croisement et à la mutation (reproduction).
Dans l’algorithme génétique, il existe de nombreuses techniques de sélection. Nous pré-
sentons ci-dessous les techniques les plus utilisées :
— Sélection par roulette : pour chaque individu, la probabilité d’être sélectionné est propor-
tionnelle à son adaptation au problème. Donc plus les individus sont adaptés au pro-
blème, plus ils ont de la chance d’être sélectionnés. Afin de sélectionner un individu,
on utilise le principe de la roue de loterie biaisée. Cette roue est une roue de la fortune
classique sur laquelle chaque individu est représenté par une portion proportionnelle à
son adaptation, son ”fitness”. La roue étant lancée, l’individu sélectionné est celui sur
lequel la roue s’est arrêtée. Cette méthode favorise les meilleurs individus, mais tous les
individus conservent néanmoins des chances d’être sélectionnés.
— Sélection par rang : cette sélection permet de classer la population suivant la fonction
d’adaptation, chaque individu de la population se voit accorder un rang. Le plus mauvais
individu est dans le rang 1 et le meilleur individu et dans le rang n (pour une population
de n individus), c’est-à-dire que plus l’individu est bon, plus son rang est élevé. Le prin-
cipe de la sélection par rang est similaire à la sélection par roulette, la différence est que
la proportion est calculée sur les rangs et non sur la valeur de la fonction d’adaptation.
— Sélection par tournoi : cette méthode consiste à choisir aléatoirement deux ou plusieurs
individus de la population, puis à sélectionner le meilleur individu dans ce groupe en
fonction de son fitness. Ce processus est répété à chaque fois, avec ou sans remise,
jusqu’à ce que le nombre d’individus nécessaires pour le croisement soit atteint (en
d’autre terme, jusqu’à l’obtention de n individus, avec n la taille de la population).
5. Croisement
L’opération de croisement permet de simuler la reproduction d’individus pour créer de

nouvelles solutions. Le croisement consiste donc à générer à partir de deux individus sé-
lectionnés (parents), un ou deux nouvelles solutions fils composés chacune d’une partie des
caractéristiques de leurs parents. Le croisement se fait généralement avec des opérateurs
de croisement et le choix d’un opérateur dépend du codage adapté et les caractéristiques
du problème traité. Parmi les opérateurs de croisement les plus connus dans la littérature,
nous citons :
— Croisement à un point : cette opérateur consiste à diviser chacun des deux parents en
deux parties à la même position p (1 ≤ p ≤ l ) choisie aléatoirement avec l la longueur du

chromosome et à recopier la partie inférieure du parent 1, ..., p à l’enfant et à compléter
les gènes manquants de l’enfant à partir de l’autre parent en maintenant l’ordre des
gènes.
— Croisement à deux points : ce type de croisement est utilisé en choisissant aléatoirement
deux points de coupure pour dissocier chaque parent en 3 fragments. Les deux frag-
ments en extrémités pour le parent 1 (respectivement parent 2) sont copiés à l’enfant 1
(respectivement enfant 2). La partie restante de l’enfant 1 est complété par les éléments
du parent 2 et la partie restante de l’enfant 2 est complété par les éléments du parent 1
en balayant de gauche à droite et en ne reprenant que les éléments non encore transmis.
Dans le but de garder quelques individus parents dans la prochaine population, une pro-
babilité de croisement notée Pc est associe à l’algorithme génétique qui permet de décider
si les parents seront croisés entre eux ou s’ils seront tout simplement recopiés dans la po-
pulation suivante.
6. Mutation
La mutation permet de maintenir la diversité qui empêche la dégénérescence des solutions

entre elles dans la population. L’opérateur de mutation apporte donc aux algorithmes géné-
tiques la propriété d’ergodicité de parcours d’espace de solutions. Cette propriété indique
que l’algorithme génétique sera susceptible d’atteindre tout les points de l’espace de re-
cherche, sans pour autant les parcourir tous dans le processus de résolution [36]. L’opéra-
teur de mutation joue le rôle d’un élément perturbateur qui consiste en un changement au
niveau des gènes d’un individu choisi avec une certaine probabilité pm appelée la probabi-
lité ou le taux de mutation. Selon la littérature, le taux de mutation est généralement faible
puisqu’un taux élevé risque de conduire à une marche aléatoire dans l’espace de recherche.
Comme pour le croisement, de nombreuses méthodes de mutation ont été développés dans
la littérature, nous citons les plus connues :
— Mutation par échange : cet opérateur de mutation permet de sélectionner deux gènes et
les inter-changer.
— Mutation par insertion : cet opérateur consiste à sélectionner au hasard un gène et une
position dans le chromosome à muter, puis à insérer le gène en question dans la position
choisie.
— Mutation par inversion : cet opérateur consiste à choisir aléatoirement deux points de
coupure et inverser les positions des gènes situés au milieu.
7. Remplacement
L’opérateur de remplacement consiste à choisir les individus qui vont constituer la géné-
ration suivante. Deux principaux types sont distingués dans la littérature :
— Remplacement stationnaire : ce type de remplacement est le plus simple dans lequel la po-
pulation des enfants remplace automatiquement la population des parents sans prendre
en considération leurs performances respectives. Dans ce type de remplacement, deux
façons différentes sont mises en œuvre :
— la première se contente de remplacer l’intégralité de la population des parents par
la population des enfants, cette méthode est connue sous le nom de remplacement
générationnel.
— la deuxième consiste à choisir une certaine proportion d’individus d’enfants qui rem-
placeront leurs parents (proportion égale à 100 % dans le cas du remplacement gé-
nérationnel).
— Remplacement élitiste : le facteur performance est pris en compte dans cette stratégie
qui consiste a garder au moins l’individu le plus performant lors du passage d’une gé-
nération à la suivante.
8. Critère d’arrêt
Le critère d’arrêt détermine quand le processus génétique arrête d’évoluer. Ce critère peut
être de nature diverse, par exemple :
— Un nombre maximum de générations fixées au départ est atteint.
— Un certain temps de calcul à ne pas dépasser.
— Un état de stagnation de la population, c’est-à-dire que l’algorithme arrête s’il n’y a pas
un changement de la fonction fitness d’une population pour un nombre de générations
spécifier.
Cette métaheuristique a été largement utilisé pour résoudre les problèmes d’ordonnancement, et
plus particulièrement les problèmes d’atelier Flow-Shop. Nous citons à titre d’exemple les travaux
de [22, 59, 94, 110, 112, 130, 145]. Ruiz et al. [116] ont proposé deux algorithmes génétiques pour
un problème d’ordonnancement Flow-Shop de permutation pour minimiser le makespan, ces
algorithmes utilisent de nouveaux opérateurs génétiques ainsi qu’une initialisation efficace de
la population. Dans [130], les auteurs ont adapté un algorithme génétique afin de minimiser
le temps total d’exécution pour un problème d’ordonnancement Flow-Shop avec contrainte de
blocage.
2.2.2.2.2 Algorithme d’optimisation par essaim particulaire
L’optimisation par essaim particulaire (OEP) ou Particle Swarm Optimization (PSO) est une méta-
heuristique à population, mise au point par le sociologue James Kennedy et l’ingénieur électrique
Russell C. Eberhart en 1995 [38]. Cette métaheuristique est issue d’une analogie avec les dépla-
cements collectifs de certains animaux évoluant en essaim, tels que les bancs de poissons et les
oiseaux migrateurs.
L’optimisation par essaim particulaire présente quelques similarités avec les algorithmes géné-
tiques dans le sens où elle fonctionne sur la base d’une population de solutions qui interagissent
entre elles afin de trouver la meilleure solution possible à un problème d’optimisation. Cependant,
contrairement aux algorithmes génétiques où l’évolution est basée sur la compétition et l’élimi-
nation des individus les moins performants (sélection), l’optimisation par essaim particulaire se
base sur la coopération entre les individus afin de faire évoluer chacun [78].
L’essaim de particule correspond à une population d’individus appelés particules où chaque par-
ticule représente une solution potentielle du problème à traité. Le concept principal de cette
méthode est que les particules évaluent de manière itérative l’aptitude des solutions candidates
et se souviennent de l’endroit où elles ont eu leur meilleure valeur de fitness.
Chaque particule dont l’espace de recherche est doté d’une position et une vitesse. La position
représente ces cordonnées dans l’ensemble de définitions et la vitesse correspond à un vecteur
de déplacement, de modification de ça position actuelle, définissant sa future position probable.
En outre, chaque particule dispose d’une mémoire concernant sa meilleure solution visitée ainsi
que la capacité de communiquer avec les particules de son entourage.
À chaque itération, les particules se déplacent en tenant compte de leur meilleure position, mais
aussi de la meilleure position de ses voisins. L’objectif est de modifier leur trajectoire pour qu’elles
se rapprochent le plus possible de l’optimum. Le déplacement de chaque particule lors d’une
itération est une combinaison de trois comportements sociaux (cf. figure 2.4) :
— Comportement inertiel, dont lequel la particule tend à suivre le déplacement induit par sa
vitesse.
— Comportement cognitif, dont lequel la particule tend à se diriger vers sa meilleure position
visitée.
— Comportement social, dont lequel la particule tend à se diriger vers la meilleure position
atteint par ses voisines.
Figure 2.4 : Déplacement d’une particule [80]
Plus formellement, dans un espace de recherche de dimension d , une particule i de l’essaim est
modélisée par son vecteur position xi = (xi 1 , xi 2 , ..., xi d ) et son vecteur vitesse vi = (vi 1 , vi 2 , ..., vi d ).
Désignons par pi = (pi 1 , pi 2 , ..., pi d ) la meilleur position atteinte par la particule i et pg = (pg 1 , pg 2 ,-
..., pg n ) la meilleure position atteinte par toutes les particules de l’essaim. Étant donné un état de
l’essaim à un temps t , au temps t +1 la vitesse et la position de la i i e m e particule sont recalculées
selon les équations 2.1 et 2.2 respectivement :
vit +1 = w vit + c1 r1 (Pit − xit ) + c2 r2 (pgt − xit ) (2.1)
xit +1 = xit + vit +1 (2.2)
où i = 1, 2, ..., n avec n le nombre de particules (taille de l’essaim), w est une constante appelée
coefficient d’inertie, c 1 et c 2 sont deux constantes appelées coefficients d’accélération, r 1 et r 2
sont deux nombres aléatoires tirés uniformément dans [0, 1].
L’algorithme 4 d’écrit le déroulement global de l’algorithme d’optimisation par essaim particu-
laire où le critère d’arrêt peut être défini comme étant un nombre maximum d’itérations, comme
il peut correspond au temps de calcul à ne pas dépasser, etc.
L’algorithme d’optimisation par essaim particulaire a été conçue originellement pour résoudre
les problèmes d’optimisation continue, mais qu’il a été transformé par divers auteurs afin de
l’adapter à la résolution des problèmes d’optimisation combinatoire, dont l’ordonnancement.
Différentes approches discrètes ont été proposées dans la littérature pour l’OEP. Ces approches
diffèrent de l’approche continue par la manière dont une particule est associée à une solution
discrète, ainsi que par le modèle de vitesse utilisé. Selon la littérature [3], il existe trois manières
d’associer une particule à une solution discrète : représentation binaire, la représentation par
valeurs réelles et la représentation par permutation. De même, trois modèles de vitesse ont été
utilisés, à savoir le modèle de valeurs réelles, le modèle stochastique et le modèle basé sur une
liste de déplacements.
Dans ce contexte, Liao et al. [85] ont développé un algorithme d’OEP discret pour résoudre un
Algorithme 4 Structure générale d’algorithme d’optimisation par essaim particulaire
Début
1: Initialiser les paramètres de l’algorithme et la taille de l’essaim.
2: Initialiser les vitesses et les positions des particules.
3: Pour chaque particule i , pi = xi .
4: Évaluer les positions des particules f (xi ).
5: Calculer pg . ◃ meilleur de pi
6: Tant que critère d’arrêt non satisfait
7: for i allant de 1 à n do
8: Calculer la nouvelle vitesse à l’aide de l’équation 2.1.
9: Trouver la nouvelle position à l’aide de l’équation 2.2.
10 : Calculer f (xi ) de chaque particule.
11 : if f (xi ) est meilleur que f (pg ) then
12 : pi = xi .
13 : end if
14 : if f (pi ) est meilleur que f (pg ) then
15 : pg = pi .
16 : end if
17 : end for
18 : Fin Tant que
19 : Retourner la meilleure solution trouvée pg .
Fin
problème d’ordonnancement Flow-Shop, l’algorithme développé est caractérisé par une repré-
sentation binaire et un modèle de vitesse stochastique. Les auteurs ont montré que l’algorithme
proposé est très compétitif, on comparant avec deux algorithmes génétiques. Pan et al. [104]
ont présenté un algorithme d’OEP discret basé sur une représentation par permutation et un al-
gorithme de recherche locale pour résoudre un problème d’ordonnancement Flow-Shop sous
contrainte de ”sans-attente” ou (”no-wait constraint” en Anglais) afin de minimiser le temps
d’exécution maximal (makespan).
De même, Tasgetiren et al. [126] et Jarboui et al. [63] ont exposé un algorithme d’OEP discret pour
un problème d’ordonnancement Flow-Shop de permutation avec la minimisation du makespan
et la minimisation du flow time. Dans [63], les auteurs ont utilisé le modèle par permutation
pour représenter une particule, ainsi une phase d’amélioration basée sur une procédure de recuit
simulé a été intégrée.
Lian et al. [84] ont utilisé le modèle par permutation pour résoudre le problème de minimisation
du makespan dans un atelier de type Flow-Shop. Les auteurs conçoivent une technique particu-
lière pour définir la vitesse de chaque particule, cette technique consiste à emprunter les concepts
de croisement et de mutation aux algorithmes génétiques.
2.3 MÉTHODES HYBRIDES 45
2.3 Méthodes hybrides
Les différentes méthodes vues précédemment possèdent bien entendu leurs propres avantages
et inconvénients, en termes de qualité de solutions fournies, de la complexité temporelle et la
simplicité d’implémentation. Une tendance actuelle en optimisation combinatoire consiste à co-
opérer/hybrider plusieurs méthodes parmi celles que nous venons de citer. La motivation derrière
une telle hybridation est d’avoir des méthodes plus sophistiquées et plus efficaces.
L’hybridation est une technique qui essaie de tirer profit des points forts de chaque méthode
de résolution utilisée pour améliorer le comportement global de la méthode hybride. Donc, une
méthode hybride est une méthode de recherche constituée d’au moins deux procédures de re-
cherche distinctes, y compris les méthodes exactes et/ou approchées (sus-décrites). Elle consiste
à exploiter les avantages respectifs de ces méthodes tout en combinant leurs algorithmes suivant
une approche synergétique. Nous citons à titre d’exemple le cas des algorithmes mimétiques [93]
ou encore connus sous le nom d’algorithmes génétiques hybrides qui combinent une recherche
locale qui assure l’intensification de la recherche et un algorithme génétique qui renforce la di-
versification.
À ce sujet, Duvivier [37] a proposé une classification des techniques d’hybridation en s’appuyant
sur les travaux du groupe PERFORM 1 [108]. Les principales formes hybridation proposées sont
classifiées en trois catégories, selon leurs architectures :
— Hybridation séquentielle : consiste à exécuté séquentiellement différentes méthodes de
recherche de telle manière que le (ou les) résultat(s) d’une méthode serve(nt) de solution(s)
initiale(s) à la suivante comme le montre la figure 2.5. Cette technique d’hybridation est
la plus simple et la plus populaire.
Figure 2.5 : Hybridation séquentielle
— Hybridation parallèle synchrone : consiste à incorporer une méthode de recherche parti-

culière dans un opérateur d’une autre. C’est en quelque sort une hybridation plus fine que
la précédente étant donné que la méthode est englobé dans une autre comme le montre
la figure 2.6 . Cette technique est plus complexe à mettre en œuvre que la précédente vu
qu’il faut tenir compte des fortes interactions entre les méthodes incorporées pour ne pas
1. PERFORM(Parallel gEnetic algoRithms FOR optiMization) est un groupe de travail qui rassemble des chercheurs
de LIFL (Laboratoire d’Informatique Fondamentale de Lile) et LIL (Laboratoire d’informatique de Littoral)
aboutir à une méthode hybride moins efficace [37]. Un exemple de ce type d’hybridation
est de remplacer l’opérateur de mutation d’un algorithme génétique par une recherche
taboue.
Figure 2.6 : Hybridation parallèle synchrone
— Hybridation parallèle asynchrone : consiste à faire évoluer en parallèle différentes mé-

thodes de recherche. Cette coévolution permet une bonne coopération des méthodes de
recherche au travers d’un coordinateur qui est chargé d’assurer les échanges d’informa-
tions entre les méthodes de recherche constituant l’hybride (cf. Figure 2.7).
Figure 2.7 : Hybridation parallèle asynchrone
Nous nous limitons dans le cadre de cette thèse à cette classification. Cependant, il existe bien
d’autre classification des stratégies d’hybridation, nous citons celle de Talbi [125] qui a proposé
une taxonomie de métaheuristiques hybrides, cette taxonomie comporte deux aspects princi-
paux : une classification hiérarchique permettant d’identifier la structure générale de l’hybrida-
tion et une classification générale spécifiant les détails des approches impliqués dans l’hybrida-
tion. L’auteur a également introduit une grammaire qui permet de décrire précisément les diffé-
rents schémas d’hybridation. Une autre classification axée sur l’hybridation de méthodes exactes
et approximatives a été proposée par Puchinger et al. [109]. Cette classification a été divisée
en deux principales catégories : une hybridation collaborative et intégrative. Dans l’hybridation
collaborative, les algorithmes échangent des informations de façon séquentielle, parallèle ou en-
trelacée. Cependant, l’hybridation intégrative se fait de manière à ce qu’un des deux algorithmes
soit un composant intégré à l’autre algorithme.
Des méthodes hybrides ont été développées dans la littérature pour minimiser le makespan dans
2.4 CONCLUSION 47
un atelier de type Flow-Shop, à titre d’exemple, Zobolas et al. [145] ont combiné un algorithme
génétique avec une recherche à voisinage variable (VNS : Variable Neighborhood Search) pour
améliorer la solution. De même, Jarboui et al. [62] ont proposé un algorithme génétique hybride
pour la résolution de problème Flow-Shop avec contrainte sans délai (no-wait). Dans [63], les
auteurs ont adapté un algorithme d’optimisation par essaim de particules dont laquel ils ont
incorporé une procédure d’amélioration basée sur l’approche du recuit simulé.
2.4 Conclusion
Dans ce chapitre, nous avons présenté les techniques utilisées pour résoudre les problèmes d’opti-
misation, et en particulier, les problèmes d’ordonnancement. Pour les deux classes de méthodes :
exactes et approximatives, les techniques les plus représentatives sont décrites. Pour chaque mé-
thode, nous avons présenté l’idée générale. Seules les méthodes que nous avons utilisées dans
notre étude sont plus détaillées. Pour la plupart des méthodes décrites, certaines références sont
données pour les problèmes d’ordonnancement Flow-Shop avec ou sans contraintes.
Chapitre 3
Revue de la littérature
Le présent chapitre contient une description de la plupart des importants travaux de recherches
effectués sur le problème d’ordonnancement étudié dans cette thèse.
3.1 État de l’art sur les problèmes d’ordonnancement sous contraintes

de ressources non-renouvelables
Une quantité considérable de recherches sur les problèmes d’ordonnancement de la production a

été menée au cours des dernières décennies. Des introductions générales sur l’ordonnancement
sont aussi fournies dans les ouvrages de Blazewicz et al. [13] Brucker [16] et Pinedo [106]. Cepen-
dant, dans la majorité des travaux, peu d’attention a été portée à la contrainte de ressources non-
renouvelables qui fait l’objet de cette thèse. La présence de cette contrainte dans les problèmes
d’ordonnancement signifie l’existence de ressources additionnelles dans le système de produc-
tion. Ces ressources sont de nature consommable ou non-renouvelable, ces derniers sont sollicités
pour que les tâches soient exécutées sur les machines. Une tâche est donc considéré comme prêt
pour être exécuté quand la quantité de ressource consommable requise est disponible. Chaque
ressource consommable dispose d’un stock initial et de quelques fournitures supplémentaires à
des moments connus à priori et en quantités connues.
Les problèmes sous contraints de ressources non-renouvelables ont une grande importance pra-
tique. Des problèmes comme celui-ci se posent par exemple dans les environnements de produc-
tion (automobile, textile), Ordonnancent de projet (les entreprises de construction ne peuvent
pas commencer une partie de leur projet si elles ne reçoivent pas l’argent nécessaire pour cette
partie.), etc.
Les problèmes d’ordonnancement sous contraintes de ressources non-renouvelables ont attiré
une communauté de chercheurs en raison de leur intérêt pratique considérable. Dans ce qui suit,
nous allons présenter dans un ordre chronologique un aperçu des travaux traitant la contrainte
de ressources non-renouvelables. Nous limitons notre recherche bibliographique, aux problèmes
50 CHAPITRE 3 : REVUE DE LA LITTÉRATURE
statiques et déterministes d’ordonnancement d’atelier.

Les problèmes d’ordonnancement sous contraintes de ressources non-renouvelables ont été in-
troduits par Carlier [18] et Slowinski [121] au début des années 1980. En particulier, Carlier [18]
a appliqué une modification légère pour introduire cette contrainte dans la classification de Gra-
ham [51]. En plus, il a étudié la complexité des problèmes d’ordonnancement à contrainte de
ressource consommable pour des différentes fonctions économiques. La notation adaptée par
Carlier pour les problèmes d’ordonnancement à une machine et à plusieurs machines identiques
sous contrainte de ressource non-renouvelable est la suivante : A|B |C |D avec A = n est le nombre
de tâches ; B = m est le nombre de machines disponibles ; C est l’ensemble des paramètres asso-
ciés aux tâches et D est la fonction économique.
Le champs C peut avoir six composants C (C 1, C 2, C 3, C 4, C 5, C 6) qui sont les suivants :
— C 1 est associée aux durées des tâches, C 1 ∈ {pi = 1, pi = P, ε}, ε si la durée est quelconque.
— C 2 est associées aux dates de disponibilités des tâches, C 2 = ε si elles sont tout égales ;
sinon C 2 = ri .
— C 3 est associée aux dates échues des tâches, C 3 = ε s’il n’y a pas de dates échues ; C 3 = d i
si elles sont quelconques ; C 3 = d si elles sont toutes égaux.
— C 4 =< si les tâches sont dépendantes, sinon C 4 = ε.
— C 5 = R C qui indique l’existence d’une seule Ressource Consommable (RC).
— C 6 indique la quantité de ressource a i consommé par la tâche i , C 6 ∈ {a i = 1, ε} , C 6 = ε
si la quantité consommée est quelconque.
Dans les tableaux 3.1 et 3.2, nous résumons une partie des différents résultats de complexité
trouvés par Carlier [18](cf. chapitre VIII de ça thèse) :
Table 3.1 : Complexité de minimisation de la durée total
Taches dépendantes Taches indépendantes Taches indépendantes

(Pi = 1, ri = 0) (Pi quelconques, ri = 0) (Pi = P ou 1, ri quelconques)
n |1|pi = 1, <, R C |Cma x n |1|R C |Cma x
NP-difficle NP-difficile
m =1 polynomial
n |1|pi = 1, <, R C , a i = 1|Cma x n |1|R C , a i = 1|Cma x
Polynomial Polynomial
n |m |pi = 1, <, R C |Cma x n |m |R C |Cma x
NP-difficile NP-difficile
m fixe polynomial
n|m |pi = 1, <, R C , a i = 1|Cma x n |m|R C , a i = 1|Cma x
Ouvert NP-difficile
Dans sa thèse, Carlier a étudié également les problèmes où les dates échues sont considérées.
Il a montré que ces problèmes sont NP-difficile, le seul cas polynomial est lorsque les dates de
disponibilité sont tout égales, les durées égales à 1 et les tâches indépendantes.
Slowinski [121] a étudié le problème d’ordonnancement où la préemption des tâches est autorisée
sur machines parallèles avec l’utilisation de ressources renouvelables supplémentaires (main-
3.1 ÉTAT DE L’ART SUR LES PROBLÈMES D’ORDONNANCEMENT SOUS CONTRAINTES
DE RESSOURCES NON-RENOUVELABLES 51
Table 3.2 : Complexité de minimisation de la durée moyenne
Taches dépendantes Taches indépendantes Taches indépendantes

(Pi = 1, ri =0) (Pi quelconques, ri =0) (Pi = 1, ri quelconques)
∑
n |1|pi = 1, <, R C | Ci ∑ ∑
NP-difficle ∑ n |1|R C | Ci n |1|pi = 1, ri , R C | Ci
m =1
n|1|pi = 1, <, R C , a i = 1| Ci NP-difficile NP-difficile
Polynomial
∑
n |m|pi = 1, <, R C | Ci ∑ ∑
NP-difficile ∑ n |m|R C | Ci n |m|pi = 1, ri , R C | Ci
m fixe
n |m|pi = 1, <, R C , a i = 1| Ci NP-difficile NP-difficile
NP-difficile
d’œuvre) et la consommation d’une ressource non-renouvelable (argent) qui a un stock initial et

qui devient disponible en quantités spécifiques à des dates différentes. L’auteur a supposé que
le taux de consommation de la ressource non-renouvelable est constant, cette hypothèse lui a
conduit à un algorithme polynomial pour minimiser le makespan. Des résultats supplémentaires
ont été trouvés dans Cochand et al. [25] où les auteurs ont considéré que l’approvisionnement
de la ressource non-renouvelable varie avec le temps (en escalier ou linéaire par morceaux).
Dans [31], les auteurs ont étudié la version préemptive du problème d’atelier open shop à m
machines avec ressources renouvelables et non-renouvelables pour minimiser le makespan, ils
ont modélisé le problème par une approche basé sur la coloration de graphe et ils ont également
présenté un algorithme polynomial pour le cas où la courbe de la disponibilité de ressource est
de type escalier, et cela, afin d’étendre les résultats présentés dans [30]. En particulier, de Werra
et al. [30] ont démontré que le problème O |p m t n |C m a x avec une ressource renouvelable ou
consommable est NP-difficile au sens fort.
Toker et al. [128] ont étudié la minimisation du makespan dans un problème d’ordonnancement
à une machine avec une seule ressource non-renouvelable. Ils ont montré que, si la quantité de
ressource non-renouvelable disponible au cours de chaque période est constante (approvisionne-
ment à taux constant) alors le problème devient équivalent à un Flow-Shop à deux machines sans
contraintes de ressources, qui peut donc être résolu polynômialement à l’aide de l’algorithme de
Johnson [65].
Le schéma de classification utilisé dans [128] est une version modifiée de celle de Rinnooy Kan
[69] dont le format est le suivant : (α|β |γ, Γ|δ), où
— α = nombre de tâches.
— β = nombre de machines.
— γ = environnement machines (Flow-Shop, Job-Shop, Open-Shop)
— Γ = toute contrainte imposée au problème. Γ = N R : αt indique l’existence d’une ressource
Non-Renouvelable (NR) qui devient disponible avec une quantité αt en période t .
— δ = Critère de performance.
Le résultat de Toker et al. [128] est résumé dans le théorème suivant :

Théorème 3.1
Le problème (n |1|N R : αt = 1|Cma x ) est équivalent au problème (n |2|F |Cma x )
Toker et al. [129] ont étendu l’hypothèse présentée dans [128] au problème d’ordonnancement
d’atelier Job-Shop sous une contrainte de ressource non-renouvelable. L’hypothèse considérée a
conduit à un algorithme d’approximation permettant de minimiser le makespan.
Xie [143] a généralisé le résultat présenté dans [128] au problème d’ordonnancement à une ma-
chine avec plusieurs ressources non-renouvelables de type financière. Il a démontré que le pro-
blème peut être réduit à un problème d’ordonnancement d’atelier Flow-Shop à deux machines si
les ressources consommables arrivent de manière uniforme dans le temps. Il a également montré
que la règle LPT génère une solution optimale au problème si les ressources non-renouvelables
sont consommées de manière uniforme par tous les tâches. Ces résultats sont résumés dans les
théorèmes 3.2 et 3.3 où F Ck indique l’existence de k différents types de ressources financières
(FC : Financial Constraints) et r j h représente la quantité de ressource h que le job j consomme.
Théorème 3.2
Le problème 1|F Ck : αh t = 1|Cma x peut être réduit au problème (n |2|F |Cma x )
Théorème 3.3
La règle LPT génère une solution optimale au problème 1|F Ck : r j h = rh |Cma x .
Grigoriev et al. [52] ont également étudié la complexité des problèmes d’ordonnancement sur
une machine en présence d’une ou plusieurs ressources non-renouvelables de nature matières
premières. Une attention particulière a été portée aux problèmes de minimisation du retard et de
minimisation du makespan avec des temps d’exécution unitaires ou égaux.
Les auteurs ont étendu aussi la notation de Graham et al. [51] avec les restrictions r m (Raw
Materials) : r m = m qui signifie qu’il existe m ressources (matières premières).
Les résultats obtenus sont résumés dans les théorèmes suivants :
Théorème 3.4
Le problème 1|r m = 1, p j = 1|L ma x peut être résolu en temps polynomial.
Théorème 3.5
Le problème 1|r m = 2, p j = 1|L ma x est NP-difficile au sens fort.

3.1 ÉTAT DE L’ART SUR LES PROBLÈMES D’ORDONNANCEMENT SOUS CONTRAINTES
DE RESSOURCES NON-RENOUVELABLES 53
Table 3.3 : Un aperçu sur les résultats de complexité [44].
Fonction objective Cas particuliers Complexité

Cm a x
∑
/ NP-difficile au sens fort
Uj / NP-difficile au sens fort
Lma x
∑
C
∑ j
T
∑ j
dj = d NP-difficile au sens fort
T
∑ j
gj =g NP-difficile au sens fort
T
∑ j
pj = p NP-difficile au sens fort
T dj = d, gj = g NP-difficile au sens fort
∑ j
Tj p j = p , g 1 ≤ g 2 ≤ .... ≤ g n , d 1 ≤ d 2 ≤ .... ≤ d n Polynomiale
Théorème 3.6
Le problème 1|r m = 2, p j = 1|L ma x est NP-difficile au sens fort.
Pour le Théorème 3.4, un algorithme basé sur la règle EDD est utilisé pour résoudre le problème.
De plus, Grigoriev et al. [52] ont étudié un cas particulier où chaque tâche nécessite son propre
type de matière première. Les auteurs ont montré que ce problème est équivalent à celui où
l’on impose des dates de disponibilités aux tâches. Formellement, 1|d d c |. est équivalent à 1|r j |.
où le script d d c correspond à différentes matières premières dédiées pour chaque tâche. Par
conséquent, il est bien connu que le problème 1|r j |L ma x est NP-difficile [79] ce qui rend le pro-
blème 1|d d c |L ma x NP-difficile aussi. À l’exception des problèmes 1|r j , p r e c , p j = p |L ma x et
1|r j , p r e c , p m t n |L ma x où des algorithmes polynomiaux sont connus [6].
De la même manière, 1|d d c |Cma x est équivalent à 1|r j |Cma x et il est clair que l’ordonnancement
des tâches dans l’ordre croissant des r j fournit une solution optimale pour le problème 1|r j |Cma x
et par conséquent, 1|d d c |Cma x est un problème polynomial.
Des algorithmes d’approximation ont également été proposés par Grigoriev et al. [52].
Gafarov et al. [44] ont complété les travaux de Grigoriev et al. [52] par des résultats de com-
plexité supplémentaires, dans lesquels une attention particulière a été accordée au problème de
la minimisation du retard total. Le tableau 3.3 résume les résultats de complexité obtenus dans
leur papier.
Dans sa thèse, Carrera [21] aborde un problème d’optimisation de la planification et d’ordonnan-
cement des plateformes logistiques. Les problèmes d’ordonnancement pour la plateforme qui
exécute des activités de préparation de commande sont étudiés dans le chapitre trois de la thèse.
L’auteur se limite à des problèmes d’ordonnancement sur une machine avec des contraintes de
ressources consommables et avec des dates de livraison fixes. Pour résoudre ce problème, l’auteur
a proposé un modèle linéaire en nombres entiers et une procédure par séparation et évaluation.
Dans György et Kis [53], un schéma d’approximation polynomial PTAS (Polynomial-Time Ap-
proximation Scheme) pour l’ordonnancement d’une seule machine avec une ressource non-renouvelable
et un nombre constant de dates d’approvisionnement a été développé. Ainsi qu’un schéma d’ap-
proximation entièrement polynomial FPTAS (Fully Polynomial-Time Approximation Scheme) a
été conçu pour le cas particulier avec deux dates d’approvisionnement et une seul ressource
non-renouvelable.
Belkaid et al. [9] ont présenté un modèle mathématique linéaire en nombres entiers, ainsi qu’une
métaheuristique à base d’un algorithme génétique pour résoudre un problème de machines pa-
rallèles avec contraintes de ressources consommables afin de minimiser le makespan. De plus,
certaines heuristiques basées sur des règles de priorité ont été également proposées.
Les résultats présentés dans [53] ont été étendus par György et Kis [54] pour les problèmes
d’ordonnancement sur machines parallèles avec ressources consommables. Des PTASs ont été
fournies sous diverses hypothèses où l’objectif d’optimisation est soit le makespan, soit le retard
maximal.
3.2 Identification de problème et objectif de la thèse
Afin d’identifier notre problématique, nous résumons dans le tableau 3.4 les travaux présentés
dans la section précédente par ordre chronologique en se concentrant sur trois catégories prin-
cipales : l’environnement machine, fonction objectif et la méthodologie. Comme le montre le
tableau 3.4 et à notre connaissance, le problème d’ordonnancement Flow-Shop sous contraintes
de ressources non-renouvelables n’a pas été traité dans la littérature auparavant. Cela nous a
donné donc la motivation d’étendre et d’accomplir les travaux précédents tout en intégrant les
contraintes de ressources non-renouvelables dans les environnements de production Flow-Shop.
Dans cette thèse, nous nous intéressons plus particulièrement aux problèmes de minimisation de
makespan dans un atelier de type Fow-Shop avec contraintes de ressources non-renouvelables.
Le makespan est l’un des critères les plus importants dans tous les systèmes de production. La
minimisation de ce dernier permet d’équilibrer la charge entre les machines et offre généralement
un taux élevé de leurs utilisations ce qui revient à maximiser la productivité. Tandis que le Flow-
Shop représente près du quart des systèmes de production et qu’il est aussi l’un des problèmes
le plus traité de la théorie de l’ordonnancement ; par contre sa complexité fait de lui l’un des
problèmes de l’optimisation combinatoire les plus difficiles à résoudre. Nous referons le lecteur
aux articles de [43] et [41] pour un état de l’art sur les problèmes Flow-Shop avec minimisation
de makespan.
Comme on peut constater aussi du tableau 3.4 que la majorité des auteurs se concentrent sur
les résultats de complexité et les algorithmes polynomiaux pour des cas particuliers des pro-
blèmes d’ordonnancement avec contraintes de ressources non-renouvelables. Peu de travaux ont
utilisé les méthodes de résolutions exactes ou approchées. Le but de cette thèse est donc de dé-
velopper des méthodes de résolution efficaces (exactes et approchée) pour les problèmes d’or-
3.3 CONCLUSION 55
donnancement rencontrés dans les systèmes de production, en particulier les ateliers de type
Flow-Shop et on intégrant des contraintes pratiques telles que la disponibilité des ressources
non-renouvelables. Notons que l’étude de cette dernière n’est que récente malgré sa pertinence
au niveau industriel. En effet, cette contrainte est souvent négligée par les chercheurs. Ceci peut
être du fait que son intégration rend le problème d’ordonnancement nettement plus difficile à
résoudre que sa forme classique.
Table 3.4 : Une taxonomie des problèmes examinés
Environnement Objectif
Référence Méthode
SM a PM b JS c FS d OS e Makespan Autres
Carlier [18] × × Algorithmes polynomiaux
Slowinski [121] × × Algorithme polynomial
Cochand et al. [25] × × Algorithme polynomial
Toker et al. [128] × × Algorithme polynomial
de Werra et al. [31] × × Algorithmes polynomiaux
Toker et al. [129] × × Algorithme d’approximation
Grigoriev et al. [52] × × × Algorithmes d’approximation
Carrera [21] × × PLNE + B&B
György et al. [53] × × PTAS, FPTAS
Belkaid et al. [9] × × PLNE + AG
Györgyi et al. [54] × × × PTAS
a Single Machine b Parallel Machine c Job-Shop d Flow-Shop e Open-Shop
3.3 Conclusion
Ce chapitre montre l’engouement de la littérature pour l’étude des problèmes d’ordonnancement

sous contraintes de ressources non-renouvelables. Dans ce chapitre, nous avons noté un manque
d’étude concernant la résolution des problèmes Flow-Shop sous contraintes de ressources non-
renouvelables. C’est pourquoi nous proposons de résoudre ce problème dans cette thèse.
Deuxième partie
Le Flow-Shop sous contraintes de

resources non-renouvelables :
Modélisation mathématique et méthodes
de résolution
Chapitre 4
Méthode de résolution exacte
Après avoir identifié le problème dans le chapitre précédent, nous présentons dans ce chapitre
une approche de modélisation mathématique pour résoudre le problème d’ordonnancement d’ate-
lier Flow-Shop avec contraintes de ressources non-renouvelables. Cette approche est souvent né-
gligée par les chercheurs en raison de la forte complexité du problème. Dans cette étude, nous
avons choisi de développer cette approche, car elle permet de modéliser formellement le pro-
blème et de résoudre de façon optimale certaines tailles d’instances, elle permet ainsi d’évaluer
la qualité des solutions fournies par les méthodes approchées que nous verrons dans les chapitres
suivants.
Le chapitre est organisé comme suit : dans la section 4.1, nous décrivons notre problème et nous
donnons les notations utilisées ainsi que la complexité. Ensuite, dans la section 4.2 nous déve-
loppons un modèle mathématique linéaire en nombres entiers pour représenter et résoudre le
problème en optimisant le makespan. Dans la section 4.3, nous présentons le benchmark qui
constitue l’échantillon de test pour notre travail. Finalement, dans la section 4.4, la performance
de la méthode exacte proposée pour le problème est évaluée à travers des résultats expérimen-
taux.
4.1 Le Flow-Shop sous contraintes de ressources non-renouvelables
4.1.1 Description du problème
Dans cette section, nous fournissons une définition formelle du problème d’ordonnancement
d’atelier Flow-Shop sous contraintes de ressources non-renouvelables. Étant donné un ensemble
J = { J1 , J2 , ..., Jn } de n jobs et un ensemble M = {M 1 , M 2 , ..., M m } de m machines. Chaque job
Ji , i ∈ {1, ..., n} est constitué de m opérations Oi j , où Oi j doit être traité sur la machine M j ,
j ∈ {1, ..., m } pour pi j unités de temps. Le temps opératoire pi j est un nombre positif fixe.
L’ordonnancement est réalisable si :
60 CHAPITRE 4 : MÉTHODE DE RÉSOLUTION EXACTE
(a) Les opérations de chaque job sont traitées dans un ordre déterminé (M 1 à M m ).
(b) Les opérations sont traitées sans interruption (c’est-à-dire que l’opération Oi j s’exécute du-
rant pi j unités de temps consécutives sur la machine M j ).
(c) Chaque machine exécute au maximum un job à la fois.
(d) Chaque job ne peut être exécuté par plus d’une machine à un instant donné.
(e) La séquence des jobs est la même sur chaque machine (ordonnancement de permutation).
Outre que les machines, nous avons un ensemble R = {R1 , R2 , ..., R r } de r ressources non-renouvelables.
Chaque ressource Rl , l ∈ {1, ..., r } est livrée par des fournisseurs externes à la machine où il y a
un besoin avec des quantités limitées à plusieurs dates de livraison fixes.
Différentes situations peuvent être rencontrées dans ce problème, notamment lorsque : (r > m )
ou (r < m) ou (r = m ) et pour chaque cas, le job sur chaque machine peut consommer une ou
plusieurs ressources.
Dans ce travail, nous supposons que R1 est livré à M 1 , R2 est livré à M 2 et ainsi de suite (c’est-
à-dire que, r = m et que le job pour son traitement sur chaque machine ne consomme qu’une
seule ressource). Le problème considéré peut être représenté par la figure 4.1.
Soit q le nombre de moments où une quantité positive de ressource non-renouvelable est fourni.
Ces moments sont u 1 j , u 2 j , ..., u q j où u 1 j et u q j représentent respectivement le moment à lequel
la première et la dernière livraison est arrivée à la machine M j . L’utilisation de chaque ressource

à tout moment est limitée par sa disponibilité notée bt j , t ∈ u 1 j , ..., u q j qui représente la
quantité de ressource non-renouvelable arrivé à l’instant t à la machine M j .
Chaque opération Oi j consomme a i j unités de ressource non-renouvelable dédiée à la machine
M j au début de leur traitement sur cette machine. Le job ne peut commencer le traitement que
lorsque la quantité de ressource non-renouvelable requis est disponible en quantités suffisantes.
Après l’exécution du job, le stock de la ressource est diminué par la quantité demandée.
Étant donné que la disponibilité des ressources consommables peut être suffisante ou non, la
machine restera inactive pendant un certain temps uniquement si les ressources requises ne sont
pas disponibles en quantité suffisante lors du démarrage de traitement des jobs.
L’ordonnancement est réalisable si :
(f) Les contraintes de ressources sont respectées, c’est-à-dire qu’à tout moment t et pour chaque
ressource Rl , l’offre totale correspond au moins à la demande totale de ces jobs.
Sans perte de généralité, nous supposons que pour chaque ressource non-renouvelable, la quan-
tité totale fournie est égal à la quantité totale demandée par les jobs, c’est-à-dire :
∑
uq j
∑
n
bt j = ai j ∀ j ∈ {1, ..., m} (1)
t =u 1 j i =1
4.1 LE FLOW-SHOP SOUS CONTRAINTES DE RESSOURCES NON-RENOUVELABLES 61
Figure 4.1 : Représentation du problème
L’objectif visé par de la résolution de ce problème est de chercher une séquence de jobs en fonc-
tion de la disponibilité des ressources renouvelables et non-renouvelables de manière à satisfaire
la minimisation du temps d’exécution maximum (Cma x ), aussi appelé le makespan.
∑
n ∑
n ∑
n
Cma x = pi m + Ii m + Ii′m (2)
i =1 i =1 i =1
Où Ii m et Ii′m indiquent le temps d’inactivité sur la dernière machine avant le traitement du job
Ji , Ii m est causé par les contraintes du Flow-Shop tandis que Ii′m est causé par l’indisponibilité
des ressources non-renouvelables.
Suivant le schéma de classification utilisé par Toker et al. [128] et Gafarov et al. [44], nous no-
tons le problème d’ordonnancement considéré par Fm |p r m u , N R |Cma x , où m est le nombre de
machines, p r m u indique que seuls les ordonnancements de permutation sont autorisés, N R in-
dique l’existence de ressources non-renouvelables et Cma x désigne la minimisation de makespan
comme critère d’optimisation.
4.1.2 Une instance de problème
Afin d’illustrer l’impact des contraintes de ressources non-renouvelables sur le makespan du

problème, nous considérons un exemple d’un Flow-Shop à 3 jobs et 3 machines.
La matrice de temps de traitement suivante pi j contient la liste des jobs Ji en lignes et la liste
des machines M j en colonnes.
 
3 1 2
 
pi j = 2 1 3 i , j ∈ {1, ..., 3}
1 2 1
Figure 4.2 représente le diagramme de Gantt pour la permutation de jobs J1 −→ J2 −→ J3 ob-

tenue avec le Flow-Shop de permutation classique « sans contraintes de ressources ». Comme
nous pouvons le constater, le résultat est un ordonnancement qui ne contient qu’un seul temps
d’inactivité (temps mort) dû aux contraintes de système Flow-Shop. Le makespan correspondant
est égal à 10 unités de temps.
Figure 4.2 : Flow-Shop classique
Dans le cas où les contraintes de ressources non-renouvelables sont prises en compte, en plus de
la matrice de temps de traitement, nous avons également une matrice de besoin de ressources
non-renouvelables.
La matrice de besoins en ressources a i j , a une liste des job Ji en lignes et la liste des machines/-
ressources en colonnes (par exemple, J1 nécessite deux unités de la ressource R1 sur la première
machine, trois unités de la ressource R2 sur la deuxième machine et quatre unités de la ressource
R3 sur la troisième machine et ainsi de suite).
 
2 3 4
 
ai j = 2 2 3 i , j ∈ {1, ...3}
3 1 1
La disponibilité des ressources est représenté par Figure 4.3 où le nombre de cellules représente
les unités de ressource non-renouvelables fournies à un moment donné.
La figure 4.4 illustre le diagramme de Gantt obtenu pour la même permutation de job pour le
Flow-Shop de permutation sous contraintes de ressources non-renouvelables. Comme on peut
remarquer, le temps total d’exécution augmente de 9 unité temps. Cela est dû à l’indisponibilité
4.1 LE FLOW-SHOP SOUS CONTRAINTES DE RESSOURCES NON-RENOUVELABLES 63
(a) La disponibilité de la ressource R1
(b) La disponibilité de la ressource R2 (c) La disponibilité de la ressource R3
Figure 4.3 : La disponibilité des ressources non-renouvelables
de ressources non-renouvelables. Par exemple, le job J1 n’a pas pu commencé son traitement sur
la première machine jusqu’au l’arrivée d’une quantité suffisante de la ressource R 1.
4.1.3 Complexité de problème
Nous avons présenté dans le chapitre 3 un état de l’art des travaux qui ont étudié la complexité
des problèmes d’ordonnancement sous contraintes de ressources non-renouvelables. Puisque le
problème d’ordonnancement Flow-Shop sous contrainte de ressources non-renouvelables n’a pas
été traité auparavant dans la littérature, nous étudions donc dans cette section la complexité du
problème considéré. La preuve de la NP-difficulté des deux corollaires suivants se fera via la
méthode de restriction.
Corollaire 1 Fm |p r m u , N R |Cma x est NP-difficile au sens fort pour m > 2.
preuve 1 Soit p le problème d’ordonnancement Flow-Shop de permutation sous contraintes de res-

sources non-renouvelables avec minimisation de makespan. Construisant le problème p ′ comme
étant un problème d’ordonnancement Flow-Shop classique (sans contraintes). Clairement, le pro-
blème p ′ est un cas particulier de problème p (puisque le besoin en ressources peut être limité à 0
dans le problème p ). En effet, le problème p ′ est connu pour être NP-difficile au sens fort pour m > 2
[45]. Il en résulte que le problème p est NP-difficile au sens fort pour m > 2.
Corollaire 2 F2 |p r m u , N R |Cma x est NP-difficile au sens fort.

Figure 4.4 : Flow-Shop avec la contrainte de ressources non-renouvelables
preuve 2 Soit p le problème flow-shop à deux machines sous contraintes de ressources non-renouvelables
avec minimisation de makespan (les besoins en ressources et leur disponibilité sont arbitraires.).
Construisant le problème p ′ en tant que problème d’ordonnancement d’une seule machine soumis
à des contraintes de ressources non-renouvelables avec minimisation de makespan. Nous observons,
que le problème p ′ est un cas particulier du problème p , puisque le temps de traitement et les besoins
en ressources sur la deuxième machine peuvent être limités à 0 dans le problème p . Or, le problème
p ′ (1|N R |Cma x ) a été prouvé, par Carlier [18] et Gafarov et al. [44], qu’il est NP-difficile au sens
fort pour un temps de traitements arbitraire ainsi qu’une consommation et disponibilité de ressources
arbitraire. Le résultat du corollaire est donc établi.
4.2 Modèle mathématique
Après avoir déterminé la complexité du problème considéré dans cette thèse, nous allons procéder
dans cette section à sa résolution exacte. Nous avons donc proposé un modèle mathématique
linéaire en nombres entiers pour résoudre le problème de minimisation du makespan d’un Flow-
Shop de permutation sous contraintes de ressources non-renouvelables. Cette modélisation est
inspirée du modèle présenté par Carrera [21] pour minimiser le makespan dans un problème
à une machine avec la consommation d’une seule ressource consommable, ainsi que le modèle
proposé par Wilson [140] pour le Flow-Shop classique.
Dans ce qui suit, nous allons commencer par présenter les paramètres, les variables et contraintes
du modèle.
4.2.1 Paramètres et indices
Les paramètres ainsi que les indices utilisés pour la formulation mathématique du problème d’or-
donnancement de type Flow-Shop sous contraintes de ressources non-renouvelables sont les sui-
vants :
4.2 MODÈLE MATHÉMATIQUE 65
− n : nombre de jobs.
− m : nombre de machines.
− i : indice de job, où i ∈ {1, ..., n}.
− j : indice de machine, où j ∈ {1, ..., m }.
− k : indice de position, où k ∈ {1, ..., n }.

− t : Indice d’arrivée de ressource, où t ∈ u 1 j , ..., u q j .
− u 1 j : date de la première livraison arrivée à la machine M j .
− u q j : date de la dernière livraison arrivée à la machine M j .
− pi j : temps du traitement du job Ji sur la machine M j .
− a i j : quantité de ressource que le job Ji consomme sur la machine M j .
− bt j : nombre total de la ressource dédiée arrivée à la machine M j à l’instant t .
− q : nombre de dates de livraison.
− M : Constante suffisamment grande.
4.2.2 Variables
− Sk j : date de début du job en position k sur la machine M j .

− Wk j : quantité de ressource nécessaire pour traiter le job en position k sur la machine M j .
− X i k : variable booléenne, égale à 1 si le job Ji se trouve à la position k dans la séquence et
0 sinon.
− Yk j t : variable booléenne, égale à 1 si Sk j ≥ t et 0 sinon.
4.2.3 Modèle
En utilisant les paramètres et les variables décrits précédemment, le problème Fm |p r m u, N R |Cma x

peut être modélisé de la façon suivante :
∑
n
Min (Snm + X i n .pi m ) (1)
i =1
(4.1)
Sous les contraintes :

∑
n
Xi k = 1 ∀k ∈ {1, ..., n } (2)
i =1
∑ n
Xi k = 1 ∀i ∈ {1, ..., n } (3)
k =1
∑
n
S(k +1)1 ≥ Sk 1 + X i k .pi 1 ∀k ∈ {1, ..., n − 1} (4)
i =1
S11 ≥ 0 (5)
∑
n
S1( j +1) ≥ S1 j + X i 1 .pi j ∀ j ∈ {1, ..., m − 1} (6)
i =1
∑ n
Sk ( j +1) ≥ Sk j + X i k .pi j ∀ j ∈ {1, ..., m − 1} ∀k ∈ {2, ..., n } (7)
i =1
∑ n
S(k +1) j ≥ Sk j + X i k .pi j ∀ j ∈ {2, ..., m } ∀k ∈ {1, ..., n − 1} (8)
i =1
∑
n
Wk j = X i k .a i j ∀k ∈ {1, ..., n} ∀ j ∈ {1, ..., m } (9)
i =1
∑
k ∑
uq j
Wv j ≤ bt j .Yk j t ∀k ∈ {1, ..., n } ∀ j ∈ {1, ..., m } (10)

v =1 t =u 1 j

Z Yk j t − 1 ≤ Sk j − t ∀k ∈ {1, ..., n } ∀ j ∈ {1, ..., m } ∀t ∈ u 1 j , ..., u q j (11)
Sk j , Wk j ≥ 0 ∀k ∈ {1, ..., n } ∀ j ∈ {1, ..., m } (12)

X i k , Yk j t ∈ {0, 1} ∀i , k ∈ {1, ..., n } ∀ j ∈ {1, ..., m } ∀t ∈ u 1 j , ..., u q j (13)
4.2.4 Signification des équations
Nous donnons dans ce paragraphe, la signification de chacune des contraintes de notre modèle :
− Fonction 1 : représente la fonction objectif de notre problème. Qui consiste à minimiser
le temps d’exécution maximum, appelé Cma x ou encore makespan décrit par la date de
début du job placé dans la dernière position, dernière machine plus son temps d’exécution.
− Contrainte 2 : cette contrainte impose que chaque position k n’est affecté qu’un seul job
Ji dans la séquence.
− Contrainte 3 : cette contrainte force que chaque job ji n’occupe qu’une seul position j
dans la séquence.
− Contrainte 4 : cette contrainte calcule la date de début du job en position k sur la première
machine.
− Contrainte 5 : cette contrainte assure que la date de début du job en première position
sur la première machine peut être supérieure à zéro si la ressource non-renouvelable n’est
pas disponible en quantité suffisante au début d’ordonnancement (Contrairement au flow
4.3 BENCHMARKS 67
shop standard où S11 = 0).

− Contrainte 6 : cette contrainte calcule la date de début du job en première position sur la
machine M j .
− Contrainte 7 : cette contrainte représente la relation de précédence entre deux opérations
successives d’un même job. Un job doit finir son opération sur la machine M j , avant de
pouvoir démarrer son opération sur la machine suivante M j +1 .
− Contrainte 8 : cette contrainte assure que le job en position (k +1) ne puisse pas commencer
son traitement sur la machine M j tant que le job en position k n’a pas encore terminé son
traitement sur cette même machine.
− Contrainte 9 : cette contrainte permet de calculer la quantité de ressource consommée par
le job en position k sur la machine M j .
− Contrainte 10 : cette contrainte vérifie que la quantité totale de ressource consommée à
l’instant de début d’exécution du job en position k sur la machine M j ne doit pas dépasser
la quantité disponible de cette ressource jusqu’à cet instant.
− Contrainte 11 : cette contrainte permet de faire le lien entre la variable Yk j t et la date de
début du job en position k .
− Contrainte 12 : la date de début du job et la quantité de ressource requise pour traiter un
job ne peuvent pas être négatives.
− Contrainte 13 : cette contrainte établit une restriction sur les variables de décision X i k et
Yk j t .
4.3 Benchmarks
Pour tester les performances du modèle mathématique développé dans la section précédente et
les méthodes de résolution proposées dans les chapitres suivants, nous avons besoin des jeux-
tests ou bien ce qu’on appelle des benchmarks.
Les benchmarks sont des problèmes-types ou un ensemble d’instances construits en explicitant la
valeur de chacun des paramètres du problème. Ils sont souvent utiles pour tester les performances
des méthodes de résolution.
Sans aucune hésitation, le benchmark le plus utilisé pour les problèmes d’ordonnancement d’ate-
lier de type Flow-Shop est celui de Taillard [124](Voir par exemple [2, 32, 96, 113]). Ces instances
ont été générées pour tester des algorithmes pour le problème Flow-Shop de permutation avec
minimisation de makespan, bien qu’elles aient également été utilisées sous d’autres critères et
conditions [95, 114]. Il existe aussi d’autres benchmarks pour les problèmes Flow-Shop mais ils
sont beaucoup moins utilisés, comme ceux de Demirkol et al. [33], Reeves [111] ou récemment
celui proposé par Vallada et al. [134] ou des benchmarks plus anciens qui ne sont plus utilisés
actuellement, comme ceux de Carlier [19] et Heller [56].
Le benchmark de Taillard pour le problème Flow-Shop est disponible à l’adresse suivante : http:
Figure 4.5 : Exemple d’une instance de Taillard
//mistic.heig-vd.ch/taillard/problemes.dir/ordonnancement.dir/ordonnancement.
html.
Ce benchmark présente les caractéristiques suivantes :
— Il comprend 120 instances avec 12 tailles différentes donnée par n × m et combinant les
valeurs n ∈ [20, 50, 100, 200, 500] et m ∈ [5, 10, 20].
— Pour chaque taille, 10 instances sont construites.
— Pour chaque instance, les deux premières lignes contiennent la description de l’instance
et le reste représente les temps de traitement.
— Les temps de traitement pour les différentes opérations sont uniformément répartis de 1
à 99.
— A part le temps de traitement, il n’existe pas d’autre paramètres de contraintes temporelles
ou contraintes de ressources.
La figure 4.5 nous montre un exemple d’une instance de taille 20 × 5 (20 jobs et 5 machines) du
benchmark de Taillard sur laquelle nous constatons les caractéristiques générales de ce bench-
mark.
Au cours de la revue de la littérature, nous avons rencontré une difficulté à trouver des instances
numériques pour les problèmes d’atelier Flow-Shop de permutation soumises a des contraintes de
ressources non-renouvelables. Nous avons trouvé quelques papiers qui investiguent les contraintes
de ressources non-renouvelables dans d’autres environnements de production mais qu’ils construisent
et génèrent les instances numériques de façon aléatoire ou bien d’autre papiers ou la génération
des instances n’est pas bien spécifié [8, 52].
Comme il n’y a pas d’instances dédiées aux problèmes d’ordonnancement Flow-Shop de per-
mutation avec contraintes de ressources non-renouvelables, nous avons donc décidé d’étendre
le benchmark de Taillard tout en ajoutant les paramètres de contraintes de ressources non-
renouvelables.
Une instance de problème traité est définie par le nombre jobs n , le nombre de machines m ,
le nombre de ressources non-renouvelables r , les temps opératoires, la quantité de ressource
non-renouvelable requiert par chaque job ainsi que la disponibilité de ces ressources.
Pour la génération numérique de ces instances et comme nous avons mentionné auparavant, nos
4.3 BENCHMARKS 69
instances sont une extension des instances proposées par Taillard. Alors, le nombre de jobs et
le nombre de machines ainsi que les temps opératoires reste identique comme celui proposé par
Taillard.
— Le nombre de jobs est de : 20, 50, 100, 200, 500. Mais seulement les trois premières tailles
sont utilisées, car les autres consomment beaucoup de temps pour les algorithmes propo-
sés dans le chapitre 5 et 6.
— Le nombre de machines est de : 5, 10, 20.
— Les temps opératoires sont des entiers uniformément distribués dans [1, 99].
Le reste des données dédié au ressources non-renouvelables sont générées comme expliqué ci-
dessous :
— Le nombre de ressources non-renouvelables est déterminé par le nombre de machines
(nous supposons une ressource par machine.).
— La quantité de ressource non-renouvelable requiert par chaque job est généré uniformé-
ment dans [1, 9].
— La disponibilité de ressources non-renouvelables est donné par une courbe précisant les
dates u 1 j , u 2 j , ..., u q j où la ressource affectée à la machine j est disponible ainsi que les
quantités bt j ,(t ∈ u 1 j , ..., u q j ) arrivant a ces dates.
— Pour chaque ressource consommable, nous supposons que le nombre de dates d’approvi-
sionnement est égale au nombre de machines i.e., q = m .
∑
— Pour chaque ressource l , nous générons les dates d’approvisionnement entre 0 et pi ∗
∑
(∗ = l ) et nous divisons a i j ( j = l ) unités de ressource l aléatoirement entre les dates
d’approvisionnement.
— Pour la disponibilité de ressources, nous pouvons distinguer plusieurs fonctions d’arrivée
représentées par la figure 4.6 et présentées comme suite :
— F 1 : la disponibilité de la ressource non-renouvelable est représentée par une fonction
en escalier croissante.
en escalier décroissante.
en escalier aléatoire.
Deux configurations d’arrivée de ressources sont testées :
1. Arrivée uniforme (UAF*), dans lequel toutes les ressources non-renouvelables du système
suivent la même fonction d’arrivée (F* est soit F 1 ou F 2 ou F 3.).
2. Arrivée non-uniforme (NUA), dans lequel la fonction de disponibilité d’une ressource non-
renouvelable est supposée être soit (F 1) ou (F 2) ou (F 3).
En résumé, nous générons des instances pour les (n , m) paires suivantes : (20, 5), (20, 10), (20,
20), (50, 5), (50, 10), (50, 20), (100, 5), (100, 10) et (100, 20). De plus, afin de tester les limites du
(a) F1
(b) F2 (c) F3
Figure 4.6 : Disponibilité de ressources
modèle mathématique, outre l’ensemble de paires de Taillard considérés, nous générons un autre
ensemble comme suit : (10,5), (10,10), (10,20). Pour chaque cas, nous examinons ces instances
avec les différentes configurations d’arrivée de ressources (UAF1, UAF2, UAF3, NUA) et cela afin
de montrer l’influence de la disponibilité de ressources sur les résultats. Cela donne un total de
48 classes d’instances.
La figure 4.7 nous montre un exemple d’une instance de taille (20,5) de notre benchmark ou la
disponibilité de ressources est représentée par une arrivée uniforme croissante (UAF1).
4.4 Résultats numériques
Dans cette partie, nous présentons les résultats de l’application numérique du modèle mathé-
matique décrit dans ce chapitre sur les instances du problème d’ordonnancement d’atelier de
production Flow-Shop soumise a des contraintes de ressources non-renouvelables.
Afin d’établir les limites du modèle mathématique développé pour ce problème et étudier l’in-
fluence de la disponibilité de ressources sur les résultats, nous exécutons le modèle lorsque la
disponibilité de ressources est représentée par une arrivée uniforme croissante (UAF1), uniforme
décroissante (UAF2), uniforme aléatoire (UAF3) et non-uniforme (NUA).
Les expérimentations sont effectuées en utilisant le solveur commercial CPLEX 12.6 sur le bench-
4.4 RÉSULTATS NUMÉRIQUES 71
Figure 4.7 : Exemple d’une instance du problème traité
mark généré suivant la procédure proposée dans la section précédente. La résolution de ces ins-
tances est bornée à 1800 secondes.
Dans le tableau 4.1, Cma
C P LE X
x exprime le makespan moyen obtenu par CPLEX pour cinq réplica-
tions et C P U représente le temps de calcul moyen en secondes.
À partir du tableau 4.1, nous constatons que le modèle proposé peut résoudre de manière optimale
les instances jusqu’à 20 jobs et 5 machines dans un délai de 1800 s, quelle que soit la configu-
ration UAF1, UAF2, UAF3, ou NUA. Par conséquent, la complexité du problème augmente avec
le nombre de jobs à ordonner et les configurations considérées de la disponibilité des ressources
n’affectent pas la complexité du problème.
En outre, nous observons aussi que le temps de calcul moyen obtenu par toutes les instances
résolues lorsque les ressources non-renouvelables sont fournies par une arrivée uniforme dé-
croissante (UAF2) est inférieur au temps de calcul moyen obtenu par les autres configurations.
Table 4.1 : Résultats obtenus par le solveur CPLEX
Configuration
Problème
UAF1 UAF2 UAF3 NUA
C P LE X
Cm ax CPU C P LE X
Cma x CPU C P LE X
Cma x CPU C P LE X
Cma x CPU
10 x 5 886.40 8.39 798.40 5.76 965.40 7.28 895.40 4.84
10 x 10 1142.20 48.00 1081.60 34.86 1157.60 36.13 1150.60 37.69
10 x 20 1775.00 768.88 1695.20 353.30 1764.80 859.53 1760.00 769.33
20 x 5 1538.20 415.10 1388.25 217.11 1516.40 440.20 1496.75 96.96
20 x 10 - > 1800 - > 1800 - > 1800 - > 1800
4.5 Conclusion
Dans ce chapitre, nous avons examiné le problème d’ordonnancement d’atelier Flow-Shop avec
contraintes de ressources non-renouvelables noté Fm |p r m u , N R |Cma x . L’objectif est de trou-
ver une séquence appropriée de jobs en fonction de la disponibilité des ressources renouvelables
et non-renouvelables, de manière à minimiser le temps d’exécution maximum (makespan). Dans
un premier temps, nous avons décrit formellement le problème et nous avons étudier sa com-
plexité. Ainsi, nous avons donné un exemple pour illustrer l’impact des contraintes de ressources
non-renouvelables sur le makespan du problème. Dans un second temps, nous avons traité ce
problème par une méthode exacte basée sur un modèle linéaire en nombres entiers. Cette modé-
lisation a permis de mieux comprendre le problème grâce aux expressions mathématiques.
Le modèle mathématique a été formulé et validé par le solveur CPLEX, les résultats obtenus
par ce dernier montrent que le modèle proposé peut résoudre de manière exacte jusqu’à 20 jobs
et 5 machines dans la limite du temps. Nous avons constaté également que la configuration de
ressources non-renouvelables n’affecte pas la complexité de problème.
Vu la complexité du problème considéré, les méthodes exactes en général ne peuvent pas être
utilisées pour résoudre les instances de moyenne à grande taille. C’est pour cela que nous abor-
dons dans les chapitres suivants les méthodes approchées pour résoudre en temps raisonnable
les instances de taille importante.
Chapitre 5
Algorithme génétique pour le problème

Flow-Shop sous contraintes de
ressources non-renouvelables
5.1 Introduction
Dans le chapitre précédent, nous avons présenté le problème traité dans ce manuscrit qui est un
problème d’atelier Flow-Shop soumis à des contraintes de ressources non-renouvelables. Nous
avons proposé un modèle mathématique pour décrire le problème et nous avons exposé les résul-
tats obtenus pour différentes configurations de disponibilité de ressources. Nous avons constaté
que le temps d’exécution augmente avec le nombre de jobs et le nombre de machines et que pour
les problèmes de taille importante, il n’est pas possible d’obtenir une solution optimale à ces pro-
blèmes en un temps raisonnable. C’est pour cette raison que dans ce chapitre nous abordons les
méthodes approchées comme une alternative pour trouver des solutions de bonnes qualités pour
résoudre les problèmes de taille importante dans un temps raisonnable.
Le Flow-shop de permutation avec contraintes de ressources non-renouvelables est un problème
d’ordonnancement dont l’objectif consiste à déterminer la meilleure séquence de jobs tout en res-
pectant la disponibilité des ressources consommables. Si nous prenons ce problème séparément,
c’est-à-dire, les problèmes à ressources consommables d’une part et les problèmes d’ordonnan-
cement d’ateliers Flow-Shop d’autre part. Ces deux problèmes ont attiré l’attention d’une com-
munauté de chercheurs, en raison de leur importance dans les contextes théoriques et appliqués.
Pour cela, plusieurs approches ont été proposées pour résoudre ces problèmes. Une grande par-
tie des chercheurs ont employé les approches métaheuristiques pour faire face à la complexité
des problèmes Flow-Shop sous divers contraintes e.g., [11, 62, 120, 130, 137, 138, 145]. Cepen-
dant, l’application des métaheuristiques sur les problèmes d’ordonnancement sous contraintes
de ressources consommables est très limité.
CHAPITRE 5 : ALGORITHME GÉNÉTIQUE POUR LE PROBLÈME FLOW-SHOP SOUS
74 CONTRAINTES DE RESSOURCES NON-RENOUVELABLES
Comme nous avons vu au chapitre 2, il existe de nombreuses métaheuristiques pour les problèmes
d’optimisation combinatoire, et en particulier, pour les problèmes d’ordonnancement Flow-Shop.
Ces métaheuristiques allant de la simple recherche locale à des algorithmes complexes de re-
cherche globale. Une question qui se pose ici est : « Comment pouvons-nous choisir l’algorithme
le plus performant pour le problème d’optimisation considéré dans cette thèse ? ».
Comme le stipule le No Free Lunch Theorem énoncé en 1997 par D. H. Wolpert et W. G. Macready
dans [142], aucune métaheuristique n’est en moyenne meilleure qu’une autre pour résoudre l’en-
semble des problèmes d’optimisation. En effet, une métaheuristique peut s’avérer très performant
sur un problème particulier donné, et avoir de moins bonnes performances sur un autre type
de problème. En d’autres termes, la meilleure performance d’un algorithme A par rapport à un
algorithme B pour un problème donné signifie simplement que l’algorithme A (c’est-à-dire l’al-
gorithme lui-même, mais aussi un choix de paramètres et une implémentation donnée) est mieux
adapté à ce problème et qu’il peut être alors moins performant que B sur l’ensemble des autres
problèmes d’optimisations.
La chose que nous devons garder à l’esprit au sujet de l’évaluation des performances des algo-
rithmes est que la performance dépend de la structure du problème à optimiser et au paramétrage
de l’algorithme. Par conséquent, le choix d’un algorithme qui convient le mieux pour un problème
donné représente une tâche complexe qui nécessite une bonne connaissance des algorithmes et
du problème à optimiser.
Dans ce chapitre, la méthode approchée suggérée pour résoudre le problème d’ordonnancement
d’atelier Flow-shop avec contraintes de ressources non-renouvelables est une métaheuristique à
base d’algorithme génétique. La suite de ce chapitre est organisée comme suit : dans la section
5.2, nous présentons les éléments essentiels qui constituent notre algorithme génétique. Dans la
section 5.3, nous proposons une procédure de recherche locale pour améliorer le fonctionnement
de la métaheuristique proposée. Dans la section 5.4, nous étudions l’influence de différents pa-
ramètres et opérateurs de l’algorithme, et nous déterminons le paramétrage approprié. Dans la
section 5.6, nous évaluons la performance de l’algorithme développé sur différentes configura-
tions d’arrivée de ressources consommables et nous comparons aussi cette performance à celle
de la méthode exacte proposée dans le chapitre 4.
5.2 Algorithme Génétique (AG)
Les algorithmes génétiques constituent la famille des métaheuristiques les plus utilisées en pra-
tique pour surmonter les limites des méthodes exactes et trouver des solutions satisfaisantes
dans un temps de calcul raisonnable pour les problèmes complexes. Ils ont prouvé leur efficacité
sur différents types de problèmes d’optimisation, et en particulier, les problèmes d’altier Flow-
Shop. Les résultats obtenus par l’algorithme génétique pour le problème d’ordonnancement sur
machines parallèles avec ressources consommables exposés dans les travaux de Belkaid et al.
5.2 ALGORITHME GÉNÉTIQUE (AG) 75
[9] nous ont encouragé à utiliser cette méthode sur les problèmes d’ordonnancement d’atelier
Flow-Shop sous contraintes de ressources non-renouvelables.
Les algorithmes génétiques, décrits en détail dans le deuxième chapitre de cette thèse, font par-
tie de la famille des algorithmes évolutionnaires inspirés par l’évolution biologique des espèces
et s’appuient sur des concepts de la génétique. Dans ces algorithmes, on part d’une population
initiale de taille bien déterminée, constitué d’un ensemble de solutions réalisables générées aléa-
toirement ou avec des méthodes heuristiques ou encore avec un mélange de solutions aléatoires
et heuristiques.
Les solutions sont aussi appelées individus ou chromosomes, représentés par une séquence finie
de gènes pouvant prendre des valeurs significatives. Chaque chromosome est caractérisé par une
fonction fitness (qui mesure son adaptation à l’environnement). L’idée de base d’un algorithme
génétique consiste à sélectionner les individus les plus adaptés (appelés parents) pour la repro-
duction. Ensuite, un opérateur de croisement est appliqué aux parents pour produire des enfants.
Les individus peuvent également subir une transformation individuelle appelée opérateur de mu-
tation, qui consiste à appliquer certaines modifications sur le code génétique de l’individu. Ainsi,
seules les solutions les plus performantes sont gardées et sélectionnées pour former la popula-
tion de la génération suivante. Le processus est répété jusqu’à ce qu’une condition d’arrêt est
satisfaite.
Les étapes de l’algorithme génétique adaptées à notre problème sont les suivantes :
5.2.1 Codage utilisé
L’étape cruciale dans la conception d’un algorithme génétique consiste à définir un codage, c’est-
à-dire un moyen de représenter une solution. Pour résoudre le problème d’ordonnancement
Flow-Shop de permutation sous contraintes de ressources non-renouvelables en utilisant l’al-
gorithme génétique, la première attaque consiste à coder une solution du problème sous forme
de chromosome.
Puisque nous sommes dans le cadre de la résolution d’un problème d’ordonnancement de per-
mutation, c’est-à-dire que nous cherchons la permutation des jobs qui minimise le makespan en
présence des contraintes de ressources non-renouvelables. Le codage que nous avons retenu est
basé sur la représentation par permutation. Ce codage a été largement utilisé dans de nombreux
papiers pour résoudre des problèmes d’ordonnancement Flow-Shop de permutation classiques
ou avec des contraintes additionnelles tel-que la contrainte de blocage, la contrainte sans temps
d’arrêt (no-idle) et la contrainte sans délai (no-wait), etc [60, 62, 130].
La permutation des jobs détermine l’ordre relatif d’exécution des jobs sur les machines. La figure
5.1 représente le codage d’une solution quelconque du problème considéré où le job numéro 3
sera lancé en production le premier sur toutes les machines, suivi du job numéro 5 et ainsi de
suite.
Figure 5.1 : Codage d’un chromosome
Il est important de noter que la permutation doit être réalisable, c’est-à-dire que la longueur du
chromosome est égale au nombre de jobs dans le système et qu’il ne pourrait y avoir aucun job
manquant ou répétitive.
5.2.2 Génération de la population initiale
Dans cette étape, nous générons un ensemble de chromosomes, où chaque chromosome repré-
sente une solution réalisable du problème abordé. La population initiale joue un rôle essentiel
dans la détermination de la qualité de la solution finale et également le nombre de générations
au bout duquel on obtient de bonnes solutions [119].
Traditionnellement, dans les AGs, la population initiale est générée de manière aléatoire. La plus
part des auteurs utilisant l’initialisation aléatoire déclarent que cette procedure est le meilleur
choix, car elle permet l’hétérogénéité de la population. Cependant, après une investigation sur
les documents traitant les problèmes Flow-Shop et les AGs, Ruiz et al. [116] proclament que cette
procédure ne donne pas de bons résultats et que la procédure d’initialisation dans un tel problème
combinatoire doit être faite avec beaucoup de soin, pour assurer une meilleurs convergence, dans
un temps raisonnable.
Donc, trouver une bonne population initiale avec une meilleure taille est un problème difficile
et une règle générale ne peut pas être appliquée à tout type de problème. Afin de confirmer
si la population initial à un impact sur les résultats de notre problème, nous avons testé deux
procédures :
(i) Génération aléatoire notée Rand qui génère aléatoirement Ps solutions où Ps indique la
taille de la population.
(ii) Génération combinée notée RandHeur qui est une combinaison entre des solutions générés
à l’aide des heuristiques constructives et des solutions générés aléatoirement. L’objectif de
cette procédure est d’acquérir une population de solutions diversifiées et de qualité. Dans
notre implémentation, trois heuristiques constructives bien connues pour le Flow-Shop de
permutation : NEH [97], NEHKK1[67] et Palmer [103] sont initialement utilisées pour gé-
nérer des solutions tout en respectant les contraintes de ressources non-renouvelables et
cela afin d’assurer une bonne qualité de solutions. En outre, pour maintenir la diversité de
la population, le reste (Ps − 3) des solutions sont générés aléatoirement.
5.2.2.1 Les heuristiques constructives utilisées
L’utilisation de ces heuristiques est justifiée par la bonne qualité des résultats donnés au sein de
différents travaux, notamment ceux de Reeves [112], Ruiz et al. [116] et Zobolas et al. [145].
5.2.2.1.1 Heuristique NEH
L’heuristique NEH (Nawaz-Enscore-Ham) proposée par Nawaz et al. [97] est considéré comme
l’une des meilleures heuristiques constructives pour les problèmes Flow-Shop de permutation
dans le cas de minimisation du makespan. Selon l’analyse et la comparaison effectuées par Ruiz
et al. [117] et kalczynski et al. [68], cette heuristique est compétitive en considérant à la fois la
qualité de la solution obtenue et le temps du processus de recherche.
L’idée de NEH consiste à construire progressivement une séquence correspondant à la solution
en insérant à chaque étape le job ayant une durée totale d’exécution élevée, parmi les jobs non
encore ordonnancé, à la meilleure position dans une séquence partielle, de manière à minimiser le
makesapan. L’adaptation de cette heuristique pour initialiser une solution du problème considéré
est illustrée par l’algorithme 5.
Algorithme 5 Algorithme NEH

Entrées : Ensemble J de n jobs
Sorties : Séquence π
Début
1: for i = 1 to n do
∑
m
2: Calculer la somme de temps opératoire Si pour chaque job Ji , avec Si = Pi j
j =1
3: end for
4: Classer les jobs dans l’ordre décroissant de Si
5: Sélectionner les deux premiers jobs et choisir la séquence π de ces deux jobs qui minimise
le Cma x tout en respectant la disponibilité des ressources non-renouvelables
6: for k = 3 to n do
7: Tester l’insertion du job suivant à n’importe quelle position possible de π tout en
respectant la disponibilité des ressources non-renouvelables
8: gardez l’insertion qui donne la plus faible valeur de Cma x .
9: Mise à jour de π
10 : end for
Fin
5.2.2.1.2 Heuristique NEHKK1
Kalczynski et Kamburowski [67] ont observé que l’heuristique NEH peut être améliorée en insé-
rant les jobs dans le même ordre que celui proposé par Johnson [65] pour le problème Flow-Shop
de permutation à deux machines. Si nous définissons :
∑
m
â i = [(m − 1)(m − 2)/2 + m − j ] ∗ Pi j (5.1)
j =1
∑
m
b̂i = [(m − 1)(m − 2)/2 + j − 1] ∗ Pi j (5.2)
j =1

Alors NEHKK1 insère les jobs dans l’ordre décroissant de cî = min â i , b̂i comme le montre
l’algorithme 6. L’efficacité de cette méthode a été confirmée par Fernandez-Viagas et Framinan
[40].
L’heuristique NEHKK1 a la propriété supplémentaire de résoudre de manière optimale le pro-
blème d’ordonnancement Flow-Shop de permutation à deux machines. Nous avons utilisé le ré-
sultat de cette heuristique comme point de départ pour l’amélioration de la qualité de la popula-
tion initiale de notre algorithme génétique tout en respectant les contraintes de ressources.
Algorithme 6 Algorithme NEHKK1

Début
2: Calculer
∑
m
3: â i = [(m − 1)(m − 2)/2 + m − j ] ∗ Pi j ;
j =1
∑m
4: b̂i = [(m − 1)(m − 2)/2 + j − 1] ∗ Pi j ;
j =1
5: if â i ≤ b̂i then
6: ci = aî
7: else
8: ci = bî
9: end if
10 : end for
11 : Classer les jobs dans l’ordre décroissant de ci
12 : Sélectionner les deux premiers jobs et choisir la séquence π de ces deux jobs qui minimise
le Cma x tout en respectant la disponibilité des ressources non-renouvelables
13 : for k = 3 to n do
14 : Tester l’insertion du job suivant à n’importe quelle position possible de π tout en
respectant la disponibilité des ressources non-renouvelables
15 : gardez l’insertion qui donne la plus faible valeur de Cma x .
16 : Mise à jour de π
17 : end for
Fin
5.2.2.1.3 Heuristique de Palmer
Palmer [103] a introduit le concept d’indice pour déterminer la meilleur séquence de jobs pour
les problèmes Flow-Shop. L’heuristique de Palmer consiste en deux phases, dans la phase initiale,
l’indice est calculée pour chaque job en utilisant l’équation suivante :
∑
m
Si = (m − 2 ∗ j + 1) ∗ Pi j (5.3)
j =1
Cet indice permet de favoriser les travaux ayant des petits temps opératoires sur les premières
machines et des grands temps opératoires sur les dernières machines en les plaçant en premier,
et dans la configuration inverse en dernier. Ensuite, la meilleure solution est obtenue en agençant
les jobs dans l’ordre décroissant par rapport à leur indice Si , comme le montre l’algorithme 7.
Cette heuristique se caractérise par un minimum d’effort de calcul et une méthodologie efficace
pour atteindre un meilleur makespan.
Algorithme 7 Algorithme de Palmer

Début
∑
m
2: Calculer Si = (m − 2 ∗ j + 1) ∗ Pi j ;
j =1
3: end for
4: Classer les jobs dans l’ordre décroissant de Si
5: Retourner la sequence obtenue π
Fin
5.2.3 Évaluation de la solution
Dans cette étape, on associe à chaque individu une fonction d’évaluation (fitness) pour calculer
sa force d’adaptation. La fonction fitness est basé sur l’objectif à optimiser et attribue à chaque
individu de la population une valeur reflétant leur infériorité ou supériorité (déterminer si l’in-
dividu peut survivre et produire des enfants, ou mourir). Pour un problème de maximisation, la
mesure de la performance constitue généralement la fonction objectif. Cependant, pour les pro-
blèmes de minimisation, la méthode pour déterminer la fonction fitness diffère des problèmes de
maximisation.
Dans notre cas, le problème a pour but de minimiser le makespan, alors la force de l’individu i
peut être exprimé tout simplement par l’équation 5.4.
F (i ) = 1/ f (i ) (5.4)
Où i est le i ème individu dans la population, f (i ) est la valeur de makespan pour l’individu i et
F (i ) est sa fonction fitness.
5.2.4 Opérateur de sélection
Après avoir généré la population initiale, la sélection vise à identifier les meilleurs individus de la
population pour la reproduction, en fonction de leur fitness. Cependant, ce n’est pas parce qu’un
individu est bon qu’il survive nécessairement et de même, ce n’est pas parce qu’il est mauvais
qu’il doit disparaître. En effet, bien, souvent, une bonne génération peut descendre d’un individu
décrété mauvais. Pour la mise au point de notre algorithme génétique, nous avons recours à la
procédure de sélection par roulette définie dans le chapitre 2, qui est sans doute la procédure la
plus connue et utilisée. Cette procédure, basée sur le principe de la roue de loterie, favorise les
individus forts. Contrairement à d’autres procédures, la sélection choisie maintient la diversité
de la population en laissant une chance aux individus faibles pour être sélectionnés.
Le principe de cette procédure consiste à associer à chaque individu un secteur de la roue dont
l’angle est proportionnel à la valeur de sa fonction fitness F (i ). Si la population des individus est
de la taille égale à Ps i z e , alors la probabilité de sélection P (i ) d’un individu i est :
P∑
size
P (i ) = F (i )/ F (i ) (5.5)
i =1
Les différentes étapes de cette procédure sont données par l’algorithme 15.
5.2.5 Opérateur de croisement
Le croisement a pour but d’enrichir la diversité de la population en manipulant la structure des

chromosomes. Un croisement fusionne l’information génétique de deux individus appelés « pa-
rents » et génère deux nouveaux individus appelés « enfants ». Les individus survivants à la
phase de sélection vont subir le croisement avec une probabilité Pc , le choix de la méthode de
croisement dépend de la technique de codage utilisée (caractéristiques du problème).
Dans notre algorithme génétique, deux méthodes de croisement ont été testées : croisement à
un point (one-point crossover (OPX)) et croisement à deux points (two-point crossover (TPX)).
Ces deux méthodes ont été choisies de manière à garantir la faisabilité et la légalité de toutes les
solutions codées avec la représentation par permutation.
Les différentes étapes de ces deux procédures sont données respectivement par les algorithmes
9 et 10.
Algorithme 8 Sélection par roulette

Entrées : Population ; Ps i z e taille de la population ; f (i ) makespan de l’individu i
Sorties : Individus sélectionnés pour la reproduction.
Début
1: for i = 1 jusqu’à Ps i z e do
2: Calculer la fonction fitness F (i ) en utilisant l’équation 5.5
3: end for
5: Calculer la probabilité de sélection P (i ) en utilisant l’équation 5.5
6: end for
8: if i == 1 then
9: C u mP r o b (i ) = P (i ) ◃ C u m P r o b (i ) probabilité cumulée du i ème individu
10 : else
11 : C u mP r o b (i ) = C u m P r o b (i − 1) + P (i )
12 : end if
13 : end for
14 : for i = 1 jusqu’à Ps i z e do
∑Ps i z e
15 : Générer aléatoirement une probabilité x où x ∈ [0, i =1 C u m P r o b (i )]
16 : if C u mP r o b (i ) < x < C u m P r o b (i + 1) then
17 : Choisir l’individu (i + 1)
18 : end if
19 : end for
20 : Retourner l’ensemble des individus sélectionnés pour la reproduction
Fin
Example :
Considérons un problème à sept jobs. Un exemple de croisement à un point est représenté par
la figure 5.2.
Figure 5.2 : Opérateur de croisement à un point

Algorithme 9 Algorithme de croisement à un point (OPX)

Entrées : P 1, P 2 individus parents ; n longueur d’individu ; α entiers ∈ [1, n ] ; Pc probabilité
de croisement
Sorties : E 1, E 2 individus enfants.
Début
1: Choisir deux parents P 1 et P 2 pour générer deux enfants E 1 et E 2
2: Générer un nombre x aléatoirement x ∈ [0, 1]
3: if x ≤ Pc then
4: Générer un entier aléatoire α en tant que « point de croisement » (ce point de croise-
ment ou coupure est placé aux mêmes endroits pour les deux parents)
5: Copier tous les jobs qui se situe d’un côté du point de coupure α des parents choisis
sur les deux enfants respectivement, ici, nous copions ceux du parent P 1 à l’enfant
E 1, ceux du parent P 2 à l’enfant E 2.
6: Compléter la partie restante de l’enfant E 1 par les éléments du parent P 2 et la partie
restante de l’enfant E 2 par les éléments du parent P 1 en balayant de gauche à
droite et en ne reprenant que les éléments non encore transmis
7: end if
8: Mettre à jour les individus E 1 et E 2
Fin
Example :
Considérons le même exemple que précédemment, mais dans ce cas il y a
deux points de croisement α et β . Cet opérateur est illustré par la figure 5.3
Figure 5.3 : Opérateur de croisement à deux point
5.2.6 Opérateur de mutation
Après application de l’opérateur de croisement, une fraction d’individus est sélectionnée avec
une probabilité Pm pour subir la mutation. La mutation est le processus de changement aléatoire
des valeurs des gènes dans les chromosomes, l’objectif visé par l’application de cet opérateur
Algorithme 10 Algorithme de croisement à deux point (TPX)

Entrées : P 1, P 2 individus parents ; n longueur d’individu ; α, β entiers ∈ [1, n ] ; Pc probabi-
lité de croisement
Sorties : E 1, E 2 individus enfants.
Début
1: Choisir deux parents P 1 et P 2 pour générer deux enfants E 1 et E 2
2: Générer un nombre x aléatoirement x ∈ [0, 1]
3: if x ≤ Pc then
4: Générer aléatoirement deux points de croisements α, β ∈ [2,…, n − 1] avec α < β
5: Copiez le segment entre les deux points sélectionnés α et β de parent P 1 à l’enfant
E 1 et de parent P 2 à l’enfant E 2
6: Supprimez les jobs de Parent P 2 inclus dans le segment hérité du Parent P 1. Copiez
les jobs restants dans la position disponible de l’enfant E 1 (de la même manière
on construit l’enfant E 2)
7: end if
8: Mettre à jour les individus E 1 et E 2
Fin
est de maintenir la diversité des chromosomes et introduire une variabilité supplémentaire dans
la population, et cela, afin de garantir que l’algorithme génétique sera susceptible d’atteindre la
plupart des points du domaine réalisable et éviter une convergence prématurée vers un minimum
local.
Nous avons vu au chapitre 2, qu’il existe plusieurs méthodes de mutation, mais le choix de cet
opérateur dépend du problème étudier, autrement dit du codage utilisé. Les méthodes les plus
courantes pour la représentation par permutation sont la mutation par échange et la mutation
par insertion. Dans cette partie, ces deux méthodes de mutation ont été testées.
(i) La mutation par échange (swap mutation) consiste à interchanger deux gènes du même
chromosome, la procédure de cette mutation est définit par l’algorithme 11 et représentée
par la figure 5.4.
(ii) La mutation par insertion (shift mutation) consiste à choisir aléatoirement un gène et à
l’insérer dans une position choisie au hasard dans le chromosome à muter, comme décrit
dans l’algorithme 12 et la figure 5.5.
Example :
La figure 5.4 démontre un exemple de cette procédure de mutation, où les jobs placés aux
deuxième et cinquième positions sont échangés ( J7 et J5 ).
Algorithme 11 Algorithme de mutation par échange

Entrées : i individu ; n longueur d’individu ; α, β entiers ∈ [1, n] ; Pm probabilité de mutation
Sorties : i ′ individu muté
Début
1: Sélectionner aléatoirement un individu i
2: Générer un nombre γ aléatoirement γ ∈ [0, 1]
3: if γ ≤ Pm then
4: Choisir aléatoirement deux positions α et β (α ̸= β ), correspondant respectivement
aux jobs Jk et Jk ′ de l’individu i
5: Permuter les jobs Ji et Jk
6: end if
7: Mettre à jour l’individu muté i ′
Fin
Algorithme 12 Algorithme de mutation par insertion

Entrées : i individu ; n longueur d’individu ; α entiers ∈ [1, n] ; Pm probabilité de mutation
Sorties : i ′ individu muté
Début
1: Sélectionner aléatoirement un individu i
2: Générer un nombre γ aléatoirement γ ∈ [0, 1]
3: if γ ≤ Pm then
4: Choisir aléatoirement un job Jk et une position α de l’individu i
5: Insérer le job Jk à la position α
6: Décaler à droite les autres jobs.
7: end if
8: Mettre à jour l’individu muté i ′
Fin
Figure 5.4 : Mutation par échange

Example :
L’opérateur de mutation par insertion est illustré à la figure 5.5, où le gène sélectionné est
cerclé et la nouvelle position est indiquée par une flèche.
Figure 5.5 : Mutation par insertion
5.2.7 La stratégie de remplacement
Après la reproduction, nous devons décider quels individus seront survécu et transférés à la géné-
ration suivante. Le processus de formation de la prochaine génération d’individus en remplaçant
ou en retirant des enfants ou des parents est effectué par l’opérateur de remplacement. Le rem-
placement aide à trouver les individus qui remplaceraient la génération actuelle pour former la
génération suivante.
Dans la stratégie de remplacement utilisée, l’ensemble des parents et des enfants sont regroupés
en une unité (taille de cette unité égale à 2 ×Ps i z e ). Les parents et les enfants rivalisent pour
survivre. Ils sont triés selon leur fonction fitness. Ensuite, les meilleurs chromosomes équivalents
à la taille de la population sont choisis pour former la génération suivante.
Algorithme 13 Algorithme de Remplacement

Entrées : Ps i z e taille de population ; P populations parentes ; E population enfants ; makespan
pour chaque individu.
Sorties : NewPop nouvelle population
Début
1: Pool ← P + E
2: for i dans Pool do
3: Calculer la fonction fitness F (i ) en utilisant l’équation 5.5
4: end for
5: Trier Pool dans un ordre croissant selon la fonction fitness
6: Stocker les Ps i z e meilleurs individus dans NewPop
7: P ← NewPop
8: Mise à jour de P
Fin
5.2.8 Mécanisme d’arrêt
Pour mettre fin à l’exécution de l’algorithme génétique, un critère d’arrêt est nécessaire. Comme il
n’y a pas de règle praticable pour définir une condition d’arrêt appropriée, la méthode habituelle
consiste à définir un nombre maximal de générations.
Dans cette étude, le critère d’arrêt que nous avons utilisé est conditionné par un nombre maximal
de générations, fixé en fonction de la taille du problème.
5.3 Recherche locale
Plusieurs travaux sur les problèmes d’ordonnancements ont montré que l’incorporation de la
recherche locale améliore les performances des métaheuristiques. Motivés par cette observation,
nous proposons de renforcer notre approche décrite dans la section précédente en l’hybridant
avec une procédure de recherche locale.
Il est bien connu que l’algorithme génétique est une méthode d’optimisation globale, mais qu’elle
ne dispose pas d’une bonne performance de la recherche locale. L’idée d’améliorer les perfor-
mances de l’algorithme génétique en l’hybridant avec une méthode heuristique a été fréquem-
ment étudiée pour résoudre les problèmes Flow-Shop (cf. [23, 27, 132, 139 ? ]).
Dans cette thèse, pour renforcer les performances de notre l’algorithme génétique, nous propo-
sons de l’hybrider avec une procédure de recherche locale. La recherche locale peut être résumée
comme étant une procédure de recherche itérative qui, à partir d’une solution réalisable, l’amé-
liore progressivement en appliquant une série mouvements.
La recherche locale que nous proposons correspond à la technique d’insertion proposée par Na-
waz et al. [97]. Plus précisément, cette recherche locale est considéré comme une fonction qui
prend comme entré une séquence aléatoire de jobs (au lieu d’une séquence de jobs triée par ordre
décroissant de la somme de temps de traitement). Ensuite, les étapes de l’algorithme NEH sont
simplement suivies. Si la nouvelle séquence résultante conduit à une meilleure fonction objectif,
la solution actuelle est remplacée par la nouvelle séquence.
Le pseudo-code de cette procédure est décrit par l’algorithme 14, où :
— ρ est une séquence partielle.
— σ(i ) est le i m e élément dans la séquence σ.
— c a r d (ρ) indique le nombre de jobs dans la séquence ρ
— ρ(r, k ) est la séquence partielle résultante dans laquelle le job r est inséré dans la k m e position
de la séquence ρ .
— k ∗ est la position pour laquelle le minimum makespan est atteint.
— E (σ) est la fonction objectif de la séquence σ
Cette recherche locale avec le voisinage insertion (insertion neighborhood), a été considéré comme
5.3 RECHERCHE LOCALE 87
Algorithme 14 Recherche locale

Entrées : Séquence σ de n jobs
Début
1: set ρ = (σ(1))
2: set κ = c a r d (ρ) = 1
3: let r = σ(κ + 1)
4: for k = 1 to κ + 1 do
5: Calculer E (ρ(r, k )) pour trouver la séquence ρ(r, k ∗ ) qui minimise le makespan
6: set ρ = ρ(r, k ∗ )
7: set κ = κ + 1
8: if κ < n then
9: Retourner à l’étape 3
10 : else
11 : ρ est la séquence finale
12 : end if
13 : end for
14 : if E (ρ) < E (σ) then
15 : σ ←− ρ
16 : end if
Fin
adéquate pour les problèmes Flow-Shop de permutation [116].

Dans ce travail, nous étudions l’influence de l’hybridation de l’AG avec la recherche locale pro-
posée. Notre algorithme utilise l’hybridation qui se produit avec deux procédures différentes :
(1) PsyLS (Partiel systematic local search) : cette procédure se produit pour différents pourcen-
tages de générations et pour chaque pourcentage, la recherche locale peut être appliqué de
trois manières différentes : aux générations initiales, au milieu et à celles de la fin. Puisque
les métaheuristique arrêtent leur diversification dans les dernières itérations, nous appli-
quons la recherche locale systématiquement au meilleur individu pour 30, 50, 80 et 100
pourcents des dernières itérations de l’algorithme proposé.
(2) RanLS (Random local search) : pour chaque meilleur individu de chaque génération, nous
effectuons la recherche locale mentionnée ci-dessus avec une probabilité prédéfinie Pl s .
Contrairement à PsyLS, RanLS génère un nombre aléatoire α entre [0, 1], si α < Pl s alors la
recherche locale est appliquée au meilleur individu de chaque génération, mais pas à tous
les individus de la population.
Dans cette procédure, trois niveaux de Pl s sont testés : faible, moyen et élevé, avec une
probabilité de 0.1, 0.5 et 0.8 respectivement.
5.4 Paramétrage de l’algorithme génétique proposé
Dans les deux sections précédentes, nous avons défini les différentes phases de l’algorithme gé-
nétique proposé. Cependant, la difficulté majeure de ce dernier ne réside pas uniquement dans
la mise en œuvre de l’algorithme lui-même, mais plutôt, dans le choix des valeurs adéquates
des différents paramètres de cet algorithme à savoir : la taille de la population, la probabilité de
croisement et de mutation et les techniques à utiliser pour les réaliser.
5.4.1 Taille de population
Taille de population Ps diffère d’un algorithme génétique à un autre et d’un problème à un autre,
i.e., qu’il n’y a pas de standardisation quant au choix de la taille de population. En générale, une
grande population peut abaisser exagérément le taux de convergence et altérer les performances
de l’algorithme (l’augmentation du temps de résolution). En revanche, une population de petite
taille ne permet pas une bonne exploration de l’espace de recherche et par conséquent, elle peut
conduire à une convergence prématurée de la population vers un optimum local. Donc, la taille
de la population doit donc être choisie de façon à trouver un bon compromis entre le temps de
calcul et la qualité de solution.
5.4.2 Probabilité de croisement
L’opérateur de croisement a pour but d’enrichir la diversité de la population. Cet opérateur est
appliqué avec une certaine probabilité appelée taux ou probabilité de croisement notée Pc (typi-
quement proche de l’unité). Plus cette probabilité est élevée plus il y aura de nouvelles structures
dans la population. En revanche, une faible probabilité de croisement appauvrit la population et
ralentit l’évolution. C’est pourquoi, la probabilité de croisement est généralement supérieure à
0.6.
5.4.3 Probabilité de mutation
L’opérateur de mutation permet d’étendre l’espace de recherche et réduire la probabilité de conver-

ger vers un minimum local. Cet opérateur est appliqué avec une certaine probabilité appelée taux
ou probabilité de mutation notée Pm . Cette probabilité est généralement faible puisqu’une proba-
bilité élevée risque de disperser les solutions par génération et dégrader le taux de convergence.
Donc, une conception appropriée de ces paramètres (Ps , Pc , Pm ) a un impact significatif sur l’ef-
ficacité de l’algorithme génétique. Mais à noter que le choix de ces paramètres et les techniques
utilisées pour les réaliser dépend fortement du problème à résoudre. Cependant, dans la plupart
des travaux portant sur les problèmes d’ordonnancement Flow-Shop, les auteurs ont ajusté les
paramètres des métaheuristiques proposées, et en particulier les algorithmes génétiques, manuel-
5.4 PARAMÉTRAGE DE L’ALGORITHME GÉNÉTIQUE PROPOSÉ 89
lement sur la base des valeurs de référence de la littérature similaire ou bien, ils ont opté pour un
paramétrage standard et aucune étude n’a été effectuée afin d’adapter le meilleur paramétrage
des algorithmes proposés. Compte tenu de l’importance d’un bon paramétrage, ce dernier fait
l’objet de cette section.
Le problème à résoudre consiste à régler a priori les paramètres de l’algorithme génétique proposé
pour la résolution du problème Flow-Shop sous contraintes de ressources non-renouvelables.
L’objectif à atteindre est de trouver la combinaison de ces paramètres qui donne le meilleur com-
portement pour notre l’algorithme génétique. Pour ce faire, nous adoptons une approche basée
sur les méthodes de plans d’expériences (en anglais, design of experiments ou DOE) pour régler
au mieux les paramètres de l’algorithme proposé. Avant d’utiliser cette approche expérimentale,
les concepts suivants doivent être définis :
— Réponses : c’est la variable qui mesure le phénomène auquel on s’intéresse. Dans notre pro-
blème, c’est le fitness de la solution.
— Facteurs : appelée aussi variables d’entrées, ce sont les variables que l’on désire étudier. Dans
notre problème, les facteurs sont les paramètres de l’algorithme génétique à régler.
— Niveau d’un facteur : le niveau d’un facteur indique les valeurs que peux prend ce facteur dans
le plan d’expériences. Ces valeurs peuvent être quantitatives ou qualitatives.
Donc, un plan d’expérience peut être défini comme une technique qui permet de :
— Quantifier les effets des variables d’entrée (facteurs) sur la variable de sortie (réponse) en un
nombre minimal d’expériences pour sélectionner les facteurs qui ont un effet significatif et
éventuellement les classer en fonction de leurs effets.
— Déterminer la meilleure combinaison des facteurs d’entrée qui permet d’optimiser la variable
de sortie toujours en un nombre minimal d’expériences.
Différentes méthodes de plans expérimentaux existent, chacun permettant de répondre à des
problématiques expérimentales différentes. Citons entre autres, les plans complets, les plans fac-
toriels fractionnaires, les plans de Koshal, les plans de Plackett-Burman et les plans de Taguchi.
La méthode utilisée pour réaliser ce travail est celle des plans de Taguchi. Ces plans sont issus
des travaux de M. Genichi Taguchi au début des années 1960, pour lequel l’aspect industriel a été
pris en compte [105].
La méthode de Taguchi vient pour enrichir les méthodes de plans d’expériences en apportant
une amélioration considérable aux plans factoriels complets et fractionnaires. Elle a pour but
de simplifier le protocole expérimental afin de mettre en évidence les effets de facteurs sur la
réponse. Cette méthode se distingue par une réduction importante du nombre d’essais, tout en
gardant une bonne précision. L’expérimentateur dans la méthode de Taguchi choisit librement les
facteurs et les interactions à étudier. La spécificité et la puissance de cette méthode résident dans
l’utilisation d’un outil de mesure de performance, dénommé rapport Signal sur Bruit (symbolisé
par : S/N).
La méthode de Taguchi a connu, dans un premier temps, un succès dans les secteurs industriels
et, en particulier, dans le domaine agroalimentaire, puis elle a suscité l’intérêt de la communauté
de statisticiens pour un développement et une étude assez larges [118].
Pour de plus amples détails sur cette méthode, nous référons le lecteur au livre de Ranjit Roy
[115].
5.4.4 Application de la méthode de Taguchi
La mise en œuvre de la méthode de Taguchi nécessite le suivi d’une démarche basée sur les septs
étapes suivantes :
— Étape 1 : identifier le problème et les objectifs à atteindre.
— Étape 2 : identifier les facteurs qui affectent la réponse.
— Étape 3 : déterminer les niveaux de chaque facteur.
— Étape 4 : sélectionner une table orthogonale (table de Taguchi) appropriée.
— Étape 5 : construire le plan en fonction de la table de Taguchi.
— Étape 6 : réaliser les expériences.
— Étape 7 : analyser les résultats.
Comme nous avons cité précédemment, le problème à résoudre consiste à régler a priori les
paramètres de l’algorithme génétique proposé pour la résolution du problème Flow-Shop sous
contraintes de ressources non-renouvelables. L’objectif à atteindre est donc de trouver la combi-
naison de ces paramètres qui donne le meilleur comportement pour notre algorithme génétique.
Dans cette étude, nous avons choisi parmi l’ensemble des facteurs d’algorithme génétique à ajus-
ter, six principaux facteurs couramment étudiés qui sont :
(A) La méthode dont la population initiale est générée (population initiale).
(B) La technique de croisement.
(C) La technique de mutation.
(D) La taille de la population.
(E) La probabilité de croisement.
(F) La probabilité de mutation.
Après une analyse préliminaire approfondie de l’algorithme, les facteurs sélectionnés et leurs
niveaux sont présentés dans le tableau 5.1. Ces derniers ont été choisis à partir de données issues
d’articles publiés dans des revues spécialisées portant sur les problèmes Flow-Shop et d’ouvrages
généraux sur les algorithmes évolutionnistes.
En fonction du nombre de paramètres pris en compte et le nombre de niveaux de paramètres, un
plan factoriel complet nécessite 216 (23 × 33 ) expériences. En outre, le nombre d’expériences sera
répété cinq fois afin de tenir compte du comportement stochastique de l’algorithme génétique.
Par conséquent, le nombre d’expériences requis pour un problème sera 1080 (216 × 5) expériences.
5.4 PARAMÉTRAGE DE L’ALGORITHME GÉNÉTIQUE PROPOSÉ 91
Table 5.1 : Facteurs et leurs niveaux
Facteurs
Population initiale Croisement Mutation Ps Pc Pm
Codage A B C D E F
Niveau 1 Rand OPX Swap 100 0.8 0.1
Niveau 2 Randheur TPX Shift 150 0.9 0.15
Niveau 3 200 1 0.2
La réalisation de toutes ces expériences nécessite un temps de calcul considérable. Pour cette
raison, nous avons choisi la technique de Taguchi afin de réduire le nombre d’expériences.
Dans notre problème, la taille de la population, la probabilité de croisement et la probabilité de
mutation ont trois niveaux, mais les autres facteurs tels que la méthode dont la population initiale
est générée, la technique de croisement et de mutation ont deux niveaux. Donc, à partir des tables
de Taguchi, la table L36 est sélectionnée comme la table ou bien la matrice d’expériences la plus
adaptée à nos exigences.
Après avoir exécuté l’algorithme génétique sur des instances de tailles différentes en fonction
de la matrice d’expériences sélectionnée, les réponses sont individuellement transformées en
rapport S/B. Comme notre fonction objectif vise à minimiser le makespan, alors le rapport S/N est
calculé à l’aide de la formule d’optimum est un minimum « Lower-is-Better », décrite ci-dessous :

∑
n
S/N = −10. log 1/n . yi2 (5.6)
i =1
Où n représente le nombre de répétitions de l’expérience et y représente la valeur de la réponse

obtenue à la i m e répétition.
Ces expériences sont testées en utilisant le logiciel statistique Minitab 17, la table de réponse et
le graphique produits sont illustrés dans le tableau 5.2 et la figure 5.6.
Comme l’illustre le tableau de réponse 5.2, le facteur A (population initiale) joue un rôle impor-
tant dans le processus d’exécution de l’algorithme génétique proposé. En outre, l’influence des
six facteurs sur la minimisation du makespan pour le problème Flow-Shop sous contraintes de
ressources non-renouvelables est, de l’ordre de : population initiale, technique de mutation, tech-
nique de croisement, taille de la population, probabilité de croisement et probabilité de mutation.
De plus, selon la figure 5.6, le meilleur niveau de chaque facteur est celui avec le rapport S/N élevé.
Par conséquent, la meilleure combinaison de facteurs est : A2 B2 C2 D3 E2 F3 (A2 : population
initiale = RandHeur, B2 : technique de croisement = PTX, C2 : technique de mutation = shift
mutation, D3 : taille de la population = 200, E2 : probabilité de mutation = 0.9 et F3 : probabilité
de mutation = 0.15).
Table 5.2 : Tableau de réponses pour les rapports S/N
Facteur
Niveau
A B C D E F
1 -67,29 -67,09 -67,1 -67,09 -67,08 -67,08
2 -66,93 -67,06 -67,05 -67,07 -67,07 -67,07
3 -67,07 -67,08 -67,07
Delta 0,36 0,02 0,05 0,02 0,01 0,01
Rang 1 3 2 4 5 6
La figure 5.6 montre aussi que le facteur A a l’effet le plus important, c’est-à-dire que ce facteur
a un impact significatif sur le rapport S/N. Nous pouvons donc affirmer que le fait de démarrer
notre algorithme génétique avec des solutions satisfaisantes conduit à des meilleures résultats.
Figure 5.6 : Graphe de réponses pour les rapports S/N
5.5 Résultats expérimentaux
Afin de tester les performances de l’algorithme génétique hybride développé pour le problème
d’ordonnancement Flow-Shop sous contraintes de ressources non-renouvelables, nous effectuons
des simulation lorsque la disponibilité de ressources non-renouvelables est représentée par une
arrivée uniforme croissante (UAF1), uniforme décroissante (UAF2), uniforme aléatoire (UAF3) et
non-uniforme (NUA).
Pour chaque taille de problème sous différentes configurations, cinq essais indépendants sont
effectués et les résultats sont présentés séparément pour l’AG avec recherche locale aléatoire
5.5 RÉSULTATS EXPÉRIMENTAUX 93
Table 5.3 : Paramètres de l’AG utilisés dans la simulation
Paramètre Valeur
Taille de la population 200
Population initiale RandHeur
Méthode de croisement Croisement à deux points
Méthode de mutation Mutation par insertion
Taux de croisement 0.9
Taux de mutation 0.15
(AG_RanLS) et l’AG avec recherche locale partielle systématique (AG_PsyLS). Pour les deux re-
cherches locales, les résultats sont résumés respectivement dans les tableaux 5.4 et 5.5 pour les
problèmes de petite taille et les tableaux 5.6 et 5.7 pour les problèmes de moyenne à grande taille.
L’algorithme génétique proposé a été tourné en utilisant les paramètres résultant de la méthode
de Taguchi (cf. section 5.4), ces paramètres sont résumés dans le tableau 5.3. Tous les algorithmes
proposés dans cette thèse sont codés en Langage MATLAB et exécutés sur un PC avec CPU CORE
i5 1.9 GHz.
5.5.1 Résultats de calcul pour les problèmes de petites tailles
Les résultats des tableaux 5.4 et 5.5 montrent le comportement des algorithmes au moment de
la résolution des problèmes de petites tailles sur les diffiérents configurations proposés. Dans
ces tableaux, les AR E représentent l’erreur relative moyenne par rapport à la solution optimale
trouvée par CPLEX, calculées comme :
mt hod e
Cma x − Cma
C P LE X
x
AR E % = C P LE X
× 100 (17)
Cma x
où Cma
mt hod e
x représente la solution générée par la méthode considérée .
Premièrement, nous démontrons l’efficacité de la recherche locale en comparant l’AG hybride
(AG_PsyLS et AG_RanLS) avec l’AG sans recherche locale (AG_NoLS).
Le tableau 5.4 illustre l’effet de Pl s sur la qualité de la solution et le temps de calcul. Pl s détermine
la probabilité d’utilisation de la recherche locale proposée pour le meilleur individu de chaque
génération.
À partir du tableau 5.4, nous constatons que les performances obtenues par AG lorsque Pl s (qui
signifie qu’aucune recherche locale n’est appliquée) sont pires que ceux obtenus lorsque Pl s > 0.
Les résultats montrent que lorsque Pl s augmente, le temps de calcul moyen (c’est-à-dire, C P U )
augmente aussi, tandis que la qualité de la solution varie avec une petite magnitude en particulier
lorsque nous comparons AG_NoLS avec AG_RanLS (Pl s =0.1). C’est-à-dire que AG_RanLS avec
une probabilité de 0.1 n’affecte pas trop la qualité de solution d’AG.

En même temps, nous pouvons observer du tableau 5.4 que les valeurs AR E résultant de l’AG
avec la recherche locale aléatoire (AG_RanLS) pour les problèmes (10×5) et (10×10) sont proches
de zéro lorsque la disponibilité de ressources est une fonction uniforme. Cependant, avec l’aug-
mentation du nombre de jobs et le nombre de machines, on peut constater que l’erreur relative
obtenue par l’AG hybride dans le cas ou la disponibilité de ressources non-renouvelables est une
fonction uniforme décroissante est meilleure que les autres configurations considérées.
Table 5.4 : Comparaison de résultats - problèmes de petites tailles : AG_RanLS
Configuration
Problème Méthode UAF1 UAF2 UAF3 NUA
ARE CPU ARE CPU ARE CPU ARE CPU
AG_NoLS 1.26 1.91 1.35 1.90 0.00 2.04 0.51 1.91
AG_RanLS (Pl s = 0.1) 0.45 2.03 1.35 1.92 0.00 2.05 0.51 1.97
10 x 5
AG_RanLS (Pl s = 0.5) 0.23 2.09 1.20 1.99 0.00 2.07 0.20 1.98
AG_RanLS (Pl s = 0.8) 0.23 2.14 0.43 2.02 0.00 2.11 0.04 2.01
AG_NoLS 0.96 2.79 0.87 2.80 0.98 2.78 0.78 2.73
AG_RanLS (Pl s = 0.1) 0.93 2.82 0.85 2.83 0.09 2.84 0.75 2.77
10 x 10
AG_RanLS (Pl s = 0.5) 0.79 2.90 0.59 3.02 0.09 2.95 0.19 2.82
AG_RanLS (Pl s = 0.8) 0.79 2.99 0.54 3.05 0.00 3.01 0.00 2.95
AG_NoLS 0.54 4.84 0.17 4.72 0.76 4.88 0.75 4.95
AG_RanLS (Pl s = 0.1) 0.16 4.90 0.14 4.77 0.62 4.94 0.75 4.98
10 x 20
AG_RanLS (Pl s = 0.5) 0.16 5.18 0.02 5.02 0.46 5.20 0.52 5.03
AG_RanLS (Pl s = 0.8) 0.15 5.28 0.00 5.11 0.39 5.37 0.35 5.18
AG_NoLS 2.44 5.58 2.19 5.41 3.75 5.28 2.45 5.42
AG_RanLS (Pl s = 0.1) 1.76 5.92 1.45 5.71 3.19 5.46 1.53 5.76
20 x 5
AG_RanLS (Pl s = 0.5) 1.44 6.39 1.10 6.37 2.59 5.98 0.91 6.28
AG_RanLS (Pl s = 0.8) 1.25 6.71 0.75 6.46 2.20 6.38 0.79 6.68
Le tableau 5.5 montre que les valeurs AR E obtenues par l’AG avec différents pourcentages de
recherche locale (AG_PsyLS) sont bien meilleures que celles obtenues par l’AG sans recherche
locale (AG_NoLS), ce qui démontre l’efficacité de l’incorporation de la recherche locale dans
AG proposé. De plus, nous observons que la qualité de la solution s’améliore considérablement
à mesure que nous augmentons le pourcentage d’hybridation, par exemple, dans le cas ou la
disponibilité de ressources non-renouvelables est une fonction uniforme aléatoire (UAF3) et pour
le problème de taille (10 × 10), la qualité de la solution s’est améliorée de 0.98 % sans hybridation
(AG_NoLS) à 0.47% avec 10% d’hybridation et à la valeur optimale avec 100% d’hybridation.
Puisque la recherche locale est appliquée, le temps de calcul de AG_PsyLS est supérieur à celui
de AG_NoLS.
Un comportement similaire à AG_RanLS peut être observé pour l’impact de la disponibilité des
ressources sur les performances de AG_PsyLS. On peut dire que les meilleurs résultats obtenus
par AG_PsyLS sont en moyenne très proches de l’optimum lorsque la disponibilité des ressources
est une fonction uniforme. Cependant, pour plus de 10 machines et 10 jobs, AG_PsyLS a une
performance moyenne supérieure dans le cas ou la disponibilité de ressources non-renouvelables

est une fonction uniforme décroissante.
À partir des tableaux 5.4 et 5.5, nous observons une régularité dans les performances de AG_RanLS
et AG_PsyLS en particulier lorsque Pl s ≥ 0.5 (pourcentage ≥ 50).
Table 5.5 : Comparaison de résultats - problèmes de petites tailles : AG_PsyLS
Configuration
ARE CPU ARE CPU ARE CPU ARE CPU
AG_NoLS 1.26 1.91 1.35 1.90 0.00 2.07 0.51 1.91
AG_PsyLS (10%) 0.45 1.92 0.43 1.91 0.00 2.13 0.25 1.93
10 x 5 AG_PsyLS (50%) 0.36 1.99 0.33 1.96 0.00 2.13 0.16 1.99
AG_PsyLS (80%) 0.23 2.07 0.33 2.02 0.00 2.19 0.00 2.00
AG_PsyLS (100%) 0.23 2.23 0.33 2.12 0.00 2.23 0.00 2.13
AG_NoLS 0.96 2.82 0.87 2.71 0.98 2.74 0.78 2.67
AG_PsyLS (10%) 0.96 2.83 0.63 2.74 0.47 2.84 0.76 2.73
10 x 10 AG_PsyLS (50%) 0.79 2.87 0.63 2.80 0.43 2.85 0.75 2.83
AG_PsyLS (80%) 0.65 2.94 0.57 2.89 0.35 2.95 0.59 2.85
AG_PsyLS (100%) 0.19 3.01 0.44 2.99 0.00 3.08 0.00 3.04
AG_NoLS 0.54 4.84 0.17 4.72 0.76 4.88 0.75 4.95
AG_PsyLS (10%) 0.47 4.94 0.17 4.76 0.49 4.92 0.72 5.04
10 x 20 AG_PsyLS (50%) 0.16 5.06 0.12 4.76 0.43 4.97 0.58 5.21
AG_PsyLS (80%) 0.16 5.12 0.12 4.86 0.25 4.99 0.47 5.25
AG_PsyLS (100%) 0.15 5.34 0.00 5.00 0.17 5.19 0.18 5.66
AG_NoLS 2.44 5.58 2.19 5.41 3.75 5.28 2.45 5.42
AG_PsyLS (10%) 1.94 5.74 1.87 5.89 2.65 5.38 2.01 5.52
20 x 5 AG_PsyLS (50%) 1.70 5.86 1.28 6.04 2.35 5.66 1.61 5.86
AG_PsyLS (80%) 1.51 6.34 0.75 6.46 1.99 6.27 1.25 6.29
AG_PsyLS (100%) 0.87 7.03 0.75 6.61 1.32 6.75 0.71 7.07
5.5.2 Résultats de calcul pour les problèmes de moyennes à grandes tailles
Après avoir étudié l’impact de la disponibilité de ressources non-renouvelables sur les perfor-
mances de l’AG hybride (AG_RanLS et AG_PsyLS) pour les instances de petites tailles, nous
avons l’intention dans cette section de comparer l’AG proposé et son hybridation avec un en-
semble d’instances de moyennes à grandes tailles.
Puisque que le problème que nous considérons dans cette thèse n’a pas été abordée dans la litté-
rature, nous avons rencontré une difficulté pour trouver des instances numériques ou bien même
des résultats de méthodes visant à résoudre le problème d’atelier Flow-Shop sous contraintes de
ressources non-renouvelables avec minimisation du makespan.
Ainsi, pour montrer l’efficacité de l’algorithme proposé et l’impact de la disponibilité de res-
sources sur les performances de l’AG hybride, nous avons décidé de comparer les résultats obte-
nus à l’heuristique NEH tout en respectant les contraintes de ressources non-renouvelables.
Dans les tableaux 5.6 et 5.7, le AR I dénote l’amélioration moyenne de chaque méthode par rap-
port aux résultats de l’heuristique NEH, calculée comme suit :
x − C ma x
NEH mt hod e
Cma
AR I % = NEH
× 100 (18)
Cma x
Où Cma
NEH
x représente la solution générée par NEH.
Le tableau 5.6 représente les résultats obtenus par l’AG avec recherche locale aléatoire (AG_RanLS)
sur différentes configurations de disponibilité de ressources. À partir de ce tableau, les amélio-
rations par rapport à l’heuristique NEH (c’est-à-dire, les valeurs d’ARI) montrent qu’une aug-
mentation de la probabilité de recherche locale conduit, comme prévu, à une amélioration des
résultats. Cependant, dans la plupart des cas, ces améliorations ne sont pas très importantes
et coûtent beaucoup en temps de calcul. Par exemple, pour le problème (50 × 20) et lorsque la
disponibilité de ressources est une fonction non-uniforme (NUA), l’amélioration de AG_RanLS
avec Pl s = 0.1 à AG_RanLS avec Pl s = 0.5 est d’environ , cependant, le temps moyen de calcul
augmente de 68. 94 à 111.56 secondes.
D’autre part, les résultats de ce tableau indiquent que la qualité de solutions obtenues par AG_RanLS
est au moyen supérieure dans la majorité des cas où la disponibilité de ressources non-renouvelables
est une fonction non-uniforme.
Le tableau 5.7 contient les résultats obtenus par l’AG ayant appliqué une recherche locale systé-
matique partielle (AG_PsyLS) sur différentes configurations de disponibilité de ressources. Dans
ce tableau, nous constatons que AG_PsyLS peut considérablement améliorer le résultat de NEH
en augmentant le pourcentage de la recherche locale. Ceci démontre l’efficacité d’utilisation de
la recherche locale partielle systématique.
Le meilleur résultat est obtenu lorsque le pourcentage de la recherche locale est égal à 100 %
avec un taux d’amélioration allant jusqu’à 6.89 % par rapport à l’heuristique NEH. En outre,
nous observons également que AG_PsyLS nécessite moins de temps de calcul en comparant avec
AG_RanLS. Cela peut résulter du fait que AG_RanLS applique la recherche locale de manière
aléatoire, contrairement à AG_PsyLS.
Selon les résultats présentés dans le tableau 5.7 et dans la majorité des instances, les meilleurs
résultats donnés par AG_PsyLS c’est lorsque les ressources non-renouvelables sont fournies de
manière non-uniforme (NUA).
5.6 Conclusion
Comme les méthodes approchées constituent une alternative appropriée aux méthodes exactes
pour résoudre les problèmes d’optimisation combinatoire NP-difficile, nous avons donc proposé
dans ce chapitre un algorithme génétique permettant de résoudre le problème d’ordonnancement
5.6 CONCLUSION 97
Flow-Shop sous contraintes de ressources non-renouvelables.

Pour déterminer la meilleure combinaison des paramètres de l’AG, la méthode de Taguchi a été
utilisée. De plus, pour enrichir le comportement de recherche et améliorer les solutions, une re-
cherche locale basée sur l’heuristique NEH a été utilisée. Deux stratégies d’application de la re-
cherche locale ont été étudiées. La première, appelée recherche locale aléatoire (RanLS), consiste
à appliquer la recherche locale de manière probabiliste au meilleur individu de chaque génération
et une recherche locale partielle systématique (PsyLS), qui est appliqué systématiquement à un
pourcentage prédéfini du meilleur individu de chaque génération.
Les expérimentations effectuées montrent que l’algorithme génétique hybride proposé que se
soit avec la recherche locale RanLS (AG_RanLS) ou PsyLS (AG_PsyLS) donne de bons résultats
en particulier lorsque la probabilité de recherche locale est supérieur à 0.5 (respectivement 50%)).
Cependant, l’AG_RanLS est plus gourmand en temps de calcul en comparant avec l’AG_PsyLS.
Dans le chapitre suivant, nous adaptons une autre métaheuristqiue qui a récemment donné de
bons résultats sur le problème Flow-Shop classique et avec contraintes.
Table 5.6 : Comparaison de résultats - problèmes de moyennes à grandes tailles : AG_RanLS
Configuration
ARI CPU ARI CPU ARI CPU ARI CPU
AG_NoLS 3.50 8.13 2.22 7.23 2.75 7.33 4.35 7.67
AG_RanLS (Pl s =0.1) 4.39 8.27 2.61 7.59 3.57 7.62 5.43 7.88
20 x 10
AG_RanLS (Pl s =0.5) 4.74 9.21 3.48 8.30 4.39 8.45 6.40 8.58
AG_RanLS (Pl s =0.8) 4.94 9.86 3.50 8.92 5.10 9.15 6.50 9.23
AG_NoLS 1.60 13.52 1.40 13.81 1.35 13.53 0.68 12.26
AG_RanLS (Pl s =0.1) 1.75 13.94 1.59 14.26 1.80 13.91 1.49 12.72
20 x 20
AG_RanLS (Pl s =0.5) 2.04 15.70 1.98 15.91 2.09 15.52 1.81 14.21
AG_RanLS (Pl s =0.8) 2.39 17.09 2.38 17.13 2.21 17.01 1.98 15.53
AG_NoLS 4.84 14.59 3.04 16.48 4.72 23.84 5.45 22.70
AG_RanLS (Pl s =0.1) 5.34 16.60 4.13 17.86 5.33 28.18 5.96 25.96
50 x 5
AG_RanLS (Pl s =0.5) 6.03 25.14 4.62 26.46 5.59 41.66 6.42 37.05
AG_RanLS (Pl s =0.8) 6.58 31.53 4.78 33.44 5.78 51.35 6.48 46.65
AG_NoLS 1.79 34.49 2.98 35.16 2.28 32.74 3.07 32.76
AG_RanLS (Pl s =0.1) 3.20 40.64 3.35 40.62 3.41 37.24 3.98 38.27
50 x 10
AG_RanLS (Pl s =0.5) 3.47 62.14 3.47 62.59 3.98 59.69 4.42 59.30
AG_RanLS (Pl s =0.8) 3.80 77.77 3.59 78.86 5.49 75.62 5.06 73.55
AG_NoLS 1.90 61.06 1.38 61.50 1.34 58.02 2.12 57.50
AG_RanLS (Pl s =0.1) 2.39 70.41 2.27 70.90 2.09 67.23 2.33 68.94
50 x 20
AG_RanLS (Pl s =0.5) 2.56 116.30 2.76 114.13 1.91 110.48 2.56 111.56
AG_RanLS (Pl s =0.8) 2.92 152.13 3.11 145.58 2.36 141.42 2.94 142.48
AG_NoLS 2.75 54.71 1.45 55.73 3.55 53.19 4.17 54.53
AG_RanLS (Pl s =0.1) 4.18 80.94 1.84 79.98 4.33 80.47 5.12 80.24
100 x 5
AG_RanLS (Pl s =0.5) 4.80 185.02 2.57 182.96 4.48 183.69 5.69 181.94
AG_RanLS (Pl s =0.8) 5.21 272.36 2.89 262.40 5.05 267.39 5.92 263.99
AG_NoLS 3.10 84.43 1.57 83.81 3.03 87.49 2.52 91.24
AG_RanLS (Pl s =0.1) 4.01 133.22 3.28 130.39 4.20 138.17 3.60 140.69
100 x 10
AG_RanLS (Pl s =0.5) 4.07 330.32 3.86 339.79 4.71 339.24 4.61 353.47
AG_RanLS (Pl s =0.8) 5.15 487.45 4.85 470.72 5.78 491.67 4.86 508.54
AG_NoLS 1.46 132.66 0.52 120.92 1.62 125.32 1.54 131.27
AG_RanLS (Pl s =0.1) 4.18 227.76 0.56 190.58 2.64 213.67 2.05 204.37
100 x 20
AG_RanLS (Pl s =0.5) 4.24 605.76 0.98 519.08 2.94 560.40 2.50 568.29
AG_RanLS (Pl s =0.8) 5.04 884.52 1.37 748.69 3.05 818.68 3.40 819.62
Average of all 3.70 133.68 2.64 124.43 3.53 130.61 3.93 131.34
5.6 CONCLUSION 99
Table 5.7 : Comparaison de résultats - problèmes de moyennes à grandes tailles : AG_PsyLS
Configuration
Problème Méthode UCF1 UCF2 UCF3 NUA
ARI CPU ARI CPU ARI CPU ARI CPU
AG_NoLS 3.50 8.13 2.22 7.23 2.75 7.29 4.35 7.67
AG_PsyLS (10%) 4.74 8.20 2.68 7.28 3.17 7.33 5.53 7.76
20 x 10 AG_PsyLS (50%) 4.82 8.71 2.84 7.98 4.35 7.78 5.82 8.17
AG_PsyLS (80%) 5.20 9.03 3.20 8.41 4.61 8.54 6.29 8.81
AG_PsyLS (100%) 5.30 10.32 3.64 9.37 5.10 9.54 6.62 9.61
AG_NoLS 1.60 13.52 1.40 13.81 1.35 13.53 0.68 12.26
AG_PsyLS (10%) 1.89 13.56 1.93 13.83 1.57 13.54 1.12 12.37
20 x 20 AG_PsyLS (50%) 2.24 14.94 2.06 14.75 1.87 14.90 1.31 13.55
AG_PsyLS (80%) 2.36 15.41 2.22 15.85 2.03 15.76 1.76 14.97
AG_PsyLS (100%) 3.16 18.10 2.67 17.95 2.42 17.88 2.30 16.33
AG_NoLS 4.84 14.59 3.04 16.48 4.72 23.84 5.45 22.70
AG_PsyLS (10%) 5.41 14.85 4.15 16.54 5.09 24.32 5.88 22.82
50 x 5 AG_PsyLS (50%) 6.06 21.46 4.53 22.84 5.51 38.28 6.16 33.29
AG_PsyLS (80%) 6.31 26.41 4.74 29.75 5.69 47.57 6.28 43.18
AG_PsyLS (100%) 6.89 35.08 4.92 38.26 6.30 58.17 6.74 54.39
AG_NoLS 1.79 34.45 2.98 35.16 2.28 32.74 3.07 32.76
AG_PsyLS (10%) 2.69 34.49 3.19 35.32 3.40 33.40 4.00 33.03
50 x 10 AG_PsyLS (50%) 3.68 44.77 3.40 50.21 3.78 40.63 3.90 45.66
AG_PsyLS (80%) 4.12 56.00 3.74 63.97 5.09 61.18 5.11 59.94
AG_PsyLS (100%) 4.53 89.84 4.19 90.59 6.33 86.48 5.62 86.49
AG_NoLS 1.90 60.71 1.38 61.50 1.34 58.02 2.12 57.50
AG_PsyLS (10%) 2.25 61.06 1.59 61.73 1.77 59.97 2.38 57.80
50 x 20 AG_PsyLS (50%) 2.72 79.78 2.10 73.83 2.39 72.68 2.73 83.77
AG_PsyLS (80%) 2.95 108.95 2.58 115.70 2.88 101.29 3.02 100.54
AG_PsyLS (100%) 3.68 172.04 2.86 160.31 3.21 163.39 3.42 162.67
AG_NoLS 2.75 54.22 1.45 55.73 3.55 53.19 4.17 54.53
AG_PsyLS (10%) 3.73 54.71 1.69 66.73 4.04 58.64 5.00 55.60
100 x 5 AG_PsyLS (50%) 4.03 126.03 2.26 156.49 4.37 130.96 5.28 134.06
AG_PsyLS (80%) 4.23 179.16 2.71 196.94 4.63 225.50 5.58 194.23
AG_PsyLS (100%) 5.00 323.22 3.14 310.49 5.26 321.16 6.11 315.67
AG_NoLS 3.10 83.62 1.57 83.37 3.03 85.64 2.52 91.24
AG_PsyLS (10%) 4.14 84.43 3.15 83.81 3.82 87.49 3.61 134.02
100 x 10 AG_PsyLS (50%) 4.48 167.96 3.91 137.91 4.15 250.63 4.19 387.92
AG_PsyLS (80%) 5.04 256.19 4.82 249.58 4.73 288.01 4.73 616.63
AG_PsyLS (100%) 5.77 587.05 5.43 576.73 5.98 593.81 5.50 682.64
AG_NoLS 1.46 132.66 0.52 120.92 1.62 124.69 1.54 131.27
AG_PsyLS ( 10%) 3.32 132.75 0.85 153.24 2.66 125.32 1.75 135.06
100 x 20 AG_PsyLS ( 50%) 4.06 165.47 1.01 297.13 3.03 302.99 2.26 319.42
AG_PsyLS ( 80%) 4.85 451.25 1.04 636.86 3.37 309.55 2.74 378.85
AG_PsyLS ( 100%) 5.13 1087.18 1.73 998.94 3.75 994.41 3.45 615.25
Average of all 3.89 121.51 2.74 127.84 3.67 124.25 4.00 131.36
Chapitre 6
Algorithme d’optimisation par essaims

particulaires pour le Flow-Shop sous
contraintes de ressources
non-renouvelables
6.1 Introduction
L’application des métaheuristiques pour la résolution des problèmes d’ordonnancement sous

contraintes de ressources non-renouvelables est assez limité (voir un à deux articles). C’est ce
qui nous a motivés à considérer ces approches pour résoudre le problème considéré, et cela, afin
d’étendre les travaux rapportés dans la littérature.
Dans le chapitre précédent, un algorithme génétique a été proposé pour résoudre le problème
d’ordonnancement Flow-Shop sous contraintes de ressources consommables. Rappelons que le
choix de cet algorithme a été basé sur les travaux de Belkaid et al. [8].
Dans ce chapitre, nous proposons une autre métaheuristique a la base d’un algorithme d’optimi-
sation par essaims particulaires. Cette métaheuristique à été initialement conçue pour l’optimi-
sation continue, mais qui récemment fait l’objet de quelques adaptations pour résoudre les pro-
blèmes d’optimisation discrets, en particulier les problèmes Flow-Shop et a donné de bons résul-
tats. L’objectif de ce chapitre consiste à valider le potentiel de cette métaheuristique pour résoudre
le problème d’ordonnancement Flow-Shop sous contraintes de ressources non-renouvelables.
CHAPITRE 6 : ALGORITHME D’OPTIMISATION PAR ESSAIMS PARTICULAIRES POUR LE
102 FLOW-SHOP SOUS CONTRAINTES DE RESSOURCES NON-RENOUVELABLES
6.2 Conception d’un algorithme d’OEP discrèt pour le Flow-Shop sous

contraintes de ressources
L’algorithme d’OEP repose généralement sur un ensemble de solutions (essaim) disposées aléa-
toirement au début de l’algorithme. Chaque solution est appelée particule et se situe à une posi-
tion donnée dans l’espace de recherche. Chaque particule dispose d’une mémoire dans laquelle
est conservée sa meilleure position visitée ainsi que la meilleure position atteinte par les par-
ticules de l’essaim. Cet algorithme fonctionne aussi de manière itérative où à chaque itération,
les particules se déplacent dans l’espace de recherche selon une certaine vitesse. Les étapes de
l’algorithme d’OEP adaptées à notre problème sont les suivantes :
6.2.1 Représentation de particule
L’un des principaux problèmes lors de la conception d’un algorithme d’OEP réside dans la re-
présentation de la solution (particule). Puisque nous sommes dans le cadre de la résolution d’un
problème d’ordonnancement de permutation, c’est-à-dire que nous cherchons la permutation
des jobs qui minimise le makespan en présence des contraintes de ressources non-renouvelables.
Alors, nous gardons le schéma de codage basé sur la permutation de jobs.

Chaque particule i est représentée par une séquence σit = πit 1 , πit 2 , ..., πit n où n représente le
nombre de jobs dans le système et πit k représente le job affecté à la position k du particule i à
l’itération t .
Soit σit = { J2 , J4 , J1 , J5 , J3 } une solution potentielle du i i m e particule dans la t i m e itération, πit 4 =
J5 signifie que le job J5 est ordonnancé à la position 4 dans la particule.
Dans l’algorithme proposé, nous considérons un ensemble de s particules (s représente la taille
de l’essaim) où pour chaque particule i nous associons une séquence σit à l’itération t et une
fonction objectif représentée par le makespan donné par la valeur du coût E (σit ).
6.2.2 Initialisation de l’essaim
Dans l’algorithme d’OEP de base, l’essaim initial est souvent généré de manière aléatoire. Dans

ce travail, pour garantir un essaim initial Φ0 = σ10 , σ20 , σ30 , ..., σ0s avec une certaine qualité et
diversité, les permutations de trois heuristiques constructives bien connues pour le Flow-Shop (a)
NEH [97], (b) NEHKK1 [67] and (c) Palmer [103] sont inclus tout en respectant la disponibilité des
ressources non-renouvelables. Outre que ces trois solutions initiales, afin de maintenir la diversité
de la population, le reste de l’essaim (s - 3) est construit de manière à ce qu’une permutation soit
produite de manière aléatoire.
6.2 CONCEPTION D’UN ALGORITHME D’OEP DISCRÈT POUR LE FLOW-SHOP SOUS
CONTRAINTES DE RESSOURCES 103
6.2.3 Mise à jour de la vitesse et de la position
Dans cette partie, nous empruntons l’opérateur de l’AG pour mettre à jour la position de la par-
ticule dans l’algorithme proposé. L’état de particule dans l’espace de recherche étudié est ca-
ractérisé par deux facteurs : sa position σit et sa vitesse νit qui est aussi une permutation dans
l’espace de recherche. On note, P b e s t it la meilleure position personnelle qui représente la sé-
quence avec la plus petite valeur de makespan trouvée par la particule jusqu’à l’itération t et
G b e s t t la meilleure position globale qui représente la meilleure position atteinte par toutes les
particules de l’essaim. .
S’inspirant du modèle présenté par Lian et al. [83], le processus de génération d’une nouvelle
position dans l’essaim est représentée par les équations suivantes :
νit +1 = P b e s t it ⊗ G b e s t t (6.1)
σit +1 = σit ⊗ νit +1 (6.2)
Où ⊗ est la dénotation de l’opérateur de croisement qui sera détaillée dans la section 6.2.5, et t
représente le nombre de générations.
6.2.4 Stratégie de diversification
Contrairement à l’OEP de base, l’avantage du modèle de vitesse précédent est qu’il n’y a pas de
paramètres à ajuster, à part la taille de l’essaim. Cependant, ce modèle peut facilement être piégé
dans les optima locaux, lorsque :
(a) La meilleure position personnelle a la même séquence que la meilleure position globale.
(b) La nouvelle vitesse obtenue a la même séquence que la position actuelle.
Pour le cas (a), la particule perde la capacité de trouver la nouvelle vitesse. Alors que dans le cas
(b) aucun mouvement ne peut être effectué pour une particule.
Afin d’éviter ces états de stagnations indésirables, une perturbation basée sur la recherche du
voisinage de la meilleure position globale est appliquée comme mentionner dans l’équation 6.3
et pour le deuxième cas, une perturbation de la position actuelle est opérée comme le montre
l’équation 6.4.
νit +1 = m u t a t i o n (G b e s t t ) (6.3)
σit +1 = m u t a t i o n (σit ) (6.4)
Le principal avantage de la mise en œuvre de la mutation est d’accroître la diversité de l’essaim.

La mutation pourrait réduire le piégeage de l’algorithme OEP proposé et produire de meilleur
Figure 6.1 : Illustration de la manière dont l’opérateur ⊗ fonctionne
résultat. La mise à jour de la meilleure position personnelle de chaque particule et de la meilleure

position globale est obtenue respectivement comme suit :
¨
σit +1 if E (σit +1 ) < E (P b e s t it )
P b e s t it +1 = (6.5)
P b e s t it otherwise


 arg min{E (P b e s t it +1 )} if
 ∀i
G b e s t t +1 = E (G b e s t t ) > min{E (P b e s t it +1 )} (6.6)

 ∀i
 Gbest t otherwise
6.2.5 Opérateurs génétiques empruntés
6.2.5.1 Opérateur de croisement
Le croisement est un opérateur génétique utilisé après la sélection dans l’algorithme génétique
[49]. Cet opérateur est appliqué dans notre algorithme d’OEP pour mettre à jour la position des
particules dans le modèle de vitesse défini. Dans notre mise en œuvre, l’opérateur de croisement
à deux points est appliqué.
Dans cet opérateur, deux points de coupure sont choisis au hasard, les jobs à l’intérieur des deux
points sélectionnés sont directement hérités des parents aux enfants, tandis que les jobs restants
sont remplis en balayant les parents de gauche à droite et en ne reprenant que les jobs non encore
transmis comme illustré par la figure 6.1.
Comme le montre la figure 6.1, cette procédure génère deux particules distinctes ; nous les com-
parons et laissons la particule avec la valeur de fitness la plus petite, soit la particule finale de cet
opérateur.
6.3 PARAMÉTRAGE DE L’ALGORITHME 105
6.2.5.2 Opérateur de mutation
L’opérateur de mutation est introduit pour empêcher les particules de rester bloqué dans les
optima locaux (cf. section 6.2.4). Étant donné que l’opérateur de mutation par insertion est le
plus approprié pour les problèmes Flow-Shop [98], ce dernier est utilisé dans notre algorithme
d’OEP. Cet opérateur est déjà décrit dans le chapitre 5.
6.2.6 Stratégie d’intensification
Dans cette section, nous introduisons une procédure de recherche locale pour améliorer l’intensi-
fication au sein de l’algorithme l’OEP proposé. Nous appliquons la même recherche locale utilisé
dans le chapitre précédent. Le pseudo-code de cette recherche locale est décrit par l’algorithme
14 du chapitre 5.
La stratégie d’incorporation de la recherche locale susmentionnée dans l’algorithme d’OEP pro-
posé est la suivante : à chaque itération et pour tous P b e s t i , on effectue la recherche locale avec
une probabilité prédéfinie Pl s .
Des valeurs de probabilité allant de [0.1, 0.2,…, 1] ont été testées, un bon compromis entre le
temps de calcul et la qualité de solution est obtenu pour Pl s = 0.1.
Le pseudo-code d’algorithme d’OEP proposé est présenté dans l’algorithme 15, cet algorithme est
noté dans la suite de ce chapitre par IDPSO (Improved Discrete Particle Swarm Optimization).
6.3 Paramétrage de l’algorithme
6.3.1 Taille de l’essaim
La performance de l’algorithme d’optimisation par essaims particulaires dépend fortement du

choix des paramètres appropriés. Dans l’algorithme proposé, le seul paramètre qui doit être réglé
est la taille de l’essaim (c’est l’avantage de notre implémentation.). Par conséquent, nous avons
testé différentes valeurs de taille d’essaim (s = 50, 100, 150, 200) sur certains problèmes afin de dé-
terminer la meilleure taille pour le Flow-Shop sous contraintes de ressources non-renouvelables.
Pour ce faire, nous avons sélectionné cinq types de problèmes qui représentent la diversité entre
le nombre jobs, nombre de machines ainsi que la disponibilité de ressources non-renouvelables
(n × m× configuration) comme le montre le tableau 6.1.
Les résultats sont illustrés dans la figure 6.2, qui représente la valeur moyenne de la fonction
d’objectif et le temps de calcul requis pour chaque valeur de la taille de l’essaim. Selon cette
figure, nous constatons que plus la taille d’essaim augmente, plus le temps de calcul (en secondes)
augmente, tandis que la qualité de la recherche s’améliore. Ainsi, dans ce travail, s = 200 est
recommandé.
Table 6.1 : Problèmes testés
Problèmes testés
1 10 × 10 × UAF2
2 20 × 20 × NUA
3 50 × 5 × UAF3
4 50 × 20 × UAF2
5 100 × 10 × UAF1
Figure 6.2 : Effets de la taille de l’essaim
6.3.2 Critère d’arrêt
Il n’existe pas de règle pratique permettant de définir un critère d’arrêt approprié, car le choix
de ce dernier dépend fortement de la taille du problème. Par conséquent, le critère d’arrêt pour
l’algorithme proposé est conditionné par un nombre de générations maximum fixé en fonction
de la taille du problème (200 itérations pour les petites instances, 500 et 700 itérations pour les
moyennes et grandes instances, respectivement.).
6.4 Résultats expérimentaux
Afin de tester les performances de l’algorithme d’OEP proposé pour le problème d’ordonnance-
ment Flow-Shop sous contraintes de ressources non-renouvelables, nous effectuons des simu-
lation lorsque la disponibilité de ressources non-renouvelables est représentée par une arrivée
uniforme croissante (UAF1), uniforme décroissante (UAF2), uniforme aléatoire (UAF3) et non-
uniforme (NUA).
6.4.1 Résultats de calcul pour les problèmes de petites tailles
Le tableau 6.3 démontre à la fois l’efficacité de la recherche locale proposée en comparant IDPSO
avec IDPSO sans recherche locale, notée IDPSO_NOLS, et la performance de IDPSO sous diffé-
rentes configurations de ressources non-renouvelables pour les instances de petites tailles.
Dans le tableau 6.3, les mesures de performance BRE (Best Relative Error), ARE (Average Rela-
tive Error) et WRE (Worst Relative Error) désignent respectivement la meilleure erreur relative,
l’erreur relative moyenne et la pire erreur relative par rapport à la meilleure solution trouvée par
CPLEX.
Ces mesures sont calculées comme suit :
Al g C pl e x
!
Cma xi − Cma xi × 100
B R E (%) = min C pl e x
(6.7)
i =1...R Cma xi
Al g C pl e x
!
∑
R Cma xi − Cma xi × 100 À
AR E (%) = C pl e x
R (6.8)
i =1 Cma xi
Al g C pl e x
!
Cma xi − Cma xi × 100
W R E (%) = max C pl e x
(6.9)
i =1...R Cma xi
Al g C pl e x
Où Cma xi représente le makespan trouvé par l’algorithme IDPSO alors que Cma xi représente
la valeur optimale trouvée par CPLEX et R est le nombre de réplications.
À partir du tableau 6.3, nous pouvons observer que l’algorithme IDPSO produit presque les
mêmes valeurs BRE que IDPSO_NOLS, à l’exception de problème avec 20 jobs et 5 machines
où la disponibilité de ressources non-renouvelables est une fonction uniforme croissante (UAF1)
et uniforme aléatoire (UAF3). De plus, les valeurs ARE et WRE obtenues par IDPSO sont bien
meilleures que celles obtenues par IDPSO_NOLS.
Ces résultats montrent l’efficacité de l’incorporation de la recherche locale dans l’algorithme
IDPSO et ceci pour toutes les configurations de ressources considérés. Cela signifie que la su-
périorité en termes de qualité de recherche et de performances de l’algorithme IDPSO provient
de la combinaison de la recherche globale et locale, plus explicitement, de l’équilibre entre le
processus d’exploration et d’exploitation.
La convergence des valeurs de fitness en fonction de générations pour IDPSO_NOLS et IDPSO
sous différentes configurations est illustrée par la figure 6.3 où, pour des raisons de clarté, seules
les 50 premières générations sont présentées pour une instance arbitraire du problème 20 jobs et
5 machines (20 x 5).
Comme le montre la figure 6.3, la valeur de fitness (makespan) d’IDPSO proposé décroît rapide-
ment. Par exemple, dans la figure 6.3 .b, IDPSO converge vers environ 5 générations, alors que
IDPSO sans recherche locale prend environ 33 générations. C’est-à-dire que le taux de conver-
gence d’IDPSO est plus rapide que celui d’IDPSO_NOLS, et cela, pour toutes les configurations
de ressources non-renouvelables considérées.
Le temps de calcul requis pour IDPSO et IDPSO_NOLS est présenté dans tableau 6.2. Puisque la
recherche locale est appliquée alors l’IDPSO proposé mettant plus de temps que l’IDPSO sans re-
(a) UAF1 (b) UAF2
(c) UAF3 (d) NUA
Figure 6.3 : Convergence d’une instance du problème sous différentes configurations
cherche locale. Cela peut être interprété comme le coût pour éviter une convergence prématurée
afin de parvenir à des meilleures performances.
Pour la performance de l’algorithme IDPSO sous différentes configurations, le tableau 6.3 montre
que les valeurs BRE résultant d’IDPSO sont égales aux solutions optimales fournies par CPLEX
et cela pour toutes les configurations de ressources non-renouvelables considérées. Au même
temps, on peut constater que la différence entre les valeurs BRE et ARE est très faible pour toutes
les configurations, ce qui signifie que IDPSO présente des performances supérieures pour les
problèmes de petites tailles.
De plus, on peut remarquer que les valeurs ARE et WRE résultent d’IDPSO lorsque la disponibilité
des ressources est une fonction non-uniforme (NUA) sont légèrement meilleure que les valeurs
des autres configurations.
Table 6.2 : Temps de résolution pour IDPSO et IDPSO_NOLS
Problem UAF1 UAF2 UAF3 NUA

IDPSO_NOLS IDPSO IDPSO_NOLS IDPSO IDPSO_NOLS IDPSO IDPSO_NOLS IDPSO
10 x 5 13.20 4.94 13.53 4.68 14.05 5.65 13.60 5.74
10 x 10 17.57 22.11 15.52 20.02 17.82 22.28 17.60 21.82
10 x 20 26.51 39.79 25.56 36.76 27.16 39.83 27.77 38.98
20 x 5 24.53 57.92 25.80 58.49 23.93 58.28 24.97 57.52
Average 20.45 33.69 20.10 32.49 20.74 34.01 20.99 33.51
6.4.2 Résultats de calcul pour les problèmes de moyennes à grandes tailles
Après avoir étudié les performances de l’algorithme IDPSO sur les problèmes de petites tailles et
afin de continuer avec la résolution du problème Flow-Shop qui prend en compte les contraintes
de ressources non-renouvelables, nous présentons les tests d’IDPSO sur les instances de moyennes
à grandes tailles.
Dans cette partie, nous comparons toujours les performances d’IDPSO et d’IDPSO_NOLS afin de
vérifier si la recherche locale proposée améliore toujours la qualité de solution d’IDPSO pour les
instances de moyennes à grandes tailles. De plus, pour tester l’efficacité d’IDPSO, une comparai-
son est effectuée aussi avec les résultats obtenus par l’algorithme génétique (AG_PsyLS (100%))
proposé dans le chapitre ⁇.
Afin d’effectuer une comparaison équitable, IDPSO et IDPSO_NOLS utilisent le même temps de
calcul que AG_PsyLS (100%), ce temps de calcul est fixé en fonction de la taille du problème. Sa
valeur est à 200 secondes pour les problèmes (20×10), (20×20) ; 300 secondes pour les problèmes
(50 × 5), (50 × 10), (50 × 20) et 500 secondes pour les problèmes restants.
Dans le tableau 6.4, MRI et ARI indiquent respectivement l’amélioration maximale et moyenne
de chaque algorithme par rapport aux résultats de NEH tout en respectant les contraintes de
ressources non-renouvelables. MRI (Maximum Relative Improvements) et ARI (Average Relative
Improvements) sont calculées comme suit :
Al g
!
NEH
Cma xi − C ma x i
× 100
M R I (%) = max NEH
(6.10)
i =1...R Cma xi
Al g
!
∑
R NEH
Cma xi − C ma x i
× 100 À
AR I (%) = NEH
R (6.11)
i =1
Cma xi
Où Cma
NEH
xi est la valeur retournée par NEH tout en respectant les contraintes de ressources non-
renouvelables.
À partir du tableau 6.4, nous observons que les résultats de calcul générés par l’algorithme IDPSO
peuvent améliorer considérablement le résultat de NEH, en particulier pour une arrivée non-
uniforme de ressources non-renouvelables (NUA). Deuxièmement, les valeurs MRI et ARI obte-
nues par IDPSO_NOLS sont pires que celles obtenues par IDPSO pour presque toutes les ins-
tances. Nous concluons donc que la recherche locale proposée reste efficace pour les instances
de moyennes à grandes tailles. Troisièmement, selon les valeurs ARI, la qualité de recherche
d’IDPSO est très supérieure à celle d’AG_PsyLS (100%) et cela pour toutes les instances de chaque
configuration.
Cependant, en ce qui concerne les valeurs de MRI lorsque la disponibilité des ressources non-
renouvelables est non-uniforme, AG_PsyLS (100%) est compétitif à IDPSO pour les problèmes
(50 × 5), (50 × 20) et (100 × 20). Par ailleurs, nous observons du tableau 6.4 que IDPSO _NOLS
domine AG_PsyLS (100%) pour la majorité des instances. Donc, nous confirmons que l’algorithme
d’optimisation par essaim particulaire proposé est plus efficace que l’algorithme génétique pour
le problème Flow-Shop sous contraintes de ressources non-renouvelables.
Pour étudier la convergence des algorithmes précédents, nous traçons les valeurs de fitness en
fonction du temps (en secondes) pour deux instances arbitraires de problème (50×10) et (100×5),
à partir de la figure 6.4 il est clair que IDPSO est meilleur que AG_PsyLS (100%) et IDPSO_NOLS.
(a) 50 × 10 (b) 100 × 5
Figure 6.4 : Convergence d’AG, IDPSO_NOLS et IDPSO
6.5 Conclusion
pour la résolution des problèmes d’optimisation combinatoire NP-difficile, nous avons présenté
dans ce chapitre une autre méthode approchée visant à résoudre le problème de minimisation de
makespan dans un atelier Flow-Shop sous contrainte de ressources non-renouvelables.
La méthode approchée développée dans ce chapitre est un algorithme d’optimisation par essaim
particulaire. Ce dernier à été initialement conçu pour l’optimisation continue, mais qui récem-
6.5 CONCLUSION 111
ment fait l’objet de quelques adaptations pour résoudre les problèmes d’optimisation discrets.
Nous avons décidé d’implémenter cet algorithme grâce aux résultats obtenus dans les différents
problèmes d’ordonnancement, plus particulièrement les problèmes de type Flow-Shop qui ont
été mentionnés dans le deuxième chapitre de cette thèse. Contrairement à l’algorithme géné-
tique proposé dans le chapitre précédent, l’algorithme d’optimisation par essaim particulaire se
base sur la coopération des individus pour faire évoluer.
Dans ce chapitre, afin de rendre l’algorithme d’optimisation par essaim particulaire adapté au
problème Flow-Shop sous contrainte de ressources non-renouvelables qui est un problème com-
binatoire, nous avons modifié la représentation des particules ainsi que le modèle de vitesse. Tout
d’abord, pour la représentation des particules, une représentation par permutation a été adoptée.
Deuxièmement, les vitesses sont implémentées a l’aide d’un opérateur de croisement, emprunté
de l’algorithme génétique. De plus, afin de garantir un essaim initial avec une certaine qualité
et diversité, trois solutions issues des heuristique bien connue ont été intégrées à l’essaim ini-
tial. Nous avons également introduit une stratégie de diversification en utilisant un opérateur de
mutation emprunté aussi de l’algorithme génétique pour empêcher l’algorithme de rester bloqué
dans les optima locaux. En outre, une hybridation de l’algorithme avec une recherche locale ba-
sée sur l’heuristique NEH a été utilisée pour intensifier la qualité de la recherche et améliorer la
convergence de l’algorithme.
La performance de l’algorithme proposé a été testée sur les instances générées dans le quatrième
chapitre de cette thèse, et comparée à différentes configurations de disponibilité de ressources
non-renouvelables aux solutions optimales rapportées par le modèle mathématique du chapitre
4 (PLNE - lancé sur CPLEX) pour les instances de petites tailles et aux résultats d’algorithme gé-
nétique proposé dans le chapitre 5 pour les instances de moyennes à grandes tailles. Les résultats
obtenus montrent l’efficacité de l’algorithme proposé pour la résolution de problème d’ordon-
nancement Flow-Shop sous contraintes de ressources non-renouvelables.
Algorithme 15 Pseudo-code d’IDPSO
Début
1: Set t = 0
2: for i = 1 jusqu’à s do
3: Générer σit .
4: Évaluer E (σit ).
5: Set P b e s t it ←− σit .
6: end for
7: G b e s t t ←− {σm
t
|m = arg min{E (σit )}}.
∀i
8: Tant que (t < t ma x )
9: for i = 1 jusqu’à s do
10 : if P b e s t it == G b e s t t then
11 : νit +1 ←− m u t a t i o n (G b e s t t ).
12 : else
13 : νit +1 ←− P b e s t it ⊗ G b e s t t .
14 : end if
15 : if νit +1 == σit then
16 : σit +1 ←− m u t a t i o n (σit ).
17 : else
18 : σit +1 ←− σit ⊗ νit +1
19 : end if
20 : if E (σit +1 ) < E (P b e s t it ) then
21 : P b e s t it +1 ←− σit +1 .
22 : else
23 : P b e s t it +1 ←− P b e s t it .
24 : end if
25 : end for
26 : for i in P b e s t do
27 : Générer une probabilité α où α ∈ [0, 1].
28 : if α < pl s then
29 : Effectuer la recherche locale pour le P b e s t sélectionné.
30 : Mise à jour P b e s t it +1 .
31 : end if
32 : end for
33 : if E (G b e s t t ) > min{E (P b e s t it +1 )}} then
∀i
34 : G b e s t t +1 ←− {P b e s t m
t +1
|m = arg min{E (P b e s t it +1 )}}
∀i
35 : end if
36 : t ←− t + 1.
37 : Fin Tant que
Fin
Table 6.3 : Comparaison de résultats pour les petites instances : IDPSO_NOLS / IDPSO
Problème UAF1 UAF2 UAF3 NUA
IDPSO_NOLS IDPSO IDPSO_NOLS IDPSO IDPSO_NOLS IDPSO IDPSO_NOLS IDPSO
BRE ARE WRE BRE ARE WRE BRE ARE WRE BRE ARE WRE BRE ARE WRE BRE ARE WRE BRE ARE WRE BRE ARE WRE
6.5 CONCLUSION
10 x 5 0.00 0.25 1.05 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.64 1.93 0.00 0.00 0.00
10 x 10 0.00 0.79 2.99 0.00 0.17 0.63 0.00 0.31 1.55 0.00 0.00 0.00 0.00 0.61 2.52 0.00 0.00 0.00 0.00 0.60 2.99 0.00 0.00 0.00
10 x 20 0.00 0.26 0.65 0.00 0.01 0.06 0.00 0.14 0.59 0.00 0.02 0.12 0.00 0.06 0.32 0.00 0.06 0.32 0.00 0.06 0.32 0.00 0.06 0.32
20 x 5 0.69 1.84 4.37 0.00 0.11 0.54 0.00 0.71 1.74 0.00 0.28 1.20 0.76 0.71 5.77 0.00 0.28 1.14 0.00 1.20 3.29 0.00 0.17 0.63
Average 0.17 0.79 2.26 0.00 0.07 0.31 0.00 0.29 0.97 0.00 0.08 0.33 0.19 0.35 2.15 0.00 0.09 0.36 0.00 0.63 2.14 0.00 0.06 0.24
Table 6.4 : Comparaison de résultats - instances de moyennes à grandes tailles : IDPSO_NOLS / IDPSO et AG
Problème UAF1 UAF2 UAF3 NUA
GA IDPSO_NOLS IDPSO GA IDPSO_NOLS IDPSO GA IDPSO_NOLS IDPSO GA IDPSO_NOLS IDPSO
MRI ARI MRI ARI MRI ARI MRI ARI MRI ARI MRI ARI MRI ARI MRI ARI MRI ARI MRI ARI MRI ARI MRI ARI
20 x 10 5.54 3.93 6.37 4.14 6.37 4.86 5.25 2.56 5.54 3.49 5.66 3.80 7.82 4.37 7.14 4.26 8.29 5.08 9.42 5.20 9.00 6.33 9.48 6.70
20 x 20 2.51 1.93 3.65 2.72 5.36 3.24 3.22 1.72 3.38 2.35 3.71 2.82 3.28 2.17 2.51 1.94 3.30 2.84 3.56 1.97 3.37 2.17 4.18 2.71
50 x 5 7.45 6.72 6.99 6.19 7.58 6.89 7.16 4.41 6.81 4.45 7.29 4.87 7.38 5.13 8.50 5.72 8.50 6.09 10.25 5.37 9.12 6.04 10.15 7.28
50 x 10 5.78 4.00 6.67 4.29 6.67 4.65 5.15 3.56 5.99 3.35 6.80 4.38 7.69 3.83 7.26 4.10 9.18 6.23 7.00 4.54 6.95 5.07 7.71 5.91
50 x 20 4.77 2.25 4.03 2.48 5.34 4.07 4.07 2.75 4.00 2.76 4.96 3.36 5.08 2.65 4.14 2.31 5.63 3.34 6.22 2.43 4.06 2.36 5.82 3.21
100 x 5 6.51 4.67 7.20 4.63 7.87 5.69 6.61 2.43 7.57 3.13 7.75 3.33 7.81 5.12 8.01 5.78 8.01 6.18 7.07 5.72 7.88 6.42 7.88 6.80
100 x 10 7.08 4.04 8.66 5.27 8.66 5.63 4.54 3.51 7.02 4.25 8.09 4.74 7.87 5.27 8.11 4.79 8.11 5.46 7.55 4.28 7.76 4.88 7.76 5.10
100 x 20 7.48 4.20 6.83 4.63 6.86 4.66 2.75 1.06 1.65 0.85 3.22 1.54 4.97 2.24 7.87 6.75 5.79 2.99 5.38 2.83 3.71 2.70 5.13 3.21
113
Average 5.89 3.97 6.30 4.29 6.84 4.96 4.84 2.75 5.25 3.08 5.94 3.61 6.49 3.85 6.69 4.46 7.10 4.78 7.06 4.04 6.48 4.50 7.26 5.11
114 CONCLUSIONS ET PERSPECTIVES
Conclusions et perspectives
Les enjeux de la productivité et de l’efficacité imposent de focaliser la réflexion sur les contraintes
fréquemment rencontrées dans la pratique industrielle et surtout celles qui sont susceptibles
de ralentir le processus de production si elles ne sont pas prises en compte. En particulier, les
contraintes de ressources non-renouvelables qui ont une importance irrévocable puisque leur
indisponibilité permet de perturber et affecté l’efficacité du processus de fabrication. Ce cas se
produit fréquemment dans la pratique et constitue la principale motivation de cette thèse.
Les travaux effectués dans cette thèse contribuent aux études menées sur les problèmes d’or-
donnancement sous contraintes de ressources non-renouvelables. La recherche bibliographique
réalisée a montré une littérature limitée dans la prise en compte de cette contrainte dans les pro-
blèmes d’ordonnancement et en particulier dans les problèmes d’ateliers (Flow-Shop, Job-Shop,
Open-Shop).
L’environnement de production Flow-Shop à une grande pertinence en ingénierie, représentant
près du quart des systèmes de production, ceci nous a motivés à considérer les contraintes de
ressources non-renouvelables dans cet environnement. Dans cette optique, nos travaux sont ar-
ticulés autour des problèmes d’ordonnancement Flow-Shop sous contraintes de ressources non-
renouvelables pour la minimisation du makespan. Au meilleur de notre connaissance, ce pro-
blème n’a pas été traité dans la littérature auparavant.
Selon notre recherche bibliographique, nous avons également remarqué que la majorité des tra-
vaux proposent soit des résultats de complexité [44, 128], soit des algorithmes d’approximation
[52, 54]. Cependant, il n’y a que des résultats de calcul sporadiques sur ce problème. Ceci nous
a encore motivé à implémenter des méthodes exactes et des méthodes approchés afin de fournir
des résultats de calcul.
Dans la première partie de cette thèse, nous avons fourni quelques généralités sur les systèmes
de production et en particulier les problèmes d’ordonnancement de la production. Ensuite, nous
avons présenté les différentes techniques utilisées pour la résolution des problèmes d’optimi-
sation combinatoire en général, et les problèmes d’ordonnancement en particulier à savoir les
méthodes exactes et les méthodes approchées. Pour chaque méthode, l’idée générale a été rap-
portée, plus de détails ont été donnés que pour les méthodes que nous utilisons dans notre étude.
Le dernier chapitre de cette partie est consacré à un état de l’art où une description de la plu-
part des importants travaux de recherche effectués sur le problème d’ordonnancement sous
contraintes de ressources non-renouvelables a été fournie.
Selon l’état de l’art, nous avons noté un manque d’études concernant le problème Flow-Shop sous
contraintes de ressources non-renouvelables. C’est pourquoi nous avons proposé de résoudre ce
problème dans cette thèse.
La résolution du problème d’ordonnancement dans un atelier Flow-Shop avec contraintes de
ressources non-renouvelables a fait l’objet de la deuxième partie de cette thèse.
Comme première attaque à ce problème, nous avons construit un modèle mathématique basé sur
la programmation linéaire en nombres entiers. Ce modèle a été formulé et validé par le solveur
CPLEX , les résultats obtenus par ce dernier montrent que le modèle proposé peut résoudre de
manière exacte jusqu’à 20 jobs et 5 machines dans la limite du temps (1800s) quel que soit la
configuration de ressources de non-renouvelables considérée. Cette modélisation nous a permet
d’une part de résoudre de manière optimale les instances de petites tailles et d’autre part d’évaluer
la qualité des méthodes approchées développées.
pour la résolution des problèmes d’optimisation combinatoire NP-difficile, nous avons choisi de
développer dans cette thèse des méthodes d’optimisation efficaces, basées sur l’algorithme géné-
tique, algorithme d’optimisation par essaims particulaires et l’hybridation de ces deux derniers
avec une procédure de recherche locale basée sur l’heuristique NEH pour résoudre le problème
d’ordonnancement Flow-Shop sous contraintes de ressources non-renouvelables.
Nous avons décidé d’implémenter un algorithme génétique grâce aux résultats obtenus par les
différents problèmes d’ordonnancement et plus particulièrement par le problème de machines pa-
rallèles sous contraintes de ressources consommables proposé par Belkaid et al. [8]. Concernant
l’algorithme d’optimisation par essaims particulaires, nous avons aussi trouvé une augmentation
sur son application aux problèmes d’ordonnancement et spécialement dans le problème de type
Flow-Shop.
L’algorithme d’optimisation par essaims particulaires présente quelques similarités avec l’algo-
rithme génétique dans le sens qu’il fonctionne sur la base d’une population de solutions qui inter-
agissent entre elles afin de trouver la meilleure solution possible à un problème d’optimisation.
Cependant, contrairement à l’algorithme génétique où l’évolution est basée sur la compétition et
l’élimination des individus les moins performants, l’algorithme d’optimisation par essaims parti-
culaires se base sur la coopération entre les individus afin de faire évoluer. Chaque individu dans
cet algorithme utilise les connaissances que ses voisines possèdent du milieu afin de se déplacer
efficacement et de s’améliorer (aucune solution n’est éliminée.).
De cette façon, avec ces méthodes proposées, nous avons étudié différentes façons pour explorer
l’espace de solution de notre problème d’ordonnancement de type Flow-Shop avec contraintes
de ressources non-renouvelables.
CONCLUSIONS ET PERSPECTIVES 117
Les méthodes de résolution proposées ont été comparées entre-elles. Cette comparaison a été
faite sur différentes configurations de disponibilité de ressources non-renouvelables et sur des
instances générées à partir d’une procédure proposée dans le chapitre 4 de la thèse. Les résultats
de calcul ont démontré la supériorité de l’algorithme d’optimisation par essaims particulaires
pour résoudre les problèmes d’ordonnancement Flow-Shop sous contraintes de ressources non-
renouvelables.
Les résultats que nous avons obtenus sont prometteurs et encourageants. Il serait donc intéres-
sant de développer certains aspects dans les travaux futurs que nous envisageons.
— Prise en compte de nouveaux critères à optimiser ou de nouvelles contraintes pouvant rendre
le problème étudié plus réaliste.
— Généralisation des approches développées à d’autres problèmes d’ordonnancement (e.g., Flow-
Shop hybride, Job-Shop, etc.).
— Étude du cas où le nombre de ressources non-renouvelables est supérieurs (respectivement
inférieur) au nombre de machines, ainsi le cas où les tâches consomment plus d’une ressource
non-renouvelable par machine.
— Les travaux futurs pourraient également se concentrer sur l’exploration des caractéristiques
propres du problème, telles que l’étude de complexité des cas particuliers (e.g., que se passe-t-il
si les tâches ont des temps de traitement unitaires ou égaux ?, etc )
Les travaux présentés dans cette thèse ont donné lieu à plusieurs publications : dans des revues
internationales ([76, 77]), et à des communications dans des conférences internationales ([73–75].
Bibliographie
[1] Riad Aggoune. Ordonnancement d’ateliers sous contraintes de disponibilité des machines.
PhD thesis, Metz, 2002.
[2] Ekaterina Alekseeva, Mohand Mezmaz, Daniel Tuyttens, and Nouredine Melab. Parallel
multi-core hyper-heuristic grasp to solve permutation flow-shop problem. Concurrency
and Computation : Practice and Experience, 29(9), 2017.
[3] Davide Anghinolfi and Massimo Paolucci. A new discrete particle swarm optimization ap-
proach for the single-machine total weighted tardiness scheduling problem with sequence-
dependent setup times. European Journal of Operational Research, 193(1) :73–85, 2009.
[4] R.N. Anthony. Planning and control systems : a framework for analysis. Studies in manage-
ment control. Division of Research, Graduate School of Business Administration, Harvard
University, 1965.
[5] Younes BAHMANI. Optimisation multicritère de l’ordonnancement des activités de la pro-

duction et de la maintenance intégrées dans un atelier Job Shop. PhD thesis, Université
Mustapha Ben Boulaid Batna 2, 2017.
[6] Kenneth R Baker, Eugene L Lawler, Jan Karel Lenstra, and Alexander HG Rinnooy Kan.
Preemptive scheduling of a single machine to minimize maximum cost subject to release
dates and precedence constraints. Operations Research, 31(2) :381–386, 1983.
[7] Joaquín Bautista-Valhondo and Rocío Alfaro-Pozo. Mixed integer linear programming
models for flow shop scheduling with a demand plan of job types. Central European Journal
of Operations Research, pages 1–19, 2018.
[8] F. Belkaid, F. Yalaoui, and Z. Sari. An efficient approach for the reentrant parallel ma-
chines scheduling problem under consumable resources constraints. International Journal
of Information Systems and Supply Chain Management, 9 :1–25, 2016.
[9] F. Belkaid, F. Yalaoui, and Z. Sari. Investigations on Performance Evaluation of Scheduling

Heuristics and Metaheuristics in a Parallel Machine Environment, pages 191–222. Springer
International Publishing, 2016.
120 BIBLIOGRAPHIE
[10] Richard Bellman. Dynamic programming. 1957.
[11] Imène Benkalai, Djamal Rebaine, Caroline Gagné, and Pierre Baptiste. Improving the mi-
grating birds optimization metaheuristic for the permutation flow shop with sequence-
dependent set-up times. International Journal of Production Research, 55(20) :6145–6157,
2017.
[12] Jacek Błażewicz, Joachim Breit, Piotr Formanowicz, Wiesław Kubiak, and Günter Schmidt.
Heuristic algorithms for the two-machine flowshop with limited machine availability.
Omega, 29(6) :599–608, 2001.
[13] Jacek Blazewicz, Klaus H Ecker, Erwin Pesch, Günter Schmidt, and Jan Weglarz. Handbook
on scheduling : from theory to applications. Springer Science & Business Media, 2007.
[14] Christian Blum and Andrea Roli. Metaheuristics in combinatorial optimization : Overview
and conceptual comparison. ACM computing surveys (CSUR), 35(3) :268–308, 2003.
[15] Christian Blum, Andrea Roli, and Enrique Alba. An introduction to metaheuristic tech-
niques. Parallel Metaheuristics : A New Class of Algorithms, 47 :1, 2005.
[16] Peter Brucker and P Brucker. Scheduling algorithms, volume 3. Springer, 2007.
[17] Peter Brucker and Sigrid Knust. Complexity results for scheduling problems., 2009.
[18] J. Carlier. Problemes d’ordonnancements a contraintes de ressources : algorithmes et com-

plexité. These d’etat en science., Universitté Pierre et Marie Curie (Paris VI), 1984.
[19] Jacques Carlier. Ordonnancements a contraintes disjonctives. RAIRO-Operations Research,

12(4) :333–350, 1978.
[20] Jacques Carlier and Ismaïl Rebaï. Two branch and bound algorithms for the permutation
flow shop problem. European Journal of Operational Research, 90(2) :238–251, 1996.
[21] S. Carrera. Planification et ordonnancement de plateformes logistiques. These doctorat.,

Ecole doctorale IAEM Lorraine, 2010.
[22] Chuen-Lung Chen, Venkateswara S Vempati, and Nasser Aljaber. An application of genetic
algorithms for flow shop problems. European Journal of Operational Research, 80(2) :389–
396, 1995.
[23] Jen-Shiang Chen, Jason Chao-Hsien Pan, and Chien-Min Lin. A hybrid genetic algo-
rithm for the re-entrant flow-shop scheduling problem. Expert systems with applications,
34(1) :570–577, 2008.
[24] Chengbin Chu. Nouvelles approches analytiques et concept de mémoire artificielle pour divers
problèmes d’ordonnancement. PhD thesis, Université de Metz, 1990.
BIBLIOGRAPHIE 121
[25] M Cochand, D de Werra, and R Slowinski. Preemptive scheduling with staircase and piece-
wise linear resource availability. Zeitschrift für Operations Research, 33(5) :297–313, 1989.
[26] Stephen A Cook. The complexity of theorem-proving procedures. In Proceedings of the

third annual ACM symposium on Theory of computing, pages 151–158. ACM, 1971.
[27] Antonio Costa, Fulvio Antonio Cappadonna, and Sergio Fichera. A hybrid genetic al-
gorithm for minimizing makespan in a flow-shop sequence-dependent group scheduling
problem. Journal of Intelligent Manufacturing, 28(6) :1269–1283, 2017.
[28] George Dantzig, Ray Fulkerson, and Selmer . Solution of a large-scale traveling-salesman
problem. Journal of the operations research society of America, 2(4) :393–410, 1954.
[29] George Bernard Dantzig. Linear programming and extensions. 1963.
[30] D De Werra, J Błażewicz, and W Kubiak. A preemptive open shop scheduling problem
with one resource. Operations Research Letters, 10(1) :9–15, 1991.
[31] Dominique de Werra and Jacek Blazewicz. Some preemptive open shop scheduling
problems with a renewable or a nonrenewable resource. Discrete applied mathematics,
35(3) :205–219, 1992.
[32] Suash Deb, Zhonghuan Tian, Simon Fong, Rui Tang, Raymond Wong, and Nilanjan Dey.
Solving permutation flow-shop scheduling problem by rhinoceros search algorithm. Soft
Computing, pages 1–10, 2018.
[33] Ebru Demirkol, Sanjay Mehta, and Reha Uzsoy. Benchmarks for shop scheduling problems.
European Journal of Operational Research, 109(1) :137 – 141, 1998.
[34] Marco Dorigo. Optimization, learning and natural algorithms. PhD Thesis, Politecnico di
Milano, 1992.
[35] Johann Dréo, Alain Pétrowski, Patrick Siarry, and Eric Taillard. Métaheuristiques pour
l’optimisation difficile. Eyrolles, 2003.
[36] Nicolas Durand. Algorithmes Génétiques et autres méthodes d’optimisation appliqués à la

gestion de trafic aérien. PhD thesis, INPT, 2004.
[37] David Duvivier. Étude de l’hybridation des méta-heuristiques, application à un problème

d’ordonnancement de type jobshop. Université du Littoral Côte d’Opale, 2000.
[38] Russell Eberhart and James Kennedy. A new optimizer using particle swarm theory. In
Micro Machine and Human Science, 1995. MHS’95., Proceedings of the Sixth International
Symposium on, pages 39–43, 1995.
122 BIBLIOGRAPHIE
[39] Kan Fang, Nelson A Uhan, Fu Zhao, and John W Sutherland. Flow shop scheduling with
peak power consumption constraints. Annals of Operations Research, 206(1) :115–145, 2013.
[40] Victor Fernandez-Viagas and Jose M Framinan. On insertion tie-breaking rules in heuris-
tics for the permutation flowshop scheduling problem. Computers & Operations Research,
45 :60–67, 2014.
[41] Victor Fernandez-Viagas, Rubén Ruiz, and Jose M Framinan. A new vision of approxi-
mate methods for the permutation flowshop to minimise makespan : State-of-the-art and
computational evaluation. European Journal of Operational Research, 257(3) :707–721, 2017.
[42] J.M. Framinan, R. Leisten, and R.R. García. Manufacturing Scheduling Systems : An Integra-
ted View on Models, Methods and Tools. SpringerLink : Bücher. Springer London, 2014.
[43] Jose M Framinan, Jatinder ND Gupta, and Rainer Leisten. A review and classification of
heuristics for permutation flow-shop scheduling with makespan objective. Journal of the
Operational Research Society, 55(12) :1243–1255, 2004.
[44] E. R. Gafarov, A. Lazarev, and F. Werner. Single machine scheduling problems with finan-
cial resource constraints : Some complexity results and properties. Mathematical Social
Sciences, 62 :7–13, 2011.
[45] M . R. Garey and D. S. Johnson. The complexity of flowshop and jobshop scheduling.
Mathematics of operations research, 2 :117–129, 1976.
[46] M. R. Garey and D. S. Johnson. Computers and intractability : A guide to the theory of
np-completeness. W. H. Freeman and Co. New York, NY, USA, 1979.
[47] Fred Glover. Tabu search : A tutorial. Interfaces, 20(4) :74–94, 1990.
[48] Fred Glover and Manuel Laguna. Tabu search. 1997.
[49] D.E. Goldberg. Genetic algorithms in search, optimization and machine Learning. Addison-
Wesley, 1989.
[50] Ralph E Gomory et al. Outline of an algorithm for integer solutions to linear programs.
Bulletin of the American Mathematical society, 64(5) :275–278, 1958.
[51] Ronald L Graham, Eugene L Lawler, Jan Karel Lenstra, and AHG Rinnooy Kan. Optimiza-
tion and approximation in deterministic sequencing and scheduling : a survey. Annals of
discrete mathematics, 5 :287–326, 1979.
[52] A. Grigoriev, M. Holthuijsen, and J. Klundert. Basic scheduling problems with raw material
constraints. Naval Research Logistics, 52 :527–535, 2005.
BIBLIOGRAPHIE 123
[53] P. György and T. Kis. Approximation schemes for single machine scheduling with non-
renewable resource constraints. Journal of Scheduling, 17 :135–144, 2014.
[54] Péter Györgyi and Tamás Kis. Approximation schemes for parallel machine scheduling
with non-renewable resources. European Journal of Operational Research, 258(1) :113 –
123, 2017.
[55] JM Harrington. Shift work and health–a critical review of the literature on working hours.
Annals of the Academy of Medicine, Singapore, 23(5) :699–705, 1994.
[56] Jack Heller. Some numerical experiments for an m× j flow shop and its decision-theoretical
aspects. Operations Research, 8(2) :178–184, 1960.
[57] JH Holland and D Goldberg. Genetic algorithms in search, optimization and machine
learning. Massachusetts : Addison-Wesley, 1989.
[58] John H Holland. Adaptation in natural and artificial systems : an introductory analysis
with applications to biology, control, and artificial intelligence, 1975.
[59] Srikanth K Iyer and Barkha Saxena. Improved genetic algorithm for the permutation flow-
shop scheduling problem. Computers & Operations Research, 31(4) :593–606, 2004.
[60] Srikanth K. Iyer and Barkha Saxena. Improved genetic algorithm for the permutation
flowshop scheduling problem. Computers & Operations Research, 31(4) :593 – 606, 2004.
[61] James R Jackson. Scheduling a production line to minimize maximum tardiness. Technical
report, CALIFORNIA UNIV LOS ANGELES NUMERICAL ANALYSIS RESEARCH, 1955.
[62] Bassem Jarboui, Mansour Eddaly, and Patrick Siarry. A hybrid genetic algorithm for sol-
ving no-wait flowshop scheduling problems. The International Journal of Advanced Manu-
facturing Technology, 54(9) :1129–1143, 2011.
[63] Bassem Jarboui, Saber Ibrahim, Patrick Siarry, and Abdelwaheb Rebai. A combinatorial
particle swarm optimisation for solving permutation flowshop problems. Computers &
Industrial Engineering, 54(3) :526–538, 2008.
[64] Georges Javel. Organisation et gestion de la production-4e édition : Cours, exercices et etudes
de cas. Dunod, 2010.
[65] S. M. Johnson. Optimal two and three stage production schedules with setup times inclu-
ded. Naval Research Logistics Quarterly, 1 :61–68, 1954.
[66] Imad Kacem. Ordonnancement multicritère des job-Shop flexibles : formulation, bornes infé-
rieures et approche évolutionniste coopérative. PhD thesis, 2003. Thèse de Doctorat, Univer-
sité des Sciences et Techniques de Lille1.
124 BIBLIOGRAPHIE
[67] P. J. Kalczynski and J. Kamburowski. An improved neh heuristic to minimize makespan in

permutation flow shops. Computers and Operations Research, 35 :3001–3008, 2008.
[68] Pawel Jan Kalczynski and Jerzy Kamburowski. On the neh heuristic for minimizing the
makespan in permutation flow shops. Omega, 35(1) :53–60, 2007.
[69] AHG Rinnooy Kan. Machine scheduling problems : classification, complexity and computa-
tions. Martinus Nijhoff, The Hague, 1976.
[70] Dervis Karaboga. An idea based on honey bee swarm for numerical optimization. Tech-
nical report, Technical report-tr06, Erciyes university, engineering faculty, computer en-
gineering department, 2005.
[71] J Kennedy and R Eberhart. Particle swarm optimization. In Neural Networks, 1995. Procee-
dings., IEEE International Conference on, volume 4, pages 1942–1948. IEEE, 1995.
[72] Scott Kirkpatrick, C Daniel Gelatt, and Mario P Vecchi. Optimization by simulated annea-
ling. science, 220(4598) :671–680, 1983.
[73] I. Laribi, F. Yalaoui, F. Belkaid, and Z. Sari. Heuristics for solving flow shop problem under
resources constraints. IFAC-PapersOnLine, 12 :1478–1483, 2016.
[74] I. Laribi, F. Yalaoui, F. Belkaid, and Z. Sari. Metaheuristics for non-renewable resources
constraints flow shop scheduling problems. In 12th Metaheuristics International Conference
(MIC 2017), 2017.
[75] Imane Laribi, Fayçal Belkaid, Zaki Sari, and Farouk Yalaoui. Investigation pour la réso-
lution des problèmes flow shop de permutation sous contrainte de ressource. In Xème
Conférence Internationale : Conception et Production Intégrées, 2015.
[76] Imane Laribi, Farouk Yalaoui, and Zaki Sari. An improved discrete particle swarm op-
timization algorithm for flow shop scheduling problem under non-renewable resources
constraints. IEEE Transactions on Systems, Man, and Cybernetics : Systems, 2018. Soumis.
[77] Imane Laribi, Farouk Yalaoui, and Zaki Sari. Permutation flow shop scheduling problem
under non-renewable resources constraints. Int. J. Mathematical Modelling and Numerical
Optimisation, 2018. Forthcoming.
[78] Eunice Adjarath Lemamou. Ordonnancement de projet sous contraintes de ressources à l’aide
d’un algorithme génétique à croisement hybride de type OEP. Université du Québec à Chi-
coutimi, 2009.
[79] Jan Karel Lenstra, AHG Rinnooy Kan, and Peter Brucker. Complexity of machine sche-
duling problems. In Annals of discrete mathematics, volume 1, pages 343–362. Elsevier,
1977.
BIBLIOGRAPHIE 125
[80] Julien Lepagnot. Conception de métaheuristiques pour l’optimisation dynamique : applica-

tion à l’analyse de séquences d’images IRM. PhD thesis, Université Paris-Est, 2011.
[81] Agnès Letouzey. Ordonnancement interactif basé sur des indicateurs : Applications à la ges-
tion de commandes incertaines et à l’affectation des opérateurs. PhD thesis, Institut National
Polytechnique de Toulouse, 2001.
[82] Joseph YT Leung. Handbook of scheduling : algorithms, models, and performance analysis.
Chapman and Hall/CRC, Boca Raton, Florida, 2004.
[83] Zhigang Lian, Xingsheng Gu, and Bin Jiao. A similar particle swarm optimization algo-
rithm for permutation flowshop scheduling to minimize makespan. Applied mathematics
and computation, 175(1) :773–785, 2006.
[84] Zhigang Lian, Xingsheng Gu, and Bin Jiao. A novel particle swarm optimization algorithm
for permutation flow-shop scheduling to minimize makespan. Chaos, Solitons and Fractals,
35(5) :851 – 861, 2008.
[85] Ching-Jong Liao, Chao-Tang Tseng, and Pin Luarn. A discrete version of particle
swarm optimization for flowshop scheduling problems. Computers & Operations Research,
34(10) :3099–3111, 2007.
[86] Ching-Jong Liao and Chii-Tsuen You. An improved formulation for the job-shop schedu-
ling problem. Journal of the Operational Research Society, 43(11) :1047–1054, 1992.
[87] Pierre Lopez and François Roubellat. Ordonnancement de la production. Hermès science
publications, 2001.
[88] Alan S Manne. On the job-shop scheduling problem. Operations Research, 8(2) :219–223,
1960.
[89] Mohammad Mahdavi Mazdeh and Mohammad Rostami. A branch-and-bound algorithm

for two-machine flow-shop scheduling problems with batch delivery costs. International
Journal of Systems Science : Operations & Logistics, 1(2) :94–104, 2014.
[90] Nicholas Metropolis, Arianna W Rosenbluth, Marshall N Rosenbluth, Augusta H Teller,

and Edward Teller. Equation of state calculations by fast computing machines. The journal
of chemical physics, 21(6) :1087–1092, 1953.
[91] Michel Minoux. Programmation mathématique, théorie et algorithmes, volume 2 of col-

lection technique et scientifique des télécommunications, 1983.
[92] Thomas Morton and David W Pentico. Heuristic scheduling systems : with applications to
production systems and project management, volume 3. John Wiley & Sons, 1993.
126 BIBLIOGRAPHIE
[93] Pablo Moscato. On evolution, search, optimization, genetic algorithms and martial
arts : Towards memetic algorithms. Caltech concurrent computation program, C3P Report,
826 :1989, 1989.
[94] Tadahiko Murata, Hisao Ishibuchi, and Hideo Tanaka. Genetic algorithms for flowshop
scheduling problems. Computers & Industrial Engineering, 30(4) :1061 – 1071, 1996.
[95] Bahman Naderi and Rubén Ruiz. The distributed permutation flowshop scheduling pro-
blem. Computers & Operations Research, 37(4) :754–768, 2010.
[96] Marcelo Seido Nagano, Adriano Seiko Komesu, and Hugo Hissashi Miyata. An evolu-
tionary clustering search for the total tardiness blocking flow shop problem. Journal of
Intelligent Manufacturing, pages 1–15, 2017.
[97] M. Nawaz, E. Enscore, and I. Ham. A heuristic algorithm for the m-machine , n-job flow-
shop sequencing problem. The International Journal of Management Science, 11 :91–95,
1983.
[98] Andreas C Nearchou. The effect of various operators on the genetic search for large sche-
duling problems. International Journal of Production Economics, 88(2) :191–203, 2004.
[99] Eugeniusz Nowicki and Czesław Smutnicki. A fast tabu search algorithm for the permu-
tation flow-shop problem. European Journal of Operational Research, 91(1) :160–175, 1996.
[100] Ibrahim H Osman and Gilbert Laporte. Metaheuristics : A bibliography, 1996.
[101] Ibrahim H Osman and CN Potts. Simulated annealing for permutation flow-shop schedu-
ling. Omega, 17(6) :551–557, 1989.
[102] Ansis Ozolins. Improved bounded dynamic programming algorithm for solving the blo-
cking flow shop problem. Central European Journal of Operations Research, pages 1–24,
2017.
[103] D. S. Palmer. Sequencing jobs through a multi-stage process in the minimum total time-a
quick method of obtaining a near optimum. Operational Research Quarterly, 16 :101–107,
1965.
[104] Quan-Ke Pan, Ling Wang, M Fatih Tasgetiren, and Bao-Hua Zhao. A hybrid discrete par-
ticle swarm optimization algorithm for the no-wait flow shop scheduling problem with
makespan criterion. The International Journal of Advanced Manufacturing Technology, 38(3-
4) :337–347, 2008.
[105] Maurice Pillet. Introduction aux plans d’expériences par la méthode Taguchi. Editions d’Or-
ganisation, 1994.
[106] Michael Pinedo. Scheduling : Theory, Algorithms, and Systems. Springer, 2016.
BIBLIOGRAPHIE 127
[107] Chris N Potts, David B Shmoys, and David P Williamson. Permutation vs. non-permutation
flow shop schedules. Operations Research Letters, 10(5) :281–284, 1991.
[108] Ph Preux and E-G Talbi. Towards hybrid evolutionary algorithms. International transac-
tions in operational research, 6(6) :557–570, 1999.
[109] Jakob Puchinger and Günther R Raidl. Combining metaheuristics and exact algorithms in
combinatorial optimization : A survey and classification. In International Work-Conference
on the Interplay Between Natural and Artificial Computation, pages 41–53. Springer, 2005.
[110] H. F. Rahman, R. Sarker, and D. Essam. A genetic algorithm for permutation flow shop
scheduling under make to stock production system. Computers & Industrial Engineering,
90 :12 – 24, 2015.
[111] C. R. Reeves. A genetic algorithm for flowshop sequencing. Computers & Operations
Research, 22(1) :5 – 13, 1995.
[112] Colin R Reeves. A genetic algorithm for flowshop sequencing. Computers & operations
research, 22(1) :5–13, 1995.
[113] Imma Ribas, Ramon Companys, and Xavier Tort-Martorell. Efficient heuristics for the
parallel blocking flow shop scheduling problem. Expert Systems with Applications, 74 :41–
54, 2017.
[114] Débora P Ronconi and Luís RS Henriques. Some heuristic algorithms for total tardiness
minimization in a flowshop with blocking. Omega, 37(2) :272–281, 2009.
[115] Ranjit K Roy. Design of experiments using the Taguchi approach : 16 steps to product and
process improvement. John Wiley & Sons, 2001.
[116] R. Ruiz, C. Maroto, and J. Alcaraz. Two new robust genetic algorithms for the flowshop
scheduling problem. Omega, 34 :461–476, 2006.
[117] Rubén Ruiz and Concepción Maroto. A comprehensive review and evaluation of permuta-
tion flowshop heuristics. European Journal of Operational Research, 165(2) :479–494, 2005.
[118] Rachid Sabre. Plans d’expériences-méthode de taguchi. 2007.
[119] Sadiq M Sait and Habib Youssef. Iterative computer algorithms with applications in engi-
neering : solving combinatorial optimization problems. IEEE Computer Society Press, 1999.
[120] H. Samarghandi. A particle swarm optimisation for the no-wait flow shop problem with
due date constraints. International Journal of Production Research, 53(9) :2853–2870, 2015.
[121] R. Slowinski. Preemptive scheduling of independent jobs on parallel machines subject to

financial constraints. European Journal of Operational Research, 15 :366–373, 1984.
128 BIBLIOGRAPHIE
[122] Wayne E Smith. Various optimizers for single-stage production. Naval Research Logistics
(NRL), 3(1-2) :59–66, 1956.
[123] Eric Taillard. Some efficient heuristic methods for the flow shop sequencing problem.
European journal of Operational research, 47(1) :65–74, 1990.
[124] Eric Taillard. Benchmarks for basic scheduling problems. European journal of operational
research, 64(2) :278–285, 1993.
[125] E-G Talbi. A taxonomy of hybrid metaheuristics. Journal of heuristics, 8(5) :541–564, 2002.
[126] M Fatih Tasgetiren, Yun-Chia Liang, Mehmet Sevkli, and Gunes Gencyilmaz. A par-
ticle swarm optimization algorithm for makespan and total flowtime minimization in
the permutation flowshop sequencing problem. European journal of operational research,
177(3) :1930–1947, 2007.
[127] Vincent T’kindt and Jean-Charles Billaut. Multicriteria scheduling : theory, models and
algorithms. Springer Science & Business Media, 2006.
[128] A. Toker, S. Kondakci, and N. Erkip. Scheduling under a non-renewable resource

constraint. Operational Research Society, 42 :811–814, 1991.
[129] A. Toker, S. Kondakci, and N. Erkip. Job shop scheduling under a non-renewable resource
constraint. Operational Research Society, 45 :942–947, 1994.
[130] W. Trabelsi, C. Sauvey, and N. Sauer. Heuristics and metaheuristics for mixed blo-
cking constraints flowshop scheduling problems. Computers and Operations Research,
39(11) :2520–2527, 2012.
[131] Fan T Tseng, Edward F Stafford Jr, and Jatinder ND Gupta. An empirical analysis of integer
programming formulations for the permutation flowshop. Omega, 32(4) :285–293, 2004.
[132] Lin-Yu Tseng and Ya-Tai Lin. A hybrid genetic local search algorithm for the permutation
flowshop scheduling problem. European Journal of Operational Research, 198(1) :84–92,
2009.
[133] Ji Ung Sun. Dynamic programming approach to a two machine flow shop sequencing with
two-step-prior-job dependent setup times. 5 :126–131, 01 2007.
[134] Eva Vallada, Rubén Ruiz, and Jose M Framinan. New hard benchmark for flowshop
scheduling problems minimising makespan. European Journal of Operational Research,
240(3) :666–677, 2015.
[135] GIARD Vincent. Gestion de la production. Economica, Paris, 1988.

BIBLIOGRAPHIE 129
[136] Harvey M Wagner. An integer linear-programming model for machine scheduling. Naval
Research Logistics Quarterly, 6(2) :131–140, 1959.
[137] Hongfeng Wang, Min Huang, and Junwei Wang. An effective metaheuristic algorithm for
flowshop scheduling with deteriorating jobs. Journal of Intelligent Manufacturing, pages
1–10, 2018.
[138] Ling Wang, Quan-Ke Pan, and M Fatih Tasgetiren. A hybrid harmony search algorithm
for the blocking permutation flow shop scheduling problem. Computers & Industrial Engi-
neering, 61(1) :76–83, 2011.
[139] Ling Wang, Liang Zhang, and Da-Zhong Zheng. An effective hybrid genetic algorithm for
flow shop scheduling with limited buffers. Computers & Operations Research, 33(10) :2960–
2971, 2006.
[140] JM Wilson. Alternative formulations of a flow-shop scheduling problem. Journal of the

Operational Research Society, 40(4) :395–399, 1989.
[141] Cathy Wolosewicz. Approche intégrée en planification et ordonnancement de la production.

PhD thesis, Ecole Nationale Supérieure des Mines de Saint-Etienne, 2008.
[142] David H Wolpert and William G Macready. No free lunch theorems for optimization. IEEE
transactions on evolutionary computation, 1(1) :67–82, 1997.
[143] J. Xie. Polynomial algorithms for single machine scheduling problems with financial
constraints. Operations Research Letters, 21 :39–42, 1997.
[144] Xin-She Yang and Suash Deb. Cuckoo search via lévy flights. In Nature & Biologically
Inspired Computing, 2009. NaBIC 2009. World Congress on, pages 210–214. IEEE, 2009.
[145] GI Zobolas, Christos D Tarantilis, and George Ioannou. Minimizing makespan in permu-
tation flow shop scheduling problems using a hybrid metaheuristic algorithm. Computers
& Operations Research, 36(4) :1249–1267, 2009.

Dcot Eln Laribi

Transféré par

Droits d'auteur :

Formats disponibles

Dcot Eln Laribi

Transféré par

Informations du document

Description originale:

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Dcot Eln Laribi

Transféré par

Droits d'auteur :

Formats disponibles

Laboratoire de Productique

Soutenue le 12 décembre 2018 devant un jury composé de :

Président du jury MCA Meliani Sidi Mohammed (Université de Tlemcen, Algérie)

Le Laboratoire d’Optimisation des Systèmes Industriels (LOSI)

Mes travaux de thèse se sont déroulés au laboratoire de productique à l’université de Tlemcen et

À Monsieur Sidi Mohammed Meliani, Maître de Conférences à l’université de Tlemcen, qui ma

Je suis particulièrement reconnaissante à Mademoiselle Latéfa Ghomri, Maître de Conférences à

Je tiens à exprimer ma grande gratitude à Jatinder Gupta, Professeur à l’Université d’Alabama à

Et maintenant Maman, promis, les études c’est fini El Hamdoulah !

I Ordonnancement de la production, optimisation et état de l’art 5

II Le Flow-Shop sous contraintes de resources non-renouvelables : Modélisation

4 Méthode de résolution exacte 59

4.4 Résultats numériques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70

5 Algorithme génétique pour le problème Flow-Shop sous contraintes de ressources

6 Algorithme d’optimisation par essaims particulaires pour le Flow-Shop sous contraintes

6.2.2 Initialisation de l’essaim . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102

Conclusions et perspectives 114

1.1 Décomposition d’un système de production [5] . . . . . . . . . . . . . . . . . . . . . . . . . 8

2.1 Schéma de la programmation dynamique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

4.1 Représentation du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61

4.7 Exemple d’une instance du problème traité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71

5.1 Codage d’un chromosome . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76

6.1 Illustration de la manière dont l’opérateur ⊗ fonctionne . . . . . . . . . . . . . . . . . . . 104

1.1 Classification de Graham . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

3.1 Complexité de minimisation de la durée total . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

4.1 Résultats obtenus par le solveur CPLEX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72

5.1 Facteurs et leurs niveaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91

6.1 Problèmes testés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106

6.4 Comparaison de résultats - instances de moyennes à grandes tailles : IDPSO_NOLS

cipales contributions à l’étude du problème d’ordonnancement Flow-Shop sous contraintes

Nous finissons ce mémoire par une conclusion et quelques perspectives.

1.1 La gestion de production

Figure 1.1 : Décomposition d’un système de production [5]

de production, le sous-système de décision et le sous-système d’information qui s’intègrent afin

1.1.1 Décisions stratégiques

1.1.2 Décisions tactiques

1.1.3 Décisions opérationnelles

1.2 L’ordonnancement de la production

Definition 1.2.1 [92]

Definition 1.2.2 [82]

Definition 1.2.3 [106]

1.2.1 Formulation d’un problème d’ordonnancement

Dans un problème d’ordonnancement, quatre notions fondamentales interviennent : les tâches,

1.2.1.1 Les tâches

Figure 1.2 : Caractéristique d’une tâche

On distingue deux types de tâches :

1.2.1.2 Les ressources

1. Selon leurs disponibilités au cours du temps, on trouve :

1.2.1.3 Les contraintes

(livraison de matière première, conditions climatiques, etc.) ou encore l’opération i ne

1.2.1.4 Les objectifs

du job le plus tardif. La minimisation de ce critère est souvent rencontrée puisque ça

1.2.2 Typologie des problèmes d’ordonnancements

groupe ceux dont les jobs nécessitent plusieurs opérations.

1.2.2.1 Problèmes à une opération

1.2.2.2 Problèmes à plus d’une opération

Figure 1.3 : Typologie des problèmes d’ordonnancement

1.2.3 Formalisation des problèmes d’ordonnancements